[Numpy] 슬라이싱, 마스킹, 조건 추출

데이터 분석은 "계산" 만큼이나 "필터링"이 중요합니다.

필요한 값을 빠르게 꺼내올 수 있어야,

• 이상치를 제거할 수 있고
• 특정 조건만 모델에 투입할 수 있으며
• 불필요한 데이터를 제거하고 속도를 높일 수 있습니다.

Numpy는 이를 위해 세 가지 강력한 도구를 제공합니다.

• 슬라이싱 (slicing) → 위치 기반 추출
• 마스킹 (masking) → 조건 기반 필터링
• 조건 추출 → 조건에 맞는 값만 걸러내기

 

 

기본 슬라이싱 문법

import numpy as np

arr = np.array([[10, 20, 30],
                [40, 50, 60],
                [70, 80, 90]])

 

3 X 3 정수 배열. 행과 열 기준으로 쉽게 부분 배열을 뽑을 수 있다.

 

행(row) 슬라이싱

arr[0]       # → [10 20 30]
arr[:2]      # → [[10 20 30], [40 50 60]]

• arr[0]: 첫 번째 행 전체
• arr[:2]: 처음 두 행
• Pandas의 .iloc[0]과 매우 유사한 개념이라고 보시면 됩니다.

 

열(column) 슬라이싱

arr[:, 1]    # → [20 50 80]
arr[:, :2]   # → [[10 20], [40 50], [70 80]]

• arr[:, 1]: 두 번째 열 전체
• arr[:, :2]: 앞의 두 열만 추출

슬라이싱은 위치 기반 추출에 최적화된 방식입니다.

반복문 없이 바로 접근 가능합니다.

 

---

조건으로 뽑기 (Boolean Masking)

arr = np.array([5, 10, 15, 20, 25])
mask = arr > 15
arr[mask]

 

• 조건을 만족하는 원소는 True, 아니면 False
• 그 결과를 배열에 전달하면 True인 값만 남는다

Pandas의 df[df['col'] > 10] 패턴과 동일한 논리

 

 

조건 한 줄로 쓰기 (AND / OR)

arr[(arr > 10) & (arr < 25)]  # → [15 20]

• (arr > 10): 조건 1
• (arr < 25): 조건 2
• &: 논리적 AND (모두 만족)

반드시 조건마다 괄호를 붙여야 오류 방지

 

 

2차원 배열 조건 추출

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

a[a > 3]

 

• a > 3: 동일한 shape의 mask 배열 생성
• 2차원 구조라도 조건 필터는 1차원 결과로 반환됨

이미지 / 행렬 / 테이블 구조에서 필터링 후 평균, 합계 등에 자주 사용

 

1. 예제: 음수만 제거

data = np.array([10, -5, 3, -2, 8])
cleaned = data[data >= 0]   # → [10 3 8]

 

 

• 음수 데이터 제거 시 매우 간결하게 처리 가능
• 금융 데이터의 부정 수치 제거, 로그 연산 전 음수 제거 등에 자주 사용됨
• data = data[data >= 0] 처럼 바로 덮어쓰기 패턴을 많이 사용

 

2. 예제: 이미지나 행렬 처리 시 마스킹

img = np.array([
    [255, 128,  64],
    [  0, 100,  50]
])

bright = img[img > 100]  # → [255 128]

 

 

• 밝기 기준으로 특정 픽셀만 추출 가능
• 이미지 전처리, 머신러닝에서 특정 조건에 맞는 값만 추출해 분석할 때 필수

 

실수 및 오류 방지 팁

실수	설명	해결법
and, or 사용	Python 내장 논리 연산자는 NumPy에서 사용 불가	&, `
괄호 생략	조건 연산자 우선순위 문제로 오류 발생	조건마다 괄호로 감싸기
기대한 shape 아님	2D에서 조건 추출은 항상 1D 반환	후처리로 .reshape() 사용 가능

---

마무리 요약

개념	설명	예시
슬라이싱	위치 기반 추출	arr[1:, :2]
마스킹	조건 배열 → 필터링	arr[arr > 5]
조건 필터링	복수 조건 적용	arr[(arr > 10) & (arr < 30)]

 

NumPy는 단순한 수치 계산뿐 아니라,
데이터를 "선택"하고 "걸러내는" 데에도 매우 강력한 기능을 제공합니다.

이 기능을 익히면 Pandas나 Scikit-learn에서도 훨씬 직관적으로 조건을 걸 수 있습니다.