P2-11.4 보충학습: NumPy에서 모양(shape)과 원본 공유를 함께 읽는 법¶

Section ID: P2-11.4 Version: v2026.09.15

슬라이스와 원본 공유¶

NumPy 배열의 기본 슬라이싱은 원본과 데이터를 공유하는 뷰(view)를 만듭니다. scores[1:4]로 얻은 배열의 첫 값을 999로 바꾸면 원본의 1번 위치도 999가 됩니다.

import numpy as np

scores = np.array([82, 75, 45, 90, 61])
middle = scores[1:4]

middle[0] = 999

print(scores)
print(middle)

출력은 다음과 같습니다.

1 2	`[ 82 999 45 90 61] [999 45 90]`

위치·조건 선택과 복사¶

위치 목록으로 선택하는 팬시 인덱싱(fancy indexing)과 참·거짓 배열로 선택하는 불리언 마스크(boolean mask)는 데이터를 복사합니다. 다음 코드에서 picked의 첫 값을 500으로, high_scores의 첫 값을 700으로 바꿔도 원본은 [82, 75, 45, 90, 61]로 남습니다.

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

picked = scores[[1, 3, 4]]
high_scores = scores[scores >= 80]

picked[0] = 500
high_scores[0] = 700

print(scores)
print(picked)
print(high_scores)

출력은 다음과 같습니다.

1
2
3

[82 75 45 90 61]
[500  90  61]
[700  90]

여기서 scores[[1, 3, 4]]는 1번, 3번, 4번 위치 값을 따로 모읍니다. 이런 방식을 팬시 인덱싱이라고 부릅니다.

scores[scores >= 80]는 조건이 참인 값만 고릅니다. 이런 방식은 불리언 마스크라고 부릅니다.

길이 1인 축 추가¶

np.newaxis는 지정한 위치에 길이 1인 축을 추가합니다. 점수 세 개를 담은 (3,) 배열을 (3, 1) 또는 (1, 3)으로 볼 수 있습니다. 이 선택 결과도 원본과 데이터를 공유합니다.

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

print(scores.shape)
print(scores[:, np.newaxis].shape)
print(scores[np.newaxis, :].shape)

출력은 다음과 같습니다.

1
2
3

(3,)
(3, 1)
(1, 3)

세 배열의 값은 같지만 차원과 모양이 다릅니다.

표현	shape	읽는 법
`scores`	`(3,)`	길이 3인 1차원 배열
`scores[:, np.newaxis]`	`(3, 1)`	3행 1열 열 벡터처럼 보기
`scores[np.newaxis, :]`	`(1, 3)`	1행 3열 행 벡터처럼 보기

즉 np.newaxis는 숫자를 새로 만드는 것이 아니라, 배열을 어느 방향으로 계산에 맞출지 정리하는 표기입니다.

모든 조합의 차이 계산¶

[10, 20, 30] 각각에서 1과 2를 뺀 결과를 모두 구하려면 3행 2열 배열이 필요합니다. 첫 배열을 (3, 1), 둘째 배열을 (1, 2)로 바꾸면 브로드캐스팅으로 여섯 조합을 계산할 수 있습니다.

a = np.array([10, 20, 30])
b = np.array([1, 2])

diff = a[:, np.newaxis] - b[np.newaxis, :]

print(a[:, np.newaxis].shape)
print(b[np.newaxis, :].shape)
print(diff)

출력은 다음과 같습니다.

(3, 1)
(1, 2)
[[ 9  8]
 [19 18]
 [29 28]]

첫 행 [9, 8]은 10에서 1과 2를 뺀 결과입니다. 마지막 행 [29, 28]은 30에서 두 값을 뺀 결과입니다. b를 [1, 5]로 바꾸면 둘째 열만 [5, 15, 25]로 바뀝니다. 축을 추가하지 않고 a - b를 계산하면 (3,)과 (2,)이 호환되지 않아 오류가 납니다.

reshape와 전치¶

reshape는 원소를 새 모양으로 묶고, 2차원 배열의 .T는 행 축과 열 축을 바꿉니다. 같은 (3, 2) 모양을 만들어도 값의 배치는 다릅니다.

matrix = np.array([[10, 11, 12], [20, 21, 22]])
print(matrix.reshape(3, 2))
print(matrix.T)

[[10 11]
 [12 20]
 [21 22]]
[[10 20]
 [11 21]
 [12 22]]

원래 행이 학생이라면 전치한 배열의 열이 학생을 나타냅니다. reshape(3, 2)는 이 의미를 알아서 보존하지 않습니다. 또한 (3,)인 1차원 배열의 .T는 여전히 (3,)입니다. 열 벡터 모양이 필요하면 [:, np.newaxis]로 축을 추가합니다.

reshape는 가능하면 뷰를 반환하지만 메모리 배치에 따라 복사할 수도 있습니다. 다음 예제는 작은 배열에서 실제 데이터 공유 여부를 확인합니다.

matrix = np.array([[10, 11, 12], [20, 21, 22]])
reshaped = matrix.reshape(3, 2)
transposed_flat = matrix.T.reshape(-1)

print(np.shares_memory(matrix, reshaped))
print(np.shares_memory(matrix, transposed_flat))

출력은 True, False입니다. -1은 원소 수에 맞춰 해당 축의 길이를 추론하라는 뜻입니다. 이 전치 배열을 기본 순서로 평탄화할 때는 복사가 필요합니다. 모든 reshape가 뷰이거나 모든 reshape가 복사라고 외우지 않습니다. 원본을 보존한 채 수정할 목적이면 .copy()로 의도를 명시합니다.

사례: 선택한 점수만 보정하기¶

원본 점수 [82, 75, 45, 90, 61]에서 1번부터 3번 위치만 골라 10점씩 더한다고 합시다. 슬라이스를 그대로 수정하면 원본도 바뀝니다. 원본과 보정 결과를 비교하려면 선택한 구간을 .copy()로 복사해야 합니다.

scores = np.array([82, 75, 45, 90, 61])
adjusted = scores[1:4].copy()
adjusted += 10

print(scores)
print(adjusted)

1 2	`[82 75 45 90 61] [ 85 55 100]`

.copy()를 지우고 코드 전체를 다시 실행하면 원본도 [82, 85, 55, 100, 61]로 바뀝니다. 보정 전후 평균을 비교하려는데 원본까지 바뀌면 비교 기준인 보정 전 데이터가 훼손됩니다.

조건 선택의 결과가 복사본이라는 설명은 값을 읽어 새 변수에 담는 경우에 해당합니다. scores[scores < 60] = 60처럼 선택한 위치에 직접 대입하면 원본의 해당 점수가 바뀝니다. 반면 low = scores[scores < 60]으로 따로 담은 뒤 low[:] = 60을 실행하면 원본은 바뀌지 않습니다.

flowchart TD
    select["값 선택 방식<br/>슬라이스 / 팬시 / 마스크"]
    share["원본을 함께 보는가<br/>view인지 copy인지"]
    reshape["newaxis로 shape 변경<br/>축이 어떻게 바뀌는가"]
    broadcast["broadcasting 규칙<br/>어떻게 맞춰 계산되는가"]
    result["계산 결과와 부작용<br/>값 변화와 원본 영향"]

    select --> share
    select --> reshape
    reshape --> broadcast
    share --> result
    broadcast --> result

예제 코드 파일¶

선택 방식에 따른 원본 변경과 shape 변화를 순서대로 실행해 비교합니다.

p2_11_4_views_shapes.py

1	`python docs/assets/part-02/chapter-11/p2_11_4_views_shapes.py`

체크리스트¶

x[1:4]와 x[[1, 3, 4]]의 차이를 설명할 수 있는가?
불리언 마스크가 무엇을 고르는지 설명할 수 있는가?
(3,), (3, 1), (1, 3)의 차이를 설명할 수 있는가?
np.newaxis가 broadcasting과 왜 연결되는지 설명할 수 있는가?
원본 보존이 중요할 때 .copy() 여부를 먼저 점검해야 한다는 점을 기억하는가?
NumPy 코드를 읽을 때 값만이 아니라 shape와 원본 공유 여부를 함께 봐야 한다는 점을 설명할 수 있는가?
reshape와 전치의 값 배치를 구분하고 np.shares_memory로 원본 공유를 확인할 수 있는가?

출처와 참고 자료¶

NumPy Developers, Copies and views, NumPy Manual, 확인 날짜: 2026-09-08. view와 copy의 차이, 기본 인덱싱 view, advanced indexing copy, .base 확인 설명의 근거로 사용했다.
NumPy Developers, Indexing on ndarrays, NumPy Manual, 확인 날짜: 2026-09-08. 선택 방식에 따라 shape와 원본 공유 여부가 달라지는 설명 확인에 사용했다.
NumPy Developers, Broadcasting, NumPy Manual, 확인 날짜: 2026-07-20. np.newaxis와 shape 조정이 broadcasting 이해와 연결되는 설명의 근거로 사용했다.
NumPy Developers, numpy.shares_memory, NumPy Manual, 확인 날짜: 2026-09-15. 작은 배열 예제의 메모리 공유 판별.