NumPy

NumPy 넘파이(넘피)
버전	2.3.5 2025년 11월 16일 업데이트
웹사이트	공식 홈페이지 pypi

1. 개요

#!syntax python
import numpy as np

2. 다른 Python 패키지와의 관계

• SciPy (싸이파이 = science + Python)
  NumPy와 SciPy는 서로 떨어질 수 없을 정도로 밀접한 관계에 있으며 SciPy를 활용할 때에는 상당히 많이 NumPy를 이용하게 된다. 실제로 SciPy에 관한 책을 구매했을 때 책의 앞부분은 SciPy 관련 내용보다는 오히려 NumPy의 기초에 대한 내용 위주로 보게 되는 경우가 많다.
  SciPy는 수치해석시 NumPy를 보다 본격적으로 이용할 수 있게 해 준다. 사실 대학 학부 수준의 수치해석 교재에 있는 여러 수치 미분법이나 수치 적분법, 수치미분방정식 해법(룽게-쿠타 방법 등)을 구현하는 데에는 전적으로 Python 기본 메서드와 NumPy만으로 충분하다. 그렇지만 SciPy를 이용하면 NumPy만으로는 길게 코딩해야 하는 기법들을 단 2~3줄에 구현할 수 있다. 게다가 NumPy로 구현하기 막막하거나 사실상 불가능한 것들도 SciPy로는 쉽게 결과를 얻을 수 있다. 따라서 NumPy와 SciPy를 적절하게 혼용하게 되면 MATLAB 부럽지 않은 수치해석 툴을 얻은 셈이 된다.
• SymPy (심파이 = symbolic + Python)
  Python의 대표적인 기호계산 패키지인 SymPy도 NumPy와 잘 연동된다. 예컨대 NumPy만으로 구현하기 까다로운 함수의 경우, SymPy로 원하는 함수를 구하고, 이 함수를 바탕으로 NumPy를 이용하여 그 함수를 기반으로 배열형 자료를 구할 수 있다. 어떤 SymPy 함수를 일단 구하기만 하면, f = sympy.lambdify(정의역 문자, SymPy 함수, 'numpy') 꼴의 간단한 코딩만으로 NumPy에 적용가능한 함수 f를 얻을 수 있다. 여기에서 f(numpy.linspace(0,1, 101))를 입력하면 함수에 대해 0에서 1까지 100등분한 정의역 점들에 대한 함숫값들의 배열을 얻는다. 간혹 NumPy 자체나 SciPy만으로 구하기 어려운 함수도 SymPy로는 간결하게 구할 수 있는 경우도 많으므로 NumPy와 SymPy를 같이 배워두면 여러모로 쓸모가 많다.
• matplotlib (맷플롯립)
  파이썬에서 널리 사용되는 그래픽 패키지인 matplotlib에서도 NumPy는 자주 애용된다. 물론 파이썬에 기본적으로 내장된 리스트형 자료로도 충분히 수많은 종류의 데이터를 그래프화할 수 있다. 그러나 아무래도 NumPy를 쓸 때보다는 코드가 굉장히 복잡해지고, 그래프를 얻는 속도도 느리다. 실제로 인터넷 상의 matplotlib 튜토리얼이나 예제들을 봐도 다들 NumPy의 ndarray 자료형을 쓰지 리스트형은 잘 쓰지 않는다. 당연하지만 matplotlib를 기반으로 좀 더 유려한 그래프와 도표를 얻는 seaborn과 같은 패키지에도 굉장히 유용하게 쓰인다.
• Pandas (판다스)
  Pandas는 NumPy보다 더 복잡한 형태의 자료(Series, DataFrame)를 다루지만, NumPy를 이용해 만든 array 자료를 이용해서 Series나 DataFrame 자료를 생성하거나 수정할 수 있다.
• PyTorch (파이토치)
  PyTorch에서 쓰이는 Tensor 자료형을 만들 때에 NumPy 배열을 필요로 한다.
• 이외에도 Polars, Plotly하고도 상호연동이 가능하다.

3. 라이브러리에 포함된 함수

• .array(object): 가장 기본적인 ndarray 생성 함수다. 보통 list형 데이터를 인자로 넘겨준다.
• .zeros(int): int 개수만큼의 0으로 이루어진 ndarray를 만들어 준다. np.zeros(10)은 (10,) 형태의 0으로 이루어진 벡터를 생성한다. 만약 특정한 형상으로 만들길 원한다면 int 대신 sequence를 [x, y]또는 (x, y)와 같이 넣어서 지정해주면 된다.
• .arange(): 흔히 쓰이는 range 함수와 유사하다. 범위와 간격 설정이 가능. range와의 차이점은 range는 python 3.11 기준으로 range를 반환하고, arange는 ndarray를 반환한다. 'arange'는 "array range"를 줄여쓴 거라고 생각하면 된다. 형태와 차원을 원하는 대로 설정하고 싶으면 .reshape()를 쓰자.
• .shape: 어떤 ndarray 뒤에 이걸 붙이면 그 ndarray의 형상을 출력한다.
• .size: 차원 정보 없이 원소의 개수만을 출력한다.
• .argmax(): 입력 값으로 들어온 ndarray의 각 행/열별 최댓값의 인덱스를 산출한다. 키워드 인자 axis=를 추가하면 열별(axis=0) 혹은 행별(axis=1) 최댓값 위치를 알 수 있다. 비슷하게 .argmin()도 존재한다.
• .T: 벡터의 전치(transpose)를 수행한다. 단, 1차원 ndarray는 상황에 따라 행벡터 혹은 열벡터로 바뀌므로 굳이 T를 붙일 이유는 없다.
• .linspace(시작값, 종료값, 간격 수): 시작값과 종료값 사이에 일정한 간격으로 간격 수 만큼의 사이즈의 ndarray을 생성해준다. 예를 들어 어떤 미분방정식을 t = 0 에서 t = 20 으로 60 fps씩 풀고 싶다면, timespan = np.linspace(0, 20, 1200) 이렇게 하면 생성할 수 있다. 그 다음 scipy.integrate.odeint와 같은 함수에다가 해당 ndarray와 미분방정식을 집어넣으면, 수치해석을 이용하여 각 지점마다 해당하는 값을 반환한다.
• .unique(): 해당 ndarray에 어떤 값들이 있는지 알려준다. 예를 들어 np.unique([1, 2, 2, 3, 5, 5])라고 입력하면 [1, 2, 3, 5]가 출력된다.
• .reshape(): ndarray를 원하는 차원/사이즈로 변경해준다. 예를 들자면, 딥러닝에서 CNN(Convolutional Neural Network)은 보통 (배치 사이즈)*(가로)*(세로)*(색깔 수)로 4D array 구조인데, 이를 나중에 evaluation 등에서 활용하기 위해 .flatten이나 .reshape를 활용하여 1차원 ndarray로 펼칠 수 있다.
• .trace(): 대각합을 계산한다. 특정 band의 합을 구하고자 할 경우에는 np.trace(,offset=)에서 등호 뒤에 구하고자 하는 band idx를 넣으면 된다.
• .sin(), .cos(), .tan(), .arcsin(), .arccos(), .arctan(): 삼각함수다. 입력값으로 radian 값을 사용하며, 역삼각함수의 반환값 역시 라디안 값이다. .rad2deg 또는 .deg2rad로 편리하게 degree 값을 사용할 수 있으니 일일이 원주율을 곱할 필요는 없다.
• .sort(): ndarray를 입력한 축에 따라 정렬해 준다. 선택으로 정렬 방식을 직접 지정할 수 있다.
• .memmap(): array를 파일로 저장해놓고 메모리에는 맵만 적재하는 파일 기반 메모리 맵 생성 함수다. 확장자는 *.npz. 데이터 전처리나 기계학습에서 모든 데이터를 다 적재하는 Eager 방식이 아니라 필요할 때에 최종적으로 가공된 결과물만 로딩하는 Lazy 방식의 프로그래밍에 주로 쓰인다. PyTorch에서 분산 및 병렬 데이터세트인 IterableDataset을 메모리 효율적이고 고성능으로 구현하는 데에 필요하다.