넘파이(Numpy) - 배열 연산

1. 연산 함수

연산 함수: 배열 내부 연산을 지원하는 함수

축: 배열의 랭크가 증가할 떄 마다 새로운 축이 추가되어 차원 증가

 

- sum 함수: 각 요소의 합을 반환

In	import numpy as np test_array = np.arange(1, 11) test_array.sum()
Out	55

- sum함수를 랭크가 2이상인 배열에 적용할 떄 축으로 연산의 방향을 설정

In	test_array = np.arange(1,13).reshape(3,4) test_array
Out	array([[ 1, 2, 3, 4],            [ 5, 6, 7, 8],            [ 9, 10, 11, 12]])
In	test_array.sum(axis=0)
Out	array([15, 18, 21, 24])
In	test_array.sum(axis=1)
Out	array([10, 26, 42])

In	test_array.mean(axis=1) # axis=1 축을 기준으로 평균 연산
Out	array([ 2.5, 6.5, 10.5])
In	test_array.std() # 전체 값에 대한 표준편차 연산
Out	3.452052529534663
In	test_array.std(axis=0) # axis=0 축을 기준으로 표준편차 연산
Out	array([3.26598632, 3.26598632, 3.26598632,3.26598632])
In	np.sqrt(test_array) # 각 요소에 제곱근 연산 수행
Out	array([[1. , 1.41421356, 1.73205081, 2. ], [2.23606798, 2.44948974, 2.64575131, 2.82842712], [3. , 3.16227766, 3.31662479, 3.46410162]])

2. 연결 함수

- 연결함수: 두 객체 간의 결합을 지원하는 함수

- vstack  함수: 배열을 수직으로 붙여 하나의 행렬을 생성

- hstack 함수: 배열을 수평으로 붙여 하나의 행렬을 생성

넘파이는 열 벡터를 표현할 수 없어 2차원 행렬 형태로 표현

In	v1 = np.array([1, 2, 3]) v2 = np.array([4, 5, 6]) np.vstack((v1, v2))
Out	array([[1, 2, 3],            [4, 5, 6]])
In	np.hstack((v1,v2))
Out	array([1, 2, 3, 4, 5, 6])

- concateneat 함수: 축을 고려하여 두 개의 배열을 결합

스택 계열의 함수와 달리 생성될 배열과 소스가 되는 배열의 차원이 같아야 함

두 벡터를 결합하고 싶다면, 해당 벡터를 일단 2차원 배열 꼴로 변환 후 행렬로 나타내야 함

In	v1 = np.array([[1, 2, 3]]) v2 = np.array([[4, 5, 6]]) np.concatenate((v1,v2), axis=0)
Out	array([[1, 2, 3],            [4, 5, 6]])

In	v1 = np.array([1, 2, 3, 4]).reshape(2,2) v2 = np.array([[5,6]]).T v1
Out	array([[1, 2],           [3, 4]])
In	v2
Out	array([[5],            [6]])
In	np.concatenate((v1,v2), axis=1)
Out	array([[1, 2, 5],            [3, 4, 6]])

3. 사칙연산 함수

In	x = np.arange(1, 7).reshape(2,3) x
Out	array([[1, 2, 5],            [3, 4, 6]])
In	x + x
Out	array([[ 2, 4, 6],            [ 8, 10, 12]])
In	x - x
Out	: array([[0, 0, 0],            [0, 0, 0]])
In	x / x
Out	array([[1., 1., 1.],            [1., 1., 1.]])
In	x ** x
Out	array([[ 1, 4, 27],            [ 256, 3125, 46656]], dtype=int32

- dot함수: 벡터의 내적 연산

In	x_1 = np.arange(1, 7).reshape(2,3) x_2 = np.arange(1, 7).reshape(3,2) x_1
Out	array([[1, 2, 5],            [3, 4, 6]])
In	x_2
Out	array([[1, 2],            [3, 4],            [5, 6]])
In	x_1.dot(x_2)
Out	array([[22, 28],            [49, 64]])

- 브로드캐스팅 연산: 하나의 행렬과 스칼라 값들 간의 연산이나 행렬과 벡터간의 연산

In	x = np.arange(1, 10).reshape(3,3) x
Out	array([[1, 2, 3],            [4, 5, 6],           [7, 8, 9]])
In	x + 10
Out	array([[11, 12, 13],            [14, 15, 16],            [17, 18, 19]])
In	x - 2
Out	array([[-1, 0, 1],            [ 2, 3, 4],            [ 5, 6, 7]])