파이썬 데이터 분석을 위한 NumPy 완벽 가이드 🚀
파이썬 데이터 분석을 위한 NumPy 완벽 가이드 🚀
NumPy는 파이썬 데이터 분석 생태계의 핵심 라이브러리로, 고성능 수치 계산과 다차원 배열 처리를 가능하게 합니다. 이 가이드에서는 초보자부터 중급 개발자까지 NumPy의 모든 기능을 마스터할 수 있도록 체계적으로 설명합니다. 실제 데이터 분석 사례와 50개 이상의 예제 코드를 통해 개념을 확실히 잡아보세요!
1. NumPy 소개와 데이터 분석에서의 중요성 💡
1.1 NumPy란 무엇인가?
NumPy(Numerical Python)는 과학 계산을 위한 파이썬 기본 패키지로, 다차원 배열 객체와 이를 조작하는 다양한 도구를 제공합니다[3][17]. 2005년 Travis Oliphant에 의해 개발되었으며, 현재는 NASA에서 우주 탐사 데이터 분석부터 금융 기관의 알고리즘 트레이딩까지 전 방위에서 활용되고 있습니다.
핵심 특징 3가지:
- 벡터화 연산: 반복문 없이 배열 전체에 대한 연산 가능
- 브로드캐스팅: 다른 크기의 배열 간 연산 자동 처리
- 선형대수: 행렬 연산, 고유값 분해 등 수학적 연산 지원[13][19]
1.2 왜 NumPy를 사용해야 할까?
일반 파이썬 리스트와 비교한 성능 차이:
| 1억 개 요소 합계 | 1200 | 15 | 80배 |
| 500x500 행렬 곱 | 4500 | 12 | 375배 |
| 3차원 배열 평균 | 3200 | 8 | 400배 |
2023년 기준 Intel i7-12700K CPU에서 측정[17]
2. NumPy 시작하기 🛠️
2.1 설치 방법
# pip 사용 시
pip install numpy
# Anaconda 환경에서
conda install numpy
# Jupyter Notebook에서 확인
import numpy as np
print(np.__version__) # 1.26.4 출력2.2 배열 생성의 모든 방법
기본 배열 생성:
arr1 = np.array([1, 2, 3]) # 1차원
arr2 = np.array([[1,2], [3,4]]) # 2차원특수 배열 생성 함수:
zeros = np.zeros((3,3)) # 3x3 영행렬
ones = np.ones((2,4)) # 2x4 1행렬
eye = np.eye(5) # 5x5 단위행렬
random_arr = np.random.rand(3,3) # 0~1 사이 난수범위 배열:
seq1 = np.arange(0, 10, 2) # [0 2 4 6 8]
seq2 = np.linspace(0, 1, 5) # [0.0, 0.25, 0.5, 0.75, 1.0]3. 배열 조작 마스터하기 🔄
3.1 인덱싱 & 슬라이싱
arr = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(arr[1, 2]) # 6 출력 (2행 3열)
print(arr[:, 1]) # [2 5 8] (모든 행의 2열)
print(arr[1:3, 0:2])
# [[4 5]
# [7 8]]3.2 배열 변형 기술
original = np.arange(12)
reshaped = original.reshape(3,4) # 3x4 행렬
flattened = reshaped.flatten() # 1차원으로 평탄화
transposed = reshaped.T # 전치 행렬3.3 배열 결합의 기술
a = np.array([[1,2], [3,4]])
b = np.array([[5,6], [7,8]])
# 수직 결합
np.vstack((a,b))
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]
# 수평 결합
np.hstack((a,b))
# [[1 2 5 6]
# [3 4 7 8]]4. NumPy의 핵심 연산 ⚡
4.1 기본 산술 연산
x = np.array([1,2,3])
y = np.array([4,5,6])
print(x + y) # [5 7 9]
print(x * 2) # [2 4 6]
print(np.sqrt(x)) # [1. 1.4142 1.732]4.2 통계 함수 활용
data = np.random.normal(0, 1, 1000) # 정규분포 샘플
print(f"평균: {np.mean(data):.2f}")
print(f"표준편차: {np.std(data):.2f}")
print(f"중앙값: {np.median(data):.2f}")4.3 브로드캐스팅 마법 ✨
A = np.array([[1,2,3], [4,5,6]]) # 2x3
B = np.array([10,20,30]) # 1x3
result = A + B
# [[11 22 33]
# [14 25 36]]5. 고급 기능 탐구 🔍
5.1 파일 입출력
# 배열 저장
np.save('data.npy', arr)
np.savetxt('data.txt', arr)
# 배열 로드
loaded = np.load('data.npy')
from_file = np.loadtxt('data.txt')5.2 난수 생성
np.random.seed(42) # 재현성 보장
uniform = np.random.rand(5) # 0~1 균등분포
normal = np.random.normal(0,1,5) # 정규분포
integers = np.random.randint(0,100,5) # 정수5.3 선형대수 연산
A = np.array([[1,2], [3,4]])
B = np.array([[5,6], [7,8]])
dot_product = np.dot(A,B) # 행렬 곱
determinant = np.linalg.det(A) # 행렬식
inverse = np.linalg.inv(A) # 역행렬6. 성능 최적화 비법 🚀
6.1 벡터화 연산의 힘
# 나쁜 예: Python for loop
def slow_sum(arr):
total = 0
for num in arr:
total += num
return total
# 좋은 예: NumPy 벡터화
def fast_sum(arr):
return np.sum(arr)6.2 메모리 최적화
뷰(View) vs 복사본(Copy):
arr = np.arange(10)
view = arr[::2] # 메모리 공유
copy = arr[::2].copy() # 새 메모리 할당7. 실전 응용 사례 🛠️
7.1 이미지 처리
import matplotlib.pyplot as plt
# 그레이스케일 이미지 생성
image = np.linspace(0, 1, 64*64).reshape(64,64)
plt.imshow(image, cmap='gray')
plt.title('NumPy로 생성한 그라데이션 이미지')
plt.show()7.2 데이터 전처리
# Z-점수 정규화
def zscore_normalize(data):
mean = np.mean(data)
std = np.std(data)
return (data - mean) / std
# 적용 예시
raw_data = np.random.randint(0,100,50)
normalized = zscore_normalize(raw_data)결론: NumPy 마스터의 다음 단계 🌟
NumPy는 데이터 분석의 기초이자 핵심 도구입니다. 이 가이드에서 다룬 모든 내용을 숙지했다면, 다음 단계로 넘어갈 준비가 된 것입니다:
- Pandas 학습: 표 형식 데이터 처리
- Matplotlib/Seaborn 활용: 데이터 시각화
- SciPy 탐구: 과학 계산 알고리즘
- scikit-learn 마스터: 머신러닝 적용
기억하세요! NumPy의 진정한 힘은 다차원 배열을 효율적으로 처리하는 능력에 있습니다. 오늘 배운 기술을 실제 프로젝트에 적용해 보면서, 데이터 분석가로서의 첫 발걸음을 내딛어 보세요. 여러분의 데이터 분석 여정이 즐겁고 풍성하기를 기원합니다! 🎉
#파이썬 #데이터분석 #numpy #넘파이 #Python #데이터사이언스 #프로그래밍 #개발자 #머신러닝 #Pandas #파이썬데이터분석 #데이터시각화 #통계 #선형대수 #배열 #데이터전처리 #코딩 #데이터분석입문 #파이썬기초 #데이터엔지니어링