# 넘파이 (NumPy)

## 개요
**넘파이(NumPy)**는 파이썬(Python) 언어를 기반으로 한 수치 계산 라이브러리로, 다차원 배열 객체와 이를 효율적으로 처리하기 위한 다양한 함수를 제공하는 데이터 과학의 핵심 라이브러리입니다.

NumPy는 파이썬 데이터 분석 생태계의 최하단에서 기초 토대 역할을 수행합니다. Pandas의 DataFrame, Scikit-learn의 머신러닝 알고리즘, Matplotlib의 시각화 도구 등이 모두 NumPy 배열을 기반으로 데이터를 처리하도록 설계되어 있습니다. NumPy의 핵심은 `ndarray`(N-dimensional Array)라는 객체로, 이는 동일한 데이터 타입을 가진 다차원 배열을 의미하며 메모리 효율성과 연산 속도를 극대화한 구조를 가지고 있습니다.

## 설치 및 환경 설정
NumPy는 표준 라이브러리가 아니므로 별도의 설치 과정이 필요합니다. 일반적으로 `pip` 패키지 관리자를 통해 설치하며, 데이터 과학 환경에서는 Anaconda 배포판을 통해 사전 설치된 상태로 제공되는 경우가 많습니다.

### 설치 방법
터미널 또는 명령 프롬프트에서 아래 명령어를 입력하여 설치할 수 있습니다.
```bash
pip install numpy
```

### 기본 임포트 관례
NumPy는 관례적으로 `np`라는 별칭(Alias)을 사용하여 임포트합니다. 이는 코드의 가독성을 높이고 타이핑을 줄이기 위한 전 세계적인 표준 관례입니다.
```python
import numpy as np
```

## 핵심 개념 및 특징
NumPy가 파이썬 기본 리스트보다 강력한 이유는 메모리 레이아웃과 연산 방식의 차이에 있습니다.

### 파이썬 리스트 vs NumPy 배열
파이썬 리스트는 다양한 타입의 객체를 담을 수 있는 유연한 구조이지만, 각 요소가 메모리 상에 흩어져 저장되어 연산 속도가 느립니다. 반면, NumPy 배열은 **연속된 메모리 공간**에 **동일한 데이터 타입**을 저장하여 CPU의 SIMD(Single Instruction, Multiple Data) 최적화를 활용합니다.

| 구분 | 파이썬 리스트 (List) | NumPy 배열 (ndarray) |
| :--- | :--- | :--- |
| **데이터 타입** | 다양한 타입 혼합 가능 (Heterogeneous) | 단일 타입만 가능 (Homogeneous) |
| **메모리 저장** | 요소의 참조 주소를 저장 (분산 저장) | 데이터 값을 연속적으로 저장 (밀집 저장) |
| **연산 방식** | 반복문(for)을 통한 요소별 접근 필요 | 벡터화 연산을 통한 일괄 처리 |
| **속도/효율** | 데이터 양이 많을수록 성능 저하 심함 | 대규모 수치 연산에 최적화 (매우 빠름) |

### 벡터화(Vectorization)와 브로드캐스팅(Broadcasting)
- **벡터화(Vectorization)**: 명시적인 반복문(for, while) 없이 배열 전체에 대해 연산을 수행하는 기법입니다. 내부적으로 C 언어로 구현되어 있어 파이썬 루프보다 압도적으로 빠릅니다.
- **브로드캐스팅(Broadcasting)**: 모양(Shape)이 다른 배열 간의 연산이 가능하도록 NumPy가 자동으로 배열의 크기를 확장하는 메커니즘입니다. 두 배열의 차원 크기가 같거나, 어느 한 쪽의 차원 크기가 1인 경우에만 가능합니다.

```python
# 브로드캐스팅 예제
a = np.array([1, 2, 3]) # shape (3,)
b = 10                  # 스칼라 값
print(a + b)            # [11, 12, 13] (스칼라 10이 [10, 10, 10]으로 확장되어 더해짐)

matrix = np.ones((2, 3)) # shape (2, 3)
row = np.array([1, 2, 3]) # shape (3,)
print(matrix + row)      # row가 (2, 3) 형태로 확장되어 각 행에 더해짐
```

## 배열 생성 및 기본 조작
NumPy에서는 다양한 함수를 통해 `ndarray`를 생성하고 그 형태를 자유롭게 변경할 수 있습니다.

### 배열 생성 함수
- `np.array()`: 리스트나 튜플을 배열로 변환
- `np.zeros()`: 모든 요소가 0인 배열 생성
- `np.ones()`: 모든 요소가 1인 배열 생성
- `np.arange()`: 특정 범위의 연속된 숫자로 구성된 배열 생성 (파이썬의 `range`와 유사)
- `np.linspace()`: 지정된 범위 내에서 균등한 간격으로 숫자를 생성

### 배열의 주요 속성
생성된 배열의 상태를 확인하기 위해 다음과 같은 속성을 사용합니다.
- `shape`: 배열의 차원과 크기를 튜플로 반환 (예: `(3, 4)`)
- `dtype`: 배열 요소의 데이터 타입 확인 (예: `int64`, `float64`)
- `ndim`: 배열의 차원 수 반환 (예: 2)
- `size`: 배열 내 전체 요소의 개수 반환

### 형태 변환 및 조작
`reshape` 함수는 배열의 데이터는 유지한 채 차원과 모양만 변경할 때 사용합니다.

```python
# 1. 배열 생성
arr = np.arange(12) # [0, 1, ..., 11] (1차원, 크기 12)

# 2. 형태 변경 (Reshape)
# 1차원 배열을 3행 4열의 2차원 배열로 변환
matrix = arr.reshape(3, 4)

# 3. 인덱싱 및 슬라이싱
print(matrix[0, 1])    # 0행 1열 요소 접근
print(matrix[:2, 1:])  # 0~1행, 1열 이후의 모든 요소 추출
```

## 주요 연산 및 함수
NumPy는 수치 해석에 필요한 거의 모든 수학적 연산을 제공합니다.

### 요소별 연산 및 행렬 연산
- **Element-wise 연산**: `+`, `-`, `*`, `/` 등의 연산자가 배열의 동일 위치 요소끼리 적용됩니다.
- **행렬 곱셈**: `np.dot()` 또는 `@` 연산자를 사용하여 선형대수학의 행렬 곱을 수행합니다.

### 통계 및 집계 함수
배열 전체 혹은 특정 축(axis)을 기준으로 통계량을 계산할 수 있습니다.

**axis 파라미터 이해**
2차원 배열에서 `axis`는 연산이 수행되는 방향을 결정합니다.

| axis 값 | 연산 방향 | 설명 | 결과 형태 |
| :--- | :--- | :--- | :--- |
| `axis=0` | 열(Column) 방향 | 위 $\rightarrow$ 아래로 연산 (각 열의 합계/평균) | 열의 개수만큼 결과 생성 |
| `axis=1` | 행(Row) 방향 | 왼쪽 $\rightarrow$ 오른쪽으로 연산 (각 행의 합계/평균) | 행의 개수만큼 결과 생성 |

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

# 기본 산술 연산
print(data * 2)        # 모든 요소에 2를 곱함

# 집계 함수
print(np.sum(data))    # 전체 합계
print(np.mean(data, axis=0)) # 열 기준 평균 [2.5, 3.5, 4.5]
print(np.std(data))    # 표준편차
print(np.max(data))    # 최댓값
```

## 고급 인덱싱 및 필터링
단순한 슬라이싱을 넘어 조건에 맞는 데이터를 정교하게 추출하는 기법입니다.

### 불리언 인덱싱 (Boolean Indexing)
조건식을 통해 `True/False` 배열(마스크)을 만들고, 이를 인덱스로 사용하여 `True`에 해당하는 요소만 추출하는 방식입니다. 데이터 필터링에 매우 강력한 도구입니다.

### 팬시 인덱싱 (Fancy Indexing)
정수 배열이나 리스트를 인덱스로 전달하여 특정 위치의 요소들을 임의로 선택하는 기법입니다.

```python
arr = np.array([10, 20, 30, 40, 50])

# 불리언 인덱싱: 30보다 큰 값만 추출
mask = arr > 30
print(mask)     # [False, False, False, True, True]
print(arr[mask]) # [40, 50]

# 팬시 인덱싱: 0번, 2번, 4번 인덱스 요소만 추출
indices = [0, 2, 4]
print(arr[indices]) # [10, 30, 50]
```

## 유용한 내장 함수 요약 표

| 함수명 | 설명 | 비고 |
| :--- | :--- | :--- |
| `np.argmax()` | 최댓값이 위치한 인덱스 반환 | 분류 모델의 최종 예측값 결정 시 활용 |
| `np.argmin()` | 최솟값이 위치한 인덱스 반환 | 오차 최소화 지점 탐색 시 활용 |
| `np.where()` | 조건에 따라 값 선택 (Ternary operator 유사) | `np.where(조건, 참일때값, 거짓일때값)` |
| `np.transpose()` | 배열의 전치 행렬 생성 | `.T` 속성으로 간편하게 사용 가능 |
| `np.concatenate()` | 두 개 이상의 배열을 연결 | `axis` 파라미터로 연결 방향 결정 |
| `np.unique()` | 배열 내 중복된 요소를 제거하고 고유값 반환 | 데이터 범주 확인 시 유용 |

## 활용 및 생태계 연결
NumPy는 단독으로 사용되기보다 다른 라이브러리와 결합하여 데이터 분석 파이프라인을 구성합니다.

- **Pandas**: NumPy 배열을 기반으로 `Series`와 `DataFrame`이라는 고수준 데이터 구조를 제공합니다. 표 형태의 데이터 조작에 최적화되어 있습니다.
- **Matplotlib**: NumPy 배열을 입력값으로 받아 그래프와 차트를 생성합니다.
- **Scikit-learn**: 머신러닝 모델의 입력 데이터(특성 행렬)와 출력 데이터(타겟 벡터)를 모두 NumPy 배열 형태로 처리합니다.

### 실제 데이터 분석 적용 사례
1. **이미지 처리**: 디지털 이미지는 픽셀 값의 3차원 배열(높이 x 너비 x RGB 채널)로 표현됩니다. NumPy를 이용해 픽셀 값을 조절함으로써 밝기 변경, 필터링, 이미지 자르기 등을 수행합니다.
2. **신호 처리**: 센서에서 수집된 시계열 데이터를 NumPy 배열로 저장하고, FFT(고속 푸리에 변환) 등을 적용하여 주파수 성분을 분석합니다.
3. **금융 분석**: 주가 데이터의 이동 평균(Moving Average) 계산이나 포트폴리오의 상관계수 행렬을 계산할 때 NumPy의 벡터화 연산을 통해 빠르게 처리합니다.
4. **딥러닝 가중치 계산**: 신경망의 가중치(Weight)와 입력값(Input)의 행렬 곱셈 연산은 모두 NumPy의 `dot` 연산 원리를 기반으로 하며, 이는 PyTorch나 TensorFlow 같은 프레임워크의 텐서(Tensor) 연산으로 확장됩니다.