numpy
Machine Learning 을 공부하는 과정에서 가장 많이 접하는 python library 가 numpy인듯하다. numpy의 생소한 module 들에 대해서 정리하고자 한다.
numpy.argmax
axis에 대해서 detail하게 살펴본다.
argmax(x,axis=0) 인 경우는 각각의 열 중에서 가장 큰 값의 index를 얻어온다. argmax(x,axis=1) 인 경우는 각각의 행에 대해서 가장 큰 값의 index를 얻어온다.
아래 예제를 보면 직관적으로 알 수 있다.
argmin은 반대로 가장 작은 값을 찾는다.
import numpy as np
x = np.array([[0.9, 0.8, 0.1],[0.1, 0.8, 0.1], [0.3, 0.1, 0.6], [0.2, 0.5, 0.3],[0.2, 0.1, 0.3], [0.8, 0.1, 0.1]])
print(x)
p = np.argmax(x, axis=0)
t = np.argmax(x, axis=1)
print(p)
print(t)
[[ 0.9 0.8 0.1]
[ 0.1 0.8 0.1]
[ 0.3 0.1 0.6]
[ 0.2 0.5 0.3]
[ 0.2 0.1 0.3]
[ 0.8 0.1 0.1]]
[0 0 2]
[0 1 2 1 2 0]
numpy.randn
randn 명령은 표준 정규 분포 값을 균일하게 생성한다.
randn: Gaussian normal
np.random.randn(2,3)
[[ 1.90126345 0.23773306 -2.06282222]
[-0.83982942 -2.15618793 2.49362771]]
numpy.amax
numpy.amax(a, axis=None, out=None, keepdims=<class numpy._globals._NoValue at 0x40b6a26c>)[source] Return the maximum of an array or maximum along an axis.
>>> a = np.arange(4).reshape((2,2))
>>> a
array([[0, 1],
[2, 3]])
>>> np.amax(a) # Maximum of the flattened array
3
>>> np.amax(a, axis=0) # Maxima along the first axis
array([2, 3])
>>> np.amax(a, axis=1) # Maxima along the second axis
array([1, 3])
numpy.nonzero
Return the indices of the elements that are non-zero.
A common use for nonzero is to find the indices of an array, where a condition is True. Given an array a, the condition a > 3 is a boolean array and since False is interpreted as 0, np.nonzero(a > 3) yields the indices of the a where the condition is true.
>>> x = np.eye(3)
>>> x
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
>>> np.nonzero(x)
(array([0, 1, 2]), array([0, 1, 2]))
>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> a > 3
array([[False, False, False],
[ True, True, True],
[ True, True, True]], dtype=bool)
>>> np.nonzero(a > 3)
(array([1, 1, 1, 2, 2, 2]), array([0, 1, 2, 0, 1, 2]))
numpy.identity
Return the identity array.
The identity array is a square array with ones on the main diagonal.
>>> np.identity(3)
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
