페이지 불러오는 중
배열을 만드는 방법은 크게 4가지입니다: ① 기존 데이터로부터(np.array), ② 상수로 초기화(zeros/ones/full), ③ 수열 생성(arange/linspace), ④ 난수 생성(default_rng).
전처리에서는 "결과를 담을 빈 버퍼를 만들고 채우는" 패턴과 "실험 데이터를 재현 가능하게 뽑는" 패턴이 자주 나옵니다.
import numpy as npnp.array가장 기본입니다. 중첩 리스트의 깊이가 곧 차원이 됩니다.
np.array([1, 2, 3]) # shape (3,) - 1차원
np.array([[1, 2], [3, 4]]) # shape (2, 2) - 2차원
np.array([1, 2, 3], dtype=np.float64) # dtype 명시주의할 점은 다음과 같습니다.
[1, 2, 3] → 정수, [1, 2, 3.0] → 실수(전체가 승격됨).setting an array element with a sequence)입니다. dtype=object를 줘야 억지로 만들어지지만, 이러면 벡터화의 이점이 사라지니 피합니다.np.array([[1, 2, 3], [4, 5]]) # ValueError (길이 불일치)zeros / ones / full / empty"먼저 크기를 정해 두고 나중에 값을 채우는" 용도입니다. shape는 튜플로 넘깁니다.
np.zeros((2, 3)) # 0.0으로 채운 2x3 (기본 dtype float64)
np.ones((2, 3)) # 1.0으로 채운 2x3
np.full((2, 3), 7) # 임의 상수 7로 채움
np.empty((2, 3)) # 초기화하지 않음 → 쓰레기값이 들어있음
np.eye(3) # 3x3 단위행렬 (대각선 1, 나머지 0)_like 계열은 "기존 배열과 같은 shape·dtype"으로 만듭니다. 결과 버퍼를 만들 때 유용합니다.
a = np.array([[1, 2, 3], [4, 5, 6]])
np.zeros_like(a) # a와 동일한 shape (2,3), dtype(int)의 0 배열
np.ones_like(a)
np.full_like(a, -1)
np.empty주의: 속도는 가장 빠르지만 값이 무작위입니다. 만든 직후 배열 전체를 대입할 것이 확실할 때만 씁니다. 조금이라도 일부만 채운다면zeros를 써서 초기값을 보장합니다.
💡 이럴 때: 루프 결과를 누적할 큰 버퍼를 만들고 전체를 즉시 덮어쓸 때 np.empty를 씁니다. 일부만 채운다면 np.zeros로 초기값을 보장합니다.
arange vs linspace둘 다 등간격 수열을 만들지만, 끝값 처리와 인자 의미가 다릅니다.
np.arange(0, 10, 2) # array([0, 2, 4, 6, 8]) - (시작, 끝, 간격), 끝값 미포함
np.linspace(0, 1, 5) # array([0. , 0.25, 0.5 , 0.75, 1. ]) - (시작, 끝, 개수), 끝값 포함
np.logspace(0, 3, 4) # array([ 1., 10., 100., 1000.]) - 10^0 ~ 10^3함정:
np.arange(0, 1, 0.1)처럼 실수 간격을 쓰면 부동소수점 오차로 끝값이 포함되어 원소가 11개가 될 수도 있습니다. 실수 구간 분할은 항상linspace를 씁니다.
💡 이럴 때: 그래프 x축 좌표, 하이퍼파라미터 탐색 구간처럼 "개수"가 정해진 실수 구간이 필요할 때 linspace를 씁니다.
NumPy 1.17부터 난수 API가 새로 설계됐습니다. np.random.default_rng()로 Generator 객체를 만들어 쓰는 방식이 권장입니다.
rng = np.random.default_rng(seed=42) # 시드 고정 → 재현 가능
rng.random((2, 3)) # [0, 1) 균등분포
rng.standard_normal((2, 3)) # 표준정규분포 N(0, 1)
rng.normal(loc=10, scale=2, size=5) # 평균 10, 표준편차 2인 정규분포
rng.integers(0, 10, size=5) # 0 이상 10 미만 정수 5개
rng.choice([10, 20, 30], size=4, replace=True) # 복원 추출
rng.permutation(5) # 0~4를 섞은 새 배열
rng.shuffle(a) # a를 제자리(in-place)에서 섞음왜 레거시(💡 이럴 때: 데이터 셔플, train/test 분할, 부트스트랩 샘플링 등 재현 가능한 난수가 필요한 모든 곳에서 씁니다.
np.random.seed() + np.random.rand())보다 나은가?
default_rng를 씁니다.# 레거시 (튜토리얼·구코드에서 자주 보임)
np.random.seed(42)
np.random.rand(2, 3)
np.random.randn(2, 3)
np.random.randint(0, 10, 5)
댓글
GitHub 계정으로 의견이나 질문을 남길 수 있습니다.