- NumPy 설치
- NumPy 표준 데이터 타입
- NumPy 란?
- Number (Numbers/Numerical) Python
- 행렬이나 대규모 다차원 배열을 쉽게 처리할 수 있도록 지원하는 Python Lib. 데이터 구조 외에도 수치 계산을 위해 효율적으로 구현된 기능을 제공
Anaconda 없이 Python 만 설치된 경우에 준함 (Anaconda Prompt 활용하면 Numpy 를 별도로 설치할 필요없이 활용할 수 있음)
-
가상환경의 필요성
-
의존성 충돌 문제를 피하기 위해 프로젝트마다 독립된 패키지 환경을 만들고(=가상환경 구축) Numpy 설치
- Pandas 가 제공하는 데이터 타입 하부 구조의 상당 부분이 Numpy 에 의존하고 있기 때문에, 글로벌 영역에 특정 버전의 Numpy 가 설치되어 있는 경우 Pandas 설치 후에 아래와 같은 에러가 발생할 수 있음
- 따라서 Python 가상환경을 먼저 구축하고, 필요한 Numpy, Pandas 설치하여 패키지 충돌 문제를 해결
ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts. pandas 2.0.1 requires numpy>=1.20.3; python_version < "3.10", but you have numpy 1.17.3 which is incompatible.
-
-
가상환경 및 Numpy 설치
-
가상환경 생성 및 실행
# 생성 $ python -m venv venv # 실행 $ source venv/Scripts/activate (venv) # (참고) 가상환경 종료 $ deactivate
-
Numpy 설치
# upgrade pip $ python -m pip install --upgrade pip # Numpy 설치 $ pip install numpy # 설치된 Numpy 버전 확인 $ pip list
-
-
Numpy 잘 설치되었는지 간단히 확인
# Numpy 활용 예시 코드 import numpy as np a = np.array([1, 2, 3]) print(a) # [1 2 3] 출력되는 것을 확인 print(type(a)) # <class 'numpy.ndarray'> 출력되는 것을 확인
-
ndarray
-
NumPy 대표 자료형
-
N-dimensional array (N차원 배열)
-
Python List 와의 차이점 (link)
"많은 숫자 데이터를 하나의 변수에 넣고 관리할 때 리스트는 속도가 느리고 메모리를 많이 차지하는 단점이 있다. 배열(array)을 사용하면 적은 메모리로 많은 데이터를 빠르게 처리할 수 있다. 배열은 리스트와 비슷하지만 다음과 같은 점에서 다르다."
- "모든 원소가 같은 자료형이어야 한다."
- "원소의 갯수를 바꿀 수 없다."
Python List NumPy Array 기능 차이 속도가 느리고 메모리를 많이 차지 적은 메모리로 많은 데이터를 빠르게 처리 -
ndarray 장점
"넘파이의 배열 연산은 C로 구현된 내부 반복문을 사용하기 때문에 파이썬 반복문에 비해 속도가 빠르며 벡터화 연산(vectorized operation)을 이용하여 간단한 코드로도 복잡한 선형 대수 연산을 수행할 수 있다." (link)
- 연속된 메모리에 원소들이 저장됨
- 속도 최적화를 위한 개발진의 지속적인 노력, 업데이트
- 다양한 편의기능 (ndarray 클래스의 메서드)
-
-
ndarray 기초 : 1차원 배열 만들기
-
리스트를 인자로 받아 ndarray 로 변환시켜주는 array 함수 호출
first_array = np.array([1, 2, 3])- 타입을 확인해보자
import numpy as np first_array = np.array([1, 2, 3]) print(first_array) # [1 2 3] 출력되는 것을 확인 print(type(first_array)) # <class 'numpy.ndarray'> 출력되는 것을 확인
-
-
ndarray 의 성질 : ndim
ndarray.ndim- "important attribute of an ndarray object" (link)
- "the number of axes (dimensions) of the array" (link)
- "배열의 차원 및 크기를 구하는 더 간단한 방법은 배열의
ndim속성과shape속성을 이용하는 것" (link)
import numpy as np a = np.array([1, 2, 3]) print(a.ndim) # 1 출력 print(a.shape) # (3, ) 출력 b = np.array([[0, 1, 2], [3, 4, 5]]) print(b.ndim) # 2 출력 print(b.shape) # (2, 3) 출력
-
ndarray 의 기능 : 인덱싱
-
정수 순번/주소/위치로 특정 원소에 접근
- "일차원 배열의 인덱싱은 리스트의 인덱싱과 같다" (link)
import numpy as np a = np.array([0, 1, 2, 3, 4]) print(a[2]) # 2 출력 print(a[-1]) # 4 출력
- "다차원 배열일 때는 다음과 같이 콤마(comma ,)를 사용하여 접근할 수 있다. 콤마로 구분된 차원을 축(axis)이라고도 한다. 그래프의 x축과 y축을 떠올리면 될 것이다." (link)
import numpy as np a = np.array([[0, 1, 2], [3, 4, 5]]) print(a) ''' [[0 1 2] [3 4 5]] ''' print(a[0, 0]) # 0 출력 (1번째 행의 1번째 열) print(a[0, 1]) # 1 출력 (1번째 행의 2번째 열) print(a[-1, -1]) # 5 출력 (마지막 행의 마지막 열)
-
중첩된 ndarray 라면?
- 리스트와의 차이에 주의 (예시:
list_example[0][1]vs.ndarray_example[0,1])
- 리스트와의 차이에 주의 (예시:
-
음수 인덱싱
-
-
ndarray 의 기능 : 슬라이싱
- 리스트와 같이
[start:end:step]문법을 따름 - 만약, 여러 축을 슬라이싱 하고자 한다면?
[start1:end1:step1, start2:end2:step2]
- "배열 객체로 구현한 다차원 배열의 원소 중 복수 개를 접근하려면 일반적인 파이썬 슬라이싱(slicing)과 comma(,)를 함께 사용하면 된다." (link)
import numpy as np a = np.array([[0, 1, 2, 3], [4, 5, 6, 7]]) print(a) ''' [[0 1 2 3] [4 5 6 7]] ''' print(a[0, :]) # [0 1 2 3] 출력 (1번째 행 전체) print(a[:, 1]) # [1 5] 출력 (2번째 열 전체) print(a[1, 1:]) # [5 6 7] 출력 (2번째 행의 2번째 열부터 끝열까지) print(a[:2, :2]) ''' [[0 1] [4 5]] 출력 '''
- 리스트와 같이