파이썬 SciPy: 라이브러리 & 함수 종합 튜토리얼

파이썬 SciPy: 라이브러리 & 함수 종합 튜토리얼

파이썬 SciPy

SciPy는 NumPy를 확장해 수학, 과학, 공학, 기술 문제 해결 도구를 제공하는 오픈소스 라이브러리입니다. NumPy 위에 구축된 SciPy는 데이터 조작과 시각화를 위한 광범위한 고수준 명령을 제공합니다.

서브 패키지

• scipy.io – MATLAB, NetCDF, CSV 등 다양한 포맷 파일 I/O
• scipy.special – 특수 수학 함수 (Bessel, Gamma 등)
• scipy.linalg – 선형 대수 루틴
• scipy.interpolate – 보간 기법
• scipy.optimize – 최적화와 커브 피팅
• scipy.stats – 통계 분포와 난수 생성
• scipy.integrate – 수치 적분
• scipy.fftpack – 고속 푸리에 변환
• scipy.signal – 신호 처리
• scipy.ndimage – 다차원 이미지 처리

이 튜토리얼 다룰 내용:

• SciPy 정의와 중요성
• NumPy와 SciPy 차이점
• 설치와 환경 설정
• 코드 예제와 주요 서브 패키지
• 실용 애플리케이션: 선형 대수, 푸리에 변환, 최적화, 이미지 처리, 수치 적분

왜 SciPy를 사용하는가?

• GNU Scientific Library와 MATLAB에 버금가는 포괄적 과학 도구 세트
• 사용하기 쉽고 빠르며 NumPy 배열과 완전 호환
• 학계와 산업계에서 널리 채택되어 탄탄한 지원과 커뮤니티 기여 보장

NumPy vs SciPy

NumPy

• C로 작성된 파이썬 고성능 수치 계산 핵심 라이브러리
• 배열 객체와 기본 연산(정렬, 형태 변경, 인덱싱) 제공
• 파이썬 모든 과학 라이브러리의 기반

SciPy

• NumPy 위에 구축되어 특수 알고리즘으로 확장
• 완전한 선형대수 스위트, 최적화, 통계 등 포함
• 고급 과학 워크플로에 필수

설치 & 환경 설정

pip나 시스템 패키지 매니저로 SciPy 설치:

Python3 -m pip install --user numpy scipy

sudo apt-get install python-scipy python-numpy

sudo port install py35-scipy py35-numpy

스크립트에서 SciPy와 NumPy 임포트:

from scipy import special
import numpy as np

scipy.io로 파일 I/O

MATLAB .mat 파일 쉽게 저장/로드:

import numpy as np
from scipy import io as sio
array = np.ones((4, 4))
sio.savemat('example.mat', {'ar': array})
loaded = sio.loadmat('example.mat', struct_as_record=True)
print(loaded['ar'])

출력: array([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])

특수 함수 – scipy.special

자주 쓰이는 특수 함수 예:

• 세제곱근: scipy.special.cbrt(x) → cbrt([27, 64]) # [3., 4.]
• 10^x: scipy.special.exp10(x) → exp10([1,10]) # [1.e+01 1.e+10]
• 조합: scipy.special.comb(N, k, exact=False, repetition=True) → comb(5, 2) # 15.0
• 순열: scipy.special.perm(N, k, exact=True) → perm(5, 2) # 20
• LogSumExp: scipy.special.logsumexp(x)
• Bessel J: scipy.special.jn(n, x)

선형 대수 – scipy.linalg

행렬식, 역행렬, 고윳값, 고유벡터 계산:

from scipy import linalg
import numpy as np
A = np.array([[4,5],[3,2]])
print(linalg.det(A))  # -7.0
print(linalg.inv(A))  # 역행렬
vals, vecs = linalg.eig(A)
print(vals)
print(vecs)

출력: -7.0 / 역행렬 / [9.+0.j -1.+0.j] / 고유벡터

이산 푸리에 변환 – scipy.fftpack

정현파 변환하고 스펙트럼 시각화:

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
from scipy import fftpack

freq = 5
sample_rate = 50
t = np.linspace(0, 2, 2 * sample_rate, endpoint=False)
wave = np.sin(freq * 2 * np.pi * t)
plt.plot(t, wave)
plt.xlabel('Time (s)'); plt.ylabel('Amplitude')
plt.show()

A = fftpack.fft(wave)
frequency = fftpack.fftfreq(len(wave)) * sample_rate
plt.stem(frequency, np.abs(A))
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude')
plt.xlim(-sample_rate/2, sample_rate/2)
plt.ylim(0, 110)
plt.show()

최적화 – scipy.optimize

BFGS로 스칼라 함수 최솟값 찾기, basin-hopping으로 전역 탐색:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize

def func(a):
    return a*2 + 20*np.sin(a)

plt.plot(np.linspace(-10, 10, 400), func(np.linspace(-10, 10, 400)))
plt.show()

min_bfgs = optimize.fmin_bfgs(func, 0)
print('BFGS 결과:', min_bfgs)
min_basin = optimize.basinhopping(func, 0)
print('Basin-hopping 결과:', min_basin.x)

BFGS가 찾은 지역 최솟값과 basin-hopping으로 확인된 전역 최적값 출력.

Nelder-Mead 알고리즘

기울기 정보 없이 단순 무제약 최소화:

from scipy.optimize import minimize

def f(x):
    return 0.4*(1 - x[0])**2

res = minimize(f, [2, -1], method='Nelder-Mead')
print('결과:', res.x, '함수값:', res.fun)

이미지 처리 – scipy.ndimage

이미지 조작: 표시, 뒤집기, 회전, 필터 적용.

from scipy import ndimage, misc
from matplotlib import pyplot as plt

panda = misc.face()
plt.imshow(panda)
plt.title('Original')
plt.show()

flip_down = np.flipud(panda)
plt.imshow(flip_down)
plt.title('Flip Down')
plt.show()

rotated = ndimage.rotate(panda, 135)
plt.imshow(rotated)
plt.title('Rotated 135°')
plt.show()

수치 적분 – scipy.integrate

자동 오차 추정이 포함된 단일/이중 적분:

from scipy import integrate

# 0에서 1까지 x^2 단일 적분
single = integrate.quad(lambda x: x**2, 0, 1)
print('단일 적분:', single)

# 삼각 영역에서 64*x*y 이중 적분
double = integrate.dblquad(lambda x, y: 64*x*y, 0, 2/4,
                           lambda x: 0, lambda y: (1 - 2*y**2)**0.5)
print('이중 적분:', double)

둘 다 튜플 반환: (값, 추정 오차).

요약

SciPy는 NumPy를 확장해 선형 대수, 최적화, 통계, 신호 처리, 이미지 조작을 포함한 완전한 과학 계산 스택을 제공합니다. 광범위한 서브 패키지와 탄탄한 커뮤니티 지원으로 연구자와 엔지니어에게 필수적입니다.

패키지명	설명
scipy.io	MATLAB, CSV, NetCDF 등 파일 입출력
scipy.special	특수 수학 함수 (Bessel, Gamma 등)
scipy.linalg	고급 선형대수 루틴
scipy.interpolate	보간 메서드
scipy.optimize	최적화와 커브 피팅 도구
scipy.stats	통계 분포 & 난수 생성
scipy.integrate	수치 적분 (quad, dblquad 등)
scipy.fftpack	고속 푸리에 변환
scipy.signal	신호 처리 유틸리티
scipy.ndimage	다차원 이미지 처리