페이지 불러오는 중
같은 데이터를 다른 shape로 "다시 보는" 작업(reshape, 축 추가/제거, 전치)과, 여러 배열을 합치거나 나누는 작업(concatenate, stack, split)을 다룹니다.
브로드캐스팅(6장)과 모델 입력 shape 맞추기에서 reshape와 np.newaxis를 끊임없이 쓰게 됩니다.
import numpy as npreshape : 형태 다시 보기원소의 총 개수(size)가 같아야 합니다. 데이터는 복사되지 않고 대개 view입니다.
a = np.arange(12) # shape (12,)
a.reshape(3, 4) # (3, 4)
a.reshape(4, 3) # (4, 3)
a.reshape(2, 2, 3) # (2, 2, 3) - 3차원
a.reshape(3, -1) # -1 자리는 자동 계산 → (3, 4)
a.reshape(-1, 1) # (12, 1) - "세로 벡터"로 만드는 관용구💡 이럴 때: sklearn 등이 2D 입력을 요구하는데 특징이 1D 벡터일 때
reshape(-1, 1)로 열벡터를 만듭니다.
1: 한 축만 1로 두면 나머지로부터 자동 계산됩니다. 두 축을 1로 둘 수는 없습니다.(12,) vs (12, 1) vs (1, 12): 원소는 같지만 차원이 다릅니다. 브로드캐스팅 결과가 달라지므로 구분이 중요합니다.ravel vs flattenm = a.reshape(3, 4)
m.ravel() # 1차원으로 - 가능하면 view (빠름, 메모리 안 씀)
m.flatten() # 1차원으로 - 항상 copy (안전, 원본과 분리)수정할 계획이 없으면 ravel, 독립 배열이 필요하면 flatten을 씁니다.
np.newaxis (= None)크기 1인 축을 끼워 넣습니다. 브로드캐스팅을 유도할 때 필수입니다.
a = np.array([1, 2, 3]) # (3,)
a[:, np.newaxis] # (3, 1) - 세로
a[np.newaxis, :] # (1, 3) - 가로
a[:, None] # (3, 1) - None은 np.newaxis의 별칭
np.expand_dims(a, axis=0) # (1, 3) - 함수형💡 이럴 때:
(N,)벡터를(N, 1)또는(1, N)으로 만들어 각 행/열에 broadcast 연산을 걸 때.
squeeze크기 1인 축을 모두 없앱니다.
b = np.zeros((1, 3, 1))
np.squeeze(b).shape # (3,)
np.squeeze(b, axis=0).shape # (3, 1) - 특정 축만모델 출력이 (N, 1)로 나올 때 (N,)으로 펴는 데 자주 씁니다.
💡 이럴 때: 모델 예측이
(N, 1)로 나와 정답 레이블(N,)과 shape가 안 맞을 때squeeze로 맞춥니다.
T / transpose / swapaxesa = np.arange(6).reshape(2, 3)
a.T # (3, 2) - 축 순서 완전 역전, view
a.transpose(1, 0) # (3, 2) - 축 순서를 명시적으로 지정
a.transpose(0, 1) # (2, 3) - 그대로
np.swapaxes(a, 0, 1) # (3, 2) - 두 축만 교환3차원 이상에서는 a.T가 "모든 축 역전"이라 의도와 다를 수 있습니다. 이때는 transpose(축 순서)로 정확히 지정합니다. 예: (N, H, W) → (N, W, H)는 a.transpose(0, 2, 1).
concatenate / stack / vstack / hstackconcatenate : 기존 축을 따라 이어붙임 (차원 유지)x = np.array([[1, 2], [3, 4]]) # (2, 2)
y = np.array([[5, 6], [7, 8]]) # (2, 2)
np.concatenate([x, y], axis=0) # (4, 2) - 행 방향으로 쌓기
np.concatenate([x, y], axis=1) # (2, 4) - 열 방향으로 붙이기stack : 새 축을 만들며 결합 (차원 +1)np.stack([x, y], axis=0).shape # (2, 2, 2) - 새 0번 축
np.stack([x, y], axis=2).shape # (2, 2, 2) - 새 마지막 축vstack / hstack : 편의 함수np.vstack([x, y]) # 수직(행) 결합 = concatenate axis=0 (2차원 이상 기준)
np.hstack([x, y]) # 수평(열) 결합 = concatenate axis=1 (2차원 이상 기준)1차원 입력에서는 규칙이 다릅니다:
np.vstack([[1,2],[3,4]])→(2, 2)로 축을 추가하고,np.hstack([[1,2],[3,4]])→(4,)로 axis=0을 따라 이어붙입니다. 헷갈리면concatenate+ 명시적reshape가 안전합니다.
split / array_splitnp.split(np.arange(9), 3) # 3등분: [array([0,1,2]), array([3,4,5]), array([6,7,8])]
np.split(np.arange(9), [2, 5]) # 인덱스 2, 5에서 자름 → 길이 2, 3, 4
np.split(np.arange(10), 3) # ValueError - 균등 분할 불가
np.array_split(np.arange(10), 3) # OK - [4, 3, 3]개로 최대한 균등하게np.split은 정확히 나눠떨어져야 하고, np.array_split은 아니어도 됩니다. 데이터를 K-fold로 쪼갤 때 후자가 편합니다.
💡 이럴 때: 데이터를 K개 폴드로 나누거나 배치로 쪼갤 때, 개수가 안 떨어져도 되는
np.array_split을 씁니다.
댓글
GitHub 계정으로 의견이나 질문을 남길 수 있습니다.