NUMPY Archives - icodebroker

[PYTHON/NUMPY] ndenumerate 함수 : 배열 항목 나열하기

■ ndenumerate 함수를 사용해 배열 항목을 나열하는 방법을 보여준다. ▶ main.py


import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

ndarray2 = ndarray1.reshape(2, 3, 4)

for indexTuple, value in np.ndenumerate(ndarray2):
    print(indexTuple, value)

"""
(0, 0, 0) 1.0
(0, 0, 1) 2.0
(0, 0, 2) 3.0
(0, 0, 3) 4.0
(0, 1, 0) 5.0
(0, 1, 1) 6.0
(0, 1, 2) 7.0
(0, 1, 3) 8.0
(0, 2, 0) 9.0
(0, 2, 1) 10.0
(0, 2, 2) 11.0
(0, 2, 3) 12.0
(1, 0, 0) 13.0
(1, 0, 1) 14.0
(1, 0, 2) 15.0
(1, 0, 3) 16.0
(1, 1, 0) 17.0
(1, 1, 1) 18.0
(1, 1, 2) 19.0
(1, 1, 3) 20.0
(1, 2, 0) 21.0
(1, 2, 1) 22.0
(1, 2, 2) 23.0
(1, 2, 3) nan
"""

import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

ndarray2 = ndarray1.reshape(2, 3, 4)

for indexTuple, value in np.ndenumerate(ndarray2):

print(indexTuple, value)

"""

(0, 0, 0) 1.0

(0, 0, 1) 2.0

(0, 0, 2) 3.0

(0, 0, 3) 4.0

(0, 1, 0) 5.0

(0, 1, 1) 6.0

(0, 1, 2) 7.0

(0, 1, 3) 8.0

(0, 2, 0) 9.0

(0, 2, 1) 10.0

(0, 2, 2) 11.0

(0, 2, 3) 12.0

(1, 0, 0) 13.0

(1, 0, 1) 14.0

(1, 0, 2) 15.0

(1, 0, 3) 16.0

(1, 1, 0) 17.0

(1, 1, 1) 18.0

(1, 1, 2) 19.0

(1, 1, 3) 20.0

(1, 2, 0) 21.0

(1, 2, 1) 22.0

(1, 2, 2) 23.0

(1, 2, 3) nan

"""

▶ requirements.txt


numpy==2.1.2

numpy==2.1.2

※ pip install numpy 명령을 실행했다.

[PYTHON/NUMPY] randint 함수 : 정수 난수 배열 만들기

■ randint 함수를 사용해 정수 난수 배열을 만드는 방법을 보여준다. ▶ main.py


import numpy  as np

ndarray1 = np.random.randint(0, 7, size = 10) # 0부터 6 사이 정수 난수 10개 추출

print(ndarray1)

"""
[3 6 2 4 4 2 3 6 0 4]
"""

import numpy as np

ndarray1 = np.random.randint(0, 7, size = 10) # 0부터 6 사이 정수 난수 10개 추출

print(ndarray1)

"""

[3 6 2 4 4 2 3 6 0 4]

"""

▶ requirements.txt


numpy==2.1.2

numpy==2.1.2

※ pip install numpy 명령을 실행했다.

[PYTHON/PANDAS] select 함수 : 특정 조건에 해당 값으로 신규 컬럼 추가하기

■ select 함수를 사용해 특정 조건에 해당하는 값으로 신규 컬럼을 추가하는 방법을 보여준다. ▶ main.py


import pandas as pd
import numpy  as np

dataFrame = pd.DataFrame(
     {
          "name"  : ["김철수", "이영희", "박민수", "정지은"],
          "age"   : [25, 30, 35, 28],
          "city"  : ["서울", "부산", "서울", "대전"],
          "score" : [85, 92, 78, 95]
     }
)

print(dataFrame)

"""
  name  age city  score
0  김철수   25   서울     85
1  이영희   30   부산     92
2  박민수   35   서울     78
3  정지은   28   대전     95
"""

print()

conditionList = [
    (dataFrame["age"  ] <  30) & (dataFrame["score"] >= 90),
    (dataFrame["age"  ] >= 30) & (dataFrame["score"] >= 90),
    (dataFrame["score"] < 90)
]

choiceList = ["A+", "A", "B"]

dataFrame["grade"] = np.select(conditionList, choiceList, default = "C")

print(dataFrame)

"""
  name  age city  score grade
0  김철수   25   서울     85     B
1  이영희   30   부산     92     A
2  박민수   35   서울     78     B
3  정지은   28   대전     95    A+
"""

import pandas as pd

import numpy as np

dataFrame = pd.DataFrame(

{

"name" : ["김철수", "이영희", "박민수", "정지은"],

"age" : [25, 30, 35, 28],

"city" : ["서울", "부산", "서울", "대전"],

"score" : [85, 92, 78, 95]

}

)

print(dataFrame)

"""

name age city score

0 김철수 25 서울 85

1 이영희 30 부산 92

2 박민수 35 서울 78

3 정지은 28 대전 95

"""

print()

conditionList = [

(dataFrame["age" ] < 30) & (dataFrame["score"] >= 90),

(dataFrame["age" ] >= 30) & (dataFrame["score"] >= 90),

(dataFrame["score"] < 90)

]

choiceList = ["A+", "A", "B"]

dataFrame["grade"] = np.select(conditionList, choiceList, default = "C")

print(dataFrame)

"""

name age city score grade

0 김철수 25 서울 85 B

1 이영희 30 부산 92 A

2 박민수 35 서울 78 B

3 정지은 28 대전 95 A+

"""

▶ requirements.txt


numpy==2.1.2
pandas==2.2.3
python-dateutil==2.9.0.post0
pytz==2024.2
six==1.16.0
tzdata==2024.2

numpy==2.1.2

pandas==2.2.3

python-dateutil==2.9.0.post0

pytz==2024.2

six==1.16.0

tzdata==2024.2

※ pip install

[PYTHON/NUMPY] ndarray 클래스 : reshape 메소드를 사용해 배열 변형하기

■ ndarray 클래스의 reshape 메소드를 사용해 배열을 변형하는 방법을 보여준다. ▶ main.py


import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

ndarray2 = ndarray1.reshape(2, 3, 4)

print(ndarray2)

"""
[[[ 1.  2.  3.  4.]
  [ 5.  6.  7.  8.]
  [ 9. 10. 11. 12.]]

 [[13. 14. 15. 16.]
  [17. 18. 19. 20.]
  [21. 22. 23. nan]]]
"""

import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

ndarray2 = ndarray1.reshape(2, 3, 4)

print(ndarray2)

"""

[[[ 1. 2. 3. 4.]

[ 5. 6. 7. 8.]

[ 9. 10. 11. 12.]]

[[13. 14. 15. 16.]

[17. 18. 19. 20.]

[21. 22. 23. nan]]]

"""

▶ requirements.txt


numpy==2.1.2

numpy==2.1.2

※ pip install numpy 명령을 실행했다.

[PYTHON/NUMPY] array 함수 : ndarray 객체 만들기

■ array 함수를 사용해 ndarray 객체를 만드는 방법을 보여준다. ▶ main.py


import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

print(ndarray1)

"""
[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. nan]
"""

import numpy as np

list1 = list(range(1, 24)) + [np.nan]

ndarray1 = np.array(list1)

print(ndarray1)

"""

[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. nan]

"""

▶ requirements.txt


numpy==2.1.2

numpy==2.1.2

※ pip install numpy 명령을 실행했다.

[PYTHON/NUMPY] uniform 함수 : 균일 분포에서 특정 범위 난수 N개 구하기

■ uniform 함수를 사용해 균일 분포에서 특정 범위의 난수 N개를 구하는 방법을 보여준다. ▶ main.py


import numpy  as np

ndarrary1 = np.random.uniform(0.200, 0.400, 25) # 0.2에서 0.4 사이에서 24개 난수를 추출한다.

print(ndarrary1)

import numpy as np

ndarrary1 = np.random.uniform(0.200, 0.400, 25) # 0.2에서 0.4 사이에서 24개 난수를 추출한다.

print(ndarrary1)

▶ requirements.txt


numpy==2.1.2

numpy==2.1.2

※ pip install

[PYTHON/NUMPY] numpy 패키지 설치하기

■ numpy 패키지를 설치하는 방법을 보여준다. 1. 명령 프롬프트를 실행한다. 2. 명령 프롬프트에서 아래 명령을 실행한다. ▶ 실행 명령


pip install numpy

pip install numpy

[PYTHON/NUMPY] histogram 함수 : 히스토그램 데이터 구하기

■ histogram 함수를 사용해 히스토그램 데이터를 구하는 방법을 보여준다. ▶ main.py


import pandas as pd
import numpy  as np

def loadData(url, rowCount):
    dataFrame = pd.read_csv(url, nrows = rowCount)
    changeToLowerCaseString = lambda x: str(x).lower()
    dataFrame.rename(changeToLowerCaseString, axis = "columns", inplace = True)
    dataFrame["date/time"] = pd.to_datetime(dataFrame["date/time"])
    return dataFrame

dataFrame = loadData("https://s3-us-west-2.amazonaws.com/streamlit-demo-data/uber-raw-data-sep14.csv.gz", 10000)

dataTimeSeries = dataFrame["date/time"].dt.hour

historamArrayTuple = np.histogram(dataTimeSeries, bins = 24, range = (0, 24))

"""
(
    array([217, 122,  81,  82,  99, 161, 280, 353, 430, 396, 411, 456, 501, 526, 544, 600, 662, 747, 714, 649, 579, 567, 479, 344     ]),
    array([ 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.])
)
"""

histogramValueNDArray = historamArrayTuple[0]

print(histogramValueNDArray)

"""
[217 122  81  82  99 161 280 353 430 396 411 456 501 526 544 600 662 747 714 649 579 567 479 344]
"""

import pandas as pd

import numpy as np

def loadData(url, rowCount):

dataFrame = pd.read_csv(url, nrows = rowCount)

changeToLowerCaseString = lambda x: str(x).lower()

dataFrame.rename(changeToLowerCaseString, axis = "columns", inplace = True)

dataFrame["date/time"] = pd.to_datetime(dataFrame["date/time"])

return dataFrame

dataFrame = loadData("https://s3-us-west-2.amazonaws.com/streamlit-demo-data/uber-raw-data-sep14.csv.gz", 10000)

dataTimeSeries = dataFrame["date/time"].dt.hour

historamArrayTuple = np.histogram(dataTimeSeries, bins = 24, range = (0, 24))

"""

(

array([217, 122, 81, 82, 99, 161, 280, 353, 430, 396, 411, 456, 501, 526, 544, 600, 662, 747, 714, 649, 579, 567, 479, 344 ]),

array([ 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.])

)

"""

histogramValueNDArray = historamArrayTuple[0]

print(histogramValueNDArray)

"""

[217 122 81 82 99 161 280 353 430 396 411 456 501 526 544 600 662 747 714 649 579 567 479 344]

"""

▶ requirements.txt


numpy==2.0.0
pandas==2.2.2
python-dateutil==2.9.0.post0
pytz==2024.1
six==1.16.0
tzdata==2024.1

numpy==2.0.0

pandas==2.2.2

python-dateutil==2.9.0.post0

pytz==2024.1

six==1.16.0

tzdata==2024.1

※ pip install pandas 명령을 실행했다.

[PYTHON/NUMPY] randn 함수 : 임의의 값을 갖는 2차원 배열 만들기

■ randn 함수를 사용해 임의의 값을 갖는 2차원 배열을 만드는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

ndArray = np.random.randn(10, 20) # 행, 열

import numpy as np

ndArray = np.random.randn(10, 20) # 행, 열

[PYTHON/NUMPY] 스트라센의 행렬 곱셈(Strassen’s Matrix Multiplication) 알고리즘을 사용해 행렬 곱하기

■ 스트라센의 행렬 곱셈(Strassen's Matrix Multiplication) 알고리즘을 사용해 행렬을 곱하는 방법을 보여준다. ▶ main.py


import numpy as np

def multiplyMatrixWithStrassenAlgorithm(matrix1, matrix2):
    matrix1Length = len(matrix1)

    if matrix1Length == 1:
        return matrix1 * matrix2

    newSize = matrix1Length // 2

    a11 = matrix1[:newSize, :newSize]
    a12 = matrix1[:newSize, newSize:]
    a21 = matrix1[newSize:, :newSize]
    a22 = matrix1[newSize:, newSize:]

    b11 = matrix2[:newSize, :newSize]
    b12 = matrix2[:newSize, newSize:]
    b21 = matrix2[newSize:, :newSize]
    b22 = matrix2[newSize:, newSize:]

    m1 = multiplyMatrixWithStrassenAlgorithm(a11 + a22, b11 + b22)
    m2 = multiplyMatrixWithStrassenAlgorithm(a21 + a22, b11)
    m3 = multiplyMatrixWithStrassenAlgorithm(a11, b12 - b22)
    m4 = multiplyMatrixWithStrassenAlgorithm(a22, b21 - b11)
    m5 = multiplyMatrixWithStrassenAlgorithm(a11 + a12, b22)
    m6 = multiplyMatrixWithStrassenAlgorithm(a21 - a11, b11 + b12)
    m7 = multiplyMatrixWithStrassenAlgorithm(a12 - a22, b21 + b22)

    c11 = m1 + m4 - m5 + m7
    c12 = m3 + m5
    c21 = m2 + m4
    c22 = m1 - m2 + m3 + m6

    return np.vstack((np.hstack((c11, c12)), np.hstack((c21, c22))))

sourcMatrix1 = np.array(
    [
        [1 , 2 , 3 , 4 ],
        [5 , 6 , 7 , 8 ],
        [9 , 10, 11, 12],
        [13, 14, 15, 16]
    ]
)

sourceMatrix2 = np.array(
    [
        [17, 18, 19, 20],
        [21, 22, 23, 24],
        [25, 26, 27, 28],
        [29, 30, 31, 32]
    ]
)

targetMatrix = multiplyMatrixWithStrassenAlgorithm(sourcMatrix1, sourceMatrix2)

print(targetMatrix)

"""
[[ 250  260  270  280]
 [ 618  644  670  696]
 [ 986 1028 1070 1112]
 [1354 1412 1470 1528]]
"""

import numpy as np

def multiplyMatrixWithStrassenAlgorithm(matrix1, matrix2):

matrix1Length = len(matrix1)

if matrix1Length == 1:

return matrix1 * matrix2

newSize = matrix1Length // 2

a11 = matrix1[:newSize, :newSize]

a12 = matrix1[:newSize, newSize:]

a21 = matrix1[newSize:, :newSize]

a22 = matrix1[newSize:, newSize:]

b11 = matrix2[:newSize, :newSize]

b12 = matrix2[:newSize, newSize:]

b21 = matrix2[newSize:, :newSize]

b22 = matrix2[newSize:, newSize:]

m1 = multiplyMatrixWithStrassenAlgorithm(a11 + a22, b11 + b22)

m2 = multiplyMatrixWithStrassenAlgorithm(a21 + a22, b11)

m3 = multiplyMatrixWithStrassenAlgorithm(a11, b12 - b22)

m4 = multiplyMatrixWithStrassenAlgorithm(a22, b21 - b11)

m5 = multiplyMatrixWithStrassenAlgorithm(a11 + a12, b22)

m6 = multiplyMatrixWithStrassenAlgorithm(a21 - a11, b11 + b12)

m7 = multiplyMatrixWithStrassenAlgorithm(a12 - a22, b21 + b22)

c11 = m1 + m4 - m5 + m7

c12 = m3 + m5

c21 = m2 + m4

c22 = m1 - m2 + m3 + m6

return np.vstack((np.hstack((c11, c12)), np.hstack((c21, c22))))

sourcMatrix1 = np.array(

[

[1 , 2 , 3 , 4 ],

[5 , 6 , 7 , 8 ],

[9 , 10, 11, 12],

[13, 14, 15, 16]

]

)

sourceMatrix2 = np.array(

[

[17, 18, 19, 20],

[21, 22, 23, 24],

[25, 26, 27, 28],

[29, 30, 31, 32]

]

)

targetMatrix = multiplyMatrixWithStrassenAlgorithm(sourcMatrix1, sourceMatrix2)

print(targetMatrix)

"""

[[ 250 260 270 280]

[ 618 644 670 696]

[ 986 1028 1070 1112]

[1354 1412 1470 1528]]

"""

▶ requirements.txt


numpy==2.0.0

numpy==2.0.0

※ pip install numpy

[PYTHON/COMMON] numexpr 패키지 설치하기

■ numexpr 패키지를 설치하는 방법을 보여준다. 1. 명령 프롬프트를 실행한다. 2. 명령 프롬프트에서 아래 명령을 실행한다. ▶ 실행 명령


pip install numexpr

pip install numexpr

[PYTHON/OPENAI] OpenAI 클래스 : embeddings 변수를 사용해 유사도 검색하기 (FAISS 벡터 데이터베이스 사용)

■ OpenAI 클래스의 embeddings 변수를 사용해 유사도를 검색하는 방법을 보여준다. (FAISS 벡터 데이터베이스 사용) ▶ 예제 코드 (PY)


import os
import numpy

import faiss

from openai import OpenAI

os.environ["OPENAI_API_KEY"] = "<OPENAI_API_KEY>"

openAI = OpenAI()

# 입력 텍스트의 텍스트 임베딩을 생성한다.
inputText = "오늘은 비가 오지 않아서 다행이다."

response = openAI.embeddings.create(
    input = inputText,
    model = "text-embedding-ada-002"
)

inputEmbeddingList    = [embedding.embedding for embedding in response.data] # inputEmbeddingList의 항목은 List 타입이다.
inputEmbeddingNDArray = numpy.array(inputEmbeddingList).astype("float32")    # 2차원 배열 : (1, 1536)

# 대상 텍스트의 텍스트 임베딩을 생성한다.
targetTextList = [
    "좋아하는 음식은 무엇인가요?",
    "어디에 살고 계신가요?",
    "아침 전철은 혼잡하네요.",
    "오늘은 날씨가 좋네요.",
    "요즘 경기가 좋지 않네요."
]

response = openAI.embeddings.create(
    input = targetTextList,
    model = "text-embedding-ada-002"
)

targetEmbeddingList    = [embedding.embedding for embedding in response.data] # targetEmbeddingList의 항목은 List 타입이다.
targetEmbeddingNDArray = numpy.array(targetEmbeddingList).astype("float32")   # 2차원 배열 : (5, 1536)

# Faiss의 인덱스를 생성한다.
indexFlatL2 = faiss.IndexFlatL2(targetEmbeddingNDArray.shape[1])

# 대상 텍스트의 임베딩 2차원 배열값을 인덱스에 추가한다.
indexFlatL2.add(targetEmbeddingNDArray)

# 유사도 검사를 수행한다.
distanceList, indexList = indexFlatL2.search(inputEmbeddingNDArray, 1)

print(distanceList)
print(indexList)
print(targetTextList[indexList[0][0]])

"""
[[0.28370145]]
[[3]]
오늘은 날씨가 좋네요.
"""

import os

import numpy

import faiss

from openai import OpenAI

os.environ["OPENAI_API_KEY"] = "<OPENAI_API_KEY>"

openAI = OpenAI()

# 입력 텍스트의 텍스트 임베딩을 생성한다.

inputText = "오늘은 비가 오지 않아서 다행이다."

response = openAI.embeddings.create(

input = inputText,

model = "text-embedding-ada-002"

)

inputEmbeddingList = [embedding.embedding for embedding in response.data] # inputEmbeddingList의 항목은 List 타입이다.

inputEmbeddingNDArray = numpy.array(inputEmbeddingList).astype("float32") # 2차원 배열 : (1, 1536)

# 대상 텍스트의 텍스트 임베딩을 생성한다.

targetTextList = [

"좋아하는 음식은 무엇인가요?",

"어디에 살고 계신가요?",

"아침 전철은 혼잡하네요.",

"오늘은 날씨가 좋네요.",

"요즘 경기가 좋지 않네요."

]

response = openAI.embeddings.create(

input = targetTextList,

model = "text-embedding-ada-002"

)

targetEmbeddingList = [embedding.embedding for embedding in response.data] # targetEmbeddingList의 항목은 List 타입이다.

targetEmbeddingNDArray = numpy.array(targetEmbeddingList).astype("float32") # 2차원 배열 : (5, 1536)

# Faiss의 인덱스를 생성한다.

indexFlatL2 = faiss.IndexFlatL2(targetEmbeddingNDArray.shape[1])

# 대상 텍스트의 임베딩 2차원 배열값을 인덱스에 추가한다.

indexFlatL2.add(targetEmbeddingNDArray)

# 유사도 검사를 수행한다.

distanceList, indexList = indexFlatL2.search(inputEmbeddingNDArray, 1)

print(distanceList)

print(indexList)

print(targetTextList[indexList[0][0]])

"""

[[0.28370145]]

[[3]]

오늘은 날씨가 좋네요.

"""

▶ requirements.txt


annotated-types==0.7.0
anyio==4.4.0
certifi==2024.6.2
distro==1.9.0
exceptiongroup==1.2.1
faiss-gpu==1.7.2
h11==0.14.0
httpcore==1.0.5
httpx==0.27.0
idna==3.7
numpy==1.26.4
openai==1.31.1
packaging==24.0
pydantic==2.7.3
pydantic_core==2.18.4
sniffio==1.3.1
tqdm==4.66.4
typing_extensions==4.12.1

annotated-types==0.7.0

anyio==4.4.0

certifi==2024.6.2

distro==1.9.0

exceptiongroup==1.2.1

faiss-gpu==1.7.2

h11==0.14.0

httpcore==1.0.5

httpx==0.27.0

idna==3.7

numpy==1.26.4

openai==1.31.1

packaging==24.0

pydantic==2.7.3

pydantic_core==2.18.4

sniffio==1.3.1

tqdm==4.66.4

typing_extensions==4.12.1

[PYTHON/NUMPY] poly1d 클래스 : 2차 방정식 생성하기

■ poly1d 클래스를 사용해 2차 방정식을 생성하는 방법을 보여준다. ▶ 예제 코드 (PY)


import matplotlib.pyplot as pp
import numpy as np

xNDArray      = np.arange(0, 10, 0.01)
yNDArray      = np.square(xNDArray - 1) + 1
yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 2) # 2차식
sourcePoly1d = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")
pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")
pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

import matplotlib.pyplot as pp

import numpy as np

xNDArray = np.arange(0, 10, 0.01)

yNDArray = np.square(xNDArray - 1) + 1

yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 2) # 2차식

sourcePoly1d = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")

pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")

pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

[PYTHON/NUMPY] poly1d 클래스 : 2차 방정식 생성하기

■ poly1d 클래스를 사용해 2차 방정식을 생성하는 방법을 보여준다. ▶ 예제 코드 (PY)


import matplotlib.pyplot as pp
import numpy as np

xNDArray      = np.arange(0, 10, 0.01)
yNDArray      = 3 * xNDArray ** 2 + 3 * xNDArray + 5
yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 2) # 2차식
sourcePoly1d = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")
pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")
pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

import matplotlib.pyplot as pp

import numpy as np

xNDArray = np.arange(0, 10, 0.01)

yNDArray = 3 * xNDArray ** 2 + 3 * xNDArray + 5

yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 2) # 2차식

sourcePoly1d = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")

pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")

pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

[PYTHON/NUMPY] poly1d 클래스 : 1차 방정식 생성하기

■ poly1d 클래스를 사용해 1차 방정식을 생성하는 방법을 보여준다. ▶ 예제 코드 (PY)


import matplotlib.pyplot as pp
import numpy as np

xNDArray      = np.arange(0, 10, 0.01)
yNDArray      = 3 * xNDArray + 5
yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 1) # 1차식
sourcePoly1d         = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")
pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")
pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

import matplotlib.pyplot as pp

import numpy as np

xNDArray = np.arange(0, 10, 0.01)

yNDArray = 3 * xNDArray + 5

yNoiseNDArray = yNDArray + np.random.randn(len(yNDArray))

sourcePolyfitNDArray = np.polyfit(xNDArray, yNoiseNDArray, 1) # 1차식

sourcePoly1d = np.poly1d(sourcePolyfitNDArray)

# pp.figure(figsize = (12, 8))

pp.plot(xNDArray, yNoiseNDArray, label = "noise", color = "y")

pp.plot(xNDArray, yNDArray, ls = "dashed", lw = 3, color = "b", label = "original")

pp.plot(xNDArray, sourcePoly1d(xNDArray), lw = 2, color = "r", label = "polyfit")

pp.show();

[PYTHON/NUMPY] ndarray 클래스 : argmin 함수를 사용해 배열에서 최소 요소값 인덱스 구하기

■ ndarray 클래스에 대해 argmin 함수를 사용해 배열에서 최소 요소값 인덱스를 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

value = np.argmin(sourceNDArray)

print(value)

"""
0
"""

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

value = np.argmin(sourceNDArray)

print(value)

"""

[PYTHON/NUMPY] ndarray 클래스 : > 연산자를 사용해 조건 만족 여부를 나타내는 배열 구하기

■ ndarray 클래스에서 > 연산자를 사용해 조건 만족 여부를 나타내는 배열을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = sourceNDArray > 3

print(targetNDArray)

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

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = sourceNDArray > 3

print(targetNDArray)

"""

[[False False False]

[ True True True]]

"""

[PYTHON/NUMPY] ndarray 클래스 : argmax 함수에서 axis 인자를 사용해 각 행별 최대 요소값 배열 구하기

■ ndarray 클래스에 대해 argmax 함수에서 axis 인자를 사용해 각 행별 최대 요소값 배열을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.argmax(sourceNDArray, axis = 1)

print(sourceNDArray[..., targetNDArray][..., 0])

"""
[3 6]
"""

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.argmax(sourceNDArray, axis = 1)

print(sourceNDArray[..., targetNDArray][..., 0])

"""

[3 6]

"""

[PYTHON/NUMPY] ndarray 클래스 : argmax 함수에서 axis 인자를 사용해 각 열별 최대 요소값 배열 구하기

■ ndarray 클래스에 대해 argmax 함수에서 axis 인자를 사용해 각 열별 최대 요소값 배열을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.argmax(sourceNDArray, axis = 0)

print(sourceNDArray[targetNDArray, ...][0])

"""
[4 5 6]
"""

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.argmax(sourceNDArray, axis = 0)

print(sourceNDArray[targetNDArray, ...][0])

"""

[4 5 6]

"""

[PYTHON/NUMPY] ndarray 클래스 : argmax 함수에서 axis 인자를 사용해 각 축별 최대 요소값 인덱스 배열 구하기

■ ndarray 클래스에 대해 argmax 함수에서 axis 인자를 사용해 각 축별 최대 요소값 인덱스 배열을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)

[PYTHON/NUMPY] ndarray 클래스 : argmax 함수를 사용해 배열에서 최대 요소값 인덱스 구하기

■ ndarray 클래스에 대해 argmax 함수를 사용해 배열에서 최대 요소값 인덱스를 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

value = np.argmax(sourceNDArray)

print(value)

"""
5
"""

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

value = np.argmax(sourceNDArray)

print(value)

"""

[PYTHON/NUMPY] ndarray 클래스 : all 함수를 사용해 배열에서 모든 요소에 대해 조건 만족 여부 구하기

■ ndarray 클래스에 대해 all 함수를 사용해 배열에서 모든 요소에 대해 조건 만족 여부를 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2), (3, 4), (5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.all(sourceNDArray > 3)

print(targetNDArray)

"""
False
"""

import numpy as np

sourceList = [(1, 2), (3, 4), (5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.all(sourceNDArray > 3)

print(targetNDArray)

"""

False

"""

[PYTHON/NUMPY] ndarray 클래스 : where 함수를 사용해 배열에서 조건 만족 여부를 표시하는 배열 구하기

■ ndarray 클래스에 대해 where 함수를 사용해 배열에서 조건 만족 여부를 표시하는 배열을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.where(sourceNDArray > 3, "T", "F")

print(targetNDArray)

"""
[['F' 'F' 'F']
 ['T' 'T' 'T']]
"""

import numpy as np

sourceList = [(1, 2, 3), (4, 5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = np.where(sourceNDArray > 3, "T", "F")

print(targetNDArray)

"""

[['F' 'F' 'F']

['T' 'T' 'T']]

"""

[PYTHON/NUMPY] ndarray 클래스 : any 함수를 사용해 배열에서 조건을 만족하는 1개 이상의 요소 존재 여부 구하기

■ ndarray 클래스에 대해 any 함수를 사용해 배열에서 조건을 만족하는 1개 이상의 요소 존재 여부를 구하는 방법을 보여준다. ▶ 예제 코드 (PY)

[PYTHON/NUMPY] ndarray 클래스 : T 속성을 사용해 역행렬 구하기

■ ndarray 클래스의 T 속성을 사용해 역행렬을 구하는 방법을 보여준다. ▶ 예제 코드 (PY)


import numpy as np

sourceList = [(1, 2), (3, 4), (5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = sourceNDArray.T

print(targetNDArray)

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

import numpy as np

sourceList = [(1, 2), (3, 4), (5, 6)]

sourceNDArray = np.array(sourceList)

targetNDArray = sourceNDArray.T

print(targetNDArray)

"""

[[1 3 5]

[2 4 6]]

"""