[데이터마이닝] Numpy 배열

import 해주기

import numpy as np

 

---

Numpy 배열과 파이썬의 리스트의  성능 차이 비교

import numpy as np

my_arr = np.arange(1000000)
my_list = list(range(1000000))

%time for _ in range(10): my_arr2 = my_arr * 2
%time for _ in range(10): my_list2 = [x * 2 for x in my_list]

CPU times: total: 15.6 ms Wall time: 10.1 ms CPU times: total: 484 ms Wall time: 532 ms

 

Numpy를 사용한 코드 순수한 파이썬으로 작성한 코드보다 속도 열배~백배빠르며 메모리 적게 사용

 

---

The Numpy ndarray: 다차원배열

import numpy as np
np.random.seed(1)
np.random.randn(2, 3)

array([[ 1.62434536, -0.61175641, -0.52817175], [-1.07296862, 0.86540763, -2.3015387 ]])

 

import numpy as np
np.random.seed(10)
# Generate some random data
data = np.round(np.random.randn(2, 3))*10
data

array([[ 10., 10., -20.], [ -0., 10., -10.]])

 

+ 산술까지 해보면

data*10

array([[ 100., 100., -200.], [ -0., 100., -100.]])

data + data

array([[ 20., 20., -40.], [ -0., 20., -20.]])

---

- ndarray는 모두 같은 자료형

- shape: 튜플과 배열에 저장된 각 차원의 크기

- dtype: 튜플과 배열에 저장된 자료형

- ndim: 배열의 차원수

data
data.shape
data.ndim

---

ndaarays 생성하기

data1 = [6, 8.2, 0, 1]
arr1 = np.array(data1)
arr1

array([6. , 8.2, 0. , 1. ])

 

data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
arr2.ndim


# 2

 

---

특수한 배열 만들기

zeros():() 사이즈만큼 0으로 채원진 배열생성

ones():() 사이즈 만큼 1으로 채워진 배열생성

empty(): ()사이즈만큼 빈 배열 생성

 

np.zeros(10)


# array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

np.zeros((3, 6))

# array([[0., 0., 0., 0., 0., 0.],
#       [0., 0., 0., 0., 0., 0.],
#       [0., 0., 0., 0., 0., 0.]])

np.empty((2, 3, 2))

"""
array([[[1.49744185e-311, 3.30656698e-315],
        [0.00000000e+000, 0.00000000e+000],
        [2.22518658e-306, 8.75983079e+164]],

       [[7.42862373e-091, 9.76835942e+165],
        [4.29228528e-038, 1.09378283e-042],
        [3.99910963e+252, 8.34402697e-309]]])
"""

np.arange(15)


#array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

---

ndarrays의 데이터 타입

(1)

arr1 = np.array([1, 2, 3], dtype=np.float64)
print(arr1.dtype)
arr2 = np.array([1, 2, 3], dtype=np.int32)
arr2.dtype

"""
float64
dtype('int32')
"""

 

(2)

arr = np.array([1, 2, 3, 4, 5])
arr.dtype

"""
dtype('int32')
"""

 

(3) 정수형을 부동소수점으로 변환

float_arr = arr.astype(np.float64)
float_arr.dtype

"""
dtype('float64')
"""

 

-> 부동소수정수를 정수형dtype으로 변환하면 소수점 아래자리는 버려짐

arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
arr
arr.astype(np.int32)

"""
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
arr
arr.astype(np.int32)
"""

numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
#numeric_strings.astype(float)
numeric_strings


# array([b'1.25', b'-9.6', b'42'], dtype='|S4')

int_array = np.arange(10) # 0 ~ 9 int64
calibers = np.array([.22, .270, .357, .380, .44, .50], dtype=np.float64) #float64
int_array.astype(calibers.dtype)

"""
array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
"""

empty_uint32 = np.empty(8, dtype='u4')
empty_uint32

"""
array([1, 2, 3, 4, 5, 6, 7, 8], dtype=uint32)
"""

astype을 호출 하면 새로운 dtype과 동일해도 항상 새로운 배열을 생성 (데이터복사)