# NumPy

## 개요

**NumPy**(Numerical Python)는 파이썬에서 과학적 계산 및 수치 해석을 위한 핵심 라이브리 중 하나로, 고성능의 다차원 배열 객체(`ndarray`)와 이를 효율적으로 처리할 수 있는 함수들을 제공합니다. NumPy는 데이터 분석, 기계 학습, 수치 시뮬레이션, 이미지 처리 등 다양한 분야에서 기반이 되는 도구로 널리 사용되며, Pandas, SciPy, Matplotlib, scikit-learn 등의 주요 데이터 과학 라이브러리들이 내부적으로 NumPy 배열을 기반으로 동작합니다.

NumPy는 C와 포트란으로 작성된 저수준 라이브러리(Fortran BLAS 및 LAPACK 등) 위에 구축되어 있어, 순수 파이썬보다 훨씬 빠른 계산 성능을 제공합니다. 특히 벡터화 연산(vectorized operations)을 통해 반복문 없이 배열 전체에 대한 수학적 연산을 수행할 수 있어 코드의 간결성과 실행 속도 모두를 향상시킵니다.

---

## 주요 기능

### 1. `ndarray`: 다차원 배열 객체

NumPy의 핵심은 **`numpy.ndarray`** 클래스로, 고정된 크기의 동일한 데이터 타입을 가지는 다차원 배열을 표현합니다. 이 배열은 메모리 상에 연속적으로 저장되어 접근 속도가 매우 빠릅니다.

```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]])
print(arr2)
# [[1 2]
#  [3 4]]
```

`ndarray`는 다음과 같은 속성을 가집니다:
- `shape`: 배열의 차원 크기 (예: `(3, 4)`)
- `dtype`: 배열 요소의 데이터 타입 (예: `int64`, `float32`)
- `size`: 전체 요소의 개수
- `ndim`: 차원 수 (랭크)

### 2. 배열 생성 함수

NumPy는 다양한 방식으로 배열을 생성할 수 있는 함수를 제공합니다.

| 함수 | 설명 |
|------|------|
| `np.zeros(shape)` | 0으로 채워진 배열 생성 |
| `np.ones(shape)` | 1로 채워진 배열 생성 |
| `np.arange(start, stop, step)` | 지정된 범위의 숫자 배열 생성 (range와 유사) |
| `np.linspace(start, stop, num)` | 균등 간격의 숫자 배열 생성 |
| `np.random.rand(shape)` | 난수로 채워진 배열 생성 |

```python
zeros = np.zeros((2, 3))        # 2x3 배열, 모두 0
ones = np.ones((2, 2))          # 2x2 배열, 모두 1
seq = np.arange(0, 10, 2)       # [0, 2, 4, 6, 8]
linspace = np.linspace(0, 1, 5) # [0.0, 0.25, 0.5, 0.75, 1.0]
```

### 3. 벡터화 연산 (Vectorization)

NumPy는 배열 전체에 대해 원소 단위로 연산을 수행할 수 있습니다. 이를 통해 `for` 루프를 사용하지 않고도 수학적 연산을 빠르게 처리할 수 있습니다.

```python
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 벡터화 덧셈
c = a + b  # [5, 7, 9]

# 스칼라 연산
d = a * 2  # [2, 4, 6]

# 수학 함수 적용
e = np.sin(a)  # [sin(1), sin(2), sin(3)]
```

### 4. 브로드캐스팅 (Broadcasting)

브로드캐스팅은 서로 다른 크기의 배열 간에 연산을 수행할 수 있게 해주는 강력한 기능입니다. 작은 배열이 자동으로 큰 배열의 형태에 맞게 확장됩니다.

```python
a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])

result = a + b  # b가 [[10, 20], [10, 20]]로 확장됨
# 결과: [[11, 22], [13, 24]]
```

### 5. 배열 슬라이싱과 인덱싱

NumPy 배열은 고급 인덱싱을 지원합니다. 정수 인덱싱, 슬라이싱, 불리언 인덱싱, 정수 배열 인덱싱 등을 활용할 수 있습니다.

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

# 슬라이싱
print(arr[0:2, 1:3])  # [[2, 3], [5, 6]]

# 불리언 인덱싱
mask = arr > 5
print(arr[mask])  # [6, 7, 8, 9]
```

---

## 고급 기능

### 1. 선형 대수 연산

NumPy는 `numpy.linalg` 모듈을 통해 행렬 연산을 지원합니다.

```python
A = np.array([[1, 2], [3, 4]])
B = np.array([[, 6], [7, 8]])

# 행렬 곱
C = np.dot(A, B)

# 역행렬
A_inv = np.linalg.inv(A)

# 고유값 분해
eigenvals, eigenvecs = np.linalg.eig(A)
```

### 2. 배열 조작

배열의 형태를 변경하거나 결합하는 다양한 함수를 제공합니다.

```python
arr = np.arange(6).reshape((2, 3))  # 형태 변경
stacked = np.vstack([arr, arr])     # 수직 결합
reshaped = arr.flatten()            # 1차원으로 펼치기
```

### 3. 파일 입출력

NumPy는 배열을 바이너리 형식으로 저장하고 불러오는 기능을 제공합니다.

```python
# 저장
np.save('array.npy', arr)

# 불러오기
loaded_arr = np.load('array.npy')
```

---

## 성능 이점

- **메모리 효율성**: NumPy 배열은 파이썬 리스트보다 훨씬 적은 메모리를 사용합니다.
- **속도**: C로 구현된 내부 연산 덕분에 수백만 개의 요소를 처리할 때도 빠릅니다.
- **벡터화**: 반복문 대신 벡터 연산을 사용해 코드가 간결하고 빠릅니다.

---

## 참고 자료 및 관련 문서

- [공식 NumPy 문서](https://numpy.org/doc/)
- [NumPy GitHub 저장소](https://github.com/numpy/numpy)
- 관련 라이브러리:
  - **Pandas**: NumPy 기반의 데이터 분석 라이브러리
  - **SciPy**: 과학적 계산을 위한 확장 라이브러리
  - **Matplotlib**: 시각화 라이브러리 (NumPy 배열 입력 지원)

NumPy는 현대 파이썬 기반의 데이터 과학 생태계에서 없어서는 안 될 핵심 도구이며, 그 학습은 데이터 분석 및 머신러닝 분야 진입의 첫걸음이라고 할 수 있습니다.