[밑바닥부터 시작하는 딥러닝 1] 1.5 <넘파이(numpy)> 기본 사용법

.

# 1.5 넘파이

# 1.5.1 넘파이 가져오기
import numpy as np  # 외부 라이브러리인 numpy를 np라는 이름으로 가져오기

 

# 1.5.2 넘파이 배열 만들기: np.array()
# 파이썬의 리스트를 인수로 받아 특수한 형태의 배열을 반환한다.
x = np.array([1.0, 2.0, 3.0])
print(x)
print(type(x))

[1. 2. 3.]
<class 'numpy.ndarray'>

 

# 1.5.3 넘파이의 산술 연산
# 배열 x와 y는 원소 수가 같다.
x = np.array([1.0, 2.0, 3.0])
y = np.array([2.0, 4.0, 6.0])
print(x + y)
print(x - y)
print(x * y)
print(x / y)

# 브로드캐스트
# 스칼라값과 넘파이 배열의 산술 연산
print(x / 2.0)

[3. 6. 9.]
[-1. -2. -3.]
[ 2.  8. 18.]
[0.5 0.5 0.5]

[0.5 1.  1.5]

 

# 1.5.4 넘파이의 N차원 배열
A = np.array([[1, 2], [3, 4]])  # 2차원 배열
print(A)
print(A.shape)  # 행렬의 형상
print(A.dtype)  # 행렬에 담긴 원소의 자료형

# 다차원 배열의 산술 연산
# 산술 연산은 형상(차원의 크기, 원소 수)이 같은 행렬끼리 가능
B = np.array([[3, 0], [0, 6]])
print(A + B)
print(A * B)

# 브로드캐스트
print(A*10)

[[1 2]
 [3 4]]

(2, 2)

int32

[[ 4  2]
 [ 3 10]]
[[ 3  0]
 [ 0 24]]

[[10 20]
 [30 40]]

 

# 1.5.5 브로드캐스트
A = np.array([[1, 2], [3, 4]])
B = np.array([10, 20])
print(A * B)

[[10 40]
 [30 80]]

 

# 1.5.6 원소 접근
X = np.array([[51, 55], [14, 19], [0, 4]])
print(X)
print(X[0])     # 0행
print(X[0][1])  # (0, 1) 위치의 원소

for row in X:   # for문으로도 각 원소에 접근할 수 있다.
    print(row)
    
X = X.flatten() # X를 1차원 배열로 변환 (평탄화)
print(X)
print(X[np.array([0, 2, 4])])   # 0, 2, 4, 인덱스의 원소 얻기

print(X > 15)   # bool 배열
print(X[X>15])  # True에 해당하는 원소만

 

[[51 55]
 [14 19]
 [ 0  4]]

[51 55]

55

[51 55]
[14 19]
[0 4]

[51 55 14 19  0  4]
[51 14  0]

[ True  True False  True False False]
[51 55 19]