Python

올해 2월에 대학교를 졸업한다.

컴공과 학생으로 졸업하여 AI/ML Engineer로 커리어를 시작하게 됐는데

GPT, Gemini 등의 생성형 ai와 Cursor의 바이브 코딩에 익숙해져 코딩 실력이

"이게 맞아...?"라는 생각이 뇌리에 스쳐 입사하기 전에 30일간 Python 공부를 해보려고

한다.

---

# [문제의 코드] 
data = [1, 2, 3, 4, 5, ..., 1000000] # 아주 큰 리스트
result = []

for i in range(len(data)):
    if data[i] % 2 == 0:
        result.append(data[i] * 2)
    else:
        result.append(data[i] + 1)

위의 코드는 문법적으로 완벽한 코드이다. 하지만 AI/ML 엔지니어 관점에서 이 코드는 '성능'과 '확장성'이라는 큰 숙제를 안고 있다.

이 코드는 3가지 문제가 존재한다.

1. for 루프의 속도 문제
   Python의 for문은 매우 느리다. 데이터가 100만 개라면, 파이썬 인터프리터는 100만 번의 루프를 돌며 매번 객체의 타입을 확인하고 조건문을 검사한다.

2. 메모리 비효율성
   result = []를 만들고 append()를 하는 방식은 리스트의 크기가 커질 때마다 컴퓨터가 메모리 공간을 재할당하게 만든다.

3. 가독성과 유지보수
   range(len(data))를 써서 인덱스로 접근하는 방식은 C언어 스타일이다. Python에서는 데이터 자체를 바로 꺼내거나, 더 간결하게 표현할 수 있는 도구들이 많다.

---

위 코드를 2가지 방식으로 수정해 보겠다.

방법 A(List Comprehesion) -> 가장 대중적인 파이썬 스타일

result = [x * 2 if x % 2 == 0 else x + 1 for x in data]

방법 B(NumPy 사용) -> AI/ML 엔지니어의 필수 스킬

import numpy as np

data_np = np.array(data)
result = np.where(data_np % 2 == 0, data_np * 2, data_np + 1)

---

파이썬의 time 모듈을 사용해서 직접 속도를 비교해 보겠다.

import time
import numpy as np

# 1. 데이터 준비 (100만 개)
data = list(range(1000000))

# [실험 1] 일반 for문 + append 방식의 시간 측정
start = time.time()
result = []

for i in range(len(data)):
    if data[i] % 2 == 0:
        result.append(data[i] * 2)
    else:
        result.append(data[i] + 1)
print(f"일반 for문 소요 시간: {time.time() - start:.4f}초")

# [실험 2] List Comprehension 방식의 시간 측정
start = time.time()
result = [x * 2 if x % 2 == 0 else x + 1 for x in data]
print(f"List Comprehension 소요 시간: {time.time() - start:.4f}초")

# [실험 3] NumPy 방식의 시간 측정
data_np = np.array(data)
start = time.time()
result = np.where(data_np % 2 == 0, data_np * 2, data_np + 1)
print(f"NumPy 소요 시간: {time.time() - start:.4f}초")

---

import time
import numpy as np

def compare_performance(n_samples: int):
    data = list(range(n_samples))
    data_np = np.array(data)

    # [실험 1] 일반 for문 + append 방식의 시간 측정
    start = time.time()
    result = []

    for i in range(len(data)):
        if data[i] % 2 == 0:
            result.append(data[i] * 2)
        else:
            result.append(data[i] + 1)
    print(f"일반 for문 소요 시간: {time.time() - start:.4f}초")

    # [실험 2] List Comprehension 방식의 시간 측정
    start = time.time()
    result = [x * 2 if x % 2 == 0 else x + 1 for x in data]
    print(f"List Comprehension 소요 시간: {time.time() - start:.4f}초")

    # [실험 3] NumPy 방식의 시간 측정
    data_np = np.array(data)
    start = time.time()
    result = np.where(data_np % 2 == 0, data_np * 2, data_np + 1)
    print(f"NumPy 소요 시간: {time.time() - start:.4f}초")

    print(f"--- 데이터 {n_samples}개 테스트 완료 ---")

compare_performance(1000000)
compare_performance(5000000)

데이터가 커질수록 NumPy의 효율이 압도적으로 볼 수 있다.