시스매

벡터와 차원의 모든 것 프로그래머를 위한 완벽 핸드북

22 min read

2025-08-29 01:13

  • 벡터는 크기와 방향을 가진 양으로, 프로그래밍에서는 데이터를 순서대로 나열한 목록이나 배열로 표현됩니다.

  • 차원은 벡터의 구성 요소 개수, 즉 데이터를 표현하는 데 필요한 독립적인 축의 수를 의미하며, 고차원 데이터는 더 복잡한 정보를 담습니다.

  • 프로그래밍에서 차원은 배열의 중첩 구조(1차원, 2차원, 다차원 배열)를 나타내며, 데이터의 구조와 관계를 정의하는 핵심 개념입니다.

벡터와 차원의 모든 것 프로그래머를 위한 완벽 핸드북

컴퓨터 과학과 프로그래밍의 세계를 탐험하다 보면 ‘벡터’와 ‘차원’이라는 단어를 끊임없이 마주하게 됩니다. 이 두 개념은 단순히 수학적인 용어를 넘어, 데이터를 구조화하고, 알고리즘을 설계하며, 인공지능 모델을 구축하는 데 있어 핵심적인 역할을 수행합니다. 하지만 많은 개발자들이 이 개념들을 어렴풋이 이해하거나, 특정 라이브러리의 기능 정도로만 인식하는 경우가 많습니다.

이 핸드북은 벡터와 차원에 대한 피상적인 이해를 넘어, 그 본질적인 의미와 프로그래밍 세계에서의 구체적인 활용법을 깊이 있게 탐구하는 것을 목표로 합니다. 수학적 원리부터 시작하여, 파이썬 코드를 통한 실제 구현, 그리고 인공지능과 데이터 과학에서의 응용까지, 여러분이 벡터와 차원을 자유자재로 다룰 수 있도록 안내할 것입니다.

1. 모든 것의 시작 벡터란 무엇인가?

우리가 프로그래밍에서 벡터를 이야기하기 전에, 그 근본이 되는 수학적 정의를 먼저 짚고 넘어가는 것이 중요합니다. 왜냐하면 수학적 이해는 우리가 코드로 데이터를 다룰 때 더 깊은 통찰력을 제공하기 때문입니다.

1.1. 세상을 설명하는 언어 수학적 벡터

물리학과 수학에서 **벡터(Vector)**는 **크기(Magnitude)**와 **방향(Direction)**을 동시에 가지는 양을 의미합니다. 가장 직관적인 예시는 ‘힘’이나 ‘속도’입니다. 단순히 “5만큼의 힘”이라고 말하는 것은 불완전합니다. “오른쪽으로 5만큼의 힘”이라고 말해야 그 의미가 명확해지죠. 여기서 ‘5’가 크기, ‘오른쪽’이 방향입니다.

이러한 벡터는 보통 화살표로 시각화됩니다. 화살표의 길이는 벡터의 ‘크기’를, 화살표가 가리키는 방향은 벡터의 ‘방향’을 나타냅니다.

수학적으로 벡터는 숫자의 순서쌍 또는 리스트로 표현됩니다. 예를 들어, 2차원 평면 위의 한 점 (3, 4)는 원점 (0, 0)에서 시작하여 x축으로 3만큼, y축으로 4만큼 이동하는 벡터로 생각할 수 있습니다.

  • 표기: vecv 또는 v (볼드체)

  • 2차원 벡터: vecv=(x,y)

  • 3차원 벡터: vecv=(x,y,z)

  • n차원 벡터: vecv=(x_1,x_2,…,x_n)

여기서 중요한 점은 벡터의 각 숫자(성분, component)가 서로 독립적인 축에 대한 정보를 담고 있다는 것입니다. (3, 4)에서 3은 x축 방향의 움직임만을, 4는 y축 방향의 움직임만을 나타냅니다.

1.2. 데이터를 담는 그릇 프로그래밍의 벡터

프로그래밍 세계에서 벡터는 수학적 개념을 차용하여 **“데이터의 순서 있는 목록”**이라는 더 넓은 의미로 사용됩니다. 여러 언어와 라이브러리에서 다양한 형태로 존재하지만, 그 본질은 같습니다.

  • C++: std::vector (동적 배열)

  • Java: Vector 또는 ArrayList (리스트 인터페이스 구현체)

  • Python: list 또는 NumPy 라이브러리의 ndarray

  • R: vector (기본 데이터 구조)

예를 들어, 어떤 사용자의 정보를 [나이, 키, 몸무게] 순서로 저장한다면 [30, 175, 70]과 같은 데이터가 만들어집니다. 이것이 바로 프로그래밍에서의 벡터입니다. 각 숫자는 사용자의 특정 속성을 나타내며, 이 순서는 매우 중요합니다.

# 파이썬 리스트를 사용한 벡터 표현
user_vector = [30, 175, 70] # [나이, 키, 몸무게]

# NumPy 라이브러리를 사용한 벡터 표현
import numpy as np
user_vector_np = np.array([30, 175, 70])

수학적 벡터와 프로그래밍 벡터의 가장 큰 공통점은 여러 개의 숫자(데이터)를 하나의 단위로 묶어서 다룬다는 것입니다. 이를 통해 복잡한 데이터를 간결하게 표현하고, 벡터 연산을 통해 데이터를 일괄적으로 처리할 수 있게 됩니다.

2. 벡터의 무대 차원이란 무엇인가?

‘차원’은 벡터를 이해하는 데 있어 필수적인 개념입니다. 차원을 어떻게 이해하느냐에 따라 우리가 다룰 수 있는 데이터의 복잡성과 깊이가 달라집니다.

2.1. 공간의 축 수학적 차원

수학에서 **차원(Dimension)**은 어떤 공간에 있는 점의 위치를 나타내는 데 필요한 최소한의 좌표 개수를 의미합니다.

  • 1차원: 직선. 오직 하나의 숫자(예: x)만으로 위치를 표현할 수 있습니다. (수직선)

  • 2차원: 평면. 두 개의 숫자(예: x, y)가 필요합니다. (좌표 평면)

  • 3차원: 공간. 세 개의 숫자(예: x, y, z)가 필요합니다. (우리가 사는 공간)

벡터의 관점에서 보면, 차원은 벡터를 구성하는 성분(component)의 개수입니다.

  • (5)는 1차원 벡터입니다.

  • (3, 4)는 2차원 벡터입니다.

  • (1, 8, -3)은 3차원 벡터입니다.

  • (x_1, x_2, ..., x_n)은 n차원 벡터입니다.

즉, n차원 벡터는 n개의 독립적인 축으로 이루어진 n차원 공간에 존재하는 한 점 또는 방향을 나타냅니다.

2.2. 데이터의 구조 프로그래밍의 차원

프로그래밍에서 차원은 주로 배열(Array)이나 리스트의 중첩 구조를 설명하는 데 사용됩니다. 이는 데이터가 얼마나 복잡하게 구성되어 있는지를 나타내는 척도입니다.

1차원 배열 (Vector)

가장 기본적인 형태로, 데이터가 한 줄로 나열된 구조입니다. 위에서 본 파이썬의 list나 NumPy의 1차원 ndarray가 여기에 해당합니다.

# 1차원 배열 (벡터)
# 학생 5명의 수학 점수
math_scores = np.array([85, 92, 78, 65, 95])
print("차원 수:", math_scores.ndim) # 출력: 1
print("모양(shape):", math_scores.shape) # 출력: (5,)

shape가 (5,)라는 것은 1개의 축에 5개의 요소가 있다는 의미입니다.

2차원 배열 (Matrix)

1차원 배열이 여러 개 모여서 만들어진, 행(row)과 열(column)의 구조를 가집니다. 마치 표(table)나 행렬(matrix)과 같습니다.

# 2차원 배열 (행렬)
# 3명 학생의 국어, 영어, 수학 점수
student_scores = np.array([
    [90, 88, 85],  # 학생 1
    [95, 92, 96],  # 학생 2
    [78, 85, 80]   # 학생 3
])
print("차원 수:", student_scores.ndim) # 출력: 2
print("모양(shape):", student_scores.shape) # 출력: (3, 4)
```shape`가 `(3, 4)`라는 것은 첫 번째 축(행)에 3개의 요소(학생), 두 번째 축(열)에 4개의 요소(과목)가 있다는 의미입니다.
 
#### 3차원 배열 (Tensor)
 
2차원 배열이 여러 개 쌓여있는 구조입니다. 3차원 배열부터는 보통 **텐서(Tensor)**라고 부릅니다. 텐서는 다차원 배열을 일반화한 용어이며, 0차원 텐서는 스칼라, 1차원 텐서는 벡터, 2차원 텐서는 행렬에 해당합니다.
 
컬러 이미지를 예로 들 수 있습니다. 이미지는 (너비, 높이)의 2차원 픽셀 격자로 이루어져 있고, 각 픽셀은 R(빨강), G(초록), B(파랑)의 3가지 색상 값을 가집니다. 따라서 컬러 이미지는 (높이, 너비, 채널)의 3차원 텐서로 표현할 수 있습니다.
 
 
 
```python
# 3차원 배열 (텐서)
# 2개의 3x4 행렬로 구성된 데이터 (예: 2개의 학생 점수표)
data_tensor = np.array([
    [[90, 88, 85, 91], [95, 92, 96, 89], [78, 85, 80, 82]], # 1번 데이터셋
    [[85, 89, 92, 93], [91, 95, 94, 90], [82, 80, 83, 88]]  # 2번 데이터셋
])
print("차원 수:", data_tensor.ndim) # 출력: 3
print("모양(shape):", data_tensor.shape) # 출력: (2, 3, 4)

shape가 (2, 3, 4)라는 것은 첫 번째 축에 2개, 두 번째 축에 3개, 세 번째 축에 4개의 요소가 중첩되어 있다는 의미입니다.

핵심 정리

용어수학적 의미프로그래밍 의미
벡터크기와 방향을 가진 양 (n-튜플)순서가 있는 데이터의 목록 (1차원 배열)
차원공간의 한 점을 정의하는 데 필요한 좌표의 수배열의 중첩 깊이 (배열의 ndim 속성)

3. 왜 벡터와 차원이 중요한가? 실용적 관점

이론적인 내용을 알았다면, 이제 이것이 실제 프로그래밍에서 왜 그렇게 중요한지 알아보겠습니다.

3.1. 데이터 표현의 효율성

벡터와 다차원 배열은 복잡한 데이터를 매우 효율적이고 구조적인 방식으로 표현하게 해줍니다.

  • 이미지 데이터: 위에서 본 것처럼 (높이, 너비, 채널)의 3차원 텐서로 표현됩니다. 흑백 이미지는 채널이 1이므로 2차원 행렬로 표현 가능합니다.
  • 자연어 (텍스트): ‘단어 임베딩’ 기술을 통해 각 단어는 고차원 벡터(예: 100차원, 300차원)로 변환됩니다. 이 벡터 공간에서 의미적으로 유사한 단어들은 서로 가깝게 위치하게 됩니다. 문장이나 문서는 이러한 단어 벡터들의 시퀀스(2차원 행렬)로 표현됩니다.
  • 시계열 데이터: 주식 가격, 센서 데이터 등 시간에 따라 변하는 데이터는 (타임스텝, 피처 수) 형태의 2차원 행렬로 표현할 수 있습니다. 여러 개의 시계열 데이터를 한 번에 다룬다면 (샘플 수, 타임스텝, 피처 수)의 3차원 텐서가 됩니다.

3.2. 연산의 속도와 간결함

NumPy와 같은 라이브러리는 벡터와 행렬 연산을 매우 빠르게 처리하도록 최적화되어 있습니다. C나 포트란으로 작성된 저수준 라이브러리를 활용하여 파이썬의 반복문(for loop)보다 수십, 수백 배 빠른 속도를 보여줍니다.

이를 **벡터화(Vectorization)**라고 부릅니다.

import numpy as np
import time
 
# 100만 개의 요소를 가진 두 벡터
a = np.random.rand(1000000)
b = np.random.rand(1000000)
 
# 방법 1: 파이썬 for loop 사용
start_time = time.time()
c_loop = np.zeros(1000000)
for i in range(1000000):
    c_loop[i] = a[i] + b[i]
print(f"For loop 시간: {time.time() - start_time:.6f} 초")
 
# 방법 2: 벡터화 연산 사용
start_time = time.time()
c_vectorized = a + b
print(f"벡터화 연산 시간: {time.time() - start_time:.6f} 초")

위 코드를 실행해보면 벡터화 연산이 훨씬 빠른 것을 확인할 수 있습니다. 코드가 간결해지는 것은 물론, 성능상의 이점이 엄청나기 때문에 데이터 과학과 머신러닝 분야에서는 벡터화 연산이 필수적입니다.

3.3. 기계 학습과 인공지능의 언어

현대의 기계 학습 모델, 특히 딥러닝 모델은 본질적으로 텐서 연산을 수행하는 함수입니다.

  • 입력 데이터: 이미지, 텍스트, 소리 등 모든 데이터는 텐서로 변환되어 모델에 입력됩니다.

  • 모델의 가중치(Weights): 신경망의 각 계층을 연결하는 가중치와 편향(bias) 역시 행렬(2D 텐서) 또는 더 높은 차원의 텐서로 저장됩니다.

  • 학습 과정: 모델의 예측값과 실제값의 차이(오차)를 계산하고, 이 오차를 기반으로 가중치 텐서를 업데이트하는 과정(역전파)을 반복합니다.

따라서 텐서(다차원 배열)의 모양(shape)을 이해하고, 차원을 자유자재로 바꾸거나(Reshape), 특정 축을 기준으로 연산을 수행하는 능력은 딥러닝 모델을 다루는 데 있어 가장 기본적인 소양입니다.

4. 심화 탐구 차원의 저주와 차원 축소

데이터의 차원이 항상 높다고 좋은 것만은 아닙니다. 차원이 너무 높아지면 발생하는 문제들을 **‘차원의 저주(Curse of Dimensionality)‘**라고 부릅니다.

4.1. 차원의 저주란?

차원이 증가할수록 데이터 분석 및 모델링에 필요한 데이터의 양이 기하급수적으로 증가하고, 계산 복잡도가 높아지며, 데이터의 밀도가 희소(sparse)해지는 현상을 말합니다.

  • 공간의 팽창: 1차원에서는 10개의 데이터 포인트가 꽤 촘촘해 보일 수 있습니다. 하지만 2차원 공간에서 10개는 흩어져 보이고, 3차원, 100차원으로 갈수록 공간은 엄청나게 넓어지는데 데이터는 그대로 10개이므로, 데이터 포인트들은 서로 아주 멀리 떨어져 있게 됩니다.

  • 계산량 증가: 차원이 하나 늘어날 때마다 연산에 필요한 계산량이 크게 증가합니다.

  • 과적합(Overfitting): 데이터는 희소해지는데 모델의 복잡도는 증가하여, 훈련 데이터에만 과도하게 최적화되고 새로운 데이터에는 잘 작동하지 않는 과적합 문제가 발생하기 쉽습니다.

4.2. 차원 축소 (Dimensionality Reduction)

이러한 차원의 저주를 피하고, 데이터의 본질적인 구조를 더 잘 파악하기 위해 차원 축소 기법을 사용합니다. 차원 축소는 고차원의 데이터를 정보 손실을 최소화하면서 저차원의 데이터로 변환하는 과정입니다.

주요 목표는 다음과 같습니다.

  • 중요한 특징(Feature) 추출: 여러 특징을 조합하여 더 중요한 소수의 특징을 만들어냅니다.

  • 데이터 시각화: 3차원을 초과하는 데이터는 사람이 직접 시각화할 수 없습니다. 차원 축소를 통해 2차원이나 3차원으로 변환하면 데이터의 분포나 군집을 시각적으로 확인할 수 있습니다.

  • 저장 공간 및 계산 시간 감소: 데이터의 크기를 줄여 효율성을 높입니다.

대표적인 차원 축소 기법으로는 주성분 분석(Principal Component Analysis, PCA), t-SNE(t-Distributed Stochastic Neighbor Embedding) 등이 있습니다. PCA는 데이터의 분산이 가장 큰 방향(주성분)을 새로운 축으로 삼아 데이터를 투영(projection)하는 방식으로 차원을 축소합니다.

5. 결론 벡터와 차원은 데이터를 바라보는 창

지금까지 우리는 벡터와 차원의 수학적 정의부터 프로그래밍에서의 활용, 그리고 고차원 데이터가 가지는 문제점까지 폭넓게 살펴보았습니다.

벡터는 더 이상 단순한 숫자 목록이 아니라, 세상의 다양한 데이터를 담는 강력한 그릇으로 보일 것입니다. 차원은 그 그릇의 모양과 구조를 결정하며, 우리가 데이터를 얼마나 정교하게 다룰 수 있는지를 결정하는 척도입니다.

프로그래머로서, 특히 데이터 과학이나 인공지능 분야에 관심이 있다면, 벡터와 차원에 대한 깊은 이해는 필수적입니다. 데이터를 올바른 차원의 텐서로 표현하고, 벡터화 연산을 통해 효율적으로 처리하며, 때로는 차원 축소를 통해 데이터의 본질을 꿰뚫어 보는 능력은 여러분을 한 단계 더 높은 수준의 개발자로 만들어 줄 것입니다.

이 핸드북이 여러분의 여정에 든든한 길잡이가 되기를 바랍니다. 이제 코드를 열고, 여러분의 데이터를 벡터와 텐서로 표현하며 그 무한한 가능성을 탐험해 보세요.

레퍼런스(References)

차원 벡터

그래프 뷰

백링크