11주차 · NumPy 기초 입문

학습 목표

이 장을 마치면 다음을 할 수 있습니다.

• import numpy as np와 np.array(...)의 의미를 설명한다.
• NumPy의 기본 자료구조 ndarray를 “shape가 있는 숫자 배열”로 이해한다.
• ndim, shape, size, dtype로 배열을 점검한다.
• np.array, np.zeros, np.ones, np.arange, np.linspace로 배열을 만든다.
• 1D/2D 배열에서 인덱싱, 슬라이싱, 불리언 마스크를 사용한다.
• reshape와 np.newaxis로 (3,), (1, 3), (3, 1)의 차이를 확인한다.
• 원소별 연산 *와 행렬곱 @를 구분한다.
• axis=0, axis=1 방향으로 합계와 평균을 계산한다.
• 브로드캐스팅(broadcasting)이 되는 경우와 실패하는 경우를 설명한다.
• 원본을 함께 보는 배열(view)과 별도 복사본(copy)의 차이를 알고 원본 변경 위험을 피한다.

한 줄 요약

NumPy는 벡터와 행렬을 코드로 계산하기 위한 배열 엔진입니다. 계산 전에는 항상 shape를 먼저 확인하세요.

10주차와 연결하기

10주차에서 벡터와 행렬을 “숫자 묶음, 숫자표, 변환 규칙”으로 보았다면, 이번 주에는 그 계산을 NumPy 배열로 실행합니다. 수학에서 3 × 2 행렬이라고 부른 것을 NumPy에서는 shape == (3, 2)인 배열로 확인합니다.

이번 주 학습 범위

필수로 이해할 것은 배열 만들기, shape 확인, 인덱싱, *와 @ 구분, axis 해석입니다. 브로드캐스팅, 불리언 마스크, 원본 보존 문제는 데이터 실습에서 자주 만나므로 함께 다루되, 처음 읽을 때는 예제의 shape 설명을 따라가는 데 집중하세요.

---

0. 예제 코드에서 >>>가 보이면

NumPy 예제를 찾아보다 보면 다음처럼 >>>가 붙은 코드를 볼 수 있습니다.

>>> import numpy as np
>>> np.array([1, 2, 3])
array([1, 2, 3])

여기서 >>>는 Python 대화형 프롬프트입니다. 실제 코드에 붙이지 않습니다.

# 실제 코드에는 이렇게 씁니다.
import numpy as np
arr = np.array([1, 2, 3])
print(arr)

---

1. NumPy 빠르게 시작하기: 기본 습관 네 가지

NumPy 코드는 보통 아래처럼 시작합니다.

import numpy as np

arr = np.array([1, 2, 3], dtype=float)
print(arr.shape)
print(arr * 2)

처음에는 네 가지를 고정 습관으로 두세요.

1. import numpy as np로 NumPy를 불러온다.
2. np.array([...])로 리스트를 배열로 바꾼다.
3. 계산 전 shape, dtype를 확인한다.
4. arr * 2, arr + arr는 원소별 연산임을 기억한다.

예제 1 · NumPy 첫 배열 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np arr = np.array([1, 2, 3], dtype=float) print("arr:", arr) print("shape:", arr.shape) print("dtype:", arr.dtype) print("arr * 2:", arr * 2)

Run Reset Debug

Wrap off Copy

Ready

---

2. ndarray란 무엇인가요?

NumPy의 핵심 자료구조는 ndarray입니다. 이름 그대로 N-dimensional array, 즉 여러 차원을 담는 배열입니다.

차원	수학적 느낌	NumPy 예	shape
0D	스칼라처럼 보이는 값	np.array(3.3)	()
1D	숫자 줄, 벡터처럼 사용	np.array([1, 2, 3])	(3,)
2D	행렬, 표	np.array([[1, 2], [3, 4]])	(2, 2)

벡터와 NumPy 1D 배열은 완전히 같지 않습니다

수학의 열벡터는 보통 3 × 1 모양입니다. NumPy의 shape == (3,)인 1D 배열은 행벡터도 열벡터도 아닌 “축이 하나인 배열”입니다. 열벡터 모양이 필요하면 reshape(3, 1) 또는 [:, np.newaxis]를 사용합니다.

---

3. list와 ndarray: 같은 기호도 의미가 다릅니다

Python 리스트와 NumPy 배열은 모두 값을 담을 수 있지만, 연산 의미가 다릅니다.

코드	Python list	NumPy ndarray
a + b	이어붙이기	원소별 덧셈
a * 2	리스트 반복	원소별 곱셈
shape	없음	있음
dtype	공통 dtype 없음	배열 전체의 자료형을 명시적으로 관리

Python list

a = [1, 2, 3]
b = [10, 20, 30]
print(a + b)  # [1, 2, 3, 10, 20, 30]
print(a * 2)  # [1, 2, 3, 1, 2, 3]

NumPy ndarray

import numpy as np

a = np.array([1, 2, 3])
b = np.array([10, 20, 30])
print(a + b)  # [11 22 33]
print(a * 2)  # [2 4 6]

예제 2 · list와 ndarray 연산 비교 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np values = [1, 2, 3] arr = np.array(values) print("list + list:", values + values) print("array + array:", arr + arr) print("list * 2:", values * 2) print("array * 2:", arr * 2)

Run Reset Debug

Wrap off Copy

Ready

---

4. 배열을 만드는 기본 도구

처음 실습에서 자주 쓰는 배열 생성 함수를 정리하면 다음과 같습니다.

함수	역할	예
np.array(data)	직접 값을 넣어 배열 생성	np.array([1, 2, 3])
np.zeros(shape)	0으로 채운 배열	np.zeros((2, 3))
np.ones(shape)	1로 채운 배열	np.ones((2, 3))
np.arange(start, stop, step)	일정 간격 숫자	np.arange(0, 10, 2)
np.linspace(start, stop, num)	구간을 num개로 균등 분할	np.linspace(0, 1, 5)

np.empty는 나중에

np.empty도 배열을 만들 수 있지만, 초심자 실습에서는 권장하지 않습니다. 값이 0으로 초기화되는 것이 아니라 메모리에 남아 있던 임의 값처럼 보일 수 있어 혼란스럽습니다.

예제 3 · 배열 생성 함수 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np print("array:", np.array([1, 2, 3])) print("zeros: ", np.zeros((2, 3))) print("ones: ", np.ones((2, 3))) print("arange:", np.arange(0, 10, 2)) print("linspace:", np.linspace(0, 1, 5)) arr = np.array([1, 2, 3], dtype=float) print("dtype 지정:", arr, arr.dtype)

Run Reset Debug

Wrap off Copy

Ready

---

5. 배열 건강검진 4종: ndim, shape, size, dtype

계산 전에 아래 네 가지를 확인하면 많은 오류를 미리 막을 수 있습니다.

속성	뜻	예
ndim	축의 개수, 차원 수	2D 배열이면 2
shape	각 축의 길이	(3, 4)
size	전체 원소 개수	12
dtype	원소 자료형	float64, int64

shape가 (3, 4)이면 size는 3 × 4 = 12입니다.

예제 4 · ndim, shape, size, dtype 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np arr = np.array([ [1, 2, 3, 4], [10, 20, 30, 40], [100, 200, 300, 400], ], dtype=float) print("ndim:", arr.ndim) print("shape:", arr.shape) print("size:", arr.size) print("dtype:", arr.dtype) assert arr.size == arr.shape[0] * arr.shape[1] print("shape 건강검진 완료")

Run Reset Debug

Wrap off Copy

Ready

---

6. 인덱싱과 슬라이싱: 원하는 칸, 행, 열 꺼내기

1D 배열

a = np.array([10, 20, 30, 40])

print(a[0])    # 첫 번째 값 10
print(a[1:3])  # index 1부터 3 직전까지 → [20 30]
print(a[-1])   # 마지막 값 40

2D 배열

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

print(A[0, 0])  # 1행 1열, NumPy index로는 [0, 0]
print(A[1, 2])  # 2행 3열 → 6
print(A[0, :])  # 첫 번째 행 전체
print(A[:, 1])  # 두 번째 열 전체

코드	의미
A[row, col]	특정 칸 하나
A[row, :]	특정 행 전체
A[:, col]	특정 열 전체
A[start:stop]	start부터 stop 직전까지

예제 5 · 2D indexing과 slicing 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np A = np.array([ [1, 2, 3], [4, 5, 6], [7, 8, 9], ]) print("A: ", A) print("A[0, 0]:", A[0, 0]) print("A[1, 2]:", A[1, 2]) print("첫 번째 행:", A[0, :]) print("두 번째 열:", A[:, 1])

Run Reset Debug

Wrap off Copy

Ready

---

7. reshape와 np.newaxis: 1D를 행/열 모양으로 바꾸기

10주차에서 보았듯이 (3,), (1, 3), (3, 1)은 다릅니다. 지금부터는 같은 숫자라도 shape가 달라지면 NumPy가 다르게 해석할 수 있다는 점을 확인합니다.

(3,)    → 축이 하나인 길이 3 배열
(1, 3) → 1행 3열
(3, 1) → 3행 1열

reshape는 전체 원소 개수를 유지하면서 모양을 바꿉니다.

a = np.arange(6)
print(a.shape)        # (6,)
print(a.reshape(2, 3))
print(a.reshape(3, 2))

np.newaxis는 새 축을 하나 추가합니다.

v = np.array([10, 20, 30])
print(v[:, np.newaxis].shape)  # (3, 1)
print(v[np.newaxis, :].shape)  # (1, 3)

예제 6 · reshape와 newaxis 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np v = np.array([10, 20, 30]) print("v shape:", v.shape) print("row vector shape:", v[np.newaxis, :].shape) print("column vector shape:", v[:, np.newaxis].shape) A = np.arange(6).reshape(3, 2) print("A shape:", A.shape) print(A) assert A.size == 6 print("reshape 점검 완료")

Run Reset Debug

Wrap off Copy

Ready

---

8. 원소별 연산과 행렬곱 구분하기

NumPy에서 +, -, *, /는 기본적으로 같은 위치 원소끼리 계산합니다.

A + B  # 원소별 덧셈
A * B  # 원소별 곱셈, 행렬곱 아님

10주차에서 행렬곱은 행과 열이 만나 만드는 계산이라고 배웠습니다. NumPy에서는 이 계산을 @로 씁니다.

A @ x
A @ B

인터랙티브 · 10주차의 Ax 계산 다시 보기 값을 바꾸며 계산 규칙을 눈으로 확인하세요.

← 이전 다음 → 처음

행렬-벡터 곱은 행렬의 각 행이 벡터와 만나 결과 숫자 하나씩을 만드는 계산입니다.

1D 배열과 열벡터 모양

NumPy의 1D 배열 shape == (2,)은 행벡터도 열벡터도 아닌 “길이 2 배열”입니다. 그래도 A @ x에서는 길이 2 벡터로 처리되어 결과가 (2,)처럼 나옵니다. 열벡터 결과 (2, 1)이 필요하면 x[:, np.newaxis]처럼 새 축을 추가합니다.

예제 7 · *와 @ 비교 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np A = np.array([ [1, 2], [3, 4], ]) B = np.array([ [10, 20], [30, 40], ]) x = np.array([10, 20]) print("A shape:", A.shape) print("B shape:", B.shape) print("A * B, 같은 위치 원소끼리 곱: ", A * B) print("A @ B, 행과 열이 만나 계산: ", A @ B) print("x shape:", x.shape) print("A @ x:", A @ x) print("x[:, np.newaxis] shape:", x[:, np.newaxis].shape) print("A @ x[:, np.newaxis] shape:", (A @ x[:, np.newaxis]).shape)

Run Reset Debug

Wrap off Copy

Ready

가장 흔한 실수

NumPy에서 A * B는 행렬곱이 아닙니다. 같은 위치의 원소끼리 곱합니다. 행렬곱은 A @ B 또는 A @ x입니다.

인터랙티브 · NumPy shape와 연산 가능 여부 값을 바꾸며 계산 규칙을 눈으로 확인하세요.

A 행 A 열 B 행 B 열

인터랙티브 · A @ B가 한 칸씩 채워지는 과정 값을 바꾸며 계산 규칙을 눈으로 확인하세요.

← 이전 다음 → 처음

결과의 한 칸은 앞 행렬의 한 행과 뒤 행렬의 한 열을 같은 위치끼리 곱해 더한 값, 즉 내적입니다.

---

9. axis별 집계: 어느 축을 접어 모으나요?

2D 배열에서 합계나 평균을 구할 때 axis를 지정할 수 있습니다.

arr.sum(axis=0)  # 0번 축(행 인덱스 방향)을 내려가며 모음 → 열별 결과가 남음
arr.sum(axis=1)  # 1번 축(열 인덱스 방향)을 옆으로 모음 → 행별 결과가 남음

말이 헷갈리면 “어느 축을 없애서 결과가 무엇으로 남는가”를 생각하세요.

원래 shape	코드	결과 개수	의미
(3, 4)	sum(axis=0)	4개	행 인덱스 방향으로 내려가며 합쳐서 열별 결과가 남음
(3, 4)	sum(axis=1)	3개	열 인덱스 방향으로 옆으로 합쳐서 행별 결과가 남음

인터랙티브 · axis=0과 axis=1 방향 확인 값을 바꾸며 계산 규칙을 눈으로 확인하세요.

예제 8 · axis별 sum과 mean 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np arr = np.array([ [1, 2, 3, 4], [10, 20, 30, 40], [100, 200, 300, 400], ]) print("shape:", arr.shape) print("sum axis=0:", arr.sum(axis=0)) print("sum axis=1:", arr.sum(axis=1)) print("mean axis=0:", arr.mean(axis=0)) print("mean axis=1:", arr.mean(axis=1))

Run Reset Debug

Wrap off Copy

Ready

---

10. 브로드캐스팅(broadcasting): NumPy가 모양을 맞춰 주는 경우

수학 교과서의 행렬 덧셈은 보통 같은 크기끼리만 가능합니다. NumPy는 일부 경우에 작은 배열을 필요한 방향으로 반복해 큰 배열과 계산하게 해 줍니다. 이것을 브로드캐스팅(broadcasting)이라고 합니다.

인터랙티브 · 브로드캐스팅 성공과 실패 값을 바꾸며 계산 규칙을 눈으로 확인하세요.

쉬운 규칙

아무 모양이나 자동으로 맞춰 주는 것은 아닙니다. NumPy는 뒤쪽 축부터 shape를 비교합니다. 각 축이 다음 중 하나면 브로드캐스팅이 가능합니다.

1. 두 길이가 같다.
2. 둘 중 하나가 1이다.
3. 앞쪽에 없는 축은 길이 1처럼 본다.
4. 스칼라 shape ()는 모든 shape와 호환된다.

예:

A.shape      # (2, 3)
row.shape    # (3,)
A + row      # 가능: row가 각 행에 반복됨

col.shape    # (2, 1)
A + col      # 가능: 각 행의 보정값이 옆으로 반복됨

실패 예:

A.shape   # (2, 3)
bad.shape # (2,)
A + bad   # 실패: 마지막 축 3과 2가 맞지 않음

예제 9 · broadcasting으로 센서 보정값 더하기 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np # 2일 × 3개 센서 측정값 readings = np.array([ [1.0, 2.0, 3.0], [10.0, 20.0, 30.0], ]) sensor_offset = np.array([0.1, -0.2, 0.3]) day_offset = np.array([[100.0], [200.0]]) print("readings shape:", readings.shape) print("sensor_offset shape:", sensor_offset.shape) print("readings + sensor_offset: ", readings + sensor_offset) print("day_offset shape:", day_offset.shape) print("readings + day_offset: ", readings + day_offset)

Run Reset Debug

Wrap off Copy

Ready

---

11. 불리언 마스크(boolean mask): 조건에 맞는 원소만 고르기

불리언 마스크는 각 원소가 조건을 만족하는지를 True/False로 나타내는 배열입니다.

data = np.array([3.0, 7.5, 1.2, 9.8])
mask = data > 5.0
print(mask)       # [False  True False  True]
print(data[mask]) # [7.5 9.8]

여러 조건을 묶을 때는 괄호와 &, |를 사용합니다.

normal = (data >= 0.0) & (data <= 10.0)

2D 배열에 2D 마스크를 적용하면 조건을 만족한 값만 뽑혀 1D 배열로 나옵니다. 예를 들어 corrected[mask]는 정상 범위에 들어온 값만 한 줄로 모은 배열입니다.

and 대신 &

NumPy 배열 조건을 묶을 때 Python의 and, or를 쓰면 의도대로 동작하지 않습니다. 배열 조건에는 &, |를 쓰고, 각 조건은 괄호로 감싸세요.

예제 10 · 불리언 마스크로 정상 범위 필터링 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np temps = np.array([21.5, 22.0, -5.0, 23.1, 80.0, 20.8]) mask = (temps >= 0.0) & (temps <= 50.0) clean = temps[mask] print("mask:", mask) print("clean:", clean) print("원본 개수:", len(temps)) print("정제 후 개수:", len(clean)) print("정제 후 평균:", round(float(clean.mean()), 2)) assert len(clean) <= len(temps) print("mask 점검 완료")

Run Reset Debug

Wrap off Copy

Ready

---

12. 원본을 함께 보는 배열과 별도 복사본

NumPy에서 기본 slicing(arr[1:3])은 새 배열처럼 보이지만, 실제로는 원본 데이터를 함께 바라보는 view일 수 있습니다. view를 수정하면 원본도 바뀝니다.

반대로 불리언 마스크(arr[mask])나 정수 배열 인덱싱은 보통 별도 복사본을 만듭니다. 그래서 “잘라 낸 배열이 원본과 연결되어 있는가?”는 선택 방식에 따라 달라질 수 있습니다.

예제 11 · 원본과 복사본 차이 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np arr = np.array([10, 20, 30, 40]) view = arr[1:3] view[0] = 999 print("view 수정 후 arr:", arr) arr2 = np.array([10, 20, 30, 40]) copy = arr2[1:3].copy() copy[0] = 999 print("copy 수정 후 arr2:", arr2) print("copy:", copy)

Run Reset Debug

Wrap off Copy

Ready

안전한 습관

기본 slicing 결과를 수정할 예정이고 원본을 보존해야 한다면 slice 뒤에 .copy()를 붙이세요. 특히 “원본 데이터”와 “정제 데이터”를 비교해야 하는 분석 코드에서 중요합니다.

---

13. 종합 예제: 2D 센서 배열 처리

아래 예제는 이번 주 내용을 한 번에 묶습니다.

• 3일 × 4회 측정값 배열 생성
• shape 건강검진
• 센서 보정값 브로드캐스팅
• axis별 평균
• 불리언 마스크로 정상 범위 비율 계산

종합 예제 · 2D 센서 데이터 처리 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np # 3일 × 4회 측정한 전압 데이터 voltage = np.array([ [3.31, 3.29, 3.33, 3.30], [3.28, 3.27, 3.35, 3.32], [3.40, 3.38, 3.36, 3.34], ], dtype=float) print("ndim:", voltage.ndim) print("shape:", voltage.shape) print("size:", voltage.size) print("dtype:", voltage.dtype) # 측정 회차별 보정값: shape (4,) → 각 행에 반복 적용 offset = np.array([0.00, 0.01, -0.02, 0.00]) corrected = voltage + offset print("corrected: ", np.round(corrected, 3)) print("day mean axis=1:", np.round(corrected.mean(axis=1), 3)) print("time mean axis=0:", np.round(corrected.mean(axis=0), 3)) normal_mask = (corrected >= 3.25) & (corrected <= 3.45) normal_ratio = normal_mask.sum() / corrected.size print("normal ratio:", round(float(normal_ratio), 2)) assert corrected.shape == voltage.shape assert corrected.size == voltage.size print("종합 예제 점검 완료")

Run Reset Debug

Wrap off Copy

Ready

종합 예제 해설

1. voltage.shape == (3, 4)이므로 3일, 4회 측정 표로 읽을 수 있습니다.
2. offset.shape == (4,)인 보정값은 각 행에 반복 적용됩니다. 이것이 브로드캐스팅입니다.
3. mean(axis=1)은 1번 축, 즉 열 인덱스 방향으로 옆으로 모아 일별 평균을 만듭니다.
4. mean(axis=0)은 0번 축, 즉 행 인덱스 방향으로 내려가며 같은 측정 회차끼리 모아 회차별 평균을 만듭니다.
5. 불리언 마스크는 정상 범위에 들어오는 칸을 True로 표시합니다.

---

실습 문제 · 직접 코딩

이번 주 실습은 “계산 결과”보다 shape와 해석 문장을 함께 출력하는 것이 중요합니다.

실습 1

목표: 배열을 만들고 ndim, shape, size, dtype를 확인합니다.

완료 조건: size == shape[0] * shape[1] 검증을 통과하고, 배열이 몇 행 몇 열인지 한 문장으로 출력하세요.

실습 1 · 배열 건강검진 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np raw = [[1, 2, 3], [4, 5, 6]] # TODO 1) raw를 dtype=float NumPy 배열로 바꾸세요. # TODO 2) ndim, shape, size, dtype을 출력하세요. # TODO 3) size 검증 assert를 추가하세요. # TODO 4) "이 배열은 2행 3열입니다" 같은 해석 문장을 출력하세요.

Run Reset Debug

Wrap off Copy

Ready

실습 2

목표: 2D 배열에서 특정 행, 열, 칸을 꺼냅니다.

완료 조건: 첫 번째 행, 두 번째 열, 3행 4열 값을 출력하세요.

실습 2 · 인덱싱과 슬라이싱 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np A = np.arange(1, 13).reshape(3, 4) print(A) # TODO 1) 첫 번째 행 전체를 출력하세요. # TODO 2) 두 번째 열 전체를 출력하세요. # TODO 3) 3행 4열 값을 출력하세요. NumPy index는 0부터 시작합니다.

Run Reset Debug

Wrap off Copy

Ready

실습 3

목표: *와 @를 구분합니다.

완료 조건: 원소별 곱, 행렬-행렬 곱, 행렬-벡터 곱의 결과를 각각 출력하고 차이를 한 문장으로 설명하세요.

실습 3 · 원소별 곱과 행렬곱 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[10, 20], [30, 40]]) x = np.array([10, 20]) # TODO 1) A * B를 출력하세요. # TODO 2) A @ B를 출력하세요. # TODO 3) A @ x를 출력하세요. # TODO 4) 세 연산의 의미 차이를 한 문장으로 출력하세요.

Run Reset Debug

Wrap off Copy

Ready

실습 4

목표: axis별 평균을 계산하고 결과 shape를 해석합니다.

완료 조건: axis=0, axis=1 평균을 모두 출력하고 각각 무엇을 모은 결과인지 설명하세요.

실습 4 · axis별 평균 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np sensor = np.array([ [1.0, 2.0, 3.0], [10.0, 20.0, 30.0], [100.0, 200.0, 300.0], ]) # TODO 1) sensor.mean(axis=0)을 출력하세요. # TODO 2) sensor.mean(axis=1)을 출력하세요. # TODO 3) 두 결과가 각각 어떤 방향으로 값을 모은 것인지 설명하세요.

Run Reset Debug

Wrap off Copy

Ready

실습 5

목표: 브로드캐스팅과 불리언 마스크를 함께 사용합니다.

완료 조건: 보정 후 데이터, 정상 범위 mask, 정상 데이터 개수와 평균을 출력하세요.

실습 5 · 브로드캐스팅 + 마스크 코드를 실행하고 출력 결과를 확인하세요.

import numpy as np readings = np.array([ [3.31, 3.29, 3.50], [3.28, 2.90, 3.32], ]) offset = np.array([0.00, 0.02, -0.01]) # TODO 1) readings + offset 으로 corrected를 만드세요. # TODO 2) 3.0 이상 3.45 이하인 값의 mask를 만드세요. # TODO 3) 정상 값만 골라 개수와 평균을 출력하세요. # TODO 4) corrected.shape == readings.shape 를 assert로 확인하세요.

Run Reset Debug

Wrap off Copy

Ready

---

제출 전 자기점검

• import numpy as np를 사용했는가?
• 계산 전 ndim, shape, size, dtype 중 최소 2개 이상 확인했는가?
• *와 @의 차이를 설명할 수 있는가?
• (3,), (1, 3), (3, 1)의 차이를 말할 수 있는가?
• axis=0, axis=1 결과가 몇 개 나오는지 예측했는가?
• 브로드캐스팅이 성공한 이유 또는 실패한 이유를 shape로 설명했는가?
• mask 조건을 괄호와 &/|로 작성했는가?
• 원본을 보존해야 하는 slice에는 .copy()가 필요한지 생각했는가?

10주차 · 행렬과 벡터 기초 NumPy 전에 shape와 행렬곱 감각 다시 보기

12주차 · 데이터 시각화 NumPy 배열을 matplotlib 그래프로 연결하기

실습 콘솔 학생용 빈 Python 콘솔에서 자유롭게 실습하기