Numpy Python library

NumPy는 "Numerical Python"을 의미하는 Python 라이브러리입니다. Python에서 수치 계산 및 데이터 분석을 수행하기 위한 강력한 패키지입니다. NumPy는 많은 양의 데이터를 효율적으로 저장하고 조작하는 데 사용되는 배열 개체를 제공합니다. 라이브러리에는 수학 연산, 선형 대수, 난수 생성 등을 위한 여러 함수가 포함되어 있습니다.

NumPy는 과학 컴퓨팅, 데이터 분석, 기계 학습 및 기타 영역에서 널리 사용됩니다. 배열 개체는 내장 Python 목록보다 훨씬 빠르게 작업을 수행할 수 있으므로 대규모 데이터 집합에 대한 작업에 특히 유용합니다. 또한 Pandas 및 Matplotlib와 같은 Python의 다른 많은 라이브러리는 NumPy를 기반으로 구축되어 많은 Python 데이터 분석 및 과학 컴퓨팅 작업에 필수적인 라이브러리입니다.

Numpy 라이브러리에 포함된 유용한 기능

NumPy는 수치 및 과학 컴퓨팅 작업을 위한 다양한 기능을 제공합니다. NumPy 라이브러리에서 가장 일반적으로 사용되는 함수는 다음과 같습니다.

1. np.array() – Python 목록 또는 튜플에서 NumPy 배열을 만듭니다.
2. np.arange() – 값 범위로 NumPy 배열을 생성합니다.
3. np.zeros() – 모두 0인 NumPy 배열을 생성합니다.
4. np.ones() – 모든 항목의 NumPy 배열을 만듭니다.
5. np.linspace() – 범위 내에서 지정된 수의 균등 간격 값으로 NumPy 배열을 만듭니다.
6. np.random.rand() – 0과 1 사이의 난수 배열을 생성합니다.
7. np.random.randn() – 평균이 0이고 표준 편차가 1인 정규 분포에서 난수 배열을 생성합니다.
8. np.min() – 배열의 최소값을 반환합니다.
9. np.max() – 배열의 최대값을 반환합니다.
10. np.mean() – 배열의 평균값을 반환합니다.
11. np.median() – 배열의 중앙값을 반환합니다.
12. np.std() – 배열의 표준 편차를 반환합니다.
13. np.dot() – 두 배열의 내적을 계산합니다.
14. np.transpose() – 행렬 또는 배열을 전치합니다.
15. np.linalg.inv() – 역행렬을 계산합니다.

이것은 NumPy에서 제공하는 기능의 몇 가지 예일 뿐입니다. 수치 계산, 선형 대수학, 푸리에 분석 등에 사용할 수 있는 더 많은 함수가 있습니다.

Numpy 라이브러리에 포함된 np.array() 사용 방법

np.array()NumPy 라이브러리의 함수는 Python 목록 또는 튜플에서 NumPy 배열을 만드는 데 사용됩니다 . 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a NumPy array from a Python list
my_list = [1, 2, 3, 4, 5]
my_array = np.array(my_list)
print(my_array)

# Output: [1 2 3 4 5]

# Creating a NumPy array from a Python tuple
my_tuple = (6, 7, 8, 9, 10)
my_array = np.array(my_tuple)
print(my_array)

# Output: [ 6  7  8  9 10]

위의 예에서는 먼저 import numpy as np. my_list그런 다음 Python 목록 과 Python 튜플을 만듭니다 my_tuple. 이 함수를 사용하여 np.array()목록과 튜플 모두에서 NumPy 배열을 만듭니다.

함수를 사용하여 배열을 인쇄하면 print()배열이 쉼표 없이 인쇄되고 출력이 대괄호로 묶인 것을 볼 수 있습니다. 이는 NumPy 배열이 1차원 또는 다차원일 수 있는 다차원 배열이기 때문입니다.

dtype함수 에 인수를 전달하여 배열의 데이터 유형을 지정할 수도 있습니다 np.array(). 예를 들어 정수 배열을 만들려면 np.array(my_list, dtype=int). 마찬가지로 float 배열을 만들려면 np.array(my_list, dtype=float). 기본적으로 NumPy는 입력 데이터를 기반으로 데이터 유형을 유추하려고 시도합니다.

Numpy 라이브러리에 포함된 np.arange() 사용 방법

np.arange()NumPy 라이브러리의 함수는 값 범위가 있는 NumPy 배열을 만드는 데 사용됩니다 . 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a NumPy array with a range of values
my_array = np.arange(0, 10)
print(my_array)

# Output: [0 1 2 3 4 5 6 7 8 9]

# Creating a NumPy array with a range of values and a step size
my_array = np.arange(0, 10, 2)
print(my_array)

# Output: [0 2 4 6 8]

위의 예에서는 먼저 import numpy as np. 그런 다음 함수를 사용하여 np.arange()값 범위가 있는 NumPy 배열을 만듭니다. 첫 번째 예에서는 0에서 9까지의 값을 가진 배열을 만듭니다. 두 번째 예에서는 단계 크기가 2인 0에서 9까지의 값을 가진 배열을 만듭니다.

함수를 사용하여 배열을 인쇄하면 print()배열이 쉼표 없이 인쇄되고 출력이 대괄호로 묶인 것을 볼 수 있습니다. 이는 NumPy 배열이 1차원 또는 다차원일 수 있는 다차원 배열이기 때문입니다.

dtype함수 에 인수를 전달하여 배열의 데이터 유형을 지정할 수도 있습니다 np.arange(). 예를 들어 정수 배열을 만들려면 np.arange(0, 10, dtype=int). 마찬가지로 float 배열을 만들려면 np.arange(0, 10, dtype=float). 기본적으로 NumPy는 단계 크기가 정수인 경우 정수 배열을 생성하고 단계 크기가 부동 소수점인 경우 부동 소수점 배열을 생성합니다.

Numpy 라이브러리에 포함된 np.zeros() 사용 방법

np.zeros()NumPy 라이브러리의 함수는 모두 0인 NumPy 배열을 만드는 데 사용됩니다 . 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a NumPy array of all zeros
my_array = np.zeros(5)
print(my_array)

# Output: [0. 0. 0. 0. 0.]

# Creating a two-dimensional NumPy array of all zeros
my_array = np.zeros((3, 4))
print(my_array)

# Output: 
# [[0. 0. 0. 0.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]]

위의 예에서는 먼저 import numpy as np. 그런 다음 함수를 사용하여 np.zeros()모두 0인 NumPy 배열을 만듭니다. 첫 번째 예에서는 길이가 5인 1차원 배열을 만듭니다. 두 번째 예에서는 크기가 3×4인 2차원 배열, 즉 3행 4열을 만듭니다.

함수를 사용하여 배열을 인쇄하면 print()배열이 소수점으로 인쇄되는 것을 볼 수 있습니다. 이는 배열 데이터 유형이 float임을 나타냅니다. 기본적으로 NumPy는 float 데이터 유형의 배열을 생성합니다. dtype그러나 인수를 함수에 전달하여 데이터 유형을 지정할 수 있습니다 np.zeros(). 예를 들어 정수 배열을 만들려면 np.zeros(5, dtype=int). 마찬가지로 복소수 배열을 만들려면 np.zeros(5, dtype=complex).

Numpy 라이브러리에 포함된 np.linspace() 사용 방법

np.linspace()NumPy 라이브러리의 함수는 지정된 간격에 걸쳐 균일한 간격의 숫자로 구성된 NumPy 배열을 만드는 데 사용됩니다 . 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a NumPy array of 5 evenly spaced numbers between 0 and 1
my_array = np.linspace(0, 1, 5)
print(my_array)

# Output: [0.   0.25 0.5  0.75 1.  ]

# Creating a NumPy array of 10 evenly spaced numbers between -5 and 5
my_array = np.linspace(-5, 5, 10)
print(my_array)

# Output: [-5.         -3.88888889 -2.77777778 -1.66666667 -0.55555556
#          0.55555556  1.66666667  2.77777778  3.88888889  5.        ]

위의 예에서는 먼저 import numpy as np. 그런 다음 이 함수를 사용하여 np.linspace()지정된 간격에 걸쳐 균일한 간격의 숫자로 구성된 NumPy 배열을 만듭니다. 첫 번째 예에서는 0에서 1까지의 범위에 있는 값을 사용하여 길이가 5인 1차원 배열을 만듭니다. 두 번째 예에서는 -5에서 5까지의 값을 사용하여 길이가 10인 1차원 배열을 만듭니다.

함수를 사용하여 배열을 인쇄하면 print()배열이 소수점으로 인쇄되는 것을 볼 수 있습니다. 이는 배열 데이터 유형이 float임을 나타냅니다. 기본적으로 NumPy는 float 데이터 유형의 배열을 생성합니다. dtype그러나 인수를 함수에 전달하여 데이터 유형을 지정할 수 있습니다 np.linspace(). 예를 들어 정수 배열을 만들려면 np.linspace(0, 10, 5, dtype=int). 마찬가지로 복소수 배열을 만들려면 np.linspace(0, 1, 5, dtype=complex).

의 세 번째 인수는 np.linspace()시작점과 끝점을 포함하여 지정된 간격 사이에 생성할 샘플 수를 지정합니다. 지정하지 않으면 기본값은 50입니다.

Numpy 라이브러리에 포함된 np.random.rand() 사용 방법

NumPy 라이브러리의 함수 np.random.rand()는 균일한 분포로 0과 1 사이의 난수로 구성된 NumPy 배열을 생성하는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array of 5 random numbers between 0 and 1
my_array = np.random.rand(5)
print(my_array)

# Output: [0.29461723 0.40697375 0.49622607 0.0521665  0.91825415]

# Creating a two-dimensional NumPy array of shape (3, 4) with random numbers between 0 and 1
my_array = np.random.rand(3, 4)
print(my_array)

# Output: 
# [[0.44421364 0.69337664 0.82152286 0.92848914]
#  [0.15782612 0.69702609 0.44547194 0.52579323]
#  [0.86169609 0.65519224 0.57594054 0.01202163]]

위의 예에서는 먼저 import numpy as np. 그런 다음 이 함수를 사용하여 np.random.rand()0과 1 사이의 균일한 분포로 난수로 구성된 NumPy 배열을 만듭니다. 첫 번째 예에서는 길이가 5인 1차원 배열을 만듭니다. 두 번째 예에서는 모양이 (3, 4)인 3행 4열의 2차원 배열을 만듭니다.

함수를 사용하여 배열을 인쇄하면 print()배열에 0과 1 사이의 임의의 숫자가 포함되어 있음을 알 수 있습니다. 생성되는 특정 숫자는 무작위로 생성되므로 코드가 실행될 때마다 달라집니다.

또는 np.random와 같은 모듈 의 다른 함수를 사용하여 정규 분포와 같은 다른 분포로 난수 배열을 생성할 수도 있습니다 .np.random.randn()np.random.normal()

Numpy 라이브러리에 포함된 np.random.randn() 사용 방법

NumPy 라이브러리의 함수 np.random.randn()는 표준 정규 분포(즉, 평균 0 및 분산 1)에서 NumPy 난수 배열을 생성하는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array of 5 random numbers from a standard normal distribution
my_array = np.random.randn(5)
print(my_array)

# Output: [-0.18655349 -1.16030916 -1.19593106  0.63083647 -0.16328998]

# Creating a two-dimensional NumPy array of shape (3, 4) with random numbers from a standard normal distribution
my_array = np.random.randn(3, 4)
print(my_array)

# Output: 
# [[ 0.5685866  -0.65194766 -0.70227899  1.17296314]
#  [ 0.78590669 -0.23558005 -0.4055979   0.38966559]
#  [ 1.12203434  0.1733774  -1.67767811 -0.68302184]]
import numpy as np

# Creating a one-dimensional NumPy array of 5 random numbers from a standard normal distribution
my_array = np.random.randn(5)
print(my_array)

# Output: [-0.18655349 -1.16030916 -1.19593106  0.63083647 -0.16328998]

# Creating a two-dimensional NumPy array of shape (3, 4) with random numbers from a standard normal distribution
my_array = np.random.randn(3, 4)
print(my_array)

# Output: 
# [[ 0.5685866  -0.65194766 -0.70227899  1.17296314]
#  [ 0.78590669 -0.23558005 -0.4055979   0.38966559]
#  [ 1.12203434  0.1733774  -1.67767811 -0.68302184]]

위의 예에서는 먼저 import numpy as np. 그런 다음 함수를 사용하여 np.random.randn()표준 정규 분포에서 난수로 구성된 NumPy 배열을 만듭니다. 첫 번째 예에서는 길이가 5인 1차원 배열을 만듭니다. 두 번째 예에서는 모양이 (3, 4)인 3행 4열의 2차원 배열을 만듭니다.

함수 를 사용하여 배열을 인쇄하면 print()배열에 표준 정규 분포의 난수가 포함되어 있음을 알 수 있습니다. 생성되는 특정 숫자는 무작위로 생성되므로 코드가 실행될 때마다 다릅니다.

함수를 사용하여 다른 평균과 분산을 사용하여 다른 정규 분포에서 난수 배열을 생성할 수도 있습니다 np.random.normal(). loc매개변수 와 매개변수를 각각 사용하여 정규 분포의 평균과 표준편차를 지정할 수 있습니다 scale.

Numpy 라이브러리에 포함된 np.min() 사용 방법

NumPy 라이브러리의 함수 np.min()는 배열의 최소값을 찾는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array
my_array = np.array([5, 2, 9, 1, 7])

# Finding the minimum value of the array using np.min()
min_value = np.min(my_array)
print(min_value)

# Output: 1

위의 예에서는 먼저 import numpy as np. 그런 다음 5개의 요소가 있는 1차원 NumPy 배열을 만듭니다 my_array.

배열의 최소값을 찾기 위해 함수를 사용 np.min()하고 배열을 인수로 전달합니다. 이 함수는 변수에 저장하는 배열의 최소값을 반환합니다 min_value.

min_value함수를 사용하여 인쇄하면 print()배열의 최소값(이 경우 1)이 포함되어 있음을 알 수 있습니다.

axis함수 의 매개변수를 지정하여 다차원 배열의 최소값을 찾을 수도 있습니다 np.min(). 매개 axis변수는 작업을 수행할 축을 지정합니다. 예를 들어, 2D 배열의 각 열의 최소값을 찾으려면 를 설정할 수 있습니다 axis=0. 각 행의 최소값을 찾기 위해 를 설정할 수 있습니다 axis=1. 가 지정되지 않은 경우 axis함수는 평평한 배열의 최소값을 반환합니다.

Numpy 라이브러리에 포함된 np.max() 사용 방법

NumPy 라이브러리의 함수 np.max()는 배열의 최대값을 찾는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array
my_array = np.array([5, 2, 9, 1, 7])

# Finding the maximum value of the array using np.max()
max_value = np.max(my_array)
print(max_value)

# Output: 9

위의 예에서는 먼저 import numpy as np. 그런 다음 5개의 요소가 있는 1차원 NumPy 배열을 만듭니다 my_array.

배열의 최대값을 찾기 위해 함수를 사용 np.max()하고 배열을 인수로 전달합니다. 이 함수는 변수에 저장하는 배열의 최대값을 반환합니다 max_value.

max_value함수를 사용하여 인쇄하면 print()배열의 최대값(이 경우 9)이 포함되어 있음을 알 수 있습니다.

axis함수 의 매개변수를 지정하여 다차원 배열의 최대값을 찾을 수도 있습니다 np.max(). 매개 axis변수는 작업을 수행할 축을 지정합니다. 예를 들어, 2D 배열의 각 열의 최대값을 찾으려면 를 설정할 수 있습니다 axis=0. 각 행의 최대값을 찾기 위해 를 설정할 수 있습니다 axis=1. 가 지정되지 않은 경우 axis함수는 평면화된 배열의 최대값을 반환합니다.

Numpy 라이브러리에 포함된 np.mean() 사용 방법

NumPy 라이브러리의 함수 np.mean()는 지정된 축을 따라 배열의 산술 평균을 찾는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array
my_array = np.array([5, 2, 9, 1, 7])

# Finding the mean value of the array using np.mean()
mean_value = np.mean(my_array)
print(mean_value)

# Output: 4.8

위의 예에서는 먼저 import numpy as np. 그런 다음 5개의 요소가 있는 1차원 NumPy 배열을 만듭니다 my_array.

배열의 평균값을 찾기 위해 함수를 사용 np.mean()하고 배열을 인수로 전달합니다. 이 함수는 변수에 저장하는 배열의 평균값을 반환합니다 mean_value.

mean_value함수를 사용하여 인쇄하면 print()배열의 평균값(이 경우 4.8)이 포함되어 있음을 알 수 있습니다.

axis함수 의 매개변수를 지정하여 다차원 배열의 평균값을 찾을 수도 있습니다 np.mean(). 매개 axis변수는 작업을 수행할 축을 지정합니다. 예를 들어, 2D 배열의 각 열의 평균값을 찾으려면 를 설정할 수 있습니다 axis=0. 각 행의 평균값을 찾기 위해 를 설정할 수 있습니다 axis=1. 가 지정되지 않은 경우 axis함수는 평평한 배열의 평균값을 반환합니다.

Numpy 라이브러리에 포함된 np.median() 사용 방법

NumPy 라이브러리의 함수 np.median()는 지정된 축을 따라 배열의 중앙값을 찾는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array
my_array = np.array([5, 2, 9, 1, 7])

# Finding the median value of the array using np.median()
median_value = np.median(my_array)
print(median_value)

# Output: 5.0

위의 예에서는 먼저 import numpy as np. 그런 다음 5개의 요소가 있는 1차원 NumPy 배열을 만듭니다 my_array.

배열의 중앙값을 찾기 위해 함수를 사용 np.median()하고 배열을 인수로 전달합니다. 이 함수는 변수에 저장하는 배열의 중앙값을 반환합니다 median_value.

median_value함수를 사용하여 인쇄하면 print()배열의 중앙값(이 경우 5.0)이 포함되어 있음을 알 수 있습니다.

axis함수 의 매개변수를 지정하여 다차원 배열의 중앙값을 찾을 수도 있습니다 np.median(). 매개 axis변수는 작업을 수행할 축을 지정합니다. 예를 들어 2D 배열의 각 열의 중앙값을 찾으려면 axis=0. 각 행의 중앙값을 찾기 위해 를 설정할 수 있습니다 axis=1. 가 지정되지 않은 경우 axis함수는 병합된 배열의 중앙값을 반환합니다.

Numpy 라이브러리에 포함된 np.std() 사용 방법

NumPy 라이브러리의 함수 np.std()는 지정된 축을 따라 배열의 표준 편차를 찾는 데 사용됩니다. 사용 방법은 다음과 같습니다.

import numpy as np

# Creating a one-dimensional NumPy array
my_array = np.array([5, 2, 9, 1, 7])

# Finding the standard deviation of the array using np.std()
std_value = np.std(my_array)
print(std_value)

# Output: 2.9154759474226504

Numpy 라이브러리에 포함된 np.dot() 사용 방법

NumPy 라이브러리의 함수 np.dot()는 두 배열의 내적을 계산하는 데 사용됩니다. 두 개의 배열을 입력으로 사용하고 입력 배열의 내적인 새 배열을 반환합니다.

다음은 함수를 사용하는 방법의 예입니다 np.dot().

import numpy as np

# create two arrays
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

# compute the dot product of a and b
c = np.dot(a, b)

print(c)

이 예제에서는 NumPy의 함수를 사용하여 a두 개의 2차원 배열을 만듭니다 . 그런 다음 함수를 사용하여 및 의 내적을 계산 하고 결과를 에 저장합니다 . 마지막으로 결과를 출력합니다.bnp.array()np.dot()abc

이 프로그램의 출력은 다음과 같습니다.

[[19 22]
 [43 50]]

를 사용하여 두 행렬의 내적을 계산하려면 np.dot()첫 번째 행렬의 열 수가 두 번째 행렬의 행 수와 같아야 합니다. 위의 예에서 a는 2×2 행렬이고 2×2 행렬이기도 하므로 및 b의 내적은 를 사용하여 계산할 수 있습니다 . 및 의 차원이 행렬 곱셈 과 호환되지 않는 경우 예외 가 발생합니다 .abnp.dot(a, b)abnp.dot()ValueError

Numpy 라이브러리에 포함된 np.transpose() 사용 방법

NumPy 라이브러리의 함수 np.transpose()는 배열의 축을 뒤집거나 치환하는 데 사용됩니다. 배열을 입력으로 사용하고 축이 바뀐 새 배열을 반환합니다.

다음은 함수를 사용하는 방법의 예입니다 np.transpose().

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# transpose the array
arr_transpose = np.transpose(arr)

print(arr_transpose)

arr이 예제에서는 NumPy의 함수를 사용하여 2D 배열을 만듭니다 np.array(). 그런 다음 함수를 사용하여 np.transpose()배열을 바꾸고 결과를 에 저장합니다 arr_transpose. 마지막으로 결과를 출력합니다.

이 프로그램의 출력은 다음과 같습니다.

[[1 4]
 [2 5]
 [3 6]]

이 경우 원래 배열에는 arr2개의 행과 3개의 열이 있습니다. 의 전치에는 arr3개의 행과 2개의 열이 있으며 각 행과 열의 값이 서로 바뀌었습니다.

T배열의 속성을 사용하여 배열을 바꿀 수도 있습니다 . 예를 들어:

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# transpose the array using T attribute
arr_transpose = arr.T

print(arr_transpose)

그러면 이전 예제와 동일한 출력이 생성됩니다.

기본적으로 np.transpose()배열 차원의 순서를 반대로 바꿉니다. 그러나 매개변수를 사용하여 새 차원의 순서를 지정할 수도 있습니다 axes. 예를 들어 배열의 첫 번째 차원과 두 번째 차원을 바꾸려면 np.transpose(arr, axes=(1, 0)).

Numpy 라이브러리에 포함된 np.linalg.inv() 사용 방법

NumPy 라이브러리의 함수 np.linalg.inv()는 정사각 행렬의 역행렬을 계산하는 데 사용됩니다. 정사각 행렬을 입력으로 사용하고 해당 행렬의 역행렬을 반환합니다.

다음은 함수를 사용하는 방법의 예입니다 np.linalg.inv().

import numpy as np

# create a 2x2 matrix
A = np.array([[1, 2], [3, 4]])

# compute the inverse of A
A_inv = np.linalg.inv(A)

print(A_inv)

A이 예제에서는 NumPy의 함수를 사용하여 2×2 행렬을 만듭니다 np.array(). 그런 다음 함수를 사용하여 np.linalg.inv()의 역수를 계산 A하고 결과를 에 저장합니다 A_inv. 마지막으로 결과를 출력합니다.

이 프로그램의 출력은 다음과 같습니다.

[[-2.   1. ]
 [ 1.5 -0.5]]

이 경우 행렬의 역행렬은 A또 다른 2×2 행렬입니다. 함수를 사용하여 np.dot()역이 올바르게 계산되었는지 확인할 수 있습니다.

I = np.dot(A, A_inv)
print(I)

그러면 2×2 항등 행렬이 생성됩니다.

[[1. 0.]
 [0. 1.]]

행렬이 반전되지 않으면 예외 np.linalg.inv()가 발생합니다 LinAlgError.

np.linalg.inv()역 계산은 계산 비용이 많이 들고 수치적으로 불안정할 수 있으므로 특히 차원이 큰 행렬의 경우 주의해서 사용해야 한다는 점에 유의해야 합니다 . 대부분의 경우 선형 시스템을 풀기 위해 행렬 분해 또는 반복 방법과 같은 다른 방법을 사용하는 것이 더 나을 수 있습니다.

Numpy 라이브러리에 포함된 모양을 사용하는 방법

NumPy 라이브러리의 속성은 shape배열의 모양을 결정하는 데 사용됩니다. 각 축을 따라 배열의 차원을 나타내는 튜플을 반환합니다.

다음은 속성을 사용하는 방법의 예입니다 shape.

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# print the shape of the array
print(arr.shape)

arr이 예제에서는 NumPy의 함수를 사용하여 2D 배열을 만듭니다 np.array(). 그런 다음 shape속성을 사용하여 배열의 모양을 인쇄합니다.

이 프로그램의 출력은 다음과 같습니다.

(2, 3)

이 경우 배열의 모양은 arr입니다 (2, 3). 즉, 2개의 행과 3개의 열이 있음을 의미합니다.

reshape()함수를 사용하여 배열의 모양을 변경할 수도 있습니다 . 예를 들어:

import numpy as np

# create a 1D array
arr = np.array([1, 2, 3, 4, 5, 6])

# reshape the array to a 2D array
arr_reshaped = arr.reshape(2, 3)

# print the new shape of the array
print(arr_reshaped.shape)

그러면 출력이 생성됩니다.

(2, 3)

이 경우 arr6개의 요소가 있는 1D 배열로 시작하고 reshape()함수를 사용하여 2행 3열의 2D 배열로 변환합니다. 그런 다음 속성을 사용하여 shape배열의 새 모양을 인쇄합니다.

Numpy 라이브러리에 포함된 크기 사용 방법

NumPy 라이브러리의 속성은 size배열의 요소 수를 결정하는 데 사용됩니다. 배열의 총 요소 수를 나타내는 정수를 반환합니다.

다음은 속성을 사용하는 방법의 예입니다 size.

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# print the size of the array
print(arr.size)

arr이 예제에서는 NumPy의 함수를 사용하여 2D 배열을 만듭니다 np.array(). 그런 다음 size속성을 사용하여 배열의 요소 수를 인쇄합니다.

이 프로그램의 출력은 다음과 같습니다.

6

이 경우 arr배열에는 6개의 요소가 포함되어 있으므로 size속성은 값을 반환합니다 6.

reshape()함수를 사용하여 배열의 크기를 변경할 수도 있습니다 . 예를 들어:

import numpy as np

# create a 1D array
arr = np.array([1, 2, 3, 4, 5, 6])

# reshape the array to a 2D array
arr_reshaped = arr.reshape(2, 3)

# print the new size of the array
print(arr_reshaped.size)

그러면 출력이 생성됩니다.

6

이 경우 arr6개의 요소가 있는 1D 배열로 시작하고 reshape()함수를 사용하여 2행 3열의 2D 배열로 변환합니다. 그런 다음 size속성을 사용하여 배열의 새 크기를 인쇄합니다. 6총 요소 수가 변경되지 않았기 때문에 여전히 그대로입니다.

Numpy 라이브러리에 포함된 argmax() 사용 방법

NumPy의 함수 argmax()는 축을 따라 최대값의 인덱스를 반환하는 데 사용됩니다. NumPy 배열에서 최대값의 인덱스를 찾는 데 유용합니다.

다음은 사용 방법의 예입니다 argmax().

import numpy as np

# create a 2D array
arr = np.array([[4, 2, 6], [1, 5, 3]])

# find the index of the maximum value
max_index = np.argmax(arr)

print(max_index)   # Output: 2

이 예제에서는 2D NumPy 배열을 만들고 함수 arr를 사용하여 argmax()배열에서 최대값의 인덱스를 찾습니다. 함수 의 출력은 argmax()평면화된 배열을 따라 최대값의 인덱스입니다.

또는 매개 axis변수를 사용하여 특정 축을 따라 최대값의 인덱스를 찾을 수 있습니다. 예를 들어:

import numpy as np

# create a 2D array
arr = np.array([[4, 2, 6], [1, 5, 3]])

# find the index of the maximum value along axis=0
max_index = np.argmax(arr, axis=0)

print(max_index)   # Output: [0 1 0]

이 예에서는 매개변수를 사용하여 axis배열의 열을 따라 최대값의 인덱스를 찾습니다. 함수 의 출력은 argmax()각 열의 최대값 인덱스가 포함된 배열입니다.

배열에서 최대값이 여러 번 발생하는 경우 argmax()첫 번째 발생의 인덱스를 반환합니다.

Numpy 라이브러리에 포함된 T 사용법

NumPy에서는 T배열의 속성을 사용하여 행렬의 전치를 얻을 수 있습니다. 행렬의 전치는 원래 행렬의 행과 열을 교환하여 얻습니다.

다음은 사용 방법의 예입니다 T.

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# get the transpose of the array
arr_T = arr.T

print(arr_T)

이 예제에서는 2D NumPy 배열을 만들고 특성 arr을 사용하여 T해당 배열을 가져옵니다. 속성 의 출력은 T원래 배열의 행과 열이 교환된 새 배열입니다.

transpose()NumPy의 함수를 사용하여 배열의 전치를 얻을 수도 있습니다 . 예를 들어:

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# get the transpose of the array
arr_T = np.transpose(arr)

print(arr_T)

이 코드는 이전 예제와 동일한 출력을 생성합니다. 이 transpose()함수는 매개변수를 사용하여 특정 순서로 배열의 축을 치환하는 데에도 사용할 수 있습니다 axes.

Numpy 라이브러리에 포함된 reshape 사용 방법

NumPy의 함수 reshape()는 데이터를 변경하지 않고 배열의 모양을 변경하는 데 사용됩니다. 동일한 데이터이지만 새로운 모양을 가진 새 배열을 반환합니다.

다음은 사용 방법의 예입니다 reshape().

import numpy as np

# create a 1D array
arr = np.array([1, 2, 3, 4, 5, 6])

# reshape the array to a 2D array with 3 rows and 2 columns
arr_2d = arr.reshape((3, 2))

print(arr_2d)

이 예제에서는 1D NumPy 배열을 만들고 함수를 arr사용하여 reshape()3행 2열의 2D 배열로 변환합니다. 함수 의 출력은 reshape()데이터는 같지만 arr모양이 새로운 새 배열입니다.

새 모양은 원래 모양과 같은 수의 요소를 가져야 합니다. 이 예에서 원래 모양에는 6개의 요소가 있으므로 3행 2열의 2D 배열로 모양을 변경할 수 있지만 2행 3열의 2D 배열로 모양을 변경할 수는 없습니다. 다른 수의 요소.

reshape()이 함수를 사용하여 다차원 배열의 모양을 변경할 수도 있습니다 . 예를 들어:

import numpy as np

# create a 2D array
arr = np.array([[1, 2, 3], [4, 5, 6]])

# reshape the array to a 1D array
arr_1d = arr.reshape((-1,))

print(arr_1d)

이 코드는 새 모양 매개변수로 전달하여 2D 배열을 arr1D 배열로 재구성합니다. -1이렇게 하면 NumPy가 원래 모양과 요소 수를 기반으로 새 모양을 추론하도록 지시합니다. 이 경우 새 모양은 (6,)6개 요소가 있는 1D 배열입니다.

Numpy 라이브러리에 포함된 np.sort 사용 방법

NumPy의 함수 np.sort()는 배열의 정렬된 복사본을 반환하는 데 사용됩니다. 기본적으로 마지막 축을 따라 오름차순으로 배열을 정렬합니다.

다음은 사용 방법의 예입니다 np.sort().

import numpy as np

# create an array
arr = np.array([3, 2, 1, 5, 4])

# sort the array in ascending order
sorted_arr = np.sort(arr)

print(sorted_arr)

이 예제에서는 NumPy 배열을 만들고 함수를 arr사용하여 np.sort()배열의 정렬된 복사본을 반환합니다. 정렬된 사본은 변수에 저장됩니다 sorted_arr. 프로그램의 출력은 정렬된 배열입니다 [1 2 3 4 5].

기본적으로 np.sort()마지막 축을 따라 오름차순으로 배열을 정렬합니다. 즉, 배열이 다차원이면 마지막 축을 따라 각 하위 배열을 정렬합니다. 예를 들어:

import numpy as np

# create a 2D array
arr = np.array([[3, 2, 1], [6, 5, 4]])

# sort the array along the last axis (axis=-1) in ascending order
sorted_arr = np.sort(arr, axis=-1)

print(sorted_arr)

이 예제에서는 2D NumPy 배열을 만들고 함수를 arr사용하여 np.sort()마지막 축(즉, 각 행)을 따라 오름차순으로 각 하위 배열을 정렬합니다. 정렬된 사본은 변수에 저장됩니다 sorted_arr. 프로그램의 출력은 정렬된 배열입니다.

[[1 2 3]
 [4 5 6]]

np.sort()이 함수를 사용하여 매개변수를 전달하여 배열을 내림차순으로 정렬할 수도 있습니다 kind='mergesort'. 예를 들어:

import numpy as np

# create an array
arr = np.array([3, 2, 1, 5, 4])

# sort the array in descending order
sorted_arr_desc = np.sort(arr)[::-1]

print(sorted_arr_desc)

이 예제에서는 NumPy 배열을 만들고 함수를 arr사용하여 np.sort()오름차순으로 배열의 정렬된 복사본을 반환합니다. 그런 다음 슬라이스 표기법을 사용하여 [::-1]정렬된 복사본의 순서를 반대로 하고 내림차순으로 정렬된 배열의 복사본을 얻습니다. 프로그램의 출력은 정렬된 배열입니다 [5 4 3 2 1].

Numpy 라이브러리에 포함된 sin, cos, tan, arcsin, arccos, arctan 사용법

NumPy 라이브러리는 sin, cos 및 tan과 같은 삼각 함수와 이들의 역 대응 함수인 arcsin, arccos 및 arctan을 제공합니다.

다음은 이러한 기능을 사용하는 방법의 예입니다.

import numpy as np

# create an array of angles in radians
angles = np.array([0, np.pi/4, np.pi/2])

# calculate the sin of each angle
sine = np.sin(angles)
print("sine of angles:", sine)

# calculate the cos of each angle
cosine = np.cos(angles)
print("cosine of angles:", cosine)

# calculate the tan of each angle
tangent = np.tan(angles)
print("tangent of angles:", tangent)

# calculate the arcsin of each angle
arcsine = np.arcsin(sine)
print("arcsine of sine:", arcsine)

# calculate the arccos of each angle
arccosine = np.arccos(cosine)
print("arccosine of cosine:", arccosine)

# calculate the arctan of each angle
arctangent = np.arctan(tangent)
print("arctangent of tangent:", arctangent)

이 예에서는 먼저 라디안 단위의 각도 배열을 만듭니다. np.sin()그런 다음 , np.cos()및 함수를 사용하여 np.tan()각 각도의 sin, cos 및 tan을 각각 계산합니다. 또한 np.arcsin(), np.arccos()및 np.arctan()함수를 사용하여 각각 sin, cos 및 tan 값의 arcsin, arccos 및 arctan을 계산합니다. 프로그램의 출력은 다음과 같습니다.

sine of angles: [0.         0.70710678 1.        ]
cosine of angles: [1.000000e+00 7.071068e-01 6.123234e-17]
tangent of angles: [0.00000000e+00 1.00000000e+00 1.63312394e+16]
arcsine of sine: [0.         0.78539816 1.57079633]
arccosine of cosine: [0.         0.78539816 1.57079633]
arctangent of tangent: [0.         0.78539816 1.57079633]

, 및 함수는 라디안 단위로 값 np.arcsin()을 반환합니다. 출력을 도 단위로 원하는 경우 함수를 사용하여 출력을 변환할 수 있습니다. 예를 들어:np.arccos()np.arctan()np.degrees()

# convert arcsine values to degrees
arcsine_degrees = np.degrees(arcsine)
print("arcsine of sine (in degrees):", arcsine_degrees)

이 코드의 출력은 다음과 같습니다.

arcsine of sine (in degrees): [ 0. 45. 90.]