import numpy as np
a = np.array([0, 1, 2])
b = np.array([5, 5, 5])
a + b

# 더 쉽게 할 수 있다.
a + 5

M = np.ones((3, 3))
M

M + a

# 두 배열 모두 브로드캐스팅 하는 경우
a = np.arange(3)
b = np.arange(3)[:, np.newaxis]
print(a)
print(b)

a + b

M = np.ones((2, 3))
a = np.arange(3)

print(M)
print(a)

# 규칙에 맞춰서 차원 일치시켜서 나온다. 나머지 예시들은 나중에 해보도록 하자.
M + a

X = np.random.random((10, 3))

Xmean = X.mean(0)
Xmean

X_centered = X - Xmean

X_centered.mean(0)

# x와 y는 0에서 5까지 50단계로 나눈 배열
x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 50)[:, np.newaxis]
z = np.sin(x) ** 10 + np.cos(10 + y * x)*np.cos(x)

%matplotlib inline
import matplotlib.pyplot as plt

plt.imshow(z, origin='lower', extent=[0, 5, 0, 5],
          cmap='viridis')
plt.colorbar();

import numpy as np
import pandas as pd
# Pandas를 이용해 인치 단위의 강수량 데이터를 NUmpy 배열로 추출
rainfall = pd.read_csv('data/Seattle2014.csv')['PRCP'].values
inches = rainfall / 254 # 1/10mm->inches
inches.shape

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn; seaborn.set() # 플롯 형식 설정

plt.hist(inches, 40);

x = np.array([1, 2, 3, 4, 5])

x < 3

x != 3

(2 * x) == (x ** 2)

# 2차원 예제
rng = np.random.RandomState(0)
x = rng.randint(10, size = (3, 4))
x

x<6

## 부울 배열로 작업하기
print(x)

# 6보다 작은 값은 몇 개일까?
np.count_nonzero(x < 6)

np.sum(x<6)

# 각 행에 6보다 작은 값이 몇 개 일까?
np.sum(x < 6, axis = 1)

# 8보다 큰 값이 하나라도 있는가?
np.any(x > 8)

# 모든 값이 10보다 작은가?
np.all(x < 10)

# 각 행의 모든 값이 8보다 작은가?
np.all(x < 8, axis = 1)

np.sum((inches > 0.5) & (inches < 1)) # sum 쓴 이유는 True false 로 나오니까 그 수를 세면 갯수랑 같음

print("Number days without rain: ", np.sum(inches == 0))

x

x < 5

# 마스크 배열이 True인 위치에 있는 모든 값으로 채워진 1차원 배열을 만듬
x[x<5]

# 비가 온 모든 날에 대한 마스크 생성
rainy = (inches > 0)

# 여름에 해당하는 날
summer = (np.arange(365) - 172 < 90) & (np.arange(365) - 172 > 0)

print("Median precip on rainy days in 2014 (inches): ", np.median(inches[rainy]))

import numpy as np
rand = np.random.RandomState(42)
x = rand.randint(100, size = 10)
print(x)

# 세 개의 다른 요소에 접근하고자 할떄
[x[3], x[7], x[2]]

ind = [3, 7, 4]

x[ind]

# 팬시 인덱싱을 이용하면 결과의 형상이 인덱싱 대상 배열 형상이 아니라, 인덱스 배열의 형상으로 반영된다.
# 쉽게 말하면 원 데이터의 행렬이 아니라 인덱스로 내가 정해주는 행렬로 나옴
ind = np.array([[3, 7],
               [4, 5]])
x[ind]

X = np.arange(12).reshape((3, 4))

X

row = np.array([0, 1, 2])
col = np.array([2, 1, 3])
X[row, col]

# 팬시 인덱싱에서 인덱스 쌍을 만드는 것도 브로드캐스팅 규칙을 따른다.
X[row[:, np.newaxis], col]

row[:, np.newaxis]

col

# 잘 보면 이렇게 브로드 캐스팅이 된 것을 볼 수 있다
row[:, np.newaxis] * col

print(X)

# 팬시 인덱스와 단순 인덱스를 결합 할 수 있다.
X[2, [2, 0, 1]]

X[1:, [2, 0 , 1]]

mask = np.array([1, 0 , 1, 0], dtype = bool)
X[row[:, np.newaxis], mask]

mean = [0, 0]
cov = [[1,2],
      [2, 5]]
X = rand.multivariate_normal(mean, cov, 100)
X.shape

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn; seaborn.set() # 플롯 스타일 설정
plt.scatter(X[:, 0], X[:, 1]);

indices = np.random.choice(X.shape[0], 20, replace=False)
indices

selection = X[indices] # 여기에 팬시 인덱싱 사용
selection.shape

# 전체 점 가운데 임의로 20개를 선택한 PLOT 그림
plt.scatter(X[:, 0], X[:, 1], alpha=0.3)
plt.scatter(selection[:, 0], selection[:, 1],
           facecolor='none', s=200)

x = np.arange(10)
i = np.array([2, 1, 8, 4])
x[i] = 99
print(x)

x[i] -= 10
print(x)

# 반복되는 인덱스는 예상치 못한 결과를 초래할 수 있음
x = np.zeros(10)
x[[0, 0]] = [4, 6]
print(x)
# x[0] = 4가 할당되고 6이 할당되서 6만 갖는다.

i = [2, 3, 3, 4, 4, 4]
x[i] += 1
x
# 왜 x[3]이 2가 안되었으며, x[4]가 3이 안되었을까?
# 증가가 아니라 할당 개념인데.. 사실 잘은 모르겠다.

# 여튼 이런 경우에는
x = np.zeros(10)
np.add.at(x, i, 1)
print(x)
# 이렇게 해야한다. 어렵다..이해하기

# 히스토그램 노가다로 만들기..(노 필요)

np.random.seed(42)
x = np.random.randn(100)
# 직접 히스토그램 계산하기
bins = np.linspace(-5, 5, 20)
counts = np.zeros_like(bins) # bins배열 모양의 0으로 된 배열 만듬


# 각 x에 대한 적절한 구간 찾기
i = np.searchsorted(bins, x)

# 각 구간에 1 더하기
np.add.at(counts, i , 1)

# 결과 플로팅하기
plt.plot(bins, counts, linestyle='steps')

# 물론 히스토그램을 그릴때마다 이렇게 하는것은 바보 같다....괜히 연구했네
plt.hist(x, bins, histtype='step')

# 예를 들어 간단한 선택정렬은 리스트의 최솟값을 반복적으로 찾아서 리스트가 정렬될 때까지 값을 교환한다.
import numpy as np
def selection_sort(x) :
    for i in range(len(x)) :
        swap = i + np.argmin(x[i:])
        (x[i], x[swap]) = (x[swap], x[i])
    return x

x = np.array([2, 1, 4, 3, 5])
selection_sort(x)

x = np.array([2, 1, 4, 3, 5])
np.sort(x)

# 그자리에서 바로 배열하는 게 좋으면
x.sort()
print(x)

# 정렬된 요소를 인덱스로 반환하는 argsort도 있다.
x = np.array([2, 1, 4, 3, 5])
i = np.argsort(x)
print(i)

x[i]

rand = np.random.RandomState(42)
X = rand.randint(0, 10, (4,6))
print(X)

# X의 각 열을 정렬
np.sort(X, axis=0)

# X의 각 행을 정렬
np.sort(X, axis=1)

x = np.array([7, 2, 3, 1, 6, 5, 4])
np.partition(x, 3)
# 왼쪽에 3개 가장 작은거 나온다.

np.partition(X, 2, axis=1)

X = rand.rand(10, 2)

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn; seaborn.set() # 플롯 스타일링
plt.scatter(X[:, 0], X[:, 1], s=100);

# 이제 각 쌍의 점 사이의 거리를 계싼함
dist_sq = np.sum((X[:,np.newaxis,:] - X[np.newaxis,:,:]) ** 2, axis=-1)

# 브로드캐스팅 규칙이 익숙하지 않는 독자라면 이 코드를 봐야한다 (나!!)

# 각 쌍의 점 사이의 좌표 차이를 계산
differences = X[:, np.newaxis, :] - X[np.newaxis, :, :]
differences.shape

sq_differences = differences ** 2
sq_differences.shape

dist_sq = sq_differences.sum(-1)
dist_sq.shape

dist_sq.diagonal()

nearest = np.argsort(dist_sq, axis=1)
print(nearest)

# 눈치 챗겠지만 각점의 가장 가까운 이웃은 자기 자신이기때문에 첫열은 0~9 순서이다.

# 여기서는 가장 가까운k이웃만 구하면 된다. 그래서 각행을 파티션으로 나눠   
# 가장 작은 k+1개의 제곱 거리가 먼저 오고 그 보다 큰 거리의 요소를 배열의 나머지 위치에 채워지게만 하면된다. 
# 그 작업은 np.argpartition 함수로 할수 있다.
K = 2
nearest_partition = np.argpartition(dist_sq, K+1, axis=1)

plt.scatter(X[:,0], X[:,1], s=100)
# 각 점을 두개의 가장 가까운 이웃과 선으로 이음
K=2
for i in range(X.shape[0]) :
    for j in nearest_partition[i, :K+1]:
        # X[i]부터 X[j]까지 선으로 이음
        # zip 매직 함수를 이용함
        plt.plot(*zip(X[j], X[i]), color='black')

# 다양한 종류의 데이터(이름, 나이, 몸무게)를 저장하고 싶다고하자.
name = ['Alice', 'Bob', 'Cathy', 'Doug']
age = [25, 45, 37, 19]
weight = [55.0, 85.5, 68.0, 61.5]

# 이방식은 다소 어설프다. 이 세 배열이 서로 연관되어 있음을 알 수가 없다.
# 이 데이터를 단일 구조에 저장할 수 있다면 더 자연스러울 것이다.

x = np.zeros(4, dtype=int)

# 구조화된 배열을 위해 복합 데이터 타입 사용
data = np.zeros(4, dtype={'names':('name', 'age', 'weight',),
                         'formats':('U10', 'i4', 'f8')}) # 32비트 정수 등 이런거
print(data.dtype)

# 빈 컨테이너 배열을 만들었으니 이제 값 리스트를 채우면 된다.
data['name'] = name
data['age'] = age
data['weight'] = weight
print(data)

# 값을 인덱스나 이름으로 참조
# 전체 이름 가져오기
data['name']

data[0]

# 부울 마스킹으로 나이 필터 넣음
data[data['age'] < 30]['name']