1. NumPy

NumPy(Numerical Python)는 Python에서 수치 계산과 배열 처리를 빠르게 하기 위한 라이브러리이다.

---

Python 리스트와 NumPy 배열 차이

Python 리스트

discount = []

for p in price:
    discount.append(p * 0.9)

Python 리스트는 각 요소에 동일한 연산을 바로 적용할 수 없기 때문에 반복문을 사용해 하나씩 처리한다.

또한 리스트의 * 연산은 숫자 곱셈이 아니라 리스트 반복으로 동작한다.

price= [4000, 4500, 5000]
price*2

출력 결과

---

NumPy 배열(ndarray)

import numpy as np 

price=np.array([4000, 4500, 5000])

price*0.9

NumPy 배열은 배열 전체에 동일한 연산을 적용할 수 있다.

출력 결과

이처럼 반복문 없이 배열 단위의 계산이 가능하다.

---

NumPy 배열의 특징

1. ndarray (N-dimensional Array)

• NumPy의 핵심 자료구조
• 같은 자료형의 데이터를 저장하는 다차원 배열이다.

예시

arr=np.array([
    [1,2,3],
    [4,5,6]
])

---

2. 2차원 배열

함수	설명
np.array([[값], [값]])	2차원 배열 생성
arr.shape	배열의 행과 열 크기 확인
arr.T	배열의 행과 열 전환

배열의 크기 확인

앞서 만든 배열

arr = np.array([
[1, 2, 3],
[4, 5, 6]
])

arr.shape

3. reshape()

함수	설명
arr.reshape(행, 열)	배열의 형태 변경
-1	전체 원소 개수에 맞춰 크기 자동 계산

---

4. 축(axis) 연산

축	설명
axis=0	열 방향으로 계산
axis=1	행 방향으로 계산

---

5. 2차원 배열 집계 함수

함수	설명
arr.sum()	전체 합계
arr.sum(axis=0)	열별 합계
arr.sum(axis=1)	행별 합계
arr.mean(axis=0)	열별 평균
arr.mean(axis=1)	행별 평균

---

6. 벡터화 (Vectorization)

• 반복문을 직접 작성하지 않고 배열 전체에 연산을 적용하는 방식
• 내부적으로 최적화된 연산을 수행해 빠른 계산이 가능하다.

예시

arr*2

---

7. 집계 함수

배열의 데이터를 계산할 수 있는 다양한 함수를 제공한다.

함수	설명
np.mean()	평균
np.sum()	합계
np.max()	최대값
np.min()	최소값
np.std()	표준편차

---

8. 조건 필터링 (Boolean Indexing)

배열의 조건을 이용해 원하는 값만 선택할 수 있다.

문법	설명
arr[arr 조건]	조건에 맞는 값 선택
&	AND 조건
\|	OR 조건

NumPy에서는 여러 조건을 사용할 때 반드시 괄호로 묶어야 한다.

# X
매출 >= 5000 & 매출 <= 15000

# O
(매출 >= 5000) & (매출 <= 15000)

---

9. 정렬 함수

배열의 값을 정렬하거나 정렬 기준 인덱스를 확인할 수 있다.

함수	설명
np.sort()	배열 값을 오름차순 정렬
np.sort()[::-1]	배열 값을 내림차순 정렬
np.argsort()	정렬 순서의 인덱스 반환

---

NumPy 배열의 연산 속도

Python 리스트

• 서로 다른 자료형 저장 가능하다.
• 객체에 대한 참조를 저장한다.
• 반복문으로 요소를 하나씩 처리한다.

NumPy ndarray

• 같은 자료형 데이터를 연속된 메모리에 저장한다.
• 벡터화 연산을 통해 빠르게 처리한다.

---

배열 생성 함수

1. np.array()

리스트를 NumPy 배열로 변환한다.

np.array([1,2,3])

---

2. np.arange()

일정한 간격의 값을 가진 배열 생성

np.arange(5)

---

3. np.zeros(), np.ones()

0 또는 1로 채워진 배열 생성

np.zeros(3)
np.ones(3)

---

4. np.linspace()

시작값과 끝값 사이를 같은 간격으로 나눈 배열 생성

np.linspace(0,10,5)

---

2. Pandas

Pandas는 Python에서 표 형태의 데이터를 쉽게 처리하고 분석하기 위한 라이브러리이다.

• 주로 CSV, Excel 등 테이블 형태의 데이터를 다룰 때 사용한다.
• 내부적으로 NumPy를 기반으로 동작한다.
• 데이터 정제, 변환, 분석 작업에 많이 사용된다.

---

Pandas의 자료구조

Pandas는 대표적으로 두 가지 자료구조를 제공한다.

1. Series

하나의 열(column) 형태의 데이터를 저장하는 1차원 자료구조이다.

• 하나의 데이터 타입을 가진 값들의 모음
• NumPy의 1차원 배열과 비슷한 구조

import pandas as pd 

scores=pd.Series([90,85,70])

print(scores)

출력 결과

---

2. DataFrame

여러 개의 Series가 모여 만들어진 2차원 표 형태의 자료구조이다.

• 엑셀의 표와 같은 구조.

data= {"name": ["Kim","Lee"],"age": [25,30],"score": [90,85]
       }
df=pd.DataFrame(data)

print(df)

출력 결과

---

CSV 파일 불러오기

• Pandas는 CSV 파일을 DataFrame으로 바로 변환할 수 있다.

import pandas as pd

df = pd.read_csv("titanic.csv") # csv파일을 한줄로 로딩
print("나이 평균: ", df["age"].mean())
print("최고 요금: ", df["fare"].max())
print("여성의 생존률: ", df[df["sex"] == "female"]["survived"].mean())

출력 결과

---

DataFrame 기본 정보 확인

데이터 확인

df.head() # 상위 5개의 데이터 확인

df.tail() # 마지막 5개 데이터 확인

출력 결과

---

행과 열 확인

df.shape

출력 결과

행 개수: 891
열 개수: 15

---

컬럼 확인

df.columns

출력 결과

---

데이터 타입 확인

• 각 컬럼의 자료형을 확인한다.

df.dtypes

출력 결과

---

데이터 선택

컬럼 선택

df["age"]

출력 결과

---

여러 컬럼 선택

• DataFrame의 형태로 반환된다.

df[["age","fare"]]

출력 결과

---

조건으로 데이터 필터링

• 조건에 맞는 데이터만 선택할 수 있다.

df[(df["sex"]=="female") & (df["age"]>=30)] # 여성 승객이고, 나이가 30 이상인 데이터

출력 결과

---

데이터 분석 함수

• Pandas는 다양한 집계 함수를 제공한다.

함수	설명
mean()	평균
sum()	합계
max()	최대값
min()	최소값
count()	개수
std()	표준편차

df["age"].mean()

출력 결과

---

groupby()

• 데이터를 특정 기준으로 그룹화하여 분석한다.

df.groupby("sex")["survived"].mean() # 성별 생존률

출력 결과

의미:

• 여성 생존률 약 74%
• 남성 생존률 약 19%

---

3. NumPy와 Pandas 차이

	NumPy	Pandas
목적	수치 계산	데이터 분석
자료구조	ndarray	Series, DataFrame
데이터 형태	배열	표 형태
주요 활용	행렬 계산, 수학 연산	CSV 분석, 데이터 처리

---

NumPy → Pandas 흐름

Python List / Dictionary
          ↓
       NumPy
 (배열 계산, 수치 처리)
          ↓
       Pandas
 (표 데이터 분석)
          ↓
    데이터 분석 / AI
    
    
- NumPy: 숫자 배열과 수학 계산에 특화
- Pandas: 표 형태 데이터 처리와 분석에 특화