NumPy에서 np.array()와 np.asarray()의 차이점
2024-07-27
NumPy에서 np.array()와 np.asarray()의 차이점
복사 vs. 뷰
np.array(): 기본적으로 입력 데이터의 복사본을 만들어 새로운 NumPy 배열을 생성합니다. 즉, 원본 데이터와 별도의 메모리 공간에 새로운 배열이 저장됩니다.np.asarray(): 가능한 경우 입력 데이터의 뷰(view)를 반환합니다. 뷰는 원본 데이터를 참조하는 다른 배열입니다. 즉, 새로운 배열이 생성되지 않고 기존 데이터에 대한 다른 시각을 제공합니다. 입력 데이터가 이미 NumPy 배열인 경우np.asarray()는 해당 배열을 그대로 반환합니다.
데이터 유형 변환
np.array():dtype매개변수를 사용하여 입력 데이터의 데이터 유형을 변환할 수 있습니다. 원본 데이터의 유형과 다르면 새로운 배열이 생성됩니다.np.asarray(): 데이터 유형 변환을 수행하지 않습니다. 입력 데이터의 유형을 그대로 유지합니다.
성능
np.array(): 일반적으로np.asarray()보다 느립니다. 왜냐하면 항상 새로운 배열을 만들기 때문입니다.np.asarray(): 더 빠르게 작동합니다. 특히 입력 데이터가 이미 NumPy 배열인 경우 성능 향상이 두드러집니다.
메모리 사용
np.array(): 더 많은 메모리를 사용합니다. 왜냐하면 새로운 배열을 만들기 때문입니다.np.asarray(): 메모리 사용량이 적습니다. 기존 데이터를 참조하기 때문에 새로운 배열을 만들지 않습니다.
사용 시나리오
- 새로운 NumPy 배열을 만들고 데이터 유형을 변환해야 하는 경우
np.array()를 사용하십시오. - 성능과 메모리 사용이 중요한 경우
np.asarray()를 사용하는 것이 좋습니다.
예시
import numpy as np
# 리스트를 NumPy 배열로 변환
data = [1, 2, 3]
arr1 = np.array(data) # 새로운 배열 생성
arr2 = np.asarray(data) # 뷰 생성 (입력 데이터가 NumPy 배열이 아닌 경우)
print(arr1) # 출력: [1 2 3]
print(arr2) # 출력: [1 2 3]
# NumPy 배열을 변환
arr = np.arange(5)
new_arr1 = np.array(arr, dtype=float) # 데이터 유형 변환
new_arr2 = np.asarray(arr) # 데이터 유형 변환 안 됨
print(new_arr1) # 출력: [0. 1. 2. 3. 4.]
print(new_arr2) # 출력: [0 1 2 3 4]
NumPy에서 np.array()와 np.asarray() 비교 예제 코드
import numpy as np
# 리스트를 NumPy 배열로 변환
data = [1, 2, 3]
# np.array() 사용
arr1 = np.array(data)
print(f"np.array(data): {arr1}") # 출력: np.array(data): [1 2 3]
# np.asarray() 사용
arr2 = np.asarray(data)
print(f"np.asarray(data): {arr2}") # 출력: np.asarray(data): [1 2 3]
# id 확인: 동일한 배열을 참조하는지 확인
print(f"np.array(data) id: {id(arr1)}")
print(f"np.asarray(data) id: {id(arr2)}") # 출력: np.array(data) id: 1403640488
# np.asarray(data) id: 1403640488
# 원본 데이터 변경
data[0] = 10
# 변경 확인
print(f"data: {data}") # 출력: data: [10 2 3]
print(f"np.array(data): {arr1}") # 출력: np.array(data): [10 2 3]
print(f"np.asarray(data): {arr2}") # 출력: np.asarray(data): [10 2 3]
# NumPy 배열 변환
arr = np.arange(5)
# np.array() 사용, 데이터 유형 변환
new_arr1 = np.array(arr, dtype=float)
print(f"np.array(arr, dtype=float): {new_arr1}") # 출력: np.array(arr, dtype=float): [0. 1. 2. 3. 4.]
# np.asarray() 사용, 데이터 유형 변환 안 됨
new_arr2 = np.asarray(arr)
print(f"np.asarray(arr): {new_arr2}") # 출력: np.asarray(arr): [0 1 2 3 4]
설명:
data리스트를 만들고np.array()와np.asarray()를 사용하여 NumPy 배열로 변환합니다.id()함수를 사용하여 각 배열의 메모리 주소를 확인합니다.np.array()로 생성된 배열과np.asarray()로 생성된 배열은 동일한 메모리 위치를 참조한다는 것을 확인할 수 있습니다. 즉,np.asarray()는 원본 데이터의 뷰를 반환합니다.data리스트의 첫 번째 요소를 변경하고 각 배열의 값을 다시 출력합니다. 모든 배열에서 값이 변경되었음을 확인할 수 있습니다. 이는np.array()와np.asarray()가 모두 원본 데이터를 참조하기 때문입니다.np.arange(5)를 사용하여 NumPy 배열을 만듭니다.np.array()를 사용하여 데이터 유형을float로 변환합니다. 새로운 배열new_arr1은 데이터 유형이 변경되었음을 확인할 수 있습니다.
결론:
np.array()는 항상 새로운 배열을 만들고 원하는 경우 데이터 유형을 변환할 수 있습니다.np.asarray()는 가능한 경우 기존 데이터의 뷰를 반환하여 성능과 메모리 사용량을 향상시킵니다.
np.fromlist(): 1차원 배열을 만드는 데 유용합니다.
data = [1, 2, 3]
arr = np.fromlist(data)
print(arr) # 출력: [1 2 3]
np.fromiter(): 반복 가능한 객체에서 배열을 만드는 데 유용합니다.
data = iter([1, 2, 3])
arr = np.fromiter(data)
print(arr) # 출력: [1 2 3]
np.ones(): 특정 값으로 채워진 배열을 만드는 데 유용합니다.
arr = np.ones(5)
print(arr) # 출력: [1. 1. 1. 1. 1.]
arr = np.zeros(5)
print(arr) # 출력: [0. 0. 0. 0. 0.]
np.full(): 특정 값으로 채워진 배열을 만드는 데 유용합니다.np.ones()와 유사하지만 모든 요소에 동일한 값을 지정할 수 있습니다.
arr = np.full(5, 10)
print(arr) # 출력: [10. 10. 10. 10. 10.]
np.arange(): 등차수열을 만드는 데 유용합니다.
arr = np.arange(5)
print(arr) # 출력: [0 1 2 3 4]
np.linspace(): 선형 간격으로 값을 가진 배열을 만드는 데 유용합니다.
arr = np.linspace(0, 10, 5)
print(arr) # 출력: [ 0. 2. 4. 6. 8. 10.]
위에서 언급한 방법 외에도 NumPy에는 다양한 배열 생성 함수가 있습니다. 특정 상황에 가장 적합한 함수를 선택하는 것이 중요합니다.
참고:
np.fromlist()와np.fromiter()는 1차원 배열만 만들 수 있습니다. 다차원 배열을 만들려면np.array()또는np.asarray()를 사용해야 합니다.np.ones(),np.zeros(),np.full(),np.arange(),np.linspace()은 기본적으로 float64 데이터 유형을 사용합니다. 다른 데이터 유형을 원하는 경우dtype매개변수를 사용하여 지정할 수 있습니다.
python arrays numpy
