# NumPy

NumPy는 **Numerical Python**의 약자로, 파이썬에서 과학적 계산 및 수치 해석을 위한 핵심 라이브러리입니다. 특히 다차원 배열과 행렬 연산을 효율적으로 처리할 수 있도록 설계되어 있으며, 데이터 과학, 머신러닝, 물리 시뮬레이션 등 다양한 분야에서 널리 사용됩니다. NumPy는 오픈소스 프로젝트로서 BSD 라이선스 하에 배포되며, Python 생태계에서 가장 중요한 기반 라이브러리 중 하나로 평가받고 있습니다.

NumPy의 핵심 기능은 **N차원 배열 객체**(ndarray)이며, 이는 파이썬 내장 리스트보다 훨씬 빠르고 메모리 효율적입니다. 또한, 선형대수, 푸리에 변환, 난수 생성 등 고급 수학 연산을 위한 함수들도 포함하고 있습니다.

---

## 개요

NumPy는 2005년 Travis Oliphant에 의해 개발되었으며, 그 이전의 Numeric과 Numarray 라이브러리의 장점을 통합하여 만들어졌습니다. NumPy는 C와 포트란으로 작성된 저수준 코드를 백엔드로 사용하여 높은 성능을 제공합니다. 이로 인해 반복문 없이도 대량의 배열 연산을 벡터화하여 처리할 수 있으며, 이를 **브로드캐스팅**(broadcasting)이라고 부릅니다.

NumPy는 단독으로 사용되기도 하지만, **Pandas**, **SciPy**, **Matplotlib**, **scikit-learn** 등 주요 데이터 과학 라이브러리들의 핵심 종속성으로 포함되어 있어, 파이썬 기반 과학 컴퓨팅의 사실상 표준으로 자리 잡았습니다.

---

## 주요 기능

### 1. N차원 배열 (ndarray)

NumPy의 핵심 데이터 구조는 `ndarray`입니다. 이 배열은 고정된 크기의 동일한 데이터 타입을 가진 요소들로 구성되며, 다음과 같은 특징을 가집니다:

- **성능**: C로 구현된 내부 구조 덕분에 빠른 연산이 가능합니다.
- **차원(Dimension)**: 1차원(벡터), 2차원(행렬), 3차원 이상의 텐서까지 지원합니다.
- **연산 벡터화**: 반복문 없이 전체 배열에 대한 연산을 수행할 수 있습니다.

```python
import numpy as np

arr = np.array([1, 2, 3, 4])
print(arr * 2)  # 출력: [2 4 6 8]
```

### 2. 배열 생성 방법

NumPy는 다양한 방식으로 배열을 생성할 수 있습니다:

| 함수 | 설명 |
|------|------|
| `np.array()` | 파이썬 리스트나 튜플로부터 배열 생성 |
| `np.zeros()` | 0으로 채워진 배열 생성 |
| `np.ones()` | 1로 채워진 배열 생성 |
| `np.arange()` | 범위 내 숫자로 배열 생성 (range와 유사) |
| `np.linspace()` | 균등 간격의 숫자 생성 |
| `np.random.rand()` | 난수로 구성된 배열 생성 |

```python
zeros = np.zeros((3, 3))          # 3x3 영행렬
ones = np.ones((2, 4))            # 2x4 1행렬
random_arr = np.random.rand(5)    # 0~1 사이 난수 5개
```

### 3. 배열 연산

NumPy는 요소별(element-wise) 연산을 기본으로 제공하며, 브로드캐스팅 규칙에 따라 크기가 다른 배열 간 연산도 가능합니다.

```python
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)      # [5 7 9]
print(a * b)      # [4 10 18]
print(a ** 2)     # [1 4 9]
```

또한, 행렬 곱셈은 `@` 연산자 또는 `np.dot()` 함수를 사용합니다:

```python
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A @ B)      # 행렬 곱
```

### 4. 인덱싱과 슬라이싱

NumPy 배열은 고급 인덱싱을 지원합니다:

```python
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[0, :])        # 첫 번째 행
print(arr[arr > 5])     # 조건에 맞는 요소 추출 (부울 인덱싱)
```

### 5. 수학 및 통계 함수

NumPy는 다양한 수학 함수를 제공합니다:

- `np.sum()`, `np.mean()`, `np.std()`: 통계 연산
- `np.sin()`, `np.exp()`, `np.log()`: 수학 함수
- `np.linalg`: 선형대수 모듈 (예: 역행렬, 고유값)

```python
data = np.array([1, 2, 3, 4, 5])
print(np.mean(data))    # 3.0
print(np.linalg.det(A)) # 행렬식 계산
```

---

## 성능 이점

NumPy 배열은 파이썬 리스트에 비해 다음과 같은 성능 이점을 가집니다:

- **메모리 효율성**: 동일한 데이터 타입만 저장하므로 오버헤드가 적음
- **속도**: C 기반 연산으로 수천 배 빠른 계산 가능
- **벡터화**: 반복문 대신 배열 전체에 연산 적용

예를 들어, 백만 개의 숫자를 각각 제곱하는 작업에서 NumPy는 파이썬 리스트의 `for` 루프보다 수십 배에서 수백 배 빠릅니다.

---

## 활용 분야

- **데이터 과학**: Pandas의 내부 구현 기반
- **기계 학습**: 텐서 연산의 기초 (TensorFlow/PyTorch와 호환성 있음)
- **이미지 처리**: 픽셀 데이터를 배열로 처리
- **물리/공학 시뮬레이션**: 대규모 수치 계산
- **금융 분석**: 시계열 데이터 처리

---

## 설치 및 사용

NumPy는 `pip` 또는 `conda`를 통해 설치할 수 있습니다:

```bash
pip install numpy
```

또는 Anaconda 사용자:

```bash
conda install numpy
```

설치 후 다음과 같이 임포트합니다:

```python
import numpy as np
```

---

## 참고 자료 및 관련 문서

- 공식 문서: [https://numpy.org/doc/](https://numpy.org/doc/)
- GitHub 저장소: [https://github.com/numpy/numpy](https://github.com/numpy/numpy)
- 관련 라이브러리:
  - **SciPy**: 과학 계산 확장
  - **Pandas**: 데이터 조작
  - **Matplotlib**: 시각화
  - **Jupyter Notebook**: NumPy 기반 분석 환경

NumPy는 파이썬 기반 수치 계산의 출발점이자 핵심 도구로서, 현대적인 데이터 분석과 과학 연구에 없어서는 안 될 존재입니다.