Python - NumPy 배열(ndarray) 다루기

NumPy에서 ndarray는 핵심 객체이다.

 

이번 글에서는 ndarray를 생성하고 이를 효율적으로 다루는 방법에 대해서 알아보자.

 

---

1. ndarray 객체

 

ndarray는 NumPy에서 제공하는 N차원 배열 객체로, 동일한 데이터 타입을 가진 요소들이 배열 형태로 저장된다.

이는 대규모 데이터의 효율적인 저장과 빠른 연산을 가능하게 한다.

 

---

2. ndarray 생성 방법

 

2-1.  리스트를 이용하여 생성

가장 기본적인 방법은 내장 자료형인 리스트나 중첩 리스트를 np.array() 함수에 전달하여 ndarray로 변환하는 방법이 있다.

import numpy as np

# 1차원 배열 생성
arr1 = np.array([1, 2, 3, 4])
print("1차원 배열:", arr1)  # 출력: [1 2 3 4]

# 2차원 배열 생성 (리스트의 리스트 사용)
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("2차원 배열:\n", arr2)

- 이 방법은 파이썬 리스트의 구조를 그대로 반영하면서도 고속 수치 연산이 가능한 ndarray로 변환한다.

 

 

2-2. 특정 값으로 채워진 배열 생성

- np.zeros(shape): 모든 원소가 0인 배열을 생성

- np.ones(shape): 모든 원소가 1인 배열을 생성

- np.empty(shape): 초기화되지 않은(임의의 값이 들어있는) 배열을 생성

# 1차원 배열 (길이 5)
zeros_arr = np.zeros(5)
ones_arr = np.ones(5)
empty_arr = np.empty(5)

print("Zeros:", zeros_arr)
print("Ones:", ones_arr)
print("Empty:", empty_arr)

# 2차원 배열 (2행 3열)
zeros_matrix = np.zeros((2, 3))
ones_matrix = np.ones((2, 3))
print("2x3 Zeros:\n", zeros_matrix)
print("2x3 Ones:\n", ones_matrix)

- 배열의 크기(shape)를 튜플로 지정하여 원하는 차원의 배열을 손쉽게 만들어준다.

 

 

2-3. 범위와 간격을 지정하여 배열 생성

- np.arange(start, stop, step) : 지정한 범위 내에서 일정한 간격으로 숫자배열을 생성

- np.linspace(start, stop, num) : 시작값과 끝값 사이를 균등하게 나눈 num 개의 값을 포함하는 배열을 생성

 

 

2-4. 특정 값으로 채워진 배열 생성

-np.full(shape, fill_value): 지정한 값(fill_value)으로 배열을 생성

# 2x2 배열을 7로 채우기
full_arr = np.full((2, 2), 7)
print("Full 배열:\n", full_arr)

 

2-5. 특수 행렬 생성

- np.eye(N) : N x N 크기의 단위 행렬(identity matrix)을 생성

- np.diag(v) : 벡터 v의 값을 대각선 원소로 하는 행렬을 생성하거나, 배열의 대각 성분을 추출

# 3x3 단위 행렬
identity_matrix = np.eye(3)
print("단위 행렬:\n", identity_matrix)

matrix = np.arange(4).reshape(2,2)
print("matrix : \n", matrix)

vector = np.diag(matrix)
print("diag : \n", vector)

* .reshape()는 5. 배열의 형태 변환에서 설명

 

 

2-6. 난수로 배열 생성

- np.random.rand(d0, d1, ...): 0과 1 사이의 균일 분포 난수를 사용하여 지정한 모양의 배열을 생성

- np.random.randint(low, high, size): low이상 high 미만의 정수 난수를 생성하여 배열로 만든다.

# 2x4 배열: 0과 1 사이의 난수
rand_arr = np.random.rand(2, 4)
print("난수 배열 (rand):\n", rand_arr)

# 3x3 배열: 0 이상 10 미만의 정수 난수
rand_int_arr = np.random.randint(0, 10, size=(3, 3))
print("난수 배열 (randint):\n", rand_int_arr)

 

---

3. 배열의 속성 확인

 

생성된 ndarray의 다양한 속성을 확인할 수 있다.

속성 확인 함수	정의
ndarray.ndim	배열의 차원 수
ndarray.shape	배열의 형태 (각 차원의 크기)
ndarray.size	배열의 전체 요소 수
ndarray.dtype	배열 요소의 데이터 타입
ndarray.itemsize	하나의 요소가 차지하는 메모리 크기(바이트 단위)
ndarray.nbytes	배열이 차지하는 전체 메모리 크기(바이트 단위)

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

print("차원 수:", array.ndim)
print("형태:", array.shape)
print("전체 요소 수:", array.size)
print("데이터 타입:", array.dtype)
print("요소 하나의 메모리 크기:", array.itemsize, "bytes")
print("전체 메모리 크기:", array.nbytes, "bytes")

 

---

4. 배열의 인덱싱과 슬라이싱

 

ndarray는 Python의 리스트와 유사하게 인덱싱과 슬라이싱을 지원한다.

이를 통해 배열의 특정 요소나 부분 배열을 쉽게 접근하고 수정할 수 있다.

 

4-1. 인덱싱

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

# 첫 번째 요소 접근
print("첫 번째 요소:", array[0])

# 마지막 요소 접근
print("마지막 요소:", array[-1])

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

# 첫 번째 행, 두 번째 열의 요소 선택
print("첫 번째 행, 두 번째 열의 요소:", array_2d[0, 1])

 

 

4-2. 슬라이싱

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

# 첫 번째부터 세 번째 요소까지 선택
print("첫 번째부터 세 번째 요소:", array[0:3])

# 처음부터 2칸씩 건너뛰며 선택
print("2칸씩 건너뛰며 선택:", array[::2])

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 첫 번째 행 선택
print("첫 번째 행:\n", array_2d[0, :])

# 첫 번째 열 선택
print("첫 번째 열:\n", array_2d[:, 0])

# 특정 부분 선택 (왼쪽 위 2x2 부분)
print("왼쪽 위 2x2 부분:\n", array_2d[0:2, 0:2])

 

---

5. 배열의 형태 변환 (Reshape & Flatten)

 

flatten()과 reshape()를 사용하여 배열의 형태를 변환할 수 있다.

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

# 2차원 배열을 1차원 배열로 변환
flattened = array.flatten()
print("1차원 배열:\n", flattened)

# 1차원 배열을 2차원 배열로 변환
reshaped = array.reshape(3, 2)
print("2x3 형태로 변환:\n", reshaped)

 

---

정리

 

NumPy의 ndarray는 다차원 배열을 효율적으로 다룰 수 있는 강력한 도구이다.

다양한 방법으로 배열을 생성하고, 배열의 속성을 확인하여 크기와 형태를 쉽게 파악이 가능하다.

인덱싱, 슬라이싱, 배열 변형 등을 활용하여 데이터를 자유롭게 조작해보자!

 

끝