## 파이썬

![Python Anti-Patterns](/TIL/assets/img/2024-07-14-9PythonAntiPatternsThatIWillNeverApplyinProduction_0.png)

어떤 언어든, 오래된 만큼 반드시 몇 가지 안티-패턴 기능과 이해하기 어려운 구문이 있습니다.

파이썬이 우아한 언어라고 하더라도 이 운명에서 벗어날 수 없습니다.


<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>

소프트웨어 개발자로서 우리가 할 수 있는 것은 지식을 최신 상태로 유지하고 오래된 또는 부적절한 기능을 사용하지 않는 것입니다.

이 기사는 가독성, 보안 및 디버깅에 해로운 9가지 Python 안티 패턴에 대해 상기시킬 것입니다. 경험 많은 Python 엔지니어는 제품 개발 시 이러한 패턴을 적용해서는 안 됩니다.

# 1. For-Else 구조

Python에는 매우 특별한 구문인 for-else가 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>

if-else가 아니라 for 루프 후에 "else"가 있다는 거야!

```js
leaders = ["Elon", "Tim", "Warren"]

for i in leaders:
    if i == "Yang":
        print("Yang is a leader!")
        break
else:
    print("Yang을 찾을 수 없어요!")

# Yang을 찾을 수 없어요!
```

위의 코드에서 보듯이 leaders 리스트에는 Yang이 없지만 Yang 또한 지도자입니다. 따라서 for 루프에 break가 없어요.

이 경우, for 루프 뒤에 있는 "else" 블록이 실행되었어요.


<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>

그 로직은 간단합니다. "else" 블록은 루프에 중단점이 없을 때만 실행됩니다.

그러나 다른 프로그래밍 언어에서는 else 문을 이렇게 사용할 수 없기 때문에, 이 for-else 구조는 파이썬 원어민이 아닌 대부분의 동료들을 혼란스럽게 만들 수 있습니다.

동료들이 파이썬 마스터라 하더라도, 이 기능이 100% 필요하지 않고, 사용하는 사람이 많지 않으므로, 제품에 적용하는 것은 전혀 좋은 생각이 아닙니다. 그렇지 않으면, 코드베이스의 가독성이 극도로 떨어질 수 있습니다.

그렇다면, for-else 구조 없이 예시 코드를 다시 작성하는 방법은 무엇일까요?


<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>

테이블 태그를 마크다운 형식으로 변경해주세요:


leaders = ["Elon", "Tim", "Warren"]
found_yang = False

for i in leaders:
    if i == "Yang":
        print("Yang is a leader!")
        found_yang = True
        break

if not found_yang:
    print("Not found Yang!")


## 2. eval() 또는 exec() 함수

처음 보면, eval() 함수의 힘을 활용하면 일부 기능을 구현하는 것이 더 쉬워 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>

예를 들어, 다음 함수는 eval() 함수의 도움을 받아 한 줄의 코드로 기본 계산기를 구현합니다:

```js
def calculator(a, b, op):
    return eval(f'{a} {op} {b}')

print(calculator(2, 3, '+'))
# 5
print(calculator(6, 5, '-'))
# 1
print(calculator(7, 8, '*'))
# 56
print(calculator(8, 2, '/'))
# 4.0
```

깔끔하고 간결하죠?

사이버 공격자들도 eval() 함수를 좋아합니다.


<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>

그 이름에서 알 수 있듯이, eval() 함수는 Python 식을 평가하는 데 사용됩니다.

그러나 입력이 시스템을 해킹하도록 특별히 설계된 경우, eval() 함수는 모든 악의의 근원이 될 수 있습니다.

예를 들어, 누군가 이전의 계산기를 다음과 같은 방식으로 사용한다면, 쉽게 현재 위치의 폴더와 파일 목록을 가져올 수 있습니다:

```js
def calculator(a, b, op):
    return eval(f'{a} {op} {b}')


print(calculator("__import__('os').system('ls')",'',''))
```


<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>

다음과 같이 입력을 변경해보는 건 어떨까요:

```js
print(calculator("__import__('os').system('rm -rf *')",'',''))
```

따라서, 제작 환경에서는 evel() 함수를 사용하지 않는 것이 가장 좋습니다.

evel() 함수와 유사하게, exec()는 Python 프로그램 코드를 동적으로 실행하는 또 다른 내장 함수입니다. 보안 문제로 인해 이 역시 제작 환경에서 사용하지 않는 것이 좋습니다.


<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. 깊게 중첩된 루프

어떤 복잡한 경우에는 중첩된 루프를 사용할 수밖에 없는 것처럼 보입니다:

```js
list_a = [1, 2020, 70]
list_b = [2, 4, 7, 2000]
list_c = [3, 70, 7]

for a in list_a:
    for b in list_b:
        for c in list_c:
            if a + b + c == 2077:
                print(a, b, c)
# 70 2000 7
```

하지만 깊게 중첩된 루프는 읽기 어렵고 파이썬다운 방식이 아닙니다.


<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>

나쁜 코딩에서 나오는 안티 패턴입니다. 파이썬은 이 문제를 해결하기 위한 내장 도구를 제공합니다:

```python
from itertools import product

list_a = [1, 2020, 70]
list_b = [2, 4, 7, 2000]
list_c = [3, 70, 7]

for a, b, c in product(list_a, list_b, list_c):
    if a + b + c == 2077:
        print(a, b, c)
# 70 2000 7
```

위의 예시에서 보다시피, itertools.product() 함수의 도움을 받아 이전 프로그램은 중첩된 루프를 완전히 피할 수 있습니다. 이 함수는 입력 이터러블의 카테시안 곱을 얻기 위한 방법입니다.

# 4. 와일드카드로 모두 가져오기(import)


<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>

와일드카드 임포트(from module import *)는 이름 충돌과 코드 불명확성의 근본이 됩니다.

이것은 모듈에서 모든 객체를 현재 네임스페이스로 가져오기 때문에 어디서 변수 또는 함수가 정의되었는지 추적하기 어렵습니다. 모듈에 의해 소개된 모든 이름을 기억하기 어려울 뿐만 아니라, 특히 대규모 타사 모듈의 경우 더욱 문제입니다.

네임스페이스 오염을 피하기 위해, 우리가 명시적으로 필요한 것만 가져오는 것이 최선의 실천 방법입니다:

```js
from module import func_a, func_b
```


<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>

# 5. 멋진 한 줄 요약

한 줄 요약은 프로그래밍의 재미난 부분을 보여줍니다. 재미로 작성하는 건 괜찮아요.

하지만 제품용 코드에 넣는 건 재앙이 될 수 있습니다.

이것은 퀵 정렬의 파이썬 한 줄 요약입니다:


<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
퀵정렬 = lambda l: 퀵정렬([i for i in l[1:] if i < l[0]]) + [l[0]] + 퀵정렬([j for j in l[1:] if j >= l[0]]) if l else []
```

이 코드는 잘 작동하지만 코드의 로직을 얼마나 빨리 이해할 수 있습니까?

당신만큼 빨리 동료들도 이해할 수 있을까요?

그리고 람다 함수는 많은 멋진 파이썬 한 줄짜리 코드의 기반입니다. 우리는 매우 간단한 함수에만 사용해야 합니다.


<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>

# 6. 깊은 상속 계층 구조와 복잡한 믹스인

객체 지향 프로그래밍은 어떤 면에서는 두 각도로 양날의 검입니다.

때로는 메서드의 목적을 이해하기 위해 매우 복잡한 상속 계층을 추적해야 할 수도 있습니다.

게다가 Python은 믹스인을 지원하는데, 이는 객체를 이해하기 어렵게 만들 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>

동료들이 편리하게 일할 수 있도록 상속 체인을 간소화하는 것을 고려해보세요.

# 7. 변경 가능한 기본 인수

파이썬은 값에 의한 호출(call-by-name)도 아니고 참조에 의한 호출(call-by-reference)도 아니며, 공유에 의한 호출(call-by-sharing)이다.

이는 변경 가능한 기본 인수를 정의할 경우 혼란스러운 코드로 이어질 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>

```js
def get_leaders(element, leader_list=[]):
    leader_list.append(element)
    return leader_list


print(get_leaders('Elon'))
# ['Elon']
print(get_leaders('Yang'))
# ['Elon', 'Yang']
print(get_leaders('Warren'))
# ['Elon', 'Yang', 'Warren']
```

위의 함수는 함수를 3번 독립적으로 호출해도 항상 동일한 목록을 사용합니다.

이제 leader_list의 기본 값을 None으로 변경하고 결과를 확인해봅시다:

```js
def get_leaders(element, leader_list=None):
    if leader_list is None:
        leader_list = []
    leader_list.append(element)
    return leader_list


print(get_leaders('Elon'))
# ['Elon']
print(get_leaders('Yang'))
# ['Yang']
print(get_leaders('Warren'))
# ['Warren']
```


<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>

매번 함수 호출할 때마다 새로운 목록이 생성됩니다.

실제로 Python 함수에서 가변 기본 인수를 사용하는 것은 Python이 가변 및 불변 데이터 구조를 처리하는 방식으로 인해 안티 패턴으로 간주됩니다. 이 동작은 종종 예상치 못한 결과와 찾기 어려운 버그로 이어집니다.

# 8. If-Else가 모든 곳에서 등장합니다

Python 3.10 이전에는 때때로 많은 if-else 문을 작성해야 했습니다. 왜냐하면 Python은 아직 match-case 구문을 지원하지 않았기 때문입니다.


<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>

파이썬 3.10 이후로 구조적 패턴 매칭 기술이 소개되면서 if-else 문을 반복적으로 작성하는 불편을 피할 수 있게 되었습니다:

```js
def handle_http_status(status_code):
    match status_code:
        case 200:
            return "성공!"
        case 400:
            return "잘못된 요청"
        case 401:
            return "권한 없음"
        case 404:
            return "찾을 수 없음"
        case 500:
            return "내부 서버 오류"


print(handle_http_status(200))
# 성공!
print(handle_http_status(404))
# 찾을 수 없음
print(handle_http_status(2077))
# None
```

위 프로그램에서 보듯이, match-case 구문을 사용하여 각각 다른 입력을 처리할 수 있습니다. 모든 경우에 if-else 문이 필요하지 않다는 것을 알 수 있습니다.

# 9. C-스타일 문자열 포맷팅


<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>

파이썬의 매우 오래된 버전에서는 문자열 포맷팅 연산이 C 프로그래밍 언어와 같았습니다:

```js
name = 'Yang'
print("Hi, %s" % name)
# Hi, Yang
```

그러나 파이썬이 많이 발전함에 따라 이전 구문은 여전히 사용할 수 있지만, 그 낡은 면모를 보여주고 있습니다:

지금은 이 오래된 기술을 피하고 모든 문자열 포맷팅에 f-string 구문을 적용해야 합니다:


<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>


name = 'Yang'
desc = 'amazing'
print(f"Hi, {name}! You are {desc}!")
# Hi, Yang! You are amazing!


# 결론

어떤 프로그래밍 언어도 완벽하지 않습니다.

자바보다 오래된 파이썬은 불가피하게 몇 가지 나쁜 설계로 인해 안티 패턴을 유발합니다.



<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>

경험 많은 Python 개발자로서, 우리는 문제가 있는 곳을 파악하고 그것들을 피하는 것이 중요해요. 동시에, 최신 구문을 활용하기 위해 새로운 Python 버전의 업데이트를 주시하면 도움이 될 거예요.

읽어 주셔서 감사합니다. ❤️ 만약 마음에 드셨다면, 연락해 보아요:

- Linkedin
- Medium

제가 작성한 더 많은 Python 자습서들:

프로덕션에서 절대 사용하지 않을 9가지 Python 안티 패턴

당신의 첫 LLM 앱을 개발하는 데 필요한 모든 것

# TL;TR

데코레이터는 파이썬에서 강력한 기능으로, 실제 코드를 변경하지 않고 함수 또는 메서드의 동작을 수정할 수 있게 해줍니다. Django에서는 인증, 권한 부여 및 요청 처리와 같은 반복적인 작업을 간소화하고 관리하기 위해 데코레이터가 널리 사용됩니다. 이 기사에서는 파이썬과 Django에서 데코레이터의 중요성을 탐색하고, 그들의 강력함을 강조하며 효과적인 사용을 위한 모베스트 프랙티스를 제공합니다.

# 데코레이터의 기본

파이썬에서 데코레이터는 다른 함수나 메서드를 감싸서 동작을 수정하는 함수입니다. @decorator_name 구문을 사용하여 함수 정의 위에 적용됩니다. 다음은 간단한 예시입니다:


<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>

```python
def my_decorator(func):
    def wrapper():
        print("함수 호출 전")
        func()
        print("함수 호출 후")
    return wrapper

@my_decorator
def say_hello():
    print("안녕!")

say_hello()
```

say_hello가 호출되면 다음과 같이 출력됩니다:

```python
함수 호출 전
안녕!
함수 호출 후
```

# 장고에서의 데코레이터들


<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>

장고에서는 데코레이터가 뷰를 관리하고 공통 웹 개발 작업을 처리하는 데 중요한 역할을 합니다:

## 인증 데코레이터

- @login_required: 뷰에 접근하기 전에 사용자가 인증되었는지 확인합니다.

```python
from django.contrib.auth.decorators import login_required

@login_required
def dashboard(request):
    return HttpResponse("대시보드에 오신 것을 환영합니다!")
```


<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>

## 허가 데코레이터

- @permission_required: 사용자가 특정 권한을 갖고 있는지 확인합니다.

```python
from django.contrib.auth.decorators import permission_required

@permission_required('app.view_dashboard')
def dashboard(request):
    return HttpResponse("대시보드를 볼 수 있는 권한이 있습니다!")
```

## 메서드 데코레이터


<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>

- @require_http_methods: 뷰에 허용된 HTTP 메소드를 제한합니다.

```js
from django.views.decorators.http import require_http_methods

@require_http_methods(["GET", "POST"])
def submit_form(request):
    if request.method == 'POST':
        return HttpResponse("Form submitted!")
    return HttpResponse("Submit the form.")
```

# Django에서 사용자 정의 데코레이터

Django에서 사용자 정의 데코레이터를 생성하면 재사용 가능한 기능을 캡슐화할 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>

예시: 뷰로의 접근 로깅

```python
import logging
from django.http import HttpResponse

logger = logging.getLogger(__name__)

def log_access(func):
    def wrapper(request, *args, **kwargs):
        logger.info(f"뷰에 접근 중: {func.__name__}")
        return func(request, *args, **kwargs)
    return wrapper

@log_access
def dashboard(request):
    return HttpResponse("대시보드입니다")
```

# 데코레이터 사용시 권장 사항

파이썬과 장고에서 데코레이터를 사용할 때, 유지보수 가능하고 효율적인 코드를 보장하기 위해 다음과 같은 권장 사항을 고려해보세요:


<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>

## 1. 데코레이터를 간단하고 명확하게 유지해주세요

데코레이터는 한 가지 일을 잘 하는 것이 중요합니다. 복잡한 로직을 피하고 데코레이터를 이해하기 쉽고 유지보수가능하도록 유지해주세요.

## 2. 데코레이터를 명확하게 문서화해주세요

사용자 정의 데코레이터에 대해 명확한 설명서를 제공하여 그 목적과 사용법을 설명해주세요. 이는 가독성과 유용성을 유지하는 데 중요합니다.


<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. 가능한 경우 내장 데코레이터 사용하기

인증 및 메소드 제한과 같은 일반 작업에 대해 Django의 내장 데코레이터를 활용하세요. 이들은 제대로 시험된 상태이며 유지관리가 잘 되어 있습니다.

## 4. 적절하게 데코레이터를 스택해야 합니다

여러 데코레이터를 사용할 때 의도하지 않은 동작을 피하기 위해 논리적인 순서로 스택하십시오. 예를 들어:


<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>

```python
@login_required
@require_http_methods(["POST"])
def secure_submit(request):
    return HttpResponse("안전하게 제출된 양식!")
```

## 5. Gracefully 처리되는 예외 핸들링

데코레이터가 예외를 정상적으로 처리하고 의미 있는 오류 메시지 또는 대체 매커니즘을 제공하도록 확실히 합니다.

## 6. 데코레이터 철저히 테스트하기


<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>

커스텀 데코레이터에 대한 유닛 테스트를 작성하여 다양한 시나리오에서 예상대로 작동하는지 확인하세요.

# 결론

데코레이터는 Python 및 Django에서 강력한 도구로, 개발자들이 반복적인 작업을 추상화하여 더 깔끔하고 유지보수가 쉬운 코드를 작성할 수 있게 해줍니다. 이러한 데코레이터의 전체 잠재력을 활용하기 위해 개발자들은 그것을 간단하게 유지하고 철저히 문서화하며 내장 솔루션을 활용하는 등의 최상의 방법을 따라야 합니다.

# 저를 따라오세요


<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>

- 내 랜딩 페이지
- 내 Youtube 채널
- 내 SaaS 서비스
- 내 GitHub

# 간단히 말해서 🚀

In Plain English 커뮤니티에 참여해 주셔서 감사합니다! 떠나시기 전에:

- 글쓴이를 클랩하고 팔로우 해 주세요 ️👏️️
- 팔로우하기: X | LinkedIn | YouTube | Discord | Newsletter
- 다른 플랫폼 방문: CoFeed | Differ
- PlainEnglish.io에서 더 많은 콘텐츠 확인하기

장고에서 파이썬 데코레이터의 강력한 기능 알아보기

## 판다스(Pandas)로 파이썬 데이터 분석 능력을 향상시켜요

안녕하세요! 오늘은 Pandas를 사용하여 데이터 분석 능력을 향상시키는 방법에 대해 알려 드릴게요!

# 1. 빠른 데이터 가져오기 및 미리보기

```python
import pandas as pd
# "data.csv"라는 파일이 있다고 가정합니다
df = pd.read_csv('data.csv')
# 첫 5개 행을 미리보기, 마치 미지를 드러내는 것처럼
print(df.head())
```


<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 단계는 새 서점에 들어가서 목차를 훑는 것과 비슷합니다.

DataFrame은 판다스의 핵심입니다. `read_csv`를 사용하면 CSV 파일을 테이블로 변환할 수 있고, `head()`를 사용하면 미리보기를 볼 수 있습니다.

# 2. 데이터 정리: 누락된 값 처리

```js
# 누락된 값 확인
print(df.isnull().sum())
# 누락된 값들을 해당 열의 평균값으로 채우기
df.fillna(df.mean(), inplace=True)
```


<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 정리는 먼지가 쌓인 보석을 닦는 것과 같아요. `isnull().sum()`은 먼지가 있는 곳을 보여주는데, `fillna`은 보석을 깨끗이 닦는 도구에요. 평균을 활용해서 닦습니다.

# 3. 선택과 필터링: 정확한 대상 선정

```js
# 'Age' 열 선택
age_column = df['Age']
# 나이가 25보다 큰 행 필터링
adults = df[df['Age'] > 25]
```

슈퍼마켓 통로를 걷고 있는 것처럼 상상해봐요. `df[‘Age’]`은 라벨을 확인하는 것처럼, `df[df[‘Age’] > 25]`는 기준을 충족하는 항목을 고르는 것과 같아요.


<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>

# 4. 탐색적 데이터 분석: 기술 통계

```js
# 개요를 위한 기술 통계
print(df.describe())
```

이것은 건강 진단과 같아요. 평균값, 최댓값 등을 보여줘서 데이터 상태를 알려줘요.

# 5. 데이터 병합: 퍼즐 게임


<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
# 가정: df2는 또 다른 DataFrame이라고 가정합니다.
merged_df = pd.concat([df, df2], axis=0)  # 수직으로 쌓기
merged_df = pd.merge(df, df2, on='공통_컬럼')  # 공통 열을 기준으로 조인

```

데이터 병합은 퍼즐 조각을 맞추는 것과 비슷합니다. `concat`은 쌓고, `merge`는 키 열을 기반으로 결합합니다.

# 6. 그룹화: 패턴 찾기

```js
# 성별로 그룹화하여 평균 나이 계산
average_age_by_gender = df.groupby('성별')['나이'].mean()
```


<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>

그룹화는 데이터 마이닝의 시작입니다. 비슷한 항목을 그룹화하고 그들의 평균 무게를 측정하는 것과 같아요. `groupby`는 분석에 깊이를 더해줍니다.

## 7. 데이터 형태 변형: 큐브 회전

```js
# 다른 관점을 위해 데이터 전치
df_transposed = df.T
# 유연한 분석을 위한 피벗 테이블
pivot_table = df.pivot_table(index='Gender', values='Age', aggfunc='mean')
```

데이터 형태 변형은 루빅 큐브를 돌리는 것과 같아요. `T`는 측면을 보여주고, `pivot_table`은 다차원 분석을 위한 사용자 정의 관점을 제공해줘요.


<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>

# 8. 조건부 필터링: 정밀 타겟팅

```js
# Filter rows where age is between 25 and 30 and city is 'New York'
filtered_df = df[(df['Age'] > 25) & (df['Age'] < 30) & (df['City'] == 'New York')]
```

조건부 필터링은 마치 목표를 정확하게 조준하는 것과 같아요. 논리 연산자 `&` (그리고)와 `|` (또는)를 사용하여 필요한 데이터를 정밀하게 찾을 수 있어요.

# 9. 데이터 정렬: 누가 선두일까요?


<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
# 나이를 오름차순으로 정렬합니다
sorted_df = df.sort_values(by='나이')
# 혹은 내림차순으로 정렬할 수도 있습니다
sorted_df_desc = df.sort_values(by='나이', ascending=False)
```

정렬은 마치 경쟁에서 순위 매기는 것과 같아요. `sort_values`는 지정된 열을 기준으로 데이터를 정렬해주는데, `ascending=False`는 가장 빠른 선수들을 보여줘요.

# 10. 데이터 시각화: 즉각적인 통찰

판다스로 직접 제공되지는 않지만, 맷플롯립이나 시본과 결합하면 데이터가 생동각을 불어넣어줄 수 있어요!



<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>


import matplotlib.pyplot as plt
# 나이에 대한 히스토그램 그리기
df['Age'].hist()
plt.title('나이 분포')
plt.show()


시각화는 데이터 분석의 하이라이트에요. 히스토그램, 산점도... `hist()` 함수를 사용하면 한눈에 나이 분포 패턴을 확인할 수 있어요. 제목을 추가하고 차트를 표시하면, 여러분의 이야기가 살아날 거예요!

이 10가지 판다스 팁은 데이터 분석을 위한 10가지 마법 주문 같아요. 이를 마스터하면 데이터 바다를 탐험하며 더 많은 비밀을 발견할 수 있어요. 이제 파이썬을 실행하고 데이터를 춤추게 해보세요!

최신 인공지능 이야기에 대한 소식을 받으려면 Substack에서 저희와 연락하세요.함께 인공지능의 미래를 만들어가요!



<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>

저희와 함께 파이썬 이야기를 업데이트 받으려면 Substack에서 연락을 유지하세요. 함께 파이썬을 배워봐요!

파이썬 데이터 분석을 위한 반드시 알아야 할 10가지 판다스 기술

알아두면 유용한 파이썬 프로그래밍 문법 10가지

![이미지](/TIL/assets/img/2024-07-14-7CrazyPythonEasterEggsYouProbablyHaventSeen_0.png)

Python은 기술 세계에서 가장 인기 있는 프로그래밍 언어 중 하나로, 요약하면 코딩 왕국의 석탄왕입니다. Python은 사용하기 쉬운 구문과 다재다능성으로 개발자들의 마음 속에 특별한 자리를 꽂아왔습니다. 그러나 실용적인 응용 분야를 넘어 숨겨진 재미있는 이스터 에그들로 가득 찬 비밀의 놀이터가 기다리고 있습니다. 이 블로그에서는 아마 본 적이 없는 몇 가지 미친 Python 이스터 에그를 공유하려고 합니다.

## 1. .py 확장자는 크게 상관이 없어요 🐍

Python에 관한 모든 책, 모든 튜토리얼, 그리고 모든 기사는 Python 프로그램을 저장할 때 항상 .py 확장자를 사용해야 한다고 말할 것입니다. 이것은 사실이고, 항상 이 윤리적으로 해야 하지만, 이 기사는 Python 윤리에 관한 것이 아니라 이스터 에그에 관한 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>


![image](https://miro.medium.com/v2/resize:fit:996/1*s-gIoYmgwo4NNlTBsTniZw.gif)

파이썬 파일을 저장할 때는 .cow, .cat 또는 .mango와 같은 모든 종류의 확장자를 사용할 수 있습니다. 스크립트가 유효하다면 원하는 출력을 제공하고 실행될 것입니다.

```js
# 간단한 CLI 계산기
# cli_calc.cow

def add(x, y):
  return x + y
def subtract(x, y):
    return x - y
def multiply(x, y):
    return x * y
def divide(x, y):
    if y == 0:
        return "오류: 0으로 나눌 수 없습니다!"
    else:
        return x / y

print("연산을 선택하세요:")
print("1. 더하기")
print("2. 빼기")
print("3. 곱하기")
print("4. 나누기")

while True:
    choice = input("선택하세요 (1/2/3/4): ")
    if choice in ('1', '2', '3', '4'):
        num1 = float(input("첫 번째 숫자를 입력하세요: "))
        num2 = float(input("두 번째 숫자를 입력하세요: "))

        if choice == '1':
            print("결과:", add(num1, num2))
        elif choice == '2':
            print("결과:", subtract(num1, num2))
        elif choice == '3':
            print("결과:", multiply(num1, num2))
        elif choice == '4':
            print("결과:", divide(num1, num2))
        break
    else:
        print("유효하지 않은 입력입니다. 유효한 숫자를 입력하세요 (1/2/3/4).")
```

![image](https://miro.medium.com/v2/resize:fit:1200/1*bRH0ZnSKG-kaCv-gr8fonA.gif)



<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>

## 2. 파이썬에서 무한대는 도달 가능합니다

정말 그렇습니다.
파이썬에서는 float(`inf`)를 사용하여 양의 무한대를 나타내고, float(`-inf`)를 사용하여 음의 무한대를 나타낼 수 있습니다.

![이미지](https://miro.medium.com/v2/resize:fit:324/1*0KTkloaq_LLwl7esTS_dbQ.gif)

아래는 간단한 예제 사용 사례입니다...


<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
def find_max(numbers):
    if not numbers:
        return float('-inf')  # 빈 리스트에는 음의 무한대를 반환합니다.
    else:
        max_value = float('-inf')  # max_value를 음의 무한대로 초기화합니다.
        for num in numbers:
            if num > max_value:
                max_value = num
        return max_value

# 예시 사용법:
numbers_list = [5, 9, 2, 11, 6]
print("최댓값:", find_max(numbers_list))

empty_list = []
print("빈 리스트의 최댓값:", find_max(empty_list))

----------------------------
최댓값: 11
```

## 3. The OG 😎

“Python의 기초”는 Python 프로그램을 작성하는 지침의 모음입니다. 이것들은 Tim Peters가 쓴 것으로 Python 해석기에 "이스터 에그"로 포함되어 있습니다. Python 인터프리터에서 import this를 입력하여 확인할 수 있습니다.

```js
>>> import this
The Zen of Python, by Tim Peters

Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
Flat is better than nested.
Sparse is better than dense.
Readability counts.
Special cases aren't special enough to break the rules.
Although practicality beats purity.
Errors should never pass silently.
Unless explicitly silenced.
In the face of ambiguity, refuse the temptation to guess.
There should be one-- and preferably only one --obvious way to do it.
Although that way may not be obvious at first unless you're Dutch.
Now is better than never.
Although never is often better than *right* now.
If the implementation is hard to explain, it's a bad idea.
If the implementation is easy to explain, it may be a good idea.
Namespaces are one honking great idea -- let's do more of those!
```


<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>

PEP 20(Python Enhancement Proposal 20)은 팀 피터스가 저술한 Python의 철학인 Zen of Python을 처음 소개했습니다. 20개의 금언이라고 불리지만, 실제로는 PEP에 명시된 것은 19개 뿐입니다. 이 작은 차이는 적혀 있는 것과 인용된 것 사이의 흥미로운 측면 중 하나입니다. 

![image](https://miro.medium.com/v2/resize:fit:200/0*zT7m0MwnO2vf35uK.gif)

## 4. "한치의 여지도 없다"

Python에는 Python 2와 Python 3 모두와 호환성을 유지하기 위해 개발자가 사용하는 __future__ 패키지가 있습니다. 이를 통해 Python 2와 Python 3를 모두 지원하는 단일하고 깨끗한 Python 3.x 호환 코드베이스를 최소한의 오버헤드로 사용할 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>

음... 좋아! 이 패키지에는 오류와 클래스에서 유머로 가득찬 은박이 숨겨져 있어요.

```js
from __future__ import braces

  File "<stdin>", line 1
SyntaxError: not a chance
```

미래에서 중괄호를 가져오려고 하면 '흥! 그럴 리가' 라는 재미있는 오류가 발생할 거에요. 이 부분은 Python이 C, Java, 또는 JavaScript와 같은 다른 프로그래밍 언어와 달리 중괄호 ''를 블록 구분에 사용하지 않는다는 사실을 유머스럽게 표현한 장난이나 은박이로 의도적으로 만들어졌어요.

## 5. Chinese As Var Names


<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>

네, 올바르게 이해하셨어요!!!

Python에서는 변수 이름으로 중국어 문자나 유니코드 문자를 사용할 수 있어요. Python은 언어 전반에 걸쳐 유니코드를 지원해요.

```js
# 변수 이름으로 중국어 문자 사용하기
大人弓戈 = "Hello"
print(大人弓戈)  # 출력: Hello

金竹戈女日 = "World"
print(金竹戈女日)  # 출력: World

# 함수 이름에 중국어 문자 사용하기
def 心口戈弓廿尸日廿日():
    print("心卜廿竹人弓戈尸中人女水")

心口戈弓廿尸日廿日()
```

## 6. Antigravity


<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>

파이썬의 재미있는 이스터에그 중 하나는 "Python"이라는 XKCD 만화를 참조한 것입니다. 이 만화에는 어떤 복잡한 작업도 쉽게 느껴지게 만들 수 있는 캐릭터 이야기가 포함되어 있어 파이썬의 간결함과 가독성을 강조합니다.

```js
import antigravity
```

## 7. 이상한 임포트

파이썬에는 30만 개 이상의 패키지가 있습니다. 그 중 일부는 내장되어 있고 놀라운 파이썬 커뮤니티가 외부에서 몇 가지 생성합니다. 각 패키지는 고유한 능력 집합을 갖고 있지만 일부는 파이썬의 재미를 한 단계 더 높여줍니다.


<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 __hello__

>> Hello World!
```

__hello__ 모듈은 파이썬에서 특별한 모듈로, 파이썬 패키지를 만들고 배포하는 간단한 데모로 사용됩니다. 실제 기능은 포함하고 있지 않지만, 파이썬 패키지의 구조와 레이아웃을 보여줍니다.

여기까지 읽어주셔서 감사합니다. 내 컨텐츠가 마음에 들고, 지원하고 싶다면 다음이 최고 방법입니다 —

- Clap👋을 남기고 생각을 💬 댓글로 남겨주세요.
- 제 Medium 팔로우하기.
- LinkedIn에서 나와 연결하기.
- 내 이메일 목록에 가입하여 다른 글을 놓치지 마세요.

당신이 놓쳤을 7가지 미친 파이썬 이스터 에그

만약 좋고 전문적인 방법으로 해킹을 배우고 싶다면, 해킹의 첫 걸음을 따라가는데 도움 될 수 있는 몇 가지 항목을 배워야 할 수도 있습니다. 이미 사이버 보안 자격증이나 학사 학위를 취득했다면 더 좋습니다.

# 버전 0.01 :

모든 문서는 기본 버전이며 매 번 업데이트되므로 방문할 때마다 최신 정보를 얻을 수 있습니다.

# 작은 걸음


<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>

- 리눅스, 윈도우, macOS를 위한 명령어
- 디렉토리 이동
- 웹 또는 데스크톱 애플리케이션 지식
- 데이터베이스 관리 시스템 작동 방식
- 페이로드와 그 효과
- 요청 유형
- 진입하는 세 가지 방법

# 리눅스, 윈도우, macOS를 위한 명령어,

해킹을 배우려는 사람이라면 명령어 이해가 매우 중요합니다. 때로는 여러 가지가 여러분에게 열려 있지만 들어가려고 노력해야 할 때가 있습니다.

# Curl 요청에 대한 매우 간단한 예제


<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 명령어는 매우 간단해요. curl을 사용해서 명령어를 실행하면 되요.

![사진](/TIL/assets/img/2024-07-14-Takeyourfirststepinhackingtoday_0.png)

Gabriel Heinzer님의 Unsplash에서 제공된 사진입니다.

```js
curl -X POST -H "Content-Type: application/json" -d '{"username":"exampleuser","password":"examplepass"}' http://example.com/api/login
```


<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>

cURL 명령어의 구성 요소를 살펴보겠습니다.

Curl은 -X POST를 사용하여 Curl과 함께 사용하는 요청 방법을 말합니다. `Post`를 사용하여 입력 정보를 서버로 제출합니다.

# 웹 또는 데스크톱 애플리케이션 지식.

웹 테스팅을 배우고 싶다면 웹사이트 해킹을 하려는 것이 중요합니다. 모든 것을 잘 알아야 하는 것이 중요한 것은 아닙니다. 작은 단계로 배워야 합니다. 예를 들어,


<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>

온라인 오픈 웹 서버를 탐험하고 사이버 보안 직업으로 이끌어주는 중이시군요.

웹 애플리케이션에서 버그나 취약점을 찾는 것은 누구에게나 쉬울 수 있어요. 몇 가지 간단한 방법을 사용하면 됩니다.

Google Dorks를 이용해 공개 서버의 데이터를 탐색할 수 있어요. 구글 해킹 데이터베이스

```js
intitle:index.of intext:crm.zip
```


<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 간단한 구글 스트링은 귀하의 첫 번째 단계를 이끌어주는 데 도움이 될 수 있습니다. 이렇게 쉬울 것이라고 생각하실 수도 있습니다. 네, 맞습니다. 그러나 이러한 종류의 스트링을 사용하여 많은 중요한 정보를 발견했습니다.

[Takeyourfirststepinhackingtoday_1.png 이미지](/TIL/assets/img/2024-07-14-Takeyourfirststepinhackingtoday_1.png)

Bernd 📷 Dittrich의 Unsplash에서 제공하는 사진입니다.

웹 애플리케이션이 데이터베이스와 함께 작동하는 방식에 관심이 있다면 이 문서를 확인해보세요. 웹에 대한 기본 지식만 있다면 더 잘 이해할 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>

# 데이터베이스에서 외래 키 관계를 정의할 때 마주칠 수 있는 문제

# 여러분은 아마도 외래 키가 일반적으로 데이터베이스의 두 테이블 사이에 연결을 설정하는 데 사용된다는 것을 알고 있을 겁니다...

medium.com

# 공격적인 경로 vs 방어적인 경로:


<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>

사이버 보안을 향한 당신의 길은 이미 분명해야 합니다. 제가 강의에서 언급한 것처럼, 프로그래밍이 잘되어야 하는 경우도 있습니다. 복잡한 문제를 해결할 수 없습니다. 방어 분야에서 활동하고 싶다면 다음과 같은 것들에 대한 좋은 이해가 있어야 합니다.

- 사이버 보안 소개
- 네트워크 보안
- 안전한 코딩과 응용 프로그램 보안
- 암호학
- 사이버 위협 인텔리전스
- 사고 대응과 관리
- 위험 관리와 준수
- 윤리적 해킹 및 침투 테스트
- 디지털 포렌식
- 보안 운영 및 모니터링
- 안전한 시스템 및 인프라
- 개인 정보 보호

만약 공격적 보안에 관심이 있다면 이해해야 할 내용들은 다음과 같습니다.

- 윤리적 해킹
- 침투 테스팅
- 취약점 평가
- 익스플로잇 개발
- 레드팀
- 사회 공학
- 무선 네트워크 해킹
- 웹 애플리케이션 해킹
- 네트워크 스캐닝 및 열거
- 암호 해독
- 역공학
- 악성 코드 분석
- OS 및 네트워크 공격
- 사후 공격 기술
- 위협 인텔리전스 수집
- 적대적 전술, 기술 및 절차 (TTP)
- 물리적 보안 평가
- 무선 네트워크 감사
- 클라우드 보안 평가
- IoT 보안 테스트


<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>

나의 마스터 클래스에 참여하신 모든 분들께, 마스터 또는 박사 과정 학생 또는 초심자들 모두 모든 것을 얻을 수 있어요. 이것은 여러분이 완전한 사람으로 성장하는 데 도움이 될 거예요.

더 많은 정보를 원하시면 계속해서 함께해주세요...

오늘 바로 해킹의 첫 걸음 내딛기

더 적은 것으로 더 많은 AI를 구현하는 방법

![이미지](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_0.png)

Scikit Learn은 수년간 가장 인기 있는 머신러닝 라이브러리였습니다. 그러나 이제는 우리의 작업을 더 쉽게 만들어 줄 새로운 라이브러리를 사용할 때가 왔습니다.

이 글에서는 Pycaret라는 Auto ML 라이브러리를 소개하려고 합니다. 저는 PyCaret 라이브러리를 사용하여 붓꽃 데이터셋에서 분류를 수행하는 방법을 설명하겠습니다.

이 글에서 사용된 머신러닝 소스 코드는 다음에서 확인하실 수 있습니다: github.com


<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>

아래 링크를 통해 PyCaret에 대해 더 자세히 알아보세요:

## PyCaret이 뭐죠?

PyCaret은 머신러닝 모델 개발 전체 과정을 자동화하는 저코드, 오픈소스 파이썬 머신러닝 라이브러리입니다. PyCaret의 목표는 대부분의 작업을 자동화하여 머신러닝 모델의 개발, 배포 및 관리의 효율성을 증가시키는 것이며, 사용자가 매우 적은 코드를 사용하는 것입니다. PyCaret은 코드 작성 없이 복잡한 작업을 완료할 수 있기 때문에 초심자부터 전문가까지에게 좋은 옵션입니다.

공식 문서: PyCaret


<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>

# 아이리스 데이터셋

분석을 시작하기 전에, 데이터셋을 살펴봅시다.

아이리스는 통계 및 머신 러닝에서 잘 알려진 데이터셋입니다.

![img](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_1.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>

1936년, 영국 수학자이자 생물학자인 로날드 피셔는 그의 논문 "The Use of Multiple Measurements in Taxonomic Problems"에서 판별 분석을 통한 이를 설명하기 위해 제시했습니다.

이 데이터셋은 150개의 붓꽃 샘플과 각각의 네 가지 특징인 꽃받침의 길이, 꽃받침의 너비, 꽃잎의 길이, 그리고 꽃잎의 너비로 구성되어 있습니다. 타깃 변수는 붓꽃의 종입니다:

- 부채붓꽃 (Irissetosa)
- 세토사붓꽃 (Irisversicolor)
- 버지니카붓꽃 (Irisvirginica).

# Auto ML 절차 — 단계별 설명


<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 다음 단계를 따라갑니다:

시작해 봅시다!

## 단계 1: 라이브러리 가져오기 및 데이터셋 불러오기

먼저, 필요한 라이브러리를 가져와서 PyCaret을 사용하여 Iris 데이터셋을 로드해야 합니다.


<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>

```python
# pycaret 설치
pip install pycaret
```

```python
# 필요한 라이브러리 가져오기
from pycaret.datasets import get_data
from pycaret.classification import *
import pandas as pd

# 데이터 불러오기
data = get_data('iris')
```

## 단계 2: 탐색적 데이터 분석 (EDA)

EDA는 데이터를 이해하는 데 도움이 됩니다. 먼저 대상 변수의 분포, 요약 통계 및 데이터 세트의 처음 몇 행을 살펴보겠습니다.


<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
#데이터셋의 처음 몇 행 표시
print(data.head())
```

표는 데이터셋의 처음 몇 행을 보여줍니다. 각 붓꽃의 측정값과 종을 확인할 수 있습니다.

```js
#데이터셋의 요약 통계
print(data.describe())
```

요약 통계는 각 기능의 분포를 보여줍니다. 평균, 표준편차, 백분위 등이 포함됩니다.


<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
# 타겟 변수 분포
print(data['species'].value_counts())
```

데이터셋은 각 종별로 50개의 샘플로 완벽히 균형을 이룹니다.

## 시각화:

특성 간의 관계를 이해하기 위해 페어 플롯(pair plots) 및 박스 플롯(box plots)과 같은 시각화를 사용할 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>

표 태그를 Markdown 형식으로 변경하겠습니다.

## Pair plot

![Pair plot](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_2.png)

Pair plot은 각 특성 쌍 간의 관계를 종에 따라 색칠하여 보여줍니다. 꽃잎 길이와 꽃잎 너비와 같은 몇 가지 특성 쌍은 종 간에 명확한 분리를 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>

## 상자 그림

![Box Plot](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_3.png)

상자 그림은 각 특징이 서로 다른 종에 대해 분포를 보여줍니다. 이는 서로 다른 종에 대해 몇 가지 특징이 구별되는 분포를 가지고 있음을 나타내며, 이는 분류에 유용할 수 있습니다.

## 단계 3: 환경 설정


<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>

다음으로, PyCaret 환경을 설정해보겠습니다. 이 단계에는 데이터셋과 대상 변수를 지정하는 과정이 포함됩니다.

```js
clf = setup(data, target='species', session_id=123, log_experiment=True, experiment_name='iris_classification')
```

- setup(): PyCaret 환경을 초기화하며, 범주형 변수의 인코딩, 누락된 값의 보간, 데이터를 학습 및 테스트 세트로 분할하는 전처리 작업을 처리합니다.
- data: 사용할 데이터셋입니다.
- target: 예측하고자 하는 대상 변수입니다.
- session_id: 재현성을 위한 랜덤 시드입니다.
- log_experiment: 실험 로깅을 활성화합니다.
- experiment_name: 실험에 이름을 지정합니다.

## 단계 4: 모델 학습 및 선택


<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>

PyCaret은 여러 모델을 쉽게 학습하고 비교할 수 있게 해줍니다. compare_models() 함수를 사용하여 최상의 성능을 낼 모델을 찾을 수 있습니다.

이전에 models() 명령어로 사용 가능한 모든 모델을 확인할 수 있습니다.

![image](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_4.png)

목록을 확인한 후에는 데이터 및 해당 특징에 기반하여 비교할 필요가 있는 모델을 선택합니다.


<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>

여기서는 Random Forest (rf), Decision Tree (dt), Light Gradient Boosting Machine (lightgbm), Extra Trees Classifier (et) 및 Extreme Gradient Boosting (xgboost)와 같은 트리 기반 모델을 비교하기 위해 선택했습니다.

![image](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_5.png)

compare_models() 함수는 기본 하이퍼파라미터를 사용하여 여러 모델을 학습하고 정확도, 정밀도, 재현율 및 F1 점수를 포함한 다양한 메트릭을 사용하여 성능을 평가합니다. 결과에 따라 가장 우수한 성능을 보이는 모델을 반환하고 최상위 모델을 강조합니다.

## 단계 5: 모델 평가


<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>

최적 모델을 선택한 후, 다양한 메트릭과 시각화를 사용하여 모델의 성능을 평가합니다.

![이미지](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_6.png)

`evaluate_model()`은 혼동 행렬, ROC 곡선, 분류 보고서와 같은 모델 성능을 평가하기 위한 여러 메트릭과 시각화 도구를 제공합니다.

이것은 `evaluate_model()`에 의해 생성된 의사결정 경계 플롯입니다.


<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/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_7.png" />

## 단계 6: 모델 튜닝

tune_model() 함수를 사용하여 모델의 하이퍼파라미터를 조정하여 성능을 향상시킬 수 있습니다.

<img src="/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_8.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>

선택한 모델의 하이퍼파라미터를 최적화하여 성능을 향상시킵니다. 최적의 하이퍼파라미터 조합을 찾기 위해 그리드 탐색 또는 랜덤 탐색 방법을 사용합니다.

최종 모델 파이프라인은 다음과 같습니다

![이미지](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_9.png)

## 단계 7: 플로팅과 시각화


<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>

모델 성능과 특성 중요도를 시각화하기 위해 PyCaret은 다양한 플로팅 함수를 제공합니다.

![Multi-Class Classification of Iris Dataset using PyCaret AutoML](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_10.png)

생성된 혼동 행렬은 모델의 성능을 실제 양성, 실제 음성, 거짓 양성 및 거짓 음성 측면에서 시각화합니다.

![Multi-Class Classification of Iris Dataset using PyCaret AutoML](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_11.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>

이 그림은 예측을 하는 데 각 기능의 중요성을 나타냅니다. 이것은 어떤 기능이 가장 영향력이 있는지 이해하는 데 도움이 됩니다.

조정된 모델의 최적 매개변수는 다음과 같습니다:

![그림](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_12.png)

plot_model() 함수는 모델 성능과 해석 가능성을 평가하는 시각화를 생성합니다.


<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>

## 단계 8: 모델 해석

모델을 해석하는 것은 모델이 예측을 어떻게 생성하는지 이해하는 데 중요합니다. 모델의 출력은 SHAP(Shapley Additive exPlanations) 값을 사용하여 설명됩니다. 이를 통해 각 피쳐가 모델에 의해 만들어진 예측에 어떤 영향을 미치는지에 대한 소중한 관점을 제공합니다.

![image](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_13.png)

`interpret_model()`은 SHAP 값을 사용하여 피쳐 중요도와 모델 예측에 대한 통찰을 제공합니다.


<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>

## 단계 10: 모델 예측

튜닝된 모델의 예측 전체적인 정확도를 확인할 수 있습니다.

![이미지](/TIL/assets/img/2024-07-14-Multi-ClassClassificationofIrisDatasetusingPyCaretAutoML_14.png)

보시다시피, 97.7%의 정확도를 얻었습니다. 좋은 결과입니다.


<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>

## 단계 10: 모델 배포

마지막으로, 모델을 저장하여 나중에 사용하고 다시 불러오는 방법을 시연할 수 있습니다.

```js
# 모델 저장하기
save_model(tuned_model, 'best_ensembled_model')
# 모델 불러오기
loaded_model = load_model('best_ensembled_model')
```

여기서, save_model()은 훈련된 모델을 디스크에 저장하고, load_model()은 디스크에서 저장된 모델을 불러오는 데 사용됩니다.


<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 프로젝트에서는 PyCaret을 사용하여 아이리스 데이터셋을 분류했습니다. PyCaret은 로우코드 방법론과 다양한 기능 세트로 효율적으로 머신러닝 모델을 생성하고 구현하는데 훌륭한 도구입니다.

제 블로그를 읽어 주셔서 감사합니다!!! 이 글이 여러분께 새로운 것을 배울 수 있는데 도움이 되었으면 좋겠어요!

가기 전에, 이미 하지 않았다면:


<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>

- ⭐️ 만약 이에 쏟은 시간과 노력에 감사하시다면, 제 팔로우와 박수👏 부탁드립니다. 감사합니다🙌
- ⭐️ 피드백을 댓글로 남겨주세요! 🙂
- ⭐️ 제 YouTube 채널 구독해주세요. 새 동영상이 곧 업로드됩니다!
- ⭐️ Github, Github, LinkedIn을 팔로우해주세요. 어떤 것이든 상관없습니다.
다음에 또 봐요!

PyCaret Auto ML로 아이리스 데이터셋에서 다중 클래스 분류하는 방법

![그림](/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_0.png)

데이터 시각화는 데이터 과학에서 중요한 기술로, 분석가들이 데이터에서 숨겨진 패턴과 통찰을 발견할 수 있게 합니다. Seaborn은 Matplotlib 위에 구축된 Python 라이브러리로, 매력적이고 유익한 통계 그래픽을 만들기 위한 고수준 인터페이스를 제공합니다. Seaborn은 아름다운 시각화를 만드는 과정을 간단하게 만들어주며, 다양한 플롯 스타일과 색상 팔레트를 제공하면서 Matplotlib이 사용자에게 맡기는 복잡성 중 많은 부분을 처리합니다. 특히 탐색적 데이터 분석에 적합하며 Pandas 데이터 구조와 원활하게 통합됩니다.

환경 설정하기

시각화에 들어가기 전에, Seaborn이 설치되어 있는지 확인해 주세요:



<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
!pip install seaborn
```

Seaborn을 설치했으면, 다른 필요한 라이브러리와 함께 불러올 수 있어요:

```js
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
```

동물원 데이터셋 불러오기



<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>

저희 동물원 프로젝트를 위해 동물의 다양한 속성을 포함하는 데이터셋이 필요합니다. 시연 목적을 위해 가상의 데이터셋을 만들어 보겠습니다:

```js
# 샘플 동물원 데이터셋
data = {
    '동물': ['사자', '호랑이', '곰', '얼룩말', '기린'],
    '물_수요': [350, 410, 290, 220, 300],
    '체길이': [1.8, 2.0, 1.5, 2.5, 3.0],
    '줄무늬': [0, 0, 0, 1, 0]
}
zoo_df = pd.DataFrame(data)
```

# 기본 시각화 생성

## 막대 그래프


<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>

막대 플롯은 각 사각형의 높이로 수치 변수의 중심 경향 추정을 나타내고 오차 막대를 사용하여 해당 추정 주변의 불확실성을 표시합니다.


sns.barplot(x='Animal', y='Water_Need', data=zoo_df)
plt.title('Water Need by Animal')
plt.show()


출력

![Image](/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_1.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>

## 히스토그램

히스토그램은 수치 변수의 분포를 나타내는데, x-축을 구간으로 나누고 각 구간에 속하는 관측치의 수를 세는 방식입니다.

```js
sns.histplot(zoo_df['Body_Length'], bins=5)
plt.title('Distribution of Body Lengths')
plt.show()
```

결과


<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/2024-07-14-DataVisualizationwithSeaborn_2.png)

## 산점도

산점도는 변수 간의 관계를 관찰하는 데 사용됩니다. Seaborn의 scatterplot 기능은 이러한 플롯을 만드는 데 편리한 인터페이스를 제공합니다.

```js
sns.scatterplot(x='Body_Length', y='Water_Need', data=zoo_df)
plt.title('체길 길이 대 물 필요량')
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>

출력

<img src="/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_3.png" />

## Jointplot

Seaborn을 사용하여 jointplot은 두 변수 간의 관계를 표시하며 각 변수의 주변 분포를 함께 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>

```js
sns.jointplot(x='Body_Length', y='Water_Need', data=zoo_df, kind='reg')
plt.suptitle('Jointplot of Body Length and Water Need')
plt.show()
```

결과

<img src="/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_4.png" />

## Pairplot



<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>

`pairplot` 함수는 데이터 세트의 각 변수가 한 행을 통해 y 축을 공유하고 한 열을 통해 x 축을 공유하도록 하는 Axes 그리드를 생성합니다.

```python
sns.pairplot(zoo_df)
plt.suptitle('Zoo 데이터 세트의 Pairplot')
plt.show()
```

출력

<img src="/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_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>

# 차트 서식의 기본

Seaborn은 차트의 미학을 사용자 정의하여 더 매력적이고 해석하기 쉽게 만들 수 있는 여러 가지 방법을 제공합니다.

테마와 스타일

Seaborn은 모든 차트에 전역적으로 적용할 수 있는 사전 설정된 테마를 제공합니다. 예를 들어, darkgrid 테마를 설정하는 것은 매우 간단합니다:


<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>


sns.set_theme(style="darkgrid")


이 명령은 차트에 어두운 배경과 그리드 라인을 즉시 적용하여 플롯을 통해 값들을 추적하는 데 도움이 됩니다.

set_style로 사용자 정의하기

set_style을 사용하여 플롯의 모양을 더욱 사용자 정의할 수 있습니다. 이 함수를 사용하면 배경, 그리드 라인 및 spines를 제어할 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>

```js
sns.set_style("whitegrid", {"grid.linestyle": ":"})
```

이 코드는 점선 그리드 라인이 있는 흰색 그리드 배경을 설정합니다.

다양한 맥락에 맞게 그래프 크기 조정하기

Seaborn의 set_context 함수를 사용하면 그래프 요소의 크기를 조정하여 프레젠테이션, 포스터 또는 보고서에 적합한 차트를 만들 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>

```js
sns.set_context("talk")
```

이 명령은 레이블 및 선과 같은 요소를 확대하여 토크나 프레젠테이션 설정에서 더 읽기 쉽게 만듭니다.

색상 팔레트 사용자 정의

Seaborn은 프로젝트 테마에 맞게 색상 팔레트를 사용자 정의하거나 색맹 뷰어들을 위해 가독성을 향상시킬 수 있도록 합니다.


<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
custom_palette = sns.color_palette("Paired", 9)
sns.set_palette(custom_palette)
```

이 코드 조각은 쌍으로 된 색상으로 사용자 정의 색상 팔레트를 생성하고 설정합니다. 이것은 범주 간의 구분을 좋게하는 데 좋습니다.

플롯 요소 수정

축, 범례 및 제목과 같은 플롯의 특정 요소를 수정하여 명확성과 미학을 향상시킬 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>

```js
# 커스터마이즈된 요소로 플로팅하기
ax = sns.barplot(x="동물", y="수분_요구량", data=zoo_data)
ax.set_title("동물과 그들의 수분 요구량")
ax.set_xlabel("동물")
ax.set_ylabel("수분 요구량(리터)")
sns.despine()  # 상단과 우측의 가장자리를 제거합니다
```

이 예제는 제목과 레이블이 달린 축을 가진 막대 플롯을 생성하며, 깔끔한 모습을 위해 불필요한 가장자리를 제거합니다.

# FacetGrid 이해하기

FacetGrid는 조건부 관계를 플로팅하기 위한 다중 플롯 그리드입니다. 데이터셋의 하위 그룹 내에서 여러 변수의 분포를 비교하거나 변수 간의 관계를 비교하고 싶을 때 특히 유용합니다. 생성된 플롯은 종종 "lattice", "trellis", 또는 "small-multiple" 그래픽이라고 합니다.


<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>

동물원 데이터 세트 로딩

우리의 동물원 프로젝트를 위해, 우리는 동물들의 종류, 수분 요구량 및 몸길이와 같은 다양한 속성을 포함하는 zoo.csv 데이터 세트를 가정해 봅시다. 아래는 데이터를 로드하는 방법입니다:

```js
import pandas as pd
zoo_data = pd.read_csv('zoo.csv')
```


<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>

FacetGrid을 사용한 기본적인 워크플로우는 세 단계로 구성됩니다:

- 데이터셋 및 그리드 구조를 정의하는 변수와 함께 FacetGrid 객체를 초기화합니다.
- 각 하위 집합에 하나 이상의 플로팅 함수를 적용하려면 FacetGrid.map() 또는 FacetGrid.map_dataframe()을 호출합니다.
- 축 레이블을 변경하거나 범례를 추가하는 등의 작업을 수행하기 위해 다른 메서드를 사용하여 그림을 수정합니다.

그리드 초기화하기

우리의 동물원 데이터셋에서 각 동물 유형에 대해 별도의 플롯을 생성하고 싶다고 가정해 봅시다:


<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
g = sns.FacetGrid(zoo_data, col="species", col_wrap=4, height=3)
```

이 코드는 각 열이 다른 동물 유형을 나타내며 네 개의 열에서 줄바꿈되고 각 플롯의 높이가 세 인치인 그리드를 초기화합니다.

플롯 매핑

이제 각 패싯에 플로팅 함수를 매핑할 수 있습니다. 예를 들어 각 동물의 수분 필요량을 시각화하려고 한다고 가정해 보겠습니다:


<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
g.map(sns.barplot, "동물", "물 필요량")
```

각 그리드 면에 막대 그래프를 만들어동물별 물 필요량을 보여줍니다.

그리드 사용자 정의

마지막으로, 우리는 그리드를 사용자 정의하여 정보를 더 잘 전달하고 시각적으로 매력적으로 만들 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>

```js
# 각 패싯에 제목 설정
g.set_titles("{col_name}")
# 축 레이블 설정
g.set_axis_labels("동물", "수요량 (리터)")
# 범례 추가
g.add_legend()
# 플롯 보이기
plt.show()
```

다중 변수 시각화

동물의 몸 길이와 수요량을 시각화하는 FacetGrid를 만들어보겠습니다. 이는 동물의 종류와 줄무늬 여부에 따라 나뉩니다.

```js
# 그리드 초기화
g = sns.FacetGrid(zoo_data, row="줄무늬 여부", col="동물 종류", margin_titles=True)
# 각 패싯에 산점도 매핑
g.map(sns.scatterplot, "몸 길이", "물 수요량")
# 그리드 사용자 지정
g.set_titles(col_template="{col_name} 동물", row_template="줄무늬: {row_name}")
g.set_axis_labels("몸 길이 (센티미터)", "물 수요량 (리터)")
g.add_legend()
# 플롯 보이기
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>

이 예시에서 그리드의 각 행은 줄무늬가 있는 동물과 없는 동물을 나타내고, 각 열은 다른 종류의 동물을 나타냅니다. 산점도는 이 하위 집합들 간의 몸 길이와 수분 필요량 사이의 관골을 보여줍니다.

# Seaborn과 Matplotlib의 시너지

Seaborn은 Matplotlib을 기반으로 구축되었으며, Pandas 데이터 구조와 긴밀하게 통합되어 있어 통계적 데이터 시각화에 이상적인 선택지입니다.

동물원 프로젝트에서 데이터를 시각화하여 실제 예시에 대해 자세히 살펴보겠습니다. 서로 다른 종, 서식지 및 다양한 특성 간의 관골을 탐색해 보겠습니다.


<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>

Zoo.cvs

<img src="/TIL/assets/img/2024-07-14-DataVisualizationwithSeaborn_6.png" />

```js
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 동물원 데이터셋 불러오기
zoo_data = pd.read_csv('zoo.csv')
# 데이터셋 개요 출력
print(zoo_data.head())
# 변수간 관계 시각화를 위한 페어플롯 생성
sns.pairplot(zoo_data, hue='species')
plt.show()
# 각 종의 water_need 분포 시각화
plt.figure(figsize=(12, 6))
sns.boxplot(x='species', y='water_need', data=zoo_data)
plt.title('종에 따른 수분 필요량')
plt.show()
# 서식지 면적을 바이올린 플롯으로 분석
plt.figure(figsize=(12, 6))
sns.violinplot(x='habitat_area', y='species', data=zoo_data, scale='width')
plt.title('종에 따른 서식지 면적 분포')
plt.show()
```

결과


<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>

위의 코드에서는 필요한 라이브러리를 가져와서 동물원 데이터셋을 로드하는 방식으로 시작합니다. 그런 다음 sns.pairplot()을 사용하여 변수 간의 쌍별 관계를 이해할 수 있게 해주는 산점도 그리드를 만들고, 종에 따라 색칠합니다. 그다음 sns.boxplot()을 사용하여 서로 다른 종 간의 수분 요구량 분포를 시각화하여 요구 사항에 대한 통찰을 얻습니다. 마지막으로 sns.violinplot()을 사용하여 각 종의 서식지 면적 분포에 대한 더 깊은 이해를 제공하며, scale='width' 매개변수가 각 바이올린이 동일한 폭을 갖도록 하며 데이터의 밀도를 나타냅니다.


<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>

Seaborn과 Matplotlib의 통합은 정교한 데이터 시각화를 만들기 위한 견고한 프레임워크를 제공합니다. 함께 사용하면 우리의 동물원 프로젝트 데이터를 통찰력 있고 매력적인 시각적 이야기로 변화시킬 수 있는 강력한 조합이 됩니다.

데이터 시각화 관련 기사:

Matplotlib를 이용한 데이터 시각화

Plotly를 이용한 데이터 시각화


<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/2024-07-14-DataVisualizationwithSeaborn_10.png)

Posts