[Numpy] Boolean Indexing 알아보기 ( Boolean Mask )

 

- 목차

 

키워드.

• Boolean Indexing.
• Element-wise Calculation.

 

들어가며.

Numpy 의 ndarray 는 Boolean Indexing 이라는 기능이 제공됩니다.

만약 a = np.array([1,2,3,4,5]) 라는 ndarray 객체가 존재한다고 가정하겠습니다.

a 는 1, 2, 3, 4, 5 인 5개의 데이터를 가지는 1차원 배열인데요.

아래와 같이 bool_index 를 생성한 이후에 a[bool_index] 와 같은 형식으로 사용하게 되면,

True 와 같은 Index 의 ndarray 의 값이 추출됩니다.

a = np.array([1,2,3,4,5])
bool_index = [True, True, False, False, False]
print(f"a : {a[bool_index]} ")
print(f"a shape : {a[bool_index].shape} ")

a : [1 2] 
a shape : (2,)

 

이러한 방식을 Boolean Indexing 이라고 부르구요.

True 와 False 로 구성된 bool_index 배열을 Boolean Mask 라고 부릅니다.

Boolean Value 를 활용해서 ndarray 를 효과적으로 Selection 할 수 있습니다.

 

고차원의 ndarray 에도 Boolean Indexing 이 적용가능합니다.

아래 예시는 (2,5) shape 인 ndarray 에 Boolean Indexing 을 적용하는 코드입니다.

a = np.array([[1,2,3,4,5], [6,7,8,9,10]])
b = a[[[True, True, False, False, False], [True, True, False, False, False]]]
print(a)
print(b)

 

아래 결과를 보시면 "1, 2, 6, 7" 이 출력됩니다.

그 이유는 Boolean Mask 의 첫번째와 두번째 Row 의 0, 1번 Column 의 값이 True 이기 때문입니다.

[[ 1  2  3  4  5]
 [ 6  7  8  9 10]]

[1 2 6 7]

 

하지만 의아한 것은 출력된 결과의 shape 이 1차원 배열이라는 점입니다.

이것이 Boolean Indexing 의 특징 중의 하나인데요.

Boolean Indexing 이 적용된 결과는 항상 Flatten 되어 나타납니다.

그 이유는 Boolean Indexing 의 결과가 항상 N x M 의 Shape 를 유지한다는 보장이 없기 때문입니다.

Boolean Index 의 결과가 다차원 배열이 직사각형 모양의 Shape 을 가지도록 보장하기 않기 때문에 안전한 방식인 1차원 배열로 결과를 리턴하게 됩니다.

Boolean Mask.

Boolean Mask 는 True, False 로 구성된 N 차원 배열입니다.

Boolean Mask 는 원본 ndarray 와 동일한 Shape 로 구성되어야합니다.

원본 ndarray 가 (2,3) 의 shape 를 가진다면 , Boolean Mask 역시 (2,3) 의 shape 를 가지는 Boolean Value 들로 구성되어야합니다.

아래와 같이 1 ~ 9 의 숫자들로 구성된 (3,3) shape 의 nparray 는 (3,3) 인 Boolean Mask 를 가져야합니다.

import numpy as np
num_array = np.array([[1,2,3], [4,5,6], [7,8,9]])

 

위 케이스에서 짝수 또는 홀수를 위한 Boolean Mask 는 아래와 같이 구성되어야합니다.

bool_mask_even_num = [[False, True, False], [True, False, True], [False, True, False]]
bool_mask_odd_num = [[True, False, True], [False, True, False], [True, False, True]]

 

 

Element-wise Calculation.

Numpy 는 Element-wise Calculation 이 지원됩니다.

다차원 배열에 사칙연산과 같인 연산이 적용될 때에, 배열의 각 요소에 개별적으로 연산이 적용됨을 뜻합니다.

예를 들어, Int 1 로 구성된 길이 5인 배열 a 가 존재하고 여기에 1을 더하거나 빼는 연산을 수행합니다.

그 결과로써 배열의 모든 요소에 덧셈과 뺄셈이 적용되는 것을 확인할 수 있습니다.

import numpy as np

a = np.array([1,1,1,1,1])
print(a)

a += 1
print(a)

a -= 1
print(a)

array([1, 1, 1, 1, 1])
array([2, 2, 2, 2, 2])
array([1, 1, 1, 1, 1])

 

이렇게 ndarray 에 적용되는 연산과 피연산자는 배열의 각 요소에 개별적으로 적용됩니다.

 

더 나아가서 True 또는 False 를 반환하는 조건식을 Element-wise 하게 적용할 수도 있습니다.

a = np.array([1,1,1,1,1])

even_num_mask = a % 2 == 0
print(even_num_mask)

odd_num_mask = a % 2 == 1
print(odd_num_mask)

[False False False False False]
[ True  True  True  True  True]

 

위 결과는 False 또는 True 로 구성된 배열을 생성하고, 이러한 Element-wise Calcuation 의 도움으로 손쉽게 Boolean Mask 를 생성할 수 있습니다.