Python NumPy 완벽 가이드: 데이터 과학의 기초

Python & NumPy

NumPy(Numerical Python)는 파이썬에서 과학 계산 및 데이터 처리를 위한 가장 강력한 라이브러리 중 하나입니다.

고성능 다차원 배열 객체와 다양한 수학적 함수들을 제공하여 데이터 분석, 머신러닝, 인공지능 등의 분야에서 필수 도구로 자리 잡고 있습니다.

이번 글에서는 NumPy의 핵심 개념과 주요 기능을 공부한 내용을 기록하며 공유하겠습니다.

---

1. NumPy란 무엇인가?

 

1.1 NumPy의 정의

NumPy는 고성능 다차원 배열과 행렬 연산을 제공하는 라이브러리 입니다.

이전 포스트에서 다룬 Panda와 Scikit-learn, TensorFlow와 같은 라이브러리의 기반으로 사용되며, 수치 데이터를 효율적으로 다룰 수 있도록 설계되었습니다.

 

1.2 NumPy의 주요 기능

• NumPy는 기본적으로 C언어로 구현되어 있습니다. - 속도가 빠르다.
• 다차원 배열 객체(NumPy 배열)
• 빠른 수학 연산 (백터 연산, 선형 대수 등)
• 배열 기반의 데이터 조작 (슬라이승, 정렬, 필터링)
• 다양한 수학 및 통계 함수 제공

---

2. NumPy 설치 및 기본 사용법

 

2.1 설치

NumPy를 설치하려면 아래 명령어를 실행하세요

pip install numpy

 

2.2 기본 임포트

import numpy as np

---

3. NumPy 배열 (ndarray)

 

NumPy 배열은 NumPy의 핵심 데이터 구조로, 다차원 배열을 효율적으로 처리할 수 있도록 설계되었습니다.

 

3.1 배열 생성

 

• 리스트를 사용하여 배열 생성 :

import numpy as np

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

• 다차원 배열 생성 :

matrix = np.array([[1, 2], [3, 4]])
print(matrix)

# 출력
[[1 2]
 [3 4]]

 

3.2 배열 생성 함수

 

NumPy는 배열을 생성하는 다양한 내장 함수를 제공합니다.

 

• 0 과 1로 채워진 배열

zeros = np.zeros((2, 3))
ones = np.ones((2, 3))
print(zeros)
print(ones)

#출력
[[0. 0. 0.]
 [0. 0. 0.]]
[[1. 1. 1.]
 [1. 1. 1.]]

• 연속된 숫자 배열

sequence = np.arange(0, 10, 2)  # [0 2 4 6 8]

#파이썬의 range함수와 매우 흡사

• 랜덤 배열

random_array = np.random.rand(2, 3)  # 2x3 랜덤 배열

---

4. NumPy 배열의 기본 연산

 

4.1 산술 연산

NumPy는 백터화된 연산을 지원하므로, 반복문 없이 빠르게 계산할 수 있습니다.

• 배열 간 연산 :

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print(a + b)  # [5 7 9]
print(a * b)  # [ 4 10 18]

• 스칼라 연산 :

print(a * 2)  # [2 4 6]

 

4.2 통계 연산

배열의 합, 평균, 표준편차 계산:

data = np.array([1, 2, 3, 4, 5])
print(np.sum(data))       # 15
print(np.mean(data))      # 3.0
print(np.std(data))       # 1.4142135623730951

---

5. 배열 인덱싱과 슬라이싱

 

5.1 인덱싱

• 특정 요소 접근 : 

array = np.array([10, 20, 30, 40])
print(array[2])  # 30

• 다차원 배열 접근 : 

matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix[0, 1])  # 2

 

5.2 슬라이싱

• 1차원 배열 : 

array = np.array([10, 20, 30, 40, 50])
print(array[1:4])  # [20 30 40]

• 2차원 배열 :

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix[:2, 1:])  # [[2 3]
                       #  [5 6]]

---

6. 고급 기능

 

6.1 배열의 형태 변경

• 배열 크기 변경 : 

array = np.arange(1, 7)
reshaped = array.reshape(2, 3)
print(reshaped)

#출력
[[1 2 3]
 [4 5 6]]

 

6.2 배열의 결합과 분활

• 배열 결합 : 

a = np.array([1, 2])
b = np.array([3, 4])
combined = np.concatenate((a, b))
print(combined)  # [1 2 3 4]

• 배열 분할 : 

array = np.array([1, 2, 3, 4, 5, 6])
split = np.split(array, 3)
print(split)  # [array([1, 2]), array([3, 4]), array([5, 6])]

 

6.3 브로드캐스팅

NumPy는 서로 다른 크기의 배열 간 연산을 자동으로 처리합니다.

a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])
print(a + b)

#출력
[[11 22]
 [13 24]]

---

7. 실용 예제

 

7.1 선형대수 연산

matrix = np.array([[1, 2], [3, 4]])
display(matrix)
inverse = np.linalg.inv(matrix)
display(inverse)

# 출력
array([[1, 2],
       [3, 4]])
array([[-2. ,  1. ],
       [ 1.5, -0.5]])

 

7.2 데이터 정규화

data = np.array([10, 20, 30])
normalized = (data - np.min(data)) / (np.max(data) - np.min(data))
print(normalized)  # [0.  0.5 1. ]

---

<참고>
- NumPy 배열과 파이썬의 리스트와 차이는 NumPy 배열은 리스트보다 빠르고 메모리 효율적이며, 벡터 연산과 같은 고급 연산을 지원한다.
- NumPy 에서 결측치를 처리하려면 'np.isnan()' 함수로 확인하고, 'np.nan_to_num()' 으로 Na 값을 채울 수 있다

요약

 

NumPy는 데이터 과학과 머신러닝의 기초를 쌓는 데 필수적인 라이브러리입니다.

 

다음 포스트에서는 Pandas를 사용하여 데이터를 분석하는 고급 기법을 공부하고 기록 예정입니다. 다음 포스트도 기대해 주세요!