numpy
-
샘플링데이터에서 표본을 무작위로 선택하는 과정np.random.choid(a,size=None,replace=True,p=None) a : 정수 = arange(a), 배열 = 원래 데이터 size : 샘플 숫자 (정수) replace : True면 복원추출(같은 값이 여러 번 표본으로 선택 가능) , False면 비복원추출(boolean, 디폴트는 True) p : 각 데이터의 선택 확률 (리스트)print(np.random.choice(4,3)) # 0 ~ 3 중 3개 샘플링 - 중복 가능(복원추출) # [0 2 2] print(np.random.choice(4,3, replace=False)) # 중복 불가능(비복원추출) # [3 2 0] print(np.random.choice(4)) # 0 ~ ..
[파이썬 심화] 4-2. NumPy 샘플링, 카운팅샘플링데이터에서 표본을 무작위로 선택하는 과정np.random.choid(a,size=None,replace=True,p=None) a : 정수 = arange(a), 배열 = 원래 데이터 size : 샘플 숫자 (정수) replace : True면 복원추출(같은 값이 여러 번 표본으로 선택 가능) , False면 비복원추출(boolean, 디폴트는 True) p : 각 데이터의 선택 확률 (리스트)print(np.random.choice(4,3)) # 0 ~ 3 중 3개 샘플링 - 중복 가능(복원추출) # [0 2 2] print(np.random.choice(4,3, replace=False)) # 중복 불가능(비복원추출) # [3 2 0] print(np.random.choice(4)) # 0 ~ ..
2023.06.27 -
기술 통계import numpy as np x = np.array([10,15,34,96,16,24,81,51,22,34]) print(len(x)) # 배열 원소의 개수 print(np.mean(x)) # 배열 원소의 평균 print(np.var(x)) # 분산 print(np.std(x)) # 표준편차 print(np.max(x)) # 최대값 print(np.min(x)) # 최소값 print(np.median(x)) # 중앙값 print(np.percentile(x, 10)) # 하위 10% 값 print(np.percentile(x, 25)) # 하위 25% 값 (1사분위) print(np.percentile(x, 50)) # 중앙값 (2사분위) 난수 발생random 서브패키지의 rand 함수 ..
[파이썬 심화] 4-1. NumPy 기술 통계, 난수 발생기술 통계import numpy as np x = np.array([10,15,34,96,16,24,81,51,22,34]) print(len(x)) # 배열 원소의 개수 print(np.mean(x)) # 배열 원소의 평균 print(np.var(x)) # 분산 print(np.std(x)) # 표준편차 print(np.max(x)) # 최대값 print(np.min(x)) # 최소값 print(np.median(x)) # 중앙값 print(np.percentile(x, 10)) # 하위 10% 값 print(np.percentile(x, 25)) # 하위 25% 값 (1사분위) print(np.percentile(x, 50)) # 중앙값 (2사분위) 난수 발생random 서브패키지의 rand 함수 ..
2023.06.24 -
일반 연산과 벡터화 연산 계산 속도 비교 일반 연산 import numpy as np import time x = np.arange(1,10001) y = np.arange(10001,20001) # 일반 연산 start = time.time() # 시작 시간 측정 z = np.zeros_like(x) for i in range(10000): z[i] = x[i] + y[i] end = time.time() # 종료 시간 측정 print(z[:10]) # [10002 10004 10006 10008 10010 10012 10014 10016 10018 10020] print('%.8f sec' %(end-start)) # 0.00582504 sec 벡터화 연산 # 백터화 연산 start = time.ti..
[파이썬 심화] 3-1. NumPy 벡터화 연산 속도 비교, 브로드캐스팅일반 연산과 벡터화 연산 계산 속도 비교 일반 연산 import numpy as np import time x = np.arange(1,10001) y = np.arange(10001,20001) # 일반 연산 start = time.time() # 시작 시간 측정 z = np.zeros_like(x) for i in range(10000): z[i] = x[i] + y[i] end = time.time() # 종료 시간 측정 print(z[:10]) # [10002 10004 10006 10008 10010 10012 10014 10016 10018 10020] print('%.8f sec' %(end-start)) # 0.00582504 sec 벡터화 연산 # 백터화 연산 start = time.ti..
2023.06.18 -
전치(transpose) 행과 열을 바꾸는 작업 - T로 표기 a = np.array([[1,2,3],[4,5,6]]) print(a) ''' [[1,2,3] [4,5,6]] ''' print(a.T) ''' [[1,4] [2,5] [3,6]] ''' 크기 변형 배원 차원 변형 - reshape a = np.arange(12) print(a) # [0 1 2 3 4 5 6 7 8 9 10 11] b=a.reshape(3,4) print(b) ''' [[0 1 2 3] [4 5 6 7] [8 9 10 11]] ''' reshape() 함수 안에 -1로 대체 가능 ( 원소 개수는 정해져 있어서 가능 ) ※ reshape한 배열들은 완전히 다른 배열이다. a = np.arange(12) print(a) # [..
[파이썬 심화] 2-2. NumPy 배열 변형전치(transpose) 행과 열을 바꾸는 작업 - T로 표기 a = np.array([[1,2,3],[4,5,6]]) print(a) ''' [[1,2,3] [4,5,6]] ''' print(a.T) ''' [[1,4] [2,5] [3,6]] ''' 크기 변형 배원 차원 변형 - reshape a = np.arange(12) print(a) # [0 1 2 3 4 5 6 7 8 9 10 11] b=a.reshape(3,4) print(b) ''' [[0 1 2 3] [4 5 6 7] [8 9 10 11]] ''' reshape() 함수 안에 -1로 대체 가능 ( 원소 개수는 정해져 있어서 가능 ) ※ reshape한 배열들은 완전히 다른 배열이다. a = np.arange(12) print(a) # [..
2023.06.01 -
NumPy 자료형 - ndarray 클래스의 원소는 모두 같은 자료형이어야 함 - np.array로 배열을 만들 때 dtype으로 자료형을 명시 * dtype 인수가 없다면 자료형을 스스로 유추해냄 import numpy as np a = np.array([1,2,3]) print(a.dtype) # int64 a = np.array([1.0,2.0,3.0]) print(a.dtype) # float64 a = np.array([1,2,3.0]) print(a.dtype) # float64 dtype 접두사 설명 사용 예 b 불리언 b (참 혹은 거짓) i 정수 i8 (64비트) u 부호 없는 정수 u8 (64비트) f 부동소수점 f8 (64비트) c 복소 부동소수점 c16 (128비트) O 객체 0 ..
[파이썬 심화] 2-1. NumPy 배열 생성NumPy 자료형 - ndarray 클래스의 원소는 모두 같은 자료형이어야 함 - np.array로 배열을 만들 때 dtype으로 자료형을 명시 * dtype 인수가 없다면 자료형을 스스로 유추해냄 import numpy as np a = np.array([1,2,3]) print(a.dtype) # int64 a = np.array([1.0,2.0,3.0]) print(a.dtype) # float64 a = np.array([1,2,3.0]) print(a.dtype) # float64 dtype 접두사 설명 사용 예 b 불리언 b (참 혹은 거짓) i 정수 i8 (64비트) u 부호 없는 정수 u8 (64비트) f 부동소수점 f8 (64비트) c 복소 부동소수점 c16 (128비트) O 객체 0 ..
2023.06.01 -
인덱싱 기존의 인덱싱과 매우 유사 import numpy as np a = np.array([0,1,2,3,4]) print(a) #[0 1 2 3 4] print(a[0]) # 0 print(a[1]) # 1 print(a[-1]) # 4 n차원 일 때는 콤마( , )로 구분 import numpy as np a = np.array([[0,1,2],[3,4,5]) print(a) ''' 결과 [[0 1 2] [3 4 5]] ''' print(a[0,0]) # 0 print(a[0,1]) # 1 print(a[1,0]) # 3 print(a[-1,-1]) # 5 슬라이싱 기존의 인덱싱과 매우 유사 a = np.array([0,1,2,3,4]) print(a) # [0 1 2 3 4] print(a[1:3..
[파이썬 심화] 1-2. NumPy 배열 인덱싱인덱싱 기존의 인덱싱과 매우 유사 import numpy as np a = np.array([0,1,2,3,4]) print(a) #[0 1 2 3 4] print(a[0]) # 0 print(a[1]) # 1 print(a[-1]) # 4 n차원 일 때는 콤마( , )로 구분 import numpy as np a = np.array([[0,1,2],[3,4,5]) print(a) ''' 결과 [[0 1 2] [3 4 5]] ''' print(a[0,0]) # 0 print(a[0,1]) # 1 print(a[1,0]) # 3 print(a[-1,-1]) # 5 슬라이싱 기존의 인덱싱과 매우 유사 a = np.array([0,1,2,3,4]) print(a) # [0 1 2 3 4] print(a[1:3..
2023.06.01 -
NumPy 패키지란? 수치해석용 파이썬 패키지 벡터, 행렬 등 선형대수로 주로 사용 내부 반복문이 C로 구현되어 있어 파이썬에 비해 속도가 빠름 관례적으로 np로 import(즉, import numpy as np) 배열 1. 사용 방법 import numpy as np arr = np.array([0,1,2,3,4]) print(arr) # [0 1 2 3 4] print(type(arr)) # n-차원 배열(n-dimensional array) 리스트와 차이점 - 모든 원소가 같은 자료형이어야 함. - 원소의 개수를 바꿀 수 없음 - 벡터화 연산을 수행 리스트에 비해 제약이 많으나, 이로 인해 실행 속도가 빠름 벡터화 연산 데이터를 모두 2배 해야하는 경우 (배열 안에 있는 수 하나하나 2배 해야하는..
[파이썬 심화] 1-1. NumPy 배열NumPy 패키지란? 수치해석용 파이썬 패키지 벡터, 행렬 등 선형대수로 주로 사용 내부 반복문이 C로 구현되어 있어 파이썬에 비해 속도가 빠름 관례적으로 np로 import(즉, import numpy as np) 배열 1. 사용 방법 import numpy as np arr = np.array([0,1,2,3,4]) print(arr) # [0 1 2 3 4] print(type(arr)) # n-차원 배열(n-dimensional array) 리스트와 차이점 - 모든 원소가 같은 자료형이어야 함. - 원소의 개수를 바꿀 수 없음 - 벡터화 연산을 수행 리스트에 비해 제약이 많으나, 이로 인해 실행 속도가 빠름 벡터화 연산 데이터를 모두 2배 해야하는 경우 (배열 안에 있는 수 하나하나 2배 해야하는..
2023.05.31