NumPy에서 ndarray와 array의 차이점
2024-07-27
정의
- ndarray:
NumPy에서 다차원 배열을 나타내는 기본 클래스입니다. - array:
ndarray를 생성하는 함수 또는ndarray자체를 나타낼 수 있습니다. 혼란스러울 수 있지만, 일반적으로array는ndarray를 의미하는 용어로 사용됩니다.
성능
- ndarray: C 언어로 작성되어 있어 속도가 매우 빠릅니다.
- array:
array함수는ndarray를 생성하는 데 사용되지만, 추가적인 처리 과정이 있을 수 있어ndarray보다 느릴 수 있습니다.
메모리 사용
- ndarray: 데이터를 효율적으로 저장하도록 설계되어 메모리 사용량을 최소화합니다.
- array:
array함수는 데이터 복사본을 만들 수 있어ndarray보다 더 많은 메모리를 사용할 수 있습니다.
사용법
- ndarray:
ndarray는 직접 생성하거나np.array()함수를 사용하여 생성할 수 있습니다. - array:
array함수는 다양한 유형의 데이터를ndarray로 변환하는 데 사용됩니다. 리스트, 튜플, 심지어 다른ndarray를array함수에 입력할 수 있습니다.
요약
array는ndarray를 생성하는 함수 또는ndarray자체를 나타낼 수 있습니다.ndarray는 속도가 빠르고 메모리 사용량이 적지만,array함수는 사용하기 편리합니다.- 일반적으로 과학 계산에는
ndarray를 직접 사용하고, 간단한 작업에는array함수를 사용하는 것이 좋습니다.
예시 코드:
import numpy as np
# ndarry 직접 생성
arr1 = np.array([1, 2, 3])
print(type(arr1)) # <class 'numpy.ndarray'>
# array 함수 사용
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(type(arr2)) # <class 'numpy.ndarray'>
# 리스트 변환
arr3 = np.array([4, 5, 6])
print(arr3 + arr1) # [5 7 9]
NumPy 예제 코드
배열 생성:
import numpy as np
# 1차원 배열
arr1 = np.array([1, 2, 3, 4, 5])
# 2차원 배열
arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 3차원 배열
arr3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
# 특정 값으로 채워진 배열
arr4 = np.zeros(10) # 모든 값이 0인 1차원 배열
arr5 = np.ones((2, 3)) # 모든 값이 1인 2차원 배열
# 범위 기반 배열
arr6 = np.arange(10, 20, 2) # 10에서 19까지 2씩 증가하는 1차원 배열
배열 연산:
import numpy as np
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([6, 7, 8, 9, 10])
# 사칙연산
print(arr1 + arr2) # [ 7 9 11 13 15]
print(arr1 - arr2) # [-5 -5 -5 -5 -5]
print(arr1 * arr2) # [ 6 14 24 36 50]
print(arr1 / arr2) # [0.16666667 0.28571429 0.375 0.44444444 0.5]
# 행렬 연산
m1 = np.array([[1, 2], [3, 4]])
m2 = np.array([[5, 6], [7, 8]])
print(np.dot(m1, m2)) # [[19 22] [43 50]]
인덱싱 및 슬라이싱:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 특정 원소 추출
print(arr[0, 1]) # 2 (행 0, 열 1의 원소)
# 행 또는 열 전체 추출
print(arr[0, :]) # [1 2 3] (행 0의 모든 열)
print(arr[:, 1]) # [2 5 8] (모든 행의 열 1)
# 서브 배열 추출
print(arr[1:2, 0:2]) # [[4 5] [7 8]] (행 1에서 2까지, 열 0에서 2까지)
통계 함수:
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# 평균 계산
print(np.mean(arr)) # 3.0
# 표준 편차 계산
print(np.std(arr)) # 1.5811388300841898
# 최댓값 계산
print(np.max(arr)) # 5
# 최솟값 계산
print(np.min(arr)) # 1
조건부 연산:
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# 조건에 맞는 원소 추출
even = arr[arr % 2 == 0] # 짝수 원소만 포함하는 배열
print(even) # [2 4]
# 조건에 맞는 값 변경
arr[arr > 3] = 100
print(arr) # [1 2 3 100 100]
NumPy에서 ndarray를 대체하는 방법
리스트:
- 장점:
- 간단하고 사용하기 쉬움
- 다른 Python 데이터 구조와 호환성이 높음
- 단점:
ndarray보다 느림- 메모리 사용량이 더 많을 수 있음
- 복잡한 연산에 적합하지 않음
예제:
import numpy as np
# 리스트 생성
data = [1, 2, 3, 4, 5]
# 리스트 연산
result = [x * 2 for x in data]
print(result) # [2, 4, 6, 8, 10]
튜플:
- 장점:
- 변경 불가능한 데이터 저장에 유용
- 리스트와 유사한 메서드 지원
- 단점:
import numpy as np
# 튜플 생성
data = (1, 2, 3, 4, 5)
# 튜플 연산
result = tuple(x * 2 for x in data)
print(result) # (2, 4, 6, 8, 10)
Pandas DataFrames:
- 장점:
- 행과 열로 구성된 표 형식 데이터 저장에 적합
- 인덱싱, 필터링, 분석 등 다양한 기능 제공
- 단점:
ndarray보다 느릴 수 있음- 과학 계산에는 적합하지 않을 수 있음
import pandas as pd
# DataFrame 생성
data = {'x': [1, 2, 3, 4, 5], 'y': [2, 4, 6, 8, 10]}
df = pd.DataFrame(data)
# DataFrame 연산
result = df['y'] * 2
print(result) # 0 2
# 1 4
# 2 6
# 3 8
# 4 10
커스텀 데이터 구조:
- 장점:
- 특정한 요구 사항에 맞게 데이터 구조를 정의할 수 있음
- 성능과 메모리 사용량을 최적화할 수 있음
- 단점:
- 복잡하고 구현하기 어려울 수 있음
- NumPy와의 호환성이 없을 수 있음
class MyData:
def __init__(self, data):
self.data = data
def __getitem__(self, i):
return self.data[i]
def __len__(self):
return len(self.data)
# 커스텀 데이터 구조 생성
data = MyData([1, 2, 3, 4, 5])
# 사용자 정의 데이터 구조 연산
result = [x * 2 for x in data]
print(result) # [2, 4, 6, 8, 10]
결론:
ndarray는 대부분의 NumPy 작업에 최적의 선택이지만, 특정 상황에서는 다른 데이터 구조를 사용하는 것이 더 적합할 수 있습니다.
어떤 데이터 구조를 사용할지 결정할 때는 다음 요소들을 고려해야 합니다:
- 성능
- 메모리 사용량
- 기능
- 코드의 명확성 및 유지 관리 용이성
python arrays numpy
