본문으로 건너뛰기
실습하기

Numpy 기본 연산 및 고급 기능

NumPy는 단순한 배열 연산을 넘어, 데이터 분석과 머신러닝에서 필수적인 다양한 기능을 제공합니다.

이번 수업에서는 배열 기본 연산, 브로드캐스팅, 난수 생성에 대해 알아보겠습니다.


배열 기본 연산​

NumPy 배열은 기본적인 사칙연산을 지원하며, 다음과 같이 연산이 수행됩니다.

배열 연산 예시
import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

print(arr1 + arr2)  # [5 7 9]
print(arr1 * arr2)  # [ 4 10 18]
print(arr1 - arr2)  # [-3 -3 -3]
print(arr1 / arr2)  # [0.25 0.4  0.5 ]

파이썬 리스트는 요소별 연산이 되지 않지만, NumPy 배열은 자동으로 요소별 연산을 수행합니다.


2. 배열의 모양(shape) 변경​

NumPy는 배열의 형태를 쉽게 변경할 수 있습니다.

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

# 2x3 행렬로 변환
reshaped_arr = arr.reshape(2, 3)

print(reshaped_arr)

배열의 크기를 동적으로 변경할 수 있어, 데이터 전처리 과정에서 유용하게 활용됩니다.


3. 배열의 인덱싱과 슬라이싱​

NumPy 배열에서도 리스트처럼 특정 요소를 선택할 수 있습니다.

배열 인덱싱
arr = np.array([10, 20, 30, 40, 50])

print(arr[0])  # 10
print(arr[1:4])  # [20 30 40]

다차원 배열에서도 특정 행과 열을 선택할 수 있습니다.

2차원 배열 인덱싱
matrix = np.array([[1, 2, 3], [4, 5, 6]])

print(matrix[0, 1])  # 2 (첫 번째 행의 두 번째 요소)
print(matrix[:, 1])  # [2 5] (모든 행의 두 번째 열)

4. 브로드캐스팅(Broadcasting)​

브로드캐스팅은 크기가 다른 배열 간의 연산을 가능하게 하는 NumPy의 주요 기능입니다.

브로드캐스팅 예제
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([10, 20, 30])

# 자동으로 arr2가 각 행에 확장됨
result = arr1 + arr2

print(result)

위 예제에서 arr2는 (1,3) 형태이지만, NumPy는 이를 자동으로 (2,3) 형태로 확장하여 연산을 수행합니다.

이처럼 배열의 크기가 맞지 않더라도 브로드캐스팅을 활용하면 효율적인 연산이 가능합니다.


5. 조건에 따른 필터링​

NumPy에서는 조건을 활용하여 원하는 데이터를 쉽게 추출할 수 있습니다.

조건을 활용한 데이터 필터링
arr = np.array([10, 20, 30, 40, 50])

# 30보다 큰 값만 선택
filtered = arr[arr > 30]

print(filtered)

6. 난수 생성 및 샘플링​

NumPy는 난수 생성 기능을 제공하여 데이터 샘플링 및 시뮬레이션에 활용할 수 있습니다.

난수 배열 생성
# 0~1 사이의 난수 5개 생성
random_arr = np.random.rand(5)

print(random_arr)

NumPy는 AI 및 데이터 과학에서 필수적으로 사용되는 범용적인 라이브러리입니다.

배열을 빠르게 생성하고 연산을 수행할 수 있으며, 수학적 연산을 쉽게 적용할 수 있습니다.


참고자료​

다음 내용이 궁금하다면?

코드프렌즈 PLUS 멤버십 가입 or 강의를 등록해 주세요!