NumPy 최신 기능 완벽 가이드

NumPy의 최신 버전에서 제공하는 강력한 기능들을 실전 예제와 함께 소개합니다. 배열 타입 힌트, 벡터화 연산, 고급 인덱싱 등 고급 개발자를 위한 필수 기능들을 다룹니다.

---

---

들어가며

이 글에서는 NumPy 최신 기능 완벽 가이드에 대해 상세히 알아보겠습니다. 총 12가지 주요 개념을 다루며, 각각의 개념에 대한 설명과 실제 코드 예제를 함께 제공합니다.

목차

1. 배열_타입_힌팅
2. 구조화된_배열_활용
3. 벡터화된_조건_연산
4. 고급_인덱싱_기법
5. 브로드캐스팅_활용
6. einsum으로_복잡한_텐서_연산
7. 메모리_효율적인_뷰_활용
8. 범용_함수_벡터화
9. 축_기반_연산_마스터
10. 고급_난수_생성기
11. 메모리_매핑된_배열
12. 고급_정렬_및_검색

---

1. 배열 타입 힌팅

개요

NumPy 1.20+에서 지원하는 타입 힌트를 활용하여 배열의 형태와 데이터 타입을 명시적으로 선언할 수 있습니다.

코드 예제

import numpy as np
from numpy.typing import NDArray

def process_matrix(data: NDArray[np.float64]) -> NDArray[np.float64]:
    return data @ data.T

matrix: NDArray[np.float64] = np.array([[1.0, 2.0], [3.0, 4.0]])
result = process_matrix(matrix)

설명

numpy.typing 모듈을 사용하여 배열의 타입을 명시하고, IDE의 자동완성과 타입 체크 기능을 활용할 수 있습니다.

---

2. 구조화된 배열 활용

개요

여러 데이터 타입을 하나의 배열에 저장하는 구조화된 배열을 생성하고 활용합니다.

코드 예제

import numpy as np

dtype = [('name', 'U10'), ('age', 'i4'), ('score', 'f8')]
students = np.array([
    ('Alice', 25, 95.5),
    ('Bob', 23, 87.3)
], dtype=dtype)
print(students['score'].mean())

설명

데이터베이스 테이블과 유사한 구조로 다양한 타입의 데이터를 효율적으로 관리하고 컬럼별 연산을 수행할 수 있습니다.

---

3. 벡터화된 조건 연산

개요

np.where와 고급 조건문을 사용하여 복잡한 조건 로직을 벡터화된 방식으로 처리합니다.

코드 예제

import numpy as np

scores = np.array([45, 78, 92, 63, 88])
grades = np.select(
    [scores >= 90, scores >= 70, scores >= 50],
    ['A', 'B', 'C'],
    default='F'
)
print(grades)

설명

반복문 없이 조건에 따라 다른 값을 할당할 수 있어, 대용량 데이터 처리 시 성능이 크게 향상됩니다.

---

4. 고급 인덱싱 기법

개요

불리언 마스킹과 팬시 인덱싱을 결합하여 복잡한 데이터 추출 및 수정을 수행합니다.

코드 예제

import numpy as np

data = np.random.randn(100, 3)
mask = (data[:, 0] > 0) & (data[:, 1] < 0.5)
filtered = data[mask]
data[mask, 2] = np.clip(data[mask, 2], -1, 1)
print(filtered.shape)

설명

여러 조건을 조합하여 원하는 데이터를 필터링하고, 조건을 만족하는 요소만 선택적으로 수정할 수 있습니다.

---

5. 브로드캐스팅 활용

개요

서로 다른 차원의 배열 간 연산을 자동으로 확장하여 효율적으로 처리합니다.

코드 예제

import numpy as np

matrix = np.random.rand(4, 3)
row_means = matrix.mean(axis=1, keepdims=True)
normalized = matrix - row_means
col_std = matrix.std(axis=0)
standardized = normalized / col_std

설명

keepdims를 활용하여 차원을 유지하고, 브로드캐스팅 규칙에 따라 자동으로 배열이 확장되어 연산됩니다.

---

6. einsum으로 복잡한 텐서 연산

개요

Einstein summation을 사용하여 복잡한 행렬 연산을 간결하게 표현합니다.

코드 예제

import numpy as np

A = np.random.rand(3, 4)
B = np.random.rand(4, 5)
C = np.einsum('ij,jk->ik', A, B)
batch = np.random.rand(10, 3, 3)
trace = np.einsum('bii->b', batch)

설명

einsum은 행렬 곱셈, 전치, trace 등 다양한 텐서 연산을 하나의 통일된 인터페이스로 처리할 수 있습니다.

---

7. 메모리 효율적인 뷰 활용

개요

배열 복사 없이 뷰를 생성하여 메모리 사용량을 최소화하고 성능을 향상시킵니다.

코드 예제

import numpy as np

large_array = np.arange(1000000)
view = large_array[::2]
view[:10] = -1
print(np.shares_memory(large_array, view))
print(large_array[:20])

설명

슬라이싱으로 생성된 뷰는 원본 배열과 메모리를 공유하므로, 뷰를 수정하면 원본도 변경됩니다.

---

8. 범용 함수 벡터화

개요

np.vectorize를 사용하여 파이썬 함수를 배열 전체에 효율적으로 적용합니다.

코드 예제

import numpy as np

def custom_func(x, y):
    return x**2 + 2*y if x > 0 else y**2

vec_func = np.vectorize(custom_func)
x = np.array([1, -2, 3, -4])
y = np.array([5, 6, 7, 8])
result = vec_func(x, y)

설명

복잡한 조건문이 포함된 커스텀 함수도 벡터화하여 배열 전체에 빠르게 적용할 수 있습니다.

---

9. 축 기반 연산 마스터

개요

axis 매개변수를 활용하여 다차원 배열의 특정 축을 따라 연산을 수행합니다.

코드 예제

import numpy as np

data = np.random.rand(3, 4, 5)
mean_0 = data.mean(axis=0)
sum_12 = data.sum(axis=(1, 2))
cumsum_1 = data.cumsum(axis=1)
print(mean_0.shape, sum_12.shape)

설명

다차원 데이터에서 원하는 축을 지정하여 통계 연산을 수행하고, 여러 축을 동시에 처리할 수도 있습니다.

---

10. 고급 난수 생성기

개요

최신 Generator API를 사용하여 재현 가능하고 성능이 우수한 난수를 생성합니다.

코드 예제

import numpy as np

rng = np.random.default_rng(seed=42)
samples = rng.standard_normal(1000)
integers = rng.integers(0, 100, size=50)
choice = rng.choice([1, 2, 3], size=10, p=[0.5, 0.3, 0.2])
print(samples.mean(), integers.max())

설명

default_rng는 기존 numpy.random보다 빠르고 안전하며, 시드 관리가 명확하여 재현 가능한 난수 생성에 적합합니다.

---

11. 메모리 매핑된 배열

개요

대용량 데이터를 디스크에서 직접 읽어 메모리 부담을 줄이는 메모리 맵 배열을 사용합니다.

코드 예제

import numpy as np

data = np.random.rand(10000, 1000)
np.save('large_data.npy', data)
mmap_array = np.load('large_data.npy', mmap_mode='r')
chunk = mmap_array[1000:2000, :]
print(chunk.shape)

설명

mmap_mode를 사용하면 전체 파일을 메모리에 로드하지 않고 필요한 부분만 접근할 수 있어 대용량 데이터 처리에 유용합니다.

---

12. 고급 정렬 및 검색

개요

다양한 정렬 알고리즘과 검색 함수를 활용하여 효율적인 데이터 처리를 수행합니다.

코드 예제

import numpy as np

data = np.array([3, 1, 4, 1, 5, 9, 2, 6])
sorted_idx = np.argsort(data)
partition_idx = np.argpartition(data, 3)
search_idx = np.searchsorted(np.sort(data), [2, 5])
print(data[sorted_idx], search_idx)

설명

argsort는 정렬된 인덱스를, argpartition은 k번째 요소를 기준으로 분할하며, searchsorted는 정렬된 배열에서 빠르게 삽입 위치를 찾습니다.

---

마치며

이번 글에서는 NumPy 최신 기능 완벽 가이드에 대해 알아보았습니다. 총 12가지 개념을 다루었으며, 각각의 사용법과 예제를 살펴보았습니다.

관련 태그

#Python #NumPy #TypeHints #Vectorization #AdvancedIndexing