머신러닝 배우기(Python) - NumPy 설치 및 사용 방법 (1)

Python에서 데이터를 다룰 때 가장 중요한 라이브러리 중 하나가 NumPy(Numerical Python)이다.

파이썬에서 수치 계산과 과학적 연산을 효율적으로 수행하기 위해 설계되었다.

 

이번글에서는 NumPy가 무엇인지, 설치 방법과 사용 방법에 대해서 알아보자.

 

---

1. NumPy 란?

 

NumPy란 파이썬 내에서 빠른 연산을 수행할 수 있도록 돕는 라이브러리이다.

 

특징으로는

1-1. 다차원 배열(ndarray) 지원

- ndarray 객체 : NumPy의 중심은 동종 데이터(모든 원소가 동일한 데이터 타입)를 연속된 메모리 공간에 저장하는 다차원 배열 객체이다. 이 구조로 인해 배열 간 벡터화 연산을 지원하며, 반목문을 사용하지 않고도 전체 배열에 대해 빠르고 간결하게 연산을 수행한다.

 

1-2. 벡터화 연산과 브로드 캐스팅

- 벡터화 연산 : 배열 전체에 대해 한 번에 수학적 연산을 적용할 수 있어, 파이썬의 기본 반복문을 사용하는 것보다 빠른 계산이 가능하다.

- 브로드 캐스팅 : 서로 크기가 다른 배열 간에도 자동으로 크기를 맞춰 연산할 수 있는 기능을 제공하여, 코드의 간결성과 효율성을 높인다.

 

1-3. 성능과 메모리 효율성

- C 언어로 구현 : 내부적으로 C 언어로 구현되어 있어, 파이썬의 리스트나 순수 Python코드에 비해 훨씬 빠른 연산 속도를 제공한다.

- 메모리 최적화 : 모든 원소가 동일한 데이터 타입으로 저장되므로, 메모리 사용 면에서도 효율적이다.

 

1-4. 풍부한 수학 및 선형대수 함수 지원

- NumPy는 기본적인 산술 연산 외에도, 선형대수, 통계, 푸리에 변환, 난수 생성 등 다양한 수학적 기능을 제공하여 과학 계산 및 데이터 분석에 필수적인 도구로 활용된다.

- 이 기능들은 SciPy, Pandas, Matplotlib 등 다른 라이브러리와 긴밀하게 연동되어, 파이썬에서 중요한 역할을 한다.

 

1-5. 오픈소스

- NumPy는 BSD 라이선스 하에 배포되는 오픈 소스 소프트웨어로, 전 세계의 개발자와 연구자들이 함께 발전시켜 나가고 있다.

 

 

---

2. NumPy 설치 방법

 

비교적 설치가 간단한데, 터미널 창에 아래 명령어를 실행하면 된다.

pip install numpy

 

설치가 되어 있거나, 최신버전으로 받고 싶을 때에는 아래 명령어를 실행한다.

python.exe -m pip install --upgrade pip

 

설치가 완료되었는지 확인을 해보자

import numpy as np

print(np.__version__)

정상적으로 설치가 되면, 

NumPy 버전이 출력된다.

 

---

3. NumPy 기본 사용법

 

3-1. NumPy 배열 생성

NumPy에서 중요한 개념은 ndarray이다. 

기본 리스트와는 다르게, NumPy 배열은 더 빠르고 메모리 효율적이다.

import numpy as np

# 리스트를 NumPy 배열로 변환
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print(type(arr))  # <class 'numpy.ndarray'>

 

 

3-2. 다차원 배열 만들기

NumPy는 1차원 배열뿐만 아니라 2차원, 3차원 이상의 배열도 쉽게 생성할 수 있다.

# 2차원 배열 생성 (행렬)
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix)

# 3차원 배열 생성
tensor = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(tensor)

 

 

3-3. 다양한 배열 생성 함수

다양한 방식으로도 배열을 생성할 수 있다.

# 0으로 채워진 배열 생성
zeros = np.zeros((3, 3))
print(zeros)

# 1로 채워진 배열 생성
ones = np.ones((2, 4))
print(ones)

# 특정 범위의 숫자로 배열 생성
range_array = np.arange(0, 10, 2)  # 0부터 10까지 2씩 증가
print(range_array)

# 랜덤 숫자로 배열 생성
random_array = np.random.rand(3, 3)  # 3x3 난수 배열 생성
print(random_array)

 

 

---

4. NumPy 활용 예제

 

NumPy를 활용하여 수학적 연산을 해보자

 

4-1. 기본적인 수학 연산

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

print("배열 합:", np.sum(arr))  # 1+2+3+4+5 = 15
print("배열 평균:", np.mean(arr))  # (1+2+3+4+5) / 5 = 3.0
print("배열 표준편차:", np.std(arr))  # 표준편차 계산
print("최댓값:", np.max(arr))  # 5
print("최솟값:", np.min(arr))  # 1

 

 

4-2. 선형대수 연산

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 행렬 곱 (dot product)
result = np.dot(A, B)
print(result)

# 전치 행렬 (Transpose)
print(A.T)

 

 

---

정리

 

NumPy는 고속 연산을 위한 핵심 라이브러리로 머신러닝과 데이터 분석에 필수적이다.

우리가 머신러닝을 배우기 위한 첫 번째 필수 도구이므로, 기초 개념을 확실히 다지고 넘어가자!