essentials-numpy-pandas

ndarray 생성과 속성

1. Numpy 배열

1. ndarray 객체 생성

NumPy 배열은 ndarray 객체로 표현되며, 다양한 방법으로 생성할 수 있습니다. 배열을 생성하는 가장 간단한 방법은 np.array() 함수를 사용하는 것입니다. 이 함수는 파이썬 리스트를 입력받아 NumPy 배열로 변환합니다. 이를 통해 파이썬 리스트보다 더 빠르고 효율적인 데이터 처리를 할 수 있습니다.

import numpy as np # 1차원 배열(벡터) arr1 = np.array([1, 2, 3, 4, 5]) print(arr1) # 2차원 배열(메트릭스, 행렬) arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2) # 3차원 배열(텐서) arr3 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(arr3)

NumPy 배열은 다양한 차원을 가질 수 있으며, 1차원 배열은 벡터, 2차원 배열은 메트릭스(행렬), 3차원 이상의 배열은 텐서로 부릅니다. 구글에서 개발한 텐서플로우(TensorFlow)와 같은 딥러닝 라이브러리의 이름에서 알 수 있듯이, 결국 인공지능도 행렬로 이뤄진다는 것을 알 수 있습니다.

np.array() 말고도 다양한 방법으로 NumPy 배열을 생성할 수 있습니다. 예를 들어, np.zeros(), np.ones(), np.arange() 함수를 사용하여 0으로 채워진 배열, 1로 채워진 배열, 일정 간격의 숫자로 채워진 배열을 생성할 수 있습니다.

import numpy as np # 0으로 채워진 배열 생성 zeros = np.zeros(5) # 1로 채워진 배열 생성 ones = np.ones((2, 3)) # 일정 간격의 숫자로 채워진 배열 생성 range_arr = np.arange(1, 10, 2) print("0으로 채워진 배열:", zeros) print("1로 채워진 배열:", ones) print("일정 간격의 숫자로 채워진 배열:", range_arr)

이에 대한 좀 더 상세한 내용은 다음 장에서 다루도록 하겠습니다.

1.2 데이터 타입

NumPy 배열은 다양한 데이터 타입을 지원하며, 배열 생성 시 자동으로 적절한 타입이 할당됩니다. 정수형, 실수형, 불리언, 복소수형 등 다양한 타입이 있으며, 각 타입은 서로 다른 특성과 사용 목적을 가집니다.

import numpy as np 정수 = np.array([1, 2, 3, 4, 5]) 실수 = np.array([1.5, 2.7, 3.2]) 불리언 = np.array([True, False, True]) print(정수.dtype) print(실수.dtype) print(불리언.dtype)

NumPy는 다양한 데이터 타입을 지원하며, 각 타입은 메모리 사용량과 표현 범위가 다릅니다. 다음은 NumPy에서 지원하는 주요 데이터 타입입니다.

데이터 타입	설명	byte	표현 범위
`int8`	8비트 정수	1	-128 ~ 127(2^8 표현)
`int16`	16비트 정수	2	-32,768 ~ 32,767(2^16 표현)
`int32`	32비트 정수	4	-2,147,483,648 ~ 2,147,483,647(2^32 표현)
`int64`	64비트 정수	8	생략, 2^64 표현
`float32`	32비트 실수	4	약 ±3.4E38
`float64`	64비트 실수	8	약 ±1.8E308
`bool`	불리언 값	1	True 또는 False
`complex64`	32비트 실수부 + 32비트 허수부	8	복소수 표현
`complex128`	64비트 실수부 + 64비트 허수부	16	복소수 표현

타입은 배열 생성 시 자동으로 설정되며 dtype 매개변수를 통해 명시적으로 지정할 수 있습니다. 예를 들어, 아래와 같이 사용할 수 있습니다. 다만 주의해야 할 것은 bool같은 경우 내장 함수가 있어 bool_로 사용해야 합니다.

import numpy as np 정수 = np.array([1.5, 2.5, 3.5], dtype=np.int32) 실수 = np.array([1, 2, 3], dtype=np.float64) print(정수, 실수)

2. 배열 속성

2.1 shape

shape 속성은 배열의 각 차원의 크기를 튜플로 반환합니다. 이는 배열이 몇 개의 행과 열로 구성되어 있는지, 또는 어떤 구조를 가지고 있는지 알 수 있게 해줍니다. 예를 들어, 2차원 배열의 shape이 (3, 4)라면, 이는 3행 4열의 구조를 가진 배열이라는 것을 의미합니다.

import numpy as np # 1차원 배열 arr1 = np.array([1, 2, 3]) print(f"1차원 배열 shape: {arr1.shape}") # 2차원 배열 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(f"2차원 배열 shape: {arr2.shape}") # 3차원 배열 arr3 = np.array( [[[1, 0, 3], [0, 0, 6], [0, 0, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]]] ) print(f"3차원 배열 shape: {arr3.shape}")

2.2 ndim

ndim 속성은 배열의 차원 수를 정수로 반환합니다. 이는 데이터 구조의 복잡도를 빠르게 파악하는 데 유용합니다. 1차원 배열은 ndim이 1, 2차원 배열은 2, 3차원 배열은 3을 반환합니다.

import numpy as np # 1차원 배열 arr1 = np.array([1, 2, 3]) # 2차원 배열 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # 3차원 배열 arr3 = np.array( [[[1, 0, 3], [0, 0, 6], [0, 0, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]]] ) print(f"1차원 배열 ndim: {arr1.ndim}") print(f"2차원 배열 ndim: {arr2.ndim}") print(f"3차원 배열 ndim: {arr3.ndim}")

shape 과 ndim 무엇이 다를까?

특성	ndim	shape
의미	배열의 차원 수	각 차원의 크기
반환 타입	정수	튜플
예시 (1차원)	1	(4,)
예시 (2차원)	2	(2, 2)
예시 (3차원)	3	(2, 2, 2)
제공 정보	배열이 몇 차원인지	각 차원의 구체적인 크기
사용 목적	배열의 차원 수 확인	배열의 구조 확인

이 표를 통해 ndim과 shape의 주요 차이점을 한눈에 비교할 수 있습니다. ndim은 차원의 수만을 간단히 알려주는 반면, shape은 각 차원의 구체적인 크기 정보를 제공합니다.

2.3 size

size 속성은 배열의 총 요소 수를 정수로 반환합니다. 이는 배열의 전체 크기를 한 눈에 파악하는 데 도움이 됩니다. 예를 들어, 3x4 크기의 2차원 배열의 size는 12입니다. 이 정보는 메모리 사용량을 예측하거나 배열 연산의 복잡도를 계산할 때 유용하게 사용됩니다.

import numpy as np # 1차원 배열 arr1 = np.array([1, 2, 3]) # 2차원 배열 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # 3차원 배열 arr3 = np.array( [[[1, 0, 3], [0, 0, 6], [0, 0, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]]] ) print(f"1차원 배열 size: {arr1.size}") print(f"2차원 배열 size: {arr2.size}") print(f"3차원 배열 size: {arr3.size}")

2.4 dtype

dtype 속성은 배열의 데이터 타입을 반환합니다. 이는 배열 내 요소들의 타입을 알려주며, 메모리 사용량과 연산 정확도에 영향을 미칩니다. 예를 들어, int32는 32비트 정수를, float64는 64비트 부동소수점 수를 나타냅니다.

import numpy as np arr4 = np.array([1, 2, 3], dtype=np.int32) arr5 = np.array([1.0, 2.0, 3.0], dtype=np.float64) arr6 = np.array([True, False, True]) print("정수 배열 dtype:", arr4.dtype) print("실수 배열 dtype:", arr5.dtype) print("불리언 배열 dtype:", arr6.dtype)

{"packages":["numpy","pandas","matplotlib","lxml"]}