[python 쌩기초] Numpy

데이터 분석이라 함은,, 

응당 마주할 수 밖에 없는 패키지가 Numpy 와 Pandas 라고 생각된다

원래는 단순히 import numpy as np를 기계적으로 치고서는 뭐가 들어있는지 제대로 파악도 못한 채 

쓸 때마다 " 아,, 이런 게 있었구나 " 하면서 그때 그때 알아가고는 했는데

이번 빅데이터 분석 기사를 치고 나서 내가 사용하는 패키지에 대해 잘 알아두는 것도 굉장히 중요하다는 생각이 들었다

함수는 알아도 어디 패키지인지 몰라서 np.dropna, pd.dropna, df.dropna등.. 엄청나게 난리를 쳤기 때문

 

이번은 numpy에 대한 간략한 설명과 어떤 기능을 담고 있는지 살펴볼 것이다!

---

Numpy

다차원 배열의 연산기능을 모아놓은 꾸러미이며, 수치 연산을 위한 다양한 기능을 담고 있는 패키지이다

import numpy as np

 

배열 ( array )

연속적으로 데이터를 담을 수 있는 객체이며 array라고 쓴다

array([0,1,2,3])

array(['I','my','me','mine'])

• 배열은 같은 종류의 데이터만 담을 수 있다
• 배열은 차원을 갖는다 ( 1차원, 2차원, 3차원 ,,)
• 배열은 빠르고 간단하게 연산 처리가 가능하다

 

배열만들기

※ 배열 생성 함수

• np.array() : 초기화 할 값을 지정하여 배열 생성

import numpy as np
list1 = [1,2,3]
arr1 = np.array(list1)
print(arr1)

• np.zeros() : 값을 0으로 초기화하여 배열 생성

np.zeros(5)
np.zeros((2,3)) #2행 3열이면서 0으로 채워진 배열

• np.ones() : 값을 1로 초기화 하여 배열 생성

np.ones(7)

• np.arange() : 수의 순차적인 증감을 이용하여 배열 생성

np.arange(10)
np.arange(20,30,2) # 20에서 30까지 2씩 증가

• np.rand() : 랜덤한 숫자로 배열 생성

np.random.rand(2,3) # 랜덤한 값으로 채워진 2행 3열 배열

• reshape() : 배열의 차원을 변형 ( 분석 시에도 자주 쓰임 ! ) 

arr2 = np.arange(16)
arr2

arr2.reshape(4,4) # 2차원 4행 4열
arr2.reshape(2,2,4) # 3차원 2행 4열

 

인덱스로 원하는 값 선택

배열도 리스트와 마찬가지로 인덱스를 이용하여 원하는 값을 선택하거나, 마이너스 인덱스, 콜론(:)을 이용할 수 있다

import numpy as np
arr = np.arange(16)
arr

#기본 인덱스
arr[5]

#마이너스 인덱스 ( 맨 마지막 객체 )
arr[-1]

# 인덱스 범위
arr[5:8]

# 선택한 값에 새로운 값 할당
arr[5] = 100
arr[6:8] = [200,201]
arr

# 다차원 배열
arr2 = np.array(16).reshape(4,4)
arr2[1]
arr2[1][1] # 1행 1열에 해당하는 값
arr2[1,1] # 위 코드와 같음
arr2[1,2] = 100 
arr2[0:2]

# 불리언 인덱스

불리언 인덱스는 특히나 빅데이터 분석 기사를 준비하면서,, 기초가 부족하다고 많이 깨달은 파트다

문제대로 다 풀었는데 결론적으로 True인 값의 개수를 산출을 못하는 ,,,,🙄

그 점에서 충격받고 기초를 다시 시작한 게 크다!

# 성적이 들어있는 배열에서 90점 이상의 점수만 선택
scores =[80,90,70,65,85,95,90,80,75,80]
score_arr = np.array(scores)
score_arr >= 90
score_arr[score_arr >= 90]

# 90점 이상인 값을 999점으로 바꾸어 줌
score_arr[score_arr >= 90] = 999
score_arr

# 빅분기 시험에서는,,, 90점 이상인 값의 개수를 구해라?
print((score_arr>=90).sum) # 3개

 

연산

Numpy는 다양한 연산 기능을 가지고 있으며, 이는 데이터 분석 시에 유용하게 사용되므로 필수적으로 숙지해야 한다

특히 리스트와 배열의 연산 결과가 상이하므로 유의할 필요가 있다

## 배열
arr = np.arange(1,5)
arr+2 # 모든 값에 2가 더해진다
arr*2 # 모든 값에 2가 곱해진다

arr1 = np.arange(5,9)
arr1 + arr1 # 같은 위치에 있는 값끼리 더해진다

## 리스트
list = [1,2,3,4]
list*2 # 1,2,3,4라는 값이 2개 생겨난다

list1 = [5,6,7,8]
list + list1 # list값 뒤에 list1값이 이어붙는다

# Numpy의 다양한 연산

# 제곱
np.square(arr)

# 제곱근 (루트)
np.sqrt(arr)

# 지수승 
np.exp(arr)

# 로그
np.log(arr)

# 더하기
np.add(arr, arr1)

# 합계
np.sum(arr)

# 누적합 
np.cumsum(arr)

# 평균
np.mean(arr)

# 분산
np.var(arr)

# 표준편차
np.std(arr)

# 최소값
np.min(arr)

# 최대값
np.max(arr)

 

변형 (reshape(), transpose())

배열의 차원과 모양을 바꾸는 reshape도 분석 시에 자주 사용되고, 특히 기존 배열의 축을 바꾸는 방법인 transpose()는 3회차 빅데이터 분석 기사에서 사용될 수 있었던 함수로 나왔다 물론 나는 해당 함수를 몰라서 야매로 풀어냈지만,,

# 2차원
arr = np.arange(10).reshape(2,5)
arr.transpose() # 그러면 앞서 설정된 2행 5열 -> 5행 2열로 바뀜

# 3차원
arr3d = np.arange(27).reshape(3,3,3)
arr3d