[Pytorch]

[Numpy 기초] Section 03. Crash Course:Numpy

이산이 2021. 12. 9. 14:55

Section 03. Crash Course:Numpy

해당 Section은 거대한 데이터를 다룰 수 있는 numpy array에 대해서 배우는 Section입니다.

Numpy array를 만드는 것부터 Indexing하고 특정 칼럼 혹은 값을 선택하는 방법, 일반적인 계산 방법 및 예제를 통해 Numpy에 대해서 익숙해지는 Section이 될 것입니다.

이미 Numpy에 익숙한 분은 다음 Section으로 넘어가시면 됩니다.

Section 01에서 왜 값자기 Section 03이 되었는가를 궁금해 하실 수 있습니다.

이건 사실 강의 자체에서 Section 01을 보았는지를 확인하는 단계를 Section 02로 둬서 그렇습니다.

0. Numpy-Array

Numpy array는 일반적인 list와는 다른 특성을 가지고 있습니다.

0.1 Numpy vs list

1. 행, 열 구분

일반적인 list로 3 x 3 행렬을 만든다면 출력했을 경우 같은 줄에 출력됩니다.
Numpy array의 경우 행과 열이 구분되어 matrix의 형태를 취합니다.

2. Broadcasting

list에서 연산과 Numpy array에서의 연산은 다릅니다.
이는 Broadcasting때문인데 일반적인 정수를 곱하거나 나누거나 빼거나 제곱하거나 하여도 matrix내의 값 전체에 각각 연산되어 결과물을 생성합니다.

# 예시
my_matrix = [[1,2,3],[4,5,6],[7,8,9]]
my_matrix

# 출력결과
[[1, 2, 3], [4, 5, 6], [7, 8, 9]]

np.array(my_matrix)

# 출력결과
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

0.2 기본 Numpy methods

.shape

Numpy array로 만든 matrix가 어떤 형상인지 확인하는 method입니다.

my_matrix = np.array(my_matrix)
my_matrix.shape

# 출력결과
(3, 3)

.arange(시작,끝,증가량)

시작 숫자부터 끝 숫자 전까지의 숫자로 Numpy array를 만듭니다.

np.arange(0,11,2)

# 출력결과
array([ 0,  2,  4,  6,  8, 10])

.zeros((형태))

0으로만 이루어진 Numpy array를 만들어냅니다.

np.zeros((5,5))

# 출력결과
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

.ones((형태))

1로만 이루어진 Numpy array를 만들어냅니다.

np.ones((3,3))

# 출력결과
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

.linspace(시작, 끝, 생성할 숫자 개수)

시작 숫자와 끝 숫자를 포함하여 해당 범위의 임의의 수 중에서 생성할 숫자 개수에 해당하는 숫자를 Numpy array로 만들어냅니다.

np.linspace(0,5,20)

# 출력결과
array([0.        , 0.26315789, 0.52631579, 0.78947368, 1.05263158,
       1.31578947, 1.57894737, 1.84210526, 2.10526316, 2.36842105,
       2.63157895, 2.89473684, 3.15789474, 3.42105263, 3.68421053,
       3.94736842, 4.21052632, 4.47368421, 4.73684211, 5.        ])

.eye(정수)

정수 x 정수 크기의 단위행렬을 만들어 냅니다.

np.eye(4)

# 출력결과
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

0.3 Numpy Random method

.rand(형태)

0에서 1사이의 임의의 수로 주어진 형태의 matrix를 생성합니다.

np.random.rand(5,5)

# 출력결과
array([[0.03932992, 0.80719137, 0.50145497, 0.68816102, 0.1216304 ],
       [0.44966851, 0.92572848, 0.70802042, 0.10461719, 0.53768331],
       [0.12201904, 0.5940684 , 0.89979774, 0.3424078 , 0.77421593],
       [0.53191409, 0.0112285 , 0.3989947 , 0.8946967 , 0.2497392 ],
       [0.5814085 , 0.37563686, 0.15266028, 0.42948309, 0.26434141]])

.randn(형태)

정규분포를 따르는 임의의 값으로 주어진 형태의 matrix를 생성합니다.

np.random.randn(5,5)

# 출력결과
array([[-0.45241033,  1.07491082,  1.95698188,  0.40660223, -1.50445807],
       [ 0.31434506, -2.16912609, -0.51237235,  0.78663583, -0.61824678],
       [-0.17569928, -2.39139828,  0.30905559,  0.1616695 ,  0.33783857],
       [-0.2206597 , -0.05768918,  0.74882883, -1.01241629, -1.81729966],
       [-0.74891671,  0.88934796,  1.32275912, -0.71605188,  0.0450718 ]])

.randint(최소값, 최대값, 개수)

최소 값과 최대 값 사이에서 주어진 개수만큼의 정수를 임의로 산출하여 Numpy array를 생성합니다.

np.random.randint(1,100,10)

# 출력결과
array([39, 50, 72, 18, 27, 59, 15, 97, 11, 14])

.seed(임의의 정수)

seed를 고정하여 random하게 생성하는 숫자들을 고정합니다.

np.random.seed(42)
np.random.rand(4)

# 출력결과
array([0.37454012, 0.95071431, 0.73199394, 0.59865848])

# 고정되어 한번 더 rand로 호출해도 값이 변경되지 않습니다.
np.random.seed(42)
np.random.rand(4)

# 출력결과
array([0.37454012, 0.95071431, 0.73199394, 0.59865848])

0.4 Reshape & ETC

arr.reshape(형태)

원하는 Numpy array의 형태를 변경할 수 있습니다. 단, 기존 형태에서 분해가 가능해야 합니다.

arr = np.arange(25)
arr.reshape(5,5)

# 출력결과
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])

arr.max()

array에서 max값을 반환합니다.

arr.max()

# 출력결과
24

arr.min()

array에서 min값을 반환합니다.

arr.min()

# 출력결과
0

arr.argmax()

array에서 max값의 인덱스를 반환합니다.

arr.argmax()

# 출력결과
24

arr.argmin()

array에서 min값의 인덱스를 반환합니다.

arr.argmin()

# 출력결과
0

1. Numpy Indexing and Selection

list에서 인덱싱을 통해 값을 추출할 수 있듯이 Numpy array도 마찬가지로 값을 추출할 수 있습니다.

1.1 Bracket Indexing and Selection

Numpy array를 인덱싱 하는 방법은 일반적인 list에서 사용하는 방법과 유사합니다.

arr = np.arange(0,11)
arr

# 출력결과
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

# 이제 위에서 만든 arr를 활용하여 인덱싱 해보겠습니다.

arr[8]

# 출력결과
8

arr[1:5]

# 출력결과
array([1, 2, 3, 4])

arr[5:]

# 출력결과
array([ 5,  6,  7,  8,  9, 10])

1.2 Broadcasting

위에서도 언급한 부분이지만 Numpy array와 list의 차이점에 포함된 부분이기도 한 Broadcasting에대해서 알아보겠습니다.

Broadcasting은 단순한 연산에서도 사용되지만 인덱싱을 통한 값의 변경에도 활용이 됩니다.

arr[0:5]=100
arr

# 출력결과
array([100, 100, 100, 100, 100,   5,   6,   7,   8,   9,  10])

이렇게 인덱싱을 통해 값을 변경하거나 변수에 할당해서 사용할 때는 유의해야 하는 점이 있습니다.

인덱싱한 부분을 변수에 할당하더라도 원본과 연결되어있다는 점입니다.

arr = np.arange(0,11) # arr 초기화
slice_of_arr = arr[0:6]
slice_of_arr

# 출력결과
array([0, 1, 2, 3, 4, 5])

slice_of_arr[:]=99
slice_of_arr

# 출력결과
array([99, 99, 99, 99, 99, 99])

arr

# 출력결과
array([99, 99, 99, 99, 99, 99,  6,  7,  8,  9, 10])

위에서 보이듯이 slice_of_arr의 값을 변경하였음에도 불구하고 arr값도 변경된 것을 확인할 수 있습니다.

이를 방지하기 위해서 .copy()를 활용하여 완전 독립객체로 만들어 준 후 활용합니다.

1.3 Indexing a 2D array (matrices)

Numpy array는 단일 list형태뿐만 아니라 matrix형태의 경우에도 indexing을 제공합니다.

arr_2d = np.array(([5,10,15],[20,25,30],[35,40,45]))
arr_2d

# 출력결과
array([[ 5, 10, 15],
       [20, 25, 30],
       [35, 40, 45]])

arr_2d[1][0]

# 출력결과
20

arr_2d[:2.1:]

# 출력결과
array([[10, 15],
       [25, 30]])

matrix를 활용하다 보면 axis를 활용해서 계산을 해야하는 경우가 왕왕 있습니다.

axis에 대한 개념그림이 강의자료에 있어서 가져와 봤습니다.