데이터사이언스 기록기📚

1. broadcasting - (연산 가능한) 두 ndarrat가 다른 shape을 가지는 경우 사용 - 활용 뒷 차원부터 비교하여 shape이 같을 때 차원 중 값이 1인 것이 존재할 때 가능 뒷 차원의 Shape이 같은 경우 - b의 행이 4개로 늘어나서 연산 a = np.arange(12).reshape(4,3) # [[ 0 1 2] # [ 3 4 5] # [ 6 7 8] # [ 9 10 11]] b = np.arange(100,103) # [100 101 102] # b가 a의 뒷차원값과 맞아서 가능 a + b # array([[100, 102, 104], # [103, 105, 107], # [106, 108, 110], # [109, 111, 113]]) 뒷 차원의 Shape이 다른 경우 -..

1. 1차원 데이터에 적용하기 - axis : 해당 axis를 따라서 연산 적용 - 1차원은 axis = 0만 적용. x = np.arange(15) print(x) # [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] # 축을 따라서 연산 np.sum(x, axis = 0)# 105 # 1차원이어서 axis = 0까지만 가능 np.sum(x, axis = 1)# Error! 2. 2차원 데이터에 적용하기 y = x.reshape(3,5) print(y) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]] # 행 axis = 0, 열 axis = 1 print(np.sum(y, axis = 0)) # [15 18 21 24 27] print(np...

1. 연산 함수 1) add import numpy as np x = np.arange(15).reshape(3,5) y = np.random.rand(15).reshape(3,5) print(x) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]] print(y) # [[0.70289565 0.06326522 0.53205322 0.93712744 0.06747579] # [0.76030664 0.90283428 0.08326617 0.80178212 0.92180257] # [0.39573596 0.18643768 0.4006741 0.95827514 0.28076342]] # 둘 다 출력값 동일 np.add(x,y) x + y # array([[ 0.70289..

1. 다차원 배열을 1차원으로 변경 1) ravel - np.ravel(x), x.ravel()은 동일하게 출력 x = np.arange(15).reshape(3,5) print(x) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]] # 값 동일 np.ravel(x) x.ravel() # array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]) - order 파라미터 : 'C'는 row 우선변경, 'F'는 column 우선변경 'C'가 기본 옵션 np.ravel(x) # array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]) np.ravel(x, order = 'F'..