4.10.4 배열 결합 변형 기법: column_stack() & row_stack()

앞서 배운 hstack()과 vstack()이 기본기라면, 이번에는 1차원 배열을 다룰 때 헷갈리지 않고 특수한 형태(기둥 모양)로 조립할 수 있게 도와주는 맞춤형 특수 결합 함수 두 가지를 알아봅니다.

1. 차원의 반란! 기둥 형태로 조립하는 np.column_stack()

1.1 개념 이해

column_stack()은 그 이름에서 알 수 있듯 1차원 배열 데이터를 열(Column, 기둥) 형태로 꼿꼿이 세워 결합하는 특수 함수입니다.

수학적 의미: ‘열 벡터(Column Vector)’로의 1차원 승급

선형대수적 관점에서, 입력된 1차원 배열 요소들을 모두 $N \times 1$ 크기를 지니는 명확한 방향성의 열 벡터(Column Vector) 로 차원 승급(열 공간 확장)시킵니다. 이후 세워진 기둥 벡터들을 옆으로 나란히 수평 병합(hstack 방식)하여 독립적인 다변량 행렬(Matrix)을 단번에 구성해 냅니다.

데이터 과학에서의 의미 (속성/Feature 조립)

분석 과정에서 여러 변수의 관측 데이터가 개별 리스트로 쪼개져 파편화되어 있을 때(예: 키_리스트, 몸무게_리스트), 각각의 1차원 데이터들을 모아 속성별 컬럼(기둥)으로 배치하여 머신러닝이 학습 가능한 형태의 완전한 2차원 데이터프레임(표 형식) 으로 합체(Assemble)할 때 핵심적인 역할을 수행합니다.

1.2 단계별 실습

[1단계] 2차원 배열에서는? (hstack과 100% 동일)

만약 이미 기둥 모양이 잡혀있는 2차원 배열을 인자로 넘긴다면, np.hstack()으로 옆으로 이어 붙이는 것과 완벽하게 똑같이 동작합니다.

import numpy as np

a = np.arange(6).reshape(3, 2)
b = np.arange(10, 22).reshape(3, 4)

# 2차원 배열 끼리의 column_stack은 hstack과 차이가 없습니다.
result_col = np.column_stack((a, b))
result_hor = np.hstack((a, b))

print("🚀 column_stack 결과:\n", result_col)
print("🚀 hstack 결과 (동일함):\n", result_hor)

[실행 결과]

🚀 column_stack 결과:
 [[ 0  1 10 11 12 13]
  [ 2  3 14 15 16 17]
  [ 4  5 18 19 20 21]]
🚀 hstack 결과 (동일함):
 [[ 0  1 10 11 12 13]
  [ 2  3 14 15 16 17]
  [ 4  5 18 19 20 21]]

[2단계] 1차원 배열에서 진가 발휘! (기둥 세우기)

column_stack()의 진짜 존재 이유는 1차원 배열(단순 리스트) 을 결합할 때 극명하게 나타납니다. 1차원 배열을 납작한 가로줄이 아니라 세로 기둥 단위로 취급하여, 차원을 스스로 한 단계 높인 후(2차원) 차곡차곡 우측으로 세워 나갑니다.

1차원 배열 x[1, 2, 3]이 마치 [[1], [2], [3]]으로 강제 기립된 후 합쳐지는 효과입니다.

x = np.array([1, 2, 3])
y = np.array([10, 20, 30])

# 1차원 배열을 열(컬럼)처럼 세워서 2차원 테이블 구조로 만듦!
result_1d_col = np.column_stack((x, y))

print("🏢 1차원 배열 column_stack 결과 (2차원으로 승급):\n", result_1d_col)

[실행 결과]

🏢 1차원 배열 column_stack 결과 (2차원으로 승급):
 [[ 1 10]
  [ 2 20]
  [ 3 30]]

(참고) 내부적으로는 x[:, np.newaxis] 연산을 통해 1차원을 억지로 2차원 컬럼 행렬로 바꾼 뒤 hstack 하는 것과 정확히 같은 원리입니다.

1.3 에러 분석 및 주의사항

[주의사항] 1차원 결합 시 hstack vs column_stack 극과 극 비교!

이 둘의 1차원 배열 처리 방식을 혼동하면, 데이터 분석 및 차원 병합 시 심각한 구조적 오류(차원 붕괴) 현상이 발생할 수 있습니다!

# hstack은 1차원을 그냥 가로로 이어붙임 (여전히 1차원)
print("👉 hstack((x, y)) 결과:", np.hstack((x, y)))

# column_stack은 1차원을 기둥으로 세워서 붙임 (2차원 행렬)
print("👉 column_stack((x, y)) 결과:\n", np.column_stack((x, y)))

# 즉, 이 둘은 서로 완전히 다른 함수입니다!
print("\n결과가 똑같나요? :", np.array_equal(np.column_stack((x, y)), np.hstack((x, y))))

[실행 결과]

👉 hstack((x, y)) 결과: [ 1  2  3 10 20 30]
👉 column_stack((x, y)) 결과:
 [[ 1 10]
  [ 2 20]
  [ 3 30]]

결과가 똑같나요? : False

2. vstack의 완벽한 쌍둥이 동생, np.row_stack()

2.1 개념 이해: 행 벡터 기반 적층

row_stack()은 1차원 배열 데이터를 행(Row, 가로줄) 단위로 층층이 위아래로 쌓아 올리는 함수입니다. 그런데 이 설명, 앞서 배운 내용과 많이 비슷하지 않나요?

수학적 의미: 행 벡터(Row Vector)들의 수직 확장

주어진 배열들을 수학적으로 크기 $1 \times N$ 인 독자적 행 벡터(Row Vector) 로 인식하고, 이를 수직 방향(아래)으로 계속해서 적층(Stacking)해 나갑니다.

2.2 [간단 요약] 결국 vstack과 100% 똑같다!

결론부터 말하자면, row_stack()은 우리가 앞서 집중적으로 학습했던 vstack()과 단 하나의 차이점도 없이 소스코드 단까지 완벽하게 동일하게 구성된 복제(Alias) 함수입니다.

함수 내부 소스코드를 까보면 row_stack 안에서 그냥 vstack을 돌려줄 정도로 완전히 똑같습니다.

a = np.array([4., 2., 1.])
b = np.array([3., 8., 7.])

print("👇 row_stack 결과:\n", np.row_stack((a, b)))
print("\n👇 vstack 결과:\n", np.vstack((a, b)))

[실행 결과]

👇 row_stack 결과:
 [[4. 2. 1.]
  [3. 8. 7.]]

👇 vstack 결과:
 [[4. 2. 1.]
  [3. 8. 7.]]

(참고) 데이터 과학자들 사이에서는 타이핑도 조금 더 짧고 직관적인 np.vstack이 압도적으로 더 많이 쓰입니다!