F1 레이스에서 이런 상황을 상상해보자. 피트월에서는 32개 센서의 데이터가 실시간으로 쏟아진다. 타이어 온도, 브레이크 열, 연료 잔량, 서스펜션 압력. 엔지니어는 이 숫자들을 하나씩 확인하는 게 아니라, 특정 조건을 걸어 한 번에 걸러내고, 이상치를 즉시 제거하고, 센서별 평균을 1초 안에 뽑아낸다. 그 연산의 핵심 도구가 numpy다.
numpy 배열 연산은 단순한 계산 도구가 아니다. 조건으로 데이터를 거르고(boolean indexing), 차원이 달라도 연산을 맞추고(브로드캐스팅), 최솟값의 위치를 찾아 연관 데이터를 뽑아내고(argmin), 행·열 단위로 집계하는(axis) 구조 전체가 하나의 언어다. 요즘은 이 코드를 AI에게 맡기는 경우가 많다. 하지만 개념을 모르면 AI에게 정확하게 요청할 수 없고, 결과가 맞는지도 판단할 수 없다. 이 글은 numpy 배열 연산의 5가지 핵심 개념을 “AI에게 제대로 요청하기 위한 언어”로 정리한다.
numpy 배열 연산이란 — 같은 위치끼리 계산한다
numpy 배열 연산의 기본 원리는 단순하다. 사이즈가 같은 배열은 동일 위치끼리 매칭해서 계산한다. 인덱스 0은 0끼리, 1은 1끼리. 반복문 없이 배열 전체가 한 번에 처리된다.
a = np.array([10, 20, 30])
b = np.array([1, 2, 3])
a + b # → [11, 22, 33]
스칼라 값도 연산할 수 있다. a + 5를 쓰면 배열의 모든 원소에 5가 더해진다. 내부적으로는 브로드캐스팅 원리가 작동하는데, 이 내용은 아래에서 자세히 다룬다.
AI 프롬프트 예시
"온도 센서 배열 temp와 기준값 배열 baseline이 있어. 두 배열의 차이(temp - baseline)를 numpy로 계산하는 코드 작성해줘. 배열 shape은 둘 다 (100,)이야."
boolean indexing — 조건으로 데이터를 거른다
numpy 배열 연산에서 조건에 맞는 데이터만 필터링할 때 쓰는 것이 boolean indexing이다. 조건식을 배열에 적용하면 True/False 배열이 만들어지고, 이 배열을 인덱스로 써서 조건에 맞는 값만 꺼낸다.
temp = np.array([85, 92, 78, 105, 88, 113])
temp[temp >= 100] # → [105, 113]
AI에게 요청할 때 핵심은 조건 기준을 명확하게 전달하는 것이다. “이상치를 제거해줘”보다 “100 이상인 값을 추출해줘” 또는 “50 미만인 값을 0으로 대체해줘”처럼 기준값과 처리 방식을 함께 명시해야 원하는 결과가 나온다.
boolean indexing이 자주 쓰이는 상황은 이상치 탐지와 조건부 데이터 추출이다. “특정 기준을 넘는 값만 골라내라”, “정상 범위 밖의 데이터를 제거하라” 같은 요구가 현장에서 자주 나온다.
AI 프롬프트 예시
"numpy 배열 sensor_data에서 값이 100 이상인 원소만 추출하는 코드 작성해줘. boolean indexing 방식으로."
np.where란 무엇인가 — 벡터화가 3항식보다 빠른 이유
boolean indexing이 “조건에 맞는 값을 꺼내는” 도구라면, np.where는 “조건에 따라 값을 다르게 배정하는” 도구다. 조건이 True면 A를, False면 B를 넣는 구조다.
np.where를 이해하려면 벡터화 개념이 먼저다. Python의 3항식은 원소를 하나씩, 순서대로 판단한다. 도장을 한 명씩 수작업으로 찍는 것과 같다. np.where는 배열 전체를 C 언어 레벨에서 병렬로 처리한다. 도장판으로 한 번에 찍는 것이다. Python 반복문을 쓰지 않으니 속도가 빠르고 코드도 간결하다. 이것이 벡터화다.
실무에서는 이상치 클리핑에 자주 쓴다. “기준값을 넘으면 상한값으로 대체하고, 아니면 원래 값 유지”처럼 조건에 따라 배열 값을 일괄 치환하는 상황이 대표적이다.
AI에게 요청할 때는 조건, 조건이 참일 때의 값, 조건이 거짓일 때의 값 이 세 가지를 명시하면 된다.
AI 프롬프트 예시
"numpy 배열 temp에서 값이 120 이상이면 120으로, 아니면 원래 값을 유지하는 코드를 np.where로 작성해줘."
브로드캐스팅 — 차원이 달라도 연산되는 원리
numpy 배열 연산에서 shape이 다른 배열끼리 계산할 때 자동으로 맞춰주는 것이 브로드캐스팅이다. 작은 배열을 메모리에 실제로 복사하지 않고, 계산만 늘어난 것처럼 처리한다. 그래서 메모리 효율이 좋다.
a = np.array([[10, 20, 30],
[40, 50, 60]]) # shape (2, 3)
b = np.array([1, 2, 3]) # shape (3,)
a + b # b가 (2, 3)처럼 처리됨
브로드캐스팅이 가능한 조건은 하나다. 두 배열의 차원을 뒤에서부터 비교했을 때, 같거나 한쪽이 1이면 된다. 스칼라 연산(a + 10)도 같은 원리다.
AI에게 요청할 때 브로드캐스팅 에러가 자주 난다면, 두 배열의 shape을 함께 알려주는 것이 핵심이다. AI도 shape을 모르면 올바른 코드를 만들기 어렵다.
AI 프롬프트 예시
"shape (5, 3)인 배열 matrix와 shape (3,)인 배열 offset이 있어. matrix의 각 행에서 offset을 빼는 브로드캐스팅 연산 코드 작성해줘."
argmin / argmax — 최솟값이 아닌 위치를 찾는다
argmin과 argmax는 최솟값·최댓값 자체가 아니라, 그 값이 있는 인덱스(위치)를 반환한다. 단순히 min()으로 값을 꺼내는 것과 결정적으로 다른 점이다.
인덱스를 알면 같은 위치의 다른 배열 값을 꺼낼 수 있다. “진동이 최대인 시점의 온도”처럼, 하나의 파라미터 기준으로 연관 데이터를 추적하는 패턴이 현장에서 자주 나온다.
AI에게 요청할 때는 어떤 배열에서 최대/최솟값 위치를 찾고, 그 위치를 어느 배열에 적용할 것인지 두 가지를 함께 설명하면 된다.
AI 프롬프트 예시
"numpy 배열 vibration에서 최댓값의 인덱스를 argmax로 찾고, 같은 인덱스를 배열 temperature에 적용해서 그 시점의 온도를 출력하는 코드 작성해줘."
axis란 무엇인가 — sum(axis=0)이 헷갈리는 이유
numpy 배열 연산의 집계 함수(sum, mean, max 등)는 axis 인자로 계산 방향을 지정한다.
| axis | 방향 | 결과 | 의미 |
|---|---|---|---|
| axis=0 | 행을 접어서 없앰 | 열 개수만큼 나옴 | 열별 집계 |
| axis=1 | 열을 접어서 없앰 | 행 개수만큼 나옴 | 행별 집계 |
| 생략 | 전체 | 스칼라 1개 | 전체 합산 |
실무에서의 판단 기준은 이렇다. “센서 10개 × 시간 100개” 데이터에서 센서별 평균을 원하면 axis=1, 시간대별 전체 합을 원하면 axis=0이다. 먼저 “무엇 기준으로 집계할 것인가”를 정하고, 그 기준이 사라지는 방향의 axis를 고르면 된다.
AI에게 요청할 때는 배열의 shape과 원하는 결과의 shape을 함께 알려주는 것이 가장 정확하다.
AI 프롬프트 예시
"shape (10, 100)인 numpy 배열 sensor_data가 있어. 행이 센서, 열이 시간이야. 센서별 평균값을 구하는 코드 작성해줘. 결과 shape은 (10,)이 돼야 해."
핵심 요약
numpy 배열 연산의 5가지 개념과 AI 요청 시 핵심 포인트를 정리한다.
| 개념 | 핵심 원리 | AI 요청 시 핵심 |
|---|---|---|
| 배열 연산 기본 | 같은 shape이면 동일 위치끼리 계산 | 두 배열의 shape 명시 |
| boolean indexing | 조건식으로 True/False 배열 생성 후 필터링 | 조건 기준값 + 처리 방식 명시 |
| np.where | 조건 True → A, False → B 일괄 배정 | 조건 + 참일 때 값 + 거짓일 때 값 명시 |
| 브로드캐스팅 | shape 규칙에 맞으면 작은 배열을 자동 확장 | 두 배열의 shape 함께 전달 |
| argmin / argmax | 최솟값·최댓값의 인덱스 반환 | 기준 배열 + 적용할 대상 배열 함께 설명 |
| axis | 집계 방향 지정 — 0은 행, 1은 열을 접는다 | 배열 shape + 원하는 결과 shape 명시 |
numpy 배열 연산을 직접 외울 필요는 없다. 하지만 각 개념이 “어떤 판단을 하는 도구인가”를 알아야 AI에게 정확하게 요청할 수 있고, 결과가 맞는지 검증할 수 있다. 개념이 먼저다.
[링크 제안]
numpy 배열 연산으로 데이터를 다루기 시작했다면, 다음은 데이터 구조를 분석 목적에 맞게 바꾸는 방법이다.
numpy 배열 연산 전체 레퍼런스는 NumPy 공식 문서에서 확인할 수 있다. NumPy 공식 문서 — Array manipulation routines
