python NumPy만의 집계함수

arr = np.arange(1, 7, 1).reshape(2, 3).copy()  # 2x3 matrix
# copy를 쓰는 이유는 view가 아닌 원본이 필요해서임
# [[1 2 3]
#  [4 5 6]]

# 요소들의 합
print(arr.sum())  # 21
print(np.sum(arr)) # 21   이렇게 써도 됨.

# 요소들의 평균값
print(arr.mean()) # 3.5

# 요소들의 표준편차
print(arr.std()) # 1.7078.....

# 요소중 제일 큰 값
print(arr.max()) # 6

# 요소중 제일 작은 값
print(arr.min()) # 1

# 요소중 제일 큰 값의 index를 알려주는 함수 (위치를 찾아주는 함수)
print(arr.argmax())  # 5

###### 1차원
arr = np.array([1, 2, 3, 4, 5])
print(arr.sum())  # 출력물: 15
# 축이고 나발이고 없으니깐, np array안에 있는거 싹다 더하는거야
# 1차원은 1행 n열이잖아. 행이 하나만 있음. 그러니깐 열을 기준으로 연산 수행 

print(arr.sum(axis=0))  # 출력물: 15
# 1차원 축의 번호는 0이고, 이때 0의 의미는 열이다  그러니깐 열이 가는 방향으로 sum을 구하라는 소리이다
# 1차원에선 axis의 최댓값은 0이고 최솟값 또한 0이다. 

##### 2차원
arr = np.array([[1, 2, 3]
                [4, 5, 6]])   # 2x3 행렬

print(arr.sum()) # 출력물 21. axis=None by default

# 2차원부터 axis는 2개의 값을 가질수 있다. 0 또는 1
print(arr.sum(axis=0))  # axis=0 은 행방향으로 연산을 수행한다 
# 출력물:
# [5 7 9]
print(arr.sum(axis=1))  # axis=1 은 열방향으로 연산을 수행한다
# 출력물: 
# [6 15]

행방향: 행은 위에서부터 1행, 그다음 2행, ..... 맨밑에 있는 행이 가장 마지막 행이다.
      그렇기때문에 행방향이라고 한다면 "위에서 아래로" 라고 생각하면 이해하기 쉬울 것이다.
아까 수행했던 sum() 연산을 적용해보자면... 

⬇️ [[1 2 3]      
⬇️  [4 5 6]]
   ----------
    [5 7 9]

이렇게 화살표 방향으로 같은 열안에서 연산이 수행된다.

열방향: 열은 제일 왼쪽이 1열, 그 바로 오른쪽 열이 2열, 그 다음이 3열 .... 맨 오른쪽이 제일 끝 열이다.
     그렇기때문에 열방향이라고 한다면 "왼쪽에서 오른쪽" 이라고 생각하면 이해하기 쉬울것이다.
아까 수행했던 sum() 연산을 적용해보자면... 

➡️ [[1 2 3]     = 6
➡️  [4 5 6]]    = 15       그래서 [ 6 15 ] 라는 연산이 나왔던 것이다

# 이번엔 난수를 이용해서 3차원 array를 만들어보자.
# 난수를 이용하는 이유? 그냥 다양한 방법으로 np.array를 만들 수 있다는 것을 보여주고 싶어서
np.random.seed(1)   # 시드값을 잡아주자. 시드 값은 아무값이나 줘도 됨. 대신 변경하면 안됨

arr = np.random.randint(0, 5, (2, 2, 3))  
# randint 정수로 구성된 난수를 만들거다
# 0부터 4중 하나의 숫자로 요소의 값이 됨. (5는 미포함)
# 차원은 3차원
# shape은 (2,2,3) 또는 2x2x3 임.

print(arr)
# 출력물:
# [[[3 4 0]
#   [1 3 0]]

#  [[0 1 4]
#   [4 1 2]]]

# 크 벌써부터 예술로 헷갈리게 생겼다.

# 일전에 얘기했다시피 axis=0 은 새롭게 추가된 면 방향이다.
# 한번 사용해보자.
print(arr.sum(axis=0))  # 자 array의 sum을 구할건데 면방향으로 계산해줘!
# 면 방향은 내가 화살표로 표현하기 어렵다. 하지만 한 매트릭스에 있는 요소와 
# 다른 매트릭스지만 그 자리에 위치한 요소끼리 더해준다고 생각하면 된다!
# 출력물:
# [[3 5 4]
#  [5 4 2]]         

"""
쉽게 얘기하자면 

[[[a b c]
  [d e f]]

 [[A B C]
  [D E F]]]

a + A 
b + B 
...
...
f + F  
이런식으로 연산이 된다.
"""

# 자 그럼 행방향은 어떻게 되는 것인가?
print(arr.sum(axis=1))
# 출력물:
# [[4 7 0]
#  [4 2 6]]
# 여기서는, 각 면에 속한 매트릭스에서 행방향으로 더한 값을 나열한 값이다.

# 그렇다면 열방향은 어떻게 되는가?
print(arr.sum(axis=2))
# 출력물:
# [[7 4]
#  [5 7]] 
# 마찬가지로, 각 면에 속한 매트릭스에서 열방향으로 더한 값을 나열하면 된다.