
import numpy as np


data = [[1,2,3],[4,5,6],[7,8,9]]
a = np.array(data)
a
#ndarray

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])


a.dtype

dtype('int32')


type(a)

numpy.ndarray


a = a.astype(np.float32)    #a = a.astype('float32')
a

array([[1., 2., 3.],
       [4., 5., 6.],
       [7., 8., 9.]], dtype=float32)


a[0][1]

2.0


np.arange(1,10,2)   #(start,stop,step)

array([1, 3, 5, 7, 9])


np.arange(1,10).reshape(3,3)    #3x3행렬

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])


np.arange(1,13).reshape(3,2,2)  #3차원행렬

array([[[ 1,  2],
        [ 3,  4]],

       [[ 5,  6],
        [ 7,  8]],

       [[ 9, 10],
        [11, 12]]])


np.nan * 10 #결측치 None 과 같다 평균을 낼때 주로 사용

nan


a[0][1] = np.nan
a   #float 형에서만 nan을 사용할 수 있다.int형에서는 사용 불가

array([[ 1., nan,  3.],
       [ 4.,  5.,  6.],
       [ 7.,  8.,  9.]], dtype=float32)


a = np.linspace(1,10,20)    #(초기값,종료값,개수) step이 아님에 주의
a

array([ 1.        ,  1.47368421,  1.94736842,  2.42105263,  2.89473684,
        3.36842105,  3.84210526,  4.31578947,  4.78947368,  5.26315789,
        5.73684211,  6.21052632,  6.68421053,  7.15789474,  7.63157895,
        8.10526316,  8.57894737,  9.05263158,  9.52631579, 10.        ])


data = np.arange(1,10).reshape(3,3)
data

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])


data + data

array([[ 2,  4,  6],
       [ 8, 10, 12],
       [14, 16, 18]])


data - data

array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])


data * data

array([[ 1,  4,  9],
       [16, 25, 36],
       [49, 64, 81]])


data / data

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])


np.dot(data,data)   #행렬 곱

array([[ 30,  36,  42],
       [ 66,  81,  96],
       [102, 126, 150]])


data @ data     #행렬곱

array([[ 30,  36,  42],
       [ 66,  81,  96],
       [102, 126, 150]])


# 0차원 : 스칼라
a = np.array(1)
a
a.shape #a의 모양
a.ndim  #0차원

()


# 1차원 : 벡터
a = np.array([1])
a
a.shape # a 의 모양
a.ndim  # 1차원

1


# 1차원 : 벡터
a = np.array([1,2,3,4,5])
a
a.shape # a 의 모양
# a.ndim  # 1차원

(5,)


# 2차원 : 메트릭스
a = np.array([[1,2,3],[4,5,6]])
a
a.shape #2X3 행렬
a.ndim

2


#3차원 : 3차원 이상의 다차원의 행렬을 Tensor
a = np.array([[[1,2],[3,4],[5,6]], [[7,8],[9,10],[11,12]]])
a
a.shape
a.ndim

3


a = np.arange(12).reshape(2,3,2)    #2x3x2 행렬
a

array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])


b = np.ones(12).reshape(2,3,2)  #1로 채워진 2x3x2 행렬
b

array([[[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]]])


c = np.zeros(12).reshape(2,3,2)  #0으로 채워진 2x3x2 행렬
c

array([[[0., 0.],
        [0., 0.],
        [0., 0.]],

       [[0., 0.],
        [0., 0.],
        [0., 0.]]])


d = np.eye(3)   #3x3 단위행렬
d

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])


f = np.empty([2,3]) #0에 가까운 값들로 채움
f

array([[4.63939877e-308, 5.64938534e+036, 1.78409531e+046],
       [4.32950182e-035, 8.72433218e-026, 1.57234264e-063]])


g = np.full((3,4),1000)     #1000으로 채운 3X4행렬
g

array([[1000, 1000, 1000, 1000],
       [1000, 1000, 1000, 1000],
       [1000, 1000, 1000, 1000]])


h = np.linspace(2,10,6) #2부터 10 까지 선형으로 채워진 행렬
h

array([ 2. ,  3.6,  5.2,  6.8,  8.4, 10. ])


a = np.arange(10).reshape(2,5)
a

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])


a[0][0] = 100
a

array([[100,   1,   2,   3,   4],
       [  5,   6,   7,   8,   9]])


a[0,1] = 1000   #0행 1열에 1000대입
a

array([[ 100, 1000,    2,    3,    4],
       [   5,    6,    7,    8,    9]])


np.mean(a)  #평균

114.4


np.median(a)  #중간값

6.5


np.std(a)   #표준편차

296.5485457728633


np.var(a)   #분산

87941.04


np.sum(a)   #합계

1144


np.sum(a, axis = 0) #column의 합

array([ 105, 1006,    9,   11,   13])


np.sum(a, axis = 1) #row의 합

array([1109,   35])


np.max(a)   #마찬가지로 min, max 또한 axis 설정 가능

1000


np.min(a)

2


import pandas as pd


data = np.arange(0,50,10)
data

array([ 0, 10, 20, 30, 40])


a = pd.Series(data,index=['a','b','c','d','e']) #인덱스 설정
a

a     0
b    10
c    20
d    30
e    40
dtype: int32


b = pd.Series(data) #인덱스 미설정
b

0     0
1    10
2    20
3    30
4    40
dtype: int32


a['b']

10


a.loc['b']  #명시적 인덱스

10


a.iloc[1]   #순서(암시적 인덱스)

10


a+10
a-10
a*10
a**2
a/5
a//5
a%3

a    0
b    1
c    2
d    0
e    1
dtype: int32

a

a     0
b    10
c    20
d    30
e    40
dtype: int32


a > 15

a    False
b    False
c     True
d     True
e     True
dtype: bool


a[a > 15]   #boolean indexing   15보다 큰 값들 indexing

c    20
d    30
e    40
dtype: int32


a.add(100)

a    100
b    110
c    120
d    130
e    140
dtype: int32


a.sub(100)

a   -100
b    -90
c    -80
d    -70
e    -60
dtype: int32


a.mul(100)

a       0
b    1000
c    2000
d    3000
e    4000
dtype: int32


a.div(100)

a    0.0
b    0.1
c    0.2
d    0.3
e    0.4
dtype: float64


a.mod(100)  #나머지

a     0
b    10
c    20
d    30
e    40
dtype: int32


a.min()

0


a.max()

40


a.sum()

100


a.mean()

20.0


a.median()

20.0


a.std()

15.811388300841896


a.var()

250.0


rawData = np.random.randint(50,100,size=(4,3))  #50부터 100 사이의 4X3행렬
rawData

array([[73, 92, 93],
       [51, 78, 83],
       [58, 72, 57],
       [90, 87, 91]])


df = pd.DataFrame(rawData,index =['1반','2반','3반','4반'],columns=['국','영','수'])
df


#df[0] -> Error
df['국']    #column 값이 먼저 들어감 리스트와의 차이

1반    73
2반    51
3반    58
4반    90
Name: 국, dtype: int32


df['평균'] = round((df['국'] + df['영'] + df['수'])/3,2)  
df


df['na'] = np.nan   #결측치
df


del df['na']    #column 지우기
df


df[df.평균 > 75]    #평균 75점 이상만 출력(boolean indexing)


df = df.drop(['평균'], axis= 'columns')  #평균 drop 축은 columns
df


df = df.astype('float64')
df


df['수'][2] = np.nan
df


df.dropna(axis = 0)     #원본변경 X, 원본변경원할경우 inplace =True


# df.dropna(axis =0, inplace=True)
# df


df.dropna(axis = 1) #column 단위 삭제


df.fillna('hello')  #결측값 문자열로 채우기


df.fillna(df.mean())    #결측값 평균으로 채우기


df.fillna(0)    #결측값 0으로 채우기

df


df.T    #column 과 row 바꾸기


df.index = [['1학년','1학년','2학년','2학년'],['1반','2반','1반','2반']]
df


df.columns = [['언어','언어','수리'],['국','영','수']]
df


df['언어']['국']    #column 값 출력

1학년  1반    73.0
     2반    51.0
2학년  1반    58.0
     2반    90.0
Name: 국, dtype: float64


df.iloc[0]  #row 값 출력

언어  국    73.0
    영    92.0
수리  수    93.0
Name: (1학년, 1반), dtype: float64


df.loc['1학년']


df.info()   #dataframe의 기본 정보

<class 'pandas.core.frame.DataFrame'>
MultiIndex: 4 entries, ('1학년', '1반') to ('2학년', '2반')
Data columns (total 3 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   (언어, 국)  4 non-null      float64
 1   (언어, 영)  4 non-null      float64
 2   (수리, 수)  3 non-null      float64
dtypes: float64(3)
memory usage: 384.0+ bytes


df.head()   #맨 처음 데이터 5개 까지


df.tail()   #맨 마지막 데이터 5개 까지


df.dtypes

언어  국    float64
    영    float64
수리  수    float64
dtype: object


df.describe()  #평균 표준편차 분위값


df.isnull() #결측치 판단


df.isnull().sum()   #결측치 개수 None 값도 결측치로 판단

언어  국    0
    영    0
수리  수    1
dtype: int64


a = pd.DataFrame(np.arange(1,10).reshape(3,3))
a


b = pd.Series(np.arange(10,40,10))
b

0    10
1    20
2    30
dtype: int32


pd.concat([a,b],axis = 1)   #옆으로 합치기


pd.concat([a,b],axis = 1,ignore_index=True)   #옆으로 합치기, 인덱스 연속


a.append(b, ignore_index=True)  #밑에 합치기 , 인덱스 연속

	언어		수리
	국	영	수
count	4.000000	4.000000	3.000000
mean	68.000000	82.250000	89.000000
std	17.301252	8.958236	5.291503
min	51.000000	72.000000	83.000000
25%	56.250000	76.500000	87.000000
50%	65.500000	82.500000	91.000000
75%	77.250000	88.250000	92.000000
max	90.000000	92.000000	93.000000

30분 요약 강좌 시즌2 : Python 활용편 - 섹션3. Numpy와 Pandas

1.Numpy¶

연산¶

차원¶

matrix의 유형¶

집계함수¶

2.pandas¶

집계함수¶

DataFrame¶

결측값 처리¶

MultiIndex¶

데이터 사전 분석¶

값의 연결¶

	국	영	수	평균
1반	73	92	93	86.00
2반	51	78	83	70.67
3반	58	72	57	62.33
4반	90	87	91	89.33

	국	영	수
1반	73.0	92.0	93.0
2반	51.0	78.0	83.0
3반	58.0	72.0	57.0
4반	90.0	87.0	91.0

		국	영	수
1학년	1반	73.0	92.0	93.0
1학년	2반	51.0	78.0	83.0
2학년	1반	58.0	72.0	NaN
2학년	2반	90.0	87.0	91.0

		언어		수리
		국	영	수
1학년	1반	False	False	False
1학년	2반	False	False	False
2학년	1반	False	False	True
2학년	2반	False	False	False