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

Section ID: P2-11.3 Version: v2026.07.20

P2-11.1에서는 NumPy 배열(array)의 shape, ndim, dtype을 확인했습니다. P2-11.2에서는 인덱싱(indexing), 슬라이싱(slicing), 축(axis)을 사용해 배열의 어느 부분을 읽고 어느 방향으로 계산할지 봤습니다.

이제 한 단계 더 나아갑니다. NumPy 코드에서는 반복문(loop)을 직접 쓰지 않았는데도 배열 전체에 계산이 적용되는 경우가 자주 보입니다.

예를 들어 다음 코드는 숫자 하나를 배열 전체에 더합니다.

문제 상황: 반복문 없이도 배열 전체에 같은 값을 더할 수 있는지 가장 작은 예제로 확인합니다. 입력(input): 점수 세 개를 담은 배열과 스칼라 10입니다. 기대 출력(output): 각 값에 10이 더해진 새 배열이 출력됩니다. 확인할 개념: 브로드캐스팅의 첫 감각은 스칼라가 배열의 각 위치에 적용되는 모습이라는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
import numpy as np

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

출력은 다음과 같습니다.

1	`[92 85 55]`

코드에는 for가 없습니다. 하지만 결과를 보면 각 값에 10이 더해졌습니다. 이런 계산을 이해하려면 브로드캐스팅(broadcasting)과 벡터화(vectorization)를 함께 봐야 합니다.

여기서는 브로드캐스팅(broadcasting)과 벡터화(vectorization)의 기본 구분을 설명합니다. NumPy, shape, 축(axis)의 대표 설명은 P2-11.1, P2-11.2와 개념사전에 두고, 여기서는 그 배열 전체에 계산이 어떻게 퍼져 적용되는지에 집중합니다.

핵심 기준: 브로드캐스팅(broadcasting)과 벡터화(vectorization)¶

브로드캐스팅을 작은 배열이 큰 배열의 shape에 맞춰 계산되는 규칙으로 설명할 수 있습니다.
스칼라와 배열의 계산을 위치별(element-wise) 계산으로 읽을 수 있습니다.
(n, m) 데이터 행렬에 (m,) 벡터를 더하거나 빼는 예를 설명할 수 있습니다.
shape이 맞지 않을 때 broadcasting 오류가 날 수 있음을 설명할 수 있습니다.
벡터화를 “반복이 사라진 것”이 아니라 “Python 반복문을 배열 연산으로 표현한 것”으로 설명할 수 있습니다.

세 가지 기준¶

기준	왜 중요한가	이 절에서 필요한 이해 수준
브로드캐스팅이 무엇인가	배열 전체 계산이 왜 한 줄로 읽히는지 설명해 줍니다.	작은 배열을 큰 배열 계산에 맞춰 자연스럽게 퍼뜨려 적용하는 방식으로 이해합니다.
벡터화가 무엇인가	반복이 사라진 것이 아니라 표현 위치가 바뀐 것임을 분명하게 해 줍니다.	반복문으로 쓰던 일을 배열 연산 하나로 표현하는 방식으로 이해합니다.
무엇을 먼저 조심해야 하나	편한 문법과 shape 오류 가능성을 함께 보게 해 줍니다.	편해 보여도 `shape`가 맞는지부터 확인해야 함을 이해합니다.

용어	이 절에서 먼저 잡을 뜻
브로드캐스팅(broadcasting)	작은 배열이나 스칼라를 큰 배열 계산에 맞춰 적용하는 규칙입니다.
벡터화(vectorization)	반복 계산을 배열 연산 하나로 표현하는 방식입니다.
위치별 계산(element-wise operation)	같은 위치의 값끼리 같은 규칙을 적용하는 계산입니다.
shape 호환성(shape compatibility)	두 배열이 함께 계산될 수 있는지 판단하는 모양 조건입니다.
스칼라(scalar)	배열 전체에 같은 규칙을 적용할 때 기준이 되는 숫자 하나입니다.

브로드캐스팅은 shape을 맞춰 계산하게 해 준다¶

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

여기서는 브로드캐스팅을 작은 값이나 작은 배열을 더 큰 배열의 모양에 맞춰 반복 적용하는 규칙으로 이해합니다.

가장 쉬운 예는 스칼라와 배열의 계산입니다.

문제 상황: 스칼라가 배열 전체에 더해지거나 곱해질 때 결과가 어떻게 달라지는지 비교합니다. 입력(input): 점수 배열 scores와 스칼라 10, 2입니다. 기대 출력(output): +10 결과와 *2 결과가 각각 출력됩니다. 확인할 개념: 스칼라 연산은 배열 각 위치에 같은 규칙으로 적용된다는 점을 확인합니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
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.

A scalar is applied across an array by broadcasting

배열끼리 계산할 때는 shape을 먼저 본다¶

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

예를 들어 다음 배열을 봅니다.

문제 상황: 특징 행렬에 특징별 보정 벡터를 더할 수 있는지 shape와 결과를 함께 확인합니다. 입력(input): (4, 3) 모양의 features와 (3,) 모양의 feature_offset입니다. 기대 출력(output): 두 배열의 shape와 보정된 행렬이 출력됩니다. 확인할 개념: 길이 3 벡터는 각 행의 세 특징에 맞춰 브로드캐스팅될 수 있다는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
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]]

features의 shape은 (4, 3)입니다. 샘플 4개, 특징 3개로 읽을 수 있습니다.

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.

A row-shaped vector is broadcast across each row of a feature matrix

맞지 않는 shape은 오류를 만든다¶

브로드캐스팅은 편리하지만, shape이 맞지 않으면 오류가 납니다.

문제 상황: 겉보기에는 비슷해도 맞지 않는 shape가 왜 오류를 만드는지 확인합니다. 입력(input): (4, 3) 행렬 features와 길이 4 벡터 bad_offset입니다. 기대 출력(output): 두 shape가 출력된 뒤 broadcasting 오류가 발생합니다. 확인할 개념: 브로드캐스팅은 아무 배열이나 맞춰 주지 않으며, 마지막 차원 기준 호환성이 중요하다는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
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,)`

왜 그럴까요?

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.

여기서는 다음 기준을 먼저 기억합니다.

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

정확한 규칙은 더 복잡하지만, 지금은 “마지막 차원부터 맞는지 본다”는 감각이 중요합니다.

벡터화는 반복을 배열 연산으로 표현하는 일이다¶

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.

문제 상황: 배열 연산과 비교하기 전에 반복문으로 같은 작업을 직접 적어 봅니다. 입력(input): 점수 세 개가 든 Python 리스트입니다. 기대 출력(output): 각 점수에 10이 더해진 리스트가 출력됩니다. 확인할 개념: 벡터화는 이런 반복 계산을 더 간결한 배열 연산으로 표현하는 방식이라는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
scores = [82, 75, 45]

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

print(adjusted)

NumPy 배열에서는 다음처럼 쓸 수 있습니다.

문제 상황: 방금 반복문으로 한 작업을 NumPy 배열 연산 한 줄로 다시 표현합니다. 입력(input): 점수 배열 scores와 스칼라 10입니다. 기대 출력(output): 보정된 점수 배열이 출력됩니다. 확인할 개념: 벡터화는 반복이 사라진 것이 아니라 배열 단위 문법으로 옮겨 표현된 것임을 확인합니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
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.

더 안전한 표현은 벡터화를 반복 계산을 Python 코드의 for가 아니라 배열 연산으로 표현하는 방식으로 보는 것입니다.

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

flowchart TD
    loop["Python loop view<br/>adjusted = []<br/>for score in scores:<br/>adjusted.append(score + 10)"]
    bridge["same idea"]
    vectorized["NumPy vectorized view<br/>adjusted = scores + 10"]

    loop --> bridge --> vectorized

    classDef loopBox fill:#f8fafc,stroke:#cbd5e1,stroke-width:2px,color:#0f172a;
    classDef bridgeBox fill:#ffffff,stroke:#cbd5e1,stroke-width:2px,color:#0f172a;
    classDef vectorBox fill:#eff6ff,stroke:#2563eb,stroke-width:2px,color:#0f172a;

    class loop loopBox;
    class bridge bridgeBox;
    class vectorized vectorBox;

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.

먼저 데이터 행렬을 만듭니다.

문제 상황: 특징별 평균을 빼는 전처리에서 평균 벡터와 중심화 결과를 한 번에 확인합니다. 입력(input): (4, 3) 특징 행렬 features입니다. 기대 출력(output): 열별 평균 벡터와 평균을 뺀 결과 행렬이 출력됩니다. 확인할 개념: axis=0 평균 결과 (3,)가 각 행에 브로드캐스팅되어 중심화가 이루어진다는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
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.

이 예제는 P2-11.2의 축(axis) 설명과 이어집니다.

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

중요한 것은 “평균을 하나 구했다”가 아닙니다. 어떤 축으로 평균을 냈고, 그 결과가 어떤 shape이며, 원래 배열에 어떻게 적용되는지를 함께 읽어야 합니다.

브로드캐스팅은 편하지만 항상 좋은 것은 아니다¶

브로드캐스팅과 벡터화는 코드를 짧게 만들고, 많은 경우 읽기 쉽게 만듭니다. 하지만 항상 더 좋은 방법이라는 뜻은 아닙니다.

주의할 점은 세 가지입니다.

첫째, shape을 확인하지 않으면 의도와 다른 계산을 할 수 있습니다.

둘째, 복잡한 broadcasting은 읽기 어려운 코드가 될 수 있습니다.

셋째, 어떤 경우에는 너무 큰 중간 배열이 만들어져 메모리를 많이 쓸 수 있습니다. NumPy 공식 문서도 broadcasting이 보통 효율적이지만, 특정 알고리즘에서는 메모리를 비효율적으로 쓸 수 있다고 경고합니다.

따라서 입문 단계의 좋은 습관은 다음입니다.

문제 상황: 브로드캐스팅 계산 전 어떤 shape를 먼저 확인해야 하는지 점검합니다. 입력(input): 원본 행렬 features와 열 평균 벡터 column_mean입니다. 기대 출력(output): 두 배열의 shape가 출력됩니다. 확인할 개념: 브로드캐스팅이 편해 보여도 먼저 모양을 확인해야 안전하게 읽을 수 있다는 점을 봅니다.

# 브로드캐스팅과 벡터화로 배열 전체에 같은 계산 규칙을 적용하는 예제입니다.
print(features.shape)
print(column_mean.shape)

계산하기 전에 shape을 확인합니다.

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 및 예시¶

사례 1. 학생별 보정 점수를 한 번에 더하는 이유¶

학습자가 각 학생 점수에 보정값을 더하려고 할 때 for 반복문으로 하나씩 처리하고 싶어질 수 있습니다. 이 방식은 절차를 이해하기에는 좋지만, 특징이 여러 개이고 샘플이 많아지면 같은 계산을 계속 써야 해서 코드가 길어집니다.

NumPy 배열에서는 같은 계산을 scores + 10이나 (4, 3) 행렬에 (3,) 벡터를 더하는 식으로 한 번에 표현할 수 있습니다. 여기서 중요한 것은 NumPy가 마법처럼 계산을 대신해 준다는 뜻이 아니라, 사람이 반복하던 같은 연산을 배열 단위 문법으로 옮겨 쓴다는 점입니다.

예를 들어 세 특징을 가진 모든 학생에게 특징별 보정값 [0.1, 0.2, 0.3]을 더한다면, (4, 3) 행렬의 각 행에 같은 길이 3 벡터가 적용됩니다. 반대로 (4,) 벡터를 더하려고 하면 shape이 맞지 않아 오류가 납니다. 즉 편리함보다 먼저 확인해야 할 것은 언제나 shape입니다.

이 사례는 브로드캐스팅과 벡터화를 실제 계산 장면으로 묶어 줍니다. 반복을 지운 것이 아니라 반복을 배열 계산으로 표현한 것이고, 그 표현이 안전하게 작동하려면 작은 배열과 큰 배열의 모양이 어떤 질문에 대응하는지 먼저 읽어야 합니다.

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.
브로드캐스팅은 작은 값이나 작은 배열을 큰 배열의 shape에 맞춰 계산하게 하는 규칙이라는 점을 설명할 수 있다.

출처와 참고 자료¶

NumPy Developers, Broadcasting, NumPy v2.5 Manual, 확인 날짜: 2026-07-20. broadcasting 규칙, 차원 비교, shape mismatch 오류 설명을 현재 절의 핵심 근거로 사용했다.
NumPy Developers, NumPy quickstart, NumPy v2.5 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 v2.5 Manual, 확인 날짜: 2026-07-20. Python 반복 대신 배열 단위 계산으로 읽는 입문 설명과 shape 확인 흐름의 근거로 사용했다.