파이썬 라이브러리 기본¶

학습 목표¶

  • 딥러닝 기본을 학습하기 위한 파이썬 기본 및 기본 라이브러리를 이해한다.
    • matplotlib, seaborn (시각화)
    • numpy (수치 해석, 선형대수 등)
    • pandas (데이터 처리)

목차

01. 파이썬 리스트와 기본 함수의 실습
02. numpy 기본
03. matplotlib의 이해
04. 이미지 시각화 - imshow의 이해
05. seaborn에 대해 알아보기
06. pandas 기본

01. 파이썬 리스트와 기본 함수의 실습

목차로 이동하기

In [1]:
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
  • with 구문
  • 리스트, 함수에 대한 이해
    • [num for n in range(10)]
    • {n:i for i, n in enumerate(char)}
  • 여러개의 변수 넘겨받기 _
  • numpy의 array()
  • numpy의
    • reduce_mean(), log(), equal(), add(), argmax(), transpose(), matmul(), reshape()
  • matplotlib 의 이해
    • 여러개의 그래프 그려보기
    • plt.subplots()의 이해
  • imshow() 이해
  • savefig() 이해
  • set_axis_off() 이해

리스트와 기본 함수의 이해 및 실습¶

  • [num for n in range(10)]
  • {n:i for i, n in enumerate(char)}
In [2]:
a = [0,1,2,3,4,5,6,7,8,9]
a
Out[2]:
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [3]:
a = [i for i in range(10)]
a
Out[3]:
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [4]:
# 각각의 요소에 순서를 나타내는 인덱스를 함께 확인하기
char = ['a', 'b', 'c', 'd', 'e']
for n, i in enumerate(char):
   print(n,i)

0 a
1 b
2 c
3 d
4 e
In [5]:
dic_n = {i:n for n, i in enumerate(char)}
dic_n
Out[5]:
{'a': 0, 'b': 1, 'c': 2, 'd': 3, 'e': 4}
In [6]:
### 여러개의 변수 넘겨받기. 단, 숫자는 큰 의미 없음.
for n, i in enumerate(char):
 _, n2, i = n, n*n, i
 print(n2, i)

0 a
1 b
4 c
9 d
16 e

02. numpy 기본

목차로 이동하기

  • numpy의 array()
  • numpy의
    • reduce_mean(), log(), equal(), add(), argmax(), transpose(), matmul(), reshape()
In [7]:
# x의 값을 이용하여 y값 (sin) 구하기
x = np.linspace(0,14,100)
y = np.sin(x)
In [8]:
# 그래프 그리기
plt.plot(x,y)
Out[8]:
[<matplotlib.lines.Line2D at 0x18f7da35760>]
In [9]:
n = np.array([1,2,3,4,5])
print(type(n))
n

<class 'numpy.ndarray'>
Out[9]:
array([1, 2, 3, 4, 5])
  • 2005년 Travis Oliphant가 발표한 수치해석용 패키지
  • ndarray는 Numpy의 핵심인 다차원 행렬 자료구조 클래스이다.
  • 파이썬이 제공하는 List자료형과 동일한 출력 형태를 갖는다.
  • Numpy의 행렬 연산은 C로 구현된 반복문 사용으로 Python반복문에 비해 속도가 빠르다

Python의 리스트와 Numpy ndarray의 비고¶

  • Python List
    • 여러가지 타입의 원소
    • linked List 구현한 구조
    • 메모리 용량이 크고 속도가 느림
    • 벡터와 연산 불가
  • Numpy ndarray
    • 동일 타입의 원소
    • contiguous memory layout
      • (연속적인 메모리 배치(같은 타입) - 속도 향상
    • 메모리 최적화, 속도 향상
    • 벡터와 연산 가능
In [10]:
a = [1,2,3]
a*2
Out[10]:
[1, 2, 3, 1, 2, 3]
In [11]:
## 벡터 연산 예
a = np.array([1,2,3])
a * 2
Out[11]:
array([2, 4, 6])

python 리스트와 numpy의 처리 시간 비교¶

In [12]:
a = np.arange(1000000)
%time a2 = a**2

CPU times: total: 0 ns
Wall time: 0 ns
In [13]:
L = range(1000000)
%time L2 = [i**2 for i in L]

CPU times: total: 219 ms
Wall time: 215 ms
In [14]:
### 다차원 생성하기
a1 = [1,2,3]
a2 = [ [11,12,13],
       [21,22,23],
       [31,32,33]]
a2
Out[14]:
[[11, 12, 13], [21, 22, 23], [31, 32, 33]]
In [15]:
b1 = np.array([1,2,3])
b2 = np.array([ [11,12,13],
                [21,22,23],
                [31,32,33]])
b2
Out[15]:
array([[11, 12, 13],
       [21, 22, 23],
       [31, 32, 33]])
In [16]:
print("행렬의 차원 : ", b1.ndim, b2.ndim)
print("행렬의 크기 : ", b1.shape, b2.shape)

행렬의 차원 :  1 2
행렬의 크기 :  (3,) (3, 3)

데이터 접근¶

In [17]:
a2[0]
Out[17]:
[11, 12, 13]
In [18]:
a2[0][1]
Out[18]:
12
In [19]:
print(b2[0])
print(b2[0][1])
print(b2[0,1])

[11 12 13]
12
12
In [20]:
### 전체 데이터 중의 짝수만 뽑기
b2[ b2 % 2 ==0]
Out[20]:
array([12, 22, 32])

03. matplotlib의 이해

목차로 이동하기

  • 여러개의 그래프 그려보기
    • plt.subplot()의 이해
  • 이미지 정보 표시 - imshow() 이해
  • 이미지 저장 - savefig() 이해
  • set_axis_off() 이해
In [21]:
# x의 값을 이용하여 y값 (sin) 구하기
x = np.linspace(0,14,100)
y = np.sin(x)
In [22]:
# 그래프 그리기
plt.plot(x,y)
Out[22]:
[<matplotlib.lines.Line2D at 0x18f008113d0>]

그래프의 범례 표시¶

In [23]:
y1 = np.sin(x)
y2 = np.sin(x) * 2
y3 = np.sin(x) * 4
In [24]:
plt.figure(figsize=(8,6))
plt.plot(x, y1, label="sin(x)")
plt.plot(x, y2, label="sin(x)*2")
plt.plot(x, y3, label="sin(x)*4")
plt.legend()
plt.title("sin plot")
Out[24]:
Text(0.5, 1.0, 'sin plot')
In [25]:
plt.figure(figsize=(10,15))
plt.subplot(3, 1, 1)
plt.title("sin plot")
plt.plot(x, y1, 'go-', label='sin(x)')

plt.legend()
plt.subplot(3, 1, 2)
plt.title("sin plot")
plt.plot(x, y2, 'b^-', label='sin(x) * 2')

plt.legend()
plt.subplot(3, 1, 3)
plt.title("sin plot")
plt.plot(x, y3, 'r.-', label='sin(x) * 4')

plt.legend()
plt.show()
In [26]:
fig, ax = plt.subplots(3, 1, figsize=(10,15))

ax[0].plot(x, y1, 'o', label='sin(x)')
ax[0].legend()
ax[1].plot(x, y2, 'o', label='sin(x)')
ax[2].plot(x, y3, 'o', label='sin(x)')
plt.show()

04. 이미지 시각화 - imshow의 이해

목차로 이동하기

In [27]:
import urllib.request

url = "https://pythonstart.github.io/web/dog01.jpg"
savename = 'dog.jpg'

urllib.request.urlretrieve(url,savename)
print("저장완료")

저장완료
In [28]:
!dir dog*

 D 드라이브의 볼륨: wjv_backup
 볼륨 일련 번호: D856-9720

 D:\Github\DeepLearning_Basic_Class 디렉터리

2022-11-16  오후 06:09         6,847,926 dog.jpg
               1개 파일           6,847,926 바이트
               0개 디렉터리   8,123,031,552 바이트 남음
In [29]:
fig, ax = plt.subplots()
image = plt.imread("dog.jpg") # 이미지 읽기
print(image)
ax.imshow(image)

[[[117 123 119]
  [118 124 120]
  [118 124 120]
  ...
  [116 113 108]
  [118 113 109]
  [117 112 108]]

 [[117 123 119]
  [118 124 120]
  [119 125 121]
  ...
  [117 114 109]
  [117 114 109]
  [117 114 109]]

 [[117 122 118]
  [118 123 119]
  [118 124 120]
  ...
  [116 113 108]
  [115 112 107]
  [116 113 108]]

 ...

 [[186 186 188]
  [186 186 188]
  [187 187 189]
  ...
  [ 83  80  75]
  [ 82  79  74]
  [ 80  77  72]]

 [[184 184 184]
  [184 184 184]
  [186 186 186]
  ...
  [ 81  78  73]
  [ 81  78  73]
  [ 80  77  72]]

 [[181 181 179]
  [181 181 179]
  [184 184 182]
  ...
  [ 80  77  70]
  [ 81  78  71]
  [ 79  76  69]]]
Out[29]:
<matplotlib.image.AxesImage at 0x18f00b98dc0>
In [30]:
### set_axis_off() 이해 - 축을 없애기
### savefig() 이해 - 파일로 저장
fig, ax = plt.subplots()
ax.set_axis_off()
ax.imshow(image)
fig.savefig('Plot_without_axes.png')
In [31]:
!dir Plot_*

 D 드라이브의 볼륨: wjv_backup
 볼륨 일련 번호: D856-9720

 D:\Github\DeepLearning_Basic_Class 디렉터리

2022-11-16  오후 06:09           109,365 Plot_without_axes.png
               1개 파일             109,365 바이트
               0개 디렉터리   8,123,031,552 바이트 남음

05. seaborn에 대해 알아보기

목차로 이동하기

In [32]:
import seaborn as sns
import pandas as pd
In [33]:
tips = sns.load_dataset("tips") ## tips의 데이터 셋 불러오기
tips.head() ## 앞의 데이터만 살펴보기 tips.tail() - 뒤의 데이터 셋
Out[33]:
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
3 23.68 3.31 Male No Sun Dinner 2
4 24.59 3.61 Female No Sun Dinner 4
In [34]:
### 요일별 식사 금액은 얼마나 될까?
plt.figure(figsize=(8,6))
sns.barplot(x="day", y="total_bill", data=tips)
plt.show()

(실습) 요일별 Tips은 얼마나 될까?¶

In [35]:
# 요일별 tip은 남성과 여성은 어떠할까?
plt.figure(figsize=(8,6))
sns.barplot(x="day", y="tip", hue="sex", data=tips) # hue를 이용하여 구분.
plt.title("Tips by day")
plt.show()

06. pandas 기본

목차로 이동하기

  • 리스트, 딕셔너리 간단히 만들어보기
  • Pandas 불러오기
  • 행과 열 확인 shape
  • 컬럼명 확인 columns
  • 정보 확인 info()
  • 요약값 확인 describe()
  • 몇행만 확인하기 head(), tail()
  • Series 자료형, DataFrame 자료형 만들기
  • 원하는 열 선택(하나)
  • 원하는 열 선택(여러개)
  • 원하는 행 선택(하나)
  • 원하는 행 선택(여러개)
  • 새로운 컬럼 생성

데이터 준비 및 csv 및 excel 파일 생성¶

In [36]:
iris = sns.load_dataset("iris")
iris.head()
Out[36]:
sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
In [37]:
## csv 데이터 셋, excel 데이터 셋 만들기
iris.to_csv("iris.csv", index=False)
iris.to_excel("iris.xlsx", index=False)
In [38]:
!dir iris*

 D 드라이브의 볼륨: wjv_backup
 볼륨 일련 번호: D856-9720

 D:\Github\DeepLearning_Basic_Class 디렉터리

2022-11-16  오후 06:09             4,009 iris.csv
2022-11-16  오후 06:09             8,750 iris.xlsx
               2개 파일              12,759 바이트
               0개 디렉터리   8,123,031,552 바이트 남음
In [39]:
## 산점도 그래프 확인
sns.pairplot(iris, hue="species")
Out[39]:
<seaborn.axisgrid.PairGrid at 0x18f00c32910>
In [40]:
# 리스트
myfood = ['banana', 'apple', 'candy']
print(myfood[0])
print(myfood[1])
print(myfood[2])
print(myfood[1:3]) 

banana
apple
candy
['apple', 'candy']
In [41]:
for item in myfood:
 print(item)

banana
apple
candy
In [42]:
# 딕셔너리
dict1 = {'one':'하나', 'two':"둘", 'three':'셋'}
dict2 = {1:"하나", 2:"둘", 3:"셋"}
dict3 = {'col1':[1,2,3], 'col2':['a','b','c']}

print(dict1)
print(dict2)
print(dict3) 

{'one': '하나', 'two': '둘', 'three': '셋'}
{1: '하나', 2: '둘', 3: '셋'}
{'col1': [1, 2, 3], 'col2': ['a', 'b', 'c']}
In [43]:
print(dict1['one'])
print(dict2[2])
print(dict3['col2']) 

하나
둘
['a', 'b', 'c']
In [44]:
dat = pd.read_csv("iris.csv")
dat.shape # 데이터의 행열 (크기)
Out[44]:
(150, 5)
In [45]:
dat.head() ## 앞의 데이터 보기
Out[45]:
sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
In [46]:
dat.tail() ## 뒤의 데이터 보기
Out[46]:
sepal_length sepal_width petal_length petal_width species
145 6.7 3.0 5.2 2.3 virginica
146 6.3 2.5 5.0 1.9 virginica
147 6.5 3.0 5.2 2.0 virginica
148 6.2 3.4 5.4 2.3 virginica
149 5.9 3.0 5.1 1.8 virginica
In [47]:
dat.columns ## 데이터의 컬럼보기
Out[47]:
Index(['sepal_length', 'sepal_width', 'petal_length', 'petal_width',
       'species'],
      dtype='object')
In [48]:
dat.describe() ## 데이터의 요약값 보기
Out[48]:
sepal_length sepal_width petal_length petal_width
count 150.000000 150.000000 150.000000 150.000000
mean 5.843333 3.057333 3.758000 1.199333
std 0.828066 0.435866 1.765298 0.762238
min 4.300000 2.000000 1.000000 0.100000
25% 5.100000 2.800000 1.600000 0.300000
50% 5.800000 3.000000 4.350000 1.300000
75% 6.400000 3.300000 5.100000 1.800000
max 7.900000 4.400000 6.900000 2.500000
In [49]:
dat.info() # 데이터의 자료형 요약 보기

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   sepal_length  150 non-null    float64
 1   sepal_width   150 non-null    float64
 2   petal_length  150 non-null    float64
 3   petal_width   150 non-null    float64
 4   species       150 non-null    object 
dtypes: float64(4), object(1)
memory usage: 6.0+ KB
In [50]:
dat.isnull().sum() # 데이터의 결측치 보기
Out[50]:
sepal_length    0
sepal_width     0
petal_length    0
petal_width     0
species         0
dtype: int64