NumPy 완벽 정리 — 숫자 배열 다루기

0. 시리즈

1. AI 실습, 왜 Python인가?

💡 환경 세팅이 아직 안 됐다면? Python 설치, 가상환경 만들기, Google Colab 사용법은 → [환경 세팅 가이드 링크] 를 참고하세요.

1-1. 문법이 간결해 빠르게 코드로 옮길 수 있다

Python은 다른 언어에 비해 코드가 짧고 읽기 쉽습니다. 예를 들어 리스트의 모든 값을 2배로 만들 때:

python# Python (한 줄)
doubled = [x * 2 for x in data]

// Java (여러 줄)
List<Integer> doubled = new ArrayList<>();
for (int x : data) {
    doubled.add(x * 2);
}

아이디어를 바로 코드로 옮길 수 있어서, 실험과 수정이 잦은 AI 개발에 특히 유리합니다.

1-2. AI 전용 라이브러리 생태계가 압도적이다

이 모든 라이브러리가 Python 전용 으로 설계되어 있습니다. 다른 언어로 같은 작업을 하려면 수십 배의 코드가 필요합니다.

1-3. 전 세계 AI 연구자들의 표준 언어

구글, 메타, OpenAI 등 주요 AI 연구소의 공식 코드가 모두 Python으로 공개됩니다. 논문 구현 코드, Stack Overflow 답변, 유튜브 강의 — 거의 모든 레퍼런스가 Python 기준입니다. 즉, 모르는 게 생겼을 때 검색만 해도 답이 나오는 언어 입니다.

2. NumPy란?

2-1. NumPy가 뭔가요?

NumPy(넘파이) 는 Python에서 수치 계산을 빠르게 처리하기 위해 만들어진 라이브러리입니다. 이름은 Num erical Py thon의 줄임말입니다.

AI에서 다루는 데이터는 결국 전부 숫자입니다.

• 이미지 → 픽셀 값의 숫자 배열
• 텍스트 → 단어를 숫자로 변환한 배열
• 음성 → 음파를 샘플링한 숫자 배열

NumPy는 이런 대규모 숫자 데이터를 빠르고 효율적으로 처리 하는 도구입니다.

2-2. 왜 일반 Python 리스트 대신 NumPy를 쓰나요?

Python 리스트는 범용적이지만, 수백만 개의 숫자를 다루는 AI 실습에서는 NumPy 없이는 버티기 어렵습니다.

2-3. NumPy 설치

bashpip install numpy

Google Colab을 사용한다면 이미 설치되어 있어 별도 설치 불필요합니다.

pythonimport numpy as np
print(np.__version__)  # 예: 1.26.4

3. 핵심 개념 — 배열(ndarray)

3-1. 배열 만들기

NumPy의 핵심 자료구조는 ndarray(N-dimensional array) 입니다.

pythonimport numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a)       # [1 2 3 4 5]
print(type(a)) # <class 'numpy.ndarray'>

3-2. 1차원 / 2차원 / 3차원 배열

python# 1차원 — 벡터 (데이터 한 줄)
a1 = np.array([1, 2, 3])

# 2차원 — 행렬 (표 형태, 이미지 1장)
a2 = np.array([[1, 2, 3],
               [4, 5, 6]])

# 3차원 — 여러 행렬의 묶음 (컬러 이미지, 여러 장의 이미지)
a3 = np.array([[[1, 2], [3, 4]],
               [[5, 6], [7, 8]]])

💡 컬러 이미지 한 장은 (높이 × 너비 × 3) 형태의 3차원 배열입니다. (3은 RGB 채널)

3-3. 배열의 형태 확인

pythona2 = np.array([[1, 2, 3],
               [4, 5, 6]])

print(a2.shape)  # (2, 3) → 2행 3열
print(a2.ndim)   # 2 → 2차원
print(a2.dtype)  # int64 → 정수형

4. 자주 쓰는 NumPy 기능

4-1. 배열 생성 함수

pythonnp.zeros((3, 3))       # 0으로 채운 3×3 배열
np.ones((2, 4))        # 1로 채운 2×4 배열
np.arange(0, 10, 2)    # [0 2 4 6 8] — 범위로 생성
np.linspace(0, 1, 5)   # [0. 0.25 0.5 0.75 1.] — 균등 간격
np.random.rand(3, 3)   # 0~1 사이 난수 3×3 배열

4-2. 배열 연산 — 브로드캐스팅

NumPy는 반복문 없이 배열 전체에 연산을 적용합니다.

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

print(a + 10)    # [11 12 13 14]
print(a * 2)     # [ 2  4  6  8]
print(a ** 2)    # [ 1  4  9 16]

b = np.array([10, 20, 30, 40])
print(a + b)     # [11 22 33 44]

브로드캐스팅 이란 크기가 다른 배열끼리도 자동으로 맞춰서 연산해주는 기능입니다.

pythona = np.array([[1, 2, 3],
              [4, 5, 6]])
print(a + 100)
# [[101 102 103]
#  [104 105 106]]

4-3. 인덱싱 & 슬라이싱

pythona = np.array([10, 20, 30, 40, 50])

print(a[0])      # 10 — 첫 번째 요소
print(a[-1])     # 50 — 마지막 요소
print(a[1:4])    # [20 30 40] — 슬라이싱

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

print(b[1, 2])   # 6 — 1행 2열
print(b[:, 1])   # [2 5 8] — 전체 행의 1열
print(b[0:2, :]) # 0~1행 전체

4-4. 통계 함수

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

print(np.sum(a))   # 15
print(np.mean(a))  # 3.0
print(np.max(a))   # 5
print(np.min(a))   # 1
print(np.std(a))   # 표준편차: 1.414...

5. AI에서 NumPy가 쓰이는 곳

5-1. 이미지 데이터를 숫자 배열로 표현하는 법

컴퓨터는 이미지를 픽셀 값의 숫자 배열로 인식합니다.

python# 28×28 흑백 이미지 (MNIST 손글씨 숫자 데이터셋)
image = np.random.randint(0, 256, size=(28, 28))
print(image.shape)  # (28, 28)

# 컬러 이미지 (RGB)
color_image = np.random.randint(0, 256, size=(64, 64, 3))
print(color_image.shape)  # (64, 64, 3)

픽셀 하나의 값은 0(검정) ~ 255(흰색) 사이의 정수입니다.

5-2. 딥러닝 입력 데이터 형태 미리보기

딥러닝 모델은 항상 배치(batch) 단위로 데이터를 받습니다.

이미지 100장을 한 번에 학습시킬 때의 데이터 형태:
(100, 64, 64, 3)
 ↑     ↑   ↑  ↑
배치  높이 너비 채널(RGB)

나중에 TensorFlow/Keras 편에서 다시 등장하니 지금은 "AI 데이터는 결국 숫자 배열이다" 정도만 기억해두세요.

6. 마무리

6-1. 오늘 배운 것 한눈에 정리