11주차 · NumPy 기초 입문

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.

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)

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.

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

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

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]

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]

처음 실습에서 자주 쓰는 배열 생성 함수를 정리하면 다음과 같습니다.

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

shape가 (3, 4)이면 size는 3 × 4 = 12입니다.

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

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

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)

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

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.

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.

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

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.

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.

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

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.

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

• 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?