파이썬 라이브러리 기초

python library

python library

파이썬 라이브러리리

라이브러리는 필요한 코드를 재사용하기 위해 언제든지 필요한 곳에서 호출할 수 있도록 개발자들에 의해서 이미 만들어진 클래스나 함수를 모아놓은 것을 말한다. 이러한 라이브러리들을 외장 함수라고도 하며 모듈과 동일한 의미이다.

파이썬 라이브러리는 파이썬 설치 시 자동으로 컴퓨터에 파이썬 디렉토리 안의 lib라는 곳에 설치가 된다. 모듈과 동일한 의미의 라이브러리는 모듈을 사용할 때처럼 import 하여 원하는 기능을 꺼내 쓰면 된다.

굉장히 많은 양의 라이브러리가 존재하기 때문에 모든 라이브러리를 전부 외우고 있을 수는 없다. 필요할 때 검색하여 사용하면 된다.

파이썬 표준 라이브러리 파이썬 언어 레퍼런스 는 파이썬 언어의 정확한 문법과 의미를 설명하고 있지만, 이 라이브러리 레퍼런스 설명서는 파이썬과 함께 배포되는 표준 라이브러리를 설명합니다. 또한, 파이썬 배포판에 일반적으로 포함되어있는 선택적 구성 요소 중 일부를 설명합니다.

파이썬의 표준 라이브러리는 매우 광범위하며, 아래 나열된 긴 목차에 표시된 대로 다양한 기능을 제공합니다. 라이브러리에는 일상적인 프로그래밍에서 발생하는 많은 문제에 대한 표준적인 해결책을 제공하는 파이썬으로 작성된 모듈뿐만 아니라, 파일 I/O와 같은 시스템 기능에 액세스하는 (C로 작성된) 내장 모듈들이 포함됩니다 (이 모듈들이 없다면 파이썬 프로그래머가 액세스할 방법은 없습니다). 이 모듈 중 일부는 플랫폼 관련 사항을 플랫폼 중립적인 API들로 추상화시킴으로써, 파이썬 프로그램의 이식성을 권장하고 개선하도록 명시적으로 설계되었습니다.

윈도우 플랫폼용 파이썬 설치 프로그램은 일반적으로 전체 표준 라이브러리를 포함하며 종종 많은 추가 구성 요소도 포함합니다. 유닉스와 같은 운영체제의 경우, 파이썬은 일반적으로 패키지 모음으로 제공되기 때문에, 운영 체제와 함께 제공되는 패키지 도구를 사용하여 선택적 구성 요소의 일부 또는 전부를 구해야 할 수 있습니다.

머신러닝을 위한 최고의 파이썬 라이브러리

1. 넘파이 Numpy.
2. 텐서플로 Tensorflow.
3. 파이토치 PyTorch.
4. 판다스 Pandas.
5. Matplotlib.
6. 사이파이 Scipy.
7. 케라스 Keras.
8. 티아노 Theano.

1. 넘파이 Numpy

In [1]:

import numpy as np

x= np.linspace(-1,1,100)  # -1 과 1 사이를 100개의 등간격으로 x를 정의
y= np.sin(x)
print(y)

[-0.84147098 -0.83038482 -0.81895978 -0.8072005  -0.79511181 -0.78269862
 -0.76996601 -0.75691917 -0.74356342 -0.72990422 -0.71594714 -0.70169788
 -0.68716224 -0.67234618 -0.65725572 -0.64189703 -0.62627638 -0.61040014
 -0.59427479 -0.57790691 -0.56130318 -0.54447039 -0.52741539 -0.51014514
 -0.49266671 -0.47498721 -0.45711386 -0.43905397 -0.42081489 -0.40240408
 -0.38382904 -0.36509735 -0.34621667 -0.3271947  -0.30803919 -0.28875797
 -0.26935891 -0.24984992 -0.23023896 -0.21053404 -0.1907432  -0.17087452
 -0.1509361  -0.13093608 -0.11088263 -0.09078392 -0.07064817 -0.05048358
 -0.03029839 -0.01010084  0.01010084  0.03029839  0.05048358  0.07064817
  0.09078392  0.11088263  0.13093608  0.1509361   0.17087452  0.1907432
  0.21053404  0.23023896  0.24984992  0.26935891  0.28875797  0.30803919
  0.3271947   0.34621667  0.36509735  0.38382904  0.40240408  0.42081489
  0.43905397  0.45711386  0.47498721  0.49266671  0.51014514  0.52741539
  0.54447039  0.56130318  0.57790691  0.59427479  0.61040014  0.62627638
  0.64189703  0.65725572  0.67234618  0.68716224  0.70169788  0.71594714
  0.72990422  0.74356342  0.75691917  0.76996601  0.78269862  0.79511181
  0.8072005   0.81895978  0.83038482  0.84147098]

In [2]:

np.random.choice(x,3,replace=False)

Out[2]:

array([-0.39393939,  0.63636364,  0.37373737])

In [3]:

a=np.random.normal(size=(3,5))
print(a.shape)
print(a)

(3, 5)
[[ 0.95696103  0.0446758  -0.62540099  1.43330061  0.81874491]
 [ 0.70888101  1.95913867 -0.43628795  0.11577722 -1.06369303]
 [-1.82248962  0.75371597 -0.13044053  0.89941343  0.21942788]]

2. 판다스 pandas : 데이터 처리

In [5]:

import pandas as pd

df = pd.read_csv('/content/sample_data/california_housing_train.csv')

In [7]:

df.head()

Out[7]:

longitudelatitudehousing_median_agetotal_roomstotal_bedroomspopulationhouseholdsmedian_incomemedian_house_value01234

-114.31	34.19	15.0	5612.0	1283.0	1015.0	472.0	1.4936	66900.0
-114.47	34.40	19.0	7650.0	1901.0	1129.0	463.0	1.8200	80100.0
-114.56	33.69	17.0	720.0	174.0	333.0	117.0	1.6509	85700.0
-114.57	33.64	14.0	1501.0	337.0	515.0	226.0	3.1917	73400.0
-114.57	33.57	20.0	1454.0	326.0	624.0	262.0	1.9250	65500.0

In [11]:

print('데이터 개수', df.shape[0])
print('속성 개수', df.shape[1])
print(df.shape)

데이터 개수 17000
속성 개수 9
(17000, 9)

In [12]:

df.columns

Out[12]:

Index(['longitude', 'latitude', 'housing_median_age', 'total_rooms',
       'total_bedrooms', 'population', 'households', 'median_income',
       'median_house_value'],
      dtype='object')

3.맷플롯 Matplotlib : 그래프 그리기

In [14]:

import matplotlib.pyplot as plt
%matplotlib inline

plt.plot(x,y, 'r--')
plt.grid()

In [18]:

plt.hist(df['median_income'],bins=20 )
plt.grid()