import numpy as np

import numpy as np

a = [1, 2, 3, 4, 5]   # python's list
print(type(a))  # <class 'list'> 라는 놈이 출력된다.
# 그렇다면 개별 요소는 어떤 type 을 갖고 있을까?
print(type(a[0])) # <class 'int'>  당연히 정수가 나온다.  


### 이번엔 ndarray를 살펴보자.
b = np.ndarray(a)   # 필자는 "np야 너 안에 있는 ndarray라는 행위를 좀 쓸게" 라고 생각하면서 코딩을 하는데, 좀 괜찮게 느껴진다.
										# 파이썬 list인 a 를 갖고 ndarray를 만들었다.
                    # **기억해야할 점은 ndarray를 만드는 수많은 방법중 한가지일뿐이라는 것이다.
print(b) # [1 2 3 4] 
print(type(b)) # <class 'numpy.ndarray'>  numpy.ndarray 라는 class 라는 것을 볼 수 있다. 
               # 아마 무슨 소리야? 싶은 사람들도 있을것이다. class 의 개념은 심오하니깐.
               # 하지만 일단은 단순하게 파이썬의 list와는 좀 다르구나 정도로 이해하고 넘어가자.
print(type(b[0]))  # 당연하게도 numpy ndarray도 인덱싱과 슬라이싱이 가능하다.
                   # 결괏값은 <class 'numpy.int64'> 이거 정수 맞아? ㅇㅇ정수 맞다! 그러니 정수라고 생각하고 넘어가도 된다.

d = np.ndarray([1, 2, 3.14, 5, 10], dtype=int64)  # 이렇게 정수사이에 실수가 있다면, dtype을 변경하면서 에러를 피할수 있다.

# 1.
arr = np.zeros((3, 4))   # 3x4 매트릭스를 만들고 요소들의 값은 0으로 줘라.
arr = np.zeros((3, ))   # 1x3 벡터를 만들고 요소의 값은 0으로 줘라. ==> [ 0 0 0 ] 
arr = np.zeros((2, 3, 3))  # 2x3x3 매트릭스를 만들고 요소들의 값은 0으로 줘라. (3차원)
# 이 메서드의 인자는 tuple로 들어와야함.

# 2.
arr = np.ones((3, 2))  # 3x2 매트릭스를 만들고 요소들의 값은 1로 줘라.    

# 3. 
arr = np.empty((3, 2)  # 3x2 매트릭스를 만들고 내용물을 비워둬라? 이렇게 해석하면 되나?
                       # 절반은 맞다. 하지만 내용물은 쓰레기 값 (임의의 값)을 갖는다고 이해하자  (100% 맞는 말은 아님.)
# 4. 
arr = np.full((3, 2), 9)   # 3x2 매트릭스를 만들고 요소들의 값은 9로 채워라! 

# 5.
arr = np.arange(0, 10, 2)  # [0 2 4 6 8]  파이썬의 range와 다르게 실제 값을 갖고 있음.

# 6. 
arr = np.linspace(0, 10, 10)  # 인자는 (시작, 끝, 요소 개수) 이렇게 받음. 
               								# 10개의 요소를 균일한 간격으로 시작과 끝 range에 맞춰서 ndarray를 만들자 라는 소리임.

# 1. np.random.normal(mean, std, (<shape>))    정규 분포 그래프를 이용한 난수 추출 -- 평균, 표준편차가 필요하다
mean = 50
std = 2
arr = np.random.normal(mean, std, (100000, ))  # 10만개의 난수를 정규분포 내에서 추출을 한다. 

import matplotlib.pyplot as plt

plt.hist(arr, bins=100)
plt.show()

# 아마 예상하신 분도 있겠지만, 마지막 인자는 <shape> 를 나타내기에 튜플의 값을 통해 난수를 벡터로 받을 수도 그리고 매트릭스로 받을 수도 있다.

np.random.normal(mean, std, (3, 2))       # 3 x 2 매트릭스형태로 난수를 받겠다는 소리임.

# 2. 
np.random.rand(mean, std, (3, 2))   # rand는 [0, 1) 0이상 1미만의 균등분포를 따라서 ndarray를 생성한다.
                                    # 이번에는 균등분포이기에 벨모양의 커브가 아닌것을 인지하자

# 3.
np.random.randn(100000)  # 이 친구는 평균값 0, 표준편차 1을 가진 정규 분포이다. 당연히 양수와 음수 둘다 나올 수 있음.

# 4. 
np.random.randint(-100, 100, (100000, )) # -100과 100사이의 난수를 100000개 추출하겠다는 소리임.

# 5.
np.random.random((100000, )) # 인자로 shape 만 나옴.
       											 # 이친구는 0이상 1미만의 균등분포에서 실수형 난수를 추출하여 shape에 맞게 ndarray 생성
  

# numpy 난수 관련 함수

# 난수의 재현성을 확인해보자.
# 랜덤값(난수) : 컴퓨터의 난수는 알고리즘에 근거하는데, 초기값 (seed)을 이용해서 특정 알고리즘을 수행시켜 난수값을 도출.
# 

import numpy as np

# arr = np.random.randint(0, 100, (5,))  # 0이상 100미만 1차원으로 5개만 추출하자 그리고 numpy array 를 만들자 
# print(arr)

# 보다시피 실행을 해보면 실행때마다 각기 다른 난수를 토해낸다.
# seed (초기값)을 주면 난수 출력시 처음 출력되었던 난수만 고정시켜서 출력시킬 수 있다.

np.random.seed(1000) 

arr = np.random.randint(0, 100, (5,))  
print(arr)

# 왜 초기값을 고정해두냐?
# 나중에 ML할 때 우리가 어떤 모델링을 난수를 통해 결괏값을 보고자 한다.
# 그때 계속해서 실행때마다 난수가 변형되면, 모델이 맞는지 틀린지 검사하기가 힘듦. 
# 그때 임의로 난수를 고정시켜서 확인하는 작업을 함. 
# 그렇기때문에 seed값을 주는게 매우 중요하다.


# 그렇다면 데이터의 순서는 어떻게 바꾸나요??  ==> shuffle
arr = np.arange(0, 10, 2) # 파이썬의 레인지와 같다. 대신에 실제 요소를 들고 있지
print(arr)

# result = np.random.shuffle(arr)   # 이렇게 사용하는 것이 아님.
# print(result)  # None
# # 섞이긴 섞이는데 결과가 바뀌는게 아니라 뭐가 바뀐단 소리야?  원본이 바뀐단 소리.

np.random.shuffle(arr)  # 그냥 이렇게 사용하는것임
print(arr)

# 데이터 집합에서 일부를 무작위로 선택. Sampling을 수행하기 위해서 사용하는 choice()

# numpy.random.choice(a, size, replace, p)

# a : ndarray, 혹은 정수가 나오면 arange()를 수행한 결과임.
# size: sample 개수
# replace = True : 한번 뽑은걸 다시 뽑을 수 있다.
# p = [0.1, 0.3, 0, 0.1, 0.1, 0.35, 0.05]

arr = np.array([1, 2, 3, 4, 5, 6, 7])
arr_1 = np.arange(5)
np.random.choice(arr)
np.random.choice(arr_1)

# 만약에 np.random.choice(5) 를 쓴다면
# print(np.random.choice(5))


np.random.choice(arr, 3)   # 뒤에 인자로 들어온 3의 의미는 3개 뽑겠다는 소리임. 
result = np.random.choice(arr, 3, replace=False)
print(result)

result = np.random.choice(arr, 3, replace=False, p=[0.1, 0.3, 0, 0.1, 0.1, 0.35, 0.05])  # p는 원래라면 ndarray임
# 그렇지만 다행이도 리스트로 넣어도 자체적으로 변환시킴
print(result)

# 여기까지가 random에 관한 주요 기능들임.