[Python] 넘파이(Numpy)는 왜 강력한 도구인가, 넘파이의 강점 7가지

파이썬을 사용하다 보면 데이터 처리가 필요한 경우가 많다. 넘파이(Numpy)는 파이썬에서 고성능의 수치 계산을 위한 라이브러리로, 다차원 배열을 다루는 데 매우 유용하고 강력한 도구이다. 넘파이가 가지고 있는 강점 덕에 데이터 분석, 과학적 계산, 머신러닝 등 다양한 분야에서 넘파이가 많이 활용되고 있다.

넘파이가 가지고 있는 강점이 어떻길래!

넘파이의 대표적인 강점 7가지를 정리해 보았다.

1. 고성능 연산

넘파이는 파이썬의 기본 리스트보다 훨씬 빠른 속도로 대규모 데이터 연산을 처리할 수 있다. 이는 넘파이가 C로 구현된 내부 루틴을 사용하기 때문인데, 덕분에 복잡한 수치 계산도 효율적으로 수행할 수 있다. 예를 들어, 큰 배열에 대한 덧셈이나 곱셈 같은 연산을 훨씬 빠르게 처리할 수 있어 데이터 과학과 머신러닝 분야에서 널리 사용된다.

예를 들어, 두 배열의 원소별 곱셈을 생각해 보면, 파이썬 리스트를 사용하면 루프를 통해 하나씩 곱해야 하지만, 넘파이는 벡터화된 연산을 통해 한 번에 처리할 수 있다. 궁금하다면 아래 예시 코드를 실행해 보자.

import numpy as np
import time

# 파이썬 리스트 사용
list1 = list(range(1000000))
list2 = list(range(1000000))
start = time.time()
result = [a * b for a, b in zip(list1, list2)]
end = time.time()
print(f"파이썬 리스트 연산 시간: {end - start}초")

# 넘파이 배열 사용
arr1 = np.arange(1000000)
arr2 = np.arange(1000000)
start = time.time()
result = arr1 * arr2
end = time.time()
print(f"넘파이 배열 연산 시간: {end - start}초")

출력해 보면 넘파이가 파이썬 리스트보다 대략 50배 이상 빠른 속도를 보여준다.

2. 다차원 배열 지원

넘파이는 1차원 배열뿐만 아니라 2차원, 3차원 이상의 다차원 배열도 손쉽게 다룰 수 있다. 이를 통해 행렬 연산, 텐서 계산 등 복잡한 데이터 구조를 효과적으로 관리할 수 있다. 예를 들어, 이미지 데이터를 처리할 때에도 넘파이를 활용하면 각 픽셀의 색상 정보를 3차원 배열로 저장하고 조작할 수 있다.

import numpy as np

A = np.array([[1, 2, 3],
              [4, 5, 6]])
B = np.array([[7, 8, 9],
              [10, 11, 12]])
C = A + B
print(C)

"""
출력 결과:
[[ 8 10 12]
 [14 16 18]]
"""

3. 다양한 수학 함수 제공

넘파이는 기본적인 산술 연산 외에도 선형 대수, 푸리에 변환, 난수 생성 등 다양한 수학 함수를 제공한다. 이러한 함수들은 데이터 분석과 과학 계산에 필요한 복잡한 작업을 간단하게 수행할 수 있게 도와준다. 예를 들어, 행렬의 역행렬을 구하거나 통계적 분석을 할 때에도 유용하다.

import numpy as np

# 2x2 행렬 생성
matrix = np.array([[4, 7],
                   [2, 6]])

# 역행렬 계산
inverse = np.linalg.inv(matrix)
print(inverse)

"""
출력 결과: 
[[ 0.6 -0.7]
 [-0.2  0.4]]
"""

4. 브로드캐스팅 기능

넘파이의 브로드캐스팅 기능은 서로 다른 크기의 배열 간에도 연산을 가능하게 해 준다. 이를 통해 반복문 없이도 효율적으로 데이터를 처리할 수 있어 코드의 간결성과 실행 속도를 모두 향상시킬 수 있다. 예를 들어, 2차원 배열과 1차원 배열을 더할 때 자동으로 차원이 확장되어 연산이 수행된다.

A = np.array([[1, 2, 3, 4], 
              [5, 6, 7, 8], 
              [9, 10, 11, 12]])
B = np.array([10, 20, 30, 40])

result = A + B
print(result)

"""
출력 결과:
[[11 22 33 44]
 [15 26 37 48]
 [19 30 41 52]]
"""

5. 메모리 효율성

넘파이는 메모리를 효율적으로 사용하여 대규모 데이터를 처리할 때도 시스템 자원을 절약할 수 있다. 파이썬의 기본 리스트는 각 요소가 독립적인 객체로 저장되기 때문에 메모리 사용이 비효율적일 수 있지만, 넘파이는 동일한 데이터 타입의 요소들을 연속된 메모리 블록에 저장하여 메모리 사용을 최적화한다.

궁금하다면 아래 코드를 실행해 보자. 출력 결과를 확인해 보면 넘파이 배열이 파이썬 리스트보다 약 4배 적은 메모리를 사용한다는 것을 확인할 수 있다!

import sys
import numpy as np

# 파이썬 리스트
list_data = list(range(1000000))
print(f"파이썬 리스트의 크기: {sys.getsizeof(list_data)} bytes")

# 넘파이 배열
array_data = np.arange(1000000)
print(f"넘파이 배열의 크기: {array_data.nbytes} bytes")

출력되는 바이트 수는 사용 중인 파이썬 버전과 시스템 아키텍처에 따라 다를 수 있다. 위의 예시는 일반적인 64비트 시스템에서의 예상 값이다. 어쨌든 간에 넘파이 배열의 크기가 파이썬 기본 리스트에 비해 메모리 사용량이 현저히 적다는 것을 확인할 수 있다.

파이썬 리스트 전체 크기: 9000112 bytes
넘파이 배열 전체 크기: 4000000 bytes

6. 풍부한 생태계와 호환성

넘파이는 판다스(Pandas), 맷플롯립(Matplotlib), 사이킷런(Scikit-learn) 등 많은 파이썬 데이터 과학 라이브러리의 기반이 된다. 이들 라이브러리와의 호환성이 뛰어나며, 넘파이 배열을 손쉽게 다른 데이터 구조로 변환하거나 활용할 수 있어 데이터 분석과 머신러닝 작업을 더욱 원활하게 수행할 수 있다.

아래 예시 코드를 보면 넘파이 배열을 판다스 데이터프레임으로 변환할 수 있다.

import numpy as np
import pandas as pd

data = np.array([[1, 2, 3],
                 [4, 5, 6],
                 [7, 8, 9]])
df = pd.DataFrame(data, columns=['A', 'B', 'C'])
print(df)

"""
출력 결과:
   A  B  C
0  1  2  3
1  4  5  6
2  7  8  9
"""