넘파이 배열의 형태 조작하기(reshape/resize)

이번 포스팅에서는 넘파이 배열의 형태를 조작하는 reshape, resize 메서드에 대해 알아보도록 하겠습니다.

import numpy as np

reshape 메서드

- np.reshape(a, newshape, ...)
- ndarray.reshape(shape, ...)

arr1 = np.arange(6)
print(arr1)
# [0 1 2 3 4 5]
print(arr1.shape)  # (6, )
print(arr1.size)  # 6

arr2 = np.reshape(arr1, (2, 4))
# ValueError: cannot reshape array of size 6 into shape (2,4)

reshape 메서드는 기존 배열의 형태를 변환합니다.

단, 변환 전과 후의 size 속성값이 일치해야 합니다.

이 조건을 만족하지 않으면 ValueError가 발생합니다.

 

arr1 = np.arange(18)
arr2 = np.reshape(arr1, (2, 3, 3))

print(arr1)
# [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17]
print(arr1.size)
# 18

print(arr2)
# [[[ 0  1  2]
#   [ 3  4  5]
#   [ 6  7  8]]

#  [[ 9 10 11]
#   [12 13 14]
#   [15 16 17]]]
print(arr2.size)
# 18

아래 예제코드는 기존 배열을 3차원으로 변환합니다.

 

a = np.random.randint(0, 15, (15, ))

print(a.reshape((3, 5)).mean(axis=0).max())
print(np.max(np.mean(np.reshape(a, (3, 5)), axis=0)))

np.reshape와 ndarray.reshape 메서드는 기능상 차이가 없습니다.

하지만 코드 가독성 측면에서 차이가 있습니다.

후자는 코드를 앞에서부터 뒤로 자연스럽게 읽을 수 있지만 전자의 경우에는 안에서 밖으로 읽어야 하기 때문에 가독성이 떨어지는 문제가 있습니다.

 

a = np.random.randint(0, 10, (2, 2))
print(a)
# [[0 0]
#  [6 8]]

row_vec = a.reshape(1, -1)
print(row_vec.shape)  # (1, 4)
print(row_vec)
# [[0 0 6 8]]

col_vec = a.reshape(-1, 1)
print(col_vec.shape)  # (4, 1)
print(col_vec)
# [[0]
#  [0]
#  [6]
#  [8]]

reshape 메서드를 사용할 때 -1을 자주 사용합니다.

-1은 shape의 나머지 부분을 자동으로 계산한다는 의미입니다.

주로 행벡터와 열벡터를 생성할 때 사용합니다.

resize 메서드

- np.resize(a, new_shape, ...)
- ndarray.resize(new_shape, ...)

arr1 = np.arange(6)
print(arr1)
# [0 1 2 3 4 5]

arr2 = np.resize(arr1, (2, 3))
print(arr2)
# [[0 1 2]
#  [3 4 5]]

resize 메서드의 결과는 reshape 메서드의 결과와 동일해보입니다.

 

arr1 = np.arange(6)
print(arr1)
# [0 1 2 3 4 5]

arr2 = np.resize(arr1, (10, ))
print(arr2)
# [0 1 2 3 4 5 0 1 2 3]

arr3 = np.reshape(arr1, (10, ))
# ValueError: cannot reshape array of size 6 into shape (10,)

하지만 resize 메서드는 변환 전후 배열의 size 속성값이 다르더라도 에러를 발생시키지 않습니다.

아래 예제코드에서 reshape, resize 메서드의 차이를 확인할 수 있습니다.

resize 메서드를 사용해서 배열을 변환한 결과 size 속성값에 차이가 있다면 부족한 부분은 기존 배열의 원소를 반복함으로써 채웁니다.

 

arr1 = np.arange(9)
print(arr1)
# [0 1 2 3 4 5 6 7 8]

arr2 = arr1.resize((2, 2))
print(arr1)
# [[0 1]
#  [2 3]]
print(arr2)
# None

참고로 ndarray.resize 메서드는 np.resize 메서드와는 달리 기존 배열을 직접(in-place) 변환합니다.

flatten, ravel

m = np.arange(9)
print(m)
# [0 1 2 3 4 5 6 7 8]

n = m.reshape((3, 3))
print(n)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]

p = n.flatten()
print(p)
# [0 1 2 3 4 5 6 7 8]

두 메서드는 n차원 배열을 1차원 배열로 변환(평탄화)합니다.

 

m = np.arange(9)
print(m)
# [0 1 2 3 4 5 6 7 8]

n = m.reshape((3, 3))
print(n)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]

p = n.ravel()
print(p)
# [0 1 2 3 4 5 6 7 8]

ravel 메서드도 n차원 배열을 1차원 배열로 평탄화합니다.

마치며

이상으로 넘파이 배열의 형태를 조작하는 reshape, resize 메서드에 대한 정리를 마치도록 하겠습니다.

두 메서드는 배열을 반환하는 방식에 차이가 있다는 점을 명심해야겠습니다.

다음 포스팅에서는 넘파이 배열의 원소별 연산(Element-wise operation)에 대해 알아보도록 하겠습니다.

넘파이 배열의 원소별 연산 이해하기(Element-wise operation)