NumPy 기초 — 수치 연산의 기반

NumPy가 필요한 이유

# Python 리스트 — 느림
data = list(range(1_000_000))
result = [x * 2 for x in data]  # 반복문 필요

# NumPy 배열 — 빠름 (C로 구현됨)
import numpy as np
arr = np.arange(1_000_000)
result = arr * 2  # 벡터 연산, 약 100배 빠름

---

ndarray 생성

import numpy as np

# 리스트에서
arr1d = np.array([1, 2, 3, 4, 5])
arr2d = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1d.shape)  # (5,)
print(arr2d.shape)  # (2, 3)
print(arr2d.dtype)  # int64

# 특수 배열
zeros = np.zeros((3, 4))           # 0으로 채움
ones = np.ones((2, 3), dtype=float)
eye = np.eye(3)                     # 단위 행렬
empty = np.empty((2, 2))           # 초기화 안 함

# 범위
arange = np.arange(0, 10, 2)      # [0, 2, 4, 6, 8]
linspace = np.linspace(0, 1, 5)   # [0, 0.25, 0.5, 0.75, 1.0]

# 랜덤
rng = np.random.default_rng(42)   # 시드 고정
rand = rng.random((3, 3))          # 0~1 균등분포
normal = rng.normal(0, 1, (1000,)) # 정규분포

---

인덱싱과 슬라이싱

arr = np.array([[1, 2, 3, 4],
                [5, 6, 7, 8],
                [9, 10, 11, 12]])

# 기본 인덱싱
print(arr[0, 0])   # 1
print(arr[1, 2])   # 7
print(arr[-1, -1]) # 12

# 슬라이싱
print(arr[0, :])    # [1, 2, 3, 4] (첫 번째 행)
print(arr[:, 1])    # [2, 6, 10]  (두 번째 열)
print(arr[0:2, 1:3])  # [[2, 3], [6, 7]]

# 불리언 인덱싱
mask = arr > 6
print(arr[mask])    # [7, 8, 9, 10, 11, 12]

---

배열 연산

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

# 원소별 연산
print(a + b)    # [5, 7, 9]
print(a * b)    # [4, 10, 18]
print(a ** 2)   # [1, 4, 9]

# 행렬 곱
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A @ B)    # [[19, 22], [43, 50]]

---

브로드캐스팅

크기가 다른 배열 간 연산을 자동으로 확장합니다.

# (3,) + (3, 1) → 브로드캐스팅
row = np.array([1, 2, 3])       # shape: (3,)
col = np.array([[10], [20]])    # shape: (2, 1)

result = row + col
# [[11, 12, 13],   ← row + 10
#  [21, 22, 23]]   ← row + 20

# 실용적인 예: 각 행에서 평균 빼기 (정규화)
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
mean = data.mean(axis=1, keepdims=True)  # 행별 평균, shape: (3, 1)
normalized = data - mean  # 브로드캐스팅

---

집계 함수

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

print(arr.sum())          # 21 (전체 합)
print(arr.sum(axis=0))    # [5, 7, 9] (열별 합)
print(arr.sum(axis=1))    # [6, 15] (행별 합)

print(arr.mean())         # 3.5
print(arr.std())          # 표준편차
print(arr.max(), arr.min())
print(arr.argmax())       # 최대값 위치 (평탄화된 인덱스)
print(np.percentile(arr, 75))  # 75번째 퍼센타일

---

배열 변환

arr = np.arange(12)

# 형태 변경
reshaped = arr.reshape(3, 4)  # (3, 4)
flattened = reshaped.flatten()

# 전치
transposed = reshaped.T       # (4, 3)

# 정렬
data = np.array([3, 1, 4, 1, 5, 9])
sorted_arr = np.sort(data)     # 오름차순
sort_idx = np.argsort(data)    # 정렬 인덱스

# 유니크
unique, counts = np.unique(data, return_counts=True)

---

정리

기능	코드
배열 생성	np.array(), np.zeros(), np.arange()
슬라이싱	arr[0:2, 1:3]
불리언 마스크	arr[arr > 0]
집계	.sum(), .mean(), .std()
형태 변경	.reshape(), .T
행렬 곱	A @ B

다음 편에서는 Pandas 기초 — 표 형태의 데이터를 다루는 DataFrame을 배웁니다.