배열(Numpy. array)

내용

1. 배열 객체의 자료형
2. 배열 결합(concatenate)
3. 배열의 분할

배열 객체의 자료형

자료형 (data type)은 입력된 데이터를 위한 메모리의 크기를 확정하기 위한 것입니다. 그러므로 데이터 형(data type)을 명시하지 않은 상태에서 여러 유형이 혼재된 경우 일반적으로 큰 메모리가 소비되는 형태로 자동 지정되지만 경우에 따라서는 메모리 과부하 상태로 인해 자료의 손실이 발생할 수 있습니다. 그러므로 다양한 자료형이 혼재된 경우 명시적으로 데이터 타입을 지정하는 것이 안전합니다.

np.array()함수를 사용하여 배열 객체를 생성할 경우 dtype에 인수를 전달함으로서 배열의 데이터형을 지정할 수 있습니다. 그러나 이 값을 지정하지 않을 경우 그 데이터형은 자동으로 지정되는데 일반적으로 numpy 배열의 기본 데이터 형은 실수형(np.float64)입니다. 이것은 정수형과 실수형이 혼합되어 있을 경우 실수형으로 인식된다는 의미입니다.

x=np.ones(1)
x

array([1.])

x.dtype

dtype('float64')

위 속성 dtype은 객체의 데이터 형을 반환하지만 역으로 그 속성을 사용하여 객체의 데이터 형을 지정할 수 있습니다. 예를 들어 다음 객체 x는 실수(부동소수)로 입력하였지만 객체에 int 32를 지정하여 정수형으로 변환할 수 있습니다.

x=np.ones(1, dtype=np.int32)
x

array([1], dtype=int32)

x.dtype

dtype('int32')

다음 표는 numpy 배열에서 사용할 수 있는 자료형의 종류입니다.

구분		type(code)	예
숫자형	boolean	bool(b)	[True, False]
	정수형	int8(i1)	[-2, 0, 1,2]
		int16(i2)
		int32(i4)
		int64(i8)
	unsigned 정수형	uint8(u1)	[2, 0, 1,2]
		uint16(u2)
		uint32(u4)
		unt64(u8)
	부동소수형	float16(f2)	[-2.0, 0.0, 1.0,2.0]
		float32(f4)
		float64(f8)
	복소수형	complex64(c8)	(1+2j)
		complex128(c16)
문자형	문자형	string(S)	['book','computer', '2', 'a']

다음은 문자열(string)으로 구성된 배열의 자료형입니다.

y=np.array(['a', 'computer'])
y.dtype

dtype('<U8')

y1=np.array(['1'])
y1.dtype

dtype('<U1')

위의 결과중 '<U8'는 유니코드 문자열(Unicode string)로서 최대 문자열의 길이가 8가 미만이라는 것을 의미합니다. 이와같은 자료형의 축약코드는 다음 표와 같습니다.

코드	의미
'b'	boolean
'i'	(signed) integer
'u'	unsigned integer
'f'	floating-point
'c'	complex-floating point
'm'	timedelta
'M'	timedelta
'O'	(Python) objects
'S', 'a'	(Python) objects
'O'	zero-terminated bytes (not recommended)
'U'	Unicode string
'V'	raw data (void)

객체 y1은 숫자형으로 전환될 수 있는 문자형입니다. 형변환은 astype()메서드를 사용합니다.

y2=y1.astype(np.int64)
y2

array([1])

y2.dtype

dtype('int64')

np.dtype.kind 속성을 사용하여 객체의 자료형을 나타낼 수 있습니다.

x=np.array([0b1010])
x.dtype.kind

'i'

from numpy import random
x=np.random.rand(3)
x

array([0.98534827, 0.59160359, 0.14627715])

x.dtype
dtype('float64')
x.dtype.kind

'f'

y=np.array([True, False])
y.dtype

dtype('bool')

y.dtype.kind

'b'

배열의 분할

하나의 배열을 여러개로 분할하기 위해서는 인덱싱을 사용할 수 있습니다. 대신에 split, hsplit, vsplit, dsplit등의 함수를 사용할 수 있습니다.

• np.split(배열, 인덱스 또는 정수, axis=0)
  • 배열은 지정한 기준 (인덱스, 또는 정수)에 따라 분할
    • 예로 3(정수): 배열을 지정한 축에 따라 균할 3 등분
    • [2, 4]의 경우 지정한 축이 axis=0이라면 [:2, :], [2:4,:], [4:,:]와 같이 분할
  • axis에 정수 값을 전달하여 축을 지정할 수 있음.
  • .shape의 결과 왼쪽부터 0, 1,...

a = np.arange(10)
print(a)

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

분할하는 갯수를 인수로 지정함으로서 균등한 요소 갯수들을 가진 부분들로 분할

print(np.split(a, 5))

[array([0, 1]), array([2, 3]), array([4, 5]), array([6, 7]), array([8, 9])]

객체의 분할 지점으로 인덱스를 지정할 수 있습니다.

print(np.split(a, [2, 6, 7,9]))

[array([0, 1]), array([2, 3, 4, 5]), array([6]), array([7, 8]), array([9])]

위 코드의 [2, 6, 7,9]은 a[:2], a[2:6], a[6:7], a[7:9], a[9:]를 의미합니다.

b=np.random.randint(10, size=(2,3))
print(b, b.shape)

[[9 7 4]
   [9 6 4]] (2, 3)

위 코드의 axis=0이므로 행 기준으로 2등분

np.split(b, 2)

[array([[9, 7, 4]]), array([[9, 6, 4]])]

다음 코드의 axis=1이므로 열 기준으로 3등분. 다음 코드는 좀더 복잡한 모양의 배열의 분할입니다.

np.split(b, 3, axis=1)

[array([[9],
   [9]]),
   array([[7],
   [6]]),
   array([[4],
   [4]])]

c=np.random.randint(10, size=(4,6))
print(c, c.shape)

[[5 4 5 6 0 0]
   [3 2 0 2 1 3]
   [7 0 0 1 5 0]
   [5 1 1 3 4 6]] (4, 6)

np.split(c, [2,3])

[array([[5, 4, 5, 6, 0, 0],
   [3, 2, 0, 2, 1, 3]]),
   array([[7, 0, 0, 1, 5, 0]]),
   array([[5, 1, 1, 3, 4, 6]])]

np.split(c, [2,3], axis=1)

[array([[5, 4],
   [3, 2],
   [7, 0],
   [5, 1]]),
   array([[5],
   [0],
   [0],
   [1]]),
   array([[6, 0, 0],
   [2, 1, 3],
   [1, 5, 0],
   [3, 4, 6]])]

위의 split()함수와 유사하지만 분할되는 축이 지정된 함수들을 사용할 수 있습니다.

• np.hsplit(배열, 인덱스 또는 정수)
  • 배열의 모양 중 두번째 축을 기준으로 분할, .shape(첫번째축, 두번째축, ...)
  • 2차원 이상의 다차원 배열의 경우 역시 두번째 축이 분할의 기준이 됨
  • 다른 인자는 split()과 같음
• np.vsplit(배열, 인덱스 또는 정수)
  • 배열의 모양 중 첫번째 축을 기준으로 분할, .shape(첫번째축, 두번째축, ...)
  • 2차원 이상의 다차원 배열의 경우 역시 첫번째 축이 분할의 기준이 됨
  • 다른 인자는 split()과 같음

a = np.arange(16).reshape(4,4)
print(a)

[[ 0  1  2  3]
   [ 4  5  6  7]
   [ 8  9 10 11]
   [12 13 14 15]]

print(np.hsplit(a, 2))

[array([[ 0,  1],
   [ 4,  5],
   [ 8,  9],
   [12, 13]]), array([[ 2,  3],
   [ 6,  7],
   [10, 11],
   [14, 15]])]

print(np.hsplit(a, [2, 3]))

[array([[ 0,  1],
   [ 4,  5],
   [ 8,  9],
   [ 6],
   [10],
   [14]]), array([[ 3],
   [ 7],
   [11],
   [15]])]

b=np.random.randint(10, size=(2,4,2))#(2,4,2)=(2,2,2)+(2,2,2) 
print(b, b.shape)

[[[3 7]
   [9 9]
   [0 2]
   [3 9]]
   [[1 2]
   [6 5]
   [3 5]
   [1 0]]] (2, 4, 2)

np.hsplit(b, 2)

[array([[[3, 7],
   [9, 9]],
   [[1, 2],
   [6, 5]]]),
   array([[[0, 2],
   [3, 9]],
   [[3, 5],
   [1, 0]]])]

a = np.arange(16).reshape(4,4)
print(a)

[[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]
    [12 13 14 15]]

print(np.vsplit(a, 2))

[array([[0, 1, 2, 3],
          [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
          [12, 13, 14, 15]])]

print(np.vsplit(a, [2, 3]))

[array([[0, 1, 2, 3],
          [4, 5, 6, 7]]), array([[ 8,  9, 10, 11]]),    array([[12, 13, 14, 15]])]

b=np.random.randint(10, size=(2,4,2))#(2,4,2)=(1,4,2)+(1,4,2) 
print(b, b.shape)

[[[3 7]
     [9 9]
     [0 2]
     [3 9]]
   [[1 2]
     [6 5]
     [3 5]
     [1 0]]] (2, 4, 2)

np.vsplit(b, 2)

[array([[[3, 7],
            [9, 9],
            [0, 2],
            [3, 9]]]),
    array([[[1, 2],
            [6, 5],
            [3, 5],
            [1, 0]]])]