[Numpy] #2 ndarray의 속성 기초문법 공부하기 2

 

 

 

 

- numpy.ndarray의 속성

• ndarray.ndim

- ndarray.ndim은 "Number of array dimensions(배열 차원의 수)"이다.

 

import numpy as np

scalar_np = np.array(1)
vector_np = np.array([1,2,3])
matrix_np = np.array([[1,2],[3,4]])
tensor_np = np.array([[[1, 2, 3],
                    [4, 5, 6]],
 
                    [[11, 12, 13],
                    [14, 15, 16]]])


print(scalar_np.ndim)   # 0
print(vector_np.ndim)   # 1
print(matrix_np.ndim)   # 2
print(tensor_np.ndim)   # 3

 

위 코드의 변수명으로 쓰이고 있는- Scalar(스칼라) : 0차원, 하나의 숫자- Vector(벡터) : 1차원, Scalar가 모인 배열- matrix(매트릭스) : 2차원, Vector가 모인 배열- tensor(텐서) : 3차원이상, (배열 일반을 나타내는 표현) 

정도로 이해하면 되겠다.

 

그러한 맥락에서 ndarray.ndim은 해당 배열의 차원을 나타내는 ndarray의 속성이다.

 

• ndarray.shape

- ndarray.shape는 "Tuple of array dimensions(배열 차원의 튜플)"이다.

- shape의 뜻 그대로 "배열의 모양"으로 받아들여도 무방하겠다.

scalar_np = np.array(1)
vector_np = np.array([1,2,3])
matrix_np = np.array([[1,2],[3,4]])
tensor_np = np.array([[[1,2,3],
                        [4,5,6]],
            
                        [[7,8,9],
                        [10,11,12]]])

print(scalar_np.shape)	# ()
print(vector_np.shape)	# (3,)
print(matrix_np.shape)	# (2, 2)
print(tensor_np.shape)	# (2, 2, 3)

 

- scalar_np의 경우에는 scalar로서 0차원이므로, 배열의 모양이랄게 없으니 패스

 

- vector_np의 경우에는 "1,2,3"을 요소로 갖는 1차원 배열이므로,

요소의 개수인 3칸짜리 1차원 배열이라는 의미의 (3, )

 

- matrix_np의 경우에는 좀 더 보기편하게 펼쳐보면

 

$$ \left[\begin{matrix}1 & 2 \\3 & 4 \\\end{matrix}\right] $$

이러한 모양일 것이다. matrix_np가 2개의 요소를 가지고 있는데, 그 요소가 vector인 것이다.

첫번째 요소는 "1, 2"라는 1차원 배열, 두번째 요소는 "3, 4"라는 1차원 배열

이럴 경우, 2칸짜리 배열안의 각각의 칸에 2칸짜리 배열이 들어있으니 (2, 2)

 

- tensor_np의 경우에는 좀 더 보기 편하게 펼쳐보면

 

$$ \left[\begin{matrix}1 & 2 & 3 \\ 4 & 5 & 6 \\\end{matrix}\right] \left[\begin{matrix}7 & 8 & 9 \\ 10 & 11 & 12 \\\end{matrix}\right] $$

 

이러한 모양일 것이다. 앞내용과 연결지어 생각해보면, 앞선 matrix_np와 같은 2차원 배열이 2개인 경우이다.

tensor_np가 2개의 요소를 가지고 있고, 그 각각의 요소가 2개의 요소를 가지고 있고, 또, 그 각각의 요소가 3개의 요소를 가지고 있다.

이럴 경우, 2칸짜리 배열안에 2칸짜리 배열안에 3칸짜리 배열이므로, (2, 2, 3)

 

• ndarray.shape의 활용, ndarray.reshape()

- 다른 속성들보다 모양을 나타내는 shape 속성은 활용도가 높은 편이다.

- 이때 shape 속성을 활용하는 메소드가 reshape()이다.

 

예를 들어

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

b = np.linspace(11, 19, 9)
print(b)    # [11. 12. 13. 14. 15. 16. 17. 18. 19.] 요소의 개수:9

b = b.reshape(a.shape)
print(b)    #   [[11. 12. 13.]
            #  [14. 15. 16.]
            #  [17. 18. 19.]]
            
print("result: ", a + b)

요소의 개수가 적절할 경우, 행렬의 모양을 바꿔 연산 처리를 하는 식으로 활용할 수 있다.

 

 

• ndarray.size

- ndarray.size는 "Number of elements in the array(배열의 요소 수)"이다.

- "the product of the array’s dimensions(배열의 차원들의 곱)"과 같습니다.

 

scalar_np = np.array(1)
vector_np = np.array([1,2,3])
matrix_np = np.array([[1,2],[3,4]])
tensor_np = np.array([[[1,2,3],
                        [4,5,6]],
            
                        [[7,8,9],
                        [10,11,12]]])

print(scalar_np.size, ' / ', scalar_np.shape)	# 1  /  ()
print(vector_np.size, ' / ', vector_np.shape)	# 3  /  (3,)
print(matrix_np.size, ' / ', matrix_np.shape)	# 4  /  (2, 2)
print(tensor_np.size, ' / ', tensor_np.shape)	# 12  /  (2, 2, 3)

- scalar_np의 경우에는 scalar로서 0차원이자, 하나의 숫자를 뜻하므로, size는 1이다.

- vector_np의 경우에는 "1,2,3"을 요소로 가지므로, size는 3이다.

- matrix_np의 경우에는 "1,2", "3,4"를 요소로 가지므로, size는 4이다.

- tensor_np의 경우에는 "1,2,3", "4,5,6", "7,8,9", "10,11,12"를 요소로 가지므로, size는 12이다.

 

- 이와 관련해서 규칙을 찾아보면, size는 shape로 나타내는 배열의 모양의 곱이다.

 

scalar_np : 하나의 정수 = 1

vector_np : 3개의 요소 * 1차원 = 3

matrix_np : 2개의 요소 안에 * 2개의 요소 = 4

tensor_np : 2개의 요소 안에  * 2개의 요소, 그리고 그안에 * 3개의 요소 = 12

 

 

• ndarray.dtype, itemsize

- ndarray.dtype은 "Data-type of the array’s elements(배열의 요소의 데이터타입)"이다.

- numpy는 데이터의 효율적인 활용을 위해 데이터 타입 설정을 지원한다.

- 작게는 MB단위, 크게는 TB단위 이상의 데이터를 처리하다보면, 메모리 공간의 낭비를 줄임으로서 속도를 높이고, 컴퓨터의 부하를 줄이는데 큰 도움이 될 수 있다.

 

int8_np = np.array([1,2,3], dtype=np.int8)
int16_np = np.array([1,2,3], dtype=np.int16)
int32_np = np.array([1,2,3], dtype=np.int32)
int64_np = np.array([1,2,3], dtype=np.int64)

uint8_np = np.array([1,2,3], dtype=np.uint8)
uint16_np = np.array([1,2,3], dtype=np.uint16)
uint32_np = np.array([1,2,3], dtype=np.uint32)
uint64_np = np.array([1,2,3], dtype=np.uint64)


float32_np = np.array([1,2,3], dtype=np.float32)
float64_np = np.array([1,2,3], dtype=np.float64)

print("Integer: {}/{}/{}/{}".format(int8_np.dtype, int16_np.dtype,
                                    int32_np.dtype, int64_np.dtype))
print("Unsigned Integer: {}/{}/{}/{}".format(uint8_np.dtype, uint16_np.dtype,
                                    uint32_np.dtype, uint64_np.dtype))
print("Floating Point: {}/{}".format(float32_np.dtype, float64_np.dtype))

이와 같이 Integer, Unsigned Integer, Floating point + 8,16,32,64 등의 데이터 타입을 지원하고

 

ones = np.ones(shape=(10, 5, 3, 2))		# np.ones() 요소들의 값을 1로 채운 배열 return

print("size:", ones.size)	# size: 300(= 10 * 5 * 3 * 2)
print("dtype/itemsize: {} / {}\n".format(ones.dtype, ones.itemsize))	# dtype/itemsize: float64 / 8

m_cap = ones.size * ones.itemsize	# 300 * 8 (byte)

print("메모리 용량 in B: {}B".format(m_cap))	# 2400B
print("메모리 용량 in KB: {}KB".format(m_cap/1024))	# 2.34375KB
print("메모리 용량 in MB: {}MB".format(m_cap/1024**2))	# 0.002288818359375MB

- dtype을 통해 배열의 datatype을 확인 및 설정할 수 있고, 그에 따라 itemsize가 결정된다.

- 위의 코드와 같이 배열 및 현재 프로그램에 할당된 nparray 객체들의 메모리 사용 용량을 확인 및 조절할 수 있다.

* 사실 nparray.size * nparray.itemsize는 nparray.nbytes와 동일하다.

 

이상으로, Numpy 클래스의 기본적인 속성에 대해 알아보았다.

다음 포스트에서는 수학적 처리를 돕는 좀 더 고차원의 데이터 생성 및 처리에 대해 알아보겠다.

 

* 참조 

- https://numpy.org/doc/stable/reference/arrays.ndarray.html

The N-dimensional array (ndarray) — NumPy v1.21 Manual

- ICT이노베이션 강의 신경식 강사님 강의자료