[밑러닝] 1.5 넘파이(numpy as np)

* 이 글은 <밑바닥부터 시작하는 딥러닝2 (저자: 사이토 고키)> 책을 읽으며 정리한 글입니다.
* 나중에라도 제가 참고하기 위해 정리해 두었으며, 모든 내용을 적은 것이 아닌,
필요하다고 생각되는 부분만 추려서 정리한 것임을 미리 밝힙니다.

---

목차

1. 넘파이(numpy)의 정의
2. 넘파이(numpy)의 연산
3. 넘파이(numpy)의 N차원 배열
4. 브로드캐스트(broadcast)
5. 원소 접근

---

1. 넘파이(numpy)의 정의

넘파이(numpy)는 벡터나 행렬 연산을 빠르게 하는 도구다. 다르게 말하자면, 배열을 다루는 도구이다.
넘파이는 한 개 이상의 원소를 가진 배열 형태라면 모두 "넘파이"라는 그릇에 담아버린다.
앞으로 과학적인 분석이나 딥러닝을 할 때 심심찮게 볼 수 있을 것이다. numpy는 다들 풀네임 쓰기 귀찮아해서 관용적으로 np라고 쓴다.
외부 라이브러리이기 때문에 다음 코드를 이용해서 불러온다.

import numpy as np

배열의 형태를 가진 모든 것들은 넘파이(numpy)가 될 수 있다.

a = [1, 2, 3]
aa = np.array(a)

b = (1, 2, 3)
bb = np.array(b)

aa == bb

리스트 형태이든, 튜플 형태이든 상관 없이 '1'과 '2'와 '3'의 원소를 지닌 배열을 "넘파이(numpy)"라는 그릇 안에 담기 때문에 마지막 줄의 aa==bb 검사를 실행했을 때에 array([True, True, True])와 같은 결과가 나온다.

 

2. 넘파이(numpy)의 연산

많은 이들이 넘파이(numpy)를 사용하는 이유는 넘파이(numpy)의 강력한 연산 기능 때문이다.
[1, 2, 3]과 같은 리스트가 있을 때, 이 각각의 원소를 모두 -1 하는 코드를 생각해보자. 다음과 같이 작성할 수 있을 것이다.

a = [1, 2, 3]
result = []
for i in a:
    result.append(i-1)

혹은 리스트 컴프리핸션을 이용해 다음과 같이 작성할 수도 있을 것이다.

a = [1, 2, 3]
[ i-1 for i in a ]

하지만 넘파이(numpy)를 이용하면 간단해진다.

a = np.array([1, 2, 3])
a -= 1

a라는 넘파이(numpy) 개체 선언 이후에 -1만 해주면 일일이 a안의 원소를 다 찾아가며 -1을 해줄 필요 없이 모든 원소에 적용되어 한번에 연산이 된다.
이러한 간편함은 넘파이(numpy) 개체끼리의 연산에서도 돋보인다. 길이가 같은 두 넘파이(numpy)배열 x와 y를 생각해보자.

x = np.array([1, 2, 3])
y = np.array([2, 4, 6])
x + y

위와 같은 코드가 실행되었을 때, 넘파이는 똑똑하게도 array([3, 6, 9])라는 결과를 내놓는다. x의 첫번째 요소와 y의 첫번째 요소, x의 두번째 요소와 y의 두번째 요소를 각각 매칭시켜 주는 것이다.
반면, 그냥 리스트 형태일 경우를 생각해보자.

# wrong case
x = [1, 2, 3]
y = [2, 4, 6]
x + y

리스트 자료형을 완벽하게 학습한 사용자라면, 위의 결과는 [1, 2, 3, 2, 4, 6]로 나옴을 금방 알 수 있다. 사실 덧셈 연산이어서 그나마 결과라도 나오지, -나 *, / 등의 리스트끼리의 연산은 계산 결과도 나오지 않고 에러가 뜬다.

 

3. 넘파이(numpy)의 N차원 배열

앞서 정의에서 언급했듯이, 넘파이(numpy)는 행렬을 손쉽게 다룰 수 있는 도구다.
호기심 많은 독자는 궁금증이 생길 것이다. '우리는 지금까지 숫자만 넘파이(numpy)에 담고 있는데, 다른 것도 담을 수 있나요? 이를테면 문자나 리스트 같은 것도요.'
당연히 가능하다. 앞서 정의한 바를 상기해 보면, 한 개 이상의 원소를 가진 배열 형태는 모두 넘파이(numpy) 형태로 표현할 수 있다.
문자는 각자 실험해 보시고, 이번 시간에는 배열을 담은 배열에 초점을 맞춰 설명하겠다. 리스트를 다뤄본 사용자라면, 리스트 안에 리스트를 담는 게 이상하지는 않을 것이다.

A = [[1, 2], [2, 3]]

혹은

a = [1, 2]
b = [2, 3]
A = [a, b]

와 같은 형태들이 이상하지 않다.
넘파이(numpy)도 마찬가지다.

a = [1, 2]
b = [2, 3]
A = np.array([a, b])

일 때, print(A)하면 다음과 같은 결과가 나온다.

[[1 2]
 [2 3]]

 

4. 브로드캐스트(broadcast)

넘파이(numpy)에서는 형상이 다른 배열끼리라도 계산할 수 있고, 이것을 브로드캐스트(broadcast)라고 한다.
다음의 예제를 보자.

A = np.array([[1, 2], [3, 4]])
B = np.array([10, 20])
A * B

위의 코드를 수행하면 다음과 같은 결과가 나온다.

array([[10, 40],
       [30, 80]])

즉, B의 np.array([10, 20])가 A의 첫번째 원소인 np.array([1, 2])와 연산을 하고, A의 두번째 원소인 np.array([3, 4])와도 연산을 한다. 전역에 퍼지는 방송처럼, 모든 원소에 영향을 주는 것이다. 이것을 넘파이(numpy)에서의 브로드캐스트(broadcast)라고 한다.
앞서 소개한, 모든 원소를 -1하는 연산도 사실 브로드캐스트(broadcast)에 의한 것이다.

 

5. 원소 접근

넘파이(numpy)도 리스트와 동일하게, 슬라이싱(slicing), 인덱스 지정 등으로 원소에 접근할 수 있다.
하지만 리스트 자료형과 다른 점이 있는데, 여러 개의 원소를 한번에 인덱스 지정할 수 있다는 것이다.

a = np.array([10, 20, 30, 40, 50])
a[np.array([0, 2, 4])]

위와 같은 코드를 실행하면 다음과 같은 결과가 나온다. array([10, 30, 50]) 즉, 0번째, 2번째, 4번째 원소가 호출되는 것이다.
이러한 성격 때문인지 다음과 같은 코드도 실행이 가능하다.

a = np.array([10, 20, 30, 40, 50])
a[a>25]

array([30, 40, 50])의 결과가 나온다.

두번째 다른 점은 다차원 배열에서 도드라진다.
다음과 같은 행렬 A를 생각해보자. A = np.array([[1,2],[10,20],[50,100]]) 이것을 보기 쉽게 기입하면 다음과 같은 형태가 나올 것이다.

array([[  1,   2],
       [ 10,  20],
       [ 50, 100]])

첫번째 컬럼, 즉 [[1],[10],[50]]을 얻고 싶을 때 다음과 같이 실행하면 된다.

A[:,:1]

그럼 다음과 같은 결과를 볼 수 있다.

array([[ 1],
       [10],
       [50]])

 

---

정리
지금까지 넘파이(numpy)의 기본적 속성들과 간단한 규칙에 대해 알아보았다.
이외에도 넘파이(numpy)로 행할 수 있는 수많은 매서드가 있지만, 후에 시간이 될 때 다른 포스트로 기술하도록 하겠다.