[Python] 넘파이(Numpy) 알아보기

🔎Numpy란?

• 넘파이(Numpy)는 수치 데이터를 다루는 파이썬 패키지다. 

 

💡Numpy의 활용

• Numpy의 핵심이라 불리는 다차원 행렬 자료구조인 ndarray를 통해 벡터 행렬을 사용하는 선형 대수 계산에서 주로 사용된다. 
• Numpy는 편의성 뿐만 아니라, 속도면에서도 순수 파이썬에 비해 압도적으로 빠르다는 장점이 있다.

---

📚넘파이 사용해보기

기본적으로 아나콘다 환경에 넘파이는 설치되어 있다. 만약 설치되어 있지 않은 환경이라면 다음과 같은 명령어로 설치 가능하다.

pip install numpy

 

Numpy의 경우, np로 정의하는 것이 암묵적인 룰이다.

import numpy as np

 

1)  np.array()

Numpy의 핵심인 ndarray이다. np.array()는 리스트, 튜플, 배열로 부터 ndarray를 생성한다. 파이썬의 자료구조 중 하나인 리스트를 가지고 1차원 배열을 생성해보자.

# 1차원 배열
vec = np.array([1, 2, 3, 4, 5])
print(vec)

# 출력
[1 2 3 4 5]

 

다음은 2차원 배열을 생성해보자. 주의할 점은 np.array() 안에는 리스트만 들어간다. 따라서 리스트 안에 리스트를 넣어 2차원 형태로 사용하자.

# 2차원 배열 (array안에 리스트 안에 리스트 생성)
mat = np.array([[10, 20, 30], [60, 70, 100]])
print(mat)

# 출력
[[ 10  20  30]
 [ 60  70 100]]

 

방금 생성한 두 배열의 타입을 확인해보자.

print("vec의 타입 : ", type(vec))
print("mat의 타입 : ", type(mat))

# 출력
vec의 타입 :  <class 'numpy.ndarray'>
mat의 타입 :  <class 'numpy.ndarray'>

 

동일하게 두 타입이 numpy.ndarray로 출력된다.

Numpy 배열에서는 축의 개수(ndim)와 크기(shape)라는 개념이 존재하는데, 배열의 크기를 정확하게 숙지하는 것이 중요하다. 

 

다음은 배열의 축의 개수와 크기를 알아보는 코드이다.

# numpy배열에서는 축의 갯수(ndim)과 크기(shape) 개념 존재,
# 배열의 크기를 정확하게 숙지하는 것이 중요하다.

print("vec의 축의 갯수 : ", vec.ndim)
print("vec의 크기(shape) : ", vec.shape)

print(f"mat의 축의 갯수 : {mat.ndim}")
print(f"mat의 크기(shape) : {mat.shape}")

# 출력
vec의 축의 갯수 :  1
vec의 크기(shape) :  (5,)
mat의 축의 갯수 : 2
mat의 크기(shape) : (2, 3)

 

2) ndarray의 초기화

ndarray를 생성하는 방법은 다양하다. 리스트를 이용해 생성하는 방법 외에도 많은 방법이 존재하기에 필요에 따라서 다양한 배열을 생성할 수 있다.

 

# 모든 값이 0인 2x3배열 생성
zero_mat = np.zeros((2, 3))
print(zero_mat)

# 출력
[[0. 0. 0.]
 [0. 0. 0.]]

 

# 모든 값이 1인 2x3배열 생성
one_mat = np.ones((2, 3))
print(one_mat)

# 출력
[[1. 1. 1.]
 [1. 1. 1.]]

 

# 특정 상수 지정 배열 (2x3 크기의 7로 채운 배열)
full_mat = np.full((2, 3), 7)
print(full_mat)

# 출력
[[7 7 7]
 [7 7 7]]

 

# 대각선은 1이고 나머지는 0인 배열
eye_mat = np.eye(5)
print(eye_mat)

# 출력
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]

 

# 임의의 값을 가지는 배열
random_mat = np.random.random((2, 3))
print(random_mat)

# 출력
[[0.898747   0.82709366 0.71725064]
 [0.17029713 0.38652344 0.13340347]]

 

이 외에도 다양한 방법을 활용하여 Numpy에서 배열을 생성할 수 있으므로 필요에 따라 사용할 수 있다.

 

3) np.arrange()

np.arange(n)은 0부터 n-1까지의 값을 가지는 배열을 생성한다.

마치 반복문을 활용하여 리스트를 생성하는 것과 유사하다.

# np.arange()는 0부터 n-1까지의 값을 가지는 배열 생성
range_vec = np.arange(10)
print(range_vec)

# 출력
[0 1 2 3 4 5 6 7 8 9]

 

 

np.arange(i, j, k)는 i부터 j-1까지 k씩 증가하는 배열을 생성한다. 마찬가지로 for문과 매우 유사하다.

# np.arange(i, j, k) : i부터 j-1까지 k만큼 증가
n = 2
range_n_step_vec = np.arange(1, 10, n)
print(range_n_step_vec)

# 출력
[1 3 5 7 9]

 

4) np.reshape()

np.reshape()은 내부 데이터는 변경하지 않으면서 배열의 구조를 바꾼다.

0부터 29까지의 숫자를 생성하는 arange(30)을 수행한 후, 원소의 개수가 30개이므로 5행 6열의 행렬로 변경해보자.

# np.reshape() : 배열의 구조를 바꾼다.
reshape_mat = np.array(np.arange(30)).reshape((5, 6))
print(reshape_mat)

# 출력
[[ 0  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]]

 

---

⬇️전체 소스코드⬇️

Data_Analysis/파이썬 금융데이터 분석/02_파이썬 기본 문법/02_numpy.ipynb at main · Do-heewan/Data_Analysis