JADE's Repository

In [2]: import numpy as np In [4]: test_example = np.array([[1, 2, 3], [4.5, 5, 6]], int) test_example Out[4]: array([[1, 2, 3], [4, 5, 6]]) In [6]: test_example[0][0] Out[6]: 1 numpy에서는 [row, col]과 같이 지정해주어도 된다는 것을 확인할 수 있다. In [8]: test_example[0, 0] Out[8]: 1 In [10]: test_example[0, 0] = 10 test_example Out[10]: array([[10, 2, 3], [ 4, 5, 6]]) In [12]: test_example[0][0] = 5 test_example[0, ..

In [2]: import numpy as np In [4]: test_matrix = [[1,2,3,4], [1,2,5,8]] np.array(test_matrix).shape Out[4]: (2, 4) In [5]: np.array(test_matrix).reshape(2, 2, 2) Out[5]: array([[[1, 2], [3, 4]], [[1, 2], [5, 8]]]) In [7]: test = np.array(test_matrix).reshape(8,) test Out[7]: array([1, 2, 3, 4, 1, 2, 5, 8]) -1로 지정해주면 다른 열 또는 행을 기준으로 자동으로 맞춰준다. 예를 들어 다음과 같이 reshape(-1, 1)로 지정해주었다면 1열로 맞추고 행은 따라서 자..

Array 생성 In [19]: #string type의 데이터를 입력해도 float type으로 자동 형변환 test_array = np.array(["1", "4", 5, 8], float) test_array Out[19]: array([1., 4., 5., 8.]) In [20]: type(test_array[3]) Out[20]: numpy.float64 In [21]: test_array = np.array([1, 4, 5, "8"], np.float32) test_array Out[21]: array([1., 4., 5., 8.], dtype=float32) In [22]: type(test_array[3]) Out[22]: numpy.float32 In [23]: #array 전체의 데이터..

주성분 분석(Principal Component Analysis)이란 고차원의 데이터를 저차원의 데이터로 차원 축소하는 알고리즘이다. 주로 고차원의 데이터를 3차원 이하의 데이터로 바꿔서 시각화하는데 많이 사용되며, 유용한 정보만 살려서 적은 메모리에 저장하거나 데이터의 노이즈를 줄이고 싶을 때도 사용하는 알고리즘이다. 이해하기 쉽게 시각화 가능한 2차원 데이터를 1차원 데이터로 축소하는 과정을 알아보겠다. 위와 같은 2차원 공간의 데이터들을 직선상의 데이터로 변환하면 다음과 같다. 보다시피 x1과 x2 선상에 옮기면 중첩되는 데이터가 많이 생긴다. 하지만 1차원 직선 상에 옮겨진 데이터들은 하나도 중첩되지 않고 육안으로 7개의 점을 확인할 수 있다.이를 정보이론 측면에서 해석해본다면 고차원 데이터를 저..