[머신러닝 인강] 9-2주차: ndarray 축(axis), 브로트캐스팅(broadcasting), 불린 인덱싱(boolean indexing)

<9-2주차 수강 클립>

03. 데이터 처리를 위한 Python (Numpy)

07. axis(축) 이해 및 axis를 파라미터로 갖는 함수 활용하기

08. broadcasting 이해 및 활용하기

09. Boolean indexing으로 조건에 맞는 데이터 선택하기

 

---

 

이번 주차에는 저번 시간에도 잠깐 등장한 ndarray의 축(axis)에 관한

내용이 등장합니다.

또한 차원이 '다른' ndarray 간의 연산을 위한 브로드캐스팅,

boolean indexing으로 조건에 맞는 데이터를 선택하는 법에 대해서

알아보았습니다.

>>수강 인증샷<<

 

---

 

07. axis(축) 이해 및 axis를 파라미터로 갖는 함수 활용하기

 

- axis 이해하기

몇몇 함수에는 axis keyword 파라미터가 존재_ 축→차원! (차원이 1개 = 축이 1개)

axis 값이 없는 경우에는 전체 데이터에 대해 적용

axis 값이 있는 경우에는 해당 axis값을 따라서 연산 적용 (해당 축 방향으로 '압축'을 한다)

 

axis를 파라미터로 갖는 함수를 이용하기

    1. 거의 대부분의 연산 함수들이 axis 파라미터를 사용

    2. 이 경우, 해당 값이 주어졌을 때, 해당 axis를 따라서 연산이 적용

        → 따라서 결과는 해당 axis가 제외된 나머지 차원의 데이터만 남게 됨

    ex) np.sum, np.mean, np.any 등등..

 

x = np.arange(15)
np.sum(x, axis=0)

: 1차원 데이터에 적용하기

 

#axis=0: 행 증가(아래) asix1: 열 증가(위)
y = x.reshape(3, 5)

np.sum(y) #전체 데이터 더함
np.sum(y, axis=0) #행 증가 방향 #5차원 벡터
np.sum(y, axis=1) #열 증가 방향 #3차원 벡터

: 2차원 행렬에 적용하기

 

z = np.arange(36).reshape(3, 4, 3)

np.sum(z)
np.sum(z, axis=0) #0번째 찌부->4행 3열
np.sum(z, axis=1) #1번째 찌부->3행 3열
np.sum(z, axis=2) #2번째 찌부->3행 4열

: 3차원 텐서에 적용하기

 

np.sum(z, axis=-1) #axis 0, 1, 2 == -3, -2, -1

: 음수 인덱싱 지원 (뒤에서부터)

 

np.sum(z, axis=(0, 1)) #0, 1번째 찌부->벡터
np.sum(z, axis=(0, 2)) #0, 2번째 찌부->벡터

: axis의 값이 튜플일 경우 → 해당 튜플에 명시된 모든 axis에 대해서 연산

 

---

 

08. broadcasting 이해 및 활용하기

 

- 브로드캐스팅

shape이 같은 두 ndarray에 대한 연산은 각 원소별로 진행

연산되는 두 ndarray가 다른 shape을 갖는 경우 브로드 캐스팅(shape을 맞춤)후 진행

 

- 브로드캐스팅 Rule

뒷 차원에서부터 비교하여 Shape이 같거나 (비어있어도 가능), 차원 중 값이 1인 것(비교하는 차원 둘 중 하나 이상이 1)이 존재하면 가능

ex) a(4*3) b(,*3)이 있을 때 뒷차원인 '3'이 같음

 

x = np.arange(15).reshape(3, 5)
y = np.random.rand(15).reshape(3, 5)
print(x)
print(y)
print(x + y) #크기 동일한 행렬 사이 연산

: shape이 같은 경우의 연산

 

#모든 원소에 적용
x + 2
x * 2
x ** 2
x % 2 == 0

: scalar(상수)와의 연산

 

 

- shpae이 다른 경우의 연산

a = np.arange(12).reshape(4, 3)
b = np.arange(100, 103) #100부터 103까지 크기 3
c = np.arange(1000, 1004)
d = b.reshape(1, 3)

#b와 d의 shape 차이
print(a.shape)
print(b.shape) #크기가 3인 벡터! (3, )
print(c.shape)
print(d.shape) #1행 3열의 행렬! (1, 3)
print(d)

a + b

: 브로드캐스팅 발생 → 뒤에서부터 차원 비교, a(4*3) b(,*3)에서 3끼리 같고 차원 중 하나가 비어있기 때문!

 

a + c

: 연산 실패 → a(4*3) c(,*4)에서 뒤에서부터 차원 비교했을 때 3!=4 이므로!

 

a + d

: 브로드캐스팅 발생 → a(4*3) d(1*3) 뒤에서부터 비교했을 때 3==3, 둘 중 하나가 1이기 때문!

 

---

 

09. Boolean indexing으로 조건에 맞는 데이터 선택하기

 

- Boolean indexing

ndarray 인덱싱 시, bool 리스트를 전달하여 True인 경우의 원소만 필터링

브로드캐스팅을 활용하여 ndarray로부터 bool list 얻기 ex)짝수인 경우만 찾아보기

 

x = np.random.randint(1, 100, size=10)

#mask: 필터(조건->필터링)를 씌운다고 생각!
even_mask = x % 2 == 0

: 브로드캐스팅 발생 → 스칼라

 

x[even_mask] #위치가 True인 인덱스의 원소만 가져옴

: bool 리스트를 인덱스로 전달

 

x[x % 2 == 0]
x[x > 30]

: 조금 더 일반적인 표현

 

- 다중조건 사용하기

파이썬 논리 연산자인 and, or, not 키워드 사용 불가

& - AND

| - OR

 

x[(x % 2 == 0) & (x < 30)]
x[(x > 50) | (x < 30)]

 

- 예제) 2019년 7월 서울 평균기온 데이터

평균기온이 25도를 넘는 날 수는?

평균기온이 25를 넘는 날의 평균 기온은?

temp = np.array(
        [23.9, 24.4, 24.1, 25.4, 27.6, 29.7,
         26.7, 25.1, 25.0, 22.7, 21.9, 23.6, 
         24.9, 25.9, 23.8, 24.7, 25.6, 26.9, 
         28.6, 28.0, 25.1, 26.7, 28.1, 26.5, 
         26.3, 25.9, 28.4, 26.1, 27.5, 28.1, 25.8])

len(temp[temp > 25.0]) #21
np.sum(temp > 25.0) # temp > 25.0 -> True or False 리스트이므로 1 or 0 연산

: True or False로 이루어진 리스트 sum → 1과 0의 합 = 개수

 

np.mean(temp[temp > 25.0])

 

---

 

강의 링크: https://bit.ly/3cB3C8y