[머신러닝] Tensor 데이터 처리하기 Part.4

with tf.Session() as sess:
    print(sess.run(tf.squeeze([[0], [1], [2]])))

벡터의 형태를 간단하게 바꾸는 더 간단한 방법도 있다. squeeze 함수를 사용하면 위의 2차원 벡터를 1차원 행렬로 만들 수 있다.

[0 1 2]

1차원 행렬이 됐다.

with tf.Session() as sess:
    print(sess.run(tf.expand_dims([0, 1, 2], 1)))

거꾸로 차원을 늘릴 수도 있다. expand_dims로 본래 1차원이었던 행렬을 1차원 늘려줄 수 있다.

[[0]
 [1]
 [2]]

2차원 행렬이 된 것을 볼 수 있다.

데이터를 분석하기 위한 데이터 전처리 과정에서 많이 사용하는 개념이 One-hot-encoding이다. 직접 하나하나 값을 바꿔주는 방법도 있지만 TensorFlow에서 이미 함수로 만들어 놓았기에 우리는 사용만 잘 하면 된다.

with tf.Session() as sess:
    print(sess.run(tf.one_hot([[0], [1], [2], [0]], depth=3)))

2차원, (4, 1)형태의 벡터를 one-hot으로 만들어 달라는 코드다. depth = 3의 의미는 최종적으로 나올 수 있는 결과값이 0 ~ 2까지 총 세가지라는 의미다. 당연히 (?, 3)의 형태로 결과값이 나올 것이다.

[[[1. 0. 0.]]

 [[0. 1. 0.]]

 [[0. 0. 1.]]

 [[1. 0. 0.]]]

이렇게 결과 행렬이 나왔다. 우리가 원하던 것과 같이 각 해당하는 값이 각 위치에 1 = True 값으로 표시됐다. 하지만 차원이 하나 더 늘어난 것을 발견할 수 있다. 이렇게 차원이 늘어나면 데이터 처리하는데 복잡성 역시 늘어나므로 줄여주는 것이 편하다.

with tf.Session() as sess:
    t = tf.one_hot([[0], [1], [2], [0]], depth=3)
    print(sess.run(tf.reshape(t, shape=[-1, 3])))

앞서 배웠던 reshape를 사용하면 손쉽게 벡터의 형태를 바꿀 수 있다. 가장 안쪽 차원의 축 형태는 그대로 놔둔 채 총 2차원의 행렬로 형태를 조정하라는 코드다.

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]
 [1. 0. 0.]]

이제 우리가 보기 편한 형태의 one-hot-encoding으로 변환되었다.

with tf.Session() as sess:
    print(sess.run(tf.cast([1.8, 2.2, 3.3, 4.9], tf.int32)))

데이터 값의 형태를 바꿔주는 메소드도 있다. cast 함수를 사용하면 데이터의 형태를 바꿀 수 있다. 현재 float으로 되어있는 숫자 데이터를 int32로 바꿔달라는 코드다.

[1 2 3 4]

모두 int32로 데이터 값이 바뀐 것을 볼 수 있다.

with tf.Session() as sess:
    print(sess.run(tf.cast([True, False, 1 == 1, 0 == 1], tf.int32)))

반드시 숫자뿐 아니라 boolean 값들도 사실상 0과 1로 표현되기 때문에 데이터 값을 바꿀 수 있다.

[1 0 1 0]

데이터가 int32로 표시되어 있다.

x = [1, 4]
y = [2, 5]
z = [3, 6]

# Pack along first dim
with tf.Session() as sess:
    print(sess.run(tf.stack([x, y, z])))

여러 변수로 쪼개져있는 벡터를 하나의 행렬로 쌓아주는 함수도 있다. stack을 사용하면 여러 값을 하나의 벡터로 모아준다.

[[1 4]
 [2 5]
 [3 6]]

2차원, (3, 2) 형태의 행렬이 하나 생겼다.

with tf.Session() as sess:
    print(sess.run(tf.stack([x, y, z], axis=1)))

여느 함수와 마찬가지로 axis를 조정하면 다른 형태의 행렬을 만들 수 있다.

[[1 2 3]
 [4 5 6]]

axis = 1이었기 때문에 다른 형태로 만들어진 행렬이 결과물로 나왔다.

가끔씩 샘플 행렬 또는 가짜 행렬을 만들어 사용해야 할 때가 온다. 보통 0또는 1로만 구성된 행렬을 만드는데 이때 손쉽게 사용할 수 있는 함수가 zeros_like와 ones_like 함수다.

x = [[0, 1, 2],
     [2, 1, 0]]

with tf.Session() as sess:
    print(sess.run(tf.ones_like(x)))

(2, 3) 형태의 2차원 행렬인 x와 같은 형태의 1로만 구성된 행렬을 만드는 코드다.

[[1 1 1]
 [1 1 1]]

x와 같은 형태이지만 구성 요소가 모두 1인 행렬이 결과물로 나왔다.

with tf.Session() as sess:
    print(sess.run(tf.zeros_like(x)))

[[0 0 0]
 [0 0 0]]

마찬가지로 이번에는 0으로만 구성된 행렬을 만들어 볼 수 있다.

zip 역시 데이터 전처리 과정에서 심심찮게 사용된다. 여러 요소 중 각 요소의 일치하는 순서끼리 뽑아낼 수 있다. 예시로 살펴보면 더 쉽다.

for x, y in zip([1, 2, 3], [4, 5, 6]):
    print(x, y)

[1, 2, 3]과 [4, 5, 6]이라는 각각의 리스트에서 각 순서에 맞는 요소들끼리 뽑아낸다.

1 4
2 5
3 6

첫번째 요소인 1, 4, 이후 2, 5, 3, 6 순서대로 뽑아내 출력한다.

for x, y, z in zip([1, 2, 3], [4, 5, 6], [7, 8, 9]):
    print(x, y, z)

데이터가 더 많아져도 원리는 똑같다.

1 4 7
2 5 8
3 6 9

역시나 각 순소에 맞게 요소를 뽑아내 출력한 결과값을 확인할 수 있다.