인텔 AI 교육 - Module-10(NumPy, Pandas, matplotlib)

(해당 자료들은 인텔 AI for Future Workforce내용을 학습하고 가공한 내용입니다.)

 

< Module - 10 >

 

#NumPy

1. NumPy 배열

• 동일한 데이터 유형 값들의 격자 조합
• 각 요소는 0부터 시작되는 인덱싱 값을 가진다.
• Shape는 arrays(배열)의 크기

>>> import numpy as np

>>> a = np.array([1, 3, 5])

*아래부터는 'import numpy as np'를 예시에서 생략하였습니다.

 

2. NumPy 배열 인덱싱

• 슬라이싱의 결과는 항상 원본의 하위 배열
• 정수 배열 인덱싱 구성 시 다른 배열의 데이터를 사용해 임의의 배열을 구성 가능하다.
• 'array[시작값 : 끝값]'를 통해 인덱싱

>>> a = np.array([1, 2, 3])
>>> print(a[0:2])
[1 2]

 

3. NumPy 배열 데이터 유형

• NumPy는 자체적으로 데이터 유형을 선택 가능
• 'dtype=datatype'을 사용해 직접 할당

>>> a = np.array([1, 2, 3], dtype=np.int64)
>>> print(a.dtype)
int64

 

4. NumPy  배열 수학 연산

• NumPy 자체에 내장된 연산자와 함수를 사용한다.
• 배열에 정수형이나 실수형일 경우 각 항끼리 더할 수 있다.

>>> a = np.array([1, 2, 3])
>>> b = np.array([4, 5, 6])
>>> print(a + b)
[5 7 9]

 

5. NumPy 배열 정렬

• 배열 요소를 정렬하는 내장 함수이다.
• 동일한 배열에 대해 슬라이스와 정렬을 할 수 있다.

>>> a = np.array([5, 3, 1, 2])
>>> print(np.sort(a))
[1 2 3 5]

 

6. NumPy 배열 조작

• 'array.reshape(배열 형태)'를 통해 모양을 바꿀 수 있다.
• 요소값은 변경되지 않는다.

>>> a = np.arange(10)
>>> #a = ([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.reshape(5, 2)
>>> print(a)
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])

 

 

#Pandas

>>> import pandas as pd

  2D 배열을 지원하며 다양한 입력을 지원한다. 특히 .csv 파일을 읽는 기능을 자주 사용하게 된다.

 

 

#Matplotlib

  고품질의 데이터 시각화를 위한 Python의 2차원 그래프 라이브러리로 몇 줄 만으로 간단하게 복잡한 그래프를 만들 ㅅ ㅜ있어 높은 사용성을 가짐

>>> import numpy as np

>>> # evenly sampled time at 200ms intervals
>>> t = np.arange(0., 5., 0.2)

>>> # red dashes, blue squares and green triangles
>>> plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
>>> plt.show()

matplotlib.org 참조