조금씩 꾸준히 완성을 향해

비교 연산 연산결과는 항상 boolean type을 가진 배열로 추출 1-1 브로드캐스팅 비교연산 하나의 스칼라 값과 벡터 간의 비교 연산은 벡터 내 전체 요소에 적용 x = np.array([4,3,2,6,8,5]) x > 3 # array([ True, False, False, True, True, True]) x == 3 #array([False, True, False, False, False, False]) x != 3 #array([ True, False, True, True, True, True]) 1-2 요소별 비교연산 두 개의 배열 간 배열의 shape이 동일한 경우만 가능 같은 위치에 있는 요소들끼리 비교 연산 [1>2, 3>1, 0>7]과 같이 연산이 실시된 후 이를 반환 x = np...

산술 연산 (Arithmetic Operators) -넘파이는 파이썬과 동일하게 배열 간 산술 연산 지원 행렬과 행렬, 벡터와 백터 간 연산이 가능 -같은 배열의 구조일 때 요소별 연산(element-wise operation) 요소별 연산 : 두 배열의 구조가 동일할 경우 같은 인덱스 요소들끼리 연산 # a1 확인 a1 = np.arange(1, 10) print(a1) # [1 2 3 4 5 6 7 8 9] # 여러가지 산술 연산자, 함수 print(a1+1) #[ 2 3 4 5 6 7 8 9 10] print(np.add(a1, 10)) #[11 12 13 14 15 16 17 18 19] print(a1-2) #[-1 0 1 2 3 4 5 6 7] print(np.subtract(a1, 10)) ..

reshape() : 배열의 구조를 변경하고 rank(차원수)를 조절 array.reshape(변환 shape) np.reshape(array, 변환 shape) x = np.array([[1, 2, 5, 8], [1, 2, 5, 8]]) print(x.shape) # 배열 X의 구조 확인 print(x.reshape(-1,)) # 차원을 -1 낮춘다 (2차원 -> 1차원) x = np.array(range(8)).reshape(4, 2) print(x) # 배열 x를 4행 2형의 구조로 변경(1차원 -> 2 차원) # -1 : 가능한 shape을 자동 계산하여 반영해 준다. x.reshape(2, -1) # x를 2행의 배열로 변경 (열은 자동 생성) x = np.array(range(8)).resha..

▶ zeros() : 모든 요소를 0으로 초기화 ▶ones() : 모든 요소를 1로 초기화 ▶ full() : 모든 요소를 지정한 값으로 초기화 ▶ eye() : 단위행렬(identity matrix) 생성 : 주대각선의 원소가 모두 1이고 나머지 원소는 모두 0인 정사각 행렬 ▶ tri() : 삼각행렬 생성 ▶ empty(): 초기화되지 않은 배열 생성 초기화가 없어서 배열 생성비용 저렴하고 빠름 초기화되지 않아서 기존 메모리 위치에 존재하는 값이 있음 ▶ _like() : 지정된 배열과 shape가 같은 행렬 생성 np.zeros_like() np.ones_like() np.full_like() np.empty_like()

배열의 구조 확인 (shape 함수) ▶ 1차원 배열 구조 # 1차원 test_array = np.array([1, 4, 5, 8], float) print(test_array.shape) # 배열의 구조(shape)를 반환 (튜플 형태로) # output : (4,) => 요소의 개수 ▶ 2차원 배열 구조 # 2차원 matrix = np.array([[1,2,5,8], [1,2,5,8], [1,2,5,8]]) print(matrix.shape) # output : (3, 4) => (백터의 개수, 백터의 자리수) = (행의 개수, 열의 개수) ▶ 3차원 배열 구조 # 3차원 tensor_rank3 = [[[1,2,5,8], [1,2,5,8], [1,2,5,8]], [[1,2,5,8], [1,2,5,8]..

Numpy Python의 고성능 과학 계산용 라이브러리 백터나 행렬같은 선형대수의 표현법을 코드로 처리 다차원 리스트나 크기가 큰 데이터 처리에 유리 특징 속도가 빠르고 메모리 사용이 효율적 반복문을 사용하지 않음 (연산할 때 병렬로 처리, 함수를 한 번에 많은 요소에 적용) 다양한 선형대수 관련 함수 제공 C, C++, 포트란 등 다른 언어와 통합 사용 가능 Array and Tensor (배열과 텐서) ndarray (넘파이 배열) : 넘파이에서 텐서 데이터를 다루는 객체 tensor (텐서) : 선행대수의 데이터 배열 (rank에 따라 이름이 다름) RANK NAME EXAMPLE 0 스칼라(scalar) 7 1 백터(vactor) [10, 10] 2 행렬(matrix) [[10, 10], [15,..