Numpy part III

Numpy part III¶

---

comparison¶

All & Any¶

• Array의 데이터 전부(and) 또는 일부(or)가 조건에 만족 여부 반환

In [1]:

import numpy as np

In [2]:

a = np.arange(10)
a

Out[2]:

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

In [3]:

a < 4

Out[3]:

array([ True,  True,  True,  True, False, False, False, False, False,
       False])

In [4]:

np.all(a < 10)

Out[4]:

True

• all: 모든 조건에 만족하면 True, 아니면 False

In [5]:

np.any(a > 5), np.any(a < 0)

Out[5]:

(True, False)

In [6]:

np.all(a > 5), np.all(a < 10)

Out[6]:

(False, True)

대소 비교¶

• numpy는 배열의 크기가 동일 할 때,
  element간 비교의 결과를 Boolean type으로 반환

In [7]:

test_a = np.array([1, 3, 0], float)
test_b = np.array([5, 2, 1], float)

In [8]:

test_a > test_b

Out[8]:

array([False,  True, False])

In [9]:

(test_a > test_b).any()

Out[9]:

True

In [10]:

a = np.array([1, 3, 0], float)
a > 0

Out[10]:

array([ True,  True, False])

In [11]:

print(np.logical_and(a>0,a<3)) # and조건의 condition
print((a>0)&(a<3))

[ True False False]
[ True False False]

• logical_and()는 &와 같다

In [12]:

b = np.array([True, False, True], bool)
print(np.logical_not(b))  # Not 조건의 condition
print(~b)

[False  True False]
[False  True False]

• logical_not()은 ~와 같다

In [13]:

c = np.array([False, True, False], bool)
print(np.logical_or(b, c))  # OR 조건의 condition
print(b|c)

[ True  True  True]
[ True  True  True]

• logical_or()은 |와 같다

np.where¶

• np.where(condition,True,False) → 바뀐 값이 반환
• np.where(condition) → 해당 조건 index 반환

In [14]:

a=np.arange(10)
a

Out[14]:

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

In [15]:

np.where(a > 5, 3, 2)  # where(condition, TRUE, FALSE)

Out[15]:

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

In [16]:

np.where(a > 5)   # index 반환

Out[16]:

(array([6, 7, 8, 9], dtype=int64),)

np.isnan()¶

• np.nan값이면 True, 아니면 False

In [17]:

a = np.array([1, np.NaN, np.Inf], float)
np.isnan(a)

Out[17]:

array([False,  True, False])

np.isfinite()¶

• 발산하는 값이 아니면 True, 맞으면 False
• np.inf무한을 나타내는 발산 값이다.
• np.nan은 의미로는 data값이 없음을 의미하지만 값으로 보면 발산 값이다.

In [18]:

np.isfinite(a)

Out[18]:

array([ True, False, False])

argmax & argmin¶

• Array내 최대값 또는 최소값의 index를 반환

In [19]:

a = np.array([1, 2, 4, 5, 8, 78, 23, 3])

In [20]:

np.argmax(a), np.argmin(a)

Out[20]:

(5, 0)

argsort()¶

• 정렬후 해당 원소의 index반환

In [21]:

a.argsort()[::]

Out[21]:

array([0, 1, 7, 2, 3, 4, 6, 5], dtype=int64)

• 오름차순으로 정렬후 해당 인덱스 반환

In [22]:

a.argsort()[::-1]

Out[22]:

array([5, 6, 4, 3, 2, 7, 1, 0], dtype=int64)

• 내림차순으로 정렬후 해당 인덱스 반환

axis 기반의 반환

In [23]:

a = np.array([[1, 2, 4, 7], [9, 88, 6, 45], [9, 76, 3, 4]])
a

Out[23]:

array([[ 1,  2,  4,  7],
       [ 9, 88,  6, 45],
       [ 9, 76,  3,  4]])

In [24]:

np.argmax(a, axis=1), np.argmin(a, axis=0)

Out[24]:

(array([3, 1, 1], dtype=int64), array([0, 0, 2, 2], dtype=int64))

boolean & fancy index¶

boolean index¶

• 특정 조건에 따른 값을 배열 형태로 추출
• Comparison operation 함수들도 모두 사용 가능

In [25]:

test_array = np.array([1, 4, 0, 2, 3, 8, 9, 7], float)
test_array > 3

Out[25]:

array([False,  True, False, False, False,  True,  True,  True])

In [26]:

test_array[test_array > 3]

Out[26]:

array([4., 8., 9., 7.])

• 조건이 True인 index의 element만 추출

In [27]:

condition = test_array < 3
test_array[condition]

Out[27]:

array([1., 0., 2.])

fancy index¶

• numpy는 array를 index value로 사용해서 값 추출
• 이때 index value로는 해당 array의 index범위값을 넘어서면 안된다

In [28]:

a = np.array([2, 4, 6, 8], float)
b = np.array([0,0,1,3,2,1],int)  # 반드시 integer로 선언
a[b]

Out[28]:

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

In [29]:

a.take(b)  # take함수: bracket index와 같은 효과

Out[29]:

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

• take()함수의 사용으로 같은 효과

In [30]:

a = np.array([[1, 4], [9, 16]], float)
b = np.array([0, 0, 1, 1, 0], int)
c = np.array([0, 1, 1, 1, 1], int)
a[b, c]  # b를 row index, c를 column index로 변환하여 표시함

Out[30]:

array([ 1.,  4., 16., 16.,  4.])

• matrix 형태의 데이터도 가능

In [31]:

a = np.array([[1, 4], [9, 16]], float)
b = np.array([0, 0, 1, 1, 0], int)
a[b]  # 2D인데 하나 값만 있으므로 row값만 가지고 온다

Out[31]:

array([[ 1.,  4.],
       [ 1.,  4.],
       [ 9., 16.],
       [ 9., 16.],
       [ 1.,  4.]])

numpy data I/O¶

loadtxt & savetxt¶

In [32]:

data = np.loadtxt("./data/populations.txt", delimiter="\t")  # 파일 읽기
data

Out[32]:

array([[ 1900., 30000.,  4000., 48300.],
       [ 1901., 47200.,  6100., 48200.],
       [ 1902., 70200.,  9800., 41500.],
       [ 1903., 77400., 35200., 38200.],
       [ 1904., 36300., 59400., 40600.],
       [ 1905., 20600., 41700., 39800.],
       [ 1906., 18100., 19000., 38600.],
       [ 1907., 21400., 13000., 42300.],
       [ 1908., 22000.,  8300., 44500.],
       [ 1909., 25400.,  9100., 42100.],
       [ 1910., 27100.,  7400., 46000.],
       [ 1911., 40300.,  8000., 46800.],
       [ 1912., 57000., 12300., 43800.],
       [ 1913., 76600., 19500., 40900.],
       [ 1914., 52300., 45700., 39400.],
       [ 1915., 19500., 51100., 39000.],
       [ 1916., 11200., 29700., 36700.],
       [ 1917.,  7600., 15800., 41800.],
       [ 1918., 14600.,  9700., 43300.],
       [ 1919., 16200., 10100., 41300.],
       [ 1920., 24700.,  8600., 47300.]])

In [33]:

data_int= data.astype(int)
data_int_3=data_int[:3]
data_int_3

Out[33]:

array([[ 1900, 30000,  4000, 48300],
       [ 1901, 47200,  6100, 48200],
       [ 1902, 70200,  9800, 41500]])

In [34]:

np.savetxt("./data/int_data.csv", data_int, fmt="%.2e", delimiter=",")

• int_data.csv로 저장

numpy object - npy¶

In [35]:

np.save("./data/npy_test.npy", arr=data_int_3)

• numpy객체로 파일 저장
• 해당 파일은 pickle형태이다

In [36]:

data_test=np.load(file='./data/npy_test.npy')
data_test

Out[36]:

array([[ 1900, 30000,  4000, 48300],
       [ 1901, 47200,  6100, 48200],
       [ 1902, 70200,  9800, 41500]])