-
Notifications
You must be signed in to change notification settings - Fork 0
/
numpy.py
470 lines (196 loc) · 4.75 KB
/
numpy.py
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
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
# coding: utf-8
# In[2]:
import numpy as np
# In[3]:
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a
# In[5]:
type(a)
# In[6]:
numpy.ndarray
# In[7]:
a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
# In[8]:
ㅁ
# In[9]:
a
# In[10]:
b = []
for ai in a:
b.append(ai * 2)
b
# In[11]:
x = np.array(a)
x
# In[12]:
x * 2
# In[13]:
L = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(2 * L)
# In[14]:
a = np.array([1, 2, 3])
b = np.array([10, 20, 30])
# In[16]:
c=2 * a + b
# In[17]:
c
# In[18]:
np.exp(a)
# In[19]:
np.sin(a)
# In[21]:
b = np.array([[0, 1, 2], [3, 4, 5]]) # 2 x 3 array
b
# In[22]:
len(b)
# In[23]:
len(b[0])
# In[24]:
#연습문제1
# In[ ]:
a=np.array([10,20,30,40],[50,60,70,80])
# In[25]:
c = np.array([[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[11,12,13,14],[15,16,17,18],[19,20,21,22]]]) # 2 x 3 x 4 array
c
# In[26]:
len(c)#첫번째 리스트 길이
# In[28]:
len(c[0])#두번째 리스트 길이
# In[29]:
len(c[0][0]) #세번째 리스트 길이
# In[30]:
print(a.ndim)
print(a.shape)
# In[31]:
a
# In[32]:
print(c.shape)#차원의 크키
# In[33]:
print(c.ndim)#차원 표시
# In[34]:
a = np.array([[0, 1, 2], [3, 4, 5]])
a
#콤마를 통해 각 차원의 원소에 접근 가능함
# In[35]:
a[0,0] # 첫번째 행의 첫번째 열
# In[36]:
a[0,1] # 첫번째 행의 두번째 열
# In[37]:
a[-1, -1] # 마지막 행의 마지막 열
# In[ ]:
#배열 슬라이싱
#배열 객체로 구현한 다차원 배열의 원소 중 복수 개를
#접근하려면 일반적인 파이썬 슬라이싱(slicing)과 comma(,)를 함께 사용하면 된다.
# In[38]:
a = np.array([[0, 1, 2, 3], [4, 5, 6, 7]])
a
# In[39]:
a[0, :] # 첫번째 행 전체
# In[40]:
a[0,] #위와 같은 결과
# In[41]:
a[:, 1] # 두번째 열 전체
# In[42]:
a[1, 1:] # 두번째 행의 두번째 열부터 끝열까지
# In[54]:
a[:2,:1] #1~2번째 리스트에서 1번째 원소만 뽑는다
# In[55]:
m = array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
# In[ ]:
# In[57]:
#연습문제2
m = np.array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
#이 행렬에서 값 7 을 인덱싱한다.
m[1,2]
#이 행렬에서 값 14 을 인덱싱한다.
m[2,4]
#이 행렬에서 배열 [6, 7] 을 슬라이싱한다.
m[1,1:3]
#이 행렬에서 배열 [7, 12] 을 슬라이싱한다.
m[1:3,2]
#이 행렬에서 배열 [[3, 4], [8, 9]] 을 슬라이싱한다.
m[:2,3:5]
# In[58]:
m[1,2]
# In[59]:
m[2,4]
# In[66]:
m[1,1:3]
# In[68]:
m[1:3,2]
# In[73]:
m[:2,3:5]
# In[75]:
#배열 인덱싱
#인덱싱이라는 이름이 붙었지만 사실은 데이터베이스의 질의(Query) 기능을 수행한다.
#배열 인덱싱에서는 대괄호(Bracket, [])안의 인덱스 정보로 숫자나 슬라이스가 아니라
#위치 정보를 나타내는 또 다른 ndarray 배열을 받을 수 있다.
#여기에서는 이 배열을 편의상 인덱스 배열이라고 부르겠다.
#배열 인덱싱의 방식에은 불리안(Boolean) 배열 방식과 정수 배열 방식 두가지가 있다.
#먼저 불리안 배열 인덱싱 방식은 인덱스 배열의 원소가 True, False
#두 값으로만 구성되며 인덱스 배열의 크기가 원래 ndarray 객체의 크기와 같아야 한다.
#예를 들어 다음과 같은 1차원 ndarray에서 홀수인 원소만 골라내려면
#홀수인 원소에 대응하는 인덱스 값이 True이고 짝수인 원소에 대응하는
#인덱스 값이 False인 인덱스 배열을 넣으면 된다.
# In[76]:
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
idx = np.array([True, False, True, False, True, False, True, False, True, False])
a[idx]
#[]안이 일종의 조건문 형태가 됨
# In[77]:
idx
# In[78]:
a[a % 2 == 0]
# In[81]:
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) * 10
idx = np.array([0, 2, 4, 6, 8])
a[idx]
# In[ ]:
# In[84]:
a = np.array([0, 1, 2, 3]) * 10
idx = np.array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2])
a
# In[83]:
a[idx]
# In[104]:
a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
a
# In[110]:
a[:,np.array([True,False,False,True])]
# In[98]:
c
# In[88]:
a[[2, 0, 1], :]
# In[90]:
a[:]
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
이 행렬에서 값 7 을 인덱싱한다.
이 행렬에서 값 14 을 인덱싱한다.
이 행렬에서 배열 [6, 7] 을 슬라이싱한다.
이 행렬에서 배열 [7, 12] 을 슬라이싱한다.
이 행렬에서 배열 [[3, 4], [8, 9]] 을 슬라이싱한다.
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]: