오늘코드todaycode_넘파이

출처: NotebookLM 「오늘코드todaycode」 라벨 '넘파이' (영상 26개, 중복 제외 26개) · 2026.10.05 생성

01 파이썬 수치 계산 도구의 핵심 🧮 넘파이 공식문서로 시작하기! ⚡️

넘파이(NumPy)는 파이썬에서 다차원 배열(nd-array)과 수치 연산을 빠르고 효율적으로 처리하기 위한 핵심 오픈소스 라이브러리입니다.
판다스(Pandas), 사이파이(SciPy), 머신러닝/딥러닝 프레임워크인 텐서플로(TensorFlow), 파이토치(PyTorch) 등 파이썬 데이터 과학 생태계의 기초 기반을 이룹니다.
관례적으로 import numpy as np 형태로 불러와 별칭 np를 사용하는 것이 세계적인 대다수 공식 문서 및 커뮤니티의 표준 규칙입니다.
리뉴얼된 공식 웹사이트에서는 주피터 라이트(JupyterLite) 기반의 대화형 실행 환경을 내장하여 별도 설치 없이 브라우저에서 직접 실습할 수 있습니다.
np.arange()로 연속된 숫자 배열을 생성하고 dtype 파라미터를 통해 int64 등 명시적 데이터 타입을 지정할 수 있습니다.
reshape()로 차원의 형태를 변경하고, 파이썬 기본 슬라이싱 문법(:) 및 스텝 간격 조정을 배열 색인에 동일하게 적용할 수 있습니다.
배열 전체 또는 axis 축 지정을 통해 축 기준 최댓값(max())을 쉽게 추출할 수 있으며 정규분포 난수 생성기 등 다양한 수치 연산 기능을 제공합니다.

02 파이썬은 느린데 넘파이는 빠르다?!

파이썬은 순수 반복문(for loop)을 중첩할수록 인터프리터 언어 특성상 연산 속도가 급격히 느려지는 단점이 있습니다.
넘파이는 파이썬 인터페이스 아래에 C언어로 미리 컴파일된 고성능 코드가 동작하는 접착제(Glue) 언어 구조를 취하고 있습니다.
명시적인 반복문 없이 배열 전체에 연산을 적용하는 백터화(Vectorization) 기법을 통해 코드가 간결해지고 버그 발생률이 감소합니다.
브로드캐스팅(Broadcasting) 메커니즘을 지원하여 서로 다른 크기나 차원의 배열 및 스칼라 간에도 효율적인 연산을 수행합니다.
파이썬 기본 리스트의 요소별 곱셈 연산과 넘파이 벡터 곱셈의 실행 속도를 %timeit으로 비교 시, 넘파이가 마이크로초에서 나노초 단위로 압도적으로 빠릅니다.
아나콘다(Anaconda) 환경 사용 시 라이브러리 간 호환성과 의존성 충돌을 줄이기 위해 conda 명령어로 넘파이를 설치하는 것을 권장합니다.

0201 넘파이 Numpy 이미지는 왜 3차원일까, 내가 찍은 사진을 넘파이 배열로 만들어 볼까?!

디지털 컬러 이미지는 가산 혼합 방식의 빛의 3원색인 RGB(Red, Green, Blue) 3개 채널로 이루어져 3차원 배열 구조를 갖습니다.
각 픽셀 색상값은 0(검정)부터 255(흰색/최대 밝기) 사이의 수치(8비트)로 표현되어 넘파이 다차원 배열(nd-array)에 저장됩니다.
매트플롯립(Matplotlib)의 imread() 기능을 활용하면 스마트폰 등으로 직접 촬영한 JPG/PNG 사진을 손쉽게 넘파이 배열로 로드할 수 있습니다.
로드된 이미지 배열의 shape 속성을 확인하면 (행 높이, 열 너비, 채널 수) 순서의 3차원 차원 크기를 반환합니다.
이미지 인덱싱을 통해 0번(Red), 1번(Green), 2번(Blue) 각 채널 배열을 따로 추출하거나 특정 픽셀 좌표의 RGB 값을 조회할 수 있습니다.
딥러닝 입력을 위해 이미지 배열을 255로 나누면 원본 정보 손실 없이 0~1 사이 값으로 정규화(Normalization)할 수 있습니다.

0202 넘파이 Numpy 행렬곱으로 이미지를 그레이스케일로 바꾸는 공식이 있다?!

RGB 3개 채널로 구성된 3차원 컬러 이미지는 행렬곱(Matrix Multiplication, @ 연산자)을 통해 2차원 그레이스케일(흑백) 이미지로 전환할 수 있습니다.
인간의 시각적 감도 특성에 맞춘 표준 공식 가중치(R: 0.2989, G: 0.5870, B: 0.1140 등)를 RGB 채널 배열과 행렬곱합니다.
행렬곱 연산을 수행하려면 첫 번째 행렬의 열 개수와 두 번째 행렬의 행 개수가 반드시 일치해야 합니다.
@ 연산자를 활용한 행렬곱은 각 채널별 슬라이싱 후 개별 곱셈과 가산 연산을 수행한 결과와 완전히 동일하게 작동합니다.
3차원 RGB 배열이 행렬곱을 거치면 3개 채널 축이 축소되어 차원이 감축된 2차원 배열 형태의 그레이스케일 이미지가 생성됩니다.
변환된 2차원 배열을 Matplotlib의 imshow()에 cmap='gray' 옵션과 함께 전달하고 plt.show()를 호출해 깔끔하게 출력할 수 있습니다.

0203 넘파이 NumPy 활용 100배! 선형대수 특잇값분해 SVD 이렇게 쉽게 사용할 수 있다고?!

특잇값분해(SVD, Singular Value Decomposition)는 직사각형 행렬을 세 개의 특정한 행렬 곱(\\(U, \Sigma, V^T\\))으로 분해하는 선형대수학 기법입니다.
넘파이의 선형대수 모듈인 np.linalg.svd()를 활용하면 복잡한 수식 구현 없이 단 한 줄의 코드로 SVD를 쉽게 수행할 수 있습니다.
SVD는 데이터 압축, 이미지 노이즈 제거, 차원 축소 및 중요한 특징(Feature) 추출 등 다양한 분야에서 널리 활용됩니다.
SVD로 분해된 대각행렬(\\(\Sigma\\))의 값들은 특잇값의 크기순으로 정렬되어 있으며, 뒤로 갈수록 영향력이 급격히 감소합니다.
전체 특잇값 중 상위 K개의 핵심 특잇값만 선택해 복원하면 원본 이미지의 주요 특징을 유지하면서 파일 용량과 차원을 대폭 축소할 수 있습니다.
복원 과정에서 부동소수점 오차로 0~1 범위를 벗어나는 수치는 np.clip(..., 0, 1)을 사용해 안전하게 정제합니다.

03 넘파이 초보자를 위한 절대적인 기본 - list 와 np.array 의 차이

파이썬 기본 리스트(list)는 서로 다른 다양한 데이터 타입을 혼합하여 저장할 수 있는 가변 컨테이너입니다.
넘파이 배열(np.array)은 동일한 데이터 타입(Homogeneous)의 요소만 저장할 수 있어 메모리를 훨씬 적게 점유하고 연산이 효율적입니다.
서로 다른 타입이 섞인 리스트를 넘파이 배열로 변환하면 모든 요소가 가장 포괄적인 타입(예: 문자열)으로 자동 형변환됩니다.
np.newaxis를 인덱싱에 사용하면 기존 1차원 벡터 배열에 새로운 축을 삽입하여 2차원 행렬 형태로 차원을 확장할 수 있습니다.
넘파이 배열의 인덱싱은 파이썬과 마찬가지로 0부터 시작하며, 2차원 배열에서는 대괄호 내에 쉼표로 행과 열 위치를 지정합니다.
넘파이는 주피터 노트북 환경에서 괄호 안 Shift + Tab을 눌러 함수 도움말(Docstring)을 바로 확인할 수 있어 학습에 용이합니다.

0301 넘파이 NumPy 딥러닝 손글씨 이미지 MNIST 데이터셋 로드와 정답 원핫인코딩으로 바꾸기

MNIST 손글씨 데이터셋은 0부터 9까지의 숫자로 이루어진 28x28 픽셀의 대표적인 딥러닝 기초 학습용 이미지 데이터입니다.
웹 URL을 통해 파이썬 requests 및 gzip 모듈로 바이너리 형태의 MNIST 데이터셋을 다운로드하고 넘파이 배열로 변환합니다.
28x28 크기의 2차원 이미지는 784개의 1차원 평탄화(Flat) 벡터 형태로 저장되어 모델 학습 입력값으로 다루어집니다.
이미지 픽셀의 0~255 수치 데이터를 255로 나누어 0.0~1.0 범주의 실수(float) 타입으로 정규화(Normalization) 전처리를 진행합니다.
0~9 정수 레이블(Label)을 10개 클래스 중 해당하는 정답 위치만 1이고 나머지는 0인 원-핫 인코딩(One-Hot Encoding) 배열로 변환합니다.
빠른 실습과 경량 학습을 위해 전체 60,000개 트레이닝 데이터 중 일부 샘플(예: 1,000개)만 서브셋으로 슬라이싱하여 활용합니다.

0302 넘파이 NumPy MNIST 손글씨 이미지 딥러닝 학습

넘파이 행렬 연산만으로 입력층-은닉층-출력층으로 구성된 기본 순전파(Forward Propagation) 딥러닝 신경망을 밑바닥부터 구현합니다.
np.random.default_rng()를 통해 가중치(Weight) 초기값을 설정하고 난수 생성 시드(Seed)를 고정하여 결과 재현성을 확보합니다.
음수 값을 0으로 바꾸는 렐루(ReLU) 활성화 함수를 정의하여 입력 데이터의 비선형 특징 추출을 수행합니다.
오버피팅(Overfitting)을 방지하고 모델 일반화 성능을 높이기 위해 노드 일부를 랜덤하게 비활성화하는 드롭아웃(Dropout) 마스크를 적용합니다.
행렬곱 연산(@ 또는 np.dot)으로 각 레이어의 가중합을 계산하고, 실제 정답 원-핫 레이블과의 오차(Loss)를 계산합니다.
역전파(Backpropagation) 과정에서 가중치 기울기(Gradient)를 구하고 학습률(Learning Rate)을 적용하여 가중치를 반복 갱신합니다.

0303 넘파이 NumPy MNIST 손글씨 예측과 정확도 측정

학습이 완료된 가중치 행렬을 테스트 데이터셋에 적용하여 10개 숫자 클래스별 예측 확률값을 도출합니다.
np.argmax(..., axis=1)를 사용하면 10개 확률값 중 가장 높은 값을 가진 인덱스를 선택하여 최종 예측 숫자를 판단합니다.
예측된 숫자 배열과 실제 정답 레이블 배열을 불리언 비교하여 맞춘 개수의 합과 정확도(Accuracy, %)를 계산합니다.
에포크(Epoch) 학습 회수가 반복됨에 따라 손실값(Loss)은 점차 감소하고 정확도(Accuracy)는 꾸준히 상승하는 학습 곡선을 확인합니다.
에포크를 20회에서 100회로 늘려 반복 학습을 수행하면 테스트 데이터셋에서의 예측 정확도가 대폭 향상됩니다.
Matplotlib으로 에포크별 손실 및 정확도 변화 추이를 선그래프로 시각화하여 학습 성능을 직관적으로 검증합니다.

04 넘파이 배열을 만드는 여러 방법 np.array, np.zeros, np.ones, np.empty, np.linspace

np.array()는 파이썬 리스트나 튜플을 받아 넘파이 다차원 배열로 직접 변환해 주는 기본 생성 함수입니다.
np.zeros()는 지정한 쉐이프 크기만큼 모든 요소를 0으로 채운 배열을 생성하며 초기화 작업에 유용합니다.
np.ones()는 지정한 쉐이프 크기만큼 모든 요소를 1로 채운 배열을 빠르게 만듭니다.
np.empty()는 메모리를 따로 초기화하지 않고 빠르게 공간만 할당하므로 기존 메모리의 무작위 값이 들어갈 수 있습니다.
np.arange(start, stop, step)는 지정한 범위 내에서 일정한 간격(step)으로 숫자를 생성합니다.
np.linspace(start, stop, num)는 지정한 구간을 균일한 개수(num)로 정확히 나눈 선형 간격 배열을 생성합니다.
생성 함수 호출 시 dtype=np.int32와 같이 원하는 데이터 타입을 명시적으로 지정하여 메모리를 관리할 수 있습니다.

05 넘파이 배열을 만드는 방법2 - 넘파이 배열 생성 정리와 속도 측정

배열 생성 함수별 메커니즘 차이와 %timeit 매직 커맨드를 이용한 배열 생성 성능 비교를 다룹니다.
np.zeros()와 np.ones()는 메모리 할당 후 각각 0과 1로 값을 초기화하는 과정을 거칩니다.
np.empty()는 초기화 과정을 생략하고 메모리 블록만 할당하므로 속도가 매우 빠르나 쓰레기값이 포함될 수 있습니다.
np.linspace()는 정밀한 균등 분할 계산 연산이 수반되므로 일반 생성 함수보다 연산시간이 더 소요됩니다.
소규모 배열에서는 생성 속도 차이가 미미하나, 수천만 건 이상의 대용량 배열을 다룰 때 적절한 생성 함수 선택이 중요합니다.
기존 파이썬 데이터 구조를 넘파이 배열로 변환할 때는 np.array()를 사용하고, 빈 구조가 필요할 때는 목적에 따라 zeros나 empty를 선택합니다.

06 넘파이 정렬과 병합

np.sort()는 배열 요소를 오름차순으로 정렬한 새로운 배열을 반환하며, 내장 정렬 알고리즘(기본 퀵소트)을 사용할 수 있습니다.
np.argsort()는 정렬된 요소의 실제 데이터값 대신 정렬 전의 기존 인덱스(Index) 번호를 반환하여 분류 모델 결과 정렬에 자주 쓰입니다.
넘파이는 내장 내림차순 정렬 옵션이 없으므로, 슬라이싱 스텝을 역순([::-1])으로 지정하여 내림차순 정렬을 구현합니다.
2차원 이상 배열 정렬 시 axis=-1(기본값, 마지막 축/열 기준) 또는 axis=0(행 기준)을 지정해 특정 축 방향으로 정렬합니다.
np.concatenate()는 두 개 이상의 배열을 지정한 축(axis) 방향으로 이어서 하나의 배열로 합쳐줍니다.
np.lexsort()를 사용하면 여러 개의 키(컬럼)를 기준 우선순위로 하여 복합 정렬을 수행할 수 있습니다.

07 ndim, size, shape, reshape 로 배열의 크기 구하기

ndim 속성은 배열의 차원 수(1차원, 2차원, 3차원 등)를 정수로 반환합니다.
size 속성은 차원과 상관없이 배열 내에 존재하는 전체 요소(Element)의 총개수를 반환합니다.
shape 속성은 배열의 각 차원별 크기를 나타내는 튜플 형태(예: (행, 열))로 반환합니다.
reshape() 메소드를 사용하면 원본 요소의 개수를 유지한 채 배열의 차원 형태를 자유롭게 변경할 수 있습니다.
reshape() 시 변경 전 전체 size와 변경 후 요소 개수의 곱이 정확히 일치해야 오류가 발생하지 않습니다.
reshape() 시 한 개 차원에 -1을 입력하면 넘파이가 전체 크기에 맞춰 해당 차원의 크기를 자동으로 계산해 줍니다.

08 넘파이 배열 축 추가하기 np.newaxis, np.expand_dims()

1차원 벡터 배열을 2차원 행렬 구조(행 벡터 또는 열 벡터)로 확장할 때 축 추가 기법을 사용합니다.
슬라이싱 위치에 np.newaxis를 삽입하면 차원이 1 증가하여 새로운 축이 생성됩니다.
a[np.newaxis, :] 형태로 작성하면 (1, N) 크기의 행 벡터(Row Vector)가 생성됩니다.
a[:, np.newaxis] 형태로 작성하면 (N, 1) 크기의 열 벡터(Column Vector)가 생성됩니다.
np.expand_dims(a, axis=...) 함수를 사용하면 원하는 축 위치(axis=0 또는 axis=1)에 명시적으로 차원을 확장할 수 있습니다.
차원 확장은 행렬곱이나 브로드캐스팅 연산 수행 시 서로 다른 차원 크기를 맞추기 위한 필수 전처리 기법입니다.

09 넘파이 Numpy 인덱싱과 슬라이싱 조건 검색

넘파이 배열은 파이썬과 동일하게 0부터 시작하는 인덱싱 및 범위를 추출하는 슬라이싱(start:stop:step)을 지원합니다.
2차원 배열 슬라이싱 시 a[행_범위, 열_범위] 형태로 쉼표를 사용해 각 축의 범위를 동시에 지정할 수 있습니다.
배열에 비교 연산자(a > 5, a % 2 == 0)를 적용하면 각 요소별 참/거짓으로 구성된 불리언(Boolean) 배열이 생성됩니다.
불리언 배열을 색인 기호 내에 넣는 불리언 인덱싱(a[a > 5])을 통해 조건에 맞는 특정 요소만 추출할 수 있습니다.
복수 조건을 조합할 때는 파이썬의 and, or 대신 비트 연산자 &(AND), |(OR)를 사용하고 각 조건을 괄호로 묶어야 합니다.
np.nonzero()나 np.where()를 사용하면 조건식을 만족하는 요소들의 차원별 인덱스 위치 튜플을 검색할 수 있습니다.

10 넘파이 NumPy vstack hstack hsplit 데이터 병합, 얕은 복사와 깊은 복사

np.vstack()은 배열을 수직(행) 방향으로 쌓아 올리고, np.hstack()은 수평(열) 방향으로 연결해 결합합니다.
np.hsplit()을 사용하면 하나의 2차원 배열을 수평(열) 방향 기준으로 여러 개의 서브 배열로 분할할 수 있습니다.
슬라이싱이나 view()로 생성된 배열은 원본 데이터를 공유하는 얕은 복사(View) 상태이므로 값을 수정하면 원본도 함께 변경됩니다.
얕은 복사는 메모리를 절약하고 속도가 빠르지만, 의도치 않은 원본 데이터 오염 위험이 존재합니다.
원본과 완전히 독립된 메모리 공간을 갖는 완전한 배열을 생성하려면 copy() 메소드로 깊은 복사(Deep Copy)를 수행해야 합니다.
머신러닝/딥러닝 데이터 처리 시 파이프라인 안전성을 위해 가공 배열은 copy()를 사용하여 독립적으로 관리하는 것이 좋습니다.

11 넘파이 NumPy 배열의 산술연산

넘파이 배열 간 사칙연산(+, -, *, /)은 동일한 위치의 요소끼리 연산되는 요소별(Element-wise) 방식으로 작동합니다.
배열에 스칼라 값을 연산하면 브로드캐스팅이 적용되어 모든 요소에 해당 스칼라 연산이 각각 반영됩니다.
배열 요소 전체의 합을 구하려면 np.sum(a) 또는 a.sum() 메소드를 호출합니다.
2차원 이상 배열에서 axis=0을 지정하면 행 방향(열별 합계)으로, axis=1을 지정하면 열 방향(행별 합계)으로 축 축소 집계를 수행합니다.
배열 간 곱셈(a * b)은 요소별 곱셈이며, 선형대수학의 행렬곱을 수행하려면 @ 연산자나 np.dot(a, b)를 사용해야 합니다.
배열 사칙연산 결과는 데이터 타입이 자동으로 유지되거나 더 큰 범위의 타입으로 상향 형변환(Upcasting)됩니다.

12 넘파이 NumPy 브로드캐스팅

브로드캐스팅(Broadcasting)은 서로 다른 쉐이프를 가진 배열 간 사칙연산을 수행할 수 있도록 넘파이가 차원을 자동으로 확장해 주는 기능입니다.
배열과 스칼라 연산 시 스칼라 값이 배열과 동일한 크기로 자동 확장되어 요소별 연산이 가공됩니다.
브로드캐스팅이 성립하려면 각 차원의 크기가 동일하거나, 두 차원 중 하나가 반드시 1이어야 합니다.
뒤에서부터 차원 크기를 비교하여 호환되지 않는 쉐이프 간 연산 시 ValueError 브로드캐스팅 오류가 발생합니다.
1차원 배열과 2차원 배열 연산 시 1차원 배열의 크기가 2차원 배열의 마지막 차원(열) 크기와 일치해야 브로드캐스팅이 가능합니다.
필요에 따라 np.newaxis로 명시적 차원을 확장해 주면 호환되지 않던 배열 간 브로드캐스팅 연산을 가능하게 만들 수 있습니다.

13 넘파이 NumPy 1D 2D 집계함수 - np.max, min, std, mean, prod 사용하기

넘파이는 배열의 다양한 통계량을 계산하는 수치 집계 함수(max, min, mean, std, prod 등)를 제공합니다.
np.max()와 np.min()은 배열 내 최댓값과 최솟값을 찾고, np.mean()은 전체 요소의 산술평균을 구합니다.
np.std()는 표준편차, np.var()는 분산, np.prod()는 배열 내 모든 요소의 누적 곱을 계산합니다.
집계 함수 호출 시 axis 파라미터를 생략하면 전체 요소를 단일 스칼라값으로 집계합니다.
2차원 배열에서 axis=0을 지정하면 각 열 기준 집계 결과를, axis=1을 지정하면 각 행 기준 집계 결과를 반환합니다.
슬라이싱 및 인덱싱과 집계 함수를 결합하여 행렬의 특정 영역에 대한 부분 집계 통계량을 유연하게 산출할 수 있습니다.

14 넘파이 NumPy 랜덤 이렇게 사용하면 훨씬 빠르다?!

넘파이 최신 버전에서는 기존 np.random.rand() 방식 대신 np.random.default_rng() 기반의 난수 생성기 사용을 강력히 권장합니다.
default_rng()는 비트 생성기(PCG64) 알고리즘을 사용하여 기존 레거시 난수 생성 함수보다 연산 속도가 대폭 향상되었습니다.
rng = np.random.default_rng(seed=42) 형태로 시드값을 고정하면 난수 발생 결과를 완벽하게 재현할 수 있습니다.
rng.random(size)은 0.0 이상 1.0 미만의 균등 분포 난수 배열을 생성합니다.
rng.integers(low, high, size)는 지정한 범위 내의 무작위 정수 배열을 생성합니다.
rng.standard_normal(size)은 평균 0, 표준편차 1인 표준정규분포 난수 배열을 신속하게 생성해 줍니다.

15 넘파이 unique 유일값으로 중복된 값은 거르고 보자!

np.unique() 함수는 배열 내의 중복 요소를 제거하고 오름차순으로 정렬된 유일한 값(Unique Value) 배열을 반환합니다.
return_index=True 옵션을 지정하면 유일한 값이 원본 배열에서 처음 등장한 인덱스 위치 배열을 함께 반환합니다.
return_counts=True 옵션을 부여하면 각 유일한 값이 원본 배열에서 몇 번 등장했는지 출현 빈도수(Count) 배열을 함께 얻을 수 있습니다.
return_inverse=True 옵션을 설정하면 유일값 배열을 이용해 원본 배열을 재구성할 수 있는 정수 인덱스 배열을 반환합니다.
2차원 배열에 axis=0 또는 axis=1을 지정하면 개별 요소가 아닌 행 단위 또는 열 단위의 중복 행/열을 제거할 수 있습니다.
데이터 전처리 및 탐색적 데이터 분석(EDA) 시 중복값 검증 및 범주형 데이터 빈도 집계에 매우 유용하게 활용됩니다.

16 numpy 넘파이 전치행렬과 뒤집기 역순정렬 reshape transpose flip

transpose() 메소드 또는 .T 속성을 사용하면 2차원 행렬의 행과 열 위치를 바꾸는 전치행렬(Transpose)을 생성합니다.
다차원 배열에서 transpose(1, 0, 2)와 같이 축 순서를 명시하여 원하는 차원 축 배치로 자유롭게 재배열할 수 있습니다.
np.flip() 함수는 배열 요소들의 순서를 축 기준 전체 역순으로 뒤집어 반환합니다.
np.flip(a, axis=0)은 행 순서를 위아래로 상하 반전시키고, np.flip(a, axis=1)은 열 순서를 좌우 반전시킵니다.
슬라이싱의 역순 스텝(a[::-1])을 사용하여 배열 요소를 간편하게 뒤집는 방법도 동일하게 작동합니다.
이미 정렬된 배열에 np.flip() 또는 역순 슬라이싱을 적용하여 오름차순 결과를 내림차순 배열로 손쉽게 전환할 수 있습니다.

17 넘파이 NumPy 1D array flatten ravel 같은 기능을 하지만 무엇이 다를까?

flatten()과 ravel()은 모두 다차원 배열을 1차원 평탄화(Flat) 배열로 펼쳐주는 고주파 활용 메소드입니다.
flatten()은 항시 새로운 독립 메모리 공간을 할당하여 1차원 배열 복사본(Copy)을 생성하고 반환합니다.
ravel()은 가능한 한 원본 배열의 메모리를 참조하는 뷰(View)를 반환하므로 메모리 효율성과 속도가 훨씬 뛰어납니다.
ravel()로 반환된 배열의 요소 값을 수정하면 원본 다차원 배열의 값도 함께 변경되므로 사용 시 주의가 필요합니다.
딥러닝 완전연결층(Fully-Connected Layer) 입력 전 이미지 배열 평탄화 작업 시 두 함수가 핵심적으로 활용됩니다.
원본과의 완전한 격리가 필요할 때는 flatten()을 사용하고, 대용량 연산 성능과 메모리 절약이 우선일 때는 ravel()을 선택합니다.

18 넘파이 꿀팁 공식문서 보는 단축키는 뭐다?! Numpy help docstring

파이썬 내장 help(함수명) 함수를 사용하면 해당 넘파이 함수나 객체의 공식 독스트링(Docstring) 도움말을 터미널에 출력할 수 있습니다.
아이파이썬(IPython) 및 주피터 노트북 환경에서는 함수명 뒤에 물음표 하나(np.abs?)를 붙여 요약 도움말 창을 빠르게 띄울 수 있습니다.
함수명 뒤에 물음표 두 개(np.abs??)를 붙이면 해당 함수의 파이썬 파이프라인 구현 소스코드까지 직접 열람할 수 있습니다.
주피터 노트북의 셀 내부 괄호 안에서 Shift + Tab 단축키를 누르면 파라미터 설명과 사용 예시가 담긴 툴팁 팝업이 표시됩니다.
Shift + Tab을 2회 또는 4회 누르면 도움말 팝업 크기가 확대되거나 하단 고정 창으로 분리되어 긴 문서를 편하게 열람할 수 있습니다.
직접 생성한 사용자 정의 함수(def) 상단에 따옴표 세 개("""...""")로 주석을 달면 동일한 물음표 및 단축키 도움말 조회가 가능합니다.

19 넘파이 NumPy 회귀의 오차 측정 공식 MSE RMSE MAE MAPE

머신러닝 회귀(Regression) 모델의 예측값과 실제값 간 손실 오차를 평가하기 위한 다양한 오차 측정 지표 수식을 넘파이로 구현합니다.
평균제곱오차(MSE)는 np.mean((y_pred - y_true) ** 2)로 구현하며, 오차를 제곱하므로 큰 오차에 과도한 패널티를 부여합니다.
루트평균제곱오차(RMSE)는 MSE에 np.sqrt()를 씌워 실제 데이터 단위와 동일한 스케일로 변환한 대표 오차 지표입니다.
평균절댓값오차(MAE)는 np.mean(np.abs(y_pred - y_true))로 계산하며 이상치(Outlier) 영향을 덜 받는 직관적 지표입니다.
평균절댓값단위오차(MAPE)는 실제값 대비 오차 비율의 절댓값 평균으로 백분율(%) 스케일 손실 지표를 표현합니다.
회귀 오차 측정 지표들은 0에 가까울수록 예측 정밀도가 뛰어남을 의미하며, 넘파이 벡터 연산을 통해 대용량 데이터셋에서도 빠르게 산출됩니다.

20 넘파이 Numpy 파일저장은 같은 데이터 타입만 되는데 다른 타입 일때는?

넘파이 배열 단일 오브젝트를 바이너리 파일로 저장할 때는 np.save('file.npy', arr)를 사용하고, 읽어올 때는 np.load('file.npy')를 사용합니다.
여러 개의 넘파이 배열을 압축하여 하나의 파일로 저장할 때는 np.savez('file.npz', a=arr1, b=arr2) 방식을 활용합니다.
텍스트/CSV 포맷으로 수치형 배열을 저장할 때는 np.savetxt('file.csv', arr, delimiter=',') 및 np.loadtxt()를 다룹니다.
np.savetxt()는 균일한 단일 수치 데이터 타입만 지원하며, 문자열과 수치가 혼합된 데이터를 저장하려고 하면 에러가 발생합니다.
수치, 문자열, 날짜 등 다양한 데이터 타입이 섞여 있는 이종(Heterogeneous) 표 형태 데이터 저장에는 판다스(Pandas) 데이터프레임을 활용하는 것이 권장됩니다.
판다스의 to_csv() 및 read_csv()를 결합하면 이종 타입 데이터셋도 오염 없이 안전하고 손쉽게 저장하고 불러올 수 있습니다.

라벨 종합 정리

이 영상 모음은 파이썬 수치 연산과 데이터 과학 생태계의 뿌리가 되는 **넘파이(NumPy)**의 핵심 원리와 실무 활용법을 체계적으로 다룹니다. C언어 기반의 연속 메모리 구조와 벡터화·브로드캐스팅 메커니즘을 통해 파이썬 반복문의 한계를 극복하고 대용량 수치·배열 연산을 수 나노초 단위로 고속 처리할 수 있습니다. 1D~ND 차원 관리(인덱싱, 슬라이싱, reshape, axis 축 집계, SVD를 활용한 이미지 차원 축소), 딥러닝(MNIST 학습, ReLU, 회귀 오차 산출) 구현 등 기초부터 고급 테크닉까지 완성도 높게 다룹니다.