Python과 OpenCV, FER을 사용한 실시간 감정 인식 방법

퀀트 트레이딩에 뛰어들기 전에 꼭 알아야 할 데이터 과학 분석의 비법

6단계로 그래프 기반 이상 탐지 신경망 만드는 방법

![Python Coding Make For Loops 10x Faster with Multithreading](/TIL/assets/img/2024-07-13-PythonCodingMakeForLoops10xFasterwithMultithreading_0.png)

For loops are essential in programming. They allow us to iterate over sequences efficiently. However, for time-consuming tasks, using threads can be more efficient. Learn when and how to use threads to optimize performance. You can check out code examples in my GIT repo. The link is in the footer.

Let's look at an example. We will simulate a time-consuming task by squaring numbers using a Python script with a for loop:

```python
import time

# List of numbers to process
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# Function to square a number
def square_number(number):
    time.sleep(1)  # Simulate a time-consuming task
    return number * number

# Using a for loop to process each number
squared_numbers = []
start_time = time.time()
for number in numbers:
    squared_numbers.append(square_number(number))

end_time = time.time()

print("Squared numbers:", squared_numbers)
print("Time taken:", end_time - start_time, "seconds")
# Time taken: 10.082990884780884 seconds
```



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 스크립트는 square_number 함수 내의 time.sleep(1) 호출로 인해 각 숫자를 순차적으로 처리합니다. 전체 실행에는 10.1초가 소요됩니다.

## 멀티스레딩으로 최적화

다음으로, 처리 시간을 개선하기 위해 멀티스레딩 접근 방식으로 최적화할 것입니다. 멀티스레딩을 사용하여 위 예제를 최적화하려면 Python의 concurrent.futures 모듈을 사용할 수 있습니다. 이 모듈은 콜러블을 비동기적으로 실행하기 위한 고수준 인터페이스를 제공합니다.

다음은 스크립트를 멀티스레딩을 사용하도록 수정하는 방법입니다:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```js
import time
from concurrent.futures import ThreadPoolExecutor

# 처리할 숫자의 목록
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 숫자를 제곱하는 함수
def square_number(number):
    time.sleep(1)  # 시간이 많이 소요되는 작업을 모방
    return number * number

# 멀티스레딩을 위해 ThreadPoolExecutor 사용
squared_numbers = []
start_time = time.time()

with ThreadPoolExecutor(max_workers=10) as executor:
    results = executor.map(square_number, numbers)

# 결과 수집
squared_numbers = list(results)

end_time = time.time()

print("제곱된 숫자:", squared_numbers)
print("소요 시간:", end_time - start_time, "초")
# 소요 시간: 2.0257720947265625 초
```

이 최적화된 스크립트에서 우리는 ThreadPoolExecutor를 사용해 스레드 풀을 생성합니다. executor.map 함수는 숫자를 병렬로 처리하는 스레드에 square_number 함수를 분배합니다. max_workers를 5로 설정하여 최대 5개의 스레드가 동시에 실행되도록 하여 총 처리 시간을 크게 줄일 수 있습니다.

특정 사용 사례에 최적인 스레드 수를 찾으려면 max_workers 매개변수를 조정해보세요.

# 멀티스레딩 사용 시기



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

다중 스레딩은 다양한 시나리오에서 상당한 속도 향상을 제공할 수 있다는 것을 보셨을 것입니다. 그러나 모든 작업에 적합한 것은 아닙니다. 다음은 다중 스레딩이 특히 유익한 일반적인 사용 사례 몇 가지입니다:

## 1. I/O-바운드 작업:

- 파일 I/O: 파일 읽기 및 쓰기, 특히 크거나 많은 파일을 다룰 때.
- 네트워크 I/O: 여러 네트워크 연결을 동시에 처리하는 경우, 예를 들어 웹 스크래핑, 파일 다운로드 또는 웹 서버의 요청 처리.
- 데이터베이스 작업: I/O 바운드인 데이터베이스 쿼리 수행, 대용량 데이터 세트를 가져오거나 업데이트하는 작업 등.

## 2. 동시 작업:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 실시간 데이터 처리: 여러 센서 또는 스트림에서 데이터를 실시간으로 처리하며, IoT 응용 프로그램에서 사용됩니다.
- GUI 어플리케이션: 사용자 인터페이스를 반응적으로 유지하기 위해 시간이 많이 소요되는 작업을 백그라운드에서 실행합니다.

## 3. 독립적인 작업의 병렬 처리:

- 일괄 처리: 이미지 처리 또는 데이터 변환 작업과 같이 병렬로 실행할 수 있는 많은 독립적인 작업을 처리합니다.
- 시뮬레이션: 여러 시뮬레이션 또는 몬테카를로 실험을 동시에 실행합니다.

# 멀티스레딩을 사용하지 말아야 할 때:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

멀티스레딩은 상당한 속도 향상을 제공할 수 있지만 항상 모든 문제에 대한 최적의 해결책은 아닙니다. 멀티스레딩이 적합하지 않을 수 있는 몇 가지 시나리오는 다음과 같습니다:

- CPU 바운드 작업: 작업이 CPU에 많은 부하를 주고 순수한 수학 계산처럼 대기 시간이 거의 없는 경우, 별도의 프로세스를 생성하기 위해 multiprocessing 모듈을 사용하는 것이 더 효과적일 수 있습니다.
- 전역 인터프리터 잠금 (GIL): CPython에서 전역 인터프리터 잠금은 CPU 바운드 작업에 대한 멀티스레딩의 성능 향상을 제한할 수 있습니다. 이러한 경우에는 multiprocessing을 사용하거나 Jython이나 IronPython과 같은 GIL이 없는 구현을 사용하는 것이 효과적일 수 있습니다.
- 복잡한 공유 상태: 여러 스레드간의 복잡한 공유 상태를 관리하는 것은 경합 조건, 데드락 및 스레드 안전성과 관련된 문제와 버그를 도입할 수 있습니다.

작업의 성격과 잠재적인 병목 현상을 이해함으로써 멀티스레딩이 응용 프로그램에 적합한 해결책인지 결정할 수 있습니다.

# 전문 팁 - 데코레이터 사용하기


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

데코레이터는 함수에 멀티스레딩을 더 우아하고 재사용 가능한 방식으로 추가할 수 있습니다. 데코레이터는 다른 함수를 받아들이고 그 동작을 명시적으로 수정하지 않고 확장하는 함수입니다.

```python
import time
from concurrent.futures import ThreadPoolExecutor, as_completed

# 멀티스레딩을 추가하는 데코레이터
def multithreaded(max_workers=5):
    def decorator(func):
        def wrapper(*args, **kwargs):
            with ThreadPoolExecutor(max_workers=max_workers) as executor:
                future_to_args = {executor.submit(func, arg): arg for arg in args[0]}
                results = []
                for future in as_completed(future_to_args):
                    arg = future_to_args[future]
                    try:
                        result = future.result()
                    except Exception as exc:
                        print(f'{arg}에서 예외가 발생했습니다: {exc}')
                    else:
                        results.append(result)
                return results
        return wrapper
    return decorator

# 숫자를 제곱하는 함수
@multithreaded(max_workers=5)
def square_number(number):
    time.sleep(1)  # 시간이 오래 걸리는 작업 시뮬레이션
    return number * number

# 처리할 숫자 목록
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 데코레이터를 사용한 함수 실행
start_time = time.time()
squared_numbers = square_number(numbers)
end_time = time.time()

print("제곱된 숫자:", squared_numbers)
print("소요 시간:", end_time - start_time, "초")
```

데코레이터를 사용하여 멀티스레딩을 처리하면 코드가 단순해지는 것뿐만 아니라 재사용성이 높아지고 코드가 더 깔끔해집니다. @multithreaded 데코레이터를 쉽게 적용하여 Python 코드를 최적화하는 유연하고 강력한 방법을 제공하여 병렬로 실행해야 하는 모든 함수에 데코레이터를 쉽게 적용할 수 있습니다.

# 결론


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

멀티스레딩은 Python에서 루프를 최적화하는 강력한 도구입니다, 특히 I/O 바운드 및 동시성 작업에 대해. concurrent.futures 모듈을 활용하여 프로세스 시간을 크게 단축하고 프로그램의 효율성을 향상시킬 수 있습니다. 그러나 CPU 바운드 작업이나 복잡한 공유 상태를 다룰 때에는 멀티스레딩이 최선의 방법인지를 판단하기 위해 특정 사용 사례를 신중하게 평가하는 것이 중요합니다. 신중한 고려와 구현으로 멀티스레딩은 응용 프로그램의 성능을 크게 향상시킬 수 있습니다.

# 연락하고 싶으시다구요?

읽어 주셔서 감사합니다. 즐겁게 보셨기를 바라며 이 글에서 무언가를 얻을 수 있기를 바랍니다.

- 만약 이 글이 마음에 드셨다면 아래에서 박수를 부탁드려요 👏👏👏...
- 더 많은 AI 정보를 얻기 위해 팔로우해 주세요 🤖🤖🤖...
- LinkedIn에서 저를 찾아보세요
- GitHub에서 코드를 확인해 보세요


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

언제나 궁금한 점이나 아이디어, 추천 사항이 있으시면 언제든지 댓글로 질문해주세요.

파이썬 코딩 멀티스레딩으로 for 루프 속도 10배 향상시키는 방법

지구 이동 거리로 분포 비교하는 방법

GeoPandas로 지리공간 데이터 분석 마스터하기

Python과 Streamlit으로 주식 등급 시스템 만들기

Streamlit 대시보드 만들기 간단한 모듈식 코딩으로 매끄러운 결과 얻기

# 요약

**배경**: 열 확산은 다양한 과학 및 공학 분야에서 근본적인 문제로, 효율적인 계산 모델링 기술이 필요합니다. 셀룰러 오토마타에서 유래된 폰 노이만 이웃은 격자 기반 시스템에서 이러한 과정을 시뮬레이션하는 간단한 프레임워크를 제공합니다.

**문제**: 열 확산을 정확하게 모델링하려면 계산 상 간단함과 이산 셀 간 열 전달의 본질적인 역학을 포착할 수 있는 방법이 필요합니다.

**접근 방식**: 본 글에서는 폰 노이만 이웃을 적용하여 이차원 그리드에서 열 확산을 시뮬레이션하는 방법을 탐구합니다. 이산적인 열 방정식을 사용하여 각 셀의 온도를 업데이트하며, 이웃한 네 방향 (북, 남, 동, 서)의 온도에 기초하여 이루어집니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

결과: 이 시뮬레이션은 중앙 열원으로부터 열이 균일하고 대칭적으로 확산되는 패턴을 명확하게 나타내며, 온도 그래디언트를 적확하게 보여주는 컬러 코딩된 히트맵을 통해 정확하게 표현하고 있습니다. 폰 노이만 이웃은 열의 주요 방향성 흐름을 효과적으로 모델링하며, 이산형 계산 시스템에서의 유틸리티를 입증합니다.

결론: 폰 노이만 이웃은 격자 기반 모델에서 열 확산을 시뮬레이션하는 견고하고 효율적인 방법을 제공합니다. 그 간단함과 효과적인 성능은 엔지니어와 과학자들에게 유용한 도구로, 다양한 실용적인 응용 프로그램에서 열 전달 역학의 정확한 표현을 가능하게 합니다.

키워드: 열 확산; 폰 노이만 이웃; 세포자동기; 계산 모델링; 이산형 열 방정식.

# 소개


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

컴퓨터 모델링에서 일부 개념이 열 확산만큼 광범위하게 적용되는 것은 없습니다. 열 확산은 재료의 열 속성을 최적화하려는 엔지니어이든 기후 패턴을 모델링하는 과학자이든 상관없이, 서로 다른 매체를 통해 열이 이동하는 방식을 이해하는 것이 중요합니다. 그렇다면 이 복잡한 물리적 과정을 컴퓨터 모델로 어떻게 전환할까요? 답은 세포 자동자에서 기본 개념인 폰 노이만 이웃[von Neumann neighborhood]에 있습니다.

![이미지](/TIL/assets/img/2024-07-13-SimulatingHeatDiffusionwithvonNeumannNeighborhoodAPracticalApproach_0.png)

## 폰 노이만 이웃: 세포 자동자의 중추 개념

각각이 재료의 이산적 부분을 나타내는 셀 그리드를 상상해보세요. 각 셀의 온도는 시간이 지남에 따라 변화하며, 주변 셀의 온도에 영향을 받습니다. 이것이 폰 노이만 이웃이 중요한 이유입니다. 천재 수학자 존 폰 노이만에 의해 명명된 이 이웃은 어떤 셀에 대해 직접 인접한 네 개의 셀을 포함합니다: 북, 남, 동, 서. 이는 그리드 기반 시스템에서 상호 작용을 모델링하는 간단하면서도 강력한 방법입니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# 열 확산: 기본 개념

열 확산은 열이 높은 온도에서 낮은 온도 영역으로 퍼지는 방식을 설명합니다. 연속적인 매체에서는 열 방정식이 이 과정을 지배하는 편미분 방정식입니다. 그러나 우리 그리드와 같은 이산 시스템에서는 다른 접근 방식이 필요합니다. 여기서는 폰 노이만 이웃의 온도에 기초하여 각 셀의 온도를 업데이트하는 이산 열 방정식을 사용합니다.

# 이론에서 실무로: 열 확산 구현하기

폰 노이만 이웃을 사용하여 열 확산을 실제로 구현하는 방법에 대해 살펴봅시다. 각 셀이 물질의 작은 부분을 나타내는 2차원 그리드를 고려해보세요. 각 셀의 온도는 다음 규칙에 따라 이산 시간 단계에 걸쳐 진화합니다:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

![image](/TIL/assets/img/2024-07-13-SimulatingHeatDiffusionwithvonNeumannNeighborhoodAPracticalApproach_1.png)

여기서 T_(i,j)t은 시각 t에서 (i,j) 위치의 셀 온도를 나타내고, α는 열 확산 상수입니다. 이 방정식은 열 확산의 본질을 포착합니다: 셀의 온도는 주변 셀이 더 뜨거우면 증가하고, 주변 셀이 더 차가우면 감소합니다.

# 실용적 응용 및 그 이상

폰 노이만 이웃과 함께 열 확산을 모델링하는 것은 학계에서만 하는 연습이 아닙니다. 이는 재료과학부터 환경 모델링까지 다양한 분야에서 실제 응용이 있습니다. 엔지니어들은 새로운 소재의 열적 특성을 최적화하기 위해 사용할 수 있으며, 과학자들은 지구 대기나 해양에서 열 흐름을 모델링할 수 있습니다. 또한 이 방법은 유체 역학이나 화학 확산과 같이 더 복잡한 현상으로 확장할 수도 있습니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# 단계별 시뮬레이션

이 모델을 구현하는 간단한 Python 스크립트를 사용할 수 있습니다. 가운데 열원을 제외하고 모든 곳의 온도가 0인 그리드로 시작합니다. 시간이 지남에 따라 열이 그리드를 통해 어떻게 퍼지는지 관찰하게 됩니다.

```js
import numpy as np
import matplotlib.pyplot as plt

# 매개변수
alpha = 0.1  # 열 확산율
그리드 크기 = 50
시간 단계 = 100

# 초기 온도 분포가 있는 그리드로 초기화
그리드 = np.zeros((그리드 크기, 그리드 크기))
그리드[그리드 크기//2, 그리드 크기//2] = 100  # 초기 열원

# 폰 노이만 이웃에 기반한 그리드를 업데이트하는 함수
def update_grid(grid, alpha):
    new_grid = grid.copy()
    for i in range(1, 그리드 크기-1):
        for j in range(1, 그리드 크기-1):
            new_grid[i, j] = grid[i, j] + alpha * (
                grid[i+1, j] + grid[i-1, j] + grid[i, j+1] + grid[i, j-1] - 4*grid[i, j])
    return new_grid

# 시뮬레이션
for _ in range(시간 단계):
    그리드 = update_grid(그리드, alpha)

# 시각화
plt.imshow(그리드, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title('폰 노이만 이웃을 사용한 열 확산')
plt.show()
```

이 스크립트는 가운데 열원이 있는 그리드를 초기화하고 100개의 시간 단계 동안 열 확산 시뮬레이션을 수행합니다. update_grid 함수는 폰 노이만 이웃에 기반하여 각 셀의 온도를 업데이트하는 이산 열 방정식을 적용합니다. 최종 온도 분포는 히트맵을 사용하여 시각화되며, 열이 그리드를 통해 어떻게 퍼지는지 보여줍니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

![Heat Diffusion Simulation](/TIL/assets/img/2024-07-13-SimulatingHeatDiffusionwithvonNeumannNeighborhoodAPracticalApproach_2.png)

해당 이미지는 폰 노이만 이웃을 사용하여 2차원 그리드에서 열 확산 시뮬레이션 결과를 보여주는 히트맵입니다. 이 히트맵의 해석은 다음과 같습니다:

색상 그라디언트:

- 색상 그라디언트는 검은색(낮은 온도를 나타냄)에서 밝은 노란색/흰색(높은 온도를 나타냄)까지 범위가 있습니다.
- 열원으로 시작한 중앙 영역이 가장 밝은 색으로, 가장 높은 온도를 나타냅니다.
- 중심으로부터 멀어질수록 색상이 빨간색과 주황색에서 검은색으로 변하며, 온도가 점진적으로 감소함을 보여줍니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

열 확산 패턴:

- 이 패턴은 대칭적이고 원형이며, 중심점에서 시작되는 확산 과정에 특징적입니다.
- 폰 노이만 이웃은 열이 주로 북쪽, 남쪽, 동쪽 및 서쪽으로 퍼진 후 다른 셀로 확산되도록 보장합니다.

온도 척도:

- 오른쪽에 있는 컬러 바는 색에 해당하는 온도 값을 나타냅니다.
- 중앙 영역의 가장 높은 온도는 0.7에 가깝지만, 외부 영역은 0에 가까워집니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

격자 크기 및 경계:

- 격자는 50x50 행렬이며, 축 레이블은 0에서 49까지의 범위입니다.
- 열원은 중앙에 위치하기 때문에 열이 범위 내에서 충분히 퍼지지 않았기 때문에 격자의 경계는 최저 온도로 유지됩니다.

시뮬레이션 시간 단계:

- 부드러운 그라데이션은 열이 균등하게 확산되도록 여러 번 반복된 것을 시사합니다.
- 시뮬레이션은 아마도 충분한 시간 단계를 거쳐 이 확산 단계에 도달할 수 있을 만큼 충분히 실행되었을 것으로 보입니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 히트맵은 폰 노이만 이웃을 사용하여 중앙 출처에서 열이 시간이 지남에 따라 어떻게 확산되는지 명확하게 시각화합니다. 이는 방사 대칭과 효과적인 열 확산을 강조하며 이산 열 방정식에 의해 모델링됩니다.

# 결론

요약하면, 폰 노이만 이웃은 이산 시스템에서 열 확산을 시뮬레이션하는 간단하면서도 강력한 프레임워크를 제공합니다. 복잡한 열 전달 과정을 간단한 지역 상호 작용으로 분해함으로써, 우리는 다양한 실용적 응용 프로그램을 가진 정확하고 효율적인 모델을 생성할 수 있습니다. 엔지니어, 과학자, 교육자이든, 이 접근 방식을 이해하고 구현하는 것은 여러분의 작업에서 새로운 가능성을 열 수 있습니다.

폰 노이만 이웃의 원칙이 다른 유형의 확산 과정이나 계산 모델에 어떻게 적용될 수 있을까요? 아래 댓글에서 여러분의 생각과 경험을 공유해주세요!


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# 참고자료

폰 노이만 이웃을 사용한 열 확산 시뮬레이션 실용적인 접근 방법

데이터 시각화는 탐색적 데이터 분석의 중요한 부분이에요. 데이터를 분석하고 시각화함으로써 데이터의 분포, 변수 간의 관계, 그리고 이상값을 파악하는데 도움이 되죠.

![Data Visualization Image](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_0.png)

파이썬에는 시각화를 빠르고 효율적으로 만들 수 있는 다양한 라이브러리가 있어요. 파이썬을 사용하여 탐색적 데이터 분석 시 흔히 사용되는 시각화 유형은 다음과 같아요:

- 막대 그래프: 다른 범주 간의 비교를 보여줄 때 사용돼요.
- 선 그래프: 시간이나 다른 범주에 따른 추이를 보여줄 때 사용돼요.
- 파이 차트: 각 범주의 비율이나 백분율을 보여줄 때 사용돼요.
- 히스토그램: 단일 변수의 분포를 보여줄 때 사용돼요.
- 히트맵: 서로 다른 변수 간의 상관 관계를 보여줄 때 사용돼요.
- 산점도: 두 연속 변수 사이의 관계를 보여줄 때 사용돼요.
- 상자 그림: 변수의 분포를 보여주고 이상값을 식별할 때 사용돼요.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# Python을 사용한 데이터 시각화 작성 단계

- 비즈니스 문제 이해: 첫 번째 단계로, 올바른 시각화를 얻을 수 있도록 집중할 수 있습니다.
- 필요한 라이브러리 가져오기: Pandas, Seaborn, Matplotlib, Plotly와 같은 필수 라이브러리를 가져옵니다.
- 데이터셋 로드: 시각화하려는 데이터셋을 불러옵니다.
- 데이터 정제 및 전처리: 결측치, 중복 및 이상치를 제거하고 범주형 데이터를 수치 데이터로 변환하여 데이터를 정제하고 전처리합니다.
- 통계 요약: 평균, 중위수, 최빈값, 표준 편차 및 상관 계수와 같은 기술 통계를 계산하여 변수 간의 관계를 이해합니다.
- 데이터 시각화 및 해석: 데이터의 분포, 관계 및 패턴을 이해하기 위해 시각화를 생성합니다. 이후 시각화를 해석하여 데이터에 대한 깨달음을 얻고 결론을 도출합니다.

# 1. 비즈니스 문제 이해

심혈관 질환은 전 세계적으로 주요 사망 원인입니다. 세계 보건 기구(WHO)에 따르면, 매년 약 1,790만 명이 심장 질환으로 사망합니다. 이들 사망의 85%는 심근경색 및 뇌졸중으로 인한 것입니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이 기사에서는 Kaggle의 Heart Attack 데이터셋을 탐색하고 Python을 사용하여 EDA를 위한 데이터 시각화를 만들어볼 것입니다.

해당 데이터셋에는 환자들의 연령, 성별, 혈압, 콜레스테롤 수준 등과 같은 다양한 변수에 대한 데이터가 포함되어 있습니다. 이 데이터셋의 목표는 환자의 의료 속성에 기반하여 해당 환자가 심근 경색 발병 위험에 노출되었는지를 예측하는 것입니다.

# 2. 필요한 라이브러리 가져오기

```js
# 라이브러리 가져오기
import pandas as pd
import numpy as np

# 데이터 시각화
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# 3. 데이터 세트 로드하기

판다스 데이터프레임에 데이터를 로드하고 탐색을 시작해봅시다.

```python
heart = pd.read_csv('heart.csv')
```

데이터를 로드했으니, 데이터프레임의 처음 몇 행을 살펴보며 데이터의 모습을 파악해봅시다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```js
heart.head()
```

<img src="/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_1.png" />

데이터셋은 환자가 심장마비를 겪었는지 여부를 나타내는 출력 열을 포함한 총 14개의 열을 가지고 있는 것을 확인할 수 있습니다. 이제 시각화 작업을 시작해봅시다.

# 4. 데이터 정리 및 전처리


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

데이터 정리의 목적은 분석하고 시각화할 준비를 하는 것입니다.

```js
# Null 값이 있는지 확인
heart.isnull().sum().sort_values(ascending=False).head(11)
```

![image](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_2.png)

여기서는 누락된 값이 없는 것을 확인할 수 있습니다.


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

```yaml
# 중복된 값 체크
heart.duplicated().sum()

![Screenshot](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_3.png)

# 중복된 값 삭제
heart.drop_duplicates(keep='first', inplace=True)

![Screenshot](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_4.png)
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

이제 데이터가 깔끔해졌어요.

# 5. 통계 요약

```js
# 데이터셋의 통계 요약을 얻기
heart.describe().T
```

<img src="/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_5.png" />


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

가장 중요한 결론은 대부분의 열에서, 평균 값이 중앙값(50번째 백분위: 50%)과 유사하다는 것입니다.

# 6. 데이터 시각화 및 해석

- 성별 기반 데이터 시각화

```python
# 심장 발작 대 성별 비교
df = pd.crosstab(heart['output'],heart['sex'])
sns.set_style("white")

df.plot(kind="bar",
        figsize=(6,6),
        color=['#c64343', '#e1d3c1']);

plt.title("심장 발작 위험 대 성별", fontsize=16)
plt.xlabel("0 = 낮은 위험                  1 = 높은 위험", fontsize=16)
plt.ylabel("수량", fontsize=16)
plt.legend(["여성","남성"], fontsize=14)
plt.xticks(rotation=0)
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>


![Image](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_6.png)

```js
fig = px.pie(heart2,
            names= "sex",
            template= "presentation",
            hole= 0.6,
            color_discrete_sequence=['#e1d3c1', '#c64343']
            #color_discrete_sequence=px.colors.sequential.RdBu
            )

# layout
fig.update_layout(title_text='Gender Distribution',
                  title_x=0.5,
                  font=dict( size=18),
                  autosize=False,
                  width=500,
                  height=500,
                  showlegend=False)

fig.add_annotation(dict(x=0.5, y=0.5,  align='center',
                        xref = "paper", yref = "paper",
                        showarrow = False, font_size=22,
                        text="<span style='font-size: 26px; color=#555; font-family:Arial'>Gender<br></span>"))

fig.update_traces(textposition='outside',  textinfo='percent+label', rotation=20)
fig.show()
```

![Image](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_7.png)

해석: 남성은 심장 공격의 위험이 더 높습니다.



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 연령별 데이터 시각화

```js
plt.figure(figsize=(14,8))
sns.set(font_scale=1.2)
sns.set_style("white")

sns.countplot(x=heart["age"],
              palette='Reds')

plt.title("환자 연령별 수", fontsize=20)
plt.xlabel("연령", fontsize=16)
plt.ylabel("수", fontsize=16)
plt.show()
```

![이미지](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_8.png)

```js
# 연령에 기반한 분석
sns.set(font_scale=1.3)

plt.figure(figsize=(8,6))
sns.set_style("white")
sns.distplot(heart['age'],
             color='red',
             kde=True)

plt.title("환자 연령대 분포", fontsize=20)
plt.xlabel("연령", fontsize=16)
plt.ylabel("밀도", fontsize=16)
plt.show()
```


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>


![이미지](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_9.png)

해석: 대부분의 환자의 나이는 50-60대입니다. 그 중에서도 가장 많은 환자의 나이는 58세입니다.

- 콜레스테롤 수준에 따른 데이터 시각화

```python
# 심장병 vs 콜레스테롤 분석
sns.set(font_scale=1.3)
plt.figure(figsize=(8,6))
sns.set_style("white")

sns.distplot(heart[heart["output"]==0]["chol"],
             color="blue")
sns.distplot(heart[heart["output"]==1]["chol"],
             color="red")

plt.title("심장병 발병 위험 vs 콜레스테롤", size=20)
plt.xlabel("콜레스테롤 수준", fontsize=16)
plt.ylabel("밀도", fontsize=16)
plt.legend(["낮은 위험","높은 위험"], fontsize=14)
plt.show()
```



<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

<img src="/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_10.png" />

```js
plt.figure(figsize=(8,6))

sns.lineplot(y="chol",
             x="age",
             data=heart,
             color="red")
plt.title("Cholesterol with Age",fontsize=20)
plt.xlabel("Age",fontsize=16)
plt.ylabel("Cholesterol Level",fontsize=16)
plt.show()
```

<img src="/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_11.png" />

해석:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 환자들의 대부분은 콜레스테롤 수치가 200–300 사이에 있습니다.
- 나이가 들수록 체내 콜레스테롤 수치가 증가할 가능성이 높습니다.
- 가슴 통증 유형별 데이터 시각화

```js
# 가슴 통증 유형에 따른 심근경색과의 관계
df = pd.crosstab(heart3['cp'], heart['output'])

# 크로스탭을 시각적으로 더 효과적으로 표현
sns.set(font_scale=1.3)
sns.set_style("white")

df.plot(kind='bar',
        figsize=(11,7),
        color=['#e1d3c1', '#c64343']);

plt.title("심근경색 발병 위험 vs. 가슴 통증 유형", fontsize=20)
plt.xlabel("가슴 통증 유형", fontsize=16)
plt.ylabel("수량", fontsize=16)
plt.legend(['낮은 위험','높은 위험'], fontsize=14)
plt.xticks(rotation=0);
```

<img src="/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_12.png" />

해석:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

- 대부분의 환자는 전형적인 협심증 유형을 가지고 있습니다.
- 비협심통을 겪는 환자들은 심근경색 발생 위험이 높습니다.
- 상관 관계 기반 데이터 시각화

```js
plt.figure(figsize=(12,10))
sns.set(font_scale=0.9)

sns.heatmap(heart.corr(),
            annot=True,
            cmap='Reds')

plt.title("변수 간 상관 관계", size=15)
plt.show()
```

![그림](/TIL/assets/img/2024-07-13-DataVisualizationforExploratoryDataAnalysisEDAinPython_13.png)

해석:


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

열이 히트맵을 통해 다음 사항을 알 수 있습니다.

- 가슴 통증 유형(cp)과 결과(Output)
- 최대 심박수(thalachh)와 결과(Output)
- 경사(sp)와 결과(Output)

또한 약한 상관 관계를 확인할 수도 있습니다.

- oldpeak: 이전 최고점과 결과(Output)
- caa: 주요 혈관 수 및 결과(Output)
- exng: 운동 유도성 협심증


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

# 결론

이 게시물에서는 막대 차트, 파이 차트, 라인 차트, 히스토그램, 히트맵과 같은 몇 가지 플롯을 생성하여 데이터 시각화를 사용하여 데이터 세트를 조사했습니다.

탐색적 데이터 분석(EDA)과 데이터 시각화의 주요 목적은 어떤 가정을 하기 전에 데이터를 이해하는 데 도움을 주는 것입니다. 이것들은 분포, 요약 통계, 변수 간의 관계 및 이상치를 볼 수 있도록 도와줍니다.

# Python 기초 개념


<ins class="adsbygoogle"
     style="display:block"
     data-ad-client="ca-pub-4877378276818686"
     data-ad-slot="1549334788"
     data-ad-format="auto"
     data-full-width-responsive="true"></ins>
<script>
(adsbygoogle = window.adsbygoogle || []).push({});
</script>

감사합니다! 🚀
"Python Fundamentals"에서 더 많은 콘텐츠를 찾아보실 수 있어요 💫

# 쉽게 설명한 것 🚀

"In Plain English" 커뮤니티의 일원이 되어 주셔서 감사합니다! 계속하기 전에:

- 글에 박수를 보내고 작가를 팔로우해주세요 ️👏️️
- 팔로우하기: X | LinkedIn | YouTube | Discord | 뉴스레터
- 다른 플랫폼에서도 만나보세요: Stackademic | CoFeed | Venture | Cubed
- PlainEnglish.io에서 더 많은 콘텐츠를 확인해보세요

Posts