티스토리 뷰
In [3]:
import numpy
In [4]:
numpy.array([1,2,3]) # numpy. Tab 눌러보면 쓸 수 있는 목록이 쭉 나와
Out[4]:
array([1, 2, 3])
In [5]:
import numpy as np # np로 짧게 쓰겠다
In [7]:
np.array([1,2,3]) # numpy는 리스트를 numpy형 자료(array)로 바꾼것이다.
Out[7]:
array([1, 2, 3])
In [8]:
l = [1,2,3,4,5]
In [9]:
a = np.array(l)
a
Out[9]:
array([1, 2, 3, 4, 5])
In [10]:
type(a)
Out[10]:
numpy.ndarray
In [11]:
len(a)
Out[11]:
5
Iris 데이터를 사용해 보자.¶
In [12]:
f=open('iris.csv')
data = []
head = f.readline() # 첫 줄 빠짐
head = head.strip().split(',')[:4]
print(head)
for line in f:
I = line.strip().split(',') # 첫 줄 빼고 나머지 150줄을 data 리스트에 집어 넣었다.
I[0] = float(I[0]) # for문으로 해보기
I[1] = float(I[1])
I[2] = float(I[2])
I[3] = float(I[3])
data.append(I)
if I[4] == 'Iris-setosa': # 딕셔너리를 이용해 해보기
I[4] = 0
elif I[4] == 'Iris-versicolor':
I[4] = 1
else:
I[4] = 2
f.close()
['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']
In [13]:
data
Out[13]:
[[5.1, 3.5, 1.4, 0.2, 0], [4.9, 3.0, 1.4, 0.2, 0], [4.7, 3.2, 1.3, 0.2, 0], [4.6, 3.1, 1.5, 0.2, 0], [5.0, 3.6, 1.4, 0.2, 0], [5.4, 3.9, 1.7, 0.4, 0], [4.6, 3.4, 1.4, 0.3, 0], [5.0, 3.4, 1.5, 0.2, 0], [4.4, 2.9, 1.4, 0.2, 0], [4.9, 3.1, 1.5, 0.1, 0], [5.4, 3.7, 1.5, 0.2, 0], [4.8, 3.4, 1.6, 0.2, 0], [4.8, 3.0, 1.4, 0.1, 0], [4.3, 3.0, 1.1, 0.1, 0], [5.8, 4.0, 1.2, 0.2, 0], [5.7, 4.4, 1.5, 0.4, 0], [5.4, 3.9, 1.3, 0.4, 0], [5.1, 3.5, 1.4, 0.3, 0], [5.7, 3.8, 1.7, 0.3, 0], [5.1, 3.8, 1.5, 0.3, 0], [5.4, 3.4, 1.7, 0.2, 0], [5.1, 3.7, 1.5, 0.4, 0], [4.6, 3.6, 1.0, 0.2, 0], [5.1, 3.3, 1.7, 0.5, 0], [4.8, 3.4, 1.9, 0.2, 0], [5.0, 3.0, 1.6, 0.2, 0], [5.0, 3.4, 1.6, 0.4, 0], [5.2, 3.5, 1.5, 0.2, 0], [5.2, 3.4, 1.4, 0.2, 0], [4.7, 3.2, 1.6, 0.2, 0], [4.8, 3.1, 1.6, 0.2, 0], [5.4, 3.4, 1.5, 0.4, 0], [5.2, 4.1, 1.5, 0.1, 0], [5.5, 4.2, 1.4, 0.2, 0], [4.9, 3.1, 1.5, 0.1, 0], [5.0, 3.2, 1.2, 0.2, 0], [5.5, 3.5, 1.3, 0.2, 0], [4.9, 3.1, 1.5, 0.1, 0], [4.4, 3.0, 1.3, 0.2, 0], [5.1, 3.4, 1.5, 0.2, 0], [5.0, 3.5, 1.3, 0.3, 0], [4.5, 2.3, 1.3, 0.3, 0], [4.4, 3.2, 1.3, 0.2, 0], [5.0, 3.5, 1.6, 0.6, 0], [5.1, 3.8, 1.9, 0.4, 0], [4.8, 3.0, 1.4, 0.3, 0], [5.1, 3.8, 1.6, 0.2, 0], [4.6, 3.2, 1.4, 0.2, 0], [5.3, 3.7, 1.5, 0.2, 0], [5.0, 3.3, 1.4, 0.2, 0], [7.0, 3.2, 4.7, 1.4, 1], [6.4, 3.2, 4.5, 1.5, 1], [6.9, 3.1, 4.9, 1.5, 1], [5.5, 2.3, 4.0, 1.3, 1], [6.5, 2.8, 4.6, 1.5, 1], [5.7, 2.8, 4.5, 1.3, 1], [6.3, 3.3, 4.7, 1.6, 1], [4.9, 2.4, 3.3, 1.0, 1], [6.6, 2.9, 4.6, 1.3, 1], [5.2, 2.7, 3.9, 1.4, 1], [5.0, 2.0, 3.5, 1.0, 1], [5.9, 3.0, 4.2, 1.5, 1], [6.0, 2.2, 4.0, 1.0, 1], [6.1, 2.9, 4.7, 1.4, 1], [5.6, 2.9, 3.6, 1.3, 1], [6.7, 3.1, 4.4, 1.4, 1], [5.6, 3.0, 4.5, 1.5, 1], [5.8, 2.7, 4.1, 1.0, 1], [6.2, 2.2, 4.5, 1.5, 1], [5.6, 2.5, 3.9, 1.1, 1], [5.9, 3.2, 4.8, 1.8, 1], [6.1, 2.8, 4.0, 1.3, 1], [6.3, 2.5, 4.9, 1.5, 1], [6.1, 2.8, 4.7, 1.2, 1], [6.4, 2.9, 4.3, 1.3, 1], [6.6, 3.0, 4.4, 1.4, 1], [6.8, 2.8, 4.8, 1.4, 1], [6.7, 3.0, 5.0, 1.7, 1], [6.0, 2.9, 4.5, 1.5, 1], [5.7, 2.6, 3.5, 1.0, 1], [5.5, 2.4, 3.8, 1.1, 1], [5.5, 2.4, 3.7, 1.0, 1], [5.8, 2.7, 3.9, 1.2, 1], [6.0, 2.7, 5.1, 1.6, 1], [5.4, 3.0, 4.5, 1.5, 1], [6.0, 3.4, 4.5, 1.6, 1], [6.7, 3.1, 4.7, 1.5, 1], [6.3, 2.3, 4.4, 1.3, 1], [5.6, 3.0, 4.1, 1.3, 1], [5.5, 2.5, 4.0, 1.3, 1], [5.5, 2.6, 4.4, 1.2, 1], [6.1, 3.0, 4.6, 1.4, 1], [5.8, 2.6, 4.0, 1.2, 1], [5.0, 2.3, 3.3, 1.0, 1], [5.6, 2.7, 4.2, 1.3, 1], [5.7, 3.0, 4.2, 1.2, 1], [5.7, 2.9, 4.2, 1.3, 1], [6.2, 2.9, 4.3, 1.3, 1], [5.1, 2.5, 3.0, 1.1, 1], [5.7, 2.8, 4.1, 1.3, 1], [6.3, 3.3, 6.0, 2.5, 2], [5.8, 2.7, 5.1, 1.9, 2], [7.1, 3.0, 5.9, 2.1, 2], [6.3, 2.9, 5.6, 1.8, 2], [6.5, 3.0, 5.8, 2.2, 2], [7.6, 3.0, 6.6, 2.1, 2], [4.9, 2.5, 4.5, 1.7, 2], [7.3, 2.9, 6.3, 1.8, 2], [6.7, 2.5, 5.8, 1.8, 2], [7.2, 3.6, 6.1, 2.5, 2], [6.5, 3.2, 5.1, 2.0, 2], [6.4, 2.7, 5.3, 1.9, 2], [6.8, 3.0, 5.5, 2.1, 2], [5.7, 2.5, 5.0, 2.0, 2], [5.8, 2.8, 5.1, 2.4, 2], [6.4, 3.2, 5.3, 2.3, 2], [6.5, 3.0, 5.5, 1.8, 2], [7.7, 3.8, 6.7, 2.2, 2], [7.7, 2.6, 6.9, 2.3, 2], [6.0, 2.2, 5.0, 1.5, 2], [6.9, 3.2, 5.7, 2.3, 2], [5.6, 2.8, 4.9, 2.0, 2], [7.7, 2.8, 6.7, 2.0, 2], [6.3, 2.7, 4.9, 1.8, 2], [6.7, 3.3, 5.7, 2.1, 2], [7.2, 3.2, 6.0, 1.8, 2], [6.2, 2.8, 4.8, 1.8, 2], [6.1, 3.0, 4.9, 1.8, 2], [6.4, 2.8, 5.6, 2.1, 2], [7.2, 3.0, 5.8, 1.6, 2], [7.4, 2.8, 6.1, 1.9, 2], [7.9, 3.8, 6.4, 2.0, 2], [6.4, 2.8, 5.6, 2.2, 2], [6.3, 2.8, 5.1, 1.5, 2], [6.1, 2.6, 5.6, 1.4, 2], [7.7, 3.0, 6.1, 2.3, 2], [6.3, 3.4, 5.6, 2.4, 2], [6.4, 3.1, 5.5, 1.8, 2], [6.0, 3.0, 4.8, 1.8, 2], [6.9, 3.1, 5.4, 2.1, 2], [6.7, 3.1, 5.6, 2.4, 2], [6.9, 3.1, 5.1, 2.3, 2], [5.8, 2.7, 5.1, 1.9, 2], [6.8, 3.2, 5.9, 2.3, 2], [6.7, 3.3, 5.7, 2.5, 2], [6.7, 3.0, 5.2, 2.3, 2], [6.3, 2.5, 5.0, 1.9, 2], [6.5, 3.0, 5.2, 2.0, 2], [6.2, 3.4, 5.4, 2.3, 2], [5.9, 3.0, 5.1, 1.8, 2]]
In [14]:
iris = np.array(data)
iris
Out[14]:
array([[5.1, 3.5, 1.4, 0.2, 0. ],
[4.9, 3. , 1.4, 0.2, 0. ],
[4.7, 3.2, 1.3, 0.2, 0. ],
[4.6, 3.1, 1.5, 0.2, 0. ],
[5. , 3.6, 1.4, 0.2, 0. ],
[5.4, 3.9, 1.7, 0.4, 0. ],
[4.6, 3.4, 1.4, 0.3, 0. ],
[5. , 3.4, 1.5, 0.2, 0. ],
[4.4, 2.9, 1.4, 0.2, 0. ],
[4.9, 3.1, 1.5, 0.1, 0. ],
[5.4, 3.7, 1.5, 0.2, 0. ],
[4.8, 3.4, 1.6, 0.2, 0. ],
[4.8, 3. , 1.4, 0.1, 0. ],
[4.3, 3. , 1.1, 0.1, 0. ],
[5.8, 4. , 1.2, 0.2, 0. ],
[5.7, 4.4, 1.5, 0.4, 0. ],
[5.4, 3.9, 1.3, 0.4, 0. ],
[5.1, 3.5, 1.4, 0.3, 0. ],
[5.7, 3.8, 1.7, 0.3, 0. ],
[5.1, 3.8, 1.5, 0.3, 0. ],
[5.4, 3.4, 1.7, 0.2, 0. ],
[5.1, 3.7, 1.5, 0.4, 0. ],
[4.6, 3.6, 1. , 0.2, 0. ],
[5.1, 3.3, 1.7, 0.5, 0. ],
[4.8, 3.4, 1.9, 0.2, 0. ],
[5. , 3. , 1.6, 0.2, 0. ],
[5. , 3.4, 1.6, 0.4, 0. ],
[5.2, 3.5, 1.5, 0.2, 0. ],
[5.2, 3.4, 1.4, 0.2, 0. ],
[4.7, 3.2, 1.6, 0.2, 0. ],
[4.8, 3.1, 1.6, 0.2, 0. ],
[5.4, 3.4, 1.5, 0.4, 0. ],
[5.2, 4.1, 1.5, 0.1, 0. ],
[5.5, 4.2, 1.4, 0.2, 0. ],
[4.9, 3.1, 1.5, 0.1, 0. ],
[5. , 3.2, 1.2, 0.2, 0. ],
[5.5, 3.5, 1.3, 0.2, 0. ],
[4.9, 3.1, 1.5, 0.1, 0. ],
[4.4, 3. , 1.3, 0.2, 0. ],
[5.1, 3.4, 1.5, 0.2, 0. ],
[5. , 3.5, 1.3, 0.3, 0. ],
[4.5, 2.3, 1.3, 0.3, 0. ],
[4.4, 3.2, 1.3, 0.2, 0. ],
[5. , 3.5, 1.6, 0.6, 0. ],
[5.1, 3.8, 1.9, 0.4, 0. ],
[4.8, 3. , 1.4, 0.3, 0. ],
[5.1, 3.8, 1.6, 0.2, 0. ],
[4.6, 3.2, 1.4, 0.2, 0. ],
[5.3, 3.7, 1.5, 0.2, 0. ],
[5. , 3.3, 1.4, 0.2, 0. ],
[7. , 3.2, 4.7, 1.4, 1. ],
[6.4, 3.2, 4.5, 1.5, 1. ],
[6.9, 3.1, 4.9, 1.5, 1. ],
[5.5, 2.3, 4. , 1.3, 1. ],
[6.5, 2.8, 4.6, 1.5, 1. ],
[5.7, 2.8, 4.5, 1.3, 1. ],
[6.3, 3.3, 4.7, 1.6, 1. ],
[4.9, 2.4, 3.3, 1. , 1. ],
[6.6, 2.9, 4.6, 1.3, 1. ],
[5.2, 2.7, 3.9, 1.4, 1. ],
[5. , 2. , 3.5, 1. , 1. ],
[5.9, 3. , 4.2, 1.5, 1. ],
[6. , 2.2, 4. , 1. , 1. ],
[6.1, 2.9, 4.7, 1.4, 1. ],
[5.6, 2.9, 3.6, 1.3, 1. ],
[6.7, 3.1, 4.4, 1.4, 1. ],
[5.6, 3. , 4.5, 1.5, 1. ],
[5.8, 2.7, 4.1, 1. , 1. ],
[6.2, 2.2, 4.5, 1.5, 1. ],
[5.6, 2.5, 3.9, 1.1, 1. ],
[5.9, 3.2, 4.8, 1.8, 1. ],
[6.1, 2.8, 4. , 1.3, 1. ],
[6.3, 2.5, 4.9, 1.5, 1. ],
[6.1, 2.8, 4.7, 1.2, 1. ],
[6.4, 2.9, 4.3, 1.3, 1. ],
[6.6, 3. , 4.4, 1.4, 1. ],
[6.8, 2.8, 4.8, 1.4, 1. ],
[6.7, 3. , 5. , 1.7, 1. ],
[6. , 2.9, 4.5, 1.5, 1. ],
[5.7, 2.6, 3.5, 1. , 1. ],
[5.5, 2.4, 3.8, 1.1, 1. ],
[5.5, 2.4, 3.7, 1. , 1. ],
[5.8, 2.7, 3.9, 1.2, 1. ],
[6. , 2.7, 5.1, 1.6, 1. ],
[5.4, 3. , 4.5, 1.5, 1. ],
[6. , 3.4, 4.5, 1.6, 1. ],
[6.7, 3.1, 4.7, 1.5, 1. ],
[6.3, 2.3, 4.4, 1.3, 1. ],
[5.6, 3. , 4.1, 1.3, 1. ],
[5.5, 2.5, 4. , 1.3, 1. ],
[5.5, 2.6, 4.4, 1.2, 1. ],
[6.1, 3. , 4.6, 1.4, 1. ],
[5.8, 2.6, 4. , 1.2, 1. ],
[5. , 2.3, 3.3, 1. , 1. ],
[5.6, 2.7, 4.2, 1.3, 1. ],
[5.7, 3. , 4.2, 1.2, 1. ],
[5.7, 2.9, 4.2, 1.3, 1. ],
[6.2, 2.9, 4.3, 1.3, 1. ],
[5.1, 2.5, 3. , 1.1, 1. ],
[5.7, 2.8, 4.1, 1.3, 1. ],
[6.3, 3.3, 6. , 2.5, 2. ],
[5.8, 2.7, 5.1, 1.9, 2. ],
[7.1, 3. , 5.9, 2.1, 2. ],
[6.3, 2.9, 5.6, 1.8, 2. ],
[6.5, 3. , 5.8, 2.2, 2. ],
[7.6, 3. , 6.6, 2.1, 2. ],
[4.9, 2.5, 4.5, 1.7, 2. ],
[7.3, 2.9, 6.3, 1.8, 2. ],
[6.7, 2.5, 5.8, 1.8, 2. ],
[7.2, 3.6, 6.1, 2.5, 2. ],
[6.5, 3.2, 5.1, 2. , 2. ],
[6.4, 2.7, 5.3, 1.9, 2. ],
[6.8, 3. , 5.5, 2.1, 2. ],
[5.7, 2.5, 5. , 2. , 2. ],
[5.8, 2.8, 5.1, 2.4, 2. ],
[6.4, 3.2, 5.3, 2.3, 2. ],
[6.5, 3. , 5.5, 1.8, 2. ],
[7.7, 3.8, 6.7, 2.2, 2. ],
[7.7, 2.6, 6.9, 2.3, 2. ],
[6. , 2.2, 5. , 1.5, 2. ],
[6.9, 3.2, 5.7, 2.3, 2. ],
[5.6, 2.8, 4.9, 2. , 2. ],
[7.7, 2.8, 6.7, 2. , 2. ],
[6.3, 2.7, 4.9, 1.8, 2. ],
[6.7, 3.3, 5.7, 2.1, 2. ],
[7.2, 3.2, 6. , 1.8, 2. ],
[6.2, 2.8, 4.8, 1.8, 2. ],
[6.1, 3. , 4.9, 1.8, 2. ],
[6.4, 2.8, 5.6, 2.1, 2. ],
[7.2, 3. , 5.8, 1.6, 2. ],
[7.4, 2.8, 6.1, 1.9, 2. ],
[7.9, 3.8, 6.4, 2. , 2. ],
[6.4, 2.8, 5.6, 2.2, 2. ],
[6.3, 2.8, 5.1, 1.5, 2. ],
[6.1, 2.6, 5.6, 1.4, 2. ],
[7.7, 3. , 6.1, 2.3, 2. ],
[6.3, 3.4, 5.6, 2.4, 2. ],
[6.4, 3.1, 5.5, 1.8, 2. ],
[6. , 3. , 4.8, 1.8, 2. ],
[6.9, 3.1, 5.4, 2.1, 2. ],
[6.7, 3.1, 5.6, 2.4, 2. ],
[6.9, 3.1, 5.1, 2.3, 2. ],
[5.8, 2.7, 5.1, 1.9, 2. ],
[6.8, 3.2, 5.9, 2.3, 2. ],
[6.7, 3.3, 5.7, 2.5, 2. ],
[6.7, 3. , 5.2, 2.3, 2. ],
[6.3, 2.5, 5. , 1.9, 2. ],
[6.5, 3. , 5.2, 2. , 2. ],
[6.2, 3.4, 5.4, 2.3, 2. ],
[5.9, 3. , 5.1, 1.8, 2. ]])
In [15]:
iris[0], iris[-1]
Out[15]:
(array([5.1, 3.5, 1.4, 0.2, 0. ]), array([5.9, 3. , 5.1, 1.8, 2. ]))
In [16]:
len(iris)
Out[16]:
150
In [17]:
iris[1,1] # 2번째 줄에 2번째 값
Out[17]:
3.0
리스트 안에는 1차원의 형태로 리스트, 딕셔너리, 숫자, 문자 섞어서 모두 들어갈 수 있다.
그러나 numpy는 2차원의 형태이므로, 행렬처럼 직사각형 모양으로 안에 들어가는 형태와 크기가 같아야 한다.
In [18]:
iris[:3]
Out[18]:
array([[5.1, 3.5, 1.4, 0.2, 0. ],
[4.9, 3. , 1.4, 0.2, 0. ],
[4.7, 3.2, 1.3, 0.2, 0. ]])
In [19]:
iris[-3:]
Out[19]:
array([[6.5, 3. , 5.2, 2. , 2. ],
[6.2, 3.4, 5.4, 2.3, 2. ],
[5.9, 3. , 5.1, 1.8, 2. ]])
In [20]:
iris[10:20]
Out[20]:
array([[5.4, 3.7, 1.5, 0.2, 0. ],
[4.8, 3.4, 1.6, 0.2, 0. ],
[4.8, 3. , 1.4, 0.1, 0. ],
[4.3, 3. , 1.1, 0.1, 0. ],
[5.8, 4. , 1.2, 0.2, 0. ],
[5.7, 4.4, 1.5, 0.4, 0. ],
[5.4, 3.9, 1.3, 0.4, 0. ],
[5.1, 3.5, 1.4, 0.3, 0. ],
[5.7, 3.8, 1.7, 0.3, 0. ],
[5.1, 3.8, 1.5, 0.3, 0. ]])
In [21]:
iris[:3,:3]
Out[21]:
array([[5.1, 3.5, 1.4],
[4.9, 3. , 1.4],
[4.7, 3.2, 1.3]])
(3,3) 성분을 가져오려면,
리스트 : (l[3])[3]
어레이 : a[3,3]
(3,3)까지 가져오려면
리스트 : l[:3][:3]
어레이 : a[:3, :3]
In [22]:
iris[:, -1] # ':'는 전체를 의미한다.
Out[22]:
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 2., 2.,
2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2.,
2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2.,
2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2.])
In [23]:
iris[:,:3]
Out[23]:
array([[5.1, 3.5, 1.4],
[4.9, 3. , 1.4],
[4.7, 3.2, 1.3],
[4.6, 3.1, 1.5],
[5. , 3.6, 1.4],
[5.4, 3.9, 1.7],
[4.6, 3.4, 1.4],
[5. , 3.4, 1.5],
[4.4, 2.9, 1.4],
[4.9, 3.1, 1.5],
[5.4, 3.7, 1.5],
[4.8, 3.4, 1.6],
[4.8, 3. , 1.4],
[4.3, 3. , 1.1],
[5.8, 4. , 1.2],
[5.7, 4.4, 1.5],
[5.4, 3.9, 1.3],
[5.1, 3.5, 1.4],
[5.7, 3.8, 1.7],
[5.1, 3.8, 1.5],
[5.4, 3.4, 1.7],
[5.1, 3.7, 1.5],
[4.6, 3.6, 1. ],
[5.1, 3.3, 1.7],
[4.8, 3.4, 1.9],
[5. , 3. , 1.6],
[5. , 3.4, 1.6],
[5.2, 3.5, 1.5],
[5.2, 3.4, 1.4],
[4.7, 3.2, 1.6],
[4.8, 3.1, 1.6],
[5.4, 3.4, 1.5],
[5.2, 4.1, 1.5],
[5.5, 4.2, 1.4],
[4.9, 3.1, 1.5],
[5. , 3.2, 1.2],
[5.5, 3.5, 1.3],
[4.9, 3.1, 1.5],
[4.4, 3. , 1.3],
[5.1, 3.4, 1.5],
[5. , 3.5, 1.3],
[4.5, 2.3, 1.3],
[4.4, 3.2, 1.3],
[5. , 3.5, 1.6],
[5.1, 3.8, 1.9],
[4.8, 3. , 1.4],
[5.1, 3.8, 1.6],
[4.6, 3.2, 1.4],
[5.3, 3.7, 1.5],
[5. , 3.3, 1.4],
[7. , 3.2, 4.7],
[6.4, 3.2, 4.5],
[6.9, 3.1, 4.9],
[5.5, 2.3, 4. ],
[6.5, 2.8, 4.6],
[5.7, 2.8, 4.5],
[6.3, 3.3, 4.7],
[4.9, 2.4, 3.3],
[6.6, 2.9, 4.6],
[5.2, 2.7, 3.9],
[5. , 2. , 3.5],
[5.9, 3. , 4.2],
[6. , 2.2, 4. ],
[6.1, 2.9, 4.7],
[5.6, 2.9, 3.6],
[6.7, 3.1, 4.4],
[5.6, 3. , 4.5],
[5.8, 2.7, 4.1],
[6.2, 2.2, 4.5],
[5.6, 2.5, 3.9],
[5.9, 3.2, 4.8],
[6.1, 2.8, 4. ],
[6.3, 2.5, 4.9],
[6.1, 2.8, 4.7],
[6.4, 2.9, 4.3],
[6.6, 3. , 4.4],
[6.8, 2.8, 4.8],
[6.7, 3. , 5. ],
[6. , 2.9, 4.5],
[5.7, 2.6, 3.5],
[5.5, 2.4, 3.8],
[5.5, 2.4, 3.7],
[5.8, 2.7, 3.9],
[6. , 2.7, 5.1],
[5.4, 3. , 4.5],
[6. , 3.4, 4.5],
[6.7, 3.1, 4.7],
[6.3, 2.3, 4.4],
[5.6, 3. , 4.1],
[5.5, 2.5, 4. ],
[5.5, 2.6, 4.4],
[6.1, 3. , 4.6],
[5.8, 2.6, 4. ],
[5. , 2.3, 3.3],
[5.6, 2.7, 4.2],
[5.7, 3. , 4.2],
[5.7, 2.9, 4.2],
[6.2, 2.9, 4.3],
[5.1, 2.5, 3. ],
[5.7, 2.8, 4.1],
[6.3, 3.3, 6. ],
[5.8, 2.7, 5.1],
[7.1, 3. , 5.9],
[6.3, 2.9, 5.6],
[6.5, 3. , 5.8],
[7.6, 3. , 6.6],
[4.9, 2.5, 4.5],
[7.3, 2.9, 6.3],
[6.7, 2.5, 5.8],
[7.2, 3.6, 6.1],
[6.5, 3.2, 5.1],
[6.4, 2.7, 5.3],
[6.8, 3. , 5.5],
[5.7, 2.5, 5. ],
[5.8, 2.8, 5.1],
[6.4, 3.2, 5.3],
[6.5, 3. , 5.5],
[7.7, 3.8, 6.7],
[7.7, 2.6, 6.9],
[6. , 2.2, 5. ],
[6.9, 3.2, 5.7],
[5.6, 2.8, 4.9],
[7.7, 2.8, 6.7],
[6.3, 2.7, 4.9],
[6.7, 3.3, 5.7],
[7.2, 3.2, 6. ],
[6.2, 2.8, 4.8],
[6.1, 3. , 4.9],
[6.4, 2.8, 5.6],
[7.2, 3. , 5.8],
[7.4, 2.8, 6.1],
[7.9, 3.8, 6.4],
[6.4, 2.8, 5.6],
[6.3, 2.8, 5.1],
[6.1, 2.6, 5.6],
[7.7, 3. , 6.1],
[6.3, 3.4, 5.6],
[6.4, 3.1, 5.5],
[6. , 3. , 4.8],
[6.9, 3.1, 5.4],
[6.7, 3.1, 5.6],
[6.9, 3.1, 5.1],
[5.8, 2.7, 5.1],
[6.8, 3.2, 5.9],
[6.7, 3.3, 5.7],
[6.7, 3. , 5.2],
[6.3, 2.5, 5. ],
[6.5, 3. , 5.2],
[6.2, 3.4, 5.4],
[5.9, 3. , 5.1]])
In [24]:
type(iris), len(iris)
Out[24]:
(numpy.ndarray, 150)
In [25]:
iris.shape, iris.dtype # float : 실수이다. 정수이면 int라고 나왔을 것이다. 둘 중 하나만 나온다.
Out[25]:
((150, 5), dtype('float64'))
리스트와 어레이의 차이¶
In [26]:
l = [1,2,3]
l*3
Out[26]:
[1, 2, 3, 1, 2, 3, 1, 2, 3]
In [27]:
l + [2,3]
Out[27]:
[1, 2, 3, 2, 3]
In [28]:
iris*3
Out[28]:
array([[15.3, 10.5, 4.2, 0.6, 0. ],
[14.7, 9. , 4.2, 0.6, 0. ],
[14.1, 9.6, 3.9, 0.6, 0. ],
[13.8, 9.3, 4.5, 0.6, 0. ],
[15. , 10.8, 4.2, 0.6, 0. ],
[16.2, 11.7, 5.1, 1.2, 0. ],
[13.8, 10.2, 4.2, 0.9, 0. ],
[15. , 10.2, 4.5, 0.6, 0. ],
[13.2, 8.7, 4.2, 0.6, 0. ],
[14.7, 9.3, 4.5, 0.3, 0. ],
[16.2, 11.1, 4.5, 0.6, 0. ],
[14.4, 10.2, 4.8, 0.6, 0. ],
[14.4, 9. , 4.2, 0.3, 0. ],
[12.9, 9. , 3.3, 0.3, 0. ],
[17.4, 12. , 3.6, 0.6, 0. ],
[17.1, 13.2, 4.5, 1.2, 0. ],
[16.2, 11.7, 3.9, 1.2, 0. ],
[15.3, 10.5, 4.2, 0.9, 0. ],
[17.1, 11.4, 5.1, 0.9, 0. ],
[15.3, 11.4, 4.5, 0.9, 0. ],
[16.2, 10.2, 5.1, 0.6, 0. ],
[15.3, 11.1, 4.5, 1.2, 0. ],
[13.8, 10.8, 3. , 0.6, 0. ],
[15.3, 9.9, 5.1, 1.5, 0. ],
[14.4, 10.2, 5.7, 0.6, 0. ],
[15. , 9. , 4.8, 0.6, 0. ],
[15. , 10.2, 4.8, 1.2, 0. ],
[15.6, 10.5, 4.5, 0.6, 0. ],
[15.6, 10.2, 4.2, 0.6, 0. ],
[14.1, 9.6, 4.8, 0.6, 0. ],
[14.4, 9.3, 4.8, 0.6, 0. ],
[16.2, 10.2, 4.5, 1.2, 0. ],
[15.6, 12.3, 4.5, 0.3, 0. ],
[16.5, 12.6, 4.2, 0.6, 0. ],
[14.7, 9.3, 4.5, 0.3, 0. ],
[15. , 9.6, 3.6, 0.6, 0. ],
[16.5, 10.5, 3.9, 0.6, 0. ],
[14.7, 9.3, 4.5, 0.3, 0. ],
[13.2, 9. , 3.9, 0.6, 0. ],
[15.3, 10.2, 4.5, 0.6, 0. ],
[15. , 10.5, 3.9, 0.9, 0. ],
[13.5, 6.9, 3.9, 0.9, 0. ],
[13.2, 9.6, 3.9, 0.6, 0. ],
[15. , 10.5, 4.8, 1.8, 0. ],
[15.3, 11.4, 5.7, 1.2, 0. ],
[14.4, 9. , 4.2, 0.9, 0. ],
[15.3, 11.4, 4.8, 0.6, 0. ],
[13.8, 9.6, 4.2, 0.6, 0. ],
[15.9, 11.1, 4.5, 0.6, 0. ],
[15. , 9.9, 4.2, 0.6, 0. ],
[21. , 9.6, 14.1, 4.2, 3. ],
[19.2, 9.6, 13.5, 4.5, 3. ],
[20.7, 9.3, 14.7, 4.5, 3. ],
[16.5, 6.9, 12. , 3.9, 3. ],
[19.5, 8.4, 13.8, 4.5, 3. ],
[17.1, 8.4, 13.5, 3.9, 3. ],
[18.9, 9.9, 14.1, 4.8, 3. ],
[14.7, 7.2, 9.9, 3. , 3. ],
[19.8, 8.7, 13.8, 3.9, 3. ],
[15.6, 8.1, 11.7, 4.2, 3. ],
[15. , 6. , 10.5, 3. , 3. ],
[17.7, 9. , 12.6, 4.5, 3. ],
[18. , 6.6, 12. , 3. , 3. ],
[18.3, 8.7, 14.1, 4.2, 3. ],
[16.8, 8.7, 10.8, 3.9, 3. ],
[20.1, 9.3, 13.2, 4.2, 3. ],
[16.8, 9. , 13.5, 4.5, 3. ],
[17.4, 8.1, 12.3, 3. , 3. ],
[18.6, 6.6, 13.5, 4.5, 3. ],
[16.8, 7.5, 11.7, 3.3, 3. ],
[17.7, 9.6, 14.4, 5.4, 3. ],
[18.3, 8.4, 12. , 3.9, 3. ],
[18.9, 7.5, 14.7, 4.5, 3. ],
[18.3, 8.4, 14.1, 3.6, 3. ],
[19.2, 8.7, 12.9, 3.9, 3. ],
[19.8, 9. , 13.2, 4.2, 3. ],
[20.4, 8.4, 14.4, 4.2, 3. ],
[20.1, 9. , 15. , 5.1, 3. ],
[18. , 8.7, 13.5, 4.5, 3. ],
[17.1, 7.8, 10.5, 3. , 3. ],
[16.5, 7.2, 11.4, 3.3, 3. ],
[16.5, 7.2, 11.1, 3. , 3. ],
[17.4, 8.1, 11.7, 3.6, 3. ],
[18. , 8.1, 15.3, 4.8, 3. ],
[16.2, 9. , 13.5, 4.5, 3. ],
[18. , 10.2, 13.5, 4.8, 3. ],
[20.1, 9.3, 14.1, 4.5, 3. ],
[18.9, 6.9, 13.2, 3.9, 3. ],
[16.8, 9. , 12.3, 3.9, 3. ],
[16.5, 7.5, 12. , 3.9, 3. ],
[16.5, 7.8, 13.2, 3.6, 3. ],
[18.3, 9. , 13.8, 4.2, 3. ],
[17.4, 7.8, 12. , 3.6, 3. ],
[15. , 6.9, 9.9, 3. , 3. ],
[16.8, 8.1, 12.6, 3.9, 3. ],
[17.1, 9. , 12.6, 3.6, 3. ],
[17.1, 8.7, 12.6, 3.9, 3. ],
[18.6, 8.7, 12.9, 3.9, 3. ],
[15.3, 7.5, 9. , 3.3, 3. ],
[17.1, 8.4, 12.3, 3.9, 3. ],
[18.9, 9.9, 18. , 7.5, 6. ],
[17.4, 8.1, 15.3, 5.7, 6. ],
[21.3, 9. , 17.7, 6.3, 6. ],
[18.9, 8.7, 16.8, 5.4, 6. ],
[19.5, 9. , 17.4, 6.6, 6. ],
[22.8, 9. , 19.8, 6.3, 6. ],
[14.7, 7.5, 13.5, 5.1, 6. ],
[21.9, 8.7, 18.9, 5.4, 6. ],
[20.1, 7.5, 17.4, 5.4, 6. ],
[21.6, 10.8, 18.3, 7.5, 6. ],
[19.5, 9.6, 15.3, 6. , 6. ],
[19.2, 8.1, 15.9, 5.7, 6. ],
[20.4, 9. , 16.5, 6.3, 6. ],
[17.1, 7.5, 15. , 6. , 6. ],
[17.4, 8.4, 15.3, 7.2, 6. ],
[19.2, 9.6, 15.9, 6.9, 6. ],
[19.5, 9. , 16.5, 5.4, 6. ],
[23.1, 11.4, 20.1, 6.6, 6. ],
[23.1, 7.8, 20.7, 6.9, 6. ],
[18. , 6.6, 15. , 4.5, 6. ],
[20.7, 9.6, 17.1, 6.9, 6. ],
[16.8, 8.4, 14.7, 6. , 6. ],
[23.1, 8.4, 20.1, 6. , 6. ],
[18.9, 8.1, 14.7, 5.4, 6. ],
[20.1, 9.9, 17.1, 6.3, 6. ],
[21.6, 9.6, 18. , 5.4, 6. ],
[18.6, 8.4, 14.4, 5.4, 6. ],
[18.3, 9. , 14.7, 5.4, 6. ],
[19.2, 8.4, 16.8, 6.3, 6. ],
[21.6, 9. , 17.4, 4.8, 6. ],
[22.2, 8.4, 18.3, 5.7, 6. ],
[23.7, 11.4, 19.2, 6. , 6. ],
[19.2, 8.4, 16.8, 6.6, 6. ],
[18.9, 8.4, 15.3, 4.5, 6. ],
[18.3, 7.8, 16.8, 4.2, 6. ],
[23.1, 9. , 18.3, 6.9, 6. ],
[18.9, 10.2, 16.8, 7.2, 6. ],
[19.2, 9.3, 16.5, 5.4, 6. ],
[18. , 9. , 14.4, 5.4, 6. ],
[20.7, 9.3, 16.2, 6.3, 6. ],
[20.1, 9.3, 16.8, 7.2, 6. ],
[20.7, 9.3, 15.3, 6.9, 6. ],
[17.4, 8.1, 15.3, 5.7, 6. ],
[20.4, 9.6, 17.7, 6.9, 6. ],
[20.1, 9.9, 17.1, 7.5, 6. ],
[20.1, 9. , 15.6, 6.9, 6. ],
[18.9, 7.5, 15. , 5.7, 6. ],
[19.5, 9. , 15.6, 6. , 6. ],
[18.6, 10.2, 16.2, 6.9, 6. ],
[17.7, 9. , 15.3, 5.4, 6. ]])
In [29]:
iris+3
Out[29]:
array([[ 8.1, 6.5, 4.4, 3.2, 3. ],
[ 7.9, 6. , 4.4, 3.2, 3. ],
[ 7.7, 6.2, 4.3, 3.2, 3. ],
[ 7.6, 6.1, 4.5, 3.2, 3. ],
[ 8. , 6.6, 4.4, 3.2, 3. ],
[ 8.4, 6.9, 4.7, 3.4, 3. ],
[ 7.6, 6.4, 4.4, 3.3, 3. ],
[ 8. , 6.4, 4.5, 3.2, 3. ],
[ 7.4, 5.9, 4.4, 3.2, 3. ],
[ 7.9, 6.1, 4.5, 3.1, 3. ],
[ 8.4, 6.7, 4.5, 3.2, 3. ],
[ 7.8, 6.4, 4.6, 3.2, 3. ],
[ 7.8, 6. , 4.4, 3.1, 3. ],
[ 7.3, 6. , 4.1, 3.1, 3. ],
[ 8.8, 7. , 4.2, 3.2, 3. ],
[ 8.7, 7.4, 4.5, 3.4, 3. ],
[ 8.4, 6.9, 4.3, 3.4, 3. ],
[ 8.1, 6.5, 4.4, 3.3, 3. ],
[ 8.7, 6.8, 4.7, 3.3, 3. ],
[ 8.1, 6.8, 4.5, 3.3, 3. ],
[ 8.4, 6.4, 4.7, 3.2, 3. ],
[ 8.1, 6.7, 4.5, 3.4, 3. ],
[ 7.6, 6.6, 4. , 3.2, 3. ],
[ 8.1, 6.3, 4.7, 3.5, 3. ],
[ 7.8, 6.4, 4.9, 3.2, 3. ],
[ 8. , 6. , 4.6, 3.2, 3. ],
[ 8. , 6.4, 4.6, 3.4, 3. ],
[ 8.2, 6.5, 4.5, 3.2, 3. ],
[ 8.2, 6.4, 4.4, 3.2, 3. ],
[ 7.7, 6.2, 4.6, 3.2, 3. ],
[ 7.8, 6.1, 4.6, 3.2, 3. ],
[ 8.4, 6.4, 4.5, 3.4, 3. ],
[ 8.2, 7.1, 4.5, 3.1, 3. ],
[ 8.5, 7.2, 4.4, 3.2, 3. ],
[ 7.9, 6.1, 4.5, 3.1, 3. ],
[ 8. , 6.2, 4.2, 3.2, 3. ],
[ 8.5, 6.5, 4.3, 3.2, 3. ],
[ 7.9, 6.1, 4.5, 3.1, 3. ],
[ 7.4, 6. , 4.3, 3.2, 3. ],
[ 8.1, 6.4, 4.5, 3.2, 3. ],
[ 8. , 6.5, 4.3, 3.3, 3. ],
[ 7.5, 5.3, 4.3, 3.3, 3. ],
[ 7.4, 6.2, 4.3, 3.2, 3. ],
[ 8. , 6.5, 4.6, 3.6, 3. ],
[ 8.1, 6.8, 4.9, 3.4, 3. ],
[ 7.8, 6. , 4.4, 3.3, 3. ],
[ 8.1, 6.8, 4.6, 3.2, 3. ],
[ 7.6, 6.2, 4.4, 3.2, 3. ],
[ 8.3, 6.7, 4.5, 3.2, 3. ],
[ 8. , 6.3, 4.4, 3.2, 3. ],
[10. , 6.2, 7.7, 4.4, 4. ],
[ 9.4, 6.2, 7.5, 4.5, 4. ],
[ 9.9, 6.1, 7.9, 4.5, 4. ],
[ 8.5, 5.3, 7. , 4.3, 4. ],
[ 9.5, 5.8, 7.6, 4.5, 4. ],
[ 8.7, 5.8, 7.5, 4.3, 4. ],
[ 9.3, 6.3, 7.7, 4.6, 4. ],
[ 7.9, 5.4, 6.3, 4. , 4. ],
[ 9.6, 5.9, 7.6, 4.3, 4. ],
[ 8.2, 5.7, 6.9, 4.4, 4. ],
[ 8. , 5. , 6.5, 4. , 4. ],
[ 8.9, 6. , 7.2, 4.5, 4. ],
[ 9. , 5.2, 7. , 4. , 4. ],
[ 9.1, 5.9, 7.7, 4.4, 4. ],
[ 8.6, 5.9, 6.6, 4.3, 4. ],
[ 9.7, 6.1, 7.4, 4.4, 4. ],
[ 8.6, 6. , 7.5, 4.5, 4. ],
[ 8.8, 5.7, 7.1, 4. , 4. ],
[ 9.2, 5.2, 7.5, 4.5, 4. ],
[ 8.6, 5.5, 6.9, 4.1, 4. ],
[ 8.9, 6.2, 7.8, 4.8, 4. ],
[ 9.1, 5.8, 7. , 4.3, 4. ],
[ 9.3, 5.5, 7.9, 4.5, 4. ],
[ 9.1, 5.8, 7.7, 4.2, 4. ],
[ 9.4, 5.9, 7.3, 4.3, 4. ],
[ 9.6, 6. , 7.4, 4.4, 4. ],
[ 9.8, 5.8, 7.8, 4.4, 4. ],
[ 9.7, 6. , 8. , 4.7, 4. ],
[ 9. , 5.9, 7.5, 4.5, 4. ],
[ 8.7, 5.6, 6.5, 4. , 4. ],
[ 8.5, 5.4, 6.8, 4.1, 4. ],
[ 8.5, 5.4, 6.7, 4. , 4. ],
[ 8.8, 5.7, 6.9, 4.2, 4. ],
[ 9. , 5.7, 8.1, 4.6, 4. ],
[ 8.4, 6. , 7.5, 4.5, 4. ],
[ 9. , 6.4, 7.5, 4.6, 4. ],
[ 9.7, 6.1, 7.7, 4.5, 4. ],
[ 9.3, 5.3, 7.4, 4.3, 4. ],
[ 8.6, 6. , 7.1, 4.3, 4. ],
[ 8.5, 5.5, 7. , 4.3, 4. ],
[ 8.5, 5.6, 7.4, 4.2, 4. ],
[ 9.1, 6. , 7.6, 4.4, 4. ],
[ 8.8, 5.6, 7. , 4.2, 4. ],
[ 8. , 5.3, 6.3, 4. , 4. ],
[ 8.6, 5.7, 7.2, 4.3, 4. ],
[ 8.7, 6. , 7.2, 4.2, 4. ],
[ 8.7, 5.9, 7.2, 4.3, 4. ],
[ 9.2, 5.9, 7.3, 4.3, 4. ],
[ 8.1, 5.5, 6. , 4.1, 4. ],
[ 8.7, 5.8, 7.1, 4.3, 4. ],
[ 9.3, 6.3, 9. , 5.5, 5. ],
[ 8.8, 5.7, 8.1, 4.9, 5. ],
[10.1, 6. , 8.9, 5.1, 5. ],
[ 9.3, 5.9, 8.6, 4.8, 5. ],
[ 9.5, 6. , 8.8, 5.2, 5. ],
[10.6, 6. , 9.6, 5.1, 5. ],
[ 7.9, 5.5, 7.5, 4.7, 5. ],
[10.3, 5.9, 9.3, 4.8, 5. ],
[ 9.7, 5.5, 8.8, 4.8, 5. ],
[10.2, 6.6, 9.1, 5.5, 5. ],
[ 9.5, 6.2, 8.1, 5. , 5. ],
[ 9.4, 5.7, 8.3, 4.9, 5. ],
[ 9.8, 6. , 8.5, 5.1, 5. ],
[ 8.7, 5.5, 8. , 5. , 5. ],
[ 8.8, 5.8, 8.1, 5.4, 5. ],
[ 9.4, 6.2, 8.3, 5.3, 5. ],
[ 9.5, 6. , 8.5, 4.8, 5. ],
[10.7, 6.8, 9.7, 5.2, 5. ],
[10.7, 5.6, 9.9, 5.3, 5. ],
[ 9. , 5.2, 8. , 4.5, 5. ],
[ 9.9, 6.2, 8.7, 5.3, 5. ],
[ 8.6, 5.8, 7.9, 5. , 5. ],
[10.7, 5.8, 9.7, 5. , 5. ],
[ 9.3, 5.7, 7.9, 4.8, 5. ],
[ 9.7, 6.3, 8.7, 5.1, 5. ],
[10.2, 6.2, 9. , 4.8, 5. ],
[ 9.2, 5.8, 7.8, 4.8, 5. ],
[ 9.1, 6. , 7.9, 4.8, 5. ],
[ 9.4, 5.8, 8.6, 5.1, 5. ],
[10.2, 6. , 8.8, 4.6, 5. ],
[10.4, 5.8, 9.1, 4.9, 5. ],
[10.9, 6.8, 9.4, 5. , 5. ],
[ 9.4, 5.8, 8.6, 5.2, 5. ],
[ 9.3, 5.8, 8.1, 4.5, 5. ],
[ 9.1, 5.6, 8.6, 4.4, 5. ],
[10.7, 6. , 9.1, 5.3, 5. ],
[ 9.3, 6.4, 8.6, 5.4, 5. ],
[ 9.4, 6.1, 8.5, 4.8, 5. ],
[ 9. , 6. , 7.8, 4.8, 5. ],
[ 9.9, 6.1, 8.4, 5.1, 5. ],
[ 9.7, 6.1, 8.6, 5.4, 5. ],
[ 9.9, 6.1, 8.1, 5.3, 5. ],
[ 8.8, 5.7, 8.1, 4.9, 5. ],
[ 9.8, 6.2, 8.9, 5.3, 5. ],
[ 9.7, 6.3, 8.7, 5.5, 5. ],
[ 9.7, 6. , 8.2, 5.3, 5. ],
[ 9.3, 5.5, 8. , 4.9, 5. ],
[ 9.5, 6. , 8.2, 5. , 5. ],
[ 9.2, 6.4, 8.4, 5.3, 5. ],
[ 8.9, 6. , 8.1, 4.8, 5. ]])
In [30]:
iris % 3
Out[30]:
array([[2.1, 0.5, 1.4, 0.2, 0. ],
[1.9, 0. , 1.4, 0.2, 0. ],
[1.7, 0.2, 1.3, 0.2, 0. ],
[1.6, 0.1, 1.5, 0.2, 0. ],
[2. , 0.6, 1.4, 0.2, 0. ],
[2.4, 0.9, 1.7, 0.4, 0. ],
[1.6, 0.4, 1.4, 0.3, 0. ],
[2. , 0.4, 1.5, 0.2, 0. ],
[1.4, 2.9, 1.4, 0.2, 0. ],
[1.9, 0.1, 1.5, 0.1, 0. ],
[2.4, 0.7, 1.5, 0.2, 0. ],
[1.8, 0.4, 1.6, 0.2, 0. ],
[1.8, 0. , 1.4, 0.1, 0. ],
[1.3, 0. , 1.1, 0.1, 0. ],
[2.8, 1. , 1.2, 0.2, 0. ],
[2.7, 1.4, 1.5, 0.4, 0. ],
[2.4, 0.9, 1.3, 0.4, 0. ],
[2.1, 0.5, 1.4, 0.3, 0. ],
[2.7, 0.8, 1.7, 0.3, 0. ],
[2.1, 0.8, 1.5, 0.3, 0. ],
[2.4, 0.4, 1.7, 0.2, 0. ],
[2.1, 0.7, 1.5, 0.4, 0. ],
[1.6, 0.6, 1. , 0.2, 0. ],
[2.1, 0.3, 1.7, 0.5, 0. ],
[1.8, 0.4, 1.9, 0.2, 0. ],
[2. , 0. , 1.6, 0.2, 0. ],
[2. , 0.4, 1.6, 0.4, 0. ],
[2.2, 0.5, 1.5, 0.2, 0. ],
[2.2, 0.4, 1.4, 0.2, 0. ],
[1.7, 0.2, 1.6, 0.2, 0. ],
[1.8, 0.1, 1.6, 0.2, 0. ],
[2.4, 0.4, 1.5, 0.4, 0. ],
[2.2, 1.1, 1.5, 0.1, 0. ],
[2.5, 1.2, 1.4, 0.2, 0. ],
[1.9, 0.1, 1.5, 0.1, 0. ],
[2. , 0.2, 1.2, 0.2, 0. ],
[2.5, 0.5, 1.3, 0.2, 0. ],
[1.9, 0.1, 1.5, 0.1, 0. ],
[1.4, 0. , 1.3, 0.2, 0. ],
[2.1, 0.4, 1.5, 0.2, 0. ],
[2. , 0.5, 1.3, 0.3, 0. ],
[1.5, 2.3, 1.3, 0.3, 0. ],
[1.4, 0.2, 1.3, 0.2, 0. ],
[2. , 0.5, 1.6, 0.6, 0. ],
[2.1, 0.8, 1.9, 0.4, 0. ],
[1.8, 0. , 1.4, 0.3, 0. ],
[2.1, 0.8, 1.6, 0.2, 0. ],
[1.6, 0.2, 1.4, 0.2, 0. ],
[2.3, 0.7, 1.5, 0.2, 0. ],
[2. , 0.3, 1.4, 0.2, 0. ],
[1. , 0.2, 1.7, 1.4, 1. ],
[0.4, 0.2, 1.5, 1.5, 1. ],
[0.9, 0.1, 1.9, 1.5, 1. ],
[2.5, 2.3, 1. , 1.3, 1. ],
[0.5, 2.8, 1.6, 1.5, 1. ],
[2.7, 2.8, 1.5, 1.3, 1. ],
[0.3, 0.3, 1.7, 1.6, 1. ],
[1.9, 2.4, 0.3, 1. , 1. ],
[0.6, 2.9, 1.6, 1.3, 1. ],
[2.2, 2.7, 0.9, 1.4, 1. ],
[2. , 2. , 0.5, 1. , 1. ],
[2.9, 0. , 1.2, 1.5, 1. ],
[0. , 2.2, 1. , 1. , 1. ],
[0.1, 2.9, 1.7, 1.4, 1. ],
[2.6, 2.9, 0.6, 1.3, 1. ],
[0.7, 0.1, 1.4, 1.4, 1. ],
[2.6, 0. , 1.5, 1.5, 1. ],
[2.8, 2.7, 1.1, 1. , 1. ],
[0.2, 2.2, 1.5, 1.5, 1. ],
[2.6, 2.5, 0.9, 1.1, 1. ],
[2.9, 0.2, 1.8, 1.8, 1. ],
[0.1, 2.8, 1. , 1.3, 1. ],
[0.3, 2.5, 1.9, 1.5, 1. ],
[0.1, 2.8, 1.7, 1.2, 1. ],
[0.4, 2.9, 1.3, 1.3, 1. ],
[0.6, 0. , 1.4, 1.4, 1. ],
[0.8, 2.8, 1.8, 1.4, 1. ],
[0.7, 0. , 2. , 1.7, 1. ],
[0. , 2.9, 1.5, 1.5, 1. ],
[2.7, 2.6, 0.5, 1. , 1. ],
[2.5, 2.4, 0.8, 1.1, 1. ],
[2.5, 2.4, 0.7, 1. , 1. ],
[2.8, 2.7, 0.9, 1.2, 1. ],
[0. , 2.7, 2.1, 1.6, 1. ],
[2.4, 0. , 1.5, 1.5, 1. ],
[0. , 0.4, 1.5, 1.6, 1. ],
[0.7, 0.1, 1.7, 1.5, 1. ],
[0.3, 2.3, 1.4, 1.3, 1. ],
[2.6, 0. , 1.1, 1.3, 1. ],
[2.5, 2.5, 1. , 1.3, 1. ],
[2.5, 2.6, 1.4, 1.2, 1. ],
[0.1, 0. , 1.6, 1.4, 1. ],
[2.8, 2.6, 1. , 1.2, 1. ],
[2. , 2.3, 0.3, 1. , 1. ],
[2.6, 2.7, 1.2, 1.3, 1. ],
[2.7, 0. , 1.2, 1.2, 1. ],
[2.7, 2.9, 1.2, 1.3, 1. ],
[0.2, 2.9, 1.3, 1.3, 1. ],
[2.1, 2.5, 0. , 1.1, 1. ],
[2.7, 2.8, 1.1, 1.3, 1. ],
[0.3, 0.3, 0. , 2.5, 2. ],
[2.8, 2.7, 2.1, 1.9, 2. ],
[1.1, 0. , 2.9, 2.1, 2. ],
[0.3, 2.9, 2.6, 1.8, 2. ],
[0.5, 0. , 2.8, 2.2, 2. ],
[1.6, 0. , 0.6, 2.1, 2. ],
[1.9, 2.5, 1.5, 1.7, 2. ],
[1.3, 2.9, 0.3, 1.8, 2. ],
[0.7, 2.5, 2.8, 1.8, 2. ],
[1.2, 0.6, 0.1, 2.5, 2. ],
[0.5, 0.2, 2.1, 2. , 2. ],
[0.4, 2.7, 2.3, 1.9, 2. ],
[0.8, 0. , 2.5, 2.1, 2. ],
[2.7, 2.5, 2. , 2. , 2. ],
[2.8, 2.8, 2.1, 2.4, 2. ],
[0.4, 0.2, 2.3, 2.3, 2. ],
[0.5, 0. , 2.5, 1.8, 2. ],
[1.7, 0.8, 0.7, 2.2, 2. ],
[1.7, 2.6, 0.9, 2.3, 2. ],
[0. , 2.2, 2. , 1.5, 2. ],
[0.9, 0.2, 2.7, 2.3, 2. ],
[2.6, 2.8, 1.9, 2. , 2. ],
[1.7, 2.8, 0.7, 2. , 2. ],
[0.3, 2.7, 1.9, 1.8, 2. ],
[0.7, 0.3, 2.7, 2.1, 2. ],
[1.2, 0.2, 0. , 1.8, 2. ],
[0.2, 2.8, 1.8, 1.8, 2. ],
[0.1, 0. , 1.9, 1.8, 2. ],
[0.4, 2.8, 2.6, 2.1, 2. ],
[1.2, 0. , 2.8, 1.6, 2. ],
[1.4, 2.8, 0.1, 1.9, 2. ],
[1.9, 0.8, 0.4, 2. , 2. ],
[0.4, 2.8, 2.6, 2.2, 2. ],
[0.3, 2.8, 2.1, 1.5, 2. ],
[0.1, 2.6, 2.6, 1.4, 2. ],
[1.7, 0. , 0.1, 2.3, 2. ],
[0.3, 0.4, 2.6, 2.4, 2. ],
[0.4, 0.1, 2.5, 1.8, 2. ],
[0. , 0. , 1.8, 1.8, 2. ],
[0.9, 0.1, 2.4, 2.1, 2. ],
[0.7, 0.1, 2.6, 2.4, 2. ],
[0.9, 0.1, 2.1, 2.3, 2. ],
[2.8, 2.7, 2.1, 1.9, 2. ],
[0.8, 0.2, 2.9, 2.3, 2. ],
[0.7, 0.3, 2.7, 2.5, 2. ],
[0.7, 0. , 2.2, 2.3, 2. ],
[0.3, 2.5, 2. , 1.9, 2. ],
[0.5, 0. , 2.2, 2. , 2. ],
[0.2, 0.4, 2.4, 2.3, 2. ],
[2.9, 0. , 2.1, 1.8, 2. ]])
In [31]:
iris // 3
Out[31]:
array([[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 0., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 0., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 1., 1., 0., 0., -0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 2., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 2., 0., 2., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 0., 2., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 2., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 2., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 0., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 2., 1., 1., 0., 0.],
[ 1., 1., 1., 0., 0.]])
In [32]:
iris + iris # 두개의 모양이 같아야 한다.
Out[32]:
array([[10.2, 7. , 2.8, 0.4, 0. ],
[ 9.8, 6. , 2.8, 0.4, 0. ],
[ 9.4, 6.4, 2.6, 0.4, 0. ],
[ 9.2, 6.2, 3. , 0.4, 0. ],
[10. , 7.2, 2.8, 0.4, 0. ],
[10.8, 7.8, 3.4, 0.8, 0. ],
[ 9.2, 6.8, 2.8, 0.6, 0. ],
[10. , 6.8, 3. , 0.4, 0. ],
[ 8.8, 5.8, 2.8, 0.4, 0. ],
[ 9.8, 6.2, 3. , 0.2, 0. ],
[10.8, 7.4, 3. , 0.4, 0. ],
[ 9.6, 6.8, 3.2, 0.4, 0. ],
[ 9.6, 6. , 2.8, 0.2, 0. ],
[ 8.6, 6. , 2.2, 0.2, 0. ],
[11.6, 8. , 2.4, 0.4, 0. ],
[11.4, 8.8, 3. , 0.8, 0. ],
[10.8, 7.8, 2.6, 0.8, 0. ],
[10.2, 7. , 2.8, 0.6, 0. ],
[11.4, 7.6, 3.4, 0.6, 0. ],
[10.2, 7.6, 3. , 0.6, 0. ],
[10.8, 6.8, 3.4, 0.4, 0. ],
[10.2, 7.4, 3. , 0.8, 0. ],
[ 9.2, 7.2, 2. , 0.4, 0. ],
[10.2, 6.6, 3.4, 1. , 0. ],
[ 9.6, 6.8, 3.8, 0.4, 0. ],
[10. , 6. , 3.2, 0.4, 0. ],
[10. , 6.8, 3.2, 0.8, 0. ],
[10.4, 7. , 3. , 0.4, 0. ],
[10.4, 6.8, 2.8, 0.4, 0. ],
[ 9.4, 6.4, 3.2, 0.4, 0. ],
[ 9.6, 6.2, 3.2, 0.4, 0. ],
[10.8, 6.8, 3. , 0.8, 0. ],
[10.4, 8.2, 3. , 0.2, 0. ],
[11. , 8.4, 2.8, 0.4, 0. ],
[ 9.8, 6.2, 3. , 0.2, 0. ],
[10. , 6.4, 2.4, 0.4, 0. ],
[11. , 7. , 2.6, 0.4, 0. ],
[ 9.8, 6.2, 3. , 0.2, 0. ],
[ 8.8, 6. , 2.6, 0.4, 0. ],
[10.2, 6.8, 3. , 0.4, 0. ],
[10. , 7. , 2.6, 0.6, 0. ],
[ 9. , 4.6, 2.6, 0.6, 0. ],
[ 8.8, 6.4, 2.6, 0.4, 0. ],
[10. , 7. , 3.2, 1.2, 0. ],
[10.2, 7.6, 3.8, 0.8, 0. ],
[ 9.6, 6. , 2.8, 0.6, 0. ],
[10.2, 7.6, 3.2, 0.4, 0. ],
[ 9.2, 6.4, 2.8, 0.4, 0. ],
[10.6, 7.4, 3. , 0.4, 0. ],
[10. , 6.6, 2.8, 0.4, 0. ],
[14. , 6.4, 9.4, 2.8, 2. ],
[12.8, 6.4, 9. , 3. , 2. ],
[13.8, 6.2, 9.8, 3. , 2. ],
[11. , 4.6, 8. , 2.6, 2. ],
[13. , 5.6, 9.2, 3. , 2. ],
[11.4, 5.6, 9. , 2.6, 2. ],
[12.6, 6.6, 9.4, 3.2, 2. ],
[ 9.8, 4.8, 6.6, 2. , 2. ],
[13.2, 5.8, 9.2, 2.6, 2. ],
[10.4, 5.4, 7.8, 2.8, 2. ],
[10. , 4. , 7. , 2. , 2. ],
[11.8, 6. , 8.4, 3. , 2. ],
[12. , 4.4, 8. , 2. , 2. ],
[12.2, 5.8, 9.4, 2.8, 2. ],
[11.2, 5.8, 7.2, 2.6, 2. ],
[13.4, 6.2, 8.8, 2.8, 2. ],
[11.2, 6. , 9. , 3. , 2. ],
[11.6, 5.4, 8.2, 2. , 2. ],
[12.4, 4.4, 9. , 3. , 2. ],
[11.2, 5. , 7.8, 2.2, 2. ],
[11.8, 6.4, 9.6, 3.6, 2. ],
[12.2, 5.6, 8. , 2.6, 2. ],
[12.6, 5. , 9.8, 3. , 2. ],
[12.2, 5.6, 9.4, 2.4, 2. ],
[12.8, 5.8, 8.6, 2.6, 2. ],
[13.2, 6. , 8.8, 2.8, 2. ],
[13.6, 5.6, 9.6, 2.8, 2. ],
[13.4, 6. , 10. , 3.4, 2. ],
[12. , 5.8, 9. , 3. , 2. ],
[11.4, 5.2, 7. , 2. , 2. ],
[11. , 4.8, 7.6, 2.2, 2. ],
[11. , 4.8, 7.4, 2. , 2. ],
[11.6, 5.4, 7.8, 2.4, 2. ],
[12. , 5.4, 10.2, 3.2, 2. ],
[10.8, 6. , 9. , 3. , 2. ],
[12. , 6.8, 9. , 3.2, 2. ],
[13.4, 6.2, 9.4, 3. , 2. ],
[12.6, 4.6, 8.8, 2.6, 2. ],
[11.2, 6. , 8.2, 2.6, 2. ],
[11. , 5. , 8. , 2.6, 2. ],
[11. , 5.2, 8.8, 2.4, 2. ],
[12.2, 6. , 9.2, 2.8, 2. ],
[11.6, 5.2, 8. , 2.4, 2. ],
[10. , 4.6, 6.6, 2. , 2. ],
[11.2, 5.4, 8.4, 2.6, 2. ],
[11.4, 6. , 8.4, 2.4, 2. ],
[11.4, 5.8, 8.4, 2.6, 2. ],
[12.4, 5.8, 8.6, 2.6, 2. ],
[10.2, 5. , 6. , 2.2, 2. ],
[11.4, 5.6, 8.2, 2.6, 2. ],
[12.6, 6.6, 12. , 5. , 4. ],
[11.6, 5.4, 10.2, 3.8, 4. ],
[14.2, 6. , 11.8, 4.2, 4. ],
[12.6, 5.8, 11.2, 3.6, 4. ],
[13. , 6. , 11.6, 4.4, 4. ],
[15.2, 6. , 13.2, 4.2, 4. ],
[ 9.8, 5. , 9. , 3.4, 4. ],
[14.6, 5.8, 12.6, 3.6, 4. ],
[13.4, 5. , 11.6, 3.6, 4. ],
[14.4, 7.2, 12.2, 5. , 4. ],
[13. , 6.4, 10.2, 4. , 4. ],
[12.8, 5.4, 10.6, 3.8, 4. ],
[13.6, 6. , 11. , 4.2, 4. ],
[11.4, 5. , 10. , 4. , 4. ],
[11.6, 5.6, 10.2, 4.8, 4. ],
[12.8, 6.4, 10.6, 4.6, 4. ],
[13. , 6. , 11. , 3.6, 4. ],
[15.4, 7.6, 13.4, 4.4, 4. ],
[15.4, 5.2, 13.8, 4.6, 4. ],
[12. , 4.4, 10. , 3. , 4. ],
[13.8, 6.4, 11.4, 4.6, 4. ],
[11.2, 5.6, 9.8, 4. , 4. ],
[15.4, 5.6, 13.4, 4. , 4. ],
[12.6, 5.4, 9.8, 3.6, 4. ],
[13.4, 6.6, 11.4, 4.2, 4. ],
[14.4, 6.4, 12. , 3.6, 4. ],
[12.4, 5.6, 9.6, 3.6, 4. ],
[12.2, 6. , 9.8, 3.6, 4. ],
[12.8, 5.6, 11.2, 4.2, 4. ],
[14.4, 6. , 11.6, 3.2, 4. ],
[14.8, 5.6, 12.2, 3.8, 4. ],
[15.8, 7.6, 12.8, 4. , 4. ],
[12.8, 5.6, 11.2, 4.4, 4. ],
[12.6, 5.6, 10.2, 3. , 4. ],
[12.2, 5.2, 11.2, 2.8, 4. ],
[15.4, 6. , 12.2, 4.6, 4. ],
[12.6, 6.8, 11.2, 4.8, 4. ],
[12.8, 6.2, 11. , 3.6, 4. ],
[12. , 6. , 9.6, 3.6, 4. ],
[13.8, 6.2, 10.8, 4.2, 4. ],
[13.4, 6.2, 11.2, 4.8, 4. ],
[13.8, 6.2, 10.2, 4.6, 4. ],
[11.6, 5.4, 10.2, 3.8, 4. ],
[13.6, 6.4, 11.8, 4.6, 4. ],
[13.4, 6.6, 11.4, 5. , 4. ],
[13.4, 6. , 10.4, 4.6, 4. ],
[12.6, 5. , 10. , 3.8, 4. ],
[13. , 6. , 10.4, 4. , 4. ],
[12.4, 6.8, 10.8, 4.6, 4. ],
[11.8, 6. , 10.2, 3.6, 4. ]])
In [33]:
a = np.zeros([19,19]) # np.zeros((19,19))
a
Out[33]:
array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.]])
In [34]:
a.shape
Out[34]:
(19, 19)
In [37]:
len(a), len(a[0])
Out[37]:
(19, 19)
In [38]:
np.ones([19,19])
Out[38]:
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.]])
In [41]:
a = np.zeros([19,19])+1
a
Out[41]:
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1.]])
In [42]:
np.eye(5) # 대각행렬
Out[42]:
array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])
In [46]:
np.arange(100) # 1부터 99까지 1차원적 나열
Out[46]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
In [44]:
np.arange(40,50) # 40부터 49까지
Out[44]:
array([40, 41, 42, 43, 44, 45, 46, 47, 48, 49])
In [45]:
np.arange(100,200,4) # 100부터 199까지 4칸씩 뛰어서
Out[45]:
array([100, 104, 108, 112, 116, 120, 124, 128, 132, 136, 140, 144, 148,
152, 156, 160, 164, 168, 172, 176, 180, 184, 188, 192, 196])
In [48]:
np.arange(100).reshape(10,10) # 10x10의 2차원 행렬형태로 만듬.
Out[48]:
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
In [49]:
b = np.arange(10)
b
Out[49]:
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [51]:
b.shape # (10,) 항목이 하나인 튜플
Out[51]:
(10,)
In [54]:
iris.dtype
Out[54]:
dtype('float64')
In [56]:
-(iris+1)*2%3
Out[56]:
array([[2.8, 0. , 1.2, 0.6, 1. ],
[0.2, 1. , 1.2, 0.6, 1. ],
[0.6, 0.6, 1.4, 0.6, 1. ],
[0.8, 0.8, 1. , 0.6, 1. ],
[0. , 2.8, 1.2, 0.6, 1. ],
[2.2, 2.2, 0.6, 0.2, 1. ],
[0.8, 0.2, 1.2, 0.4, 1. ],
[0. , 0.2, 1. , 0.6, 1. ],
[1.2, 1.2, 1.2, 0.6, 1. ],
[0.2, 0.8, 1. , 0.8, 1. ],
[2.2, 2.6, 1. , 0.6, 1. ],
[0.4, 0.2, 0.8, 0.6, 1. ],
[0.4, 1. , 1.2, 0.8, 1. ],
[1.4, 1. , 1.8, 0.8, 1. ],
[1.4, 2. , 1.6, 0.6, 1. ],
[1.6, 1.2, 1. , 0.2, 1. ],
[2.2, 2.2, 1.4, 0.2, 1. ],
[2.8, 0. , 1.2, 0.4, 1. ],
[1.6, 2.4, 0.6, 0.4, 1. ],
[2.8, 2.4, 1. , 0.4, 1. ],
[2.2, 0.2, 0.6, 0.6, 1. ],
[2.8, 2.6, 1. , 0.2, 1. ],
[0.8, 2.8, 2. , 0.6, 1. ],
[2.8, 0.4, 0.6, 0. , 1. ],
[0.4, 0.2, 0.2, 0.6, 1. ],
[0. , 1. , 0.8, 0.6, 1. ],
[0. , 0.2, 0.8, 0.2, 1. ],
[2.6, 0. , 1. , 0.6, 1. ],
[2.6, 0.2, 1.2, 0.6, 1. ],
[0.6, 0.6, 0.8, 0.6, 1. ],
[0.4, 0.8, 0.8, 0.6, 1. ],
[2.2, 0.2, 1. , 0.2, 1. ],
[2.6, 1.8, 1. , 0.8, 1. ],
[2. , 1.6, 1.2, 0.6, 1. ],
[0.2, 0.8, 1. , 0.8, 1. ],
[0. , 0.6, 1.6, 0.6, 1. ],
[2. , 0. , 1.4, 0.6, 1. ],
[0.2, 0.8, 1. , 0.8, 1. ],
[1.2, 1. , 1.4, 0.6, 1. ],
[2.8, 0.2, 1. , 0.6, 1. ],
[0. , 0. , 1.4, 0.4, 1. ],
[1. , 2.4, 1.4, 0.4, 1. ],
[1.2, 0.6, 1.4, 0.6, 1. ],
[0. , 0. , 0.8, 2.8, 1. ],
[2.8, 2.4, 0.2, 0.2, 1. ],
[0.4, 1. , 1.2, 0.4, 1. ],
[2.8, 2.4, 0.8, 0.6, 1. ],
[0.8, 0.6, 1.2, 0.6, 1. ],
[2.4, 2.6, 1. , 0.6, 1. ],
[0. , 0.4, 1.2, 0.6, 1. ],
[2. , 0.6, 0.6, 1.2, 2. ],
[0.2, 0.6, 1. , 1. , 2. ],
[2.2, 0.8, 0.2, 1. , 2. ],
[2. , 2.4, 2. , 1.4, 2. ],
[0. , 1.4, 0.8, 1. , 2. ],
[1.6, 1.4, 1. , 1.4, 2. ],
[0.4, 0.4, 0.6, 0.8, 2. ],
[0.2, 2.2, 0.4, 2. , 2. ],
[2.8, 1.2, 0.8, 1.4, 2. ],
[2.6, 1.6, 2.2, 1.2, 2. ],
[0. , 0. , 0. , 2. , 2. ],
[1.2, 1. , 1.6, 1. , 2. ],
[1. , 2.6, 2. , 2. , 2. ],
[0.8, 1.2, 0.6, 1.2, 2. ],
[1.8, 1.2, 2.8, 1.4, 2. ],
[2.6, 0.8, 1.2, 1.2, 2. ],
[1.8, 1. , 1. , 1. , 2. ],
[1.4, 1.6, 1.8, 2. , 2. ],
[0.6, 2.6, 1. , 1. , 2. ],
[1.8, 2. , 2.2, 1.8, 2. ],
[1.2, 0.6, 0.4, 0.4, 2. ],
[0.8, 1.4, 2. , 1.4, 2. ],
[0.4, 2. , 0.2, 1. , 2. ],
[0.8, 1.4, 0.6, 1.6, 2. ],
[0.2, 1.2, 1.4, 1.4, 2. ],
[2.8, 1. , 1.2, 1.2, 2. ],
[2.4, 1.4, 0.4, 1.2, 2. ],
[2.6, 1. , 0. , 0.6, 2. ],
[1. , 1.2, 1. , 1. , 2. ],
[1.6, 1.8, 0. , 2. , 2. ],
[2. , 2.2, 2.4, 1.8, 2. ],
[2. , 2.2, 2.6, 2. , 2. ],
[1.4, 1.6, 2.2, 1.6, 2. ],
[1. , 1.6, 2.8, 0.8, 2. ],
[2.2, 1. , 1. , 1. , 2. ],
[1. , 0.2, 1. , 0.8, 2. ],
[2.6, 0.8, 0.6, 1. , 2. ],
[0.4, 2.4, 1.2, 1.4, 2. ],
[1.8, 1. , 1.8, 1.4, 2. ],
[2. , 2. , 2. , 1.4, 2. ],
[2. , 1.8, 1.2, 1.6, 2. ],
[0.8, 1. , 0.8, 1.2, 2. ],
[1.4, 1.8, 2. , 1.6, 2. ],
[0. , 2.4, 0.4, 2. , 2. ],
[1.8, 1.6, 1.6, 1.4, 2. ],
[1.6, 1. , 1.6, 1.6, 2. ],
[1.6, 1.2, 1.6, 1.4, 2. ],
[0.6, 1.2, 1.4, 1.4, 2. ],
[2.8, 2. , 1. , 1.8, 2. ],
[1.6, 1.4, 1.8, 1.4, 2. ],
[0.4, 0.4, 1. , 2. , 0. ],
[1.4, 1.6, 2.8, 0.2, 0. ],
[1.8, 1. , 1.2, 2.8, 0. ],
[0.4, 1.2, 1.8, 0.4, 0. ],
[0. , 1. , 1.4, 2.6, 0. ],
[0.8, 1. , 2.8, 2.8, 0. ],
[0.2, 2. , 1. , 0.6, 0. ],
[1.4, 1.2, 0.4, 0.4, 0. ],
[2.6, 2. , 1.4, 0.4, 0. ],
[1.6, 2.8, 0.8, 2. , 0. ],
[0. , 0.6, 2.8, 0. , 0. ],
[0.2, 1.6, 2.4, 0.2, 0. ],
[2.4, 1. , 2. , 2.8, 0. ],
[1.6, 2. , 0. , 0. , 0. ],
[1.4, 1.4, 2.8, 2.2, 0. ],
[0.2, 0.6, 2.4, 2.4, 0. ],
[0. , 1. , 2. , 0.4, 0. ],
[0.6, 2.4, 2.6, 2.6, 0. ],
[0.6, 1.8, 2.2, 2.4, 0. ],
[1. , 2.6, 0. , 1. , 0. ],
[2.2, 0.6, 1.6, 2.4, 0. ],
[1.8, 1.4, 0.2, 0. , 0. ],
[0.6, 1.4, 2.6, 0. , 0. ],
[0.4, 1.6, 0.2, 0.4, 0. ],
[2.6, 0.4, 1.6, 2.8, 0. ],
[1.6, 0.6, 1. , 0.4, 0. ],
[0.6, 1.4, 0.4, 0.4, 0. ],
[0.8, 1. , 0.2, 0.4, 0. ],
[0.2, 1.4, 1.8, 2.8, 0. ],
[1.6, 1. , 1.4, 0.8, 0. ],
[1.2, 1.4, 0.8, 0.2, 0. ],
[0.2, 2.4, 0.2, 0. , 0. ],
[0.2, 1.4, 1.8, 2.6, 0. ],
[0.4, 1.4, 2.8, 1. , 0. ],
[0.8, 1.8, 1.8, 1.2, 0. ],
[0.6, 1. , 0.8, 2.4, 0. ],
[0.4, 0.2, 1.8, 2.2, 0. ],
[0.2, 0.8, 2. , 0.4, 0. ],
[1. , 1. , 0.4, 0.4, 0. ],
[2.2, 0.8, 2.2, 2.8, 0. ],
[2.6, 0.8, 1.8, 2.2, 0. ],
[2.2, 0.8, 2.8, 2.4, 0. ],
[1.4, 1.6, 2.8, 0.2, 0. ],
[2.4, 0.6, 1.2, 2.4, 0. ],
[2.6, 0.4, 1.6, 2. , 0. ],
[2.6, 1. , 2.6, 2.4, 0. ],
[0.4, 2. , 0. , 0.2, 0. ],
[0. , 1. , 2.6, 0. , 0. ],
[0.6, 0.2, 2.2, 2.4, 0. ],
[1.2, 1. , 2.8, 0.4, 0. ]])
참/거짓, 조건식¶
In [57]:
iris > 1 #조건식을 적용하면 데이터 결과 값이 bool이 된다.
Out[57]:
array([[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, False, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, False, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, False],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True]])
In [58]:
(iris>1).sum()
Out[58]:
592
In [60]:
a=np.zeros([10,10])
a
Out[60]:
array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
In [66]:
a[3,3] = 1
a
Out[66]:
array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
In [67]:
a[1:3,2:6] = 7
a
Out[67]:
array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 7., 7., 7., 7., 0., 0., 0., 0.],
[0., 0., 7., 7., 7., 7., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
'beginner > 파이썬 기초' 카테고리의 다른 글
| 함수와 모듈 (0) | 2019.02.11 |
|---|---|
| NumPy_잘라내기 (0) | 2019.02.11 |
| 2019.02.07 (0) | 2019.02.07 |
| 2019.1.31 (0) | 2019.01.31 |
| 2019.01.30 (0) | 2019.01.30 |