NumPy 트러블슈팅 가이드 완벽 정복

NumPy 사용 중 자주 발생하는 오류와 해결 방법을 다룹니다. 배열 차원 문제, 타입 오류, 성능 이슈 등 실무에서 마주치는 대표적인 문제들을 코드와 함께 해결합니다.

---

---

들어가며

이 글에서는 NumPy 트러블슈팅 가이드 완벽 정복에 대해 상세히 알아보겠습니다. 총 10가지 주요 개념을 다루며, 각각의 개념에 대한 설명과 실제 코드 예제를 함께 제공합니다.

목차

1. 배열_차원_불일치_오류
2. 복사_vs_뷰_문제
3. 데이터_타입_변환_오류
4. NaN과_Inf_처리
5. 메모리_부족_오류
6. 브로드캐스팅_규칙_이해
7. 성능_최적화_벡터화
8. 인덱싱_오류_해결
9. 난수_재현성_문제
10. 축_방향_연산_혼란

---

1. 배열 차원 불일치 오류

개요

배열 연산 시 shape이 맞지 않아 발생하는 오류를 해결하는 방법입니다. reshape과 broadcasting을 활용합니다.

코드 예제

import numpy as np

# 문제 상황
a = np.array([1, 2, 3])
b = np.array([[1], [2], [3]])

# 해결: reshape 또는 newaxis 사용
result = a.reshape(-1, 1) + b
print(result.shape)  # (3, 1)

설명

reshape(-1, 1)을 사용하여 1차원 배열을 2차원으로 변환하거나, a[:, np.newaxis]를 사용하여 차원을 맞춥니다.

---

2. 복사 vs 뷰 문제

개요

NumPy 배열의 복사본과 뷰를 구분하지 못해 발생하는 예상치 못한 값 변경 문제를 해결합니다.

코드 예제

import numpy as np

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

# 뷰 생성 (원본 영향)
view = arr[1:4]

# 복사본 생성 (원본 독립)
copy = arr[1:4].copy()

view[0] = 999
print(arr)  # [1, 999, 3, 4, 5]

설명

슬라이싱은 뷰를 생성하므로 원본이 변경됩니다. copy() 메서드를 사용하여 독립적인 복사본을 만들어야 합니다.

---

3. 데이터 타입 변환 오류

개요

배열 연산 시 데이터 타입이 자동 변환되어 발생하는 정밀도 손실이나 오버플로우 문제를 해결합니다.

코드 예제

import numpy as np

# 문제: int 연산 시 오버플로우
arr = np.array([100, 200, 300], dtype=np.int8)
print(arr * 2)  # 오버플로우 발생

# 해결: 적절한 dtype 지정
arr = arr.astype(np.int32)
print(arr * 2)  # [200, 400, 600]

설명

astype()을 사용하여 충분한 범위를 가진 데이터 타입으로 변환하면 오버플로우를 방지할 수 있습니다.

---

4. NaN과 Inf 처리

개요

수치 연산 중 발생하는 NaN(Not a Number)과 무한대 값을 안전하게 처리하는 방법입니다.

코드 예제

import numpy as np

arr = np.array([1, 2, np.nan, 4, np.inf])

# NaN 제거
clean = arr[~np.isnan(arr)]

# NaN을 특정 값으로 대체
arr_filled = np.nan_to_num(arr, nan=0, posinf=999)
print(arr_filled)  # [1, 2, 0, 4, 999]

설명

isnan()으로 NaN을 감지하고, nan_to_num()으로 NaN과 무한대를 안전한 값으로 변환할 수 있습니다.

---

5. 메모리 부족 오류

개요

대용량 배열 생성 시 메모리 부족 문제를 해결하기 위한 효율적인 메모리 사용 방법입니다.

코드 예제

import numpy as np

# 문제: 불필요한 중간 배열 생성
# result = (arr1 + arr2) * (arr3 + arr4)

# 해결: 인플레이스 연산 사용
arr = np.zeros((1000, 1000))
arr += 10  # 새 배열 생성 없이 수정
arr *= 2

# 또는 메모리 맵 사용
mmap = np.memmap('temp.dat', dtype='float32', mode='w+', shape=(10000, 10000))

설명

인플레이스 연산(+=, *=)을 사용하거나 memmap으로 디스크 기반 배열을 사용하여 메모리 사용량을 줄입니다.

---

6. 브로드캐스팅 규칙 이해

개요

서로 다른 shape의 배열 연산 시 브로드캐스팅 규칙을 활용하여 오류를 해결합니다.

코드 예제

import numpy as np

# (3, 1) 배열과 (4,) 배열의 연산
a = np.array([[1], [2], [3]])
b = np.array([10, 20, 30, 40])

# 브로드캐스팅으로 (3, 4) 결과 생성
result = a + b
print(result.shape)  # (3, 4)
print(result)

설명

NumPy는 자동으로 작은 차원을 확장하여 연산합니다. 마지막 차원부터 비교하여 1이거나 같으면 브로드캐스팅이 가능합니다.

---

7. 성능 최적화 벡터화

개요

느린 Python 루프 대신 NumPy 벡터 연산을 사용하여 성능을 대폭 향상시킵니다.

코드 예제

import numpy as np

arr = np.random.rand(1000000)

# 느림: Python 루프
# result = [x**2 for x in arr]

# 빠름: NumPy 벡터화
result = arr ** 2

# 조건부 연산도 벡터화
result = np.where(arr > 0.5, arr**2, arr**0.5)

설명

NumPy의 벡터 연산은 C로 구현되어 Python 루프보다 10-100배 빠릅니다. where()로 조건부 연산도 벡터화할 수 있습니다.

---

8. 인덱싱 오류 해결

개요

복잡한 인덱싱 작업 시 발생하는 오류를 boolean 인덱싱과 fancy 인덱싱으로 해결합니다.

코드 예제

import numpy as np

arr = np.array([10, 15, 20, 25, 30])

# Boolean 인덱싱
mask = (arr > 15) & (arr < 30)
filtered = arr[mask]  # [20, 25]

# Fancy 인덱싱
indices = [0, 2, 4]
selected = arr[indices]  # [10, 20, 30]

설명

Boolean 배열로 조건에 맞는 요소를 선택하고, 정수 배열로 특정 인덱스의 요소를 추출할 수 있습니다.

---

9. 난수 재현성 문제

개요

난수를 사용하는 코드의 재현 가능성을 보장하기 위해 시드를 올바르게 설정하는 방법입니다.

코드 예제

import numpy as np

# 구식 방법 (권장하지 않음)
# np.random.seed(42)

# 권장: Generator 사용
rng = np.random.default_rng(42)
arr1 = rng.random(5)

# 같은 결과 재현
rng = np.random.default_rng(42)
arr2 = rng.random(5)
print(np.array_equal(arr1, arr2))  # True

설명

default_rng()로 생성한 Generator 객체를 사용하면 독립적이고 재현 가능한 난수 생성이 가능합니다.

---

10. 축 방향 연산 혼란

개요

sum, mean 등의 연산에서 axis 파라미터를 올바르게 사용하여 원하는 방향으로 계산합니다.

코드 예제

import numpy as np

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

# axis=0: 세로 방향 (행 축소)
col_sum = arr.sum(axis=0)  # [5, 7, 9]

# axis=1: 가로 방향 (열 축소)
row_sum = arr.sum(axis=1)  # [6, 15]

# axis=None: 전체 합
total = arr.sum()  # 21

설명

axis=0은 행을 따라 계산(열 결과), axis=1은 열을 따라 계산(행 결과)합니다. 해당 축이 제거됩니다.

---

마치며

이번 글에서는 NumPy 트러블슈팅 가이드 완벽 정복에 대해 알아보았습니다. 총 10가지 개념을 다루었으며, 각각의 사용법과 예제를 살펴보았습니다.

관련 태그

#Python #NumPy #Troubleshooting #Arrays #Performance