Online Appendix B — Python 필수 사항

선수 지식

핵심 개념 및 기술

소프트웨어 및 패키지

B.1 서론

Python은 귀도 반 로섬(Guido van Rossum)이 개발한 범용 프로그래밍 언어입니다. 1991년 2월에 0.9.0 버전이 처음 출시된 이후 꾸준히 발전해 왔으며, 현재 데이터 과학과 인공지능 분야에서 가장 널리 쓰이는 언어 중 하나입니다. 언어의 이름은 코미디 그룹 ’몬티 파이턴(Monty Python)’의 열성적인 팬이었던 제작자가 그들의 프로그램인 몬티 파이턴의 날아다니는 서커스에서 따온 것입니다.

파이썬은 기계 학습 분야에서 독보적인 인기를 구가하고 있지만, 본래는 범용 소프트웨어 개발을 위해 설계되었습니다. 따라서 데이터 과학 분야에서 파이썬을 효율적으로 활용하기 위해서는 관련 라이브러리와 패키지에 대한 이해가 필수적입니다. 이 장에서는 파이썬의 방대한 기능 중에서도 데이터 과학 워크플로우를 구축하는 데 핵심적인 요소들을 중심으로 살펴보겠습니다.

만약 이미 R을 알고 있다면 데이터 과학용 파이썬을 배우는 과정이 매우 수월할 것입니다. 두 언어가 해결하고자 하는 핵심적인 데이터 문제는 대동소이하며, 대응되는 패키지들이 유사한 논리로 작동하기 때문입니다.

B.2 Python, VS Code, 그리고 uv

R과 RStudio의 관계처럼, Python 또한 RStudio 내에서 사용할 수 있지만, 파이썬 생태계에서 가장 널리 쓰이는 도구는 단연 VS Code(Visual Studio Code)입니다. 공식 웹사이트에서 VS Code를 무료로 내려받아 설치할 수 있습니다. 만약 로컬 환경 설정이 어렵게 느껴진다면, Google Colab과 같은 클라우드 환경에서 시작해 보는 것도 좋은 방법입니다.

VS Code를 실행한 뒤(Figure B.1 (a)), 상단 메뉴에서 “터미널(Terminal) -> 새 터미널(New Terminal)”을 선택합니다(Figure B.1 (b)). 그다음 최근 파이썬 생태계에서 매우 빠르고 효율적인 패키지 및 프로젝트 관리자로 주목받고 있는 uv를 설치해 보겠습니다. 터미널 창에 curl -LsSf https://astral.sh/uv/install.sh | sh를 입력하고 엔터를 누릅니다(Figure B.1 (c)). 설치가 완료되면, 터미널에 uv python install을 입력하여 파이썬 인터프리터를 시스템에 설치합니다(Figure B.1 (d)).

(a) VS Code 열기
(b) VS Code에서 터미널 열기
(c) uv 설치
(d) Python 설치
Figure B.1: VS Code를 열고 새 터미널을 연 다음 uv와 Python 설치

B.3 시작하기

B.3.1 프로젝트 설정

Open Data Toronto에서 데이터를 다운로드하는 예시로 시작하겠습니다. 시작하려면 모든 코드가 자체 포함될 수 있도록 프로젝트를 만들어야 합니다.

VS Code를 열고 새 터미널을 엽니다: “터미널” -> “새 터미널”. 그런 다음 Unix 셸 명령을 사용하여 폴더를 만들고 싶은 곳으로 이동합니다. 예를 들어, ls를 사용하여 현재 디렉토리의 모든 폴더를 나열한 다음, cd와 폴더 이름을 사용하여 폴더로 이동합니다. 한 단계 위로 이동해야 하는 경우 ..를 사용합니다.

이 새 폴더를 만들고 싶은 곳이 만족스러우면 터미널에서 uv init를 사용하여 이를 수행하고, 엔터를 누릅니다(그 다음 cd는 새 폴더 “shelter_usage”로 이동합니다).

uv init shelter_usage
cd shelter_usage

기본적으로 예시 폴더에 스크립트가 있을 것입니다. uv run을 사용하여 해당 스크립트를 실행하여 프로젝트 환경을 만들 것입니다.

uv run hello.py

프로젝트 환경은 해당 프로젝트에만 해당됩니다. numpy 패키지를 사용하여 데이터를 시뮬레이션할 것입니다. 이 패키지를 uv add를 사용하여 환경에 추가해야 합니다.

uv add numpy

그런 다음 hello.py를 수정하여 numpy를 사용하여 정규 분포에서 시뮬레이션할 수 있습니다.

import numpy as np

def main():
    np.random.seed(853)

    mu, sigma = 0, 1
    sample_sizes = [10, 100, 1000, 10000]
    differences = []

    for size in sample_sizes:
        sample = np.random.normal(mu, sigma, size)
        sample_mean = np.mean(sample)
        diff = abs(mu - sample_mean)
        differences.append(diff)
        print(f"표본 크기: {size}")
        print(f"  표본과 모집단 평균 간의 차이: {round(diff, 3)}")

if __name__ == "__main__":
    main()

이제 hello.py 파일을 저장한 뒤, 터미널에서 uv run hello.py 명령어로 실행해 봅니다. VS Code를 종료했다가 다시 시작하더라도, 해당 프로젝트 폴더를 열고 동일한 명령어를 실행하면 언제든 일관된 분석 환경에서 코드를 실행할 수 있습니다. 파이썬에서 프로젝트는 이처럼 독립된 폴더와 그 안의 가상 환경을 통해 관리되는 것이 기본입니다.

B.3.2 계획

이 데이터셋을 Chapter 2에서 처음 사용했지만, 다시 말하지만, 매일 각 쉼터에 대해 쉼터를 사용한 사람들의 수가 있습니다. 따라서 우리가 시뮬레이션하고 싶은 데이터셋은 Figure B.2 (a)와 같고, Figure B.2 (b)과 같이 매월 평균 일일 점유 침대 수 표를 만들고 싶습니다.

(a) 데이터셋의 빠른 스케치
(b) 매월 평균 점유 침대 수 표의 빠른 스케치
Figure B.2: 토론토의 쉼터 사용량과 관련된 데이터셋 및 표의 스케치

B.3.3 시뮬레이션

관심 있는 데이터셋을 더 철저히 시뮬레이션하고 싶습니다. 시뮬레이션된 결과를 저장할 데이터프레임을 제공하기 위해 polars를 사용할 것이므로, uv add를 사용하여 환경에 추가해야 합니다.

uv add polars

00-simulate_data.py라는 새 Python 파일을 만듭니다.

#### 서문 ####
# 목적: 일일 쉼터 사용량 데이터셋 시뮬레이션
# 저자: Rohan Alexander
# 날짜: 2024년 11월 12일
# 연락처: rohan.alexander@utoronto.ca
# 라이선스: MIT
# 전제 조건:
# - `polars` 추가: uv add polars
# - `numpy` 추가: uv add numpy
# - `datetime` 추가: uv add datetime

#### 작업 공간 설정 ####
import polars as pl
import numpy as np
from datetime import date

rng = np.random.default_rng(seed=853)

#### 데이터 시뮬레이션 ####
# 쉼터 10개와 설정된 용량 시뮬레이션
shelters_df = pl.DataFrame(
    {
        "Shelters": [f"쉼터 {i}" for i in range(1, 11)],
        "Capacity": rng.integers(low=10, high=100, size=10),
    }
)

# 날짜 데이터프레임 생성
dates = pl.date_range(
    start=date(2024, 1, 1), end=date(2024, 12, 31), interval="1d", eager=True
).alias("날짜")

# 날짜를 데이터프레임으로 변환
dates_df = pl.DataFrame(dates)

# 날짜와 쉼터 결합
data = dates_df.join(shelters_df, how="cross")

# 포아송 추출로 사용량 추가
poisson_draw = rng.poisson(lam=data["Capacity"])
usage = np.minimum(poisson_draw, data["Capacity"])

data = data.with_columns([pl.Series("사용량", usage)])

data.write_parquet("simulated_data.parquet")

이 시뮬레이션된 데이터를 기반으로 실제 데이터에 적용할 테스트를 작성하고 싶습니다. 이를 위해 pydantic을 사용할 것이므로, uv add를 사용하여 환경에 추가해야 합니다.

uv add pydantic

00-test_simulated_data.py라는 새 Python 파일을 만듭니다. 첫 번째 단계는 pydantic에서 제공하는 BaseModel의 하위 클래스인 ShelterData를 정의하는 것입니다.

from pydantic import BaseModel, Field, ValidationError, field_validator
from datetime import date

# Pydantic 모델 정의
class ShelterData(BaseModel):
    Dates: date  # 날짜 형식 유효성 검사 (예: 'YYYY-MM-DD')
    Shelters: str  # 문자열이어야 함
    Capacity: int = Field(..., ge=0)  # 음수가 아닌 정수여야 함
    Usage: int = Field(..., ge=0)  # 음수가 아니어야 함

    # 사용량이 용량을 초과하지 않도록 필드 유효성 검사기 추가
    @field_validator("Usage")
    def check_usage_not_exceed_capacity(cls, usage, info):
        capacity = info.data.get("Capacity")
        if capacity is not None and usage > capacity:
            raise ValueError(f"사용량 ({usage})이 용량 ({capacity})을 초과합니다.")
        return usage

날짜가 유효한지, 쉼터가 올바른 유형인지, 용량과 사용량이 모두 음수가 아닌 정수인지 테스트하는 데 관심이 있습니다. 추가적인 문제는 사용량이 용량을 초과해서는 안 된다는 것입니다. 이를 위한 테스트를 작성하기 위해 field_validator를 사용합니다.

그런 다음 시뮬레이션된 데이터셋을 가져와 테스트할 수 있습니다.

import polars as pl

df = pl.read_parquet("simulated_data.parquet")

# Polars DataFrame을 유효성 검사를 위한 딕셔너리 목록으로 변환
data_dicts = df.to_dicts()

# 데이터셋을 일괄적으로 유효성 검사
validated_data = []
errors = []

# 일괄 유효성 검사
for i, row in enumerate(data_dicts):
    try:
        validated_row = ShelterData(**row)  # 각 행 유효성 검사
        validated_data.append(validated_row)
    except ValidationError as e:
        errors.append((i, e))

# 유효성 검사된 데이터를 Polars DataFrame으로 다시 변환
validated_df = pl.DataFrame([row.dict() for row in validated_data])

# 결과 표시
print("유효성 검사된 행:")
print(validated_df)

if errors:
    print("\n오류:")
    for i, error in errors:
        print(f"행 {i}: {error}")

오류가 있었다면 어떻게 되었을지 확인하기 위해 두 가지 오류가 포함된 더 작은 데이터셋을 고려할 수 있습니다. 즉, 잘못 형식화된 날짜 하나와 사용량이 용량을 초과하는 상황 하나입니다.

import polars as pl
from pydantic import BaseModel, Field, ValidationError, field_validator
from datetime import date

# Pydantic 모델 정의
class ShelterData(BaseModel):
    Dates: date  # 날짜 형식 유효성 검사 (예: 'YYYY-MM-DD')
    Shelters: str  # 문자열이어야 함
    Capacity: int = Field(..., ge=0)  # 음수가 아닌 정수여야 함
    Usage: int = Field(..., ge=0)  # 음수가 아니어야 함

    # 사용량이 용량을 초과하지 않도록 필드 유효성 검사기 추가
    @field_validator("Usage")
    def check_usage_not_exceed_capacity(cls, usage, info):
        capacity = info.data.get("Capacity")
        if capacity is not None and usage > capacity:
            raise ValueError(f"사용량 ({usage})이 용량 ({capacity})을 초과할 수 없습니다.")
        return usage

# 데이터셋 정의
df = [
    {"Dates": "2024-01-01", "Shelters": "쉼터 1", "Capacity": 23, "Usage": 22},
    {"Dates": "로한", "Shelters": "쉼터 2", "Capacity": 62, "Usage": 62},
    {"Dates": "2024-01-01", "Shelters": "쉼터 3", "Capacity": 93, "Usage": 88},
    # 테스트를 위한 잘못된 행 추가
    {"Dates": "2024-01-01", "Shelters": "쉼터 4", "Capacity": 50, "Usage": 55},
]

# 데이터셋을 일괄적으로 유효성 검사
validated_data = []
errors = []

# 일괄 유효성 검사
for i, row in enumerate(df):
    try:
        validated_row = ShelterData(**row)  # 각 행 유효성 검사
        validated_data.append(validated_row)
    except ValidationError as e:
        errors.append((i, e))

# 유효성 검사된 데이터를 Polars DataFrame으로 다시 변환
validated_df = pl.DataFrame([row.dict() for row in validated_data])

# 결과 표시
print("유효성 검사된 행:")
print(validated_df)

if errors:
    print("\n오류:")
    for i, error in errors:
        print(f"행 {i}: {error}")

다음 메시지가 나타납니다.


오류:
행 1: ShelterData에 대한 1개의 유효성 검사 오류
Dates
  입력은 유효한 날짜 또는 datetime이어야 합니다. 입력이 너무 짧습니다 [type=date_from_datetime_parsing, input_value='로한', input_type=str]
    자세한 내용은 https://errors.pydantic.dev/2.9/v/date_from_datetime_parsing을 참조하십시오.
행 3: ShelterData에 대한 1개의 유효성 검사 오류
Usage
  값 오류, 사용량 (55)이 용량 (50)을 초과할 수 없습니다. [type=value_error, input_value=55, input_type=int]
    자세한 내용은 https://errors.pydantic.dev/2.9/v/value_error을 참조하십시오.

B.3.4 획득

이전과 동일한 출처 사용: https://ckan0.cf.opendata.inter.prod-toronto.ca/dataset/21c83b32-d5a8-4106-a54f-010dbe49f6f2/resource/ffd20867-6e3c-4074-8427-d63810edf231/download/Daily%20shelter%20overnight%20occupancy.csv

import polars as pl

# CSV 파일 URL
url = "https://ckan0.cf.opendata.inter.prod-toronto.ca/dataset/21c83b32-d5a8-4106-a54f-010dbe49f6f2/resource/ffd20867-6e3c-4074-8427-d63810edf231/download/Daily%20shelter%20overnight%20occupancy.csv"

# CSV 파일을 Polars DataFrame으로 읽기
df = pl.read_csv(url)

# 원시 데이터 저장
df.write_parquet("shelter_usage.parquet")

몇 개의 열과 데이터가 있는 행에만 관심이 있을 것입니다.

import polars as pl

df = pl.read_parquet("shelter_usage.parquet")

# 특정 열 선택
selected_columns = ["OCCUPANCY_DATE", "SHELTER_ID", "OCCUPIED_BEDS", "CAPACITY_ACTUAL_BED"]

selected_df = df.select(selected_columns)

# 데이터가 있는 행만 필터링
filtered_df = selected_df.filter(df["OCCUPIED_BEDS"].is_not_null())

print(filtered_df.head())

renamed_df = filtered_df.rename({"OCCUPANCY_DATE": "date",
                                 "SHELTER_ID": "Shelters",
                                 "CAPACITY_ACTUAL_BED": "Capacity",
                                 "OCCUPIED_BEDS": "Usage"
                                 })

print(renamed_df.head())

renamed_df.write_parquet("cleaned_shelter_usage.parquet")

그런 다음 실제 데이터셋에 테스트를 적용하고 싶을 수 있습니다.

import polars as pl
from pydantic import BaseModel, Field, ValidationError, field_validator
from datetime import date

# Pydantic 모델 정의
class ShelterData(BaseModel):
    Dates: date  # 날짜 형식 유효성 검사 (예: 'YYYY-MM-DD')
    Shelters: str  # 문자열이어야 함
    Capacity: int = Field(..., ge=0)  # 음수가 아닌 정수여야 함
    Usage: int = Field(..., ge=0)  # 음수가 아니어야 함

    # 사용량이 용량을 초과하지 않도록 필드 유효성 검사기 추가
    @field_validator("Usage")
    def check_usage_not_exceed_capacity(cls, usage, info):
        capacity = info.data.get("Capacity")
        if capacity is not None and usage > capacity:
            raise ValueError(f"사용량 ({usage})이 용량 ({capacity})을 초과할 수 없습니다.")
        return usage

df = pl.read_parquet("cleaned_shelter_usage.parquet")

# Polars DataFrame을 유효성 검사를 위한 딕셔너리 목록으로 변환
data_dicts = df.to_dicts()

# 데이터셋을 일괄적으로 유효성 검사
validated_data = []
errors = []

# 일괄 유효성 검사
for i, row in enumerate(data_dicts):
    try:
        validated_row = ShelterData(**row)  # 각 행 유효성 검사
        validated_data.append(validated_row)
    except ValidationError as e:
        errors.append((i, e))

# 유효성 검사된 데이터를 Polars DataFrame으로 다시 변환
validated_df = pl.DataFrame([row.dict() for row in validated_data])

# 결과 표시
print("유효성 검사된 행:")
print(validated_df)

if errors:
    print("\n오류:")
    for i, error in errors:
        print(f"행 {i}: {error}")

B.3.5 탐색

데이터 조작

import polars as pl

df = pl.read_parquet("cleaned_shelter_usage.parquet")

# 날짜 열을 datetime으로 변환하고 명확성을 위해 이름 변경
df = df.with_columns(pl.col("date").str.strptime(pl.Date, "%Y-%m-%d").alias("date"))

# "Dates"로 그룹화하고 총 "Capacity" 및 "Usage" 계산
aggregated_df = (
    df.group_by("date")
    .agg([
        pl.col("Capacity").sum().alias("총 용량"),
        pl.col("Usage").sum().alias("총 사용량")
    ])
    .sort("date")  # 날짜별로 결과 정렬
)

# 집계된 DataFrame 표시
print(aggregated_df)

그래프 만들기

import polars as pl
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.dates as mdates

# Parquet 파일에서 Polars DataFrame 읽기
df = pl.read_parquet("analysis_data.parquet")

# 'date' 열이 Polars에서 datetime 유형인지 확인
df = df.with_columns([
    pl.col('date').cast(pl.Date)
])

# 관련 열을 선택하고 DataFrame 재구성
df_melted = df.select(["date", "총 용량", "총 사용량"]).melt(
    id_vars="date",
    variable_name="측정 항목",
    value_name="값"
)

# Polars DataFrame을 Seaborn을 위한 Pandas DataFrame으로 변환
df_melted_pd = df_melted.to_pandas()

# Pandas에서 'date' 열이 datetime인지 확인
df_melted_pd['date'] = pd.to_datetime(df_melted_pd['date'])

# 플로팅 스타일 설정
sns.set_theme(style="whitegrid")

# 플롯 생성
plt.figure(figsize=(12, 6))
sns.lineplot(
    data=df_melted_pd,
    x="date",
    y="값",
    hue="측정 항목",
    linewidth=2.5
)

# x축 레이블을 보기 좋게 형식 지정
plt.gca().xaxis.set_major_locator(mdates.AutoDateLocator())
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))

# 가독성을 위해 x축 레이블 회전
plt.xticks(rotation=45)

# 레이블 및 제목 추가
plt.xlabel("날짜")
plt.ylabel("값")
plt.title("시간 경과에 따른 총 용량 및 사용량")

# 눈금 레이블 잘림 방지를 위해 레이아웃 조정
plt.tight_layout()

# 플롯 표시
plt.show()

B.3.6 공유

한 가지 좋은 점은 Quarto 문서에서 Python을 사용할 수 있다는 것입니다. 이를 위해 여기에서 Quarto 확장을 설치하여 VS Code에 추가해야 합니다. 터미널에서 quarto preview를 실행하여 문서를 렌더링할 수 있습니다.

VS Code은 Microsoft에서 만들었으며, Microsoft는 GitHub도 소유하고 있습니다. 따라서 계정으로 이동하여 로그인하여 GitHub 계정을 VS Code에 추가할 수 있습니다.

B.4 Python

파이썬의 문법은 간결하고 읽기 쉬운 것으로 유명합니다. 데이터 과학 작업에서 자주 마주하게 될 두 가지 핵심 제어문과 기법을 살펴보겠습니다.

B.4.1 For 루프

for 루프는 리스트나 튜플 같은 반복 가능한(Iterable) 객체의 요소를 하나씩 꺼내어 동일한 작업을 반복할 때 사용합니다.

names = ["로한", "모니카", "에드워드"]
for name in names:
    print(f"안녕하세요, {name}님!")

B.4.2 리스트 컴프리헨션

리스트 컴프리헨션(List Comprehension)은 기존 리스트를 바탕으로 새로운 리스트를 만들 때 사용하는 파이썬 특유의 간결한 문법입니다. for 루프보다 가독성이 높고 실행 속도도 빠른 경우가 많아 애용됩니다.

# 각 숫자의 제곱을 구하는 예시
numbers = [1, 2, 3, 4, 5]
squares = [n**2 for n in numbers]
print(squares)

B.5 그래프 만들기

파이썬 시각화 생태계는 매우 방대합니다. 가장 기초가 되는 matplotlib와 이를 바탕으로 통계적 그래픽을 더 쉽게 그리게 해주는 seaborn이 핵심입니다.

B.5.1 matplotlib

matplotlib는 파이썬에서 그래프를 그릴 때 가장 기본이 되는 라이브러리입니다. 거의 모든 시각적 요소를 세밀하게 제어할 수 있는 저수준(Low-level) API를 제공합니다.

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.ylabel('값')
plt.show()

B.5.2 seaborn

seaborn은 matplotlib를 기반으로 구축된 고수준(High-level) 인터페이스입니다. 복잡한 통계 그래프를 단 몇 줄의 코드로 아름답게 그릴 수 있으며, Pandas나 Polars 데이터프레임과 매우 잘 통합됩니다.

import seaborn as sns

# 내장 데이터셋 로드
tips = sns.load_dataset("tips")
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")

B.6 polars 탐색

Polars는 Rust로 작성된 초고속 데이터프레임 라이브러리입니다. 지연 실행(Lazy evaluation)과 멀티스레딩을 지원하여 대규모 데이터 처리에 최적화되어 있습니다.

B.6.1 데이터 가져오기

Polars는 다양한 형식의 데이터를 빠르게 읽어올 수 있습니다. 특히 read_csv()와 read_parquet() 함수는 업계 최고 수준의 속도를 자랑합니다.

import polars as pl

# CSV 읽기
df_csv = pl.read_csv("data.csv")

# Parquet 읽기 (권장)
df_parquet = pl.read_parquet("data.parquet")

B.6.2 결합 및 피벗을 사용한 데이터셋 조작

여러 데이터프레임을 합치거나 구조를 바꿀 때 join(), pivot(), melt() 등을 사용합니다. dplyr의 동사들과 개념적으로 매우 유사합니다.

# 두 데이터프레임 결합
combined_df = df1.join(df2, on="id", how="left")

# 데이터를 길게 변환 (Unpivot)
long_df = df.melt(id_vars="date", value_vars=["temp", "humidity"])

B.6.3 문자열 조작

Polars는 str 네임스페이스를 통해 풍부한 문자열 처리 함수를 제공합니다. 정규표현식을 활용한 정교한 텍스트 정제가 가능합니다.

# 대문자 변환 및 특정 단어 포함 여부 확인
df = df.with_columns([
    pl.col("name").str.to_uppercase().alias("NAME_UPPER"),
    pl.col("description").str.contains("urgent").alias("is_urgent")
])

B.6.4 요인 변수

범주형 데이터는 Categorical 타입을 사용해 메모리 효율적으로 관리할 수 있습니다. 이는 R의 factor와 유사한 역할을 합니다.

# 특정 열을 범주형으로 변환
df = df.with_columns(
    pl.col("category").cast(pl.Categorical)
)

B.7 연습 문제

연습

  1. (환경 설정) VS Code에서 새로운 프로젝트 폴더를 만들고, uv를 사용해 파이썬 환경을 초기화해 보세요. polars와 matplotlib 패키지를 추가해 보세요.
  2. (문법 실습) 1부터 20 사이의 숫자 중 3의 배수만을 골라 제곱한 리스트를 ’리스트 컴프리헨션’을 사용해 만들어 보세요.
  3. (데이터 처리) polars를 사용해 가상의 학생 성적 데이터셋(이름, 수학 점수, 영어 점수)을 만들고, 두 점수의 평균을 나타내는 새로운 열을 추가해 보세요.

퀴즈

  1. 파이썬에서 프로젝트 환경과 패키지를 효율적으로 관리하기 위해 이 장에서 추천한 도구는 무엇인가요? (정답: uv)
  2. [n * 2 for n in [1, 2, 3]] 코드의 실행 결과는 무엇입니까? (정답: [2, 4, 6])
  3. Polars에서 데이터를 ‘길게’ 변환(Unpivot)할 때 사용하는 함수는 무엇인가요? (정답: melt())
  4. 통계 시각화에 특화된 파이썬 라이브러리로, matplotlib를 기반으로 구축된 것은 무엇인가요? (정답: seaborn)

과제

무료 Replit “100일 코딩” Python 과정 중 1일차부터 10일차까지의 내용을 완료하고, 학습한 핵심 개념들을 활용해 짧은 분석 스크립트를 작성하여 GitHub 리포지토리에 제출하세요.