입력된 데이터들이 메모리 공간에서 연속적으로 저장되어있는 자료구조입니다. 이는 데이터를 효율적으로 관리하고 접근하기 위한 방법을 제공합니다.

특징

1) 고정 크기

Array는 메모리 관리를 위해 생성될 때 그 크기가 결정되고, 변경할 수 없습니다. 크기를 변결해야 할 경우엔, 크기가 동적으로 변할 수 있는 List, Linked List와 같은 다른 데이터 구조를 고려할 수 있습니다.

2) 동일한 데이터 타입

Array 에 저장된 모든 요소는 동일한 타입을 가져야 합니다. 이는 타입 안정성을 보장하고 메모리 사용을 최적화합니다.

3) Index 접근

Array의 요소는 Index를 통해 접근하여 데이터를 빠르게 검색 및 수정이 가능하도록 합니다.

💡 Index?
Index는 array 내에서 각 요소의 위치를 나타내는 숫자로, 데이터 접근의 효율성을 극대화합니다.
Index는 0부터 시작하며, 사진 속 0번 Index는 ‘A’를, 1번 Index는 ‘B’를 의미합니다. (일부 환경에서 Index가 0번부터 시작할 수 있습니다)

4) 순차적 메모리 할당

Array의 요소들은 위의 사진처럼 메모리 상에서 연속적으로 위치합니다. 따라서 데이터를 순차적으로 처리할 때 높은 성능을 제공합니다.

5) 다차원 Array

Array는 다차원으로도 생성이 가능합니다. 2차원 Array 는 행렬을, 3차원 Array는 3D 공간 속 점들을 나타내는데 사용할 수 있습니다.

6) 데이터 구조 기반

Array는 다른 복잡한 데이터 구조들의 기반이 됩니다. 예를 들어, 스택, 큐, 힙, 해시 테이블 등 많은 추상적 데이터 타입과 알고리즘은 내부적으로 배열을 사용하여 구현됩니다.

Python array의 시간 복잡도

💡 시간복잡도
알고리즘을 실행할 때 필요한 시간이 입력의 크기에 따라 어떻게 변하는지를 나타내는 척도입니다.
시간 복잡도를 표현할 때는 "빅 오 표기법(Big O notation)"을 사용합니다.
시간 복잡도를 통해 코드가 얼마나 효율적으로 작동할지 예측할 수 있으며, 다양한 입력 크기에 대한 알고리즘의 성능을 비교하고 최적의 선택을 할 수 있습니다.

💡 O(1) - 상수 시간(Constant Time)
입력 데이터의 크기와 상관없이, 알고리즘이 수행되는 시간이 항상 일정함을 의미합니다. 쉽게 말해 입력 데이터의 크기가 증가해도 알고리즘을 실행하는 데 필요한 시간은 변하지 않는다는 것입니다.

💡 O(n) - 선형 시간(Linear Time)
알고리즘을 완료하는 데 걸리는 시간이 입력 데이터의 크기에 비례하여 증가함을 의미합니다. 여기서 n은 입력 데이터의 요소 수를 나타냅니다. 즉, 입력 데이터의 크기가 두 배가 되면, 알고리즘의 실행 시간도 대략 두 배로 증가합니다.

1) Access : 접근

• 시간복잡도 : O(1)
• Array에서 특정 인덱스의 요소에 접근하는 연산은 O(1)을 가집니다. 이는 인덱스를 알고 있다면, 그 요소를 바로 읽어올 수 있음을 의미합니다.

import array

arr = array.array('i', [1,2,3,4,5])
# 특정 인덱스의 요소에 접근
print(arr[1]) # 출력 : 2

2) Insertion : 삽입

• 시간 복잡도: O(n)
• 특정 위치에 요소를 삽입하는 경우, 해당 위치 이후의 모든 요소를 한 칸씩 뒤로 이동해야 하므로, 최악의 경우 전체 배열의 크기에 비례하는 시간이 걸립니다.

import array

arr = array.array('i', [1,2,3,4,5])
# 배열의 시작 부분에 요소 insert
arr.insert(0,0) # 0번째에 0을 insert -> 배열의 모든 요소가 한 칸씩 뒤로 이동
print(arr)  # 출력: array('i', [0, 1, 2, 3, 4, 5])

3) Deletion : 삭제

• 시간 복잡도: O(n)
• 배열에서 요소를 삭제하는 경우도 삽입과 유사하게, 삭제된 요소 이후의 모든 요소를 한 칸씩 앞으로 이동해야 하므로, 시간 복잡도는 O(n)입니다.

import array

arr = array.array('i', [1,2,3,4,5])
# 배열의 특정 요소 삭제
arr.remove(3) # 3이라는 값을 가진 요소 삭제
print(arr) # 출력: array('i', [1, 2, 4, 5])

4) Search : 검색

• 시간 복잡도: O(n)
• 특정 값을 가진 요소를 찾기 위해서는 최악의 경우 배열의 모든 요소를 확인해야 하므로, 선형 검색의 시간 복잡도는 O(n)입니다.

import array

arr = array.array('i', [1,2,3,4,5])
# 배열에서 값 '4' 검색
print(4 in arr) # 출력: True

5) Append : 추가

• 시간 복잡도: O(1) (평균적으로)
• 배열의 끝에 요소를 추가하는 것은 대부분의 경우 상수 시간에 이루어집니다. 하지만, 배열의 용량이 가득 차서 새로운 메모리를 할당해야 하는 경우에는 더 많은 시간이 소요될 수 있습니다.

import array

arr = array.array('i', [1,2,3,4,5])
# 배열의 끝에 append
arr.append(6)
print(arr) # 출력: [1,2,3,4,5,6]

Python list vs Python array

이미 Python을 배우신 분들은 Array의 특징을 읽을 후 list를 떠올리며 고개를 갸우뚱하시는 분들도 계실 겁니다. 이 두가지는 모두 데이터 컬렉션을 저장하기 위한 데이터 구조이지만 차이점이 있습니다.

(여기서 언급하는 Array는 Python의 array 모듈에 의해 제공되는 array 타입을 말하며, NumPy 라이브러리의 ndarray와는 다릅니다.)

한 눈에 보기 쉽게 표로 정리하겠습니다.

특성	List	Array
데이터 타입	서로 다른 데이터 타입의 요소를 저장할 수 있음	모든 요소가 동일한 데이터 타입이어야 함
메모리 사용	상대적으로 더 많은 메모리 사용	적은 메모리 사용 (동일한 타입의 요소로 인해)
연산 지원	다양한 메소드와 연산 지원 (예: append(), extend(), pop())	제한적 (주로 기본적인 추가, 삭제, 접근 연산)
사용 사례	다양한 타입의 요소를 포함하는 경우, 유연성이 필요할 때 사용	대량의 숫자 데이터 처리, 메모리 효율성이 중요할 때 사용
속도	다양한 타입의 데이터 처리로 인해 상대적으로 느릴 수 있음	동일한 타입의 데이터 처리로 인해 빠를 수 있음
메모리 효율성	낮음	높음
사용 예	일반적인 프로그래밍 작업, 다형성이 필요한 컬렉션	숫자 데이터의 고성능 배열, 파일 데이터 처리

Python array vs Numpy ndarray

위에서 언급한 array 모듈에 의해 제공되는 array 타입과 NumPy 라이브러리의 ndarray의 차이점입니다.

특성	array.array	NumPy ndarray
데이터 타입	단일 데이터 타입만 지원	다양한 데이터 타입 지원, 한 배열 내에서는 같은 타입
차원	주로 1차원 배열에 사용	다차원 배열 지원
메모리 효율성	상대적으로 높음 (단일 타입)	크기가 큰 데이터에 대해 최적화됨
성능	단순 숫자 데이터 배열에 대해 효율적	대량의 데이터 연산에 대해 매우 빠르고 효율적
기능성	기본적인 배열 연산만 지원	복잡한 수치 연산, 통계, 선형대수 등 고급 기능 지원
용도	단순한 숫자 데이터 시퀀스 처리에 적합	과학 계산, 데이터 분석, 기계 학습 등에 필수
인덱싱 및 슬라이싱	기본적인 지원	매우 고급 인덱싱 및 슬라이싱 기능 지원
라이브러리 필요성	Python 표준 라이브러리의 일부	NumPy 설치 필요
사용 예	바이너리 데이터 처리, 간단한 숫자 배열 저장	이미지 처리, 고차원 데이터 분석, 복잡한 수치 계산

지금까지 Array에 대해 알아보았습니다.

특징에서 언급한 바와 같이, Array는 복잡한 데이터들의 구조가 되기 때문에 꼭! 이해하고 넘어가는 것이 좋은데요, 제 글이 이해에 도움이 되었으면 좋겠습니다.

오늘 포스팅 여기서 마치겠습니다.