P2-11.3 브로드캐스팅(broadcasting)과 벡터화(vectorization)¶

Section ID: P2-11.3 Version: v2026.09.15

스칼라와 배열의 계산¶

NumPy 공식 문서는 브로드캐스팅을 서로 다른 shape을 가진 배열을 산술 연산에서 어떻게 다루는지 설명하는 용어로 소개합니다. 작은 배열은 큰 배열과 호환되는 shape처럼 취급되어 계산됩니다.

브로드캐스팅은 서로 다른 모양의 배열에 같은 계산 규칙을 적용하는 방법입니다.

점수 [82, 75, 45]에 각각 10을 더하거나 2를 곱합니다. 첫 배열은 [92, 85, 55], 둘째 배열은 [164, 150, 90]이 됩니다.

import numpy as np

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

print(scores + 10)
print(scores * 2)

출력은 다음과 같습니다.

1 2	`[92 85 55] [164 150 90]`

여기서 10과 2는 스칼라(scalar)입니다. NumPy는 이 스칼라를 배열의 각 위치에 적용합니다.

아래 도식은 스칼라가 배열 전체에 반복 적용되는 모습을 보여 줍니다. 실제로 같은 값을 물리적으로 여러 번 복사한다고 이해하기보다, 계산 규칙상 각 위치에 적용된다고 이해하는 편이 안전합니다.

flowchart TD
    a["scores = [82, 75, 45]<br/>shape = (3,)"]
    a --> b["scores + 10<br/>모든 원소에 10 더하기"]
    b --> c["[92, 85, 55]<br/>shape = (3,)"]

특징별 보정값 더하기¶

브로드캐스팅은 아무 배열이나 억지로 맞춰 주는 기능이 아닙니다. shape이 맞아야 합니다.

네 샘플의 특징 세 개를 행렬에 담고, 각 특징에 [0.1, 0.2, 0.3]을 더합니다. 첫 샘플 [1.0, 0.2, 7.0]은 [1.1, 0.4, 7.3]으로 바뀝니다.

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],
])

feature_offset = np.array([0.1, 0.2, 0.3])

print(features.shape)
print(feature_offset.shape)
print(features + feature_offset)

출력은 다음과 같습니다.

(4, 3)
(3,)
[[1.1 0.4 7.3]
 [0.9 0.6 6.8]
 [0.4 1.1 8.4]
 [0.6 0.3 6.1]]

이 예제는 행에 샘플, 열에 특징을 배치했으므로 (4, 3)은 샘플 4개와 특징 3개를 뜻합니다.

feature_offset의 shape은 (3,)입니다. 특징 3개에 각각 더할 값으로 읽을 수 있습니다.

NumPy는 (3,) 배열을 각 행(row)에 적용할 수 있다고 판단합니다. 그래서 각 샘플의 세 특징에 같은 offset이 더해집니다.

아래 도식은 (4, 3) 데이터 행렬에 (3,) 벡터가 행마다 적용되는 모습을 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)"]
    b["feature_offset = [0.1, 0.2, 0.3]<br/>shape = (3,)"]
    a --> c["features + feature_offset<br/>각 행의 같은 열에 더하기"]
    b --> c
    c --> d["[[1.1, 0.4, 7.3],<br/>[0.9, 0.6, 6.8],<br/>[0.4, 1.1, 8.4],<br/>[0.6, 0.3, 6.1]]<br/>shape = (4, 3)"]

모양 호환성¶

같은 행렬에 길이 4인 벡터를 더하면 ValueError가 발생합니다. 행 수가 4여도 마지막 차원인 열 수 3과 맞지 않기 때문입니다.

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

print(features.shape)
print(bad_offset.shape)
print(features + bad_offset)

이 코드는 오류를 냅니다.

1	`ValueError: operands could not be broadcast together with shapes (4,3) (4,)`

features는 (4, 3)입니다. 한 행에는 특징이 3개 있습니다. 그런데 bad_offset은 (4,)입니다. 이 값 4개는 행 개수와는 맞아 보이지만, 각 행의 열 개수 3개와는 맞지 않습니다.

계산	읽는 법	결과
`(4, 3) + scalar`	모든 위치에 같은 값 적용	가능
`(4, 3) + (3,)`	각 행에 길이 3 벡터 적용	가능
`(4, 3) + (4,)`	각 행의 길이 3과 맞지 않음	오류

브로드캐스팅은 마지막 차원부터 비교합니다. 대응하는 크기가 같거나 둘 중 하나가 1이면 호환됩니다. 없는 앞쪽 차원은 1로 취급합니다. (4, 3)과 (3,)은 마지막 크기가 같지만, (4, 3)과 (4,)은 3과 4가 달라 호환되지 않습니다.

반복문과 배열 연산¶

벡터화(vectorization)는 코드에서 반복문을 직접 쓰지 않고 배열 연산으로 계산을 표현하는 방식입니다.

예를 들어 Python 반복문으로 각 점수에 10을 더하면 다음처럼 쓸 수 있습니다.

scores = [82, 75, 45]

adjusted = []
for score in scores:
    adjusted.append(score + 10)

print(adjusted)

반복문은 [92, 85, 55]를 출력합니다. 같은 입력을 NumPy 배열로 바꾸면 scores + 10으로 같은 세 값을 계산합니다.

scores = np.array([82, 75, 45])
adjusted = scores + 10

print(adjusted)

둘 다 각 점수에 10을 더합니다. 차이는 표현 방식입니다.

방식	코드에서 보이는 구조	독자가 읽어야 할 관점
Python 반복문	값을 하나씩 꺼내 처리	절차를 직접 쓴다
NumPy 벡터화	배열 전체에 연산 적용	같은 계산을 배열 단위로 표현한다

NumPy 공식 문서는 브로드캐스팅이 배열 연산을 벡터화하는 수단을 제공하며, Python 대신 C 수준에서 반복이 일어나도록 도와준다고 설명합니다. 따라서 벡터화를 “반복이 없어졌다”고 이해하면 곤란합니다.

아래 도식은 같은 계산을 반복문과 배열 연산으로 다르게 표현하는 모습을 보여 줍니다.

flowchart TD
    a["Python 반복문<br/>adjusted = []<br/>for score in scores:<br/>adjusted.append(score + 10)"]
    a --> b["같은 계산"]
    b --> c["NumPy 벡터화<br/>adjusted = scores + 10"]

특징별 평균을 빼는 예¶

AI 데이터 처리에서 자주 만나는 예는 특징별 평균을 빼는 작업입니다. 평균을 0에 가깝게 맞추는 전처리(preprocessing)의 출발점으로 볼 수 있습니다.

네 샘플의 열별 평균은 [0.65, 0.4, 6.85]입니다. 이를 각 행에서 빼면 첫 행은 [0.35, -0.2, 0.15]이 됩니다.

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],
])

column_mean = features.mean(axis=0)
centered = features - column_mean

print(column_mean)
print(centered)

출력은 다음과 비슷합니다.

[0.65 0.4  6.85]
[[ 0.35 -0.2   0.15]
 [ 0.15  0.   -0.35]
 [-0.35  0.5   1.25]
 [-0.15 -0.3  -1.05]]

여기서 features.mean(axis=0)은 각 열(column)의 평균을 계산합니다. 결과 shape은 (3,)입니다. features의 shape은 (4, 3)입니다.

features - column_mean은 (4, 3)에서 (3,)을 빼는 계산입니다. NumPy는 (3,) 평균 벡터를 각 행에 적용합니다.

코드	shape	의미
`features`	`(4, 3)`	샘플 4개, 특징 3개
`features.mean(axis=0)`	`(3,)`	특징별 평균
`features - column_mean`	`(4, 3)`	각 샘플에서 특징별 평균을 뺀 결과

중심화한 배열의 각 열 평균은 부동소수점 계산 오차 범위에서 0입니다. axis=1로 바꾸면 행별 평균 네 개가 나와 (4,)가 되므로, 같은 뺄셈은 실패합니다.

행별 평균과 keepdims¶

각 학생의 평균을 그 학생의 과목 점수에서 빼려면 행별 평균을 (학생 수, 1)로 유지해야 합니다. keepdims=True는 요약한 축을 없애지 않고 길이 1로 남깁니다.

marks = np.array([[80, 70, 90], [60, 90, 75]])
row_mean = marks.mean(axis=1, keepdims=True)
row_centered = marks - row_mean

print(row_mean.shape)
print(row_centered)
print(row_centered.mean(axis=1))

(2, 1)
[[  0. -10.  10.]
 [-15.  15.   0.]]
[0. 0.]

keepdims를 생략하면 평균의 모양은 (2,)가 되어 (2, 3)에서 바로 뺄 수 없습니다. 행과 열이 모두 3인 정사각형 배열에서는 (3,)을 빼는 계산이 성공할 수도 있지만, 이 값은 행별이 아니라 열 위치에 맞춰 적용됩니다. 오류가 없다는 사실만으로 의도한 축에 계산했다고 판단하지 않습니다. 행별 중심화라면 결과의 행별 평균이 0에 가까운지도 확인합니다.

중간 배열과 메모리¶

브로드캐스팅은 입력을 반복 복사하지 않고도 연산할 수 있지만, 연산 결과 배열에는 메모리가 필요합니다. 예를 들어 (10000, 1) 배열과 (1, 10000) 배열을 더하면 결과는 (10000, 10000)이 됩니다. 원소 1억 개를 float64로 저장하는 데만 약 800MB가 필요합니다. 입력 크기뿐 아니라 결과의 shape도 확인해야 합니다.

예제 코드 파일¶

이 절의 예제 코드는 다음 파일로도 확인할 수 있습니다.

p2_11_3_broadcast_vectorization.py

로컬 PC에서는 프로젝트 루트에서 다음처럼 실행할 수 있습니다.

1	`python docs/assets/part-02/chapter-11/p2_11_3_broadcast_vectorization.py`

Colab에서는 파일 내용을 코드 셀에 붙여 넣어 실행할 수 있습니다.

출력에는 스칼라 broadcasting, 행 벡터 broadcasting, shape mismatch 오류 확인, 특징별 평균 제거 예제가 포함되어 있습니다.

사례: 과목별 보정과 학생별 보정¶

두 학생의 국어·수학·영어 점수가 각각 [80, 70, 90], [60, 90, 75]라고 합시다. 과목별로 국어 5점, 수학 10점, 영어 0점을 더하려면 길이 3인 벡터를 사용합니다. 결과는 [85, 80, 90], [65, 100, 75]입니다.

marks = np.array([[80, 70, 90], [60, 90, 75]])
subject_bonus = np.array([5, 10, 0])
student_bonus = np.array([[5], [10]])

print(marks + subject_bonus)
print(marks + student_bonus)

[[ 85  80  90]
 [ 65 100  75]]
[[ 85  75  95]
 [ 70 100  85]]

학생별로 첫 학생에게 5점, 둘째 학생에게 10점을 더할 때는 (2, 1) 배열을 사용합니다. 각 행의 보정값 하나가 세 과목에 적용됩니다. 이를 [5, 10]으로 적으면 (2,)이 되어 마지막 차원 3과 맞지 않으므로 오류가 납니다.

subject_bonus의 두 번째 값을 10에서 0으로 바꾸면 첫 출력에서 수학 점수만 원래 값인 70과 90으로 돌아갑니다. student_bonus의 두 번째 값을 10에서 0으로 바꾸면 둘째 출력에서 두 번째 학생의 세 과목 점수가 모두 원래 값으로 돌아갑니다. 같은 덧셈이어도 보정값의 배치에 따라 적용 대상이 달라집니다.

체크리스트¶

스칼라와 배열의 계산을 broadcasting으로 설명할 수 있다.
(4, 3) + (3,)이 왜 가능한지 설명할 수 있다.
(4, 3) + (4,)이 왜 바로 실패할 수 있는지 설명할 수 있다.
Python 반복문과 NumPy 벡터화 표현의 차이를 설명할 수 있다.
features.mean(axis=0)의 결과 shape을 설명할 수 있다.
특징별 평균을 빼는 계산에서 broadcasting이 어디서 일어나는지 설명할 수 있다.
broadcasting이 항상 좋은 선택은 아니며, shape과 메모리 사용을 확인해야 함을 설명할 수 있다.
행별 평균을 뺄 때 keepdims=True가 필요한 이유와 결과 확인 방법을 설명할 수 있는가?

출처와 참고 자료¶

NumPy Developers, Broadcasting, NumPy Manual, 확인 날짜: 2026-09-08. broadcasting 규칙, 차원 비교, shape mismatch 오류 설명을 현재 절의 핵심 근거로 사용했다.
NumPy Developers, NumPy quickstart, NumPy Manual, 확인 날짜: 2026-07-20. 배열 산술, universal functions, 기본 축 계산 예시 확인에 사용했다.
NumPy Developers, NumPy: the absolute basics for beginners, NumPy Manual, 확인 날짜: 2026-07-20. Python 반복 대신 배열 단위 계산으로 읽는 입문 설명과 shape 확인 흐름의 근거로 사용했다.
NumPy Developers, numpy.mean, NumPy Manual, 확인 날짜: 2026-09-15. axis 축약과 keepdims의 축 유지.