Python 라이브러리와 Numpy

1. 라이브러리

• 라이브러리의 사전적 의미 도서관
• 라이브러리(ilbrary)는 모듈(module)이라고도 불리며, 자주 쓰는 함수, 변수들을 모아 놓은 파이썬 파일이다.
• 자주 사용하는 기능을 모듈화, 패키지화 하여 만들어 둔 것

 

 

- 데이터 분석에 특화된 모듈(라이브러리)

• Numpy
  • 고성능 과학계산을 위한 데이터분석 라이브러리

 

• Pandas
  • 행과 열로 구성된 표 형식의 데이터를 지원하는 라이브러리

 

• Matplotlib
  • 2D그래프로 시각화가 가능한 라이브러리

 

 

 

1.1 표준 라이브러리와 외부 라이브러리

• 표준 라이브러리
  • 파이썬에서 기본으로 제공하는 라이브러리
  • 파이썬 설치시 기본 제공

• 외부라이브러리
  • 개발자가 필요에 의해 개발한 패키지와 모듈의 집합

 

 

1.2 모듈

• Module_test에 아래 함수를 저장

# 두 수를 더해주는 함수 정의
def add(num1, num2):
    """
    두수를 더해주는 함수
    num1, num2 = int
    """
    result = num1 + num2
    return result

 

• 다른 파일에서  Module_test 모듈을 가져오는 방법
  • os 모듈을 불러오는 것

import Module_test
Module_test.add(10,20)

30

•  from를 통한 사용하는 방법
  • import* 는
  • os모듈로부터 모두(*) import

from Module_test import add
# from Module_test import*

add(20,50)

70

• 차이점
• import만 사용하면 모듈 안의 함수를 사용할 때, 모듈명.함수명( ) 사용
• from을 사용하면 바로 함수명( ) 사용

 

 

2. Numpy

• Numerical Python의 약자
• 데이터의 숫자계산을 간편하게 해주는 라이브러리
• 파이썬 자료형인 list형태와 비슷하지만, "동일한 자료형"을 담는다는 차이점
• 반복문 없이 각 데이터의 연산이 가능하다.
  • sum(), sqrt(), mean()
• 각 값들마다 index번호를 부여받는다.
• ndarray라고 불리는 넘파이 배열을 생성할 수 있다.

 

 

2.1 numpy 라이브러리 불러오기

import numpy as np

 

 

2.2 1차원 배열(array)만들기

list1 = [1,2,3,4,5]
np.array(list1)

array([1, 2, 3, 4, 5])

 

 

2.3 넘파이배열 array와 list의 차이점

• list는 더하기를 했을 때 각 데이터가 뒤로 가서 붙는 반면, 넘파이 배열은 같은 index 데이터를 더해진다.

list2 = [1,2,3,4,5]
arr1 = np.array(list2)

 

• 리스트의 연산

list2 + list2

[1, 2, 3, 4, 5, 1, 2, 3, 4, 5]

 

• array 배열의 연산

arr1 + arr1

array([ 2,  4,  6,  8, 10])

 

• list자료형은 자료형에 상관 없이 담을 수 있지만, 넘파이 배열은 동일한 자료형만 담을 수 있다.

list3 = ['python',123]

['python', 123]

 

• ( 123 ) 정수가 문자열( '123' )로 자동으로 형변환

np.array(list3)

array(['python', '123'], dtype='<U11')

 

 

 

2.4 2차원, 3차원 넘파이 배열 생성하기

•  2차원 넘파이 배열

list4 = [[1,2,3],[4,5,6]]
arr2 = np.array(list4)

[[1, 2, 3], [4, 5, 6]]
[[1 2 3]
 [4 5 6]]

 

• 3차원 넘파이 배열

arr3 = np.array([[[1,2,3],
         [4,5,6]],
         [[7,8,9],
         [10,11,12]]])

array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

 

 

3. ndarray 

• 동일한 자료형을 가지는 값들이 배열 형태로 존재함
• N차원 형태로 구성이 가능하다.
• 각 값들은 양의 정수로 색인(index)이 부여되어 있다.
• ndarray를 줄여서 array로 표현한다.

 

 

3.1 ndarray(넘파이 배열)의 속성

• 배열의 모양(크기) 확인하기 : shape

# 배열명.shape
print(arr1.shape) # 1차원 데이터 : (데이터개수,)
print(arr2.shape) # 2차원 데이터 : (행, 열)
print(arr3.shape) # 3차원 데이터 : (높이, 행, 열)

(5,)
(2, 3)
(2, 2, 3)

 

• 배열의 요소 개수 확인하기 : size

# 배열명.size > 데이터의 총 개수 확인하기
print(arr1.size)
print(arr2.size)
print(arr3.size)

5
6
12

 

• 배열의 차원 확인하기 : ndim

# 차원을 알려준다.
print(arr1.ndim)
print(arr2.ndim)
print(arr3.ndim)

1
2
3

 

• 배열의 타입 확인하기 : dtype

#배열명.dtype
print(arr1.dtype)
print(arr2.dtype)
print(arr3.dtype)

int32
int32
int32

 

 

3.2 특정한 방식으로 넘파이 배열 생성하기!

 

• 배열 안의 모든 데이터를 0으로 초기화해서 생성하는 방식
• np.zeros(배열의 크기)

arr_zero = np.zeros((2,2)) # tuple 형태로 행과 열의 개수를 지정해주기

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

 

• 배열안의 모든 데이터를 1로 초기화해서 생성하기
• np.ones(배열의 크기)

arr_one = np.ones((5)) # 하나만 쓰게 되면 1차원 배열이 생성

array([1., 1., 1., 1., 1.])

 

• 배열 안의 모든 데이터를 2로 초기화 해서 생성하기
• np.full((배열의크기), 특정값)
• 2개의 매개변수

np.full((2,3), 2)

array([[2, 2, 2],
       [2, 2, 2]])

 

• numpy에서 자체적으로 제공해주는 함수 > 순차적으로 증가하는 넘파이배열 생성
• arange(시작값, 끝값+1, 증감값) > range함수와 동일한 매개변수를 갖는다.

np.arange(1,51)

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
       18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,
       35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50])

 

• 랜덤값으로 구성된 배열 생성!
• np.random.randint(시작, 끝, size=(배열크기))

np.random.randint(1,45,size=(2,3))

array([[17,  7, 18],
       [39, 13, 24]])

 

 

• 변경하고 싶은 배열명. astype("데이터 타입")

arr_one.astype('int')

array([1, 1, 1, 1, 1])

 

• 배열의 타입을 지정하면서 배열을 생성
• np.array(배열, dtype="데이터타입")
  
  

np.array([1.1,2.3,3.5],dtype = 'int')

array([1, 2, 3])

 

 

 

3.3 Array 연산

• numpy는 기본적으로 array 간의 사칙연산을 지원한다.
• 같은 위치에 있는 요소들 끼리 연산

arr_a = np.array([1,2,3])
arr_b = np.array([4,5,6])

arr_a + arr_b
arr_a * arr_b
arr_a / arr_b
arr_a - arr_b

array([5, 7, 9])
array([ 4, 10, 18])
array([0.25, 0.4 , 0.5 ])
array([-3, -3, -3])

 

• 2차원 배열의 연산

arr_c = np.array([[1,2,3], [4,5,6]])

array([[1, 2, 3],
       [4, 5, 6]])

 

• 넘파이 배열에 정수를 연산하면 각 모든 위치에 있는 데이터의 연산이 일어남

arr_c + arr_c

array([[ 2,  4,  6],
       [ 8, 10, 12]])

arr_c * 3

array([[ 3,  6,  9],
       [12, 15, 18]])

 

 

3.4 넘파이 배열의 인덱싱과 슬라이싱

 

- 넘파이 배열의 인덱싱

• 넘파이배열[인덱스번호]
• index는 0부터 시작하므로 array1[2]는 3번째 위치의 데이터 값을 의미

arr1 = np.arange(1,10)
arr1[2]

3

 

• 2차원 배열의 인덱싱

arr_2 = np.array([[1,2,3],[4,5,6]])
arr_2[0][1]

2

 

• 2차원 데이터에서 인덱싱 두 번째 방법

arr_2[0,1]

2

 

- 넘파이 배열의 슬라이싱

arr_10 = np.arange(0,11)
arr_10[2 : 6]

array([2, 3, 4, 5])

 

 

3.5 reshape()

• 원래 있던 배열을 새로운 차원의 배열로 재배치할 때 사용
• np.reshape(변경할 배열의 shape)

arr20 = np.arange(1,51).reshape(5,10)

array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15, 16, 17, 18, 19, 20],
       [21, 22, 23, 24, 25, 26, 27, 28, 29, 30],
       [31, 32, 33, 34, 35, 36, 37, 38, 39, 40],
       [41, 42, 43, 44, 45, 46, 47, 48, 49, 50]])

 

• reshape 사용시 행과 열 둘 중에 하나의 값만 정해주고, 나머지 값은 -1로 지정하면 알아서 재배치 해준다.

arr20.reshape(10,-1)

 

 

3.6 인덱싱 슬라이싱 실습

print(arr20[1,2])
print(arr20[1,4:7])
print(arr20[2,])
print(arr20[[2,3],[1,2]])
print(arr20[[2,1,-2],[3,2,-2]])

13
[15 16 17]
[21 22 23 24 25 26 27 28 29 30]
[22 33]
[24 13 39]