NumPy를 사용하다 보면 가끔 예상치 못한 버전 업데이트 변경점에 당황할 때가 있습니다.
NumPy 1.24 버전에서 np.float와 같은 일부 타입들이 완전히 제거된 것이 바로 그런 경우입니다.
많은 기존 코드에 영향을 줄 수 있는 이 변화는 사실 NumPy의 타입 시스템을 더 명확하게 만들고,
오랜 기간 존재했던 혼란을 해결하기 위한 중요한 발전입니다.
이번 글에서는 이 변화가 왜 필요했는지,
그리고 우리의 코드를 어떻게 수정해야 하는지 구체적인 전략을 알아보겠습니다.
np.float는 왜 사라졌을까?
결론부터 말하면, np.float가 혼란의 주범이었기 때문입니다.
정체성의 혼란
np.float의 정체는 사실 Python 내장 float의 또 다른 이름(alias) 이었습니다.
하지만 이름 때문에 많은 개발자들이 NumPy가 제공하는 고유한 숫자 타입으로 오해하곤 했습니다.
이로 인해 몇 가지 문제가 발생했습니다-
- 개발자들이
np.float를 NumPy 고유의 타입으로 오해 - Python
float와의 관계가 불분명 - 코드의 가독성과 명확성 저하
단계적 제거 과정
NumPy 개발팀은 이 문제를 단계적으로 해결했습니다.
- NumPy 1.20 (2021년 1월):
np.float등의 별칭이 처음 deprecated됨 - NumPy 1.20~1.23: DeprecationWarning 발생하지만 여전히 사용 가능
- NumPy 1.24 (2023년 6월): 완전히 제거되어 AttributeError 발생
실제 에러 메시지는 다음과 같습니다.
1
2
3
4
5
6
7
AttributeError: module 'numpy' has no attribute 'float'.
`np.float` was a deprecated alias for the builtin `float`.
To avoid this error in existing code, use `float` by itself.
Doing this will not modify any behavior and is safe.
If you specifically wanted the numpy scalar type, use `np.float64` here.
The aliases was originally deprecated in NumPy 1.20; for more details and guidance see the original release note at:
https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
명확성을 위한 결정
이런 혼란을 바로잡기 위해 NumPy 개발팀은 타입 시스템의 일관성을 높이는 방향으로 결정을 내렸습니다.
이제는 모호한 np.float 대신,
아래와 같이 의도를 명확하게 드러내는 타입을 사용해야 합니다.
1
2
3
4
5
6
7
# 혼동을 야기하던 과거 방식 (제거됨)
np.float(3.14) # Python float? NumPy float?
# 명확하고 직관적인 현재 방식 (권장)
float(3.14) # Python 내장 타입 사용
np.float64(3.14) # NumPy 64비트 부동소수점 타입 사용
np.float32(3.14) # NumPy 32비트 부동소수점 타입 사용
float vs np.float64
np.float가 사라졌으니 이제 Python의 float와 NumPy의 np.float64 사이의 관계를 명확히 이해하는 것이 중요합니다.
이 둘은 사실상 거의 동일한 존재입니다.
Python의 float는 C언어의 double을 기반으로 구현되어 있으며,
이는 IEEE 754 표준의 64비트 부동소수점 표현을 사용합니다.
NumPy의 np.float64 역시 마찬가지입니다.
1
2
3
4
5
6
7
8
9
10
11
12
import numpy as np
# 동일한 정밀도와 범위를 가집니다.
python_float = 5.9975
numpy_float64 = np.float64(5.9975)
# 내부 표현도 동일합니다.
print(python_float.hex()) # '0x1.7fd70a3d70a3dp+2'
print(numpy_float64.hex()) # '0x1.7fd70a3d70a3dp+2'
# 값도 당연히 같습니다.
print(python_float == numpy_float64) # True
그래도 차이는 있습니다
메모리 표현 방식은 같지만, Python 타입 시스템의 관점에서 보면 둘은 엄연히 다릅니다.
1
2
3
4
5
6
7
8
# 타입 확인 결과는 다릅니다.
isinstance(2.0, float) # True
isinstance(2.0, np.float64) # False
isinstance(np.float64(2.0), float) # False
# 사용 가능한 메서드가 다릅니다.
np.float64(5.9975).sum() # NumPy 객체이므로 NumPy 메서드 사용 가능
(5.9975).sum() # Python float에서는 AttributeError 발생
이러한 차이점 때문에 np.float를 단순히 float로 바꿀지, np.float64로 바꿀지는
코드의 맥락에 따라 결정해야 합니다.
안전한 마이그레이션 전략
그렇다면 기존 코드를 어떻게 수정해야 할까요?
다행히 마이그레이션은 그리 복잡하지 않습니다.
1. 코드 수정 방법
기본 변환
단순한 값 변환에는 Python 내장 float를 사용하는 것이 가장 간단합니다.
NumPy 타입이 꼭 필요한 경우에는 np.float64를 사용합니다.
1
2
3
4
5
6
7
# Before
data = np.float(user_input)
# After (간단한 경우)
data = float(user_input)
# 또는 (NumPy 타입이 필요한 경우)
data = np.float64(user_input)
배열 타입 지정
np.array의 dtype을 지정할 때가 가장 흔한 경우입니다.
이 역시 float나 np.float64로 바꿔주면 됩니다.
1
2
3
4
5
6
7
# Before
arr = np.array([1, 2, 3], dtype=np.float)
# After
arr = np.array([1, 2, 3], dtype=float) # 가장 간단하고 일반적인 방법
# 또는
arr = np.array([1, 2, 3], dtype=np.float64) # 의도를 명시적으로 드러내는 방법
2. 구버전 호환성 유지
만약 작성하는 코드가 구버전 NumPy와도 호환되어야 한다면,
다음과 같이 예외 처리를 활용할 수 있습니다.
1
2
3
4
5
6
7
8
9
10
11
12
13
import numpy as np
# 이전 버전과의 호환성을 위한 처리
try:
# NumPy 1.20+ 에서는 numpy.float가 DeprecationWarning을 발생시키며 여전히 존재
# 1.24에서 완전히 제거됨
from numpy import float as np_float
except ImportError:
# np.float가 없는 최신 버전에서는 Python float를 사용
np_float = float
# 이제 np_float를 안전하게 사용 가능
arr = np.array([1, 2, 3], dtype=np_float)
하지만 라이브러리를 개발하는 경우가 아니라면,
코드를 최신 버전에 맞게 수정하는 것을 더 권장합니다.
3. 대규모 코드베이스 한번에 바꾸기
프로젝트 전체에 np.float가 퍼져있다면,
자동화된 스크립트로 한 번에 수정하는 것이 효율적입니다.
정규표현식 활용 (Linux/macOS)
sed와 같은 커맨드라인 도구를 사용하면 빠르게 변경할 수 있습니다.
1
2
3
4
5
# np.float(를 float(로 변경
sed -i 's/np\.float(/float(/g' **/*.py
# dtype=np.float를 dtype=float로 변경
sed -i 's/dtype=np\.float\b/dtype=float/g' **/*.py
주의-
sed -i명령어는 OS나 버전에 따라 동작이 다를 수 있으니,
실행 전 반드시 코드를 백업하세요.
Python 스크립트로 안전하게 바꾸기
플랫폼에 상관없이 더 안전하게 코드를 변경하고 싶다면
Python 스크립트를 작성하는 것이 좋습니다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import re
import os
from pathlib import Path
def migrate_numpy_float(file_path):
# 파일을 UTF-8로 안전하게 읽기
try:
content = file_path.read_text(encoding='utf-8')
except Exception as e:
print(f"파일 읽기 오류 {file_path}: {e}")
return
# np.float( -> float(
content_new = re.sub(r'np\.float\(', 'float(', content)
# dtype=np.float -> dtype=float
content_new = re.sub(r'dtype=np\.float\b', 'dtype=float', content_new)
# np.float_ -> np.float64 (NumPy 2.0 대비)
content_new = re.sub(r'np\.float_', 'np.float64', content_new)
if content != content_new:
print(f"마이그레이션 적용- {file_path}")
file_path.write_text(content_new, encoding='utf-8')
# 현재 디렉토리 및 하위 디렉토리의 모든 .py 파일을 대상으로 실행
for py_file in Path('.').glob('**/*.py'):
migrate_numpy_float(py_file)
이 스크립트는 np.float_처럼 곧 사라질 다른 타입들까지 함께 처리해줄 수 있어 더욱 유용합니다.
앞으로의 코딩 습관
이번 변화를 계기로 삼아 더 좋은 코딩 습관을 기를 수 있습니다.
1. 명시적인 타입 사용하기
가장 중요한 것은 타입을 명시적으로 사용하는 습관입니다.
모호한 별칭 대신 정확한 타입을 사용하면 코드의 의도가 분명해집니다.
1
2
3
4
5
6
7
# 좋은 예: 의도가 명확함
def process_data(values):
return np.array(values, dtype=np.float64)
# 나쁜 예: 모호함 (제거된 방식)
def process_data(values):
return np.array(values, dtype=np.float)
2. 타입 힌트 적극 활용하기
Python의 타입 힌트를 함께 사용하면 코드의 안정성을 더욱 높일 수 있습니다.
1
2
3
4
5
6
7
from typing import Union
import numpy as np
from numpy.typing import NDArray
def calculate_mean(data: Union[list, NDArray]) -> np.float64:
# np.mean은 기본적으로 float64를 반환하지만, dtype을 명시하여 의도를 확실히 할 수 있음
return np.mean(data, dtype=np.float64)
3. 성능이 중요하다면 정밀도 선택하기
모든 부동소수점이 np.float64일 필요는 없습니다.
데이터의 특성에 따라 적절한 정밀도를 선택하면 메모리를 효율적으로 사용할 수 있습니다.
1
2
3
4
5
# 일반적인 정밀도로 충분하고 메모리 사용량이 중요할 때
small_precision_array = np.zeros(100, dtype=np.float32) # 400 bytes
# 높은 정밀도가 반드시 필요할 때
high_precision_array = np.zeros(100, dtype=np.float64) # 800 bytes
NumPy 2.0에서는 np.float_도 제거됩니다
NumPy 2.0에서는 밑줄이 하나 붙은 np.float_도 제거될 예정입니다.
이것 역시 np.float64의 별칭이었기 때문입니다.
NumPy 2.0 마이그레이션 가이드에 따르면,
메인 네임스페이스에서 약 100개의 멤버가 deprecated, 제거 또는 이동되었습니다.
마이그레이션을 진행할 때 이 부분도 함께 np.float64로 변경해주는 것이 좋습니다.
결론
NumPy 1.24의 np.float 제거는 처음에는 당황스러울 수 있는 ‘breaking change’지만,
그 본질을 들여다보면 NumPy가 더 나은 방향으로 발전하고 있다는 신호입니다.
코드의 모호성을 줄이고 타입 시스템의 일관성을 높이려는 노력의 일환인 셈이죠.
이제 우리는 np.float 대신 Python의 내장 float나 명시적인 np.float64를 사용하면 됩니다.
이 둘은 메모리 표현이나 정밀도 면에서 거의 동일하기에 마이그레이션 부담도 적습니다.
이번 기회에 코드 베이스를 점검하고 더 명확한 코드로 개선해 보는 것은 어떨까요?
앞으로는 타입을 명시적으로 지정하는 습관을 통해,
NumPy의 발전 방향에 발맞춰 더욱 견고하고 가독성 좋은 코드를 작성해 나가야겠습니다.