NumPy-1: 다차원 배열과 인덱싱

목차

Q) 리스트(list)와 배열(array)의 차이점은?
Q) range와 np.arange의 차이점은?

1) 배열 생성
2) 배열 초기화
3) 배열 덧붙이기
4) 범위 지정
5) 배열 형태 변경

1) 인덱스 배열
2) 불린 배열
3) 배열 합치기

참조 자료

공학자를 위한 Python, 조정래, 2022
Dookie Kim, Python: From Beginning to Application, 2022

NumPy 개요

NumPy는 과학 컴퓨팅을 위한 핵심 라이브러리로, 다차원 배열 연산 및 선형대수, 난수 생성 등의 기능을 제공한다.

Q) 리스트(list)와 배열(array)의 차이점은?

리스트(list)는 다양한 자료형을 자유롭게 담을 수 있는 범용 컨테이너이고,

배열(array)은 동일한 자료형만 저장하며 대량의 수치 데이터를 빠르고 효율적으로 처리할 수 있는 구조이다.

📝 리스트 (List)

• 유연성: 서로 다른 자료형을 한 번에 담을 수 있음.

예: [1, "Python", True, 3.14]
    

• 가변성: 크기를 자유롭게 늘리거나 줄일 수 있음.
• 일반적 사용: 파이썬에서 가장 많이 쓰이는 기본 자료구조.
• 성능: 범용적이라 편리하지만, 대량의 숫자 연산에는 비효율적.

⚡ 배열 (Array)

• 자료형 제한: 같은 타입만 저장 가능.

예: array('i', [1, 2, 3, 4])
    

• 메모리 효율: 연속된 메모리에 저장되어 접근 속도가 빠름.
• 성능 최적화: 대규모 수치 계산, 데이터 처리에 적합.
• 구현 방식

표준 라이브러리 array 모듈 → 단순 배열
numpy 배열 → 고성능 수치 연산 지원
    

• NumPy로 생성된 배열을 출력할 때는 콤마가 들어가지 않음. 즉, 리스트처럼 [1, 2, 3, 4]가 아니라 공백(space)으로 구분된 형태를 보임.

# 코드
import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr)
     

# 결과
[1 2 3 4]
    

Q) range와 np.arange의 차이점은?

range 와 np.arange 의 주요 차이점

• 지원하는 데이터 타입
• 반환하는 자료형

특징	range	np.arange
지원 데이터 타입	정수만 지원	정수 및 실수 모두 지원
반환 자료형	range 이터레이터(iterator) 객체	numpy 배열(ndarray)
사용 예시	list(range(1, 10))	np.arange(1, 10)
주요 장점	메모리 효율성이 좋음 (이터레이터 반환)	실수 단위 생성이 가능하고, numpy 연산이 가능함

(1) 다차원 배열

1) 배열 생성

import numpy as np
X = np.array([0.1, 0.2, 0.3])
print(X.shape)  # (3,)
print(X.dtype)  # float64
print(X.ndim)   # 1차원
    

2) 배열 초기화

Y = np.zeros([3,3])  # 모든 요소를 0으로 초기화
Y = np.ones([3,3])   # 모든 요소를 1로 초기화
    

3) 배열 덧붙이기

A = np.array([])
for i in range(3):
    A = np.append(A, [1,2])
print(A)  # [1. 2. 1. 2. 1. 2.]
    

4) 범위 지정

np.arange(1, 1.5, 0.1)  # [1.  1.1  1.2  1.3  1.4]
np.linspace(0., 20., 5)  # [ 0.  5. 10. 15. 20.]
    

[Note]
▪ arange() = "array" + "range"
▪ linspace() = "linear" + "space"

5) 배열 형태 변경

X = np.arange(9)
Y = X.reshape([3,3])
print(Y) # [[0 1 2]
         #  [3 4 5]
         #  [6 7 8]]
    

(2) 인덱싱과 합치기

1) 인덱스 배열

A = np.array([1.2, -1.3, 2.2, 5.3, 3.7])
print(A[0])  # 1.2
print(A[0:3])  # [1.2, -1.3, 2.2]
    

2) 불린 배열

X = np.array([1.2, -1.3, 2.2, 5.3, 3.7])
print(X[X > 2])  # [2.2, 5.3, 3.7]
    

[Note]
▪ "불린 배열"은 Boolean Array를 말하는 것으로,
   True 또는 False 값을 가지는 배열이다.
   이 배열은 조건을 만족하는 요소만 "필터링(선택)"할 때 사용된다.

3) 배열 합치기

A = np.array([[1, 2], [3, 4]])
# [[1 2]
#  [3 4]]

B = np.array([[5, 6]])
# [[5 6]]

C = np.concatenate((A, B), axis=0)  # 행을 추가
# [[1 2]
#  [3 4]
#  [5 6]]

D = np.concatenate((A, B.T), axis=1)  # 열을 추가
[[1 2 5]
 [3 4 6]]
    

[Note]
▪ concatenate() = "con(com, 함께)" + "catenate(chain, 체인으로 묶다)"
   = 함께 체인으로 연결하다.
   = 연속적으로 이어붙인다.