1-1. 요구사항 정의서란?

요구사항 정의서는 쉽게 말해 "우리가 무엇을 만들 것인지"를 명확하게 약속한 계약서 와 같습니다.

고객(사용자)이 원하는 기능과 개발자가 구현해야 할 기술적 내용을 한데 모아 정리한 문서로, 프로젝트의 설계도이자 최종 목적지 역할을 합니다.

1-2. 왜 작성해야 하나요?

• 개발 기준: "로그인 기능 만들어주세요"라고 했을 때, 누구는 아이디/비번만 생각하고 누구는 카카오톡 연동까지 생각할 수 있습니다. 이를 구체화하여 개발자간의 오해를 없애는 역할을 합니다.

• 범위 확정: 개발 도중에 "이것도 추가해 주세요"라는 요구가 끝없이 나오는 것을 방지합니다.

• 검수 기준: 프로젝트가 끝났을 때 "우리가 처음에 약속한 대로 다 만들었나?"를 확인 하는 체크리스트가 됩니다.

1-3. 요구사항 정의서의 구성

1. ID: 요구사항 식별 번호 (예: REQ-001)

2. 기능/비기능 구분 • 기능적 요구사항: 시스템이 무엇을 해야 하는지에 대한 요구사항 ◦ 예시: "사용자는 이메일로 회원가입을 할 수 있어야 한다." • 비기능적 요구사항: 시스템의 품질, 성능, 제약사항에 대한 요구사항 ◦ 예시: "페이지 로딩은 2초 이내여야 한다.", "iOS와 안드로이드 모두 지 원해야 한다."

3. 카테고리(도메인) 구분: 회원, 결제, 게시판 등의 카테고리

4. 요구사항 명칭: 기능의 이름 (ex. 로그인 기능, 회원가입 기능)

5. 상세 내용: 기능에 대한 구체적인 설명 (누가, 무엇을, 어떻게)

6. 우선순위: 필수(High), 보통(Medium), 선택(Low)

7. 비고: 참고사항이나 제약 조건

1-4. 작성시 주의사항

1. 모호한 단어 피하기 '적절하게', '빠르게', '예쁘게' 같은 단어는 금물입니다. '3초 이내', '기존 브랜드 컬러(#FF0000) 사용'처럼 측정 가능한 수치를 쓰세요.
2. '누가'를 명시하기 단순히 "유저는 ~를 조회할 수 있다"가 아니라 "관리자는 모든 회원의 활동 로그 를 조회할 수 있다"처럼 행위 주체를 명확히 하세요.
3. 예외 상황 고려하기 정상적인 상황뿐만 아니라 "비밀번호를 5번 틀렸을 때" 같은 예외 상황에 대한 요 구사항도 같이 작성합니다.

내가 작성한 요구사항 정의서

VSCode에서 Github 에 업로드 하는 방법

VSCode에서 터미널으로 업로드

1. github에 새로운 repository 생성하기

2. VSCode를 켜고, github에 올리고자 하는 파일이 속한 폴더를 열어준다.

3. git init git add . git commit -m "커밋 내용" git remote add origin (repository 주소) git push -u origin main

순서로 vscode 터미널에 입력해주면 된다. 전체 파일이 아닌 단일 또는 몇개의 파일인 경우 add . 의 . 자리에 파일명을 입력해주면 된다. ex) 파일명이 adc.py, dfg.py 라면 -> git add adc.py dfg.py

올라간 것 확인

VSCode에서 버튼으로 업로드

1. 왼쪽에 Source Control (Git 아이콘) 클릭
2. Initialize Repository
3. 눌러서 파일 추가
4. 메시지 쓰고 Commit
5. Publish to GitHub 버튼 클릭

소스트리: Git 사용을 도와주는 GUI 프로그램 버튼을 클릭하는 방식으로 필요한 명령을 실행할 수 있도록 도와주기 때문에 편리하다.

소스트리 설치 방법

나는 Windows 환경이므로 Download for Windows 클릭.

소스트리를 사용하려면 비트버킷 서버나 비트버킷 계정이 있어야 한다. Bitbucket 을 눌러서, 구글 로그인으로 로그인 해준다.

Mercurial 은 해제하고, Git 계정은 연동, SSH 키는 불러오지 않는다. (더 안전하게 로그인할 수 있는 열쇠같은 장치인데 당장은 필요 x)

Remote 탭 - 계정 편집 - 호스팅 서비스를 GitHub으로 변경 - OAuth 토큰 새로고침

GitHub 로그인 창이 뜨면 로그인 하고, 소스트리 설정으로 돌아와 확인 버튼을 누른다. 그럼 다음처럼 창이 뜬다. 새로고침하면 나의 레포지토리들을 볼 수 있다.

로컬저장소를 소스트리에 불러오기

소스트리를 실행하고 상단 탭에서 [Add] 버튼을 클릭 - 탐색 - 폴더 선택 - 추가

Clone: 원격저장소를 내 컴퓨터에 받아오고(로컬저장소 자동 생성), 소스트리에도 추가 Add: 내 컴퓨터에서 이미 만든 로컬저장소를 소스트리에 추가 Create: 내 컴퓨터의 폴더에 새로운 로컬저장소 생성하기(git init)

Visual Studio Code

GitHub 둘러보기

1. 저장소 이름: 작업할 프로젝트 이름을 입력한다.
2. 저장소 간단 설명: 간단한 설명을 작성한다.
3. 공개/비공개 설정: 이름 곧 내용. 비공개 저장소는 3인 이하 공동작업자 에게만 무료.
4. README로 첫 내용 설정: 이 옵션 체크시 코드에 대한 설명을 담을 수있는 파일이 생성된다. 보통 저장소에 대한 설명 또는 설치 방법, 저장소에 기여한 사람 등 다양한 내용을 작성할 수 있다.
5. .gitignore 파일 추가: 작업시 굳이 github에 올릴 필요가 없는 파일들, (텍스트 에디터에서 자동으로 생성된 설정 파일 또는 보안 비밀번호여서 오픈소스로 업로드시 큰일나는 파일 등)을 자동으로 목록에 추가한다.
6. 라이선스 파일 추가: 공개적으로 사용하고, 다른 사용자도 참여하도록 만들어진 오픈소스에도 지적 재산권을 부여할 수 있다. (추후 변경 가능)

GitHub 활용법

개발자의 SNS처럼 사용할 수 있다.

마음에 드는 저장소에 별로 호감을 표시하고, 요즘 떠오르는 오픈 소스 저장소를 Explore 탭에서 훑어볼 수 있다. 내가 좋아하는 서비스를 만든 엔지니어를 팔로우 해서 어떤 다른 개발 활동을 하고 있는지 볼 수도 있다.

새로운 회사에 지원 시 면접관이 나의 GitHub 계정을 보며 내가 회사 일 외에 어떤 개발 활동을 하고 있는지, 어떤 원격저장소에 관심을 가져 별을 누르거나 복사해 왔는지 등을 볼 수 있다.

꾸준히 GitHub를 사용해서 내 코드 관리 및 오픈 소스 활동을 해 왔다면 그 자체로 의미있는 포트폴리오가 된다.

원격저장소의 커밋을 로컬저장소에 내려받기

원격저장소의 코드와 버전 전체를 내 컴퓨터로 내려받는 것을 클론 이라고 한다. 클론을 하면 최신 버전뿐만 아니라 이전 버전들과 원격저장소 주소 등이 내 컴퓨터의 로컬저장소에 저장된다.

1. 파일을 받을 폴더를 생성한다. (비어있는지 확인)

2. 마우스 우클릭 후 Git Bash Here 클릭 -> 까만 화면의 Bash 창이 뜬다

3. GitHub 들어가서, 내가 다운받고자 하는 원격저장소에 들어간 후 code 버튼 클릭 후 원격저장소 주소를 복사한다.

4. git clone 복붙링크 (한 칸 띄고) . 입력 하면 , 로컬저장소 폴더에 파일들이 생성이 된 것을 확인할 수 있다.

만약 파일을 수정한다면 Git Bash에서 아래 세 개의 명령어를 실행한다.

1. git add [수정 파일]
2. git commit -m "추가할 설명"
3. git push origin master

GitHub의 원격저장소에 들어가서 새로고침을 해보면 푸시한 커밋이 올라가 있는 것을 확인할 수 있다. 변경된 파일의 내용도 확인할 수 있다.

원격저장소의 새로운 커밋을 로컬저장소에 갱신하기

원격저장소의 커밋은 수정되어있지만, 폴더의 파일은 수정되어있지 않을때, 갱신하는 방법

이때는 Git Bash here 눌러서 검은 창이 나타나면, git pull origin master 라고 입력하면 된다. '1 file changed' 라는 메세지가 나오면 성공.

용어정리

Git: 버전 관리 시스템 GitHub: Git으로 관리하는 프로젝트를 올려둘 수 있는 사이트 GUI: 그래픽 유저 인터페이스, 마우스로 클릭해서 사용하는 방식 CLI: 커맨드 라인 인터페이스, 명령어를 하나씩 입력하는 방식 Git Bash: CLI 방식으로 Git을 사용할 수 있는 환경 commit: 버전 관리를 통해 생성된 파일, 혹은 그 행위 log 명령어: 지금까지 만든 커밋을 모두 확인 checkout: 원하는 지점으로 파일을 되돌림 (like 타임머신) 로컬저장소: Git으로 버전 관리하는 내 컴퓨터 안의 폴더 원격저장소: GitHub에서 협업하는 공간(폴더) repository: 원격저장소와 같은 의미 push: 로컬저장소의 커밋(버전 관리한 파일)을 원격저장소에 올리는 것 pull: 원격저장소의 커밋을 로컬저장소에 내려받는 것

• 파일이나 코드의 변경 이력을 체계적으로 기록하고 관리하는 것
• 언제, 누가, 무엇을 바꿨는지 알 수 있고, 필요하면 과거 상태로 되돌릴 수 있음

버전 관리가 필요한 이유

• 변경 이력을 추적하고, 실수를 복구하며, 여러 사람이 충돌 없이 협업하기 위해 버전 관리 활용
• 기능을 추가했다가 버그가 생겼을 때 이전 정상 동작 버전으로 바로 되돌릴 수 있다
• 팀원이 동시에 같은 파일을 수정해도 누가 무엇을 바꿨는지 확인하고 충돌을 해결할 수 있다
• “최종_진짜최종_v3” 같은 파일을 만들지 않고도 변경 과정을 깔끔하게 관리할 수 있다.

Git

코드가 언제, 어떻게, 왜 변경되었는지 기록하고 팀원들과 안전하게 안정적으로 협업할 수 있도록 돕는 도구

• 변경 내용이 커밋 단위로 기록됨
• 언제든 특정 시점으로 되돌릴 수 있음
• 여러 사람이 동시에 작업 가능
• 변경 이력과 책임이 명확함

GitHub

Git 저장소를 온라인에서 공유하고, 코드 리뷰와 협업 과정을 관리할 수 있도록 해주는 플랫폼

• Pull Request, Issue, Review 기능 제공

웹 서비스 vs Git과 GitHub

웹 서비스가

사용자 → 서버 → 데이터베이스 → AI 모델을 연결하는 구조라면,

Git과 GitHub는

개발자 → 코드 → 변경 이력 → 협업 과정을 연결하는 구조이다.

Git & GitHub 기초 학습 목표

1. 버전 관리의 개념 이해
   • Git이 왜 필요한지 설명할 수 있다.
   • 코드 변경 이력이 어떻게 관리되는지 이해한다.
2. 로컬과 원격 저장소의 차이 이해
   • Local Repository와 Remote Repository의 역할을 구분할 수 있다.
   • push와 pull의 개념을 설명할 수 있다.
3. 브랜치 기반 협업 구조 이해
   • 브랜치가 왜 필요한지 설명할 수 있다.
   • 기능 단위 개발 흐름을 이해한다.
4. Pull Request 기반 코드 리뷰 이해
   • Pull Request의 역할을 설명할 수 있다.
   • 협업에서 병합 과정이 왜 중요한지 이해한다.
5. AI 헬스케어 프로젝트 협업 흐름 이해
   • 모델 코드와 서비스 코드를 분리하여 관리하는 이유를 이해한다.
   • 팀 단위 프로젝트에서 발생할 수 있는 충돌 상황을 이해한다.

용어 정리

Repository(레포지토리)

파일과 그 변경 이력을 함께 관리하는 저장소. 프로젝트 전체와 모든 버전 기록이 들어 있음

• 로컬 저장소: 내 컴퓨터에 있는 저장소 프로젝트 폴더로 이동 git init 실행 → 해당 폴더가 Git 레포지토리가 됩니다

• 원격 저장소: GitHub 같은 서버에 있는 저장소 GitHub에서 새 Repository 생성 git clone으로 내 컴퓨터에 복사

Commit(커밋)

변경 사항을 하나의 기록으로 저장하는 단위(= 하나의 버전)

• “무엇을 왜 바꿨는지”를 메시지로 남김
• 특정 시점의 프로젝트 상태를 저장
• 되돌아갈 수 있는 기준점 역할
• 커밋 생성: git commit -m "회원가입 기능 추가"

Branch(브랜치)

독립적으로 작업할 수 있는 작업 공간

• 기존 코드를 건드리지 않고 기능 개발 가능
• 여러 기능을 동시에 개발할 수 있음
• 작업이 끝나면 병합(merge)함
• 브랜치 생성: git branch feature/login
• 브랜치 전환: git switch feature/login

HEAD(헤드)

• 현재 내가 작업 중인 위치를 가리키는 포인터
• 보통 현재 브랜치의 최신 커밋을 가리킴
• HEAD가 움직인다는 것은 작업 기준이 바뀐다는 의미

Working Directory

실제로 파일을 수정하고 작업하는 공간. 아직 Git에 기록되지 않은 변경 사항이 있는 상태

Staging Area

다음 커밋에 포함할 변경 사항을 미리 모아두는 공간

Git 명령어 모음

https://legend-palm-1f1.notion.site/Git-159caf5650aa8066bcb2eafa6741d5a5?pvs=143

Git Commit / Git Branch Conflict

작업 → add → commit commit = 저장 + 버전 기록

git add .
git commit -m "메시지"

지난 글에서는 데이터를 효과적으로 표현하기 위한 데이터 시각화(Data Visualization)에 대해 알아봤다.

데이터를 충분히 분석했다면 이제는 머신러닝 모델이 학습할 수 있도록 데이터를 정리하는 과정이 필요하다. 이 과정을 데이터 전처리(Data Preprocessing)라고 한다.

실제 AI 프로젝트에서는 모델을 만드는 시간보다 데이터 전처리에 더 많은 시간을 투자한다고 할 정도로 매우 중요한 단계이다.

데이터 전처리란?

데이터 전처리(Data Preprocessing)는

원본 데이터를 분석과 머신러닝에 적합한 형태로 가공하고 정리하는 과정이다.

실제 데이터는 대부분 완벽하지 않다.

예를 들어

• 값이 비어 있는 데이터
• 잘못 입력된 데이터
• 서로 다른 형식으로 저장된 데이터
• 문자열 형태의 데이터
• 이상치

등이 존재한다.

이러한 문제를 해결해야 AI 모델이 데이터를 올바르게 학습할 수 있다.

왜 데이터 전처리가 중요할까?

AI 모델은 입력된 데이터를 그대로 학습한다.

만약 데이터 품질이 좋지 않다면 모델 역시 잘못된 결과를 만들어낼 가능성이 높다.

예를 들어

여기에는 두 가지 문제가 있다.

• 혈당 데이터가 비어 있다.
• 나이가 300살인 이상치가 존재한다.

이러한 데이터를 그대로 학습시키면 모델의 성능이 크게 떨어질 수 있다.

데이터 전처리 과정

일반적으로 다음과 같은 순서로 진행한다.

1. 결측치 처리
2. 이상치 처리
3. 중복 데이터 제거
4. 범주형 데이터 인코딩
5. 데이터 스케일링

1. 결측치 처리

결측치(Missing Value)는 값이 비어 있는 데이터를 의미한다.

먼저 결측치가 얼마나 있는지 확인한다.

df.isnull().sum()

결측치를 처리하는 대표적인 방법은 다음과 같다.

삭제하기

df.dropna()

결측치가 포함된 행을 삭제한다.

평균값으로 채우기

df["Glucose"] = df["Glucose"].fillna(df["Glucose"].mean())

숫자형 데이터에서 자주 사용하는 방법이다.

중앙값으로 채우기

df["Age"] = df["Age"].fillna(df["Age"].median())

이상치가 많은 데이터에서는 평균보다 중앙값을 사용하는 경우가 많다.

2. 이상치 처리

이상치(Outlier)는 다른 데이터와 비교했을 때 지나치게 크거나 작은 값을 의미한다.

예를 들어

25
28
30
31
220

220은 일반적인 나이 범위를 벗어나므로 이상치일 가능성이 높다.

이상치는

• 삭제
• 수정
• 별도로 관리

등의 방법으로 처리한다.

대표적으로 박스플롯(Box Plot)을 이용하여 이상치를 확인한다.

import seaborn as sns

sns.boxplot(x=df["Age"])

3. 중복 데이터 제거

동일한 데이터가 여러 번 저장되어 있는 경우도 있다.

중복 데이터는 분석 결과를 왜곡할 수 있기 때문에 제거하는 것이 좋다.

중복 확인

df.duplicated().sum()

중복 제거

df = df.drop_duplicates()

4. 범주형 데이터 인코딩

머신러닝 모델은 대부분 숫자 데이터만 이해할 수 있다.

예를 들어

이 데이터를 그대로 사용할 수 없기 때문에 숫자로 변환해야 한다.

Label Encoding

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()

df["Gender"] = encoder.fit_transform(df["Gender"])

결과

One-Hot Encoding

pd.get_dummies(df, columns=["Gender"])

결과

명목형 데이터에서는 One-Hot Encoding을 많이 사용한다.

5. 데이터 스케일링

변수마다 값의 크기가 크게 다르면 머신러닝 모델의 성능에 영향을 줄 수 있다.

예를 들어

과

처럼 값의 범위가 크게 차이 나는 경우에는 스케일을 맞춰주는 것이 좋다.

StandardScaler

평균을 0, 표준편차를 1로 변환한다.

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

df_scaled = scaler.fit_transform(df)

MinMaxScaler

모든 데이터를 0~1 사이의 값으로 변환한다.

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()

df_scaled = scaler.fit_transform(df)

전처리 전과 후 비교

전처리를 거친 데이터는 머신러닝 모델이 보다 안정적으로 학습할 수 있는 상태가 된다.

AI Healthcare에서는 어떻게 활용될까?

예를 들어 건강검진 데이터를 분석한다고 가정해보자.

전처리 과정에서는 다음과 같은 작업을 수행할 수 있다.

• 누락된 혈당 데이터를 평균값으로 대체
• 비정상적으로 높은 혈압 값을 확인하고 이상치 처리
• 중복된 환자 기록 제거
• 성별, 흡연 여부 등을 숫자로 변환
• 키, 몸무게, BMI 등의 값을 스케일링

이러한 과정을 거친 데이터는 AI 모델이 학습하기 쉬운 형태가 되며, 예측 성능 향상에도 도움이 된다.

마무리

데이터 전처리는 머신러닝 프로젝트에서 가장 중요하면서도 가장 많은 시간이 소요되는 과정이다.

아무리 뛰어난 AI 모델을 사용하더라도 데이터 품질이 좋지 않으면 좋은 결과를 기대하기 어렵다. 반대로 데이터를 꼼꼼하게 전처리하면 비교적 단순한 모델이라도 높은 성능을 얻을 수 있다.

지금까지 데이터 타입 → Pandas → EDA → 데이터 시각화 → 데이터 전처리까지 데이터 분석의 기본 과정을 살펴보았다. 이러한 기초를 탄탄히 익혀두면 이후 머신러닝과 딥러닝 학습에서도 데이터를 보다 효과적으로 다룰 수 있게 된다.

지난 글에서는 EDA(탐색적 데이터 분석)를 통해 데이터의 특성과 패턴을 분석하는 방법을 알아봤다.

하지만 숫자로만 이루어진 데이터를 계속 바라보다 보면 중요한 특징을 놓치기 쉽다. 이럴 때 필요한 것이 바로 데이터 시각화(Data Visualization)이다.

데이터를 그래프로 표현하면 복잡한 데이터도 한눈에 이해할 수 있으며, 숨겨진 패턴이나 이상치를 쉽게 발견할 수 있다.

데이터 시각화란?

데이터 시각화(Data Visualization)는

데이터를 그래프나 차트 등의 시각적인 형태로 표현하여 정보를 쉽게 이해할 수 있도록 만드는 과정이다.

사람은 숫자보다 이미지를 훨씬 빠르게 이해하기 때문에 데이터 분석에서는 시각화가 매우 중요한 역할을 한다.

왜 데이터 시각화가 중요할까?

예를 들어 학생들의 시험 점수가 아래와 같다고 가정해보자.

72, 75, 74, 76, 73, 74, 75, 98

숫자만 보면 특별한 점을 찾기 어렵지만 그래프로 표현하면 98점이라는 이상치가 한눈에 보인다.

또한

• 데이터의 분포
• 증가와 감소 추세
• 그룹 간 차이
• 변수 간 관계

등도 쉽게 확인할 수 있다.

Python에서 사용하는 시각화 라이브러리

데이터 분석에서는 주로 다음 두 가지 라이브러리를 사용한다.

Matplotlib

Python에서 가장 기본이 되는 시각화 라이브러리이다.

거의 모든 그래프를 그릴 수 있으며, 다른 시각화 라이브러리의 기반이 되기도 한다.

설치

pip install matplotlib

불러오기

import matplotlib.pyplot as plt

Seaborn

Seaborn은 Matplotlib를 기반으로 만들어진 라이브러리이다.

더 보기 좋은 디자인을 제공하며 통계 시각화에 매우 많이 사용된다.

설치

pip install seaborn

불러오기

import seaborn as sns

1. 선 그래프(Line Plot)

시간에 따른 변화나 추세를 확인할 때 사용하는 그래프이다.

import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [3,5,4,7,8]

plt.plot(x, y)
plt.show()

활용 예시

• 하루 혈당 변화
• 심박수 변화
• 월별 환자 수

2. 막대그래프(Bar Chart)

범주별 데이터를 비교할 때 사용한다.

import matplotlib.pyplot as plt

fruit = ["Apple","Banana","Orange"]
count = [30,15,20]

plt.bar(fruit, count)
plt.show()

활용 예시

• 성별 환자 수
• 혈액형 분포
• 질병 발생 건수

3. 히스토그램(Histogram)

데이터의 분포를 확인하는 가장 대표적인 그래프이다.

df["Age"].hist()
plt.show()

히스토그램을 통해

• 평균 주변에 데이터가 몰려 있는지
• 치우친 분포인지
• 이상치가 존재하는지

등을 쉽게 확인할 수 있다.

4. 산점도(Scatter Plot)

두 변수 사이의 관계를 확인할 때 사용한다.

plt.scatter(df["Height"], df["Weight"])
plt.show()

활용 예시

• 키와 몸무게
• BMI와 혈당
• 나이와 혈압

산점도는 상관관계를 직관적으로 확인할 수 있다는 장점이 있다.

5. 박스플롯(Box Plot)

데이터의 분포와 이상치를 확인하는 그래프이다.

sns.boxplot(x=df["Glucose"])
plt.show()

박스플롯에서는

• 중앙값
• 사분위수
• 이상치

를 한 번에 확인할 수 있다.

EDA 과정에서 가장 많이 사용하는 그래프 중 하나이다.

6. 히트맵(Heatmap)

데이터 간의 상관관계를 색으로 표현하는 그래프이다.

corr = df.corr(numeric_only=True)

sns.heatmap(corr, annot=True)
plt.show()

색이 진할수록 변수 간의 관계가 강하다는 것을 의미한다.

AI 프로젝트에서는 어떤 변수가 서로 관련이 있는지 확인할 때 자주 사용된다.

데이터 시각화를 할 때 주의할 점

그래프를 많이 그리는 것보다 올바르게 표현하는 것이 중요하다.

다음 사항을 항상 고려하자.

• 그래프 제목을 작성하기
• 축(Label)을 명확하게 표시하기
• 적절한 색상 사용하기
• 한 그래프에 너무 많은 정보를 넣지 않기
• 목적에 맞는 그래프 선택하기

그래프는 보기 좋기 위한 것이 아니라 정보를 전달하기 위한 도구라는 점을 기억해야 한다.

AI Healthcare에서는 어떻게 활용될까?

예를 들어 건강검진 데이터를 분석한다고 가정해보자.

데이터 시각화를 통해 다음과 같은 정보를 쉽게 확인할 수 있다.

• 연령대별 혈압 분포
• BMI와 혈당의 관계
• 성별 질병 발생 비율
• 혈당 이상치 확인
• 월별 환자 방문 추이

이처럼 복잡한 의료 데이터를 그래프로 표현하면 데이터의 특징을 빠르게 이해할 수 있으며, 이상 징후나 중요한 패턴도 쉽게 발견할 수 있다.

마무리

데이터 시각화는 단순히 그래프를 그리는 기술이 아니라 데이터를 이해하고 전달하는 과정이다.

같은 데이터라도 어떤 그래프를 선택하느냐에 따라 전달되는 정보가 달라질 수 있다. 따라서 데이터의 특성과 분석 목적에 맞는 그래프를 선택하는 것이 중요하다.

다음 글에서는 데이터 전처리(Data Preprocessing)를 통해 결측치 처리, 이상치 처리, 인코딩, 스케일링 등 머신러닝 모델의 성능을 높이기 위한 데이터 준비 과정을 알아보자.

EDA는 말 그대로 데이터를 탐색하는 과정이다. 데이터를 바로 AI 모델에 학습시키기보다, 먼저 데이터의 특성과 패턴을 이해하고 이상한 점은 없는지 확인하는 것이 목적이다.

EDA란?

EDA(Exploratory Data Analysis)는

데이터의 특성과 패턴을 이해하기 위해 다양한 통계적 기법과 시각화를 통해 데이터를 탐색하는 과정이다.

데이터를 처음 받았을 때 가장 먼저 수행하는 작업이며, 데이터가 어떤 구조를 가지고 있는지 파악하는 단계라고 생각하면 된다.

EDA를 통해 다음과 같은 질문에 답할 수 있다.

• 데이터는 몇 개가 있을까?
• 결측치는 얼마나 있을까?
• 이상치는 존재할까?
• 평균은 얼마일까?
• 데이터는 어떤 분포를 가질까?
• 변수들끼리 어떤 관계가 있을까?

왜 EDA가 중요할까?

좋은 AI 모델은 좋은 데이터에서 나온다.

만약 데이터에 문제가 있는데 그대로 모델을 학습시키면 정확도가 크게 떨어질 수 있다.

예를 들어

• 혈압이 음수로 기록되어 있다.
• 나이가 250살로 입력되어 있다.
• 혈당 데이터가 절반 이상 비어 있다.

이런 데이터를 그대로 사용하면 AI 모델은 잘못된 패턴을 학습하게 된다.

따라서 데이터를 분석하기 전에 반드시 EDA를 수행해야 한다.

EDA에서 확인하는 것들

1. 데이터 크기 확인

먼저 데이터가 얼마나 있는지 확인한다.

df.shape

출력

(1000, 8)

→ 1000개의 행과 8개의 열을 가진 데이터라는 의미이다.

2. 데이터 정보 확인

df.info()

확인할 수 있는 정보

• 데이터 개수
• 데이터 타입
• 결측치 개수

예시

Age         int64
Height      float64
Gender      object

이를 통해 숫자형 데이터와 범주형 데이터를 쉽게 구분할 수 있다.

3. 기초 통계량 확인

df.describe()

대표적으로 다음과 같은 정보를 제공한다.

• 평균(mean)
• 표준편차(std)
• 최소값(min)
• 최대값(max)
• 중앙값(50%)
• 사분위수(25%, 75%)

예를 들어 혈당 데이터의 평균이 97이고 최대값이 380이라면 이상치가 존재할 가능성을 의심해볼 수 있다.

결측치 확인

결측치(Missing Value)는 비어있는 데이터를 의미한다.

df.isnull().sum()

예시

Age          0
Height       5
Weight       2
Glucose     13

결측치가 많다면

• 삭제할지
• 평균값으로 채울지
• 중앙값으로 채울지

등을 결정해야 한다.

이상치 확인

이상치(Outlier)는 다른 데이터와 비교했을 때 지나치게 크거나 작은 값을 의미한다.

예를 들어

210세는 일반적으로 존재하기 어려운 값이므로 이상치로 판단할 수 있다.

이상치는 평균을 왜곡하고 모델 성능에도 영향을 줄 수 있기 때문에 반드시 확인해야 한다.

데이터 분포 확인

데이터가 어떤 형태로 분포하는지도 매우 중요하다.

대표적으로 사용하는 그래프는 히스토그램(Histogram)이다.

df["Age"].hist()

히스토그램을 통해

• 데이터가 한쪽으로 치우쳐 있는지
• 정규분포를 따르는지
• 특정 구간에 데이터가 몰려 있는지

등을 쉽게 확인할 수 있다.

변수 간 관계 확인

두 변수 사이의 관계를 확인하는 것도 EDA의 핵심이다.

예를 들어

• 키와 몸무게
• 나이와 혈압
• BMI와 혈당

등의 관계를 분석할 수 있다.

대표적으로 사용하는 그래프는 산점도(Scatter Plot)이다.

df.plot.scatter(x="Height", y="Weight")

산점도를 보면 두 변수 사이의 상관관계를 직관적으로 확인할 수 있다.

상관관계 분석

숫자형 변수끼리는 상관계수(Correlation)를 계산할 수 있다.

df.corr(numeric_only=True)

결과 예시

상관계수는 -1부터 1 사이의 값을 가지며,

• 1에 가까울수록 강한 양의 상관관계
• -1에 가까울수록 강한 음의 상관관계
• 0에 가까울수록 관계가 거의 없음

을 의미한다.

데이터 시각화

EDA에서는 숫자로만 데이터를 보는 것보다 그래프로 확인하는 것이 훨씬 쉽다.

대표적으로 사용하는 그래프는 다음과 같다.

그래프를 활용하면 데이터의 특징을 훨씬 빠르게 이해할 수 있다.

AI Healthcare에서는 어떻게 활용될까?

예를 들어 건강검진 데이터를 분석한다고 가정해보자.

EDA를 수행하면 다음과 같은 사실을 발견할 수 있다.

• 60대 이상에서 평균 혈압이 높다.
• BMI가 높을수록 혈당도 높아지는 경향이 있다.
• 여성보다 남성의 흡연 비율이 높다.
• 일부 환자의 혈당 데이터가 누락되어 있다.
• 혈압이 비정상적으로 높은 이상치가 존재한다.

이러한 정보를 바탕으로 데이터 전처리 방법을 결정하고, 머신러닝 모델의 성능을 높일 수 있다.

마무리

EDA는 데이터를 단순히 살펴보는 과정이 아니라, 데이터를 이해하는 과정이다.

결측치와 이상치를 확인하고, 데이터의 분포와 변수 간 관계를 분석하면서 데이터가 가진 특성을 파악할 수 있다. 이러한 과정을 거쳐야 이후의 전처리와 머신러닝 모델 학습도 더욱 정확하게 진행할 수 있다.

다음 글에서는 데이터 시각화(Data Visualization)를 통해 Matplotlib과 Seaborn을 활용해 데이터를 효과적으로 표현하는 방법을 알아보자.

데이터 분석을 시작한다면 거의 반드시 사용하게 되는 라이브러리가 바로 Pandas다. CSV 파일을 불러오고, 데이터를 수정하고, 원하는 정보만 추출하는 등 대부분의 작업을 Pandas로 수행한다.

Pandas란?

Pandas는 Python에서 데이터를 쉽고 빠르게 다룰 수 있도록 만들어진 라이브러리다.

엑셀처럼 행(Row)과 열(Column) 형태의 데이터를 다룰 수 있으며, 대용량 데이터도 효율적으로 처리할 수 있다.

대표적으로 다음과 같은 작업을 할 수 있다.

• CSV, Excel 파일 읽기
• 데이터 조회
• 데이터 추가 및 삭제
• 결측치 처리
• 데이터 정렬
• 그룹별 통계 분석
• 데이터 전처리

AI와 머신러닝에서는 데이터를 모델에 입력하기 전에 대부분 Pandas를 사용하여 데이터를 정리한다.

Pandas 설치

설치가 되어 있지 않다면 pip를 이용하여 설치할 수 있다.

pip install pandas

설치 후에는 다음과 같이 불러온다.

import pandas as pd

보통 pd라는 별칭(alias)을 사용한다.

Series와 DataFrame

Pandas에는 가장 중요한 두 가지 자료구조가 있다.

1. Series

Series는 1차원 데이터이다.

리스트 하나를 관리한다고 생각하면 이해하기 쉽다.

import pandas as pd

score = pd.Series([90, 80, 100, 95])

print(score)

출력

0     90
1     80
2    100
3     95
dtype: int64

왼쪽 숫자는 Index, 오른쪽은 실제 데이터(Value)이다.

2. DataFrame

DataFrame은 2차원 테이블 형태의 데이터이다.

엑셀 시트와 거의 동일한 구조라고 생각하면 된다.

import pandas as pd

df = pd.DataFrame({
    "이름": ["철수", "영희", "민수"],
    "나이": [20, 22, 21],
    "점수": [90, 85, 95]
})

print(df)

출력

   이름   나이   점수
0 철수   20   90
1 영희   22   85
2 민수   21   95

실제 데이터 분석에서는 대부분 DataFrame을 사용한다.

CSV 파일 불러오기

가장 많이 사용하는 기능이다.

df = pd.read_csv("health.csv")

파일을 읽은 후에는 데이터를 확인해보자.

print(df)

또는

df.head()

head()는 기본적으로 상위 5개의 데이터를 보여준다.

반대로 마지막 데이터를 보고 싶다면

df.tail()

을 사용하면 된다.

데이터 정보 확인하기

데이터를 분석하기 전에 반드시 확인해야 하는 함수들이다.

shape

데이터 크기를 확인한다.

df.shape

예시

(1000, 8)

→ 행이 1000개, 열이 8개라는 의미이다.

columns

컬럼 이름을 확인한다.

df.columns

info()

데이터 타입과 결측치를 확인할 수 있다.

df.info()

예시

RangeIndex: 1000 entries

Age       int64
Gender    object
Height    float64

데이터 분석을 시작하기 전에 가장 많이 사용하는 함수 중 하나다.

describe()

숫자형 데이터의 통계를 확인한다.

df.describe()

결과에는 다음과 같은 정보가 포함된다.

• 평균(mean)
• 표준편차(std)
• 최소값(min)
• 최대값(max)
• 사분위수(25%, 50%, 75%)

원하는 데이터 선택하기

컬럼 하나 선택

df["Age"]

또는

df.Age

여러 컬럼 선택

df[["Age", "Height"]]

행 선택

df.iloc[0]

첫 번째 행을 가져온다.

df.iloc[0:5]

첫 번째부터 다섯 번째 행까지 가져온다.

조건에 맞는 데이터 찾기

예를 들어 나이가 30세 이상인 사람만 조회하고 싶다면

df[df["Age"] >= 30]

혈당이 120 이상인 사람만 찾는다면

df[df["Glucose"] >= 120]

조건을 여러 개 사용할 수도 있다.

df[(df["Age"] >= 30) & (df["Gender"] == "Male")]

새로운 컬럼 만들기

BMI 컬럼을 만들어보자.

df["BMI"] = df["Weight"] / (df["Height"]/100)**2

이처럼 기존 데이터를 이용하여 새로운 컬럼을 쉽게 생성할 수 있다.

정렬하기

나이순으로 정렬

df.sort_values("Age")

내림차순 정렬

df.sort_values("Age", ascending=False)

결측치 확인

결측치는 비어있는 데이터를 의미한다.

df.isnull().sum()

각 컬럼마다 결측치가 몇 개인지 확인할 수 있다.

AI Healthcare에서는 어떻게 사용할까?

예를 들어 환자 건강검진 데이터가 있다고 가정해보자.

Pandas를 이용하면

• 60세 이상 환자만 추출
• 혈당이 높은 환자 찾기
• BMI 계산
• 결측치 확인
• 평균 혈압 계산
• 머신러닝 학습용 데이터 생성

등의 작업을 몇 줄의 코드만으로 수행할 수 있다.

마무리

Pandas는 데이터 분석의 시작이라고 할 만큼 중요한 라이브러리다.

데이터를 불러오고, 원하는 데이터를 추출하고, 정리하는 대부분의 과정이 Pandas로 이루어진다.

다음 글에서는 탐색적 데이터 분석(EDA)을 통해 데이터를 어떻게 분석하고 숨겨진 패턴을 찾아내는지 알아보자.

숫자형 데이터 (Numerical Data)

수치로 표현되며 산술 연산(더하기, 빼기, 평균 등)이 가능한 데이터

대표적인 예시

• 나이 (25세)
• 키 (175cm)
• 몸무게 (68kg)
• 혈압 (120mmHg)
• 혈당 (95mg/dL)

이러한 데이터는 평균, 분산, 표준편차 등을 계산할 수 있으며, 머신러닝 모델의 입력 데이터로도 많이 사용된다.

숫자형 데이터는 이산형 데이터(Discrete Data)와 연속형 데이터(Continuous Data)로 나뉜다.

1. 이산형 데이터 (Discrete Data)

셀 수 있는 값을 가지는 데이터다.

값이 정수 형태로 존재하며 중간값을 가질 수 없다.

예를 들어,

• 병원 방문 횟수 : 5회
• 자녀 수 : 2명
• 입원 횟수 : 1회
• 하루 약 복용 횟수 : 3회

자녀 수는 2명과 3명 사이인 2.5명이 존재할 수 없기 때문에 이산형 데이터에 해당한다.

2. 연속형 데이터 (Continuous Data)

일정한 범위 안에서 어떤 값이든 가질 수 있는 데이터다.

소수점까지 표현이 가능하며, 측정을 통해 얻는 데이터가 대부분 연속형 데이터에 속한다.

예를 들어,

• 체온 : 36.7℃
• 키 : 172.4cm
• 몸무게 : 63.8kg
• 혈당 : 98.5mg/dL

연속형 데이터는 평균이나 분산 같은 통계 분석뿐 아니라 회귀(Regression) 모델에서도 자주 사용된다.

범주형 데이터 (Categorical Data)

범주형 데이터는 특정 그룹이나 종류를 구분하기 위한 데이터다.

숫자로 표현될 수도 있지만, 그 숫자는 계산을 위한 값이 아니라 단순히 범주를 구분하기 위한 라벨일 뿐이다.

예를 들어,

• 성별 : 남성, 여성
• 혈액형 : A형, B형, O형, AB형
• 흡연 여부 : 예, 아니오
• 질병 유무 : 정상, 질환

범주형 데이터는 다시 명목형(Nominal)과 순서형(Ordinal)으로 나뉜다.

1. 명목형 데이터 (Nominal Data)

순서나 크기의 개념 없이 단순히 분류만 가능한 데이터다.

예를 들어,

• 혈액형
• 성별
• 지역
• 질병 종류

A형이 B형보다 크거나 작다고 말할 수 없기 때문에 명목형 데이터에 해당한다.

2. 순서형 데이터 (Ordinal Data)

순서는 존재하지만, 값의 차이를 수치적으로 계산할 수 없는 데이터다.

예를 들어,

• 만족도 : 매우 만족 > 만족 > 보통 > 불만족
• 암 진행 단계 : 1기 → 2기 → 3기 → 4기
• 통증 정도 : 약함 → 보통 → 심함

순서는 있지만 각 단계 사이의 간격이 일정하다고 볼 수 없기 때문에 평균을 계산하는 것은 적절하지 않다.

정리

AI Healthcare에서는 왜 데이터 타입이 중요할까?

AI 모델은 데이터 타입에 따라 전처리 방법이 달라진다.

예를 들어 키나 혈당처럼 숫자형 데이터는 정규화(Normalization)나 표준화(Standardization)를 수행하는 경우가 많고, 성별이나 혈액형 같은 범주형 데이터는 원-핫 인코딩(One-Hot Encoding) 등을 이용해 모델이 학습할 수 있는 숫자 형태로 변환한다.

즉, 데이터를 분석하기 전에 각 변수의 데이터 타입을 정확하게 파악하는 것이 데이터 분석과 머신러닝의 첫 단계라고 할 수 있다.

AI가 여러 정보를 종합해서 하나의 예측값을 만드는 가장 기본적인 방법 각 정보에 중요도(가중치)를 곱해서 모두 더하는 것

선형방정식 = 가중합 + 편향

편향(Bias)

모든 입력이 0일 때도 가지는 기본값

결과

여러 환자의 약물 투여량 계산

AI가 가중치를 학습하는 과정

최적 가중치 찾기

스칼라 (Scalar)

환자의 개별 정보

벡터 (Vector)

환자 한 명의 여러 특성을 하나로 묶은 것

행렬 (Matrix)

여러 환자들의 정보를 표 형태로 정리한 것

• 프로그램에서 외부 파일에 데이터를 저장하거나 읽어오는 작업
• 프로그램과 외부 파일 간의 데이터 교환을 통해 정보를 영구적으로 보존하고 공유할 수 있게 해준다.

환자 진료기록: 진단명, 처방 내역, 치료 과정을 파일로 기록 검사 결과: 혈액검사, 영상검사 데이터를 파일에 저장 병원 운영: 직원 정보, 일정 관리, 재고 현황을 파일로 관리 데이터 백업: 중요한 의료 정보를 안전하게 보관

open() 함수를 사용해 파일을 열고, 모드를 지정해 어떤 작업을 할지 결정한다.

file = open('파일명.txt', '모드', encoding='utf-8') file.close()

with 문

파일을 자동으로 닫아주는 안전한 파일 처리 방법

데이터를 어떻게 구조화하는지 정의하고 해당 데이터를 수정할 수 있는 함수를 제공하는 프로그래밍 방식

• 프로그램을 실제 세상의 객체처럼 구현하는 방식
• 데이터와 해당 데이터를 처리하는 코드를 하나로 묶어 관리
• 예시: 환자라는 객체는 이름, 나이, 병력(데이터)과 진료받기, 처방받기(기능)을 가짐

함수는 특정 작업을 수행하는 코드 블록으로, 재사용 가능하고 코드를 깔끔하게 정리할 수 있게 해준다.

• 함수 정의: def 키워드를 사용하여 함수를 선언
• 함수 호출: 정의된 함수를 실행하는 것

매개변수(Parameter)와 인수(Argument)

매개변수와 인수는 함수에서 데이터를 주고받는 핵심 개념 이다.

• 매개변수는 함수를 정의할 때 입력값을 받기 위해 설정하는 변수
• 인수는 함수를 호출할 때 매개변수에 실제로 전달하는 값

반환값(return)

함수에서 계산된 결과값을 호출한 곳으로 돌려주거나, 함수의 실행을 중단시키는 역할 return은 반환받은 값을 다른 코드에 사용해야 할때 사용

1. 값 반환 - 함수 결과를 돌려주기

• 여러개의 값 반환: 여러개의 값을 반환할때는 하나의 튜플로 묶여 반환됨

2. 함수 종료 - 실행 중단하기

Default Parameter - 기본값 설정

함수 호출 시 인수를 생략했을 때 자동으로 사용될 값을 미리 설정하는 방식 이는 함수 사용의 편의성을 높이고 코드 유연성을 향상시킴.

Keyword Arguments - 이름(키워드)으로 전달

매개변수 이름을 지정하여 순서에 상관없이 인수를 전달하는 방법 함수 호출의 가독성을 높이고 매개변수가 많은 함수를 안전하게 사용할 수 있게 함

람다함수 (Lambda Functions)

간단한 함수를 한 줄로 정의할 수 있는 익명 함수 의료 데이터 처리에서 환자 목록 정렬, 조건부 필터링, 데이터 변환 등에 매우 유용

✅ 간단한 계산이나 변환 ✅ 일회성 정렬/필터링 ✅ map, filter, sorted 함수와 함께 ✅ 즉석 데이터 처리

함수 설계 원칙

좋은 함수를 만들기 위한 핵심 원칙들

1. 단일 책임 원칙 : 하나의 함수는 하나의 일만 해야 합니다.

2. 의미 있는 함수명 : 함수명만 봐도 무엇을 하는지 알 수 있어야 합니다.

3. 적절한 크기: 너무 길지 않게 (일반적으로 20줄 이내)

4. 재사용성: 다양한 상황에서 활용 가능하게

5. 독립성: 다른 함수에 과도하게 의존하지 않게

타입 힌팅 (Type Hints)

함수의 입력과 출력 타입을 명시하여 코드의 가독성과 안정성을 높이는 방법

• 타입 힌팅의 장점 1. 코드 가독성 향상: 함수의 입출력이 명확해짐 2. 버그 예방: 잘못된 타입 사용을 미리 발견 3. 개발 도구 지원: IDE에서 자동완성과 오류 검출 향상 4. 문서화 효과: 별도 문서 없이도 함수 사용법을 알 수 있음 5. 팀 협업 개선: 다른 개발자가 함수를 이해하기 쉬움

문제

1. 체온 측정 알림

체온 측정 안내 메시지를 출력하는 함수를 작성하여 실행하세요.

2. 환자 정보 출력

환자의 이름과 나이를 입력받아 정보를 출력하는 함수를 작성하세요.

3. 혈압 등급 분류

환자의 혈압을 입력받아 혈압 등급을 반환하는 함수를 작성하세요.

4. 병원 안내 메시지

병원 안내 메시지를 생성하는 함수를 작성하세요.

5. 처방전 생성

환자 처방전을 생성하는 함수를 작성하세요. 기본값과 키워드 인수를 적절히 활용하세요.

6. 환자 체온 분류

환자의 체온을 받아서 발열 여부를 판단하는 함수를 두 가지 방식으로 작성하세요.

반복문은 특정 조건에 따라 똑같은 기능을 반복해서 수행하는 구문이다. 의료 현장에서는 여러 환자의 데이터를 처리하거나, 검사 결과를 순차적으로 분석할 때 반복문이 필수적이다.

for 문

정해진 범위나 리스트의 요소들을 순회하며 하나씩 처리할 때 사용

1. 반복 대상에 값 하나 꺼냄
2. 변수에 저장
3. 코드 실행
4. 다음 값 꺼냄
5. 끝날 때까지 반복

① enumerate()

• 인덱스(순서)와 값을 함께 가져올 때 사용
• 반환값: (인덱스, 값) 튜플

➁ zip()

• 여러 개의 리스트를 동시에 순회할 때 사용
• 반환값: 각 리스트의 요소들을 묶은 튜플

➂ range()

• 연속된 숫자를 생성하는 함수
• 반환값: 숫자 시퀀스

range() 함수의 인자 range(끝) : 0부터 끝-1까지 range(시작, 끝) : 시작부터 끝-1까지 range(시작, 끝, 간격) : 시작부터 끝-1까지 간격만큼 증가

(1) 리스트로 변환하기

(2) 반복문에서 사용하기

while문

조건이 참인 동안 계속 반복

break와 continue

break: 반복문을 완전히 종료 continue: 현재 반복을 건너뛰고 다음 반복으로

내포용법 (List Comprehension)

리스트를 간단하게 만드는 방법

문제

1. 약물 복용 안내

처방된 약물들에 대해 복용 안내를 출력하세요.

2. 검사 항목 번호 매기기

검사 항목에 번호를 매겨서 출력하세요.

• 내가 한 것
• 정답

나의 코드는 enumerate(test_items)는 기본적으로 번호를 0부터 시작, 그래서 출력할 때 index + 1을 해줘야 1번부터 표시됨. 정답 코드는 enumerate(test_items, 1)에서 숫자를 처음부터 1로 시작하라고 설정했기 때문에, +1만큼 처리할 필요가 없음. -> *정답 코드처럼 enumerate(test_items, 1) 바로 시작점 지정하는 방식이 가독성도 좋고, 실수도 줄일 수 있어서 더 파이썬스러운(Pythonic) 코드이다. *

3. 환자 처방 매칭

zip()을 활용하여 환자 명단과 처방 약물, 복용법을 함께 출력하세요.

• 내가 한 것
• 정답

*나의 코드와 정답 코드는 변수 이름만 다를 뿐, 동작 결과는 같다. * zip(list1, list2, list3)는 리스트들을 같은 인덱스끼리 묶어서 튜플로 반환 for 변수1, 변수2, 변수3 in zip(...) 형태로 바로 각 값 언패킹 변수 이름은 개발자가 보기 좋게 의미만 잘 전달하면 아무거나 써도 OK

4. 병실 점검

range를 활용하여 101호부터 105호까지의 병실을 점검하는 메시지를 출력하세요.

5. 환자 정보 출력

환자의 기본 정보를 [항목]: [값] 형태로 모두 출력하세요.

• 딕셔너리에서 key, value 꺼낼 때는 patient.items() 를 사용해야 함.

6. 응급환자 발견

환자들의 체온을 순서대로 확인하다가 38.5도 이상인 고열 환자를 발견하면 "응급환자 발견! 즉시 처치 필요" 출력하고 반복을 중단하세요.

7. 정상 혈압 환자

혈압 리스트에서 정상 혈압(120 이하)인 환자의 혈압만 골라내는 새로운 리스트를 만드세요. (리스트 컴프리헨션 사용)

주어진 조건에 따라 다른 코드를 실행하는 구문. 환자의 상태나 검사 결과에 따라 다른 처치를 결정해야 하기때문에 중요하다.

if문

if 조건식: print("조건식이 True입니다")

bool 자료형

참(True) 또는 거짓(False) 두 가지 값만 가진다. 조건식에는 무조건 bool 자료형이 들어가야 한다.

여러 조건 처리 if-elif-else

여러 개의 조건을 순서대로 확인하여 해당하는 조건의 코드만 실행

조건식 연산자

1. 비교 연산자 : 값들을 비교할 때 사용

2. 포함 연산자 (in, not in) : 리스트나 문자열에 특정 값이 포함되어 있는지 확인할 때 사용

3. 논리 연산자 : 여러 조건을 조합해서 더 복잡한 조건을 만들 때 사용

• and 연산자: 모든 조건이 True 일 때만 True
• or 연산자: 하나라도 True 이면 True
• not 연산자: True를 False로, False를 True로

삼항 연산자

간단한 if-else 구문을 한 줄로 표현하는 방법. 조건문 코드를 간결하게 작성 가능!

변수 = 값1 if 조건 else 값2 조건이 True이면 값1, False이면 값2를 변수에 저장

조건문 처리 방식 비교

다중 조건 (if-elif-else) : 하나만 선택해야 할 때, 첫 번째 참인 조건만 실행

독립 조건 (if-if-if) : 각각 별도로 확인할 때, 모든 조건을 개별 확인

중첩 조건 (if 안의 if) : 단계별 확인이 필요할 때, 조건을 만족해야 다음 단계 진행

문제

1. 환자의 체온을 확인

발열이 있는 경우에만 메시지를 출력하세요. 37.5도 이상이면 "발열이 감지되었습니다" 출력

2. 수술 시간 결정

환자가 금식한 시간에 따라 수술 가능 여부를 결정하세요. 8시간 이상 금식했으면 "수술 가능", 그렇지 않으면 "금식 시간 부족" 출력

3. 심박수 분류

환자의 심박수를 확인하여 상태를 분류하세요. 60 미만: "서맥", 60-100: "정상", 100 초과: "빈맥"

• = 이 있으면 변수 저장 → 괄호 필요 없음 print(또는 함수명) 뒤에는 항상 괄호 !!!

4. 퇴원 승인

환자의 퇴원 조건을 확인하세요. 체온 37도 미만이면서 통증이 3 이하인 경우 "퇴원 승인" 조건을 만족하지 않으면 "추가 관찰 필요" 출력

5. 응급실 내원 권고

다음 증상 중 하나라도 있으면 응급실 내원을 권고하세요. 심한 가슴통증, 호흡곤란, 의식저하 중 하나라도 있으면 "즉시 응급실 내원" 모든 증상이 없으면 "일반 진료 예약" 출력

6. 처방 금기 확인

환자의 임신 여부에 따라 약물 처방 가능성을 판단하세요. 임신하지 않았으면 "처방 가능", 임신했으면 "처방 금기" 삼항 연산자를 사용하여 작성하세요. ↓ 삼항 연산자 사용 ↓

7. 독립 조건 - 환자 증상 확인

환자의 증상을 확인하여 해당하는 처방을 각각 출력하세요. 발열이 있으면 "해열제 처방", 기침이 있으면 "기침약 처방", 두통이 있으면 "진통제 처방"을 출력하고, 해당 증상이 없으면 아무것도 출력하지 않습니다.

8. 중첩 조건 - 약물 처방 확인

환자의 나이를 먼저 확인한 후, 성인(18세 이상)인 경우에만 알레르기 여부를 확인해서 처방을 결정하세요.

• 성인이고 알레르기가 없는 경우: "성인용 약물을 처방합니다."
• 성인이지만 알레르기가 있는 경우: "알레르기 대체 약물을 처방합니다."
• 미성년자인 경우: "소아용 약물을 처방합니다."

내가 한거

정답

실전 예제: 환자 입원 승인 시스템

리스트

여러 개의 데이터를 하나의 변수에 순서대로 저장 [ ] 로 감싸고 각 요솟값은 쉼표로 구분

인덱싱

특정 위치의 데이터 가져오기

슬라이싱