시각화는 데이터에서 통찰을 전달하는 강력한 방법입니다. 파이썬의 Seaborn 라이브러리는 Matplotlib을 기반으로 한, 시각적으로 매력적이고 정보를 제공하는 높은 수준의 인터페이스를 제공합니다. 이 기사에서는 Seaborn 라이브러리를 자세히 살펴보며 그 기능을 탐구하고 다양성을 보여주는 실용적인 코드 예제를 제시할 것입니다.

![image](/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_0.png)

## Seaborn이란

Seaborn은 복잡하고 아름다운 시각화를 만드는 과정을 단순화하는 데이터 시각화 라이브러리입니다. 시각적 경험을 향상하기 위해 내장된 테마와 색 팔레트를 제공합니다. Seaborn은 통계적 시각화를 생성하는 데 특히 적합하며 변수 간의 관계를 시각화하는 데 자주 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>

# Seaborn을 이용한 시각화 생성

Seaborn의 주요 기능과 기능을 몇 가지 코드 예제와 함께 살펴보겠습니다.

## 1. 산점도

- a) 기본 산점도



<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 seaborn as sns
import matplotlib.pyplot as plt
```

```js
# 샘플 데이터
x = [1, 2, 3, 4, 5]
y = [3, 5, 8, 6, 7]
```

```js
# Seaborn을 사용하여 기본 산점도 그리기
sns.scatterplot(x=x, y=y)
plt.xlabel('X축')
plt.ylabel('Y축')
plt.title('Seaborn을 사용한 기본 산점도')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_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>

- b) 색상과 색조를 가진 산점도

```python
import seaborn as sns
import matplotlib.pyplot as plt
```

```python
# 샘플 데이터
x = [1, 2, 3, 4, 5]
y = [3, 5, 8, 6, 7]
categories = ['A', 'B', 'A', 'B', 'A']
```

```python
# Seaborn을 사용하여 색상과 색조를 가진 산점도 생성
sns.scatterplot(x=x, y=y, hue=categories, palette='Set1')
plt.xlabel('X-축')
plt.ylabel('Y-축')
plt.title('색상과 색조를 가진 산점도')
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/2024-07-09-DataVisualizationinPythonSeabornLibrary_2.png" />

## 2. 상자 그림

- a) 기본 상자 그림

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



<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
# 샘플 데이터
data = sns.load_dataset('iris')
```

```js
# Seaborn을 사용하여 기본 상자 그림 생성
sns.boxplot(x='species', y='sepal_length', data=data)
plt.xlabel('종류')
plt.ylabel('꽃 받침 길이')
plt.title('Seaborn을 사용한 기본 상자 그림')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_3.png" />

- b) 색상 팔레트를 사용한 가로 상자 그림



<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 seaborn as sns
import matplotlib.pyplot as plt
```

```js
# 샘플 데이터
data = sns.load_dataset('titanic')
```

```js
# Seaborn을 사용하여 색상 팔레트를 이용한 수평 상자 그림 생성
sns.boxplot(x='age', y='class', data=data, orient='h', palette='Set2')
plt.xlabel('나이')
plt.ylabel('등급')
plt.title('색상 팔레트를 이용한 수평 상자 그림')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_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>

- c) 그룹화된 상자 그림

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

```js
# 샘플 데이터
data = sns.load_dataset('tips')
```

```js
# Seaborn을 사용하여 그룹화된 상자 그림 생성
sns.boxplot(x='day', y='total_bill', data=data, hue='sex', palette='Set3')
plt.xlabel('요일')
plt.ylabel('총 계산')
plt.title('그룹화된 상자 그림')
plt.legend(title='성별')
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/2024-07-09-DataVisualizationinPythonSeabornLibrary_5.png" />

- d) Notched Box Plot

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

```js
# Sample data
data = sns.load_dataset('diamonds')
```



<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
# Seaborn을 사용하여 notch가 있는 상자 그림 만들기
sns.boxplot(x='cut', y='price', data=data, notch=True, palette='pastel')
plt.xlabel('Cut')
plt.ylabel('Price')
plt.title('Notched Box Plot')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_6.png" />

- e) 사용자 정의 상자 그림

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



<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
# 샘플 데이터
data = sns.load_dataset('mpg')
```

```js
# Seaborn을 사용하여 사용자 정의 상자 그림 만들기
sns.boxplot(x='origin', y='mpg', data=data, hue='cylinders', palette='Set2')
plt.xlabel('Origin')
plt.ylabel('Miles per Gallon')
plt.title('Customized Box Plot')
plt.legend(title='Cylinders')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_7.png" />

## 3. Pair Plot



<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>

- a) 기본 Pair Plot

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

```js
# 샘플 데이터
data = sns.load_dataset('iris')
```

```js
# Seaborn을 사용하여 기본 Pair Plot 생성
sns.pairplot(data, hue='species')
plt.title('Seaborn을 사용한 기본 Pair Plot')
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>

![image](/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_8.png)

- b) Pair Plot with Custom Color Palette

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

```js
# Sample data
data = sns.load_dataset('tips')
```



<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
# Seaborn을 사용하여 사용자 정의 색상 팔레트로 pair plot 만들기
sns.pairplot(data, hue='sex', palette='Set2')
plt.title('사용자 정의 색상 팔레트로 Pair Plot 만들기')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_9.png" />

- c) 다른 플롯 유형을 사용한 Pair Plot

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



<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
# 샘플 데이터
data = sns.load_dataset('penguins')
```

```js
# Seaborn을 사용하여 다른 종류의 플롯을 사용하여 페어 플롯 생성
g = sns.PairGrid(data)
g.map_upper(sns.scatterplot)
g.map_lower(sns.kdeplot)
g.map_diag(sns.histplot, kde_kws={'color': 'k'})
plt.title('다른 플롯 유형을 사용한 페어 플롯')
plt.show()
```

<img src="/TIL/assets/img/2024-07-09-DataVisualizationinPythonSeabornLibrary_10.png" />

# 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>

시본은 파이썬에서 정보를 전달하고 미적으로 매력적인 데이터 시각화를 생성하는 강력한 라이브러리입니다. 산점도, 상자 그림, 쌍 플롯 또는 더 복잡한 시각화를 만들 때 시본의 우아한 구문과 내장 테마가 과정을 단순화합니다.

# 파이썬 기초

소중한 시간 내어 주셔서 감사합니다! 🚀
더 많은 콘텐츠는 "Python Fundamentals"에서 찾아보실 수 있어요! 💫

파이썬 데이터 시각화 Seaborn 라이브러리 사용법

![image](/TIL/assets/img/2024-07-09-PythonAsynchronousProcessingIntroduction_0.png)

# Asynchronous Processing이란 무엇인가요?

비동기 처리는 작업이나 동작을 메인 프로그램의 실행을 차단하지 않고 동시에 실행할 수 있는 프로그래밍 패러다임입니다.

![image](/TIL/assets/img/2024-07-09-PythonAsynchronousProcessingIntroduction_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>

전통적인 동기 처리 방식에서는 작업이 순차적으로 실행되며, 각 작업이 완료될 때까지 다음 작업으로 넘어가기 전에 프로그램이 기다립니다.

이 방식은 특히 파일 작업이나 네트워크 요청과 같이 I/O 대기가 필요한 작업에 대해 비효율적일 수 있습니다. 이러한 경우 프로그램은 상당한 시간 동안 유휴 상태가 될 수 있습니다.

예를 들어, 아래 코드를 실행한다면:

```js
import time

# 작업을 수행하는 동기 함수
def task(name):
    print(f"작업 {name} 시작")
    time.sleep(2)  # 2초의 지연을 모의합니다
    print(f"작업 {name} 완료")

# 메인 프로그램

print("메인 프로그램 시작")

# 작업을 순차적으로 수행
task("A")
task("B")
task("C")

print("메인 프로그램 완료")
```



<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>

다음 출력을 볼 수 있습니다:

```js
Main program started
Task A started
Task A completed
Task B started
Task B completed
Task C started
Task C completed
Main program completed
```

반면에 비동기 처리는 작업이 독립적으로 및 동시에 실행되도록 합니다. 이는 프로그램이 작업을 시작하고 해당 작업이 완료될 때까지 기다리지 않고 다른 작업을 계속할 수 있도록 합니다. 완료된 작업은 준비되면 프로그램이 결과를 처리하거나 실행을 계속할 수 있도록 알림이나 이벤트를 트리거합니다.

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>

```js
import asyncio

# 작업을 나타내는 비동기 코루틴
async def task(name):
    print(f"작업 {name} 시작")
    await asyncio.sleep(2)  # 2초의 지연을 모의
    print(f"작업 {name} 완료")

# 메인 프로그램

async def main():
    print("메인 프로그램 시작")

    # 동시에 실행할 작업 목록 생성
    tasks = [
        asyncio.create_task(task("A")),
        asyncio.create_task(task("B")),
        asyncio.create_task(task("C"))
    ]

    # 모든 작업이 완료될 때까지 대기
    await asyncio.gather(*tasks)

    print("메인 프로그램 완료")

# 메인 프로그램 실행
asyncio.run(main())
```

출력:

```js
메인 프로그램 시작
작업 A 시작
작업 B 시작
작업 C 시작
작업 A 완료
작업 B 완료
작업 C 완료
메인 프로그램 완료
```

모든 작업이 동시에 시작되며, 완료 순서는 다를 수 있습니다. 메인 프로그램은 작업이 완료될 때까지 기다리지 않고 실행을 계속하여 비동기성을 실현합니다.



<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>

비동기 처리는 일반적으로 코루틴, 이벤트 기반 프로그래밍 또는 콜백 기반 프로그래밍 모델과 같은 비동기 프로그래밍 기법을 사용하여 달성됩니다. 이러한 기술을 사용하면 프로그램이 블로킹 없이 여러 작업 간에 전환할 수 있어 시스템 자원을 가장 효율적으로 활용할 수 있습니다.

비동기 처리의 장점은 성능, 응답 속도, 확장성이 향상된다는 점입니다. 불필요한 대기를 피하고 리소스 사용을 최대화함으로써 응용 프로그램은 대규모의 동시 작업을 효율적으로 처리할 수 있습니다.

# 병렬성 vs 동시성 vs 스레딩

## 병렬성



<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>

병렬 처리는 여러 개의 연산 장치를 사용하여 동시에 여러 작업을 수행하는 것을 말합니다. 이는 주로 멀티코어 프로세서가 장착된 시스템에서 볼 수 있으며 각 작업이 별도의 CPU/프로세서에서 실행됩니다. 이는 주로 하드웨어의 기능입니다. 참된 병렬 처리에서는 여러 작업이 물리적으로 동시에 실행되며, 마치 여러 명의 작업자가 거대한 벽의 서로 다른 부분을 동시에 도색하는 것과 같습니다.

```python
from multiprocessing import Process

def worker(num):
    print(f'Worker: {num}')

if __name__ == '__main__':
    processes = [Process(target=worker, args=(i,)) for i in range(5)]

    for process in processes:
        process.start()

    for process in processes:
        process.join()
```

출력:

```python
Worker: 1
Worker: 0
Worker: 2
Worker: 3
Worker: 4
```



<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>

## 동시성

동시성은 동시에 여러 작업을 처리하는 것에 대한 이야기입니다. 하지만 반드시 동시에 실행되는 것은 아닙니다. 여러 작업들이 서로 기다리지 않고 전진하며, 정확히 동시에 실행되는 것은 아닐 수 있습니다.

이는 단일 코어(시분할) 및 멀티 코어 프로세서에서 발생할 수 있습니다. 실행보다는 작업 구조화와 완료에 더 관련이 있습니다. 동시성을 이해하기 위한 간단한 예는 주방에서 일하는 단일 요리사일 수 있습니다. 여기서 그는 여러 요리를 동시에 요리하는데, 빠르게 작업을 전환하여 동시에 작업을 수행하고있다는 인상을 줍니다.

```js
import asyncio

async def worker(num):
    print(f'작업자 시작: {num}')
    await asyncio.sleep(1)
    print(f'작업자 완료: {num}')

async def main():
    # 동시에 실행될 작업 목록 생성
    tasks = [
        asyncio.create_task(worker(1)),
        asyncio.create_task(worker(2)),
        asyncio.create_task(worker(3))
    ]

    # 모든 작업이 완료될 때까지 대기
    await asyncio.gather(*tasks)

asyncio.run(main())
```



<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
Start worker: 1
Start worker: 2
Start worker: 3
Finish worker: 1
Finish worker: 2
Finish worker: 3
```

## 스레딩

스레딩은 동시성을 달성하기 위한 프로그래밍 개념과 기술입니다. 스레드는 운영 체제의 스케줄러에 의해 독립적으로 관리될 수 있는 프로그램 명령의 가장 작은 시퀀스입니다.



<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>

프로그램에는 여러 개의 스레드가 포함될 수 있으며, 각각이 특정 작업을 동시에 처리할 수 있습니다. 여러 스레드를 관리함으로써 하나의 프로세스가 작업을 동시에 실행할 수 있으므로 전체 실행 속도와 효율성이 높아집니다.

시스템에 멀티코어 프로세서가 있다면, 개별 스레드도 병렬로 실행될 수 있습니다. 스레딩의 좋은 예로는 웹 서버가 서로 다른 사용자의 여러 요청을 처리하는 것이 있습니다. 각 요청은 별도의 스레드에서 처리됩니다.

스레딩에 대해 알아둬야 할 중요한 점은 IO-바운드 작업을 다룰 때 그 향상된 효율성입니다. CPU-바운드 작업과는 대조적으로, 계산이 시작부터 끝까지 CPU의 처리 능력에 크게 의존하는 작업에 비해, IO-바운드 작업은 입력/출력 작업이 완료되기를 기다리는 동안 상당한 유휴 시간이 있습니다.

```python
import threading

def worker(num):
    print(f'작업자: {num}')

if __name__ == '__main__':
    threads = [threading.Thread(target=worker, args=(i,)) for i in range(5)]

    for thread in threads:
        thread.start()

    for thread in threads:
        thread.join()
```



<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
Worker: 0;
Worker: 1;
Worker: 2;
Worker: 4;
Worker: 3;
```

요약하면, 병행 시스템에서 작업이 겹치면서 시작, 실행 및 완료되지만, 병렬 시스템에서 작업은 동시에 실행됩니다— 이것이 핵심적인 차이점입니다. 스레딩은 우리가 동시성 및 가능한 병렬성의 목표를 달성하는 기술일 뿐입니다. 동시성에는 CPU 집약적 작업에 최적화된 다중 처리와 IO 집약적 작업에 적합한 스레딩이 포함됩니다. 다중 처리는 병렬성의 한 유형으로 간주될 수 있으며, 병렬성 자체가 동시성의 특정 종류(하위 집합)입니다.

# Python Asyncio 모듈



<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>

The `asyncio` 모듈은 파이썬에서 강력한 라이브러리로, 비동기 코드를 작성하는 데 필요한 지원을 제공합니다. 이는 코루틴, 이벤트 루프, 비동기 I/O 개념을 기반으로하며 효율적이고 동시성을 가진 프로그래밍을 가능하게 합니다.

`asyncio`를 사용한 비동기 프로그래밍을 통해 단일 스레드 동시성 코드를 작성하고 여러 작업을 동시에 실행할 수 있으며 블로킹 작업을 피할 수 있습니다. 이 접근 방식은 특히 장시간 대기 시간이 발생하는 네트워크 요청 또는 파일 작업과 같은 I/O 바운드 작업을 처리할 때 유용합니다.

`asyncio`는 코루틴을 정의하고 비동기 코드의 실행 흐름을 관리하는 데 사용되는 `async` 및 `await` 키워드를 소개합니다. 코루틴은 일시 중지되고 다시 시작될 수 있는 함수로, 그 사이에 다른 작업이 실행될 수 있습니다. 이벤트 루프는 중앙 스케줄러로 작동하여 이러한 코루틴의 실행을 조정하고 I/O 작업을 효율적으로 관리합니다.

## 주요 기능



<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>

- 코루틴: 코루틴은 async 키워드로 정의된 함수들입니다. 실행 중에 일시 중지되고 다시 실행되어 다른 코루틴이 동시에 실행될 수 있습니다.
- 이벤트 루프: 이벤트 루프는 코루틴에 대한 실행 환경을 제공합니다. 여러 코루틴 간의 스케줄링 및 전환이 관리되어 효율적이고 블로킹되지 않는 실행을 보장합니다.
- 작업: 작업은 코루틴 위에서 더 높은 수준의 추상화입니다. 비동기로 실행해야 하는 작업 단위를 나타내고 이벤트 루프에 의해 스케줄링되고 관리될 수 있습니다.
- 미래: 미래는 아직 완료되지 않을 수 있는 코루틴의 결과를 나타내는 객체입니다. 비동기 작업의 완료를 추적하고 기다릴 수 있게 합니다.
- 동기화 기본 요소: asyncio는 락, 세마포어, 큐와 같은 다양한 동기화 기본 요소를 제공하여 공유 리소스를 관리하고 동시 작업을 조정하는 데 도움을 줍니다.

그러나 asyncio는 협력적으로 멀티태스킹을 기반으로 하는 단일 스레드, 단일 프로세스 모델을 사용합니다. asyncio는 하나의 스레드 내에서 작동하지만 효과적이고 블로킹되지 않는 실행 환경을 제공하여 동시성의 환상을 만들어냅니다. asyncio의 핵심인 코루틴은 동시에 배포될 수 있지만 그 자체로는 본질적으로 동시성을 가지지 않습니다.

강조하자면, asyncio는 동시 프로그래밍의 한 형태이지만 병렬성과는 동일하게 여기지 않아야 합니다. 그 방법론은 쓰레딩(threading)과 공유(`multiprocessing`)와는 더 일치하지만 그 둘로부터 독립적이며 다양한 동시성 기술들 중에서 독자적인 방법론을 취하고 있습니다.

# async와 await



<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>

The async and await syntax are key components of Python's asyncio module, a library used for writing concurrent code using the async/await syntax.

## async

async is a keyword used to declare a function as an "asynchronous function". Such functions are also known as "coroutines". You define a coroutine by prefixing def with async. For example, async def my_function():.

When an async function is called, it doesn't execute in the traditional way. Instead, it returns an "awaitable" object, which is a coroutine object. This object needs to be awaited or run in an event loop to get the result. The event loop is where the asynchronous code is executed. It's the core of every asyncio application, managing and scheduling the execution of asynchronous tasks.



<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>

## await

await은 기다리고 있는 작업이 완료될 때까지 코루틴을 일시 중지하는 데 사용됩니다. 이는 async 함수 내에서만 사용할 수 있습니다. await 키워드 뒤에는 코루틴, Future 또는 I/O-bound 함수와 같은 "awaitable" 객체로 이루어진 식이 따릅니다.

await 표현식이 실행되면 사용된 코루틴은 awaitable이 해결될 때까지 일시 중지됩니다. 이러한 일시 중지 동안 이벤트 루프는 다른 작업을 계속 실행합니다.

## async와 await을 사용하는 이유



<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>

- 논블로킹: 비동기 코드는 논블로킹 I/O 작업을 허용합니다. 대기 중인 경우, 다른 코드를 실행할 수 있습니다.
- 동시성: 더 효율적이고 유지보수가 용이한 방식으로 동시성 코드를 작성할 수 있도록 합니다.
- 성능: I/O 바운드 애플리케이션에서 async/await를 사용하면 상당한 성능 향상이 가능합니다.
- 가독성: async/await 구문은 콜백과 같은 이전 비동기 프로그래밍 기법에 비해 더 읽기 쉽고 직관적입니다.

예시:

```python
import asyncio

async def my_async_function():
    await asyncio.sleep(1)
    return "안녕, 비동기 세계!"

async def main():
    result = await my_async_function()
    print(result)

# 주요 코루틴 실행
asyncio.run(main())
```

파이썬 비동기 프로세싱 소개

소프트웨어 개발 및 시스템 관리의 끊임없이 변화하는 환경에서는 특정 도전 과제를 해결하고 생산성을 향상시키기 위해 지속적으로 새로운 도구와 라이브러리가 등장합니다. 이 문서는 Netshoot, Superfile, E2B의 Code Interpreter SDK, Kitbag Router, AWS Lambda Web Adapter 및 React Lua와 같이 6가지 혁신을 강조합니다.

이 도구들 각각은 컨테이너화된 환경에서의 네트워크 문제 해결부터 서버리스 아키텍처에서 웹 응용 프로그램을 가능하게 하는 것과 같이 현대 소프트웨어 개발의 고유한 측면을 대상으로 합니다. 이러한 솔루션들은 산업이 복잡한 작업을 단순화하고 효율성을 향상시키며 다른 기술과 패러다임 간의 간극을 좁히기 위한 지속적인 노력을 보여줍니다.

## 추가로 읽을 거리:

프롬프트 디자인의 기술을 숙달하기



<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>

디자인 및 사용자 스토리 매핑을위한 인공 지능

7개의 더 많은 오픈 소스 도구

언어 모델 구축은 데이터로 시작합니다.

무료로 구독할 수있는 AI 소식지 BrainScriblr도 쓰고 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>

모든 이미지는 별도로 표기되지 않는 한, 제가 캡처한 스크린샷입니다.

## Netshoot

Netshoot은 Docker 및 Kubernetes 네트워크 문제 해결용 컨테이너로, 네트워크 문제를 진단하고 해결하는 다재다능한 도구로 사용됩니다. 컨테이너화된 환경에서 복잡한 네트워킹 문제를 이해하고 해결하는 데 도움이 되는 포괄적인 도구 세트를 제공합니다.

Netshoot의 주요 기능 중 하나는 네트워크 네임스페이스의 사용으로, 네트워킹과 관련된 시스템 리소스를 격리할 수 있습니다. 이를 통해 특정 컨테이너나 팟 내에서 자세한 검사와 문제 해결이 가능합니다. 이 도구는 기존 팟의 디버깅을 위해 일회용 컨테이너를 사용하거나 디버깅을 위해 일시적인 팟을 생성하거나, 호스트의 네트워크 네임스페이스 내에서 컨테이너를 시작하여 호스트 수준의 문제 해결할 수도 있습니다. 또한 응용 프로그램 컨테이너와 함께 해결해야 하는 사이드카 컨테이너로 사용할 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>

Netshoot은 netstat, nmap, tcpdump, iftop, iperf, drill, nsenter 등 다양한 네트워킹 도구를 포함하고 있어 네트워크 분석과 문제 해결에 탁월한 기능을 제공합니다. Kubernetes와 잘 통합되어 있어 직접 명령어 또는 Netshoot Kubectl 플러그인을 통해 임시 컨테이너를 쉽게 만들 수 있어요. Docker 사용자들은 Docker 명령어나 Docker Compose를 사용하여 Netshoot을 배포할 수 있어 다양한 배포 시나리오에 유연성을 제공합니다.

## Superfile

Superfile은 공통 파일 작업을 쉽게 할 수 있도록 설계된 현대적이고 시각적으로 매력적인 터미널 파일 매니저에요. macOS 및 Linux 사용자를 위한 빠르고 쉬운 설치 프로세스를 제공하며 간단한 명령어로 설치할 수 있어요. 대체 설치 방법을 선호하는 사용자들을 위해 프로젝트 페이지에서 추가 옵션이 제공됩니다.

소스 코드에서 Superfile을 빌드하려는 사용자들을 위한 프로세스는 간단해요. 저장소를 복제하고 적절한 디렉터리로 이동하여 빌드 스크립트를 실행하고 생성된 바이너리를 시스템 경로로 이동하는 과정이에요. 이 방법은 설치 프로세스에 대한 더 많은 제어를 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>

슈퍼파일은 현재 리눅스와 macOS를 완벽하게 지원하며 Windows 시스템에서 일부 지원됩니다. 여러분의 경험을 맞춤화하기 위해 다양한 플러그인과 테마를 제공하여 사용자 경험을 세부적으로 조정하는 데 엄청난 노력을 기울이고 있습니다. 이 파일 관리자는 구성 가능한 단축키를 제공하며 vim/nvim 사용자를 위한 구체적인 설정도 제공하여 이 텍스트 편집기에 익숙한 사용자에게 높은 편리성을 제공합니다.

문제 해결에 도움을 드리기 위해 프로젝트는 포괄적인 가이드와 귀중한 팁을 제공합니다. 개발자는 커뮤니티로부터의 기여를 환영하며 프로젝트 개발에 참여하고 싶은 분들을 위한 지침서를 저장소에서 제공하고 있습니다.

## 코드 해석기



<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>

E2B의 코드 해석기 SDK는 코드 해석 기능을 AI 애플리케이션에 통합하기 위해 설계된 도구입니다. 이 도구를 사용하면 AI 앱이 E2B 샌드박스 내에서 코드를 해석하고 실행할 수 있습니다. E2B 샌드박스는 신뢰할 수 없는 AI 생성 코드 및 AI 에이전트를 실행하는 안전한 오픈 소스 환경입니다.

이 SDK는 모든 대형 언어 모델 (LLM) 및 AI 프레임워크를 지원하며 차트, 표준 출력 및 표준 에러와 같은 스트리밍 콘텐츠를 지원합니다. SDK는 Python 및 JavaScript/TypeScript (JS/TS) 모두에서 사용할 수 있어 다양한 개발 환경에 유연하게 대응할 수 있습니다.

코드 해석기 SDK는 서버리스 및 엣지 기능에 배포할 수 있어 AI 생성 코드를 안전하게 실행할 수 있습니다. 또한 전체 인프라는 완전히 오픈 소스로, 사용자에게 투명성과 유연성을 제공합니다.

현재 SDK는 Python을 완전히 지원하며, JavaScript, R 및 Java의 베타 지원이 제공됩니다. JavaScript/TypeScript 및 Python에 각각 간단한 npm 또는 pip 명령을 사용하여 쉽게 설치할 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>

SDK는 JavaScript와 Python 양쪽에 대해 사용하기 쉬운 인터페이스를 제공합니다. 사용자는 몇 줄의 코드로 샌드박스를 생성하고 코드 셀을 실행하며 결과를 검색할 수 있습니다. 이 간편함으로 모든 경험 수준의 개발자들에게 접근성을 제공합니다.

E2B는 개발자들이 쉽게 시작할 수 있도록 상세한 문서 및 빠른 시작 가이드를 제공합니다. 이에는 JavaScript/TypeScript 및 Python에 대한 쿡북 예제, "Hello World" 가이드뿐만 아니라 다양한 LLM 제공업체 및 AI 프레임워크를 지원하는 내용이 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>

Kitbag Router은 Vue.js 애플리케이션에 특별히 설계된 타입 안전한 라우팅 라이브러리입니다. 이는 라우팅 프로세스를 간단하고 향상시키려는 목적으로, Vue 프로젝트 내에서 탐색을 관리하기 위한 강력한 도구 세트를 제공합니다.

이 라이브러리는 bun, yarn 또는 npm과 같은 인기있는 패키지 관리자를 이용하여 쉽게 설치할 수 있습니다. 설치 후에는 `createRoutes` 함수를 사용하여 라우트를 정의할 수 있습니다. 이 함수를 사용하면 이름, 경로 및 관련 컴포넌트를 지정하는 각 라우트의 배열을 생성할 수 있습니다.

Vue 애플리케이션에 Kitbag Router를 구현하려면, `createRouter` 함수를 사용하여 라우터 인스턴스를 생성하고 이를 플러그인으로 Vue 앱에 전달해야 합니다. 이 설정을 통해 애플리케이션 전체에서 라우팅 기능을 활성화할 수 있습니다.

라우트 간 이동은 `router.push` 메서드를 통해 용이하게 수행할 수 있으며, 이 메서드는 라우트 이름, URL 경로 및 완전한 URL을 처리할 수 있습니다. 더 동적인 라우팅을 위해, 라이브러리는 `router.route.update`를 사용하여 런타임에서 라우트 매개변수를 업데이트할 수 있는 기능을 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>

Kitbag Router은 Vue 템플릿에서 사용할 수 있는 두 가지 주요 구성 요소인 `RouterView`와 `RouterLink`를 제공합니다. `RouterView` 컴포넌트는 라우트 컴포넌트가 애플리케이션 레이아웃 내에서 렌더링될 위치를 정의합니다. 반면에 `RouterLink` 컴포넌트는 페이지 다시로드를 유발하지 않고 라우트 간의 탐색을 가능하게 하므로 싱글 페이지 애플리케이션 경험을 향상시킵니다.

타입 안전성과 효율적인 라우트 관리에 중점을 둔 Kitbag Router는 Vue 개발자에게 원활하고 탐색 가능한 웹 애플리케이션을 만들 수 있는 강력한 도구를 제공합니다. 보다 자세한 정보와 사용 예시는 Kitbag Router GitHub 저장소에서 확인할 수 있습니다.

## AWS Lamda Web Adapter

AWS Lambda 웹 어댑터는 기존 웹 개발과 서버리스 아키텍처를 연결하여 웹 애플리케이션을 AWS Lambda에서 실행할 수 있게 하는 도구입니다. 다양한 웹 프레임워크를 지원하여 기존 애플리케이션을 최소한의 변경으로 Lambda에 배포할 수 있게 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>

중요한 혜택은 자동 크기 조정, 운영 오버헤드 감소, 그리고 사용량당 요금 체계를 통한 비용 효율성을 포함합니다. 이 어댑터는 Lambda로의 배포를 단순화하여 기존의 웹 프레임워크에 익숙한 개발자들에게 서버리스 아키텍처를 더 쉽게 접근할 수 있도록 도와줍니다.

사용 사례에는 서버리스 환경에서 웹 응용 프로그램, 마이크로서비스 및 API를 배포하는 것이 포함됩니다. 이 프로젝트는 오픈 소스로, 커뮤니티 기여와 개선을 촉진합니다.

이 어댑터는 지속적 통합 및 배포 워크플로우를 통합하여 효율적인 테스트 및 배포 프로세스를 용이하게 합니다. 익숙한 개발 관행을 유지하면서 서버리스 장점을 활용하고자 하는 개발자들을 위해 AWS Lambda 웹 어댑터가 가치 있는 해결책을 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>

## 리액트 Lua

리액트 Lua는 ReactJS 17.x를 JavaScript에서 Lua로 번역하는 프로젝트로, 성능과 정확성을 최적화합니다. 기본적으로 원래의 ReactJS와 근접하게 유지하면서 Lua의 장점을 활용하려고 합니다.

이 프로젝트는 가능한 경우 Luau 유형 주석을 사용하며 대부분의 ReactJS 리소스와 호환되도록 설계되었으며 언어 차이에 맞게 조정되었습니다. Roblox의 react-lua의 포크로 커뮤니티 주도의 대안으로 의도되었습니다.

React Lua는 'react', 'scheduler', 'shared'와 같은 주요 패키지를 이식했으며 일부 패키지는 이식되지 않은 상태입니다. Roblox 생태계를 고려하기 위해 Roact와 호환성을 지향하며 일부 조정사항이 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>

기여자들은 상류 ReactJS와의 일치를 유지하고 필요한 경우 어떠한 이탈 사항도 문서화하는 것을 권장합니다. 이 프로젝트는 ReactJS와 Lua 생태계 사이의 다리 역할을 하며, Lua 개발자들을 위한 익숙하면서도 최적화된 개발 경험을 제공합니다.

토론된 도구들은 다양한 기능을 다루고 있습니다: Docker와 Kubernetes에서 네트워크 진단을 위한 Netshoot, 현대적인 터미널 기반 파일 관리를 위한 Superfile, AI 애플리케이션에서 코드 실행을 통합하기 위한 E2B의 코드 인터프리터 SDK, Vue.js에서 타입 안전한 라우팅을 위한 Kitbag Router, 서버리스 인프라에서 웹 애플리케이션 실행을 위한 AWS Lambda 웹 어댑터, 그리고 ReactJS를 Lua로 변환하는 React Lua. 각 도구는 특정 개발자 요구를 해결하며, 각 도메인에서 공통적인 도전 과제에 대한 혁신적인 해결책을 제공합니다.

정말 유용한 7가지 GitHub 프로젝트

Python의 풍부한 플롯 컬렉션 마스터하기 코드 포함

## APPLE APP STORE 리뷰의 투명성 부족

파이썬 개발자들이 특이한 문제에 직면하고 있습니다. 프로그래밍 언어 버전을 업그레이드하는 것이 앱 스토어에서 앱 거부를 유발하고 있습니다.

최근 일부 개발자들이 Python 3.11에서 3.12로 업그레이드했을 때, 그들의 앱을 애플 앱 스토어에 재제출했을 때 거부당했습니다.

이 문제는 많은 개발자들의 관심을 끌었습니다. 문제는 Python 3.12에 있는지, 아니면 애플의 리뷰 팀에 있는지요?



<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>

# 앱 리뷰 실패의 이유: 하나의 문자열 때문

![image](/TIL/assets/img/2024-07-09-PythonProgramBannedfromAppleAppStoreDuetoaSingleString_0.png)

개발자인 Eric Froemling은 GitHub에서 경험을 공유했습니다.

Eric은 처음에 이전에 승인된 앱이 왜 거부되었는지 이해하지 못했습니다.



<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>

앱 스토어 리뷰 팀에서는 왜 그랬는지 설명을 해주지 않았어요. 그저 "더 많은 정보를 제공할 수 없다"고만 말했죠.

몇 차례 시도 끝에, Eric은 Apple에 항의를 보냈어요. 결국 그들은 힌트를 주었어요:

가이드라인 2.5.2 - 성능 - 소프트웨어 요구 사항에 따르면:

앱이 설치되거나 실행 가능한 코드를 실행합니다. 특히, 앱을 설치하기 위해 itms-services URL scheme을 사용한다고 해요.



<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>

itms-services URL 스키마는 Apple이 App Store 외부에서 iOS 앱을 배포하는 방법입니다. 주로 내부 또는 테스트용 앱에 사용됩니다.

이를 통해 사용자는 App Store를 사용하지 않고 iOS 기기에 앱을 직접 설치할 수 있습니다.

기본적인 itms-services URL은 다음과 같이 보입니다:

```js
itms-services://?action=download-manifest&url=https://example.com/manifest.plist
```



<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>

많은 조사 끝에, 에릭은 문제 파일을 찾았어요: Lib/urllib/parse.py (파이썬의 표준 라이브러리 URL 파서)와 그 .pyc 파일.

Python 3.12에서 “itms-services” 문자열이 추가되었어요. 애플은 이 문자열을 검색하고 포함된 앱을 자동으로 거부하는 것으로 보입니다.

마침내, 에릭은 이 문자열을 Python 코드에서 제거했어요. 그 후, 업데이트된 앱이 검토를 통과하고 성공적으로 앱 스토어에 등록되었어요.

# 논란이 되는 애플의 리뷰 및 피드백 규칙



<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/2024-07-09-PythonProgramBannedfromAppleAppStoreDuetoaSingleString_1.png)

에릭 프롬링은 "itms-services" 문자열 자체에 화를 내지 않았어요. 그보다 애플 앱 스토어 심사 규칙에 답답해했던 거예요.

많은 사람들이 알다시피, 디버깅은 종종 코딩보다 어려워요.

에릭은 많은 시간을 디버깅에 할애했어요. 문제를 해결하려면 단 하나의 문자열을 삭제하기만 하면 됐어요. 많은 개발자들은 애플의 심사 과정이 좀 더 명확했다면 이런 문제를 피할 수 있었을 거라고 생각하지만 사실 애플의 심사 과정은 투명하지 않아요.



<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>

# CPython 코어 개발자: 앱 스토어 리뷰 규칙은 엄격하고 예측할 수 없어요!

![Image](/TIL/assets/img/2024-07-09-PythonProgramBannedfromAppleAppStoreDuetoaSingleString_2.png)

CPython 코어 개발자인 Russell Keith-Magee가 이 문제에 대해 기사를 썼어요. 그는 질문을 던지며 말했어요: 앱 스토어 규정에 맞추기 위해 얼마나 많은 변경을 해야 할까요?

문제는 애플의 macOS 앱 스토어에서 "itms-services" 문자열이 포함된 앱을 자동으로 거부한다는 것이에요. 심지어 앱이 itms-services:// URL을 사용하지 않아도 그렇다고 해요.



<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>

러셀은 두 가지 해결책을 제안합니다:

1. "App Store 준수"를 CPython의 목표로 설정하는 것입니다. 이렇게 하면 사용자는 CPython을 패치할 필요가 없지만 더러운 코드를 야기할 수 있습니다.

2. 이것을 배포 문제로 취급합니다. Briefcase나 Py2app과 같은 도구를 사용하여 앱 스토어용으로 CPython을 패치합니다.

두 옵션 모두 장단점이 있습니다. 옵션 1은 수정된 Python을 배포하는 것을 의미합니다. 옵션 2는 계속해서 패치를 해야 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>

알렉스 게이너, 또 다른 코어 개발자,은 세 번째 옵션을 제안했습니다:

- 이 문제에 대한 소규모 지역화된 수정 사항을 허용합니다.
- 병합하기 전에 문제에 대해 써드 파티(예: Apple)에 불만을 제기해야 합니다.
- 이러한 수정 사항에 대해 시간 제한을 설정합니다.

이 방법은 사용자 경험과 대기업의 자체 문제 수정을 균형있게 조합합니다.

키스 매지 후에 네 번째 옵션을 제안했습니다:



<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>

문제가 되는 코드를 제거할 수 있는 빌드 옵션을 추가해보는 것은 코드를 난독화하는 것보다 더 깔끔한 해결책이 될 것입니다.

이 옵션은 다음을 포함할 것입니다:

- 변경 사항을 설명하는 diff 파일 추가.
- 환경 설정을 위한 --with-app-store-patch 옵션 추가.
- 필요한 경우 배급 업체가 업데이트된 패치를 제공할 수 있도록 함.

이를 통해 CPython이 App Store 규정을 준수하기 위해 필요한 변경 사항을 공식적으로 목록화할 수 있게 됩니다.



<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>

Keith-Magee가 이 해결책이 더 수용 가능한 것 같다고 물었습니다.

# 결론

![이미지](/TIL/assets/img/2024-07-09-PythonProgramBannedfromAppleAppStoreDuetoaSingleString_3.png)

몇 일을 생각한 후, Keith-Magee가 6월 25일에 답변했습니다. 그는 --with-app-store-compliance 옵션을 추가하는 풀 리퀘스트(#120984)를 제출했습니다. 이것은 문자열 때문에 App Store에서 앱이 거부당하는 문제를 해결해야 할 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>

그는 이 옵션이 iOS와 macOS 외의 플랫폼에서도 사용될 수 있다고 언급했지만, 현재는 필요가 없다고 합니다.

모든게 순조롭게 진행된다면, 이는 Python 3.13에서 사용할 수 있을 것입니다.

많은 개발자들이 Python과 같은 무료 소프트웨어 프로젝트들이 명확하지 않은 검토 프로세스를 피해야 하는 방법을 찾는 데 시간을 낭비해야 한다는 점에 좌절하고 있습니다. 이는 개발자들이 비자유 플랫폼을 위한 소프트웨어를 만들 수 있도록 하는 것뿐입니다.

HN 사용자가 댓글로 남긴 내용:



<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 경우에 Keith-Magee와 다른 CPython 개발자들이 빠른 조치를 취했습니다. 그들의 해결책은 파이썬 앱 개발자들에게 최고의 경험을 제공하는 가장 쉬운 방법으로 보입니다.

그러나 이런 문제가 다시 발생할 가능성은 매우 높습니다.

제가 딱 한 달 만에 5,000명 이상의 팔로워를 얻었다는 점이 최고의 증거이기 때문에 “Medium에서 빠르게 팔로워 모으는 방법”에 대한 eBook을 작성 중입니다. 계속해서 주세요!

Substack에서 “대규모 모델 애플리케이션 개발” 시리즈를 쓰고 있습니다. 관심 있으시면 팔로우해 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>

친구님께서 읽어주셔서 감사합니다📖, 강조해주셔서 감사합니다🖍️, 박수를 보내주셔서 감사합니다👏, 댓글을 달아주셔서 감사합니다💬, 그리고 공유해주셔서 감사합니다🗣️. "Medium의 친구"로서 매일 함께 글을 작성하는 동료 작가들에게 인정을 보여드리려 노력하고 있어요.

그리고 위와 같이 멋진 콘텐츠를 소개할 때마다 알림을 받기 위해 뉴스레터📰를 구독할 수 있어요. 고맙습니다, 친애하는 챔프!🤓

최신 AI 이야기의 소식을 받아보기 위해 Substack에서 연락을 유지해주세요. 함께 AI의 미래를 함께 만들어요!

한 줄의 문자열 때문에 Apple App Store에서 금지된 Python 프로그램

딥 뉴럴 네트워크 파인튜닝의 수학적 원리

## Langchain을 사용하지 않고 CSV 파일과 상호 작용하는 LLM 파이프라인

LangChain, LangGraph, LlamaIndex, CrewAI... 한 가지 도구에 익숙해지기 시작하면 또 다른 도구가 등장합니다. 이 도구들을 깎아내리거나 싫어하지는 않지만, 이 중 하나와 개발하는 것은 학습 곡선 때문에 진정으로 무섭고 당황스러울 수 있습니다. 이 도서관들을 배우는 것으로 끝내는 대신에 실제로 무언가를 구축하고 싶다면 낙담하기 쉬울 수 있습니다. LangChain은 훌륭하지만 정말 밀도있게 포장되어 있습니다. 문서 자체로는 Python용, JavaScript용 하나씩, 그리고 아마도 API를 위한 부모 문서가 있을 거라고 생각합니다. 그리고 Python 내에서도 비슷한 작업을 수행하는 여러 기능들이 있습니다. 이 모든 것은 좋지만, 코드에 충분한 제어권이 없습니다. 예를 들어, 이전 블로그에서 PDF를 바이트로 로더에 전달하려고 했지만, 함수는 파일 URL만 허용했기 때문에 제대로 수행할 수 없었습니다. 나에게 따르면, 무언가를 간단히 구축할 때 LangChain은 마지막 선택이어야 합니다. 항상 KISS (Keep it simple, stupid)를 지키세요.

![이미지](/TIL/assets/img/2024-07-09-HeresWhyYouProbablyDontNeedLangchain_0.png)

음, 그들이 나가리키는 만큼 사악하지 않을 수도 있지만, 충분하지 않다고 판단된다면 먼저 원시적인 것을 시도한 다음에 더 고급 도구로 넘어가는 것이 항상 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>

이번 달은 상당히 바쁘게 보냈어요 (사실, 2022년 11월 이후 모든 달이 그랬어요) GPT-4o의 발매와 Gemini 업데이트가 두 날에 걸쳐 연이어 발표되면서요.

![image](/TIL/assets/img/2024-07-09-HeresWhyYouProbablyDontNeedLangchain_1.png)

GPT-4o의 'ScarJo' - 아니, 'Sky' - 음성은 데모에서 영향을 주었는데, 이로 인해 인공지능 산업에 파도를 일으키고 구글 I/O의 Gemini 성능을 가려버렸어요. 솔직히 말해서, GPT는 항상 모든 LLM들보다 한 발 앞서 있을 거예요만 MVP 및 개인 프로젝트를 만들 때, 무료 티어를 제공하는 Gemini는 제 같은 가난한 개발자들에게 축복이예요. 최신 모델에 액세스할 수 있는 무료 티어로 API 제한 속도가 15 rpm로 정해져 있어요. 나쁘지 않죠?

ChatGPT의 무료 버전을 통해 이제 GPT-4o로 파일을 업로드할 수 있지만, 여전히 코드 해석기 없이 CSV나 엑셀 데이터를 해석할 수 없어요. 그래서 Gemini Flash의 능력을 테스트해보기 위해 제가 직접 CSV 해석기를 만들기로 결심했어요. Langchain을 사용하는 방법을 보여주는 많은 튜토리얼이 있지만, 저희는 처음 시작하는 사람들에게 특히 더 이해하기 쉬운 방법으로 처음부터 만들어볼 거예요.



<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>

# 파이프라인

내 말 믿어봐, 처음에는 약간 어려워 보일 수 있지만 정말 간단해. 기본 아이디어는 LLM에게 코드를 생성하도록 요청하는 것이야. 코드를 생성하려면 작업 중인 데이터셋에 대한 일부 컨텍스트를 제공해야 해.

1단계는 코드 생성을 다루는데, 데이터셋의 메타데이터를 제공하고, 내 경험에 따르면 head(), describe(), columns(), dtypes이 충분한 컨텍스트를 제공할 거야. LLM에 대한 경험이 있는 경우, RAG (Retrieval Augmented Generation)을 사용할 수 있는지 궁금할 수도 있어. RAG는 벡터 데이터베이스와 시맨틱 검색을 활용해 데이터 검색 후 그 결과를 쿼리와 함께 LLM에 삽입하는 것이야. 이는 텍스트 데이터와 잘 작동하지만 구조화된 또는 비구조화된 데이터의 분석에는 적합하지 않아. 왜냐하면 전체 데이터셋이 조각으로 나뉘어 컨텍스트를 제한하고 기능을 제한하기 때문이지. 예를 들어, 데이터셋에서 총 행의 수를 조회하고 싶다면 RAG로는 간단히 불가능해.

2단계에서는 1단계에서 생성된 코드를 실행하여 생성된 출력을 LLM에 제공하고 사용자 쿼리와 결합시킨다. 이를 통해 pandas 명령의 출력을 자연어로 변환하여 대화 경험을 향상시킬 수 있어.



<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 변경해주세요.



<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 사람들이 하는 신입 실수 중 하나는 프롬프트에 가능한 모든 지시사항을 자세히 기술하는 것입니다. LLMs는 지능이 없으므로 모든 것을 지키지 않을 것이며(적어도 AGI가 달성될 때까지), 이 문제를 피하기 위해 다수의 기술과 전략이 개발되었습니다. 예를 들면 제로샷 프롬프팅, 사고 흐름, 퓨샷 프롬프팅 등이 있습니다. 이들이 멋지게 들리기는 하지만 실제로는 매우 기본적인 기술들입니다. 이미 이들에 대한 많은 문헌 자료가 있기 때문에 그것들에 대해서는 자세히 다루지 않겠습니다. 이 중에서 나에게 가장 효과적으로 작용한 것은 역할 기반 프롬프팅입니다. 역할 기반 프롬프팅에서는 쿼리하기 전에 LLM에게 역할을 할당합니다. 이는 원하는 결과를 달성하는 데 도움이 됩니다.

총 네 개의 프롬프트가 필요합니다: 두 개의 시스템 프롬프트와 두 개의 주요 프롬프트(각 단계별 시스템 프롬프트 + 주요 프롬프트). 시스템 프롬프트는 틀을 제공하여 인공지능이 특정 매개변수 내에서 작동하고 일관되고 관련성 있으며 원하는 결과와 일치하는 응답을 생성할 수 있도록하는 역할을 합니다.

## 단계 1

시스템 프롬프트



<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>

### Main Prompt

The dataframe name is ‘df’. df has the columns 'cols' and their datatypes are 'dtype'. df is in the following format: 'desc'. The head of df is: 'head'. You cannot use `df.info()` or any command that cannot be printed. Write a pandas command for this query on the dataframe df: 'user_query'

If you provide me with the specific metadata values, I can help you generate the pandas command for the user query on the dataframe 'df'. Feel free to ask any questions!



<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>

응답 스키마

```python
class Command(typing_extensions.TypedDict):
    command: str
```

젬니 SDK에서 JSON 모드로 전환할 수 있습니다. 일관된 JSON 출력을 얻으려면 응답 스키마를 Python 클래스로 정의하고 LLM 응답 생성 함수의 매개변수로 전달하세요. Command 클래스에서 JSON은 하나의 key인 command와 문자열 값만을 가질 것입니다.

```python
// 사용자 쿼리: "상위 5개 데이터를 보여줘"

{
  "command": "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>

## 단계 2

시스템 프롬프트

당신의 임무는 이해하는 것입니다. 사용자 쿼리와 응답 데이터를 분석하여 자연어로 된 응답 데이터를 생성해야 합니다.

주 프롬프트



<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>

사용자 쿼리는 'final_query'입니다. 명령의 출력은 'str(data)'입니다. 데이터가 'None'인 경우 '시작하려면 쿼리를 요청하세요'라고 말할 수 있습니다. 사용된 명령을 언급하지 마세요. 출력에 대한 자연스러운 언어의 응답을 생성하세요.

# 모두 함께 넣기

편리함을 위해 이 프로젝트에는 Streamlit을 사용할 것입니다. 이는 많은 시간을 절약해줄 것입니다. 이 프로젝트는 80%의 GenAI 응용 프로그램 내부를 이해하는 데 목표를 두고 있습니다. Python을 사용하여 사용자 정의 웹 애플리케이션을 구축하는 방법을 배우고 싶다면 제 블로그를 여기에서 읽어보세요.

데이터프레임 메타데이터



<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>

df = pd.read_csv(uploaded_file)
head = str(df.head().to_dict())
desc = str(df.describe().to_dict())
cols = str(df.columns.to_list())
dtype = str(df.dtypes.to_dict())

시스템 프롬프트

# Stage 1

model_pandas = genai.GenerativeModel('gemini-1.5-flash-latest', system_instruction="판다스와 함께 작업하는 전문 파이썬 개발자입니다. JSON 형식으로 사용자 쿼리를 위한 간단한 판다스 '명령'을 생성하는 것을 확인합니다. 'print' 함수를 추가할 필요는 없습니다. 명령을 생성하기 전에 열의 데이터 유형을 분석하세요. 불가능한 경우 'None'을 반환하십시오. ")

# Stage 2

model_response = genai.GenerativeModel('gemini-1.5-flash-latest', system_instruction="태스크는 이해하는 것입니다. 사용자 쿼리를 분석하고 응답 데이터를 자연어로 생성하는 데 있어서 의무가 있습니다.")

메인 프롬프트



<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
# Stage 1
final_query = f"데이터프레임 이름은 'df'입니다. df는 열 {cols}을 가지고 있으며 데이터 유형은 {dtype}입니다. df는 다음 형식으로 구성되어 있습니다: {desc}. df의 맨 위 데이터는 다음과 같습니다: {head}. df.info()나 출력할 수 없는 명령을 사용할 수 없습니다. 데이터프레임 df에 대한 이 쿼리에 대한 판다스 명령어를 작성해주세요: {user_query}"

# Stage 2
natural_response = f"사용자 쿼리는 {final_query}입니다. 명령어의 결과는 {str(data)}입니다. 데이터가 'None'인 경우 '시작하기 위해 쿼리를 요청하세요'라고 말할 수 있습니다. 사용된 명령을 언급하지 마세요. 결과에 대한 자연어 응답을 생성해주세요."
```

응답 생성

```js
# Stage 1
response = model_pandas.generate_content(
                final_query,
                generation_config=genai.GenerationConfig(
                    response_mime_type="application/json",
                    response_schema=Command,
                    temperature=0.3
                )
            )


# Stage 2
bot_response = model_response.generate_content(
                natural_response,
                generation_config=genai.GenerationConfig(temperature=0.7)
            )
```

temperature는 생성된 응답의 무작위성을 제어하는 데 사용됩니다. 높은 temperature는 더 창의적이고 다양한 응답을 생성하지만 실제 사용자 쿼리에서 벗어날 수 있습니다. 낮은 temperature는 더 일관된 몰입형 응답을 생성하지만 창의적이지 않을 수 있습니다. 그래서 제가 Stage 1에는 정확한 명령을 얻기 위해 낮은 temperature를 선택했고, Stage 2에는 답변이 지루하고 로봇적이지 않도록 더 높은 temperature를 선택했습니다. 달콤한 지점을 찾기 위해 실험해보세요.



<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>

팬더스 명령을 실행하려면 파이썬에서 exec() 함수를 사용할 것입니다. 이 함수를 통해 파이썬 코드를 동적으로 실행할 수 있습니다. exec() 함수와 관련된 보안 취약점을 알고 있지만, 이 경우에는 다른 방법이 없었습니다. exec() 함수를 더 안전하게 사용하기 위해 아키텍처를 개선하거나 더 많은 유효성 검사를 추가할 수 있습니다. 이 프로젝트는 개인 프로젝트이므로 그러한 조치를 취하지 않았습니다. 파이썬 코드를 안전하게 실행할 수 있는 라이브러리가 있는지 알고 계시다면 댓글 섹션에 알려주세요.

# 사용자 인터페이스

![이미지 1](/TIL/assets/img/2024-07-09-HeresWhyYouProbablyDontNeedLangchain_2.png)

![이미지 2](/TIL/assets/img/2024-07-09-HeresWhyYouProbablyDontNeedLangchain_3.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>

![이미지](/TIL/assets/img/2024-07-09-HeresWhyYouProbablyDontNeedLangchain_4.png)

# 결론

항상처럼, 전체 과정을 가능한 한 쉽게 만들려고 노력했습니다. 여기까지 읽어주셨다면, 이것이 로켓 과학이 아님을 알 것입니다. 그냥 점을 이어주는 것이며, LLMs를 범용 API로 생각해야 합니다. 특정 방식으로 LLM을 트리거하면 어떤 작업이든 수행할 수 있는데, 이것은 다음 프로젝트를 위해 활용해야 할 핵심 요소입니다. 이 프로젝트는 혁신적이거나 새로운 것이 아닙니다 — ChatGPT의 코드 해석기는 유사한 아키텍처에서 작동합니다. 나는 이것이 매우 추상화되어 있어 처음 시작하는 사람들에게 흥미로울 것으로 보입니다. LLM에 메타데이터를 주입하여 코드를 생성하는 아이디어는 샤워 중에 떠올랐고, 꽤 잘 수행되었습니다.

Streamlit UI와 함께 전체 코드를 보려면 gist를 확인하세요. Streamlit에 대해 더 알고 싶다면 여기 블로그를 읽어보세요. 이 튜토리얼을 즐겁게 읽으셨다면, 기사에 박수를 👏 보내주시고 더 많은 콘텐츠를 위해 팔로우해주세요.

Posts