Python Numpy로 데이터 분석하기: 최대값, 최소값, 평균 등 기초 통계 및 축(axis)별 연산

** 실습전 import 중요 **

import numpy as np

import random

 

# 데이터 전체에서 최대값, 최소값, 전체합, 전체평균, 표준편차, 중앙값을 구하세요

# 1부터 100 사이의 정수로 구성된 4행 5열 배열 생성

X = np.random.randint(1, 100+1, (4,5))

X

array([[74, 46, 91, 68, 83],
       [29, 23, 66, 66, 86],
       [93, 89, 71, 16, 64],
       [ 4,  7, 84, 41,  4]])

 

# 최대값

X.max()

93

 

# 최소값

X.min()

4

 

# 모든 요소의 합계

X.sum()

1105

 

# 모든 요소의 평균값

X.mean()

55.25

 

# 표준 편차

X.std()

30.49077729412617

 

# 각 행렬 또는 각 열별로 데이터를 분석할때는???
# 축이 필요하다! axis를 적어주면 된다.

• axis=0: 배열의 첫 번째 차원을 나타낸다. (행 방향)
• axis=1: 배열의 두 번째 차원을 나타낸다. (열 방향)
• axis=2: 배열의 세 번째 차원을 나타낸다. (깊이 또는 채널 방향)

# 3차원 배열에서 axis=2를 사용하면 배열의 깊이 또는 채널 방향에 따른 연산을 수행할 수 있다. 예를들어, RGB 이미지 데이터를 처리할 때, 각 채널(Red, Green, Blue)에 대한 연산을 axis=2를 사용하여 수행할 수 있다.

# 상단에서 생성하였던 X 값

X = np.random.randint(1, 100, (4,5))

X

array([[74, 46, 91, 68, 83],
       [29, 23, 66, 66, 86],
       [93, 89, 71, 16, 64],
       [ 4,  7, 84, 41,  4]])

 

# 각 행중 최대값

X.max(axis = 1)

array([91, 86, 93, 84])

 

# 각 열중 최대값

X.max(axis = 0)

array([93, 89, 91, 68, 86])

 

# 각 열중 최소값

X.min(axis = 0)

array([ 4,  7, 66, 16,  4])

 

 

# 열들의 합계

X.sum(axis = 0)

array([200, 165, 312, 191, 237])

 

# 열들의 평균값

X.mean(axis = 0)

array([50.  , 41.25, 78.  , 47.75, 59.25])

 

# 열드의 표준 편차

X.std(axis = 0)

array([35.29164207, 30.85753555,  9.97496867, 21.19404397, 32.99526481])

 

* 행으로 실행하고 싶을때는 axis 값을 1로 변경해주면 된다.

 

# 특정한 데이터 값만 가지고오고 싶을떄 (불린 연산 및 슬라이싱 기능에 대한 간단한 연습)

# X에, 70보다 큰 데이터는 몇개가 있나요??

# 4 x 5 형태의 임의의 데이터 생성

X = np.random.randint(1, 100, (4,5))

X

array([[56, 72, 81,  3, 95],
       [20, 99, 64, 54, 28],
       [57, 31, 49, 48, 40],
       [39, 45, 19, 65, 57]])

 

# X의 데이터에서 70보다 큰값을 불린 형태로 확인

X > 70

array([[False,  True,  True, False,  True],
       [False,  True, False, False, False],
       [False, False, False, False, False],
       [False, False, False, False, False]])

 

# 70 이상인 요소의 합계 (70이상이 몇개인가?)

(X > 70).sum()

4

 

# int(True)  함수를 사용하여 Ture 값이 1이라는것을 이용하여 True 데이터 갯수를 sum 함수로 확인 가능

# 특정한 위치의 데이터를 가지고 오고 싶을땐 인덱싱을 이용

a = [1, 2, 3]

a[1] #인덱싱 하여 해당 인수 자리의 값을 가져온다.

2

 

my_phone = { 'color' : 'red', 'model' : 'iPhone 14', 'year' : 2021 } # 키와 벨류 key : value => item

my_phone['color']

'red'

 

# X 의 데이터중에서 70보다 큰 데이터만 가져오시오. ** 여러데이터를 한 변수에 저장하는것을 데이터 스트럭쳐

X > 70

array([[False,  True,  True, False,  True],
       [False,  True, False, False, False],
       [False, False, False, False, False],
       [False, False, False, False, False]])

ㄴ True, False로 표현되는 것이 불린

 

X[ X > 70]

array([72, 81, 95, 99])

 

# 간단한 실습 예제를 통한 복습

4 x 4 ndarray 만드세요.

단, 2 에서 32 까지의 순차적 짝수로 채워졌습니다.

 

X = np.arange(2, 32+1, 2).reshape(4,4)

array([[ 2,  4,  6,  8],
       [10, 12, 14, 16],
       [18, 20, 22, 24],
       [26, 28, 30, 32]])

 

TYPE OF NUMPY ARRAYS

X.shape

(4, 5)

 

MAX AND MIN VALUES AND THEIR INDEX

X.max()

32

 

# .argmax() => 가장 큰 값의 인덱스 위치를 출력한다. (다차원 배열에서는 상단 좌측부터 0으로 인덱스 카운트가 시작된다.)

X.argmax()

15

 

# .argmin() => 가장 작은 값의 인덱스 위치를 출력한다. 

X.argmin()

 

# axis 를 사용할경우 각 행 혹은 각 열마다 가장 큰 데이터값이 있는 인덱스 위치를 출력한다.

X.argmax(axis = 1)

array([3, 3, 3, 3], dtype=int64)

Accessing Elements Into ndarrays

# 1차원 배열의 인덱스 접근

x = np.random.randint(1, 20, 7)

x

array([ 8, 16, 10, 18,  8, 10,  7])

 

# 끝에서 순번을 찾을때는 -를 사용할수 있다

x[-3]

8

 

다차원배열의 인덱스 접근

X

array([[ 2,  4,  6,  8],
       [10, 12, 14, 16],
       [18, 20, 22, 24],
       [26, 28, 30, 32]])

 

# (1) 행, 열 순서로 , 를 기준으로 위치를 지정하여 접근

X[ 1 , 2 ]

14

 

# (2) 행, 열을 따로 []를 기준으로 작성하여 접근 가능

X[1][2]

14

 

다음 게시글에서 계속