프로그래밍 언어와 언어 상대성

초록

본 논문은 통계 컴퓨팅에서 흔히 사용되는 split‑apply‑combine 패턴을 중심으로 MATLAB·APL과 R/dplyr의 구현 차이를 분석한다. 언어적 표기 차이가 프로그래머의 사고방식에 미치는 영향을 언어 상대성 이론에 비유하고, 고성능 동적 언어인 Julia가 다양한 추상화를 제공함으로써 개인화된 코딩 스타일을 가능하게 하는 방식을 논의한다.

상세 분석

논문은 먼저 “split‑apply‑combine”이라는 데이터 변환 흐름을 정의한다. 이는 데이터를 그룹으로 나눈 뒤(group‑by), 각 그룹에 함수를 적용(apply)하고, 결과를 다시 결합(combine)하는 일련의 단계이다. 전통적인 통계 언어인 MATLAB에서는 이 흐름을 for‑loop과 배열 인덱싱을 조합해 구현한다. 예를 들어, unique와 accumarray 함수를 이용해 그룹을 식별하고, 각 그룹에 대한 연산을 arrayfun 혹은 사용자 정의 함수로 수행한다. 이러한 구현은 명시적 인덱스 관리와 메모리 복사를 요구하므로 코드가 장황해지고, 가독성이 떨어진다.

반면 APL은 강력한 배열 연산자를 활용한다. 한 줄의 코드로 � grouping과 같은 기호를 사용해 그룹을 정의하고, ⌿ 연산자를 통해 그룹별 집계를 수행한다. APL의 기호 중심 문법은 “언어가 사고를 형성한다”는 언어 상대성 가설을 직접적으로 보여준다. 프로그래머는 복잡한 루프 구조 대신 기호 조합만으로 동일한 논리를 표현하게 되며, 이는 사고의 추상화 수준을 크게 끌어올린다.

R의 dplyr 패키지는 파이프 연산자 %>%와 group_by, summarise 같은 선언적 함수를 제공한다. 여기서는 “무엇을” 할지 명시하고 “어떻게” 할지는 내부 최적화에 맡긴다. 코드가 자연어에 가깝게 서술되므로 초보자도 직관적으로 이해할 수 있다. 또한 dplyr은 lazy evaluation과 데이터베이스 백엔드 지원을 통해 메모리 효율성을 높인다.

이러한 차이는 언어 설계 철학과 사용자 경험에 직접적인 영향을 미친다. MATLAB은 과학·공학 분야의 전통적 절차적 사고를 반영하고, APL은 수학적 기호 체계에 기반한 고차원 추상화를 강조한다. dplyr은 데이터 분석가의 “질문‑답변” 흐름을 언어 수준에서 구현한다는 점에서 인간 언어와 유사한 구조를 가진다.

Julia는 이 세 가지 접근을 통합하려는 시도로, JIT 컴파일을 통한 C 수준의 성능을 유지하면서도 다중 파라다임을 지원한다. 매크로와 메타프로그래밍을 이용해 사용자 정의 DSL(Domain Specific Language)을 만들 수 있어, split‑apply‑combine을 DataFramesMeta.jl의 @by 매크로, SplitApplyCombine.jl의 groupby 함수, 혹은 직접 작성한 고차 함수로 구현한다. 즉, 같은 논리를 다양한 문법적 형태로 표현할 수 있어 프로그래머가 자신의 사고 방식에 가장 맞는 추상화를 선택하도록 허용한다. 이러한 유연성은 언어 상대성 이론이 제시하는 “언어가 사고를 제한한다”는 주장에 반대하여, 하나의 언어가 다중 사고 체계를 포용할 수 있음을 보여준다.

결론적으로, 프로그래밍 언어의 문법·표현 방식은 데이터 변환 작업을 수행하는 사고 패턴을 형성한다. MATLAB·APL·R/dplyr·Julia 각각은 서로 다른 인지적 경로를 제공하며, 이는 인간 언어에서 관찰되는 상대성 현상과 직접적으로 대응한다.