Numpy 치트 시트: Python의 필수 데이터 분석

Python으로 작업하는 데이터 과학자로서 NumPy 라이브러리를 접했을 가능성이 큽니다 . Python 의 과학적 컴퓨팅을 위한 기본 패키지 중 하나입니다 .

다차원 배열에서 고성능 작업을 수행할 수 있는 NumPy는 Python에서 데이터 과학 또는 수치 컴퓨팅에 뛰어드는 모든 사람에게 필수적인 도구입니다.

NumPy 치트 시트는 이 Python 라이브러리로의 여정을 안내하는 데 도움이 되는 훌륭한 리소스가 될 수 있습니다. 포괄적인 치트 시트는 NumPy의 기능을 탐색하고 다양한 작업에 능숙하게 사용할 수 있도록 도와줍니다!

또한 NumPy는 Pandas, SciPy, sci-kit-learn 및 기타 Python 패키지와 같은 중요한 라이브러리의 핵심에 있음을 기억하십시오.

Python NumPy 치트 시트 의 도움을 통해 기본 사항을 마스터하면 이러한 라이브러리를 더 잘 사용할 수 있습니다. 또한 복잡한 데이터 구조 및 계산을 처리하는 기술을 향상시킬 수 있습니다.

당신은 우리와 같은 구식이며 치트 시트를 다운로드하고 잠재적으로 인쇄하고 싶습니까?

그렇게 하려면 아래로 스크롤하십시오.

목차

• 넘파이 기초
  • 1. NumPy 설치 및 가져오기
  • 2. 어레이 생성
  • 3. 배열 속성
  • 4. 데이터 유형
• 어레이 조작
  • 1. 재형성
  • 2. 복사
  • 3. 연결
  • 4. 분할
  • 5. 요소 추가/제거
  • 6. 인덱싱
  • 7. 슬라이싱
• 기본 기능
  • 1. 산술 연산
  • 2. 삼각법
  • 3. 지수와 로그
• 어레이 분석
  • 1. 집계 함수
  • 2. 통계 기능
  • 3. 검색
  • 4. 분류
• 고급 기능
  • 1. 방송
  • 2. 선형 대수학
• 입력과 출력
  • 1. 배열 저장 및 불러오기
  • 2. 텍스트 파일 읽기 및 쓰기
• 아래 치트 시트 다운로드
• 마지막 생각들

넘파이 기초

이 섹션에서는 NumPy 설치, 배열 생성, 배열 특성 및 데이터 유형에 중점을 둔 NumPy의 기본 사항을 다룹니다. 이러한 개념은 Python 데이터 과학 프로젝트에서 NumPy를 이해하고 효과적으로 활용하기 위한 견고한 기반을 제공합니다.

1. NumPy 설치 및 가져오기

아래 명령을 사용하여 명령줄에서 NumPy를 설치할 수 있습니다.

pip install numpy

설치되면 코드로 가져옵니다.

import numpy as np

np 이외의 다른 이름을 사용할 수 있습니다 . 그러나 np 는 대부분의 개발자와 데이터 과학자가 사용하는 표준 NumPy 가져오기 규칙입니다.

2. 어레이 생성

NumPy에서 배열을 만드는 것은 간단하고 간단합니다. numpy.array() 함수를 사용하여 목록이나 튜플에서 배열을 만들 수 있습니다 .

import numpy as np

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

다양한 함수를 사용하여 특정 모양과 값의 배열을 생성할 수도 있습니다.

• np.zeros() : 0으로 채워진 배열을 만듭니다.

• np.ones() : 1로 채워진 배열을 생성합니다.

• np.identity() : 항등 행렬 배열을 생성합니다.

• np.empty() : 요소를 특정 값으로 초기화하지 않고 배열을 만듭니다.

• np.arange() : 시작 값과 끝 값 사이에 규칙적인 간격의 값으로 배열을 만듭니다.

• np.linspace() : 시작 값과 끝 값 사이에 일정한 간격으로 지정된 수의 값으로 배열을 만듭니다.

참고: NumPy에서는 빈 배열을 생성할 수 없습니다. 각 NumPy 배열에는 고정된 불변 크기가 있으며 배열이 생성될 때 배열의 각 요소를 채워야 합니다.

np.empty () 함수는 필요한 배열 모양을 만들고 임의의 값으로 채웁니다. 기본 메서드는 임의의 부동 소수점 배열을 만듭니다.

dtype 매개변수를 사용하여 다른 배열 데이터 유형을 생성할 수 있습니다 .

3. 배열 속성

NumPy 배열에는 배열에 대한 유용한 정보를 제공하는 여러 속성이 있습니다. 그들 중 일부를 살펴 보겠습니다.

• ndarray.shape: 배열의 차원을 튜플(행, 열)로 반환합니다.

• ndarray.ndim: 배열의 차원 수를 반환합니다.

• ndarray.size: 배열의 총 요소 수를 반환합니다.

• ndarray.dtype: 배열 요소의 데이터 유형을 반환합니다.

이러한 속성에 액세스하려면 다음과 같이 점 표기법을 사용하십시오.

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

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4. 데이터 유형

NumPy는 정수, 문자열, 부동 소수점, 부울 및 복소수와 같은 배열에 데이터를 저장하는 여러 데이터 유형을 제공합니다. 기본적으로 NumPy는 입력 요소를 기반으로 데이터 유형을 추론하려고 시도합니다.

그러나 dtype 키워드를 사용하여 데이터 유형을 명시적으로 지정할 수도 있습니다 . 예를 들어:

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

일반적인 NumPy 데이터 유형은 다음과 같습니다.

• np.int32 : 32비트 정수

• np.int64: 64비트 정수

• np.float32: 32비트 부동 소수점 숫자

• np.float64: 64비트 부동 소수점 숫자

• np.complex: 두 개의 64비트 부동 소수점 숫자로 표현되는 복소수

한 데이터 유형에서 다른 데이터 유형으로 배열을 변환할 수도 있습니다. 이 예에서 np.array() 메서드 를 사용하여 정수 배열 a 를 부울 배열 arr 로 변환하는 방법은 다음과 같습니다 .

예제에서 array() 메서드가 배열 요소를 부울 값으로 변환하는 것을 볼 수 있습니다. 이러한 부울 값은 새로운 NumPy 배열 arr을 형성합니다.

NumPy의 이러한 기본 개념을 이해하면 배열을 효과적으로 사용 하고 다양한 NumPy 수학적 연산을 수행할 수 있습니다 . 예를 들어 Python에서 주소를 변환하고 코딩하는 방법 에 대한 비디오를 확인할 수 있습니다 .

여기에서 Python Pandas 및 NumPy 데이터 유형을 사용하여 집 주소를 지오코딩했습니다.

어레이 조작

이 섹션에서는 NumPy의 다양한 배열 모양 조작 기술에 대해 배웁니다. 모양 변경, 연결, 복사, 분할, 요소 추가/제거, 인덱싱 및 슬라이싱에 대해 설명합니다.

이러한 기술은 데이터 과학 프로젝트에서 배열 데이터로 효과적으로 작업하는 데 매우 중요합니다.

각 하위 섹션을 살펴보겠습니다.

1. 재형성

NumPy에서 배열을 재구성하는 것은 수행할 일반적인 작업입니다. 함수 또는 알고리즘의 요구 사항에 맞게 배열의 모양을 변경해야 할 수도 있습니다.

배열의 모양을 변경하려면 reshape() 함수를 사용하십시오.

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)

이렇게 하면 1차원 배열이 2행 3열의 2차원 배열로 변환됩니다.

참고: 제공하는 새 모양의 크기(배열 요소 수)가 원래 배열과 동일한지 확인하십시오.

2. 복사

copy() 메서드 를 사용하여 한 NumPy 배열의 요소를 다른 배열로 복사할 수 있습니다 . 대입 연산자 '='를 사용하면 얕은 복사본이 생성된다는 점에 유의해야 합니다.

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

새 배열은 시스템 메모리의 이전 배열만 참조합니다. 이들은 동일한 요소를 포함하며 서로 독립적이지 않습니다.

깊은 복사를 사용하여 이전 데이터와 동일한 데이터를 포함하면서 독립적인 새 NumPy 배열을 만듭니다.

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3. 연결

경우에 따라 두 개의 어레이를 하나로 병합해야 할 수도 있습니다. NumPy에서 concatenate() 함수를 사용하여 기존 축을 따라 배열을 결합할 수 있습니다.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

이것은 arr1 과 arr2를 단일 배열로 결합합니다. 연결된 배열은 지정된 축을 따라가는 것을 제외하고 모양이 동일해야 합니다.

4. 분할

분할은 연결의 반대입니다. split() 함수를 사용하여 배열을 더 작은 하위 배열로 나눌 수 있습니다.

arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)

이렇게 하면 배열이 3개의 동일한 크기의 하위 배열로 분할됩니다. 지정한 분할 수가 지정된 축을 따라 배열 크기를 균등하게 나눌 수 있는지 확인합니다.

5. 요소 추가/제거

NumPy 배열의 요소를 추가하거나 제거하는 것은 append() 및 delete() 함수를 사용하여 수행할 수 있습니다 . 전자를 사용하여 배열 끝에 값을 추가하고 후자를 사용하여 지정된 인덱스에서 요소를 삭제할 수 있습니다.

예를 들면 다음과 같습니다.

arr = np.array([1, 2, 3])

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

NumPy 배열의 크기는 고정되어 있습니다. append() 또는 delete()를 사용하면 새 배열이 생성되고 원래 배열은 수정되지 않습니다.

6. 인덱싱

Python 목록 또는 튜플에서 수행하는 것과 동일한 방식으로 NumPy 배열에서 인덱싱 작업을 수행할 수 있습니다. 주어진 배열에서 배열 요소에 액세스하거나 변경하는 방법을 살펴보겠습니다.

arr = np.array([1, 2, 3])

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7. 슬라이싱

또한 NumPy 배열을 슬라이스하여 Python 목록 또는 집합을 수행하는 것과 동일한 방식으로 데이터 섹션을 추출하거나 볼 수 있습니다 . 아래의 예를 살펴보겠습니다.

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

Note: Slicing creates a shallow copy that still references the main array. So, any change you make to the sliced data will be applied to the main array and vice versa.

To avoid this, you can use the copy() method to create a deep, independent copy.

Elementary Functions

In this section, you’ll learn about different elementary functions in NumPy, which will ease your data analysis tasks. We’ll cover arithmetic operations, trigonometry, and exponents and logarithms.

1. Arithmetic Operations

NumPy offers various math operations on arrays that make them simple and efficient to work with. array mathematics vector math

Some of the operations are:

• Addition: numpy.add(x1, x2)

• Subtraction: numpy.subtract(x1, x2)

• Multiplication: numpy.multiply(x1, x2)

• Division: numpy.divide(x1, x2)

• Modulus: numpy.mod(x1, x2)

• Power: numpy.power(x1, x2)

• Square root: numpy.sqrt(x)

Note: When using these operations, the two arrays must be the same shape. If not, you’ll run into errors.

There is an exception for certain arrays thanks to a NumPy feature called broadcasting. We’ll cover that in a later section.

You can perform these operations element-wise on the arrays, which makes them highly efficient for large-scale data manipulation.

2. Trigonometry

Trigonometric functions play a significant role in various mathematical and scientific computations. NumPy provides a wide range of trigonometric functions.

Some of the essential functions are:

• Sine: numpy.sin(x)

• Cosine: numpy.cos(x)

• Tangent: numpy.tan(x)

• Arcsine: numpy.arcsin(x)

• Arccosine: numpy.arccos(x)

• Arctangent: numpy.arctan(x)

These functions work seamlessly with arrays, making it easier for you to perform vectorized computations on large datasets.

3. Exponents and Logarithms

Exponents and logarithms are crucial for various numerical operations. NumPy provides an extensive collection of functions for dealing with exponents and logarithms.

Some of the primary functions are:

• Exponential: numpy.exp(x)

• Logarithm(base e): numpy.log(x)

• Logarithm(base 10): numpy.log10(x)

• Logarithm(base 2): numpy.log2(x)

Utilizing these functions, you can quickly perform complex mathematical operations on each element in the array. This makes your data analysis tasks more accessible and efficient.

Array Analysis

In this section, we will discuss various techniques to analyze arrays and array elements in NumPy. Some of the key features we will cover include aggregate functions, statistical functions, searching, and sorting.

1. Aggregate Functions

NumPy provides several aggregate functions that allow you to perform operations on arrays, such as summing all their elements, finding the minimum or maximum value, and more:

• sum: np.sum(your_array) – Calculate the sum of all the elements in the array.

• min: np.min(your_array) – Find the minimum array element.

• max: np.max(your_array) – Find the maximum array element.

• mean : np.mean(your_array) – 배열 값의 평균을 계산합니다.

• median : np.median(your_array) – 배열에 있는 값의 중앙값을 찾습니다.

2. 통계 기능

NumPy에는 데이터 분석에 도움이 되는 다양한 통계 기능도 있습니다.

• std: np.std(your_array) – 배열 값의 표준 편차를 계산합니다.

• var: np.var(your_array) – 배열 값의 분산을 계산합니다.

• corrcoef : np.corrcoef(your_array) – 배열의 상관 계수를 계산합니다.

3. 검색

NumPy 배열에서 검색은 다양한 방법을 사용하여 수행할 수 있습니다.

• argmin: np.argmin(your_array) – 최소 배열 요소의 인덱스를 찾습니다.

• argmax: np.argmax(your_array) – 최대 배열 요소의 인덱스를 찾습니다.

• 여기서: np.where(조건) – 배열에서 주어진 조건을 만족하는 요소의 인덱스를 반환합니다.

4. 분류

다음 함수를 사용하여 배열의 요소를 정렬할 수 있습니다.

• sort : np.sort(your_array) – 배열의 요소를 오름차순으로 정렬합니다.

• argsort: np.argsort(your_array) – 배열을 정렬할 인덱스를 반환합니다.

이러한 기능과 기술을 사용하면 NumPy 어레이를 편리하게 분석 및 조작하여 귀중한 통찰력을 발견하고 데이터 분석 노력을 지원할 수 있습니다.

고급 기능

이 섹션에서는 데이터를 보다 효율적으로 사용하는 데 도움이 되는 NumPy의 몇 가지 고급 기능을 살펴보겠습니다. 방송 및 선형 대수 기능을 다룰 것입니다.

1. 방송

브로드캐스팅은 모양과 크기가 다른 배열에서 작업을 수행할 수 있는 강력한 NumPy 기능입니다. 더 큰 배열과 일치하도록 더 작은 배열의 차원을 자동으로 확장하여 작동하므로 요소별 작업을 더 쉽게 수행할 수 있습니다.

예를 들면 다음과 같습니다.

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

이 예에서 1D 배열 A는 2D 배열 B의 모양과 일치하도록 브로드캐스팅되어 요소별 추가가 가능합니다.

브로드캐스팅 작업을 할 때 다음 규칙을 염두에 두십시오.

• 배열의 차원은 호환 가능해야 합니다(동일한 크기 또는 그 중 하나가 1임).

• 브로드캐스팅은 후행 차원에서 적용되며 선행 차원을 향해 작동합니다.

2. 선형 대수학

NumPy는 다차원 배열로 작업할 때 유용할 수 있는 여러 선형 대수 함수를 제공합니다. 이러한 기능 중 일부는 다음과 같습니다.

• np.dot(A, B): 두 배열의 내적을 계산합니다.

• np.linalg.inv(A) : 정사각 행렬의 역행렬을 계산합니다.

• np.linalg.eig(A) : 정사각형 행렬의 고유값과 고유벡터를 계산합니다.

• np.linalg.solve(A, B): 방정식의 선형 시스템을 풉니다. 여기서 A는 계수 행렬이고 B는 상수 행렬입니다.

이러한 작업을 수행하기 전에 항상 행렬이 호환되는지 확인하십시오 .

입력과 출력

이 섹션에서는 배열을 저장하고 로드하는 방법과 NumPy를 사용하여 파일을 읽고 쓰는 방법을 살펴봅니다.

1. 배열 저장 및 불러오기

배열을 저장하려면 NumPy의 np.save() 함수를 사용할 수 있습니다. 이 함수는 파일 이름과 배열을 두 개의 기본 인수로 사용합니다.

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

np.save('my_array.npy', arr)

저장된 배열을 로드하려면 파일 이름을 인수로 제공하여 np.load() 함수를 사용하십시오.

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

np.save() 및 np.load() 함수를 사용하여 여러 배열을 저장하고 로드할 수도 있습니다 .

2. 텍스트 파일 읽기 및 쓰기

NumPy는 np.loadtxt() 및 np.savetxt() 와 같은 배열이 있는 텍스트 파일을 읽고 쓰는 기능을 제공합니다 . 이러한 기능을 사용하여 txt 또는 CSV 파일과 같은 파일 형식에서 데이터를 저장하고 로드할 수 있습니다.

텍스트 파일을 배열로 읽으려면 np.loadtxt() 함수를 사용하십시오. 파일 이름을 기본 인수로 사용하고 구분 기호, dtype 등을 지정하기 위한 선택적 인수도 지원합니다.

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

CSV 파일에서 데이터를 읽으려면 np.loadtxt() 함수를 사용할 수도 있습니다 . 그러나 구분 기호는 항상 쉼표(" , ")로 설정해야 합니다.

배열을 텍스트 파일에 쓰려면 np.savetxt() 함수를 사용하십시오. 이 함수는 파일 이름과 배열을 두 개의 기본 인수로 사용하고 뒤에 구분 기호 및 헤더와 같은 선택적 인수를 사용합니다.

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

이러한 입력 및 출력 기능을 사용하면 NumPy를 사용하여 데이터 처리 및 조작 작업에서 배열 및 텍스트 파일로 효율적으로 작업할 수 있습니다.

아래 치트 시트 다운로드

Numpy 치트 시트 다운로드

마지막 생각들

이것이 Numpy Python 라이브러리를 시작하기 위해 알아야 할 전부입니다! 라이브러리로 작업할 때 Python Numpy 치트 시트를 편리한 참조로 사용할 수도 있습니다.

고급 기능에 대한 자세한 내용은 NumPy 설명서를 확인하십시오 . 신규 개발자와 숙련된 개발자 모두를 위해 준비한 이 재미있는 Python 치트 시트를 확인할 수도 있습니다 .

행운을 빌어요!