numpy.org

NumPy 소개

NumPy는 수치 연산을 위한 기초적인 도구들을 모아놓은 라이브러리입니다. 특히 벡터 및 행렬을 표현하고 연산하는데 필요한 도구들을 포함하고 있습니다. NumPy가 할 수 있는 일들은 순수 Python으로도 작성할 수 있습니다. 하지만 일반적으로 Python은 C나 Java 등의 언어에 비해 속도가 느리다고 알려져 있는데, NumPy는 C를 기반으로 작성되어 속도와 메모리 사용량이 일반 Python을 사용하는 경우보다 더 우월합니다.

NumPy는 SciPy, Pandas, scikit-learn 등 많은 Python 기반의 데이터 라이브러리에서 사용하고 있습니다. 엑셀 파일 다루기에서 소개했던 Pandas에서도 NumPy를 많이 활용하기 때문에, NumPy에 대해서 이해하면 Pandas를 이해하는데에도 도움이 됩니다.

설치

NumPy는 Anaconda에 기본적으로 포함되어 있어서 별도의 설치 과정이 필요하지 않습니다. 순수 Python 배포본을 사용하는 경우에는 아래와 같이 설치합니다.

pip install numpy

numpy를 사용할 때는 통상적으로 아래와 같은 이름으로 import 하여 사용합니다.

import numpy as np

행렬 생성하기

NumPy는 아래와 같이 벡터나 행렬을 생성할 수 있습니다.

import numpy as np
an_array = np.array([1, 2, 3])
print(an_array)

[1 2 3]

import numpy as np
a_matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(a_matrix)

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

0으로 이루어진 벡터나 행렬을 생성하고 싶다면 아래와 같이 만들 수 있습니다.

import numpy as np
an_array = np.zeros(3)
print(an_array)

import numpy as np
a_matrix = np.zeros((3, 4))
print(a_matrix)

1로 이루어진 벡터나 행렬을 생성하고 싶다면 아래와 같이 만들 수 있습니다.

import numpy as np
an_array = np.ones(3)
print(an_array)

import numpy as np
a_matrix = np.ones((3, 4))
print(a_matrix)

단조 증가/감소하는 배열을 만들고 싶다면 아래와 같이 만들 수 있습니다. arange 함수는 python 내장함수인 range 와 사용법이 유사합니다.

import numpy as np
an_array = np.arange(12)
print(an_array)

[ 0  1  2  3  4  5  6  7  8  9 10 11]

아래와 같이 1차원 배열로부터 (3, 4)의 행렬을 만들 수 있습니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

아래와 같이 행렬에 대한 전치행렬을 만들 수 있습니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4)).T
print(a_matrix)

[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]

랜덤 값으로 이루어진 배열을 아래와 같이 만들 수 있습니다.

import numpy as np
an_array = np.random.random(6)
print(an_array)

[ 0.88018585  0.57052127  0.04043108  0.64592294  0.17075513  0.99269949]

역시 랜덤 값으로 이루어진 배열을 아래와 같이 만들 수 있습니다.

import numpy as np
a_matrix = np.random.random((3, 4))
print(a_matrix)

[[ 0.20370205  0.76194811  0.13555465  0.25069355]
 [ 0.33216221  0.24405488  0.40439707  0.88130432]
 [ 0.35258248  0.6324515   0.38639701  0.41529962]]

또는 reshape 을 사용하여 아래와 같이 만들 수도 있습니다.

import numpy as np
a_matrix = np.random.random(12).reshape(3, 4)
print(a_matrix)

[[ 0.66037308  0.01304499  0.34555608  0.404326  ]
 [ 0.55315768  0.65773916  0.1509553   0.24299402]
 [ 0.11136858  0.22849563  0.60674247  0.13969691]]

배열과 행렬에 대한 참조

배열의 특정 원소를 지칭하려면 아래와 같이 합니다.

import numpy as np
an_array = np.arange(12)
print(an_array)
print(an_array[3])

[ 0  1  2  3  4  5  6  7  8  9 10 11]
3

행렬의 특정 원소를 지칭하려면 아래와 같이 합니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[1][3])
print(a_matrix[1,3])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
7
7

행렬의 특정 행을 지칭하려면 아래와 같이 합니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[1])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[4 5 6 7]

아래는 특정 행의 범위를 반환합니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[:2])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[0 1 2 3]
 [4 5 6 7]]

행렬의 특정 열을 지칭하려면 어떻게 할까요?

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[0:3,1])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[1 5 9]

모든 행에 걸친 원소를 가져올 때는 아래와 같이 행 범위 값 없이 사용할 수 있습니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[:,1])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[1 5 9]

특정 열에 대해 특정 범위의 행의 원소를 가져올 때는 아래와 할 수 있습니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4))
print(a_matrix)
print(a_matrix[0:2,1])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[1 5]

배열과 행렬에 대한 연산

Python 기본 배열과는 달리, NumPy의 배열에 대해서는 곧바로 사칙연산을 수행할 수 있습니다.

import numpy as np
an_array = np.arange(12) * 3
print(an_array)

[ 0  3  6  9 12 15 18 21 24 27 30 33]

import numpy as np
an_array = np.arange(12) + 3
print(an_array)

[ 3  4  5  6  7  8  9 10 11 12 13 14]

행렬에 대해서 역시 마찬가지입니다.

import numpy as np
a_matrix = np.arange(12).reshape((3, 4)) * 2
print(a_matrix)

[[ 0  2  4  6]
 [ 8 10 12 14]
 [16 18 20 22]]

배열이나 행렬에 대해서 조건문을 쓸 수 있습니다. 참/거짓으로 이루어진 결과값이 배열이나 행렬로 반환됩니다.

import numpy as np
an_array = np.arange(12) % 2 == 0
print(an_array)

[ True False  True False  True False  True False  True False  True False]

import numpy as np
a_matrix = np.arange(12).reshape((3, 4)) % 2 == 0
print(a_matrix)

[[ True False  True False]
 [ True False  True False]
 [ True False  True False]]

함수들

기본적인 몇 가지 함수들을 살펴보겠습니다.

우선, np.sum 함수는 주어진 배열이나 행렬의 모든 원소를 합한 값을 반환합니다.

import numpy as np
an_array = np.arange(12)
print(np.sum(an_array))

66

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.sum(an_array))

66

열마다의 합을 구하려면 axis 인자를 사용합니다.

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.sum(an_array, axis=0))

[12 15 18 21]

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.sum(an_array, axis=1))

[ 6 22 38]

np.cumsum 함수는 주어진 배열에서 각 원소를 누적하여 합한 결과를 반환합니다.

import numpy as np
an_array = np.arange(12)
print(np.cumsum(an_array))

[ 0  1  3  6 10 15 21 28 36 45 55 66]

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.cumsum(an_array))

[ 0  1  3  6 10 15 21 28 36 45 55 66]

여기서도 axis 인자를 사용할 수 있습니다.

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.cumsum(an_array, axis=0))

[[ 0  1  2  3]
 [ 4  6  8 10]
 [12 15 18 21]]

import numpy as np
an_array = np.arange(12).reshape((3, 4))
print(np.cumsum(an_array, axis=1))

[[ 0  1  3  6]
 [ 4  9 15 22]
 [ 8 17 27 38]]

np.random.rand 함수는 주어진 크기의 랜덤 배열 혹은 행렬을 만듭니다.

import numpy as np
print(np.random.rand(6))

[ 0.96828143  0.99037128  0.57053895  0.44466369  0.76758739  0.00529559]

import numpy as np
print(np.random.rand(3, 4))

[[ 0.44977926  0.00607217  0.58918218  0.88833684]
 [ 0.43798942  0.36826806  0.34287693  0.38824649]
 [ 0.63527151  0.7309766   0.35425316  0.09056272]]

reshape 함수에서처럼 (row, col) 튜플을 주는 것이 아니라, 두 개의 인자로 row, col을 지정하는 것에 주의하세요.