Ch7. Python 기초 — 라이브러리 활용: numpy·pandas 기초

외부 라이브러리란

파이썬의 표준 라이브러리(math, os 등) 외에도 **PyPI(Python Package Index)**를 통해 수십만 개의 서드파티 패키지를 설치하여 사용할 수 있습니다.

데이터 분석 분야에서 가장 핵심적인 두 라이브러리는 다음과 같습니다:

• numpy: 수치 계산, 다차원 배열 처리
• pandas: 구조화된 데이터 처리, 표 형태 데이터 분석

---

pip로 패키지 설치

# numpy와 pandas 설치
pip install numpy pandas

# 또는 따로 설치
pip install numpy
pip install pandas

# 특정 버전 설치
pip install numpy==1.26.0

# 설치 확인
pip show numpy
pip list | grep -E "numpy|pandas"

가상환경을 활성화한 상태에서 설치하면 프로젝트별로 독립적으로 관리됩니다.

---

numpy 기초

**numpy(Numerical Python)**는 파이썬에서 고성능 수치 계산을 위한 라이브러리입니다. 핵심은 **ndarray(N차원 배열)**입니다.

numpy 불러오기

import numpy as np   # np라는 별칭 사용 (관례)
print(np.__version__)

배열(ndarray) 생성

# 리스트로부터 생성
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)          # [1 2 3 4 5]
print(type(arr1))    # <class 'numpy.ndarray'>
print(arr1.dtype)    # int64

# 2차원 배열
arr2d = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])
print(arr2d.shape)   # (3, 3)
print(arr2d.ndim)    # 2
print(arr2d.size)    # 9

특수 배열 생성 함수

# 0으로 채운 배열
zeros = np.zeros((3, 4))
print(zeros)
# [[0. 0. 0. 0.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]]

# 1로 채운 배열
ones = np.ones((2, 3))

# 단위 행렬
eye = np.eye(3)
print(eye)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

# 범위 배열
arange = np.arange(0, 10, 2)   # [0 2 4 6 8]

# 균일 간격 n개
linspace = np.linspace(0, 1, 5)  # [0. 0.25 0.5 0.75 1.]

# 난수 배열
random_arr = np.random.rand(3, 3)         # 0~1 균일 분포
normal_arr = np.random.randn(3, 3)        # 표준 정규 분포
int_arr = np.random.randint(1, 7, (2, 3)) # 1~6 정수

---

numpy 배열 연산

numpy의 가장 큰 장점은 **벡터화 연산(Vectorized Operation)**입니다. 반복문 없이 배열 전체에 한 번에 연산을 적용합니다.

a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])

# 기본 연산 (요소별)
print(a + b)    # [11 22 33 44 55]
print(a * 2)    # [ 2  4  6  8 10]
print(b / a)    # [10. 10. 10. 10. 10.]
print(a ** 2)   # [ 1  4  9 16 25]

파이썬 리스트와 비교:

# 파이썬 리스트는 반복문 필요
lst = [1, 2, 3, 4, 5]
squared_list = [x**2 for x in lst]   # 반복문 필요

# numpy는 한 줄로
arr = np.array([1, 2, 3, 4, 5])
squared_arr = arr ** 2                # 즉시 적용

---

numpy 인덱싱과 슬라이싱

arr = np.array([10, 20, 30, 40, 50])

print(arr[0])      # 10
print(arr[-1])     # 50
print(arr[1:4])    # [20 30 40]
print(arr[::2])    # [10 30 50]

# 2차원 배열
mat = np.array([[1,  2,  3],
                [4,  5,  6],
                [7,  8,  9]])

print(mat[0])        # [1 2 3] (첫 번째 행)
print(mat[:, 1])     # [2 5 8] (두 번째 열)
print(mat[1, 2])     # 6 (두 번째 행, 세 번째 열)
print(mat[0:2, 0:2]) # 2x2 서브행렬
# [[1 2]
#  [4 5]]

불리언 인덱싱 (조건 필터링)

scores = np.array([85, 92, 68, 74, 90, 55, 88])

# 80 이상인 점수만 추출
high_scores = scores[scores >= 80]
print(high_scores)   # [85 92 90 88]

# 조건 마스크
mask = scores >= 80
print(mask)   # [ True  True False False  True False  True]
print(scores[mask])

---

numpy 통계 함수

data = np.array([15, 22, 8, 34, 27, 12, 45, 19])

print(f"합계: {np.sum(data)}")        # 182
print(f"평균: {np.mean(data):.2f}")   # 22.75
print(f"중앙값: {np.median(data)}")   # 20.5
print(f"표준편차: {np.std(data):.2f}")# 11.51
print(f"분산: {np.var(data):.2f}")    # 132.44
print(f"최솟값: {np.min(data)}")      # 8
print(f"최댓값: {np.max(data)}")      # 45
print(f"최솟값 인덱스: {np.argmin(data)}")  # 2
print(f"최댓값 인덱스: {np.argmax(data)}")  # 6

---

numpy 배열 변형

arr = np.arange(1, 13)    # [1,2,3,...,12]

# 모양 변경 (reshape)
mat = arr.reshape(3, 4)   # 3행 4열
print(mat)
# [[ 1  2  3  4]
#  [ 5  6  7  8]
#  [ 9 10 11 12]]

# 1차원으로 펼치기
flat = mat.flatten()
print(flat)   # [ 1  2  3  4  5  6  7  8  9 10 11 12]

# 전치 행렬 (행/열 바꾸기)
print(mat.T)

---

pandas 기초

pandas는 구조화된 데이터(표 형태)를 처리하기 위한 라이브러리입니다. Excel처럼 행과 열로 이루어진 데이터를 다루는 데 최적화되어 있습니다.

pandas 불러오기

import pandas as pd   # pd라는 별칭 사용 (관례)
print(pd.__version__)

핵심 자료구조: Series와 DataFrame

자료구조	설명	비유
Series	1차원 레이블 배열	Excel 열 하나
DataFrame	2차원 레이블 표	Excel 시트

---

Series 생성 및 활용

# 리스트로 생성
s1 = pd.Series([10, 20, 30, 40, 50])
print(s1)
# 0    10
# 1    20
# 2    30
# 3    40
# 4    50
# dtype: int64

# 인덱스 지정
s2 = pd.Series(
    [85, 92, 78, 90],
    index=["수학", "영어", "국어", "과학"]
)
print(s2["수학"])    # 85
print(s2[["수학", "영어"]])  # 두 과목만

# 딕셔너리로 생성
s3 = pd.Series({"서울": 9.7, "부산": 3.4, "인천": 3.0})
print(s3.values)   # [9.7 3.4 3. ]
print(s3.index)    # Index(['서울', '부산', '인천'], dtype='object')

---

DataFrame 생성

# 딕셔너리로 생성
data = {
    "이름": ["김철수", "이영희", "박민준", "최수연"],
    "나이": [25, 30, 22, 28],
    "도시": ["서울", "부산", "인천", "서울"],
    "점수": [85, 92, 78, 90],
}

df = pd.DataFrame(data)
print(df)
#     이름  나이  도시  점수
# 0  김철수   25  서울   85
# 1  이영희   30  부산   92
# 2  박민준   22  인천   78
# 3  최수연   28  서울   90

print(df.shape)    # (4, 4) — 4행 4열
print(df.dtypes)   # 각 열의 타입

---

DataFrame 탐색

# 기본 정보
print(df.info())       # 전체 요약 정보
print(df.describe())   # 수치형 열 통계

# 상위/하위 n행
print(df.head(2))    # 처음 2행
print(df.tail(2))    # 마지막 2행

# 열 접근
print(df["이름"])          # 이름 열 (Series 반환)
print(df[["이름", "점수"]]) # 여러 열 (DataFrame 반환)

# 행 접근
print(df.iloc[0])          # 위치 기반 첫 번째 행
print(df.loc[2])           # 레이블(인덱스) 기반 접근

---

데이터 필터링 및 정렬

# 조건 필터링
high = df[df["점수"] >= 85]
print(high)

# 여러 조건
seoul_high = df[(df["도시"] == "서울") & (df["점수"] >= 85)]
print(seoul_high)

# 정렬
sorted_df = df.sort_values("점수", ascending=False)
print(sorted_df)

# 상위 2명
top2 = df.nlargest(2, "점수")
print(top2)

---

데이터 추가·수정·삭제

# 새 열 추가
df["합격"] = df["점수"] >= 85
df["등급"] = df["점수"].apply(lambda x: "A" if x >= 90 else ("B" if x >= 80 else "C"))

# 특정 값 수정
df.loc[0, "점수"] = 88

# 행 추가
new_row = {"이름": "정다은", "나이": 26, "도시": "대전", "점수": 95, "합격": True, "등급": "A"}
df = pd.concat([df, pd.DataFrame([new_row])], ignore_index=True)

# 열 삭제
df = df.drop("합격", axis=1)

---

기초 통계 분석

print(df["점수"].mean())    # 평균
print(df["점수"].median())  # 중앙값
print(df["점수"].std())     # 표준편차
print(df["점수"].max())     # 최댓값
print(df["점수"].min())     # 최솟값

# 그룹별 집계
city_avg = df.groupby("도시")["점수"].mean()
print(city_avg)

# 값 빈도 세기
print(df["도시"].value_counts())

---

CSV 파일 읽기/쓰기

# DataFrame을 CSV로 저장
df.to_csv("students.csv", index=False, encoding="utf-8-sig")

# CSV 파일 읽기
df_loaded = pd.read_csv("students.csv", encoding="utf-8-sig")
print(df_loaded.head())

# Excel 파일 (openpyxl 필요)
df.to_excel("students.xlsx", index=False)
df_excel = pd.read_excel("students.xlsx")

---

결측값 처리

import numpy as np

# 결측값 포함 데이터 예시
df2 = pd.DataFrame({
    "A": [1, 2, np.nan, 4],
    "B": [5, np.nan, 7, 8],
    "C": [9, 10, 11, 12],
})

print(df2.isnull())          # 결측값 위치 (True/False)
print(df2.isnull().sum())    # 열별 결측값 개수

# 결측값 제거
df_dropped = df2.dropna()    # 결측값이 있는 행 전체 삭제

# 결측값 채우기
df_filled = df2.fillna(0)                    # 0으로 채우기
df_filled2 = df2.fillna(df2.mean())          # 평균으로 채우기

---

실전 예제 — 성적 데이터 분석

import pandas as pd
import numpy as np

# 데이터 생성
np.random.seed(42)
n = 20
data = {
    "학번": [f"2024{i:03d}" for i in range(1, n+1)],
    "국어": np.random.randint(50, 101, n),
    "영어": np.random.randint(50, 101, n),
    "수학": np.random.randint(50, 101, n),
}
df = pd.DataFrame(data)

# 평균 계산
df["평균"] = df[["국어", "영어", "수학"]].mean(axis=1).round(1)

# 등급 계산
def get_grade(avg):
    if avg >= 90: return "A"
    elif avg >= 80: return "B"
    elif avg >= 70: return "C"
    elif avg >= 60: return "D"
    else: return "F"

df["등급"] = df["평균"].apply(get_grade)

# 분석 결과 출력
print("=== 성적 분석 결과 ===")
print(f"전체 학생 수: {len(df)}명")
print(f"\n과목별 평균:")
print(df[["국어", "영어", "수학"]].mean().round(1))
print(f"\n등급 분포:")
print(df["등급"].value_counts().sort_index())
print(f"\n상위 5명:")
print(df.nlargest(5, "평균")[["학번", "평균", "등급"]])

---

학습 정리

항목	핵심 명령
설치	pip install numpy pandas
numpy 배열	np.array(), np.zeros(), np.arange()
배열 연산	벡터화 연산 (반복문 불필요)
numpy 통계	np.mean(), np.std(), np.sum()
pandas Series	1차원 레이블 배열
pandas DataFrame	2차원 표 구조
필터링	df[조건], .loc[], .iloc[]
통계	.describe(), .groupby(), .value_counts()
CSV	.to_csv(), pd.read_csv()

---

실전 퀴즈 5문항

Q1. numpy 배열과 파이썬 리스트의 가장 큰 성능적 차이는 무엇인가요?

A1. numpy 배열은 **벡터화 연산(Vectorized Operation)**을 지원하여 반복문 없이 배열 전체에 한 번에 연산을 적용할 수 있습니다. 내부적으로 C 언어로 구현되어 있어 파이썬 리스트보다 훨씬 빠릅니다. 예: arr * 2 는 배열 모든 요소에 2를 곱하고, 파이썬 리스트는 [x*2 for x in lst] 와 같은 반복문이 필요합니다.

---

Q2. np.array([[1,2,3],[4,5,6]])의 .shape, .ndim, .size 값을 각각 쓰세요.

A2.

• .shape → (2, 3) (2행 3열)
• .ndim → 2 (2차원)
• .size → 6 (전체 요소 수: 2×3)

---

Q3. pandas DataFrame에서 df["점수"]와 df[["점수"]]의 차이는 무엇인가요?

A3.

• df["점수"]: 단일 열을 Series 타입으로 반환합니다.
• df[["점수"]]: 열 하나를 DataFrame 타입으로 반환합니다. 대괄호를 두 번 사용하면 항상 DataFrame이 반환됩니다. 여러 열 선택 시에는 df[["국어", "영어"]] 형태를 사용합니다.

---

Q4. 다음 코드의 출력 결과를 쓰세요.

import numpy as np
a = np.array([3, 1, 4, 1, 5, 9, 2, 6])
print(a[a > 4])
print(np.mean(a))

A4.

• a[a > 4] → [5 9 6] (4보다 큰 요소만 불리언 인덱싱)
• np.mean(a) → 3.875 (합 31 / 개수 8)

---

Q5. pandas DataFrame에서 결측값(NaN)을 처리하는 방법 두 가지를 설명하세요.

A5.

1. dropna(): 결측값이 있는 행(또는 열) 전체를 제거합니다. 데이터 손실이 발생하지만 간단합니다. df.dropna()
2. fillna(값): 결측값을 지정한 값으로 채웁니다. df.fillna(0) 은 0으로, df.fillna(df.mean()) 은 각 열의 평균값으로 채웁니다. 데이터를 유지하면서 처리할 수 있습니다.