[Numpy] #4 reshape(-1), flatten(), copy(), ndarray 가지고놀기 기초문법 공부하기 4

a, b, c = np.arange(1682), np.arange(3804), np.arange(804)

a_2 = a.reshape((2, 841))
b_2 = a.reshape((2, 1902))
c_2 = a.reshape((2, 402))

print(a_2.shape, b_2.shape, c_2.shape)

오늘은 numpy 데이터를 좀 더 효과적으로 처리하는 방법에 대해 알아보겠다.

 

• reshape(-1)

굉장히 크거나 외부 데이터를 다루는 경우, 데이터 처리를 용이하게 하기위해 모양을 바꾸는 경우가 있다

예를 들어

a, b, c = np.arange(1682), np.arange(3804), np.arange(804)
print(a.shape, b.shape, c.shape)	# (1682,) (3804,) (804,)

해당 데이터가 있다고 했을때, (2, x)의 모양으로 바꾸고 싶다면

기존에 알고 있는 방식으로 구현해보자면

a, b, c = np.arange(1682), np.arange(3804), np.arange(804)

a_2 = a.reshape((2, 841))
b_2 = b.reshape((2, 1902))
c_2 = c.reshape((2, 402))

print(a_2.shape, b_2.shape, c_2.shape)  # (2, 841) (2, 1902) (2, 402)

위의 코드와 같이 하나하나 값을 넣어줘야할 것이다.

그런데, 외부 데이터의 경우 배열의 크기를 정확하게 알 수 없다면, 어떻게 해야할까?

그때 사용하는 것이 reshape(-1)이다.

a, b, c = np.arange(1682), np.arange(3804), np.arange(804)

a_2 = a.reshape((2, -1))
b_2 = b.reshape((2, -1))
c_2 = c.reshape((2, -1))

print(a_2.shape, b_2.shape, c_2.shape)  # (2, 841) (2, 1902) (2, 402)

 

사용목적은 아니겠으나, 다양한 상황에서 배열의 크기에 따라 자동적으로 모양을 맞추어주는 기능을 수행한다

a = np.arange(16)

a_4_x = a.reshape((4,3))	# 앗! 오타, error

a_4_x = a.reshape((4,-1))	# 역시! 실수가 없네
print(a_4_x.shape)	# (4, 4)

 

• flatten()

- flatten() 메소드를 한마디로 표현하면, "Vector로 만든다"이다.

- flatten는 영어로 "납작하게하다"이다.

a = np.arange(3*2*5).reshape((3,2,5))
print(a.shape,'\n',a)
# (3, 2, 5) 
#  [[[ 0  1  2  3  4]
#   [ 5  6  7  8  9]]

#  [[10 11 12 13 14]
#   [15 16 17 18 19]]

#  [[20 21 22 23 24]
#   [25 26 27 28 29]]]

a_flat = a.flatten()
print(a_flat.shape,'\n',a_flat)
# (30,)
#  [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
#  24 25 26 27 28 29]

- 다차원의 배열을 1차원 배열인 벡터로 변환시켜준다.

- 당연하겠지만, 변환은 a[0] a[1] a[2] 순으로 진행된다.

 

• copy()

- copy()는 copy라는 메소드명에서도 알 수 있듯이 복사하는 메소드이다.

- copy()와 비교 및 대조되는 메소드가 view()이다.

 

- view()를 먼저 살펴보면

a = np.arange(5)
b = a.view()    # 기존의 Memory 사용

b[0] = 100

print(a)    # [100   1   2   3   4]
print(b)    # [100   1   2   3   4]

- view()가 기존 메모리 주소를 가져와 복사본을 만든다는 것을 보고, 나는 DB 개념 중 가상 테이블인 "View"가 생각났다. 다른 DB들은 어떤지 모르겠으나, Oracle의 경우 View라는 가상 테이블을 만들었을 때, 원본 테이블의 데이터가 바뀌면 View의 데이터 역시 바뀐다는 특징이 있다. (헷갈리지 말자고 적어봤다..)

- view()는 원본 데이터를 복사하는 메소드이지만, 원본 데이터의 주소를 복사한다!(원본과 같은 메모리 공유)

 

a = np.arange(5)
b = a[0:3]      # view()와 동일

b[...] = 10

print(a)    # [10 10 10  3  4]
print(b)    # [10 10 10]

- view()와 같은 방식의 복사이다.

 

이후, copy()를 살펴보자

a = np.arange(5)
b = a.copy()    # Memory 새로 할당

b[0] = 100
print(a)    # [0 1 2 3 4]
print(b)    # [100   1   2   3   4]

- view()와 달리 Memory를 새로 할당 받고, 원본의 주소가 아닌 원본의 값을 복사한다.

 

a = np.arange(5)
b = a.copy()    # 새로운 Memory 할당
c = a.view()    # 기존의 Memory 사용
d = a[0:3]      # view()와 동일

print(a.base is None)  # True

print(b.base is None)  # True
print(b.base is a)  # False

print(c.base is a)  # True
print(d.base is a)  # True

- ndarray.base는 "if memory is from some other object(메모리가 다른 개체의 메모리인지)"를 나타내는 속성이다.

- 위의 코드를 보면

a가 np.arange()를 통해 스스로 만들어졌듯,

b 역시 a.copy()를 통해 base없이 새로운 배열이 만들어졌다고 받아들여야 이해해야 할 것이다.

a = np.arange(4)
b = np.reshape(a, (2,2))

b[0,0] = 100

print(b.base is a, '\n')    # True
print(a)    # [100   1   2   3]
print(b)    # [[100   1]
            # [  2   3]]

- 간단하게 살펴보면

x.reshape()는 모양은 바뀌지만, view()와 같이 기존의 Memory 주소를 복사하는 형식으로 데이터가 생성된다.

 

이를 해결하고 싶다면

a = np.arange(4)
b = np.reshape(a, (2,2)).copy()

b[0, 0] = 100

print(b.base is a, '\n')    # False
print(a)    # [0 1 2 3]
print(b)    # [[100   1]
            # [  2   3]]

위의 코드와 같이, .reshape() 뒤에 .copy()를 붙여주는 것도 좋을 것이다.

- copy() 메소드는 데이터 처리시, 원본 데이터를 유지하고자 할때 사용하면 좋겠다.

 

* 참조

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

numpy.ndarray.base — NumPy v1.21 Manual

- ICT이노베이션 강의 신경식 강사님 강의자료