[Linux]부트캠프 - 파일 및 폴더 생성
파일 및 폴더 생성
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
import numpy as np
np.__version__
'1.19.2'
arr1 = np.arange(5)
arr1
array([0, 1, 2, 3, 4])
# 합과 (산술)평균 sum(), mean()
[arr1.sum(), arr1.mean()]
[10, 2.0]
# 표준편차와 분산 : std(), var()
[arr1.std(), arr1.var()]
[1.4142135623730951, 2.0]
# 최소값과 최대값 : min(), max()
[arr1.min(), arr1.max()]
[0, 4]
# 누적합과 누적곱 : cumsum(), cumprod()
arr2 = np.arange(1,5)
arr2
array([1, 2, 3, 4])
# 누적합 : cumsum()
arr2.cumsum()
array([ 1, 3, 6, 10], dtype=int32)
# 누적곱 : cumprod()
arr2.cumprod()
array([ 1, 2, 6, 24], dtype=int32)
A = np.arange(1, 5).reshape(2,2)
# 대체 방법1 : A = np.array([[1,2],[3,4]])
# 대체 방법2 : A = np.array([1,2,3,4]).reshape(2,2)
A
array([[1, 2],
[3, 4]])
B = np.array([3,2,0,1]).reshape(2,2)
B
array([[3, 2],
[0, 1]])
# 행렬의 곱
A.dot(B)
array([[ 3, 4],
[ 9, 10]])
# 행렬의 곱 2
np.dot(A,B)
array([[ 3, 4],
[ 9, 10]])
# 전치 행렬 1
A.transpose()
array([[1, 3],
[2, 4]])
# 전치 행렬 2
np.transpose(A)
array([[1, 3],
[2, 4]])
# 역행렬(inverse)
np.linalg.inv(A)
array([[-2. , 1. ],
[ 1.5, -0.5]])
# 행렬식(determinant)
np.linalg.det(A)
-2.0000000000000004
# A * inv(A) = I(단위행렬)
np.dot(A,np.linalg.inv(A)) # [[1,0],[0,1]]
array([[1.00000000e+00, 1.11022302e-16],
[0.00000000e+00, 1.00000000e+00]])
0번째
로 시작함arr1 = np.arange(10)
arr1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 0번째 요소
arr1[0]
0
# 3번째 요소
arr1[3]
3
# 1, 3, 4 위치 :
# shape => (m, ) => 1차원, (m, n) => 2차원 (m, n, p) => 3차원
# 인덱스 [ ] : [ m] => [m,n] => [m, n, p] (1,2,3차원)
# arr1[1,3,4] # => 3차원 배열의 위치 1면 3행 4열
# 여러 인덱스의 요소들을 지정 : 리스트로 주어야 한다.
arr1[[1,3,4]]
array([1, 3, 4])
arr2 = np.arange(1, 13).reshape(3,4)
arr2
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# 2차원의 array에서 인덱싱을 하기 위해선 2개의 인자를 입력해야 합니다.
arr2[2,3] # 2행 3열의 요소
12
# 0행 0열 값 변경
arr2[0,0] = 90
# 변경된 array
arr2
array([[90, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
: 2차원 배열에서 지정한 행 전체가 선택됨
# 두번째 행 선택
arr2[1]
array([5, 6, 7, 8])
: 2차원 배열에서 지정한 열 전체가 선택됨
arr2[:,1] # 두번째 열 선택
array([ 2, 6, 10])
# 두번째 행 변경
arr2[1] = np.array([-5, 1, 10 ,9])
arr2
array([[90, 2, 3, 4],
[-5, 1, 10, 9],
[ 9, 10, 11, 12]])
: 지정한 (행위치1, 열위치1), (행위치2, 열위치2), …, (행위치n, 열위치n)의 원소를 가져옴
arr2[[0,2],[0,1]] # 0행 0열 2행 1열
array([90, 10])
: 배열에서 조건을 만족하는 원소만 선택
# 비교 연산 10 초과인 원소 선택
arr2 > 10
array([[ True, False, False, False],
[False, False, False, False],
[False, False, True, True]])
arr2[arr2 > 10] # arr2에서 원소가 10 초과하는 원소들을 가져옴
array([90, 11, 12])
# 짝수인 원소 선택
arr2[arr2 % 2 == 0]
array([90, 2, 4, 10, 10, 12])
: 시작위치에서 끝위치-1 에 해당하는 배열의 원소를 반환
arr1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 3번째 요소부터 8번째 요소
arr1[3:9]
array([3, 4, 5, 6, 7, 8])
: start에서 end 범위까지의 자료 중 step 간격으로 인덱스를 지정
arr1[3:9:2]
# arr[[3,5,7]]과 같음
array([3, 5, 7])
arr1[:9:2] # 처음부터 8까지 2씩
array([0, 2, 4, 6, 8])
arr1[3::2] # 3부터 끝까지 2씩
array([3, 5, 7, 9])
arr1[::3] # 처음부터 끝까지 3씩
array([0, 3, 6, 9])
arr1[::-1] # 마지막부터 처음까지 (reverse)
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
arr1[::-2] # 마지막부터 처음까지 2씩
array([9, 7, 5, 3, 1])
: 처음부터 ‘끝위치-1’원소 반환
arr1[:3]
array([0, 1, 2])
: 시작부터 끝까지 원소 반환
arr1[2:]
array([2, 3, 4, 5, 6, 7, 8, 9])
: 모든 원소 반환
arr1[:]
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
arr2
array([[90, 2, 3, 4],
[-5, 1, 10, 9],
[ 9, 10, 11, 12]])
# 2행의 모든 요소 꺼내기
arr2[2,:]
array([ 9, 10, 11, 12])
# 2행의 모든 요소 꺼내기
arr2[2]
array([ 9, 10, 11, 12])
# 3열의 모든 요소 꺼내기
arr2[:,3]
array([ 4, 9, 12])
# 1~2행, 1~2열의 요소
arr2[1:3,1:3]
array([[ 1, 10],
[10, 11]])
: 특정 행을 선택한 후 열을 슬라이싱
arr3 = np.arange(10,100, 10).reshape(3,3)
arr3
array([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
# 1행의 0열과 1열 요소 선택
arr3[1,:2]
array([40, 50])
# 1행의 0열과 1열 요소 선택
arr3[1][:2]
array([40, 50])
# 참고. 인덱싱 예
arr3[2][1]
80
# 0~1행, 1~2열의 요소 변경
arr3[:2, 1:] = np.array([2,3,5,6]).reshape(2,2)
arr3
array([[10, 2, 3],
[40, 5, 6],
[70, 80, 90]])
names = np.array(['Beomwoo', 'Beomwoo', 'Kim', 'Joan', 'Lee', 'Beomwoo','Park', 'Beomwoo'])
names
array(['Beomwoo', 'Beomwoo', 'Kim', 'Joan', 'Lee', 'Beomwoo', 'Park',
'Beomwoo'], dtype='<U7')
# names 크기 확인
names.shape
(8,)
# 8행 4열의 실수 난수 배열 생성
data = np.random.randn(8,4)
data
array([[-0.46821544, -2.82127206, 1.17384042, 1.4126358 ],
[-0.41468141, -1.32184734, -0.97718296, -0.08295454],
[-1.17581805, 0.16010913, 0.4640075 , 1.1831278 ],
[-1.08755004, -1.17021442, 0.20366883, -0.36275755],
[-0.59289806, -0.44724656, -0.43670415, 0.85200045],
[ 1.79597087, -1.45440975, 2.84134888, -0.86147657],
[ 0.67129261, -0.19201303, 1.45651852, -0.06437053],
[-1.78837502, -0.30970071, 0.00801997, -1.16543785]])
# 배열 크기 확인
data.shape # 8행 4열
(8, 4)
# 요소가 Beomwoo인 항목에 대한 mask 생성
names_mask_Beomwoo = (names == 'Beomwoo')
names_mask_Beomwoo
array([ True, True, False, False, False, True, False, True])
# 요소가 Beomwoo인 항목의 위치와 같은 행의 자료 가져오기
data[names_mask_Beomwoo, :]
# data[names_mask_Beomwoo] : 같은 결과
array([[-0.46821544, -2.82127206, 1.17384042, 1.4126358 ],
[-0.41468141, -1.32184734, -0.97718296, -0.08295454],
[ 1.79597087, -1.45440975, 2.84134888, -0.86147657],
[-1.78837502, -0.30970071, 0.00801997, -1.16543785]])
names_mask_Kim = (names == 'Kim')
names_mask_Kim
array([False, False, True, False, False, False, False, False])
# 요소가 Kim인 행의 데이터만 꺼내기
data[names_mask_Kim, :]
array([[-1.17581805, 0.16010913, 0.4640075 , 1.1831278 ]])
# 논리 연산을 응용하여, 요소가 Kim 또는 Park인 행의 데이터만 꺼내기
n_mask_KimOrPark = (names == 'Kim') | (names == 'Park')
n_mask_KimOrPark
array([False, False, True, False, False, False, True, False])
data[n_mask_KimOrPark]
array([[-1.17581805, 0.16010913, 0.4640075 , 1.1831278 ],
[ 0.67129261, -0.19201303, 1.45651852, -0.06437053]])
마스크 인덱싱 문제
# 1단계 마스크를 만든다.
data[:,0] < 0
array([ True, True, True, True, True, False, False, True])
# 2단계, 생성된 마스크를 이용하여 0번째 열의 값이 0보다 작은 행을 구한다.
data[data[:,0] < 0]
array([[-0.46821544, -2.82127206, 1.17384042, 1.4126358 ],
[-0.41468141, -1.32184734, -0.97718296, -0.08295454],
[-1.17581805, 0.16010913, 0.4640075 , 1.1831278 ],
[-1.08755004, -1.17021442, 0.20366883, -0.36275755],
[-0.59289806, -0.44724656, -0.43670415, 0.85200045],
[-1.78837502, -0.30970071, 0.00801997, -1.16543785]])
# 1단계 마스크 생성
# 2단계 생성된 마스크를 이용해 0번째 열의 값이 0보다 작은 행의 2,3번째 열 데이터 가져오기
data[data[:,0] < 0][2:4]
# data[data[:,0]<0, 2:4]
array([[-1.17581805, 0.16010913, 0.4640075 , 1.1831278 ],
[-1.08755004, -1.17021442, 0.20366883, -0.36275755]])
[https://numpy.org/doc/stable/reference/random/legacy.html
](https://numpy.org/doc/stable/reference/random/legacy.html )
# 5행 3열의 실수난수 배열 생성
data = np.random.randn(5,3)
data
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.88391742, 0.49115935, 0.48757577],
[ 0.35367219, -0.41852283, 0.23604843],
[ 0.02823907, -1.67744635, -0.33286717],
[-0.68474982, -0.25353313, -0.7640626 ]])
[https://numpy.org/doc/stable/reference/routines.math.html
](https://numpy.org/doc/stable/reference/routines.math.html )
# 각 성분의 절대값 계산하기
np.abs(data)
array([[0.0966655 , 0.93313054, 0.52754416],
[0.88391742, 0.49115935, 0.48757577],
[0.35367219, 0.41852283, 0.23604843],
[0.02823907, 1.67744635, 0.33286717],
[0.68474982, 0.25353313, 0.7640626 ]])
# 각 성분의 제곱근 계산하기 : data**0.5
np.sqrt(np.abs(data))
array([[0.31091076, 0.96598682, 0.72632235],
[0.94016883, 0.70082762, 0.69826626],
[0.59470345, 0.6469334 , 0.48584815],
[0.16804484, 1.29516267, 0.57694642],
[0.82749612, 0.50352074, 0.87410674]])
# 각 성분의 제곱 계산하기
np.square(data)
array([[9.34421896e-03, 8.70732598e-01, 2.78302841e-01],
[7.81310013e-01, 2.41237511e-01, 2.37730127e-01],
[1.25084017e-01, 1.75161356e-01, 5.57188605e-02],
[7.97444954e-04, 2.81382626e+00, 1.10800554e-01],
[4.68882319e-01, 6.42790491e-02, 5.83791653e-01]])
# 각 성분을 무리수 e의 지수로 삼은 값을 계산하기 e^x
np.exp(data)
array([[1.10149186, 2.54245598, 1.69476512],
[2.42036275, 1.63420975, 1.62836389],
[1.42428821, 0.65801811, 1.26623563],
[1.02864157, 0.18685052, 0.71686541],
[0.50421636, 0.77605403, 0.46577034]])
# 자연로그
np.log(abs(data))
array([[-2.33649871, -0.06921018, -0.6395227 ],
[-0.12339163, -0.71098665, -0.71830958],
[-1.03938482, -0.87102385, -1.44371829],
[-3.56704887, 0.51727261, -1.10001175],
[-0.37870173, -1.37226077, -0.26910556]])
# 상용로그
np.log10(abs(data))
array([[-1.0147285 , -0.0300576 , -0.27774118],
[-0.05358831, -0.30877758, -0.31195789],
[-0.45139909, -0.37828085, -0.62699889],
[-1.54914964, 0.22464864, -0.47772904],
[-0.16446807, -0.59596528, -0.11687106]])
# 밑이 2인 로그
np.log2(abs(data))
array([[-3.3708551 , -0.09984918, -0.92263623],
[-0.1780165 , -1.02573692, -1.03630168],
[-1.49951532, -1.25662178, -2.08284522],
[-5.14616372, 0.74626663, -1.5869815 ],
[-0.54635111, -1.9797538 , -0.38823726]])
: +인 경우1, -인 경우 -1, 0인 경우 0
# 각 성분의 부호 계산하기(+인 경우 1, -인 경우 -1, 0인 경우 0)
np.sign(data)
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., -1., 1.],
[ 1., -1., -1.],
[-1., -1., -1.]])
data
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.88391742, 0.49115935, 0.48757577],
[ 0.35367219, -0.41852283, 0.23604843],
[ 0.02823907, -1.67744635, -0.33286717],
[-0.68474982, -0.25353313, -0.7640626 ]])
# 각 성분의 소수 첫 번째 자리에서 내림한 값을 계산하기
np.floor(data)
array([[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., -1., 0.],
[ 0., -2., -1.],
[-1., -1., -1.]])
# 각 성분이 NaN인 경우 True를, 아닌 경우 Fasle를 반환하기
np.isnan(data)
array([[False, False, False],
[False, False, False],
[False, False, False],
[False, False, False],
[False, False, False]])
# 로그변환한 배열 중 NaN 확인
np.isnan(np.log(data))
<ipython-input-81-93220a73000a>:2: RuntimeWarning: invalid value encountered in log
np.isnan(np.log(data))
array([[False, False, False],
[False, False, False],
[False, True, False],
[False, True, True],
[ True, True, True]])
# 각 성분이 무한대인 경우 True를, 아닌 경우 False를 반환하기
np.isinf(data)
array([[False, False, False],
[False, False, False],
[False, False, False],
[False, False, False],
[False, False, False]])
: 각 성분에 대해 삼각함수 값을 계산하기(cos, cosh, sin, sinh, tan, tanh)
# cos()
np.cos(data)
array([[ 0.99533153, 0.59532156, 0.86404598],
[ 0.63412695, 0.88178664, 0.88347117],
[ 0.9381072 , 0.91369028, 0.97226969],
[ 0.9996013 , -0.10644796, 0.94510937],
[ 0.7745773 , 0.96803227, 0.72203123]])
# cosh()
np.cosh(data)
array([[1.00467575, 1.46788823, 1.14240869],
[1.41676198, 1.12306315, 1.12123862],
[1.06319665, 1.08886656, 1.02798903],
[1.00039875, 2.76936111, 1.0559137 ],
[1.24374598, 1.03231205, 1.30637559]])
data
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.88391742, 0.49115935, 0.48757577],
[ 0.35367219, -0.41852283, 0.23604843],
[ 0.02823907, -1.67744635, -0.33286717],
[-0.68474982, -0.25353313, -0.7640626 ]])
# 전체 성분의 합을 계산
np.sum(data)
-0.09322947469277532
# 열 간의 합을 계산(axis가 1일때 열끼리 합해줌.)
np.sum(data, axis = 1)
array([ 1.5573402 , 1.86265254, 0.17119779, -1.98207445, -1.70234555])
# 행 간의 합을 계산(axis가 0일때 행끼리 합해줌.)
np.sum(data, axis = 0)
array([ 0.67774436, -0.92521242, 0.15423858])
# 전체 성분의 평균 계산
np.mean(data)
-0.0062152983128516874
# 행별로 평균 계산 axis=1
np.mean(data, axis=1)
array([ 0.5191134 , 0.62088418, 0.05706593, -0.66069148, -0.56744852])
# 열별로 평균 계산 axis=0
np.mean(data, axis=0)
array([ 0.13554887, -0.18504248, 0.03084772])
# 전체 성분의 표준편차 계산
np.std(data)
0.6741127190375007
# 열별로 표준편차 계산
np.std(data, axis=0)
array([0.50863553, 0.89375983, 0.50231188])
# 행별로 표춘편차 계산
np.std(data, axis=1)
array([0.34153745, 0.18599834, 0.33970314, 0.73391292, 0.22432087])
# 각 열에서 최소값
np.min(data, axis=0)
array([-0.68474982, -1.67744635, -0.7640626 ])
# 각 행에서 최대값
np.max(data, axis=1)
array([ 0.93313054, 0.88391742, 0.35367219, 0.02823907, -0.25353313])
data
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.88391742, 0.49115935, 0.48757577],
[ 0.35367219, -0.41852283, 0.23604843],
[ 0.02823907, -1.67744635, -0.33286717],
[-0.68474982, -0.25353313, -0.7640626 ]])
# 전체 성분의 최소값, 최대값이 위치한 인덱스를 반환
# 최소값의 위치, 최대값의 위치
[np.argmin(data), np.argmax(data)]
# 일차원적인 배열의 위치로 알려준다.(행 우선 단위ㅠ)
[10, 1]
# 행방향으로 최대값이 위치한 인덱스 반환
np.argmax(data, axis=1)
array([1, 0, 0, 0, 1], dtype=int64)
# 맨 처음 성분부터 각 성분까지의 누적합 또는 누적곱을 계산(cumsum, cumprod)
np.cumsum(data)
array([ 0.0966655 , 1.02979604, 1.5573402 , 2.44125762, 2.93241698,
3.41999274, 3.77366493, 3.3551421 , 3.59119053, 3.6194296 ,
1.94198325, 1.60911608, 0.92436626, 0.67083312, -0.09322947])
# 열기준 누적합
np.cumsum(data, axis=0)
# 각 열에서 0행부터 내려가면서 더해준다고 생각하면 된다.
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.98058292, 1.42428989, 1.01511993],
[ 1.33425511, 1.00576706, 1.25116835],
[ 1.36249418, -0.67167929, 0.91830118],
[ 0.67774436, -0.92521242, 0.15423858]])
# 누적곱
np.cumprod(data)
array([ 9.66655004e-02, 9.02015302e-02, 4.75852905e-02, 4.20614674e-02,
2.06588832e-02, 1.00727708e-02, 3.56245888e-03, -1.49097036e-03,
-3.51941210e-04, -9.93849171e-06, 1.66712866e-05, -5.54932402e-06,
3.79989864e-06, -9.63400204e-07, 7.36098062e-07])
np.cumprod(data, axis=1)
array([[ 0.0966655 , 0.09020153, 0.04758529],
[ 0.88391742, 0.43414431, 0.21167824],
[ 0.35367219, -0.14801988, -0.03493986],
[ 0.02823907, -0.04736952, 0.01576776],
[-0.68474982, 0.17360677, -0.13264644]])
data
array([[ 0.0966655 , 0.93313054, 0.52754416],
[ 0.88391742, 0.49115935, 0.48757577],
[ 0.35367219, -0.41852283, 0.23604843],
[ 0.02823907, -1.67744635, -0.33286717],
[-0.68474982, -0.25353313, -0.7640626 ]])
# 전체 성분에 대해서 오름차순으로 정렬
np.sort(data) # 행 별로 오름차순으로 정리된다.
array([[ 0.0966655 , 0.52754416, 0.93313054],
[ 0.48757577, 0.49115935, 0.88391742],
[-0.41852283, 0.23604843, 0.35367219],
[-1.67744635, -0.33286717, 0.02823907],
[-0.7640626 , -0.68474982, -0.25353313]])
# 전체 성분에 대해서 [::-1]를 적용 : 정렬후 마지막행부터 표시
np.sort(data)[::-1]
# data의 밑에서부터 행별로 내림차순을 따져서 내려간다.
array([[-0.7640626 , -0.68474982, -0.25353313],
[-1.67744635, -0.33286717, 0.02823907],
[-0.41852283, 0.23604843, 0.35367219],
[ 0.48757577, 0.49115935, 0.88391742],
[ 0.0966655 , 0.52754416, 0.93313054]])
# 열 방향으로 오름차순으로 정렬(각 열마다 정렬)
np.sort(data, axis=0)
array([[-0.68474982, -1.67744635, -0.7640626 ],
[ 0.02823907, -0.41852283, -0.33286717],
[ 0.0966655 , -0.25353313, 0.23604843],
[ 0.35367219, 0.49115935, 0.48757577],
[ 0.88391742, 0.93313054, 0.52754416]])
# 행 방향으로 오름차순으로 정렬(각 행마다 정렬)
np.sort(data, axis=1)
array([[ 0.0966655 , 0.52754416, 0.93313054],
[ 0.48757577, 0.49115935, 0.88391742],
[-0.41852283, 0.23604843, 0.35367219],
[-1.67744635, -0.33286717, 0.02823907],
[-0.7640626 , -0.68474982, -0.25353313]])
data1 = np.random.randn(5,3) # 5행 3열의 실수난수 생성
data1
array([[-1.04784123, 0.62312167, 0.14327893],
[ 0.56360901, 1.08324609, 0.38043529],
[-1.57016362, -0.96219305, -0.88502023],
[-1.14501879, -0.84063558, 1.53340534],
[-0.44242834, -1.54254728, -2.64162847]])
data2 = np.random.randn(5,3) # 5행 3열의 실수난수 생성
data2
array([[ 0.95913539, -1.58548375, -1.14909123],
[ 0.35921551, -1.89877362, 0.63334318],
[-1.51366682, 0.29963955, -0.71256125],
[-1.02113484, 0.41621584, -0.66237842],
[ 0.28402433, 0.70448944, -0.92991448]])
# 두 배열의 합
np.add(data1, data2)
array([[-0.08870584, -0.96236209, -1.0058123 ],
[ 0.92282452, -0.81552753, 1.01377847],
[-3.08383044, -0.6625535 , -1.59758148],
[-2.16615363, -0.42441974, 0.87102693],
[-0.15840401, -0.83805784, -3.57154295]])
# 두 배열의 차
np.subtract(data1, data2)
array([[-2.00697662, 2.20860542, 1.29237016],
[ 0.2043935 , 2.98201971, -0.25290789],
[-0.0564968 , -1.2618326 , -0.17245898],
[-0.12388395, -1.25685142, 2.19578376],
[-0.72645267, -2.24703672, -1.71171399]])
# 두 배열의 곱
np.multiply(data1, data2)
array([[-1.00502161, -0.98794928, -0.16464056],
[ 0.2024571 , -2.0568391 , 0.2409461 ],
[ 2.37670458, -0.28831109, 0.63063112],
[ 1.16921858, -0.34988585, -1.0156946 ],
[-0.12566041, -1.08670827, 2.45648857]])
# 두 배열의 나누기
np.divide(data1, data2)
array([[-1.09248521, -0.39301675, -0.12468891],
[ 1.56899966, -0.57049776, 0.60067796],
[ 1.03732446, -3.21116842, 1.24202689],
[ 1.12131987, -2.0197107 , -2.31499896],
[-1.5577128 , -2.18959602, 2.84072195]])
np.maximum(data1, data2)
# 둘을 비교해서 큰 값을 원소에 넣어준다.
array([[ 0.95913539, 0.62312167, 0.14327893],
[ 0.56360901, 1.08324609, 0.63334318],
[-1.51366682, 0.29963955, -0.71256125],
[-1.02113484, 0.41621584, 1.53340534],
[ 0.28402433, 0.70448944, -0.92991448]])
np.minimum(data1, data2)
# 둘을 비교해서 작은 값을 원소에 넣어준다.
array([[-1.04784123, -1.58548375, -1.14909123],
[ 0.35921551, -1.89877362, 0.38043529],
[-1.57016362, -0.96219305, -0.88502023],
[-1.14501879, -0.84063558, -0.66237842],
[-0.44242834, -1.54254728, -2.64162847]])
파일 및 폴더 생성
파일 시스템 탐색
도움말(man -> manual)
명령어 기초
유닉스(Unix)
특정 코드 지연 실행 - DispatchQueue.main.asyncAfter(deadline: )
Naming Conventions
안드로이드 폰과 맥북에어 M1 USB 테더링 성공
Simulator 풀 스크린 사용 방법
10807번 - 개수 세기
프로그래머스 Lv.1 풀이 코드 모음
프로그래머스 Lv.1 풀이 코드 모음
11047번 - 동전 0
11659번 - 구간 합 구하기 4
14888번 - 연산자 끼워넣기
9184번 - 신나는 함수 실행
24416번 - 알고리즘 수업 - 피보나치 수 1
2580번 - 스도쿠
9663번 - N-Queen
15652번 - N과 M (4)
15651번 - N과 M (3)
15650번 - N과 M (2)
25305번 - 커트라인
25304번 - 영수증
3003번 - 킹, 퀸, 룩, 비숍, 나이트, 폰
15649번 - N과 M (1)
2004번 - 조합 0의 개수
1676번 - 팩토리얼 0의 개수
9375번 - 패션왕 신해빈
1010번 - 다리 놓기
11051번 - 이항 계수 2
11050번 - 이항 계수 1
3036번 - 링
2981번 - 검문
1934번 - 최소공배수
2609번 - 최대공약수와 최소공배수
1037번 - 약수
5086번 - 배수와 약수
1358번 - 하키
1004번 - 어린 왕자
1002번 - 터렛
3053번 - 택시 기하학
2477번 - 참외밭
4153번 - 직각삼각형
3009번 - 네 번째 점
1085번 - 직사각형에서 탈출
11478번 - 서로 다른 부분 문자열의 개수
1269번 - 대칭 차집합
1764번 - 듣보잡
10816번 - 숫자 카드 2
1620번 - 나는야 포켓몬 마스터 이다솜
14425번 - 문자열 집합
10815번 - 숫자 카드
18870번 - 좌표 압축
10814번 - 나이순 정렬
1181번 - 단어 정렬
11651번 - 좌표 정렬하기 2
11650번 - 좌표 정렬하기
1427번 - 소트인사이드
2108번 - 통계학
10989번 - 수 정렬하기 3
2751번 - 수 정렬하기 2
2750번 - 수 정렬하기
22.06.25 ~ 27 부산 먹부림 기록
1436번 - 영화감독 숌
1018번 - 체스판 다시 칠하기
7568번 - 덩치
2231번 - 분해합
2798번 - 블랙잭
11729번 - 하노이 탑 이동 순서
2447번 - 별 찍기 - 10
17478번 - 재귀함수가 뭔가요?
10870번 - 피보나치 수 5
10872번 - 팩토리얼
9020번 - 골드바흐의 추측
4948번 - 베르트랑 공준
1929번 - 소수 구하기
11653번 - 소인수분해
2581번 - 소수
1978번 - 소수 찾기
10757번 - 큰 수 A+B
2839번 - 설탕 배달
2775번 - 부녀회장이 될테야
10250번 - ACM 호텔
2869번 - 달팽이는 올라가고 싶다
1193번 - 분수찾기
2292번 - 벌집
1712번 - 손익분기점
1316번 - 그룹 단어 체커
2941번 - 크로아티아 알파벳
5622번 - 다이얼
2908번 - 상수
1152번 - 단어의 개수
1157번 - 단어 공부
2675번 - 문자열 반복
10809번 - 알파벳 찾기
11720번 - 숫자의 합
11654번 - 아스키 코드
1065번 - 한수
4673번 - 셀프 넘버
15596번 - 정수 N개의 합
4344번 - 평균은 넘겠지
8958번 - OX퀴즈
25083번 - 새싹
Spark Bigdata Pipeline
Spark 3일차
Spark 2일차
1546번 - 평균
Spark 1일차
Hadoop🐘
3052번 - 나머지
2577번 - 숫자의 개수
2562번 - 최댓값
10818번 - 최소, 최대
Linux
MongoDB 조회 문제
MongoDB
1110번 - 더하기 사이클
10951번 - A+B - 4
Oracle 3️⃣
ORACLE 연습용 문제 만들기 숙제
10952번 - A+B - 5
Oracle 2️⃣
2480번 - 주사위 세개
Oracle Day1️⃣
Tensorflow
Big Data
2525번 - 오븐 시계
10871번 - X보다 작은 수
2439번 - 별 찍기 - 2
2438번 - 별 찍기 - 1
11022번 - A+B - 8
11021번 - A+B - 7
2742번 - 기찍 N
2741번 - N 찍기
15552번 - 빠른 A+B
8393번 - 합
10950번 - A+B - 3
9️⃣ 2739번 - 구구단
2884번 - 알람 시계
14681번 - 사분면 고르기
⛏크롤링(Crawling)
2753번 - 윤년
Django 복습 4️⃣
Django 복습 3️⃣
💯 9498번 - 시험 성적
1330번 - 두 수 비교하기
✖ 2588번 - 곱셈
➗ 10430번 - 나머지
Django 복습 2️⃣
Django 복습 1
MySQL 복습!
⁉10926번 - ??!
🆎1008번 - A/B
👩🦲 18108번 - 1998년생인 내가 태국에서는 2541년생?!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🎈✨경 축✨🎈
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
선형 자료구조(1일차에 이어서)
🆎10998번 - A×B
🆎1001번 - A-B
🆎1000번 - A+B
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🐶10172번 - 개
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🐱10171번 - 고양이
[해당 포스트는 유튜버 나동빈님의 영상을 참고했습니다.]
❤10718번 - We love kriii
🖐2557번 - Hello World
Today I Learned(TIL)📌 (2021.12.31)
Today I Learned(TIL)📌 (2021.12.30)
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[noitce!!] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!