P2-11.2 인덱싱(indexing), 슬라이싱(slicing), 축(axis)¶

Section ID: P2-11.2 Version: v2026.09.15

위치 선택¶

NumPy 공식 문서는 ndarray가 표준 Python 문법인 x[obj] 형태로 인덱싱될 수 있다고 설명합니다. 또한 Python처럼 인덱스는 0부터 시작합니다.

먼저 1차원 배열을 봅니다.

점수 [82, 75, 45, 90]에서 인덱스 0과 2를 선택하면 첫 값 82와 세 번째 값 45가 출력됩니다.

import numpy as np

scores = np.array([82, 75, 45, 90])

print(scores[0])
print(scores[2])

출력은 다음과 같습니다.

1
2

82
45

scores[0]은 첫 번째 값입니다. scores[2]는 세 번째 값입니다. Python과 NumPy에서는 보통 첫 위치를 1이 아니라 0으로 셉니다.

표현	읽는 법	결과
`scores[0]`	0번 위치	`82`
`scores[1]`	1번 위치	`75`
`scores[2]`	2번 위치	`45`
`scores[-1]`	마지막 위치	`90`

인덱싱은 “몇 번째 값인가”를 묻는 작업입니다.

행과 열 위치¶

2차원 배열에서는 보통 행(row)과 열(column)을 함께 지정합니다.

3행 4열 배열에서 [1, 2]는 두 번째 행의 세 번째 값입니다. 다음 코드는 모양 (3, 4)와 값 22를 출력합니다.

data = np.array([
    [10, 11, 12, 13],
    [20, 21, 22, 23],
    [30, 31, 32, 33],
])

print(data.shape)
print(data[1, 2])

출력은 다음과 같습니다.

1 2	`(3, 4) 22`

data[1, 2]는 1번 행, 2번 열의 값을 고릅니다.

여기서도 인덱스는 0부터 시작합니다.

표현	읽는 법	결과
`data[0, 0]`	0번 행, 0번 열	`10`
`data[0, 3]`	0번 행, 3번 열	`13`
`data[1, 2]`	1번 행, 2번 열	`22`
`data[2, 1]`	2번 행, 1번 열	`31`

2차원 배열에서 쉼표는 차원을 나누는 표시로 볼 수 있습니다. 따라서 data[행, 열]처럼 읽으면 됩니다.

구간과 간격¶

슬라이싱(slicing)은 하나의 위치가 아니라 구간을 선택합니다.

점수 네 개에서 구간 1:3을 선택하면 인덱스 1과 2의 값 [75 45]가 출력됩니다.

scores = np.array([82, 75, 45, 90])

print(scores[1:3])

출력은 다음과 같습니다.

[75 45]

1:3은 1번 위치부터 3번 위치 전까지를 뜻합니다. 즉 1번과 2번 위치가 선택됩니다.

구간 표기는 다음과 같습니다.

표현	의미
`start:stop`	start부터 stop 전까지
`:`	전체
`:3`	처음부터 3 전까지
`1:`	1부터 끝까지
`::2`	두 칸씩 건너뛰기

슬라이싱은 “어느 구간을 남길 것인가”를 묻는 작업입니다.

아래 도식은 start:stop:step 표기를 한 줄 배열에서 어떻게 읽는지 보여 줍니다.

flowchart TD
    a["scores = [82, 75, 45, 90, 61, 70]<br/>index: 0, 1, 2, 3, 4, 5"]
    a --> b["scores[1:5:2]<br/>시작 포함 · 끝 제외 · 2칸 간격"]
    b --> c["index 1, 3 → [75, 90]"]

여기서 중요한 점은 stop 위치의 값은 선택되지 않는다는 것입니다. scores[1:5:2]는 1번 위치에서 시작해 5번 위치 전까지 보되, 두 칸씩 이동합니다.

점수 여섯 개에서 연속 구간, 두 칸 간격, 앞 세 개, 뒤 두 개를 선택합니다. 각각 [75 45 90 61], [75 90], [82 75 45], [61 70]이 출력됩니다.

scores = np.array([82, 75, 45, 90, 61, 70])

print(scores[1:5])
print(scores[1:5:2])
print(scores[:3])
print(scores[-2:])

출력은 다음과 같습니다.

[75 45 90 61]
[75 90]
[82 75 45]
[61 70]

행 전체와 열 전체¶

2차원 배열에서 :를 쓰면 행이나 열 전체를 고를 수 있습니다.

같은 3행 4열 배열에서 세 번째 행 전체와 네 번째 열 전체를 선택합니다. 출력은 [30 31 32 33]과 [13 23 33]입니다.

data = np.array([
    [10, 11, 12, 13],
    [20, 21, 22, 23],
    [30, 31, 32, 33],
])

print(data[2, :])
print(data[:, 3])

출력은 다음과 같습니다.

1 2	`[30 31 32 33] [13 23 33]`

data[2, :]는 2번 행의 모든 열을 고릅니다.

data[:, 3]는 모든 행에서 3번 열을 고릅니다.

아래 도식은 같은 배열을 인덱싱, 행 슬라이싱, 열 슬라이싱으로 다르게 읽는 상황을 보여 줍니다.

flowchart TD
    a["data = [[10, 11, 12, 13],<br/>[20, 21, 22, 23],<br/>[30, 31, 32, 33]]<br/>shape = (3, 4)"]
    a --> b["data[1, 2] → 22"]
    a --> c["data[2, :] → [30, 31, 32, 33]<br/>shape = (4,)"]
    a --> d["data[:, 3] → [13, 23, 33]<br/>shape = (3,)"]

하나의 값, 한 행, 한 열을 선택하는 코드는 서로 다른 결과 모양을 만듭니다. 모두 같은 배열에서 나온 선택입니다.

정수 선택과 축 유지¶

data[1, :]는 한 행을 고르며 행 축을 없앱니다. data[1:2, :]는 한 행짜리 구간을 남기므로 길이 1인 행 축을 유지합니다. 값이 같아 보여도 뒤 연산에 전달되는 모양은 다릅니다.

print(data[1, :].shape)
print(data[1:2, :].shape)
print(data[:, 2].shape)
print(data[:, 2:3].shape)

출력은 (4,), (1, 4), (3,), (3, 1)입니다. 뒤 계산에서 행과 열을 모두 유지해야 한다면 한 위치를 정수로 고르는 대신 길이 1인 슬라이스를 사용할 수 있습니다.

존재하지 않는 행을 data[99, :]로 고르면 IndexError가 발생합니다. 반면 data[99:, :]는 모양 (0, 4)인 빈 배열을 반환합니다. 슬라이스 끝이 범위를 넘으면 가능한 구간까지만 선택하므로, 오류가 없더라도 결과에 데이터가 남았는지 확인해야 합니다.

부분 배열¶

행과 열의 구간을 함께 지정하면 작은 부분 배열(sub-array)을 만들 수 있습니다.

앞의 data에서 행 구간 0:2, 열 구간 1:3을 선택하면 [[11, 12], [21, 22]]에 해당하는 2행 2열 배열이 출력됩니다.

print(data[0:2, 1:3])

출력은 다음과 같습니다.

1 2	`[[11 12] [21 22]]`

data[0:2, 1:3]은 0번 행부터 2번 행 전까지, 1번 열부터 3번 열 전까지로 읽습니다.

즉 0번과 1번 행, 1번과 2번 열이 남습니다.

이 기본 슬라이싱 결과는 원본과 데이터를 공유하는 뷰(view)입니다. 부분 배열의 값을 수정하면 원본에도 반영됩니다. 독립된 배열이 필요하면 슬라이싱 결과에 .copy()를 적용할 수 있습니다.

축별 합계¶

NumPy 용어집은 축(axis)을 배열의 차원을 가리키는 말로 설명합니다. 축은 왼쪽에서 오른쪽으로 번호가 붙고, axis 0은 shape 튜플의 첫 번째 요소입니다. 2차원 배열에서는 axis 0이 행 방향, axis 1이 열 방향으로 설명됩니다.

앞의 data 모양은 (3, 4)입니다. shape는 각 축의 길이를 순서대로 담습니다.

print(data.shape)

이 결과가 (3, 4)라면 다음처럼 읽습니다.

축	shape에서의 위치	이 예제의 의미
`axis=0`	첫 번째 숫자 `3`	행이 3개
`axis=1`	두 번째 숫자 `4`	열이 4개

축은 특히 sum, mean 같은 요약 계산에서 중요합니다.

앞의 배열을 axis=0으로 더하면 열별 합 [60 63 66 69], axis=1로 더하면 행별 합 [46 86 126]이 출력됩니다.

print(data.sum(axis=0))
print(data.sum(axis=1))

출력은 다음과 같습니다.

1 2	`[60 63 66 69] [ 46 86 126]`

sum(axis=0)은 행 방향을 따라 내려가며 더합니다. 그래서 열마다 하나의 합이 남습니다.

sum(axis=1)은 열 방향을 따라 가로로 더합니다. 그래서 행마다 하나의 합이 남습니다.

아래 도식은 축에 따라 어떤 방향이 접히고 어떤 결과가 남는지 보여 줍니다.

flowchart TD
    a["data = [[10, 11, 12, 13],<br/>[20, 21, 22, 23],<br/>[30, 31, 32, 33]]<br/>shape = (3, 4)"]
    a --> b["sum(axis=0)<br/>행 축을 줄여 열별 합"]
    a --> c["sum(axis=1)<br/>열 축을 줄여 행별 합"]
    b --> d["[60, 63, 66, 69]<br/>shape = (4,)"]
    c --> e["[46, 86, 126]<br/>shape = (3,)"]

중요한 점은 axis=0이 “0번 행을 고른다”는 뜻이 아니라는 것입니다. 인덱싱에서 0은 위치를 고르는 숫자입니다. 하지만 axis=0은 계산이 진행되는 차원을 지정합니다.

샘플과 특징¶

AI 실습에서 2차원 배열은 자주 다음처럼 읽힙니다.

방향	자주 쓰는 해석
행(row)	샘플(sample), 데이터 한 건
열(column)	특징(feature), 변수(variable)

예를 들어 샘플 세 개의 특징 두 개씩을 행렬에 담습니다. 각 행이 한 샘플이며 이 준비 코드는 출력이 없습니다.

features = np.array([
    [1.0, 0.2],
    [0.8, 0.4],
    [0.3, 0.9],
])

이 배열은 샘플 3개와 특징 2개로 읽을 수 있습니다.

앞의 features에서 첫 샘플 전체는 [1.0, 0.2], 두 번째 특징 전체는 [0.2, 0.4, 0.9]입니다. 다음 코드가 두 배열을 출력합니다.

print(features[0, :])
print(features[:, 1])

첫 번째 코드는 첫 번째 샘플을 꺼냅니다.

두 번째 코드는 모든 샘플의 두 번째 특징을 꺼냅니다.

모델 입력에서는 각 행이 어떤 사례인지, 각 열이 어떤 특징인지 데이터 정의로 정해야 합니다. 모양만으로 축의 의미까지 알 수는 없습니다.

NumPy 배열에서 보는 것	데이터셋 언어로 다시 읽을 때
한 행(row)	샘플(sample) 한 건
한 열(column)	특징(feature) 하나 전체
`shape[0]`	샘플 수
`shape[1]`	특징 수

아래 도식은 같은 관점을 조금 더 데이터셋에 가깝게 보여 줍니다.

flowchart TD
    a["features = [[1.0, 0.2, 7.0],<br/>[0.8, 0.4, 6.5],<br/>[0.3, 0.9, 8.1],<br/>[0.5, 0.1, 5.8]]<br/>shape = (4, 3)"]
    a --> b["두 번째 샘플: features[1, :]<br/>[0.8, 0.4, 6.5]<br/>shape = (3,)"]
    a --> c["두 번째 특징: features[:, 1]<br/>[0.2, 0.4, 0.9, 0.1]<br/>shape = (4,)"]

여기서 features[1, :]는 한 샘플의 모든 특징을 꺼내는 코드입니다. 반대로 features[:, 1]는 모든 샘플에서 같은 특징 하나를 꺼내는 코드입니다.

샘플 네 개의 특징 세 개씩을 담은 배열에서 두 번째 샘플과 두 번째 특징 열을 선택합니다. 마지막 출력은 두 번째 특징 평균 0.4입니다.

features = np.array([
    [1.0, 0.2, 7.0],
    [0.8, 0.4, 6.5],
    [0.3, 0.9, 8.1],
    [0.5, 0.1, 5.8],
])

print(features[1, :])
print(features[:, 1])
print(features[:, 1].mean())

출력은 다음과 같습니다.

1
2
3

[0.8 0.4 6.5]
[0.2 0.4 0.9 0.1]
0.4

이 예제에서 마지막 줄은 두 번째 특징의 평균을 계산합니다. 즉 “한 열을 고른다”는 일은 이후 평균, 분산, 정규화, 특징 비교 같은 작업으로 이어질 수 있습니다.

예제 코드 파일¶

이 절의 예제 코드는 다음 파일로도 확인할 수 있습니다.

p2_11_2_index_slice_axis.py

로컬 PC에서는 프로젝트 루트에서 다음처럼 실행할 수 있습니다.

1	`python docs/assets/part-02/chapter-11/p2_11_2_index_slice_axis.py`

Colab에서는 파일 내용을 코드 셀에 붙여 넣어 실행할 수 있습니다.

출력에는 1차원 슬라이싱의 start:stop:step 예제와 데이터셋 형태의 행/열 선택 예제도 포함되어 있습니다.

사례: 학생별 합과 과목별 합¶

두 학생의 국어·수학·영어 점수가 각각 [80, 70, 90], [60, 90, 75]라고 하겠습니다. 다음 코드는 두 번째 학생의 점수, 수학 열, 과목별 합, 학생별 합을 출력합니다.

import numpy as np

marks = np.array([[80, 70, 90], [60, 90, 75]])
print("second student:", marks[1, :])
print("math:", marks[:, 1])
print("subject totals:", marks.sum(axis=0))
print("student totals:", marks.sum(axis=1))

second student: [60 90 75]
math: [70 90]
subject totals: [140 160 165]
student totals: [240 225]

과목별 합은 학생 축을 합쳐 결과 모양이 (3,)이고, 학생별 합은 과목 축을 합쳐 (2,)입니다. 두 번째 학생의 수학 점수를 90에서 100으로 바꾸면 과목별 합은 [140, 170, 165], 학생별 합은 [240, 235]가 됩니다. 수학 합과 두 번째 학생 합만 10씩 증가합니다.

체크리스트¶

NumPy 인덱스가 0부터 시작한다는 점을 설명할 수 있다.
data[1, 2]를 행과 열 기준으로 읽을 수 있다.
data[2, :]와 data[:, 3]의 차이를 설명할 수 있다.
data[0:2, 1:3]이 어떤 부분 배열을 선택하는지 설명할 수 있다.
sum(axis=0)과 sum(axis=1)의 결과가 왜 다른지 설명할 수 있다.
행을 샘플, 열을 특징으로 읽는 데이터셋 관점을 설명할 수 있다.
shape = (4, 3)을 보면 샘플 4개, 특징 3개처럼 읽을 수 있다.
인덱싱은 위치를 고르고, 슬라이싱은 구간을 남기며, 축은 계산 방향을 정한다는 점을 설명할 수 있다.
정수 인덱스와 길이 1인 슬라이스가 만드는 shape 차이를 예측할 수 있는가?

출처와 참고 자료¶

NumPy Developers, Indexing on ndarrays, NumPy Manual, 확인 날짜: 2026-07-20. 기본 인덱싱, 슬라이싱, 다차원 인덱스, advanced indexing과 copy/view 주의점 확인에 사용했다.
NumPy Developers, NumPy glossary, NumPy Manual, 확인 날짜: 2026-07-20. axis, broadcasting, copy, view 같은 용어를 현재 절의 용어 설명과 맞추는 근거로 사용했다.