기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

Numpy Introduction

1. 개요 

NumPy의 주요목적은 동일한 자료형의 다차원의 배열을 만드는 것으로 
일반적으로 숫자이지만 다른 동일한 자료형의 원소들에 대한 테이블의 형식을 가지며 양의 정수로 인덱싱된다. 
NumPy에서 차원들은 axes로 불리며 그 axes의 개수는 rank라고 한다.

예를 들어 3차원 공간에서 [1,2,1]은 x, y, z 축으로구성되는 공간에서 1개의 점을로 표현될 수 있으므로 rank 1의 배열이다. 이 배열은 행렬과 유사한 구조이고 rank는 행렬의 행의 수로 간주할 수 있다. 예를들어 아래의 경우는 rank 2 즉, 2차원의 배열을 나타낸다. 

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


Numpy는 np 클래스로 구성되어 있으며 그 클래스의 메소드로 생성한 객체의 여러 특성들을 조사할 수 있다. 
사용하기 위해 다음과 같이 Numpy 모듈을 호출하여 배열을 생성해보자.
import numpy as np
a=np.array([1,2,3]) print(a)
[1 2 3]
a.dtype #dtype은 자료의 형태를 나타낸다. b=np.array([1, 3.4, 7,9.2]) #int, float를 같이 생성할 경우 int는 float로 자동변환된다.
print(b)
[ 1. 3.4 7. 9.2]
b.dtype
dtype('float64')

또한 아래와 같이 자료형을 먼저 지정하여 배열을 생성할 수 있다.
c=np.array([[1.5, 2.3],[4, 5.6]], dtype=complex)
c
array([[ 1.5+0.j, 2.3+0.j],
[ 4.0+0.j, 5.6+0.j]])

많은 경우 배열의 원소들은 모르고그 크기만 알려질 경우가 존재하며 이 경우 Numpy는 알려진 차원의 모든 원소를 0 또는 1, 의미없는 수로 하고 각 위치에 원소들을 추가하는 방식으로 배열을 생성한다. 
np.zeros((rank의 수(=행의수), 열의수, 배열의 수)): 모든 원소가 0으로 생성된다. 
np.ones():  모든 원소를 1로 생성 
np.empty(): 초기화되지 않은 원소들로 채워진 배열을 생성할 경우 사용한다. empty일 경우 원소 값들은 의미없는 값들로 채워진다.

np.zeros((2,4))
[[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]
np.ones((3,4), dtype=int)
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
np.empty((2, 3))
[[  2.12199579e-314   2.12199579e-314   2.12199579e-314]
 [  2.12199579e-314   2.12199579e-314   2.12199579e-314]]
연속되 수로 채워진 배열을 생성할 경우 np.arange(시작수, 끝수, 간격)을 사용하며 이 함수는 range()와 유사하다.
np.arange(1,10,2)
array([1, 3, 5, 7, 9])
위 arange 함수는 일정한 간격으로 연속수를 생성하는데 그 원소가 부동소수일 경우 정확히 예상되는 값을 반환하지 않는 경우가 있다. 이 경우 특정한 수들 사이에 정확한 간격으로 생성할 수의 갯수를 지정하는 것이 보다 정확한 경우가 있다. 이 경우 사용할 수 있는 함수가 linspace() 함수이다.
np.linspace(0,0.1, 10) array([ 0. , 0.01111111, 0.02222222, 0.03333333, 0.04444444, 0.05555556, 0.06666667, 0.07777778, 0.08888889, 0.1 ])
위에서 생성한 arange()함수에 의한 배열은 1차원이다. 이 배열을 다차원으로 만들기 위해
np.reshape(객체, (행, 열)) 매소드를 사용한다.
a=np.linspace(1,10, 12)
print(a)
[ 1. 1.81818182 2.63636364 3.45454545 4.27272727
5.09090909 5.90909091 6.72727273 7.54545455 8.36363636
9.18181818 10. ]
a1=a.reshape(3,4)#np.reshape(a, (3,4))
[[ 1. 1.81818182 2.63636364 3.45454545]
[ 4.27272727 5.09090909 5.90909091 6.72727273]
[ 7.54545455 8.36363636 9.18181818 10. ]]


print(a1)

2. 기본연산

배열 사이의 사칙연산은 같은 위치(인덱스)를 가진 원소들 사이에서 이루어진다.
나누기에서 분모가 0인 경우 inf로 반환된다.

a=np.linspace(1,10, 4).reshape(2,2) b=np.array([1,0,2,5]).reshape(2,2)
print(a)
[ 7. 10.]]
[[1 0]
[2 5]]
[[ 2. 4.]
[ 9. 15.]]
print(a-b)
[[ 0. 4.]
[ 5. 5.]]
print(a*b)
[[ 1. 0.]
[ 14. 50.]]
print(a/b)
[[ 1. inf]
[ 3.5 2. ]]
[[ 1. 4.]
print(b)

print(a+b)
거듭제곱 역시 원소별로 연산된다.
print(a**2)
[[ 1. 16.]
[ 49. 100.]]
위와 같은 연산은 기본적으로 각 배열 원소들의 자료형이 동일해야 하지만 정수와 부동소수의 연산에서는 결과는 부동소수형으로 반환된다.

행렬곱은 dot()함수를 사용한다. 
np.dot(a, b)
array([[ 9., 20.],
[ 27., 50.]])
다음이 성립한다.
두 수 또는 두 배열에서
a += b : a = a+b
a -= b : a = a-b
a *= b : a = a*b
a-=b
print(a)
[[ 0. 4.]
[ 5. 5.]]
이 결과는 위의 a-b 와 같다.

np.random.randn(행의수, 열의 수): 배열의 차원에 대응되는 랜덤수를 생성한다.
a=np.random.randn(3, 4)
print(a)[[ 0.55576641 -1.52804787 0.95204818 0.0058944 ] [ 1.46959748 -0.02880267 0.18168452 -1.79988331] [-1.02709437 -1.61528953 0.32983511 0.75436175]]
a=np.around(a, 0)
print(a)
[[ 1. -2. 1. 0.]
[ 1. -0. 0. -2.]
[-1. -2. 0. 1.]]

np.around(객체, 자릿수): 부동소수점의 자릿수 지정하여 반올림한다.


배열의 합, 최대, 최소값, 누적합은 각각
np.sum(객체, axis=None), np.max(객체, axis=None), np.min(객체, axis=None), np.cumsum(axis=None)함수를 사용한다. 매개변수 axis의 인수 1은 행, 0은 열을 의미한다. 적용하는 데이터의 구조가 모두 np 배열이라면 위 함수는 객체.sum() 과 같이 사용할 수 있다.
print(a)
[[ 1. -2. 1. 0.]
[ 1. -0. 0. -2.]
[-1. -2. 0. 1.]]
print(a.sum()) #=np.sum(a)-3.0
print(a.max())#=np.max(a)
1.0
print(a.min())#=np.min((a)
-2.0
[ 1. -1. 0. 0. 1. 1. 1. -1. -2. -4. -4. -3.]
[ 0. -1. -2.]
print(a.max(axis=1))
[ 1. 1. 1.]
print(a.min(axis=1))
[-2. -2. -2.]
print(np.cumsum(a, axis=1))
[[ 1. -1. 0. 0.]
[ 1. 1. 1. -1.]
[-1. -3. -3. -2.]]

print(a.cumsum())#=np.cumsum(a)


print(a.sum(axis=1))

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...