NumPy (Numerical Python)

Table of Contents

NumPy 라이브러리 개요

NumPy (Numerical Python)는 파이썬에서 행렬이나 대규모 다차원 배열을 쉽게 처리하는 등 강력한 수치 계산을 지원하는 파이썬 라이브러리입니다. 다차원 배열 객체인 ndarray를 중심으로 다양한 수학적 연산을 수행할 수 있습니다. 보통 넘파이라고 읽습니다.

🔹 NumPy 주요 기능 및 함수 정리

기능	설명	주요 함수
배열 생성	리스트나 튜플을 배열로 변환	`np.array()`
	0으로 채운 배열 생성	`np.zeros()`
	1로 채운 배열 생성	`np.ones()`
	특정 값으로 채운 배열 생성	`np.full()`
	연속된 숫자 배열 생성	`np.arange()`
	균등 간격 배열 생성	`np.linspace()`
	단위 행렬 생성	`np.eye()`
배열 속성 확인	배열의 차원 확인	`.ndim`
	배열의 형태(shape) 확인	`.shape`
	배열의 요소 개수 확인	`.size`
	배열의 데이터 타입 확인	`.dtype`
배열 변형	배열 크기 변경	`.reshape()`
	배열 1차원으로 변환	`.flatten()`
	차원 추가	`np.newaxis`
	배열 전치(Transpose)	`.T`
배열 연산	요소별 사칙연산	`+`, `-`, `*`, `/`
	요소별 제곱 연산	`**`
	배열의 내적 연산	`np.dot()` 또는 `@`
	브로드캐스팅 연산 지원	자동 크기 확장
배열 슬라이싱	특정 인덱스 접근	`arr[i, j]`
	행/열 선택	`arr[i, :]`, `arr[:, j]`
	범위 선택 (슬라이싱)	`arr[start:end]`
통계 및 집계 연산	배열의 합	`.sum()`
	평균 계산	`.mean()`
	최대/최소 값	`.max()`, `.min()`
	표준편차 계산	`.std()`
	분산 계산	`.var()`
난수 생성	0~1 사이 난수 배열	`np.random.rand()`
	정수 난수 생성	`np.random.randint()`
	정규 분포 난수 생성	`np.random.randn()`
	난수 시드 고정	`np.random.seed()`
배열 비교 및 조건 연산	요소별 비교	`>`, `<`, `==`
	조건에 맞는 값 필터링	`arr[arr > 3]`
	특정 조건 값 변경	`np.where(condition, x, y)`
배열 정렬	오름차순 정렬	`np.sort()`
	내림차순 정렬	`np.sort(arr)[::-1]`
	특정 축을 기준으로 정렬	`np.sort(arr, axis=0)`
행렬 연산	행렬 곱셈	`np.dot()` 또는 `@`
	역행렬 계산	`np.linalg.inv()`
	행렬식 계산	`np.linalg.det()`
	고유값 및 고유벡터	`np.linalg.eig()`
파일 입출력	배열을 파일로 저장	`np.save()`
	여러 배열을 저장	`np.savez()`
	CSV 파일로 저장	`np.savetxt()`
	CSV 파일 불러오기	`np.loadtxt()`

1. NumPy 설치

pip install numpy

2. NumPy 기본 사용법

2.1 NumPy 가져오기

import numpy as np

2.2 배열 생성

# 리스트로부터 배열 생성
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]

2.3 다차원 배열 생성

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

3. 배열 속성 확인

print(arr2d.shape)  # (2, 3) -> 2행 3열
print(arr2d.ndim)   # 2 -> 차원 수
print(arr2d.dtype)  # int32 (또는 int64)
print(arr2d.size)   # 6 -> 전체 요소 개수

4. 특수 배열 생성

np.zeros((3, 3))   # 3x3 영행렬
np.ones((2, 4))    # 2x4 1로 채운 행렬
np.eye(4)          # 4x4 단위행렬
np.full((2, 3), 7) # 2x3 모든 원소가 7인 행렬
np.arange(10)      # 0부터 9까지의 배열 생성
np.linspace(0, 1, 5) # 0~1 사이 5개 균등 분포 값

5. 배열 연산

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

print(a + b)  # [5 7 9]
print(a - b)  # [-3 -3 -3]
print(a * b)  # [4 10 18]
print(a / b)  # [0.25 0.4 0.5]
print(a ** 2) # [1 4 9]

6. 배열 슬라이싱 & 인덱싱

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

print(arr[0, 2])   # 첫 번째 행, 세 번째 열 (3)
print(arr[1, :])   # 두 번째 행 전체 [4, 5, 6]
print(arr[:, 1])   # 두 번째 열 전체 [2, 5, 8]
print(arr[0:2, 1:3]) # (0~1행, 1~2열)

7. 배열 변형 (Reshape & Flatten)

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

reshaped = arr.reshape(3, 2)
flattened = arr.flatten()

print(reshaped)
# [[1 2]
#  [3 4]
#  [5 6]]

print(flattened)  # [1 2 3 4 5 6]

8. NumPy 브로드캐스팅

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

print(a + b)
# [[5 6 7]
#  [6 7 8]
#  [7 8 9]]

9. 통계 및 집계 함수

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

print(arr.sum())      # 15
print(arr.mean())     # 3.0
print(arr.max())      # 5
print(arr.min())      # 1
print(arr.std())      # 표준편차
print(arr.var())      # 분산

10. 난수 생성

np.random.seed(42)        # 난수 고정
print(np.random.rand(3))  # 0~1 사이 난수 3개
print(np.random.randint(1, 10, (2, 3))) # 1~10 사이 정수 (2x3)

11. 행렬 연산

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

print(np.dot(A, B))      # 행렬 곱
print(A @ B)             # 행렬 곱 (동일)
print(np.linalg.inv(A))  # 역행렬
print(np.linalg.det(A))  # 행렬식
print(np.linalg.eig(A))  # 고유값 & 고유벡터

NumPy는 데이터 분석, 머신러닝, 과학 연산 등에 필수적인 라이브러리로, 다차원 배열을 빠르고 효율적으로 다룰 수 있습니다! 🚀

zerg96