IT Lab

VS Code로 Python 패키지를 만들고, 로컬 또는 전역에서 설치해 어디서나 사용할 수 있도록 하려면 다음과 같은 단계를 따르면 됩니다.

✅ 1. 패키지 폴더 구조 만들기

예를 들어 my_package라는 패키지를 만들고 싶다면:

my_package/
│
├── my_package/           # 실제 패키지 코드
│   ├── __init__.py
│   └── example.py
│
├── setup.py              # 패키지 설치를 위한 설정 파일
├── README.md             # (선택) 설명 파일
└── requirements.txt      # (선택) 의존성

✅ 2. 

setup.py

 작성

from setuptools import setup, find_packages

setup(
    name='my_package',
    version='0.1',
    packages=find_packages(),
    install_requires=[],  # 필요시 의존성 추가
    author='Tommy',
    author_email='your_email@example.com',
    description='설명 추가',
    url='https://your.project.url',  # GitHub 등
)

✅ 3. 

__init__.py

로 패키지화

# my_package/__init__.py
from .example import hello

# my_package/example.py
def hello():
    print("Hello from my_package!")

✅ 4. 로컬에서 설치

터미널에서 패키지 폴더가 있는 위치로 이동한 뒤:

pip install -e .

-e 옵션은 “editable” 모드로 설치하여, 소스 코드를 수정하면 바로 반영됨.

✅ 5. 어디서든 사용하기

어떤 Python 프로젝트에서든 이제 다음처럼 사용할 수 있습니다:

from my_package import hello

hello()

✅ 선택: 전역 설치

가상환경이 아닌 시스템 전체에서 사용하려면:

pip install .

단, 이 경우는 가상환경 권장 (전역 오염 방지 목적).

uv는 Python 생태계에서 최근에 등장한 빠르고 효율적인 패키지 관리자입니다. pip과 비슷한 역할을 하지만, 속도와 보안, 의존성 해석 면에서 개선된 기능을 제공합니다. 정확히 말하면, uv는 Astral이라는 팀에서 만든 툴로, Rust로 개발되어 매우 빠릅니다.

✅ 주요 특징

• 빠름: Rust로 작성되어 pip보다 훨씬 빠름

• 보안: 기본적으로 해시를 체크하여 패키지 무결성 검증

• 정확한 의존성 해석: Poetry, pip, pip-tools의 기능을 모두 통합한 스타일

• 개발 환경 통합: venv, pyproject.toml, requirements.txt 등을 모두 지원

📌 기본 사용 예시

uv pip install requests

위 명령어는 기존의

pip install requests

와 같은 역할을 하지만, 훨씬 빠릅니다.

📦 설치 방법

curl -Ls https://astral.sh/uv/install.sh | sh

또는 Homebrew (macOS):

brew install astral-sh/uv/uv

🎯 언제 쓰면 좋을까?

• pip install이 느리게 느껴질 때

• 프로젝트에 의존성이 많아 설치 시간이 오래 걸릴 때

• pyproject.toml 기반으로 의존성을 관리하고 싶을 때

• 빠른 CI/CD 파이프라인을 구성하고 싶을 때

궁금한 점이나 직접 테스트해보고 싶은 게 있으면 도와줄게!

termcolor 라이브러리는 터미널에서 컬러 출력이 가능하도록 해주는 Python 패키지입니다.

아래 예제는 termcolor를 사용하여 다양한 색상의 텍스트를 출력하는 코드입니다.

from termcolor import colored

# 기본 사용법
print(colored("Hello, World!", "red"))  # 빨간색 출력
print(colored("Python is awesome!", "green"))  # 초록색 출력

# 배경색 추가
print(colored("Warning message!", "yellow", "on_red"))  # 빨간 배경에 노란 글씨

# 다양한 속성 추가
print(colored("Bold Text", "blue", attrs=["bold"]))  # 볼드체(굵은 글씨)
print(colored("Underlined Text", "cyan", attrs=["underline"]))  # 밑줄 추가

# 여러 속성 조합
print(colored("Styled Text", "magenta", "on_white", ["bold", "underline"]))

colored() 함수의 주요 인자:

• text: 출력할 문자열

• color: 텍스트 색상 (red, green, yellow, blue, magenta, cyan, white)

• on_color: 배경 색상 (on_red, on_green, on_yellow, on_blue, on_magenta, on_cyan, on_white)

• attrs: 속성 (bold, dark, underline, blink, reverse, concealed)

설치 방법:

termcolor 라이브러리가 없다면 아래 명령어로 설치할 수 있습니다.

pip install termcolor

이제 실행하면 컬러풀한 출력이 터미널에서 보일 거예요! 🎨🚀

pandas.DataFrame.melt() 사용법 및 예제

melt() 함수는 DataFrame을 긴(long) 형식으로 변환하는 데 사용됩니다.
이는 데이터 분석 및 시각화에 유용하며, 특히 Tidy Data 형식으로 변환할 때 자주 사용됩니다.

🔹 melt() 기본 문법

pd.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value')

🔸 주요 매개변수

• frame : 변환할 DataFrame
• id_vars : 녹이지 않고 유지할 열 (기준 열)
• value_vars : 녹일 열 (기본적으로 나머지 모든 열이 포함됨)
• var_name : 새로 생성될 "변수 이름" 열의 이름 (기본값: variable)
• value_name : 새로 생성될 "값" 열의 이름 (기본값: value)

🔹 예제 1: 기본 사용법

import pandas as pd

# 샘플 데이터 생성
df = pd.DataFrame({
    '이름': ['철수', '영희', '민수'],
    '국어': [90, 85, 88],
    '수학': [80, 95, 92]
})

print("📌 원본 DataFrame:")
print(df)

# melt() 적용
df_melted = df.melt(id_vars=['이름'], var_name='과목', value_name='점수')

print("\n📌 melt() 적용 후:")
print(df_melted)

📌 결과:

📌 원본 DataFrame:
   이름  국어  수학
0  철수  90  80
1  영희  85  95
2  민수  88  92

📌 melt() 적용 후:
   이름  과목  점수
0  철수  국어  90
1  영희  국어  85
2  민수  국어  88
3  철수  수학  80
4  영희  수학  95
5  민수  수학  92

🔹 **이름을 기준(id_vars=['이름'])**으로 두고, 국어/수학을 녹여서(value_vars=['국어', '수학']) 과목과 점수 열을 생성했습니다.

🔹 예제 2: value_vars를 지정하여 특정 열만 녹이기

df_melted = df.melt(id_vars=['이름'], value_vars=['국어'], var_name='과목', value_name='점수')
print(df_melted)

📌 결과:

   이름  과목  점수
0  철수  국어  90
1  영희  국어  85
2  민수  국어  88

🔹 국어만 녹이고, 수학은 변환하지 않았습니다.

🔹 예제 3: var_name과 value_name 변경하기

df_melted = df.melt(id_vars=['이름'], var_name='Subject', value_name='Score')
print(df_melted)

📌 결과:

   이름 Subject  Score
0  철수     국어     90
1  영희     국어     85
2  민수     국어     88
3  철수     수학     80
4  영희     수학     95
5  민수     수학     92

🔹 **열 이름을 영어(var_name='Subject', value_name='Score')**로 변경했습니다.

🔹 예제 4: 여러 개의 id_vars 사용하기

df = pd.DataFrame({
    '학교': ['A', 'A', 'B'],
    '이름': ['철수', '영희', '민수'],
    '국어': [90, 85, 88],
    '수학': [80, 95, 92]
})

df_melted = df.melt(id_vars=['학교', '이름'], var_name='과목', value_name='점수')
print(df_melted)

📌 결과:

   학교  이름  과목  점수
0   A  철수  국어  90
1   A  영희  국어  85
2   B  민수  국어  88
3   A  철수  수학  80
4   A  영희  수학  95
5   B  민수  수학  92

🔹 두 개의 기준 열(id_vars=['학교', '이름'])을 유지하고 나머지를 녹였습니다.

🔹 정리

• melt()는 넓은(wide) 데이터 → 긴(long) 데이터로 변환할 때 사용됩니다.
• **기준 열(id_vars)**을 유지하고, 나머지 열을 녹여서 **새로운 열(var_name, value_name)**로 변환합니다.
• 여러 개의 id_vars를 설정할 수도 있으며, value_vars를 지정해 특정 열만 녹일 수도 있습니다.

이해되셨나요? 😃 더 궁금한 점 있으면 질문해주세요! 🚀

TypedDict는 Python에서 딕셔너리의 키와 값의 타입을 명확하게 정의할 수 있도록 해주는 기능입니다. typing.TypedDict를 사용하면, 특정 키가 어떤 타입의 값을 가져야 하는지 지정할 수 있습니다.

1. TypedDict 사용법

Python의 일반적인 딕셔너리는 어떤 키든, 어떤 값이든 저장할 수 있습니다. 하지만 TypedDict를 사용하면 정해진 키와 그에 대한 타입을 강제할 수 있습니다.

✅ 기본 예제

from typing import TypedDict

class User(TypedDict):
    name: str
    age: int
    email: str

user1: User = {"name": "Tom", "age": 30, "email": "tom@example.com"}  # ✅ 올바른 사용
user2: User = {"name": "Alice", "age": "25", "email": "alice@example.com"}  # ❌ age가 int가 아님

위 코드에서 User는 TypedDict로 정의된 딕셔너리입니다.

• name: str 타입이어야 함

• age: int 타입이어야 함

• email: str 타입이어야 함

만약 타입이 맞지 않는 값이 들어가면, 타입 체크 도구(예: mypy)가 오류를 감지합니다.

2. 선택적 키 (total=False)

기본적으로 TypedDict에 정의된 모든 키는 필수입니다. 하지만 total=False 옵션을 사용하면 일부 키를 선택적으로 만들 수 있습니다.

✅ 선택적 키 사용 예제

class User(TypedDict, total=False):
    name: str
    age: int
    email: str

user1: User = {"name": "Tom"}  # ✅ age, email이 없어도 됨
user2: User = {"name": "Alice", "age": 25}  # ✅ 일부 키만 포함 가능

위 코드에서 total=False를 사용했기 때문에, name, age, email 중 일부만 포함해도 됩니다.

3. 부분 선택적 키 (Python 3.11+)

Python 3.11부터는 Required[]와 NotRequired[]를 사용하여 일부 필드만 선택적으로 지정할 수 있습니다.

from typing import TypedDict, Required, NotRequired

class User(TypedDict):
    name: Required[str]  # 필수 키
    age: NotRequired[int]  # 선택적 키
    email: str  # 필수 키

user1: User = {"name": "Tom", "email": "tom@example.com"}  # ✅ age가 없어도 됨
user2: User = {"name": "Alice", "age": 25, "email": "alice@example.com"}  # ✅ 모두 포함 가능

• Required[str]: 반드시 포함해야 하는 키

• NotRequired[int]: 포함해도 되고, 생략해도 되는 키

4. 중첩 TypedDict 사용

TypedDict는 다른 TypedDict를 값으로 가질 수도 있습니다.

class Address(TypedDict):
    city: str
    zip_code: str

class User(TypedDict):
    name: str
    age: int
    address: Address  # 중첩 TypedDict

user: User = {
    "name": "Tom",
    "age": 30,
    "address": {
        "city": "New York",
        "zip_code": "10001"
    }
}  # ✅ 올바른 사용

User 딕셔너리의 address 필드는 Address 타입을 따라야 합니다.

5. TypedDict vs. 일반 dict

비교 항목일반 dictTypedDict

TypedDict는 런타임에서는 일반 딕셔너리와 동일하게 동작하지만, 정적 타입 검사기(mypy)가 타입을 체크할 수 있도록 도와줍니다.

6. 언제 TypedDict를 사용할까?

• 딕셔너리 구조를 엄격하게 관리하고 싶을 때

• JSON 데이터의 구조를 정의할 때

• API 응답 데이터를 다룰 때

• mypy와 함께 정적 타입 검사를 수행할 때

🔥 정리

• TypedDict는 딕셔너리의 키와 값의 타입을 강제하는 기능

• 기본적으로 모든 키가 필수지만, total=False나 NotRequired[]를 사용하여 선택적 키 가능

• 다른 TypedDict와 중첩 사용 가능

• 정적 타입 검사기(mypy)와 함께 사용하면 오류를 방지할 수 있음

TypedDict를 활용하면, 데이터 구조를 명확하게 정의하고 타입 안전성을 높일 수 있습니다! 🚀