NumPy 배열 초기화하기 (Python, Arrays, NumPy)

NumPy 배열 초기화하기 (Python, Arrays, NumPy)

NumPy 배열을 초기화하는 방법은 여러 가지가 있습니다. 가장 일반적인 방법은 다음과 같습니다.

np.array 사용하기

import numpy as np

# 1차원 배열 생성
array_1d = np.array([1, 2, 3, 4, 5])

# 2차원 배열 생성
array_2d = np.array([[1, 2, 3], [4, 5, 6]])

# 특정 값으로 채워진 배열 생성
array_filled = np.full((3, 3), 7)  # 모든 값을 7로 채움

np.zeros 사용하기

import numpy as np

# 0으로 채워진 1차원 배열 생성
array_zeros_1d = np.zeros(10)

# 0으로 채워진 2차원 배열 생성
array_zeros_2d = np.zeros((2, 3))

np.ones 사용하기

import numpy as np

# 1로 채워진 1차원 배열 생성
array_ones_1d = np.ones(5)

# 1로 채워진 2차원 배열 생성
array_ones_2d = np.ones((4, 2))

특정 값으로 초기화하기

import numpy as np

# 특정 값으로 채워진 1차원 배열 생성
array_specific = np.array([10, 20, 30])

범위 지정하기

import numpy as np

# 0부터 9까지의 값으로 채워진 1차원 배열 생성
array_arange = np.arange(10)

# 1부터 4까지 1씩 증가하는 값으로 채워진 1차원 배열 생성
array_arange_with_step = np.arange(1, 5, 1)

다양한 데이터 형식 사용하기

import numpy as np

# float 형식의 배열 생성
array_float = np.array([1.0, 2.0, 3.0])

# 문자열 형식의 배열 생성
array_string = np.array(['apple', 'banana', 'orange'])

NumPy 함수 사용하기

NumPy는 배열을 초기화하는 데 유용한 다양한 함수를 제공합니다.

• np.linspace: 등 간격으로 값을 생성합니다.
• np.random.rand: 0에서 1 사이의 균일 난수로 채운 배열을 생성합니다.
• np.random.randn: 평균이 0이고 표준 편차가 1인 표준 정규 분포 난수로 채운 배열을 생성합니다.

이 외에도 NumPy 배열을 초기화하는 다양한 방법들이 있습니다.

더 자세한 내용은 NumPy 공식 문서를 참고하십시오: https://numpy.org/doc/

NumPy 배열 초기화 예제 코드 (Python)

np.array 사용하기

import numpy as np

# 1차원 배열 생성
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)

# 2차원 배열 생성
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d)

# 특정 값으로 채워진 배열 생성
array_filled = np.full((3, 3), 7)
print(array_filled)

출력:
[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]
[[7 7 7]
 [7 7 7]
 [7 7 7]]

np.zeros 사용하기

import numpy as np

# 0으로 채워진 1차원 배열 생성
array_zeros_1d = np.zeros(10)
print(array_zeros_1d)

# 0으로 채워진 2차원 배열 생성
array_zeros_2d = np.zeros((2, 3))
print(array_zeros_2d)

출력:
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[[0. 0. 0.]
 [0. 0. 0.]]

np.ones 사용하기

import numpy as np

# 1로 채워진 1차원 배열 생성
array_ones_1d = np.ones(5)
print(array_ones_1d)

# 1로 채워진 2차원 배열 생성
array_ones_2d = np.ones((4, 2))
print(array_ones_2d)

출력:
[1. 1. 1. 1. 1.]
[[1. 1.]
 [1. 1.]
 [1. 1.]
 [1. 1.]]

특정 값으로 초기화하기

import numpy as np

# 특정 값으로 채워진 1차원 배열 생성
array_specific = np.array([10, 20, 30])
print(array_specific)

출력:
[10 20 30]

범위 지정하기

import numpy as np

# 0부터 9까지의 값으로 채워진 1차원 배열 생성
array_arange = np.arange(10)
print(array_arange)

# 1부터 4까지 1씩 증가하는 값으로 채워진 1차원 배열 생성
array_arange_with_step = np.arange(1, 5, 1)
print(array_arange_with_step)

출력:
[0 1 2 3 4 5 6 7 8 9]
[1 2 3 4]

다양한 데이터 형식 사용하기

import numpy as np

# float 형식의 배열 생성
array_float = np.array([1.0, 2.0, 3.0])
print(array_float.dtype)

# 문자열 형식의 배열 생성
array_string = np.array(['apple', 'banana', 'orange'])
print(array_string.dtype)

출력:
float64
<U8

NumPy 함수 사용하기

NumPy는 배열을 초기화하는 데 유용한 다양한 함수를 제공합니다. 다음은 몇 가지 예입니다.

• np.linspace: 등 간격으로 값을 생성합니다.

import numpy as np

array_linspace = np.linspace(0, 10, 5)  # 0부터 10까지 5개의 등 간격 값
print(

기존에 설명드린 방법 외에도 몇 가지 대체 방법을 소개합니다.

리스트를 사용하기

import numpy as np

# 리스트로부터 1차원 배열 생성
list_data = [1, 2, 3, 4, 5]
array_from_list = np.array(list_data)
print(array_from_list)

# 리스트로부터 2차원 배열 생성
list_data_2d = [[1, 2, 3], [4, 5, 6]]
array_from_list_2d = np.array(list_data_2d)
print(array_from_list_2d)

출력:
[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]

np.fromfile 사용하기

import numpy as np

# 텍스트 파일로부터 1차원 배열 생성
with open('data.txt', 'r') as f:
    data = f.read().split()
array_from_file = np.fromfile(data, dtype=np.float)
print(array_from_file)

# data.txt 파일에 1, 2, 3, 4, 5 값이 공백으로 구분되어 저장되어 있다고 가정합니다.
출력:
[1. 2. 3. 4. 5.]

np.frombuffer 사용하기

import numpy as np

# 바이너리 버퍼로부터 2차원 배열 생성
data_buffer = bytearray([1, 2, 3, 4, 5, 6, 7, 8, 9, 12])
array_from_buffer = np.frombuffer(data_buffer, dtype=np.int8).reshape(3, 3)
print(array_from_buffer)

출력:
[[1 2 3]
 [4 5 6]
 [7 8 9]]

특수 문자 사용하기

import numpy as np

# 특수 문자로 채워진 1차원 배열 생성
array_special = np.full((5,), '?')
print(array_special)

출력:
['?' '?' '?' '?' '?']

이 외에도 다양한 방법으로 NumPy 배열을 초기화할 수 있습니다.

어떤 방법을 사용할지는 특정 상황과 필요에 따라 결정해야 합니다.

더 자세한 내용은 NumPy 공식 문서를 참고하십시오: https://numpy.org/doc/stable/