 Numpy는 Numeric Python의 줄인말이다.
 수학분야 관련된 통계나 연산작업시 사용하는 라이브러리이다.
 과학계산 컴퓨팅과 수학적인 데이터분석에 필요한 기본적인 패키지라고 할 수 있다.

 파이썬의 리스트와 거의 흡사하다
 리스트보다 빠르고 메모리 효율성이 높아서 성능적인 측면에서 훨씬 우위를 차지한다.

In [1]:

import numpy as np

1-1. Numpy배열과 리스트를 비교¶

numpy의 array함수 사용¶

In [2]:

myList = [1,2,3,4,5]
print(myList)

[1, 2, 3, 4, 5]

In [3]:

myArr = np.array(myList)
print(myArr)

[1 2 3 4 5]

In [4]:

'''
list - python
ndarray - Numpy 
판다스는 2차원 배열로 만들어진다.

numpy => 1차원 구조 (벡터)
pandas => 2차원 구조 (메트릭스)
'''
print(type(myList))
print(type(myArr)) #중요~! ndarray 넘파이 배열, ndarray클라스 타입으로 지원된다.

'''
인덱싱 : 몇번째 인지 가르키는데 사용한다.
슬라이싱 : 몇번째 부터인지 또는 몇 번째까지 또는 몇번부터 몇번까지 출력하기 위해서 자르기 위해서 사용한다.
'''
myList_slice = myList[1:3] # 인덱스 슬라이딩이다. 인덱스 1번부터 2번까지 나온다.
myArr_slice = myArr[1:3]

print(myList_slice)
print(myArr_slice)

myList_slice[0] = -5
myArr_slice[0] =-5

# 리스트 슬라이싱
print(myList_slice)
print(myArr_slice)

# 리스트와 ndarray의 차이점을 정리하자
print(myList) # 안바뀜 카피해서 새로운걸 만든다.
print(myArr) # 바뀜 원본을 바로 바꿔버린다 메모리 효율성이 뛰어나다

<class 'list'>
<class 'numpy.ndarray'>
[2, 3]
[2 3]
[-5, 3]
[-5  3]
[1, 2, 3, 4, 5]
[ 1 -5  3  4  5]

numpy의 랜덤함수 사용¶

In [5]:

a = np.random.rand(10) # 0부터 1사이의 실수를 랜덤으로 5개의 인덱스를 만들어준다.
print(a)
# ?을 뒤에 사용하면 그에 대한 설명이 나온다.
#np.random.rand?

b = np.random.randint(1,10,6)
print(b)

c = np.random.randn(10) # 가우시간 표준분표
print(c)

[0.80845815 0.96848161 0.34761614 0.76754624 0.73842307 0.0418326
 0.27069521 0.34905467 0.29398196 0.14297884]
[8 2 1 4 9 2]
[-0.60777764  0.5127996  -0.12025864  1.24385972 -1.19290055 -0.31448712
 -0.73893138  0.82580958  0.10027921 -0.25064899]

1-2. numpy배열의 초기화¶

초기화 란?
배열의 생성함과 동시에 최초의 값을 넣는다.
특정한 값을 할당하는 것을 말한다.

zeros()
ones()
arange()

In [6]:

# 1. zeros() 0의 값으로 이뤄진 크기가 10인 배열을 생성

az = np.zeros(10)
print(az)

# 2.  ones() 1의 값으로 이뤄진 크기가 10인 배열을 생성
ao = np.ones(10)
print(ao)
print(np.ones(10)+3)

# 3. eye(3) 3by3 단위의 배열을 생성
ae = np.eye(5)
print(ae)
print('ae + 1 : ',ae[2]*1)
print(ae)

# 4. arange(10) 0부터 10까지 인덱스를 생성한다. (3,9) 하면 3부터 9까지 (2,90,10) 하면 2부터 90까지 10씩 뛰면서 
print(np.arange(2,90,10))
a = np.arange(2,100,10)
print(a)

# 5. full() 모든 배열의 초기화는 어느정도 정리가 된다.
af = np.full((5,5), -11) # np.full(크기,값)
print(af)

[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[4. 4. 4. 4. 4. 4. 4. 4. 4. 4.]
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
ae + 1 :  [0. 0. 1. 0. 0.]
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
[ 2 12 22 32 42 52 62 72 82]
[ 2 12 22 32 42 52 62 72 82 92]
[[-11 -11 -11 -11 -11]
 [-11 -11 -11 -11 -11]
 [-11 -11 -11 -11 -11]
 [-11 -11 -11 -11 -11]
 [-11 -11 -11 -11 -11]]

1-3. 리스트와 np배열의 차이점¶

리스트와 np배열의 차이점을 정리한다.

리스트는 서로다른 타입의 값들이 저장이 가능한 반면에
np배열은 하나의 자료형만 저장할 수 있다.(더 큰 타입으로 캐스팅 된다. int, string이랑 있으면 string이 더 큰 타입이기 때문에 포함된다.)

In [7]:

L = [1,2,3,'4',5]
number = [1,2,3,4.6,5]
print(L)
print(type(L))
print(number)

[1, 2, 3, '4', 5]
<class 'list'>
[1, 2, 3, 4.6, 5]

In [8]:

narray_1 = np.array(L)
print(narray_1)
print(type(narray_1))

narray_2 = np.array(number)
print(narray_2)
print(type(narray_2))

# 값의 타입을 명시해서 저장할 수도 있다. 이때 dtype 속성을 사용한다.
narray_3 = np.array([1,2,3,4], dtype=np.float) # 같은 자료형만 저장한다.
print(narray_3)

['1' '2' '3' '4' '5']
<class 'numpy.ndarray'>
[1.  2.  3.  4.6 5. ]
<class 'numpy.ndarray'>
[1. 2. 3. 4.]

1-4. Numpy 배열의 속성 혹은 함수¶

ndim = 차원값을 반환해줌, shape = 배열의 행과 열, reshape = 행과 열을 바꿔준다, size = 엘레먼트의 갯수, type = 타입

아래부터 나오는 배열은 무조건 np배열.

In [9]:

arr1 = np.array([[1.0, 2, 3],[4, 5, 6]], dtype=np.int32) # 2 by 3으로 나온다. 2행 3열
arr1

# np의 함수를 이용해서 타입, 차원,몇행몇열, 데이터가 총 몇개인지, 출력
print(type(arr1))
print(np.ndim(arr1)) # 2차원은 매트릭스 1차원은 벡터
print(np.shape(arr1)) # 몇행 몇열
print(np.size(arr1))
print('*'*30)
print(arr1.ndim)
print(arr1.shape)
print(arr1.size)
print(arr1.dtype) # dtype과 type을 구분해야한다.
print(type(arr1))
print('*'*30)
# arr1배열의 원소값 타입을 astype()으로 한번에 다른 타입으로 바꿀수 있다.  
print(arr1.dtype)
arr1_1 = arr1.astype(np.float64)
print(arr1_1.dtype)
print('*'*30)
arr2 = np.arange(32)
print(arr2)
print(arr2.shape)
arr2_2 = arr2.reshape(8,4) # 2차원 구조로 바꿔준다.
arr2_2 # 8행 4열

<class 'numpy.ndarray'>
2
(2, 3)
6
******************************
2
(2, 3)
6
int32
<class 'numpy.ndarray'>
******************************
int32
float64
******************************
[ 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 25 26 27 28 29 30 31]
(32,)

Out[9]:

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, 25, 26, 27],
       [28, 29, 30, 31]])

2-1. 랜덤함수와 seed값 설정하기¶

여러값을 저장할땐 시드값으로 설정할 수 있다.

seed값 설정하기¶

여러명이서 작업할때 랜덤한 값이 나오되, 동일한 랜덤한 값이 나오도록 지정하는 방법
보통은 한 번만 지정하면 계속해서 사용할수 있다.

시드값을 설정하지 않을떄는 랜덤한 난수값이 컴퓨터 시간을 기준으로 그때마다 다른 값을 도출하도록 알고리즘이 구현되어있다.
시드값은 seed()함수안에 숫자를 넣음으로써 수동으로 값을 만들어내는 알고리즘
seed(0)
seed(10)
seed(120)
seed()는 씨앗과 같이 같은 값을 뿌리면 같은 결과가 나온다.

In [1]:

import numpy as np
np.random.seed(0) # seed값은 0혹은 양의 정수만 가능하다. 

In [2]:

import numpy as np
arr1 = np.random.randn(4,4)
arr1

Out[2]:

array([[ 1.76405235,  0.40015721,  0.97873798,  2.2408932 ],
       [ 1.86755799, -0.97727788,  0.95008842, -0.15135721],
       [-0.10321885,  0.4105985 ,  0.14404357,  1.45427351],
       [ 0.76103773,  0.12167502,  0.44386323,  0.33367433]])

In [3]:

arr2 = np.arange(1,10)
arr2

Out[3]:

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

In [4]:

#모양이 같아야만 reshape을 사용해서 정의 할 수 있다.
# reshape은 매우 중요하다.
arr3 = arr2.reshape(3, 3)
arr3

Out[4]:

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

In [5]:

arr4 = np.random.randint(10,20,16).reshape(4, 4) #16개
arr4
#print(arr4)

#arr4_1 = np.random.randint(10, size=9)
#print(arr4_1)

Out[5]:

array([[12, 13, 18, 11],
       [13, 13, 13, 17],
       [10, 11, 19, 19],
       [10, 14, 17, 13]])

2-2. 인덱싱, 슬라이싱¶

In [6]:

narray = np.arange(5)
narray

Out[6]:

array([0, 1, 2, 3, 4])

In [7]:

# 1. 인덱싱과 슬라이싱으로 값 추출하기
print(narray[:-3]) # 인덱스에 음수가 붙으면 뒤에서 n번째로 이해해야 한다.
print(narray[1:]) # 이음을 말한다 n번부터 ~ 라고 이해함.
print(narray[:4]) # ~ n-1까지
print(narray[:]) 
print(narray[2:4]) 
print()

[0 1]
[1 2 3 4]
[0 1 2 3]
[0 1 2 3 4]
[2 3]

In [8]:

arr4 # 2차원 4by 4

Out[8]:

array([[12, 13, 18, 11],
       [13, 13, 13, 17],
       [10, 11, 19, 19],
       [10, 14, 17, 13]])

In [9]:

print(arr4[0][2])
print(arr4[0,2])
print(arr4[1])
print(arr4[:,3:4])
print(arr4[:,1:3])

18
18
[13 13 13 17]
[[11]
 [17]
 [19]
 [13]]
[[13 18]
 [13 13]
 [11 19]
 [14 17]]

2-3. 인덱싱과 조건 슬라이싱¶

열거된 배열의 값에서 논리연산잔 혹은 where함수를 사용해서 
내가 원하는 값을 가져올 수 있어야 한다.

In [10]:

arr2 = np.random.randn(4,4)

#1. 논리 연산자 사용
arr2[arr2<0]

#2. 0보자 작은값들(음수)는 전부다 0으로 바꿔보자
arr2[arr2<0] = 0 
arr2 # 원본이 바뀐다.

#3. where 함수를 사용
arr2_w = np.where(arr2>0, arr2, -1) # 3항 연산자 arr2>0이 트루면 arr2을 반환하고 펄스면 -1을 리턴한다.
arr2_w

Out[10]:

array([[ 0.59124281, -1.        , -1.        , -1.        ],
       [-1.        , -1.        , -1.        , -1.        ],
       [-1.        ,  0.90734594,  0.81526991,  0.22909795],
       [-1.        ,  0.47752547,  1.29269823, -1.        ]])

In [11]:

# 중요!!
exam_a = np.array([[1,2],[3,4],[5,6]])
exam_a

# 2보다 큰 값만 추출
result = exam_a>2
print(exam_a[result])

# 2보다 큰 값만 추출 하고 2보다 작은 값은 0으로
exam_a = np.where(exam_a > 2, exam_a, 0)
print(exam_a)

[3 4 5 6]
[[0 0]
 [3 4]
 [5 6]]

2-4. Numpy 통계함수¶

sum(), min(), max(), mean(), argmin(), argmax(), comsum()¶

In [12]:

print(np.sum(arr4))
print(arr4)
print('sum 0 :',np.sum(arr4, 0)) # 아래쪽으로 행으로 기준 
print('sum 1 :',np.sum(arr4, 1)) # 왼쪽으로  열로 기준
print('argmax 0 :',np.argmax(arr4, 0))
print('argmax 1 :',np.argmax(arr4, 1))
print('argmin 0 :',np.argmin(arr4, 0))
print('argmin 1 :',np.argmin(arr4, 1))

223
[[12 13 18 11]
 [13 13 13 17]
 [10 11 19 19]
 [10 14 17 13]]
sum 0 : [45 51 67 60]
sum 1 : [54 56 59 54]
argmax 0 : [1 3 2 2]
argmax 1 : [2 3 2 2]
argmin 0 : [2 2 1 0]
argmin 1 : [3 0 0 0]

계단오르내리기 예제¶

In [1]:

import numpy as np 
np.random.seed(888)

In [2]:

nsteps = 1000
# randint 함수를 사용하여 1000개의 랜덤값(0과 1 )을 만드세요.


draws = np.random.randint(0,2,nsteps)
draws

Out[2]:

array([0, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1,
       0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1,
       0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1,
       1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0,
       1, 1, 1, 1, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 1,
       1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 0, 0,
       0, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1,
       1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 0, 0, 1, 1,
       0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1,
       0, 0, 1, 0, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1,
       0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1,
       1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1,
       1, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1,
       0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1, 1,
       0, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0,
       1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 1, 0, 1, 1, 0,
       0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1,
       0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1,
       1, 0, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1,
       0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1,
       1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 0, 1,
       1, 0, 1, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0,
       0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0,
       0, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 0, 1, 1, 0,
       1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0,
       0, 0, 1, 0, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1,
       0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 0,
       1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1,
       1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1,
       1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 0, 0,
       1, 0, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 1,
       1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0,
       1, 0, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 1, 1, 0, 1, 0, 1,
       1, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 1,
       1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 1, 0,
       1, 1, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1,
       1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 1,
       1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1,
       1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1,
       0, 0, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1,
       1, 0, 0, 0, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 0, 1, 1, 1, 0,
       0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0,
       1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0,
       1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1,
       1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1, 0,
       0, 0, 0, 0, 1, 1, 0, 1, 0, 1])

In [3]:

# steps은 앞의 draws 값이 0보다 크면 1, 0보다 작거나 같으면 -1으로 만든 새로운 벡터(특정 함수 활용)
# walk는 계단을 오르거나 내려간 값의 누적합 (cumsum)
steps = np.where(draws<=0, -1, 1) # draws<=0 이 트루이면, -1 을 아니면 draws를 1출력

walk = np.cumsum(steps)
walk

Out[3]:

array([ -1,  -2,  -1,   0,  -1,   0,   1,   0,   1,   0,   1,   2,   1,
         2,   1,   0,   1,   2,   1,   0,  -1,   0,  -1,  -2,  -3,  -4,
        -3,  -4,  -3,  -2,  -3,  -4,  -5,  -4,  -5,  -6,  -5,  -4,  -5,
        -6,  -7,  -8,  -7,  -6,  -7,  -8,  -9, -10,  -9,  -8,  -9,  -8,
        -7,  -8,  -9, -10, -11, -10, -11, -12, -13, -14, -15, -14, -15,
       -14, -13, -14, -15, -14, -13, -12, -13, -14, -13, -14, -15, -16,
       -15, -16, -15, -16, -17, -16, -17, -18, -19, -20, -19, -18, -17,
       -16, -17, -18, -17, -18, -17, -18, -19, -20, -19, -18, -17, -18,
       -19, -18, -17, -18, -19, -18, -17, -18, -19, -20, -21, -20, -19,
       -20, -21, -22, -23, -22, -21, -22, -21, -22, -21, -22, -21, -22,
       -23, -24, -25, -24, -23, -22, -23, -22, -21, -22, -21, -20, -19,
       -18, -17, -18, -19, -18, -17, -16, -17, -16, -15, -14, -13, -14,
       -13, -12, -11, -12, -13, -14, -15, -14, -15, -14, -13, -14, -15,
       -14, -15, -14, -15, -16, -15, -14, -15, -16, -17, -16, -15, -16,
       -15, -16, -17, -18, -19, -18, -19, -20, -21, -20, -21, -20, -21,
       -22, -23, -22, -23, -24, -23, -24, -23, -22, -23, -22, -23, -24,
       -23, -24, -23, -22, -23, -24, -23, -22, -21, -22, -23, -22, -23,
       -24, -23, -22, -23, -22, -21, -22, -23, -24, -25, -26, -27, -26,
       -27, -28, -27, -26, -25, -24, -25, -24, -23, -22, -21, -20, -21,
       -22, -23, -24, -25, -26, -27, -26, -27, -28, -27, -26, -25, -24,
       -25, -26, -25, -24, -23, -22, -21, -22, -23, -24, -25, -26, -25,
       -24, -25, -26, -27, -28, -27, -26, -27, -28, -27, -26, -27, -26,
       -27, -28, -29, -28, -29, -28, -27, -26, -27, -28, -29, -30, -29,
       -30, -31, -30, -29, -30, -31, -32, -31, -30, -31, -32, -31, -32,
       -31, -30, -31, -30, -31, -30, -29, -30, -29, -30, -31, -32, -33,
       -32, -31, -32, -31, -32, -31, -30, -29, -30, -31, -30, -29, -28,
       -27, -28, -29, -30, -31, -30, -31, -30, -29, -28, -29, -28, -27,
       -28, -29, -30, -29, -30, -31, -32, -31, -30, -29, -28, -29, -28,
       -29, -30, -31, -32, -33, -32, -31, -30, -31, -30, -31, -32, -31,
       -30, -31, -30, -31, -32, -31, -32, -31, -30, -31, -30, -31, -32,
       -33, -32, -33, -34, -33, -32, -31, -32, -31, -30, -29, -30, -31,
       -30, -31, -30, -29, -30, -31, -30, -31, -30, -29, -30, -31, -32,
       -33, -32, -33, -34, -35, -36, -35, -34, -33, -32, -31, -32, -33,
       -32, -31, -30, -29, -30, -31, -30, -29, -28, -27, -26, -25, -26,
       -27, -28, -29, -30, -31, -30, -29, -28, -27, -28, -29, -28, -29,
       -28, -29, -28, -27, -26, -27, -26, -25, -26, -25, -24, -25, -24,
       -23, -24, -25, -24, -25, -24, -23, -24, -23, -24, -25, -26, -25,
       -26, -27, -28, -29, -30, -29, -28, -27, -26, -27, -26, -25, -26,
       -25, -26, -27, -26, -25, -26, -25, -24, -25, -26, -27, -28, -29,
       -28, -29, -28, -27, -26, -27, -26, -27, -26, -25, -26, -27, -26,
       -25, -26, -27, -26, -27, -26, -25, -26, -25, -24, -25, -26, -25,
       -26, -25, -24, -25, -26, -25, -24, -23, -22, -21, -22, -21, -20,
       -21, -22, -23, -24, -25, -26, -25, -26, -25, -26, -25, -24, -23,
       -24, -23, -22, -23, -24, -23, -22, -21, -20, -19, -18, -19, -18,
       -19, -18, -19, -20, -19, -20, -21, -20, -21, -22, -21, -22, -23,
       -24, -25, -24, -25, -24, -23, -24, -23, -24, -23, -22, -21, -22,
       -21, -22, -23, -22, -21, -20, -21, -20, -21, -22, -21, -22, -23,
       -22, -21, -22, -23, -22, -21, -20, -19, -20, -19, -18, -17, -16,
       -17, -16, -15, -16, -15, -16, -15, -14, -15, -14, -15, -16, -15,
       -14, -13, -14, -13, -12, -13, -12, -13, -14, -15, -14, -13, -12,
       -11, -12, -13, -12, -13, -14, -13, -12, -13, -14, -13, -14, -13,
       -14, -13, -12, -11, -12, -11, -10, -11, -12, -13, -12, -13, -12,
       -13, -14, -15, -14, -13, -12, -11, -10, -11, -10, -11, -10, -11,
       -12, -13, -14, -15, -16, -15, -16, -15, -14, -15, -16, -15, -14,
       -15, -16, -15, -16, -15, -16, -17, -16, -17, -18, -19, -18, -17,
       -18, -19, -20, -19, -20, -19, -18, -19, -18, -19, -18, -17, -18,
       -19, -18, -19, -18, -19, -18, -19, -18, -19, -20, -19, -20, -19,
       -20, -21, -20, -19, -18, -17, -16, -15, -14, -13, -14, -13, -12,
       -13, -14, -13, -14, -15, -16, -17, -16, -17, -18, -17, -18, -17,
       -16, -15, -16, -15, -14, -15, -14, -15, -14, -15, -16, -17, -16,
       -15, -16, -17, -16, -17, -18, -17, -16, -15, -14, -15, -14, -13,
       -14, -15, -16, -15, -14, -15, -14, -15, -16, -17, -16, -17, -16,
       -17, -16, -15, -16, -17, -18, -17, -16, -15, -14, -15, -14, -13,
       -14, -15, -14, -13, -12, -11, -10, -11, -10,  -9, -10,  -9,  -8,
        -7,  -8,  -9,  -8,  -7,  -8,  -9, -10, -11, -12, -11, -12, -11,
       -10, -11, -10,  -9, -10, -11, -10,  -9,  -8,  -9, -10,  -9,  -8,
        -9, -10,  -9,  -8,  -7,  -8,  -7,  -6,  -7,  -6,  -5,  -4,  -5,
        -6,  -5,  -6,  -7,  -8,  -7,  -8,  -7,  -6,  -5,  -6,  -7,  -8,
        -9,  -8,  -7,  -8,  -7,  -6,  -5,  -4,  -3,  -4,  -3,  -4,  -3,
        -4,  -3,  -2,  -1,  -2,  -3,  -4,  -5,  -6,  -7,  -6,  -7,  -8,
        -9,  -8,  -7,  -6,  -5,  -6,  -5,  -6,  -5,  -6,  -5,  -4,  -5,
        -6,  -5,  -4,  -3,  -2,  -3,  -4,  -3,  -4,  -5,  -4,  -3,  -4,
        -3,  -2,  -1,  -2,  -1,   0,  -1,   0,  -1,  -2,  -1,   0,  -1,
        -2,  -3,  -4,  -5,  -4,  -5,  -4,  -3,  -4,  -5,  -4,  -3,  -4,
        -5,  -6,  -5,  -6,  -7,  -6,  -5,  -6,  -7,  -6,  -5,  -6,  -7,
        -6,  -7,  -8,  -9,  -8,  -7,  -8,  -7,  -8,  -9,  -8,  -9,  -8,
        -7,  -8,  -9, -10, -11, -12, -11, -10, -11, -10, -11, -10],
      dtype=int32)

In [4]:

#walk의 최소값
walk.min()

Out[4]:

-36

In [5]:

#walk의 최대값
walk.max()

Out[5]:

In [6]:

# 1. 계단의 처음 위치에서 10칸이상 떨어진 시점을 구하자.
#    가. 최초로 10 혹은 -10인 시점을 구한다. 
#    나. boolean 배열에서 최대값의 처음 색인을 반환하는 함수를 사용

# walk의 값들을 절대값으로 지정하고 10이상인 값은 True 아니면 false가 나오게 point에 저장한다.
point = abs(walk) > 9  

# where함수를 사용해서 첫번째 파라메터값에만 변수를 넣어서 True인 값 들만 가져오게 한다. 
# 가장 첫번째에 오는 값을 point2에 저장한다. 2차원 튜플형 이므로
point2 = np.where(point)
print('list : ',point2)
print('list : ',point2[0])
print('list : ',point2[0][0])
print(type(point2))

point3 = np.where(point)[0][0]
# 계단의 처음위치가 0이라고 전제
print(f"방식 1. 계단의 처음 위치에서 10칸 이상 떨어진 시점은 : '{np.where(abs(walk) > 9)[0][0]}' 입니다.")
print(f"방식 2. 계단의 처음 위치에서 10칸 이상 떨어진 시점은 : '{(np.abs(walk) >= 10).argmax()}' 입니다.")

list :  (array([ 47,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,  65,  66,
        67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,  78,  79,
        80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,  91,  92,
        93,  94,  95,  96,  97,  98,  99, 100, 101, 102, 103, 104, 105,
       106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118,
       119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131,
       132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142, 143, 144,
       145, 146, 147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157,
       158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170,
       171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183,
       184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, 195, 196,
       197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207, 208, 209,
       210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222,
       223, 224, 225, 226, 227, 228, 229, 230, 231, 232, 233, 234, 235,
       236, 237, 238, 239, 240, 241, 242, 243, 244, 245, 246, 247, 248,
       249, 250, 251, 252, 253, 254, 255, 256, 257, 258, 259, 260, 261,
       262, 263, 264, 265, 266, 267, 268, 269, 270, 271, 272, 273, 274,
       275, 276, 277, 278, 279, 280, 281, 282, 283, 284, 285, 286, 287,
       288, 289, 290, 291, 292, 293, 294, 295, 296, 297, 298, 299, 300,
       301, 302, 303, 304, 305, 306, 307, 308, 309, 310, 311, 312, 313,
       314, 315, 316, 317, 318, 319, 320, 321, 322, 323, 324, 325, 326,
       327, 328, 329, 330, 331, 332, 333, 334, 335, 336, 337, 338, 339,
       340, 341, 342, 343, 344, 345, 346, 347, 348, 349, 350, 351, 352,
       353, 354, 355, 356, 357, 358, 359, 360, 361, 362, 363, 364, 365,
       366, 367, 368, 369, 370, 371, 372, 373, 374, 375, 376, 377, 378,
       379, 380, 381, 382, 383, 384, 385, 386, 387, 388, 389, 390, 391,
       392, 393, 394, 395, 396, 397, 398, 399, 400, 401, 402, 403, 404,
       405, 406, 407, 408, 409, 410, 411, 412, 413, 414, 415, 416, 417,
       418, 419, 420, 421, 422, 423, 424, 425, 426, 427, 428, 429, 430,
       431, 432, 433, 434, 435, 436, 437, 438, 439, 440, 441, 442, 443,
       444, 445, 446, 447, 448, 449, 450, 451, 452, 453, 454, 455, 456,
       457, 458, 459, 460, 461, 462, 463, 464, 465, 466, 467, 468, 469,
       470, 471, 472, 473, 474, 475, 476, 477, 478, 479, 480, 481, 482,
       483, 484, 485, 486, 487, 488, 489, 490, 491, 492, 493, 494, 495,
       496, 497, 498, 499, 500, 501, 502, 503, 504, 505, 506, 507, 508,
       509, 510, 511, 512, 513, 514, 515, 516, 517, 518, 519, 520, 521,
       522, 523, 524, 525, 526, 527, 528, 529, 530, 531, 532, 533, 534,
       535, 536, 537, 538, 539, 540, 541, 542, 543, 544, 545, 546, 547,
       548, 549, 550, 551, 552, 553, 554, 555, 556, 557, 558, 559, 560,
       561, 562, 563, 564, 565, 566, 567, 568, 569, 570, 571, 572, 573,
       574, 575, 576, 577, 578, 579, 580, 581, 582, 583, 584, 585, 586,
       587, 588, 589, 590, 591, 592, 593, 594, 595, 596, 597, 598, 599,
       600, 601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612,
       613, 614, 615, 616, 617, 618, 619, 620, 621, 622, 623, 624, 625,
       626, 627, 628, 629, 630, 631, 632, 633, 634, 635, 636, 637, 638,
       639, 640, 641, 642, 643, 644, 645, 646, 647, 648, 649, 650, 651,
       652, 653, 654, 655, 656, 657, 658, 659, 660, 661, 662, 663, 664,
       665, 666, 667, 668, 669, 670, 671, 672, 673, 674, 675, 676, 677,
       678, 679, 680, 681, 682, 683, 684, 685, 686, 687, 688, 689, 690,
       691, 692, 693, 694, 695, 696, 697, 698, 699, 700, 701, 702, 703,
       704, 705, 706, 707, 708, 709, 710, 711, 712, 713, 714, 715, 716,
       717, 718, 719, 720, 721, 722, 723, 724, 725, 726, 727, 728, 729,
       730, 731, 732, 733, 734, 735, 736, 737, 738, 739, 740, 741, 742,
       743, 744, 745, 746, 747, 748, 749, 750, 751, 752, 753, 754, 755,
       756, 757, 758, 759, 760, 761, 762, 763, 764, 765, 766, 767, 768,
       769, 770, 771, 772, 773, 774, 775, 776, 777, 778, 779, 780, 781,
       782, 783, 784, 785, 786, 787, 788, 789, 790, 791, 792, 793, 794,
       795, 796, 797, 798, 799, 800, 801, 802, 803, 804, 805, 806, 807,
       808, 809, 810, 811, 812, 813, 814, 815, 816, 817, 818, 819, 820,
       821, 822, 823, 824, 825, 826, 827, 829, 839, 840, 841, 842, 843,
       844, 845, 846, 847, 849, 850, 851, 855, 859, 991, 992, 993, 994,
       995, 996, 997, 998, 999], dtype=int64),)
list :  [ 47  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71
  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89
  90  91  92  93  94  95  96  97  98  99 100 101 102 103 104 105 106 107
 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125
 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143
 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161
 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179
 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197
 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215
 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233
 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251
 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269
 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287
 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305
 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323
 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341
 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359
 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377
 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395
 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413
 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431
 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449
 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467
 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485
 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503
 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521
 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539
 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557
 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575
 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593
 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611
 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629
 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647
 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665
 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683
 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701
 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719
 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737
 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755
 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773
 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791
 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809
 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827
 829 839 840 841 842 843 844 845 846 847 849 850 851 855 859 991 992 993
 994 995 996 997 998 999]
list :  47
<class 'tuple'>
방식 1. 계단의 처음 위치에서 10칸 이상 떨어진 시점은 : '47' 입니다.
방식 2. 계단의 처음 위치에서 10칸 이상 떨어진 시점은 : '47' 입니다.

'workSpace > PYTHON' 카테고리의 다른 글

[Pandas] 판다스 기초 상식 및 함수 정리 2 - concat, merge (0)	2021.01.13
[Pandas] 판다스 기초 상식 및 함수 정리 1 - Series, DF 기본함수 (2)	2021.01.12
[Numpy] Numpy 문제 모음 정답 및 설명 (100 numpy exercises) - ing (0)	2021.01.11
[Numpy] Numpy 문제 모음 (100 numpy exercises) (0)	2021.01.11
[DL] 딥러닝 용어 및 설명 (0)	2021.01.11

[Numpy] 넘파이 기초 상식 및 함수 정리 - 기초 함수, 응용 문제

1-1. Numpy배열과 리스트를 비교¶

numpy의 array함수 사용¶

numpy의 랜덤함수 사용¶

1-2. numpy배열의 초기화¶

1-3. 리스트와 np배열의 차이점¶

1-4. Numpy 배열의 속성 혹은 함수¶

2-1. 랜덤함수와 seed값 설정하기¶

seed값 설정하기¶

2-2. 인덱싱, 슬라이싱¶

2-3. 인덱싱과 조건 슬라이싱¶

2-4. Numpy 통계함수¶

sum(), min(), max(), mean(), argmin(), argmax(), comsum()¶

계단오르내리기 예제¶

'workSpace > PYTHON' 카테고리의 다른 글

티스토리툴바