복사와 뷰(Copies and Views)

배열을 조작할 때, 배열의 데이터가 새로운 배열로 복사되는 경우도 있지만 그렇지 않은 경우가 있다.

1. 복사되지 않는 경우(단순 할당)
배열 객체나 데이터가 복사되지 않고 단순하게 할당된다.

코드

arr1 = np.arange(12)
print("arr1 : %s" %arr1)
print("arr1의 형태 : %s" %arr1.shape)
arr2 = arr1 
print(arr2 is arr1)
arr2.shape= 3,4
print("arr2의 형태를 바꾼 후, arr1의 형태 : {0} ".format(arr1.shape))

새로운 객체는 생성되지 않고, 같은 ndarray 객체는 두 개의 이름을 가진다.(arr1, arr2)

결과

arr1 : [ 0  1  2  3  4  5  6  7  8  9 10 11]
arr1의 형태 : 12
True
arr2의 형태를 바꾼 후, arr1의 형태 : (3, 4) 

2. 뷰 혹은 얕은 복사(Shallow copy)
서로 다른 배열 객체가 같은 데이터를 공유할 수 있다. view 함수는 같은 데이터를 바라보는 새로운 배열 객체를 생성한다.

코드

view1 = arr1.view()
print("view1 : ")
print(view1)
print("view1은 arr1과 서로 다른 배열 객체이다 :  그러므로 {0} " .format(view1 is arr1))
print("view1은 arr1의 데이터의 뷰이므로 데이터를 공유한다 : 그러므로 {0}" .format(view1.base is arr1))
view1.shape = 2,6
print("view1 : ")
print(view1)
print("view1의 형태를 바꾼 후, arr1의 형태 : {0} " .format(arr1.shape))
view1[1,2] = 1234
print("view1의 데이터를 바꾼 후, arr1 : ")
print(arr1)

결과

view1 : 
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
view1은 arr1과 서로 다른 배열 객체이다 :  그러므로 False 
view1은 arr1의 데이터의 뷰이므로 데이터를 공유한다 : 그러므로 True
view1 : 
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
view1의 형태를 바꾼 후, arr1의 형태 : (3, 4) 
view1의 데이터를 바꾼 후, arr1 : 
[[   0    1    2    3    4    5]
 [   6    7 1234    9   10   11]]

3. 깊은 복사(Deep copy)
copy함수는 배열과 데이터의 완전한 카피를 생성한다.

코드

dc = arr1.copy()
print("dc : ")
print(dc)
print("dc는 arr1과 서로 다른 배열 객체이다 :  그러므로 {0} " .format(dc is arr1))
print("dc는 arr1과 어떤것도 공유하지 않는다. : 그러므로 {0}" .format(dc.base is arr1))
dc[0,0] = 9999
print("dc의 데이터를 바꾼 후, arr1 : ")
print(arr1)

결과

dc : 
[[   0    1    2    3]
 [   4    5    6    7]
 [1234    9   10   11]]
dc는 arr1과 서로 다른 배열 객체이다 :  그러므로 False 
dc는 arr1과 어떤것도 공유하지 않는다. : 그러므로 False
dc의 데이터를 바꾼 후, arr1 : 
[[   0    1    2    3]
 [   4    5    6    7]
 [1234    9   10   11]]

numpy 모듈의 배열 생성과 출력

배열 생성하기
코드

import numpy as np

# array 함수를 사용하는 일반 python 리스트나 튜플을 이용
a = np.array([2,3,4])
print("배열 a = %s" %a)
print("배열 a의 각 요소의 데이터형 : %s " %a.dtype)
b = np.array([2.3, 3.3, 4.4])
print("배열 b = %s" %b)
print("배열 b의 각 요소의 데이터형 : %s " %b.dtype)
c = np.array([(1.5, 2, 3), (4, 5, 6)])
print("배열 C는 2차원 배열 : ")
print(c)

결과

배열 a = [2 3 4]
배열 a의 각 요소의 데이터형 : int32 
배열 b = [ 2.3  3.3  4.4]
배열 b의 각 요소의 데이터형 : float64 
배열 C는 2차원 배열 : 
[[ 1.5  2.   3. ]
 [ 4.   5.   6. ]]

배열을 생성할 때, 요소들은 모르고 크기만 지정하고 싶은 경우
코드

print("0으로 가득찬 배열 만들기")
print(np.zeros((3,4)))
print("1으로 가득찬 배열 만들기")
print(np.ones((2,5)))
print("랜덤값을 가지는 배열 만들기")
print(np.random.random((2,2)))

결과

0으로 가득찬 배열 만들기
[[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]
1으로 가득찬 배열 만들기
[[ 1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.]]
랜덤값을 가지는 배열 만들기
[[ 0.85682065  0.46422514]
 [ 0.00486033  0.48674269]]

arange함수를 이용해서 좀 더 간단히 배열 만들기
코드

print("0부터 10개")
print(np.arange(10))
print("3부터 10-1까지의 숫자를 2 간격으로")
print(np.arange(3,10,2))

결과

0부터 10개
[0 1 2 3 4 5 6 7 8 9]
3부터 10-1까지의 숫자를 2 간격으로
[3 5 7 9]

arange함수는 간격을 계산해서 입력해줘야 하는 단점이 있으므로 그럴 때에는 linspace 함수를 사용한다.
코드

print("0부터 2사이의 숫자를 9개")
print(np.linspace(0, 2, 9))

결과

0부터 2사이의 숫자를 9개
[ 0.    0.25  0.5   0.75  1.    1.25  1.5   1.75  2.  ]

다차원 배열과 모양
코드

print("1차원 배열 ")
array1 = np.arange(6)
print(array1)

print("2차원 배열(4행 3열)")
array2 = np.arange(12).reshape(4,3)
print(array2)

print("3차원 배열(높이가 3인 2행 4열 배열 = 2행 4열 배열 3개)")
array3 = np.arange(24).reshape(3, 2, 4)
print(array3)

print("만약 배열의 크기가 너무 커서, 다 표시될 수 없으면 자동으로 배열의 중간 값들을 생략한다.")
print(np.arange(10000).reshape(100,100))

결과

1차원 배열 
[0 1 2 3 4 5]
2차원 배열(4행 3열)
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
3차원 배열(높이가 3인 2행 4열 배열 = 2행 4열 배열 3개)
[[[ 0  1  2  3]
  [ 4  5  6  7]]

 [[ 8  9 10 11]
  [12 13 14 15]]

 [[16 17 18 19]
  [20 21 22 23]]]
만약 배열의 크기가 너무 커서, 다 표시될 수 없으면 자동으로 배열의 중간 값들을 생략한다.
[[   0    1    2 ...,   97   98   99]
 [ 100  101  102 ...,  197  198  199]
 [ 200  201  202 ...,  297  298  299]
 ..., 
 [9700 9701 9702 ..., 9797 9798 9799]
 [9800 9801 9802 ..., 9897 9898 9899]
 [9900 9901 9902 ..., 9997 9998 9999]]

numpy모듈의 기본 연산

배열을 가지고 기본적인 산술 연산을 할 수 있다.

코드

a = np.array([20, 30, 40, 50])
print("배열 a : %s" %a)
b = np.arange(4)
print("배열 b : %s"  %b)
print("배열 a - b : %s" %(a-b))
print("배열의 각 요소 제곱 값 구하기 : %s" %b**2)
print("비교 연산으로 참 거짓 값 구하기 : %s" %(a<30))

결과

배열 a : [20 30 40 50]
배열 b : [0 1 2 3]
배열 a - b : [20 29 38 47]
배열의 각 요소 제곱 값 구하기 : [0 1 4 9]
비교 연산으로 참 거짓 값 구하기 : [ True False False False]

각 요소에 대한 곱 연산은 * 을 이용하지만, 행렬 곱은 dot 함수를 이용한다.

코드

array1 = np.array([[1, 1], [0, 1]])
array2 = np.array([[2, 3], [1, 5]])
print("배열 array1 : ")
print(array1)
print("배열 array2 : ")
print(array2)
print("배열의 각 요소들의 단순 곱 : ")
print(array1*array2)
print("행렬 곱 구하기 : ")
print(array1.dot(array2))
print(np.dot(array1, array2))

결과

배열 array1 : 
[[1 1]
 [0 1]]
배열 array2 : 
[[2 3]
 [1 5]]
배열의 각 요소들의 단순 곱 : 
[[2 3]
 [0 5]]
행렬 곱 구하기 : 
[[3 8]
 [1 5]]
[[3 8]
 [1 5]]

일부 연산, +=, *= 등은 새로운 배열을 생성하지 않고 이미 존재하고 있는 배열을 수정한다.

코드

A = np.ones((2,3), dtype=int)
B = np.random.random((2,3))
print(" 배열 A : ")
print(A)
print(" 배열 B : ")
print(B)
print(" 배열 A의 각 요소에 3 곱하기(결과가 A에 저장된다) -> 현재 배열 A :  ")
A *= 3
print(A)
print(" 배열 B의 각 요소에 배열 A의 각 요소의 값을 더한다.(결과가 B에 저장된다) -> 현재 배열 B : ")
B += A
print(B)

결과

배열 A : 
[[1 1 1]
 [1 1 1]]
 배열 B : 
[[ 0.96996427  0.86763816  0.32974234]
 [ 0.68707904  0.2039358   0.88133135]]
 배열 A의 각 요소에 3 곱하기(결과가 A에 저장된다) -> 현재 배열 A :  
[[3 3 3]
 [3 3 3]]
 배열 B의 각 요소에 배열 A의 각 요소의 값을 더한다.(결과가 B에 저장된다) -> 현재 배열 B : 
[[ 3.96996427  3.86763816  3.32974234]
 [ 3.68707904  3.2039358   3.88133135]]

배열의 모든 요소의 합 계산과 같은 많은 단항 연산 또한 간단히 계산된다.

코드

a = np.arange(12).reshape(4,3)
print("배열 a : ")
print(a)
print("배열의 각 요소의 합 : ")
print(a.sum())
print("배열의 요소중 가장 작은 값을 가지는 요소 : ")
print(a.min())
print("배열의 요소중 가장 큰 값을 가지는 요소 : ")
print(a.max())

결과

배열 a : 
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
배열의 각 요소의 합 : 
66
배열의 요소중 가장 작은 값을 가지는 요소 : 
0
배열의 요소중 가장 큰 값을 가지는 요소 : 
11

기본적으로, 위의 연산들은 배열의 모양에 관계없이 단순히 숫자로 이루어진 리스트로써 생각될 수 있다. 그러나 axis 파라미터를 적용함으로써 다차원 배열의 특정한 축을 기준으로 계산하는 것 또한 가능하다.

코드

a = np.arange(12).reshape(4,3)
print("배열 a : ")
print(a)
print("배열의 각 column의 합을 구하기")
print(a.sum(axis=0))
print("배열의 각 row의 합을 구하기")
print(a.sum(axis=1))
print("배열의 각 row의 누적합을 구하기")
print(a.cumsum(axis=1))

결과

배열 a : 
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
배열의 각 column의 합을 구하기
[18 22 26]
배열의 각 row의 합을 구하기
[ 3 12 21 30]
배열의 각 row의 누적합을 구하기
[[ 0  1  3]
 [ 3  7 12]
 [ 6 13 21]
 [ 9 19 30]]

numpy 모듈의 n차원 배열

코드

결과

python 기초문법공부