[2월 1주차-2/7(1)]🔥 NumPy 기초 정리: 다차원 배열과 연산 완벽 가이드

데이터 분석과 과학 계산을 할 때 NumPy(넘파이) 는 필수 라이브러리입니다.
특히 대규모 데이터 연산과 다차원 배열을 효율적으로 처리할 수 있는 기능을 제공합니다.
이번 포스팅에서는 NumPy의 기초 개념과 다양한 연산 방법을 정리해보겠습니다! 🚀

---

🏗️ NumPy 배열의 기본 개념

NumPy 배열(ndarray)은 다차원 배열을 효과적으로 다루는 자료구조입니다.
파이썬의 리스트와 달리 모든 요소가 같은 데이터 타입을 가지며, 고속 연산이 가능합니다.

import numpy as np

lst = [2, 3, 4]
num_array = np.array(lst)

위 코드를 실행하면 num_array는 1차원 배열이 됩니다.
NumPy 배열은 다양한 속성을 제공하는데, 몇 가지 중요한 속성을 살펴보겠습니다.

📌 NumPy 배열의 속성

print(num_array.shape)    # (3,) -> 배열의 형상(크기)
print(num_array.ndim)     # 1 -> 배열의 차원(1D 배열)
print(num_array.dtype)    # int32 -> 배열의 데이터 타입
print(num_array.itemsize) # 4 -> 각 요소의 크기 (byte 단위)
print(num_array.size)     # 3 -> 배열의 요소 개수

• shape: 배열의 형상(크기)
• ndim: 배열의 차원 수
• dtype: 배열의 데이터 타입
• itemsize: 배열의 요소 크기 (바이트 단위)
• size: 배열의 총 요소 개수

---

🔢 NumPy 배열 연산

NumPy 배열은 기본적으로 요소별 연산을 수행합니다.
즉, 같은 위치에 있는 요소끼리 연산이 이루어집니다.

a = np.array([10, 20, 30])
b = np.array([1, 2, 3])

print(a + b)  # array([11, 22, 33])
print(a - b)  # array([ 9, 18, 27])
print(a * b)  # array([10, 40, 90])
print(a / b)  # array([10. , 10. , 10.])

이처럼 NumPy는 벡터화 연산(vectorized operation)을 지원하여 반복문 없이 빠른 연산이 가능합니다.

🏹 브로드캐스팅(Broadcasting)

NumPy에서는 차원이 다른 배열끼리도 연산이 가능합니다.
이를 브로드캐스팅(Broadcasting) 이라고 하며, 작은 배열이 자동으로 확장됩니다.

a = np.array([10, 20, 30])
print(a * 10)  # array([100, 200, 300])

📌 2차원 배열과 1차원 배열 연산

b = np.array([[10, 20, 30],
              [40, 50, 60]])
c = np.array([2, 3, 4])

print(b + c)
'''
array([[12, 23, 34],
       [42, 53, 64]])
'''

NumPy는 자동으로 행렬의 크기를 맞춰 연산을 수행합니다.
이러한 기능 덕분에 고속 벡터 연산이 가능하죠! 🚀

---

🏗️ 다차원 배열 생성

NumPy에서는 다양한 방식으로 다차원 배열을 생성할 수 있습니다.

1️⃣ 기본 배열 생성 함수

zero = np.zeros((2,3))  
one = np.ones((2,3))  
full = np.full((2,3), 123)
eye = np.eye(4)  

출력 결과:

zeros:
[[0. 0. 0.]
 [0. 0. 0.]]

ones:
[[1. 1. 1.]
 [1. 1. 1.]]

full:
[[123 123 123]
 [123 123 123]]

eye (단위 행렬):
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

2️⃣ 연속된 숫자로 배열 생성

np.arange(0, 10, 2)  # array([0, 2, 4, 6, 8])
np.linspace(0, 10, 5)  # array([ 0. , 2.5, 5. , 7.5, 10. ])

• arange(start, stop, step): 지정된 간격으로 배열 생성
• linspace(start, stop, num): 시작과 끝을 포함하여 균등한 간격으로 배열 생성

---

🔄 배열 조작과 변형

📌 배열 삽입 (insert)

a = np.array([1, 3, 4])
np.insert(a, 1, 2)  # array([1, 2, 3, 4])

2차원 배열에서 삽입

b = np.array([[1, 1], [2, 2], [3, 3]])
np.insert(b, 1, 4, axis=0)
'''
array([[1, 1],
       [4, 4],
       [2, 2],
       [3, 3]])
       
axis = 1일 경우
[[1 4 1]
 [2 4 2]
 [3 4 3]]
'''

📌 배열 뒤집기 (flip)

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

np.flip(c, axis=1)
'''
array([[3, 2, 1],
       [6, 5, 4]])
'''

📌 배열 정렬 (sort)

d = np.array([[35, 24, 55],
              [69, 19, 9],
              [4, 1, 11]])

d.sort()
print(d)
'''
[[24 35 55]
 [ 9 19 69]
 [ 1  4 11]]
'''

d.sort(axis=0)
print(d)
'''
[[ 1  4 11]
 [ 9 19 55]
 [24 35 69]]
'''

---

🎭 다차원 배열 변형

📌 배열 차원 변경 (reshape)

sh = np.arange(12)
r = sh.reshape(3, 4)

print(r)
'''
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''

📌 배열 1차원으로 변경 (flatten)

b = np.array([[1,1], [2,2], [3,3]])
b.flatten()
# array([1, 1, 2, 2, 3, 3])

---

🏆 행렬 연산

📌 행렬 곱 (matmul)

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

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

np.matmul(a, b)
'''
array([[ 70, 100],   
       [150, 220]])
'''

---

🚀 마무리

NumPy는 데이터 과학과 머신러닝에서 필수적인 라이브러리입니다.
이번 포스팅에서는 기본적인 배열 생성부터 고급 연산까지 다뤄보았습니다.

추후에는 고급 NumPy 기능과 실전 데이터 분석 활용법도 다뤄보겠습니다!
질문이나 추가 내용이 있다면 댓글로 남겨주세요! 📢🔥