NumPy

Num(넘파이, **Numerical Python**의 약)는 파이썬에서 과학 계산을 위한 핵심 라이브러리로, 다차원 배열과 행렬 연산을 효율적으로 수행할 수 있도록 설계되었습니다. 고성능 수치 연산을 가능하게 하며, 데이터 과학, 기계 학습, 물리 시뮬레이션, 이미지 처리 등 다양한 분야에서 널리 사용되고 있습니다. NumPy는 파이썬의 기본 리스트보다 훨씬 빠르고 메모리 효율적인 배열 구조를 제공하며, 다른 데이터 과학 라이브러리들(예: Pandas, SciPy, scikit-learn, TensorFlow 등)의 기반으로 작용합니다.

---

## 개요

NumPy는 2005년에 Travis Oliphant에 의해 개발되었으며, 파이썬을 과학적 계산 환경으로 확장하기 위한 노력의 일환으로 탄생했습니다. NumPy의 핵심 데이터 구조는 **ndarray**(N-dimensional array)로, 동일한 데이터 타입을 가진 요소들로 구성된 고정 크기의 다차원 배열입니다. 이 배열은 C 언어 수준의 성능을 제공하며, 벡터화된 연산(vectorized operations)을 통해 루프 없이도 대량의 데이터를 빠르게 처리할 수 있습니다.

NumPy는 오픈소스 프로젝트로, BSD 라이선스 하에 배포되며, 활발한 커뮤니티와 지속적인 개발을 통해 진화하고 있습니다.

---

## 주요 기능

### 1. **ndarray: 다차원 배열 객체**

NumPy의 중심은 `numpy.ndarray` 클래스입니다. 이 객체는 정수, 실수, 복소수 등 다양한 데이터 타입을 지원하며, 다음과 같은 특징을 가집니다:

- **동일한 데이터 타입**: 배열 내 모든 요소는 동일한 데이터 타입을 가져야 하며, 이는 메모리 효율성과 연산 속도를 높입니다.
- **고정 크기**: 배열 생성 후 크기를 변경할 수 없으며, 재할당이 필요할 경우 새로운 배열이 생성됩니다.
- **다차원 지원**: 1차원(벡터), 2차원(행렬), 3차원 이상의 배열도 지원합니다.

```python
import numpy as np

# 1차원 배열 생성
arr1 = np.array([1, 2, 3, 4])
print(arr1)  # [1 2 3 4]

# 2차원 배열 생성
arr2 = np.array([[1, 2], [3, 4]])
(arr2)
# [[1 2]
#  [3 4]]
```

### 2. **벡터화 연산**

NumPy는 요소별(element-wise) 연산을 자동으로 벡터화하여, 반복문 없이도 빠른 계산이 가능합니다. 예를 들어, 두 배열의 덧셈은 내부적으로 최적화된 C 코드로 수행됩니다.

```python
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b  # 요소별 덧셈
print(c)  # [5 7 9]
```

### 3. **브로드캐스팅**(Broadcasting)

브로드캐스팅은 크기가 다른 배열 간의 연산을 가능하게 하는 강력한 기능입니다. 작은 배열이 자동으로 큰 배열의 형태에 맞춰 확장되어 연산이 수행됩니다.

```python
arr = np.array([[1, 2], [3, 4]])
scalar = 10
result = arr + scalar  # [[11, 12], [13, 14]]
```

### 4. **수학적 함수와 통계 기능**

NumPy는 삼각함수, 지수함수, 로그함수 등 다양한 수학 함수와 함께, 평균, 표준편차, 최댓값, 최솟값 등 통계 연산도 제공합니다.

```python
data = np.array([1, 2, 3, 4, 5])
print(np.mean(data))       # 3.0
print(np.std(data))        # 1.414...
print(np.sin(np.pi / 2))   # 1.0
```

### 5. **선형대수 및 푸리에 변환**

`numpy.linalg` 모듈은 행렬식, 고유값, 역행렬, SVD 등 선형대수 계산을 지원하며, `numpy.fft`는 빠른 푸리에 변환(Fast Fourier Transform)을 제공합니다.

```python
A = np.array([[1, 2], [3, 4]])
print(np.linalg.det(A))  # 행렬식 계산
```

---

## 성능 이점

NumPy 배열은 파이썬 내장 리스트에 비해 다음과 같은 성능 이점을 가집니다:

| 항목 | NumPy 배열 | 파이썬 리스트 |
|------|-----------|----------------|
| 메모리 사용 | 연속된 메모리 블록 사용 | 객체 포인터 배열 |
| 연산 속도 | C 기반 최적화 | 파이썬 루프 기반 |
| 데이터 타입 | 정형화된 타입 (예: float64) | 동적 타입 |
| 벡터화 | 지원 | 미지원 |

이러한 이유로 NumPy는 대규모 수치 데이터 처리에 필수적인 도구입니다.

---

## 관련 라이브러리 및 생태계

NumPy는 파이썬 과학 계산 생태계의 기반으로, 다음과 같은 주요 라이브러리들이 NumPy 배열을 기본 데이터 구조로 사용합니다:

- **Pandas**: 데이터 분석 라이브러리, 내부적으로 NumPy 배열 활용
- **SciPy**: 과학 및 기술 계산을 위한 고급 알고리즘 제공
- **Matplotlib**: 데이터 시각화, NumPy 배열 입력 지원
- **scikit-learn**: 머신러닝 라이브러리, 학습 데이터를 NumPy 배열로 처리

---

## 설치 및 사용 방법

NumPy는 일반적으로 `pip` 또는 `conda`를 통해 설치할 수 있습니다.

```bash
pip install numpy
```

또는 Anaconda 환경에서는:

```bash
conda install numpy
```

설치 후 다음과 같이 임포트하여 사용합니다:

```python
import numpy as np
```

---

## 참고 자료

- 공식 문서: [https://numpy.org/doc/](https://numpy.org/doc/)
- GitHub 저장소: [https://github.com/numpy/numpy](https://github.com/numpy/numpy)
- NumPy: 배열 기반 컴퓨팅의 기초 (책, Travis Oliphant 저)

NumPy는 현대 데이터 과학의 기초이며, 파이썬을 사용하는 과학자, 엔지니어, 데이터 분석가라면 반드시 숙지해야 할 라이브러리입니다.