📖AI 파이썬 라이브러리 TOP6

❗첫번째 위클리 블로그
👉AI개발에 있어 중요도가 높고, 사용이 많은 '파이썬 라이브러리'에 대해 알아보자.

---

1. NumPy (Numerical Python)

[개념]
👉NumPy는 파이썬에서 수치 계산(Numerical Computation)을 빠르고 효율적으로 수행할 수 있도록 만든 핵심 라이브러리입니다. 다차원 배열(ndarray) 구조를 기반으로, 벡터나 행렬 계산을 매우 빠르게 처리합니다. AI, 머신러닝, 데이터분석 라이브러리들의 대부분은 NumPy 배열을 내부적으로 사용합니다.

[특징]
• 다차원 배열(ndarray): C 기반으로 구현되어, 반복문 없이 빠른 계산 가능
• 벡터화 연산(Vectorization): 반복문 대신 수학적 연산으로 데이터 처리 → 코드 간결화 & 속도 향상
• 브로드캐스팅(Broadcasting): 크기가 다른 배열 간의 연산을 자동으로 확장
• 선형대수, 통계, 난수 등 다양한 수학 함수 내장
• 타 라이브러리와의 호환성: pandas, scikit-learn, PyTorch, TensorFlow 등이 모두 NumPy를 기반으로 작동

# NumPy 불러오기
import numpy as np

# 1차원, 2차원 배열 만들기
a = np.array([1, 2, 3])
b = np.array([[1, 2, 3], [4, 5, 6]])

✅NumPy 공식 사이트
✅NumPy 공식 문서

---

2. pandas

[개념]
👉pandas는 파이썬에서 데이터 분석과 전처리(Data Wrangling)를 위해 사용되는 대표적인 라이브러리입니다. 행(Row)과 열(Column) 구조를 가진 DataFrame 객체로 데이터를 쉽게 다루며, 엑셀처럼 직관적으로 필터링·그룹화·정렬 등의 작업을 수행할 수 있습니다.

[특징]
• DataFrame 구조 제공: 엑셀 시트와 같은 2차원 데이터 구조
• 데이터 입출력(IO): CSV, Excel, SQL, JSON 등 다양한 포맷을 쉽게 읽고 저장 가능
• 결측치 처리 / 그룹화 / 피벗테이블 등 강력한 기능 내장
• 시계열(Time Series) 분석 지원
• 다른 AI 라이브러리와 연동 용이 (NumPy, scikit-learn 등과 함께 사용)

#pandas 불러오기
import pandas as pd

# 간단한 DataFrame 생성
data = {
    "이름": ["홍길동", "김철수", "이영희"],
    "나이": [25, 32, 29],
    "점수": [85, 90, 88]
}
df = pd.DataFrame(data)

✅pandas 공식 사이트
✅pandas 공식 문서

---

3. Matplotlib / Plotly

[개념]
👉AI나 데이터 분석 결과를 시각화(Visualization)하기 위해 사용하는 대표적인 두 가지 라이브러리입니다.
- Matplotlib: 가장 오래되고 범용적인 2D/3D 그래프 라이브러리
- Plotly: 웹 기반의 대화형(Interactive) 그래프 라이브러리로, 줌/호버/클릭이 가능한 시각화 제공

[특징]
Matplotlib
• 라인, 바, 히스토그램, 스캐터 등 거의 모든 종류의 그래프 표현 가능
• 세밀한 커스터마이징 (폰트, 스타일, 색상 조절 등)
• 논문, 보고서용 고해상도 그래프 제작에 적합

Plotly
• 웹 기반 인터랙티브 시각화 (줌·툴팁·클릭 등 지원)
• Plotly Express로 간단한 한 줄 그래프 작성 가능
• Dash 프레임워크와 결합하면 웹 대시보드 구현 가능

#matplot 불러오기
import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [10, 20, 15, 25, 30]

plt.plot(x, y, marker='o', color='blue')
plt.title("Matplotlib 기본 선 그래프")
plt.xlabel("X축 값")
plt.ylabel("Y축 값")
plt.grid(True)
plt.show()

#plotly 불러오기
import plotly.express as px
import pandas as pd

df = pd.DataFrame({
    "과목": ["국어", "영어", "수학", "과학", "사회"],
    "점수": [85, 90, 78, 92, 88]
})

fig = px.bar(df, x="과목", y="점수", color="과목", title="Plotly 막대 그래프 예시")
fig.show()

✅Matplotlib 공식 문서
✅Plotly 공식 사이트

---

4. scikit-learn (sklearn)

[개념]
👉scikit-learn은 전통적 머신러닝 알고리즘(Machine Learning Algorithm)을 위한 대표적인 라이브러리입니다. 분류(Classification), 회귀(Regression), 클러스터링(Clustering), 차원 축소(Dimension Reduction), 모델 검증(Validation) 등 AI 기초 실험에 필요한 기능을 모두 제공합니다.

[특징]
• 일관된 API 설계: 모든 모델이 fit(), predict(), transform() 패턴으로 작동
• 다양한 ML 알고리즘 내장: SVM, RandomForest, KNN, NaiveBayes, KMeans 등
• 데이터 전처리 및 모델 평가 도구 제공 (스케일링, 교차검증, 파이프라인 등)
• 간단한 코드로 빠른 프로토타입 제작 가능
• GPU 없이도 실행 가능(가벼움)

#sklearn 불러오기
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

✅scikit-learn 공식 사이트
✅scikit-learn 공식 문서

---

5. PyTorch

[개념]
👉PyTorch는 페이스북(메타)에서 개발한 딥러닝(Deep Learning) 프레임워크입니다.
연산 그래프를 동적으로(dynamic) 생성하는 구조를 갖고 있어 개발자 친화적이고 디버깅이 쉽다는 점에서 연구·개발 분야에서 매우 널리 사용됩니다.

[특징]
• 동적 그래프(Dynamic Graph): 실행 시점에 그래프를 구성 → 코드 흐름이 자연스럽고 유연함
• 자동 미분(Autograd): 텐서 연산 시 자동으로 미분 계산
• GPU 가속 지원: CUDA 기반 GPU 연산 지원
• 딥러닝 모델 구축 및 훈련이 간결 (torch.nn, torch.optim, torch.utils.data)
• 생태계 확장성: TorchVision(이미지), TorchText(자연어), PyTorch Lightning(훈련 단순화) 등 풍부한 확장 라이브러리
• 연구용·프로토타입 개발에 적합

#torch 불러오기
import torch
import torch.nn as nn
import torch.optim as optim

✅PyTorch 공식 사이트
✅PyTorch 공식 문서

---

6. TensorFlow + Keras

[개념]
👉TensorFlow는 구글이 개발한 범용 딥러닝 프레임워크로, 대규모 분산 학습과 산업 배포에 적합하도록 설계되었습니다. Keras는 TensorFlow의 상위 API로, 복잡한 모델을 쉽게 구성하고 빠르게 실험할 수 있게 해줍니다.

[특징]
• 정적 + 즉시 실행 그래프(Eager Execution): 실행 효율과 디버깅 편의성 동시 제공
• GPU/TPU/분산 학습 완벽 지원
• Keras 고수준 API로 신경망 설계가 간단 (Sequential, Functional API)
• TensorBoard를 통한 학습 시각화 및 로그 관리
• TensorFlow Lite, JS 등 다양한 배포 환경 지원 (모바일·웹까지 가능)
"TensorFlow = 대규모 생산용 프레임워크" / "Keras = 빠른 개발용 인터페이스"

#tensorflow와 keras 불러오기
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

✅TensorFlow 공식 사이트
✅Keras 공식 문서

---