1. 통계함수

1.1 평균, 분산, 표준편차

NumPy는 평균(np.mean()), 분산(np.var()), 표준편차(np.std()) 등 다양한 통계 함수를 제공합니다. 이러한 함수들은 대량의 수치 데이터를 빠르고 효율적으로 분석할 수 있게 해줍니다.

import numpy as np

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

print("합계:", np.sum(arr)) # 합계
print("평균:", np.mean(arr)) # 평균
print("분산:", np.var(arr)) # 분산
print("표준편차:", np.std(arr)) # 표준편차

import numpy as np

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

print("합계:", np.sum(arr)) # 합계
print("평균:", np.mean(arr)) # 평균
print("분산:", np.var(arr)) # 분산
print("표준편차:", np.std(arr)) # 표준편차

1.2 중앙값, 최빈값

NumPy는 중앙값(np.median()), 최빈값 계산을 위한 **np.bincount()**와 np.argmax() 등의 함수를 제공합니다. 중앙값은 숫자들을 순서대로 나열했을 때 가운데 있는 값이고, 최빈값은 가장 자주 나타나는 값입니다. 이 함수들을 사용하면 데이터의 분포와 중심 경향을 파악할 수 있습니다.

import numpy as np

arr = np.array([1, 2, 2, 3, 3, 3, 4, 5])
print(np.median(arr))

counts = np.bincount(arr)
print(np.argmax(counts))

import numpy as np

arr = np.array([1, 2, 2, 3, 3, 3, 4, 5])
print(np.median(arr))

counts = np.bincount(arr)
print(np.argmax(counts))

2. 수학 함수

2.1 삼각함수

NumPy는 사인(np.sin()), 코사인(np.cos()), 탄젠트(np.tan()) 등의 삼각함수를 제공합니다. 이 함수들은 각도와 관련된 값을 계산하며, 물리학, 공학, 그리고 컴퓨터 그래픽스 등 다양한 분야에서 사용됩니다.

import numpy as np

angles = np.array([0, 30, 45, 60, 90])
radians = np.deg2rad(angles)
print("사인:", np.sin(radians))
print("코사인:", np.cos(radians))
print("탄젠트:", np.tan(radians))

import numpy as np

angles = np.array([0, 30, 45, 60, 90])
radians = np.deg2rad(angles)
print("사인:", np.sin(radians))
print("코사인:", np.cos(radians))
print("탄젠트:", np.tan(radians))

2.2 지수함수, 로그함수

NumPy는 지수함수(np.exp()), 로그함수(np.log()) 등 다양한 수학 함수를 제공합니다. 이러한 함수들은 배열의 각 요소에 대해 효율적으로 연산을 수행합니다. 지수함수는 e의 거듭제곱을 계산하고, 로그함수는 그 반대 개념입니다. 이런 함수들은 과학 계산이나 데이터 분석에서 매우 중요하게 사용됩니다. e는 자연상수로 약 2.71828입니다.

import numpy as np

print("지수함수:", np.exp(np.array([1, 2, 3])))
print("로그함수:", np.log(np.array([1, 10, 100, 2, 4, 8, 2.71828183, 7.3890561, 20.08553692])))

import numpy as np

print("지수함수:", np.exp(np.array([1, 2, 3])))
print("로그함수:", np.log(np.array([1, 10, 100, 2, 4, 8, 2.71828183, 7.3890561, 20.08553692])))

2.3 제곱근, 거듭제곱

NumPy는 제곱근(np.sqrt())과 거듭제곱(np.power())을 계산하는 함수도 제공합니다. 제곱근은 어떤 수를 제곱했을 때 나오는 값을 거꾸로 구하는 것이고, 거듭제곱은 같은 수를 여러 번 곱하는 것입니다. 이런 함수들은 과학적 계산이나 데이터 스케일링에서 자주 사용됩니다.

import numpy as np

numbers = np.array([1, 4, 9, 16, 25])
print("제곱근:", np.sqrt(numbers))
print("거듭제곱 (2제곱):", np.power(numbers, 2))
print("거듭제곱 (3제곱):", np.power(numbers, 3))

import numpy as np

numbers = np.array([1, 4, 9, 16, 25])
print("제곱근:", np.sqrt(numbers))
print("거듭제곱 (2제곱):", np.power(numbers, 2))
print("거듭제곱 (3제곱):", np.power(numbers, 3))

3. 유틸리티 함수

3.1 np.where

**np.where()**는 주어진 조건을 만족하는 배열 요소의 인덱스를 찾아 반환하는 함수입니다. 이 함수는 데이터 분석에서 특정 조건을 만족하는 데이터를 빠르게 찾아내는 데 매우 유용합니다.

import numpy as np

arr1 = np.array([1, 2, 3, 4, 5])
indices = np.where(arr1 > 3)
print("3보다 큰 요소의 인덱스:", indices)

arr2 = np.array([1, 0, 3, 0, 5])
nonzero_indices = np.where(arr2)
print("0이 아닌 요소의 인덱스:", nonzero_indices)

arr3 = np.array([1, 0, 3, 0, 5])
zero_indices = np.where(arr3 == 0)
print("0인 요소의 인덱스:", zero_indices)

import numpy as np

arr1 = np.array([1, 2, 3, 4, 5])
indices = np.where(arr1 > 3)
print("3보다 큰 요소의 인덱스:", indices)

arr2 = np.array([1, 0, 3, 0, 5])
nonzero_indices = np.where(arr2)
print("0이 아닌 요소의 인덱스:", nonzero_indices)

arr3 = np.array([1, 0, 3, 0, 5])
zero_indices = np.where(arr3 == 0)
print("0인 요소의 인덱스:", zero_indices)

다차원 배열에서 1이 어떤 위치에 있는지 찾아보겠습니다.

import numpy as np

arr = np.array([[1, 2, 3], [1, 5, 6], [7, 1, 9]])
indices = np.where(arr == 1)
print("1이 있는 위치:", indices)

import numpy as np

arr = np.array([[1, 2, 3], [1, 5, 6], [7, 1, 9]])
indices = np.where(arr == 1)
print("1이 있는 위치:", indices)

이때 각각의 인덱스는 튜플로 반환됩니다. 짝을 이루게 하여 보기 좋게 출력하려면 다음과 같이 할 수 있습니다.

import numpy as np

arr = np.array([[1, 2, 3], [1, 5, 6], [7, 1, 9]])
indices = np.where(arr == 1)
rows, cols = indices
list(zip(rows, cols))

import numpy as np

arr = np.array([[1, 2, 3], [1, 5, 6], [7, 1, 9]])
indices = np.where(arr == 1)
rows, cols = indices
list(zip(rows, cols))

3.2 np.unique

**np.unique()**는 배열에서 중복된 값을 제거하고, 유일한 값들만을 정렬된 상태로 반환하는 함수입니다. 이는 마치 수집가가 우표 컬렉션에서 중복된 우표를 제거하는 것과 비슷합니다. 데이터의 고유한 특성을 파악하거나, 범주형 데이터를 처리할 때 특히 유용합니다.

import numpy as np

arr = np.array([1, 2, 2, 3, 3, 3, 4, 4, 5])
unique_values = np.unique(arr)
print("고유한 값:", unique_values)

import numpy as np

arr = np.array([1, 2, 2, 3, 3, 3, 4, 4, 5])
unique_values = np.unique(arr)
print("고유한 값:", unique_values)

3.3 np.sort

**np.sort()**는 배열의 요소를 오름차순으로 정렬하는 함수입니다. 이는 마치 도서관에서 책을 번호순으로 정리하는 것과 같습니다. 정렬된 데이터는 원하는 정보를 빠르게 찾거나 전체적인 구조를 파악하는 데 도움을 줍니다.

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
sorted_arr = np.sort(arr)
print("정렬된 배열:", sorted_arr)

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
sorted_arr = np.sort(arr)
print("정렬된 배열:", sorted_arr)

np.sort()는 파이썬의 원본을 변경하지 않습니다. 원본을 변경하고 싶다면 arr.sort()를 사용하면 됩니다.

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
np.sort(arr)

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
np.sort(arr)

3.4 np.argmax / np.argmin

**np.argmax()**와 **np.argmin()**은 각각 배열에서 최대값과 최소값의 인덱스를 반환하는 함수입니다.

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
max_index = np.argmax(arr)
min_index = np.argmin(arr)
print("최대값의 인덱스:", max_index)
print("최소값의 인덱스:", min_index)

import numpy as np

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])
max_index = np.argmax(arr)
min_index = np.argmin(arr)
print("최대값의 인덱스:", max_index)
print("최소값의 인덱스:", min_index)

3.5 np.reshape

**np.reshape()**는 배열의 형상(shape)을 변경하는 함수입니다.

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])
reshaped_arr = np.reshape(arr, (2, 3))
print("재구성된 배열:")
print(reshaped_arr)

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])
reshaped_arr = np.reshape(arr, (2, 3))
print("재구성된 배열:")
print(reshaped_arr)

3.6 np.clip

**np.clip()**은 배열의 값들을 특정 범위 내로 제한하는 함수입니다.

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
clipped = np.clip(arr, 3, 8)
print("원본 배열:", arr)
print("클리핑된 배열:", clipped)

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
clipped = np.clip(arr, 3, 8)
print("원본 배열:", arr)
print("클리핑된 배열:", clipped)

3.7 np.vectorize

**np.vectorize()**는 일반 Python 함수를 NumPy 배열에 적용 가능한 벡터화된 함수로 변환합니다.

import numpy as np

def add_and_square(x, y):
    return (x + y) ** 2

vectorized_func = np.vectorize(add_and_square)

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

result = vectorized_func(a, b)
print("벡터화된 함수 결과:", result)

import numpy as np

def add_and_square(x, y):
    return (x + y) ** 2

vectorized_func = np.vectorize(add_and_square)

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

result = vectorized_func(a, b)
print("벡터화된 함수 결과:", result)

3.8 np.random.choice

**np.random.choice()**는 주어진 1차원 배열에서 무작위로 샘플을 추출하는 함수입니다.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
random_sample = np.random.choice(arr, size=3, replace=False)
print("무작위 샘플:", random_sample)

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
random_sample = np.random.choice(arr, size=3, replace=False)
print("무작위 샘플:", random_sample)

3.9 np.random.rand

**np.random.rand()**는 0과 1 사이의 균일 분포에서 무작위 숫자를 생성하는 함수입니다.

import numpy as np
# 1차원 배열 생성
random_1d = np.random.rand(5)
print("1차원 난수 배열:", random_1d)

# 2차원 배열 생성
random_2d = np.random.rand(3, 2)
print("2차원 난수 배열:",)
print( random_2d)

import numpy as np
# 1차원 배열 생성
random_1d = np.random.rand(5)
print("1차원 난수 배열:", random_1d)

# 2차원 배열 생성
random_2d = np.random.rand(3, 2)
print("2차원 난수 배열:",)
print( random_2d)

essentials-numpy-pandas

NumPy 다양한 함수