

<img src="/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_0.png" />

내 뉴스레터에서 원래 발행되었습니다.

delete 연산자는 자바스크립트의 오래된 언어 기능 중 하나로 볼 수 있습니다. 이름 그대로 무언가를 파괴하려는 의도를 갖고 있지만, 정확히 무엇을 파괴할 수 있을까요?

# delete 0

<div class="content-ad"></div>

삭제 작업 수행 시 0이 실행 시스템에서 삭제됩니까?

당연히 그렇지 않습니다. 실제 목적은 객체의 속성 참조를 삭제하는 것입니다.

```js
delete object.property;
delete object['property'];
```

일반적으로 성공적인 삭제는 true를 반환하고 실패는 false를 반환하지만, 몇 가지 예외 사항이 있습니다.

<div class="content-ad"></div>

# 소유 속성

삭제 연산자는 자체 속성에만 작동합니다. 프로토타입 체인에 동일한 이름의 속성이 있는 경우, 이 속성은 건너뛰게 됩니다.

![이미지](/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_1.png)

# 존재하지 않는 속성

<div class="content-ad"></div>

만약 삭제한 속성이 존재하지 않는다면, 삭제는 효과가 없지만 여전히 true를 반환합니다.

```js
const object = {};
delete object.name; // true
```

# Non-configurable property

Non-configurable properties는 삭제할 수 없습니다.

<div class="content-ad"></div>

<img src="/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_2.png" />

비 엄격 모드에서 자신의 구성할 수 없는 속성을 제거하면 false를 반환하지만, 엄격 모드에서는 TypeError가 throw됩니다.

<img src="/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_3.png" />

# var, let, const로 선언된 속성

<div class="content-ad"></div>

전역 범위에서 var로 선언된 속성이나 함수 선언문으로 선언된 함수(비함수 표현식)는 삭제할 수 없습니다. 왜냐하면 두 선언된 속성이 globalThis에 장착되어 있고 non-configurable이기 때문에 삭제할 때 이전 항목의 논리가 따를 것입니다.

![이미지](/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_4.png)

또한, var, let, const로 선언된 속성과 해당 함수는 전역 범위나 함수 범위에서도 삭제할 수 없습니다.

```js
{
  let object = {
    name: 1,
  };

  function getName(obj) {
    return obj.name;
  }

  console.log(delete object); // false
  console.log(delete getName); // false
}
```

<div class="content-ad"></div>

비 엄격 모드에서는 false가 반환되지만, 엄격 모드에서는 TypeError가 아닌 SyntaxError가 발생합니다.

![image](/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_5.png)

# 배열 속성

먼저 배열의 length 속성은 configurable하지 않으므로 엄격 모드에서는 삭제하면 TypeError가 발생합니다.

<div class="content-ad"></div>

<img src="/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_6.png" />

그리고 배열 요소를 삭제할 때 삭제된 항목은 비어 있을 것입니다.

<img src="/assets/img/2024-09-10-TheSecretsofthedeleteOperatorinJavaScript_7.png" />

# 결론

<div class="content-ad"></div>

JavaScript의 'delete 연산자'의 진정한 목적은 객체의 속성 참조를 삭제하는 것입니다. 특정 경우에 이상하게 동작할 수 있으므로 기본적으로 객체 자체에 존재하는 구성 가능한 속성을 제거하는 데만 사용하는 것이 좋습니다.

또한 객체에서 속성을 제거할 때, 이 속성의 값이 나머지 참조가 없는 객체인 경우, JavaScript 런타임은 해당 속성이 소유한 객체를 자동으로 해제할 것입니다. 프로그래밍 언어의 메모리 관리에 대한 더 많은 통찰을 얻으려면 이전 기사를 참조하십시오:

만약 이 정보가 도움이 되었다면, 웹 개발에 관한 더 유용한 기사와 도구를 더 많이 받아보기 위해 제 뉴스레터를 구독해 주시기 바랍니다. 읽어 주셔서 감사합니다!

자바스크립트 delete 연산자의 비밀을 털어라



<img src="/assets/img/2024-09-10-TheFutureofAngularwillitdisappearoneday_0.png" />

## 소개

웹 개발 세계에서 주목받는 프레임워크인 Angular은 현대 애플리케이션의 요구를 충족시키기 위해 지속적으로 발전해 왔습니다.

미래를 내다봤을 때, Angular이 결국 희미해질 수도 있을까 고민하는 것은 자연스러운 일입니다.

<div class="content-ad"></div>

이 글에서는 Angular의 미래에 대해 살펴보겠습니다. 예정된 기능, 다른 기술들과 비교한 트렌드, 그리고 현재 Angular을 활용하는 중요한 애플리케이션들을 살펴볼 것입니다.

# 현재 Angular을 사용하는 애플리케이션들

Angular는 다양한 산업 분야에서 고프로필 애플리케이션을 구동합니다.

일부 주목할 만한 예시는 다음과 같습니다:

<div class="content-ad"></div>

- Google Ads: 광고 캠페인을 효과적으로 관리하기 위한 동적이고 사용자 친화적인 인터페이스를 제공합니다.
- Gmail: 반응형 및 인터랙티브한 사용자 경험을 위해 Angular를 활용하고 있습니다.
- Microsoft Office: 일부 오피스 웹 앱에서 Angular를 사용하여 기능을 향상시키고 있습니다.
- Upwork: 풍부한 사용자 경험을 위해 Angular를 활용하는 프리랜서 작업을 위한 주요 플랫폼입니다.
- YouTube TV: 원활하고 매력적인 스트리밍 경험을 전달하기 위해 Angular를 구현하고 있습니다.

# 비교 분석: Angular vs. 인기있는 프레임워크

현대 개발 환경에서 Angular의 위치를 이해하기 위해 다른 주요 프레임워크와 비교하는 것이 가치가 있습니다.

다음은 Angular 17을 React, Vue.js 및 Svelte와 비교한 개요입니다:

<div class="content-ad"></div>

<img src="/assets/img/2024-09-10-TheFutureofAngularwillitdisappearoneday_1.png" />

## 성능 분석에 집중: Angular vs. React vs. Vue.js

Angular, React 및 Vue.js의 성능 특성을 더 잘 이해하기 위해, 비교 테이블이 각각의 성능 측면을 요약합니다.

이 비교는 최근 업데이트를 기준으로 한 일반적인 추세와 벤치마크에 기반하고 있습니다:

<div class="content-ad"></div>


![image](/assets/img/2024-09-10-TheFutureofAngularwillitdisappearoneday_2.png)

Angular은 강력하고 포괄적인 기능을 제공하는 프레임워크입니다. 그러나 초기로딩 시간과 렌더링 성능면에서 React와 Vue.js와 비교할 때 일부 타협사항이 있을 수 있습니다.

React와 Vue.js는 주로 성능 최적화와 모듈성에 중점을 둡니다. 이는 종종 빠른 로딩 시간 및 효율적인 업데이트로 이어집니다. 이러한 프레임워크 사이의 선택은 프로젝트의 특정 요구사항, 응용프로그램의 복잡성 및 성능 요구에 기반해야 합니다.

## 코드 가독성 비교에 집중: Angular 대 React 대 Vue.js


<div class="content-ad"></div>

위의 표를 Markdown 형식으로 변경해 주세요.

<div class="content-ad"></div>

앵귤러는 구조화되고 일관된 방식을 제공하지만 복잡성으로 인해 입문자에게 가독성에 영향을 줄 수 있습니다.

# 무엇이 다른 것들보다 더 잘할 수 있을까요?

앵귤러, 리액트, 그리고 뷰.js는 각각 독자적인 강점과 특징을 가진 강력한 웹 애플리케이션용 프레임워크/라이브러리입니다. 이곳에서 앵귤러가 리액트와 뷰.js보다 장점을 가질 수 있는 몇 가지 측면을 살펴보겠습니다:

# 1. 완벽한 프레임워크

<div class="content-ad"></div>

Angular:

- 완성된 솔루션: Angular는 내장된 의존성 주입, 강력한 라우팅, 폼 처리 및 HTTP 서비스를 포함한 포괄적인 도구와 기능을 제공하는 완벽한 프레임워크입니다.
- 명확한 아키텍처: 큰 규모의 애플리케이션에서도 최상의 관행과 일관성을 유지하도록 정의된 아키텍처를 가지고 있습니다.

React:

- 라이브러리 중심: React는 주로 UI 컴포넌트를 구축하기 위한 라이브러리입니다. 라우팅, 상태 관리 및 폼 처리를 위한 다양한 라이브러리와 함께 확장할 수 있지만, 이러한 추가 도구를 통합하고 구성해야 합니다.

<div class="content-ad"></div>

Vue.js:

- 유연성을 갖춘 프레임워크: Vue.js는 Angular보다 더 유연하지만, 의견이 분명하지 않아 개발자들이 자신만의 도구를 선택할 수 있는 자유가 더 많습니다. 그러나 이는 큰 프로젝트에서 일관성 부재로 이어질 수 있습니다.

## 2. TypeScript 통합

Angular:

<div class="content-ad"></div>

- 내장된 TypeScript: Angular은 강력한 타입 지정, 인터페이스 및 고급 도구 지원을 제공하는 TypeScript를 기반으로 설계되었습니다. 이는 개발 과정 중 오류를 조기에 발견하고 코드 유지보수를 강화하는 데 도움이 됩니다.

React:

- 선택 사항 TypeScript: React는 TypeScript를 지원하지만 라이브러리의 핵심 부분은 아니며 추가 설정이 필요합니다.

Vue.js:

<div class="content-ad"></div>

- TypeScript 지원: Vue.js는 시간이 지남에 따라 TypeScript 지원을 향상시켰지만, Angular의 TypeScript 접근 방식만큼 깊게 통합되지는 않습니다.

### 3. 내장 의존성 주입

Angular:

- 고급 DI 시스템: Angular에는 서비스 및 구성 요소를 관리하는 것을 단순화시키고 모듈성 및 테스트 가능성을 촉진하는 정교한 의존성 주입 시스템이 포함되어 있습니다.

<div class="content-ad"></div>

React:

- Context API: 리액트의 Context API는 의존성 주입을 다룰 수 있지만 Angular의 DI 시스템만큼 강력하거나 구조화되어 있지 않을 수 있습니다.

Vue.js:

- Provide/Inject: Vue.js는 의존성 관리를 위한 provide/inject API를 제공하지만 Angular의 DI와 비교하면 더 제한적입니다.

<div class="content-ad"></div>

# 4. 기업급 기능

Angular:

- 기업용: Angular는 강력한 기능, TypeScript를 사용한 엄격한 타이핑 및 대규모 개발을 지원하는 내장 도구로 인해 대규모 기업 애플리케이션에 자주 선호됩니다.

React:

<div class="content-ad"></div>

- 규모 조정을 위한 유연성: React는 기업 환경에서도 사용되지만 기업 수준의 기능을 달성하기 위해 외부 라이브러리와 사용자 정의 솔루션에 더 의존합니다.

Vue.js:

- 기업에서의 채택 확대: Vue.js는 기업 분야에서 인기를 얻고 있지만 유연성과 간결함이 우선시되는 프로젝트에 주로 선택됩니다.

# 5. 포괄적인 CLI 도구

<div class="content-ad"></div>

Angular:

- Angular CLI: Angular의 CLI는 강력하며 컴포넌트, 서비스, 모듈 등을 생성하기 위한 다양한 명령어를 제공합니다. 반복적인 작업을 자동화하고 최상의 모범 사례를 시행하는 데 도움이 됩니다.

React:

- Create React App: React의 CLI 도구인 Create React App은 Angular CLI와 비교하여 간단합니다. 개발 환경을 설정해 주지만 Angular CLI의 일부 고급 기능이 누락되어 있습니다.

<div class="content-ad"></div>

Vue.js:

- Vue CLI: Vue CLI은 견고하며 Angular CLI와 유사한 기능을 제공하지만 Angular CLI만큼 기능이 풍부하거나 프레임워크와 긴밀하게 통합되어 있지 않을 수 있습니다.

## 6. 자세한 문서와 강력한 커뮤니티 지원

Angular:

<div class="content-ad"></div>

- 포괄적인 문서: Angular은 포괄적인 가이드와 튜토리얼을 제공하는 상세한 문서를 제공합니다. 특히 Google의 강력한 커뮤니티 지원을 받고 있습니다.

React:

- 풍부한 문서: React도 방대한 문서와 큰 커뮤니티를 갖고 있지만, Angular의 문서는 종종 그 깊이와 포괄성으로 유명합니다.

Vue.js:

<div class="content-ad"></div>

- 명확한 문서: Vue.js는 명확하고 간결한 문서를 갖고 있으며, 커뮤니티가 빠르게 성장하고 있습니다. 그러나 특정 측면에서 Angular의 것만큼 방대하지는 않을 수 있습니다.

## Angular의 현재 트렌드

- 성능 최적화: Angular은 Ivy 엔진과 레이지 로딩 전략을 통해 성능을 개선하기 위해 지속적으로 발전하고 있습니다. 이러한 개선 사항은 애플리케이션을 더 빠르고 효율적으로 만들기 위해 목표를 두고 있습니다.
- 현대적인 도구와의 통합: Angular은 인기 있는 개발 도구 및 IDE와의 호환성을 확대하고 있습니다. 제삼자 라이브러리와의 통합도 개선되어 더 원활한 개발 프로세스를 가능케 합니다.
- 점진적 웹 앱(PWA) 개선: 프레임워크의 PWA 지원이 더욱 강화되어 오프라인 기능이 향상되고 모바일 성능이 향상되고 있습니다.
- 간소화된 API 및 문서: Angular은 개발을 더 쉽게 만들기 위해 API를 단순화하고 있습니다. 문서도 업데이트되어 개발자들에게 더 나은 지침을 제공하고 있습니다.
- 네이티브 상태 관리: 응용 프로그램에서 상태 관리를 간소화하기 위해 상태 관리 도구의 잠재적인 발전이나 기존 솔루션과의 강화된 통합이 있을 수 있습니다.
- 개선된 서버 측 렌더링: Angular Universal은 더 나은 서버 측 렌더링 기능을 통해 SEO 및 성능을 개선하기 위한 업데이트를 받고 있습니다.
- 향상된 보안 기능: Angular 애플리케이션이 최고의 보안 관행을 준수하도록 보장하기 위해 새로운 보안 관행이 도입되고 있습니다.
- 커뮤니티와 생태계의 성장: Angular 커뮤니티와 생태계는 계속 성장하며, 프레임워크에 대한 더 많은 자원과 기부를 제공하고 있습니다.

## Angular의 미래 전망

<div class="content-ad"></div>

Angular은 강력한 기능 세트, 확장성 및 Google의 기업적 지원으로 기업 공간에서 강하게 위치하고 있습니다. 여러 요소에 영향을 받을 가능성이 있는 Angular의 미래는 다음과 같을 것입니다:

- 혁신과 기능: Angular은 지속적으로 발전하며 성능, 사용성 및 개발자 경험을 향상시키는 중요한 업데이트로 진화합니다. 독립 구성 요소 및 개선된 빌드 도구와 같은 기능의 도입은 Angular을 더 유연하고 개발자 친화적으로 만드는 방향으로 나아가는 중요한 단계입니다.
- 생태계와 커뮤니티: Angular의 큰 생태계와 기업적 지원은 지속적인 개발과 혁신을 보장합니다. 그러나 그 복잡성은 React 및 Vue.js의 더 직관적인 접근 방식과 비교해 새로운 개발자들에게는 장벽이 될 수 있습니다.
- 성능 향상: 번들 크기를 줄이고 로드 시간을 개선하는 지속적인 노력은 Angular을 보다 경쟁력 있는 제품으로 만들 것입니다. 성능 최적화에 대한 계속된 투자가 중요할 것입니다.
- 코드 가독성 및 개발 속도: Angular의 구조화된 접근 방식은 대규모 팀과 기업 애플리케이션에 이점을 줄 수 있지만, React 및 Vue.js의 더 유연하고 직관적인 접근 방식과 비교했을 때 다소 번거로워 보일 수 있습니다.

# 결론

Angular, React 및 Vue.js는 각자 장점이 있지만, Angular은 특히 포괄적이고 견해 있는 프레임워크가 유익한 시나리오에서 여러 가지 기능과 장점을 제공합니다.

<div class="content-ad"></div>

Angular의 내장 TypeScript 지원, 고급 의존성 주입 및 기업 수준의 기능은 복잡하고 대규모 응용 프로그램에 강력한 후보입니다.

Angular의 미래는 지속적인 향상과 강력한 후원으로 밝아 보입니다.

React 및 Vue.js와의 경쟁에 직면하지만, 서로 다른 강점을 제공하는 React와 Vue.js와는 다르게, Angular의 포괄적인 기능 세트, 견고한 도구 및 기업용 성숙도로 많은 개발자에게 유용한 옵션입니다.

Angular가 혁신을 지속하고 변화하는 요구에 적응하면, 웹 개발 환경에서 계속해서 중요한 역할을 할 것으로 예상됩니다.

<div class="content-ad"></div>

# 저를 따라와요

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

# Stackademic 🎓

끝까지 읽어 주셔서 감사합니다. 떠나시기 전에:

<div class="content-ad"></div>

- 작가에게 박수를 보내고 팔로우해 주세요! 👏
- 팔로우하기 X | LinkedIn | YouTube | Discord
- 다른 플랫폼 방문: In Plain English | CoFeed | Differ
- Stackademic.com에서 더 많은 콘텐츠 확인하기

Angular의 미래 언젠가는 사라질까요



어댑터 패턴은 구조적 디자인 패턴으로, 호환되지 않는 인터페이스를 함께 작동하도록 하는 "래퍼" 또는 "어댑터"를 기존 클래스 주위에 제공함으로써 가능하게 합니다. 아래는 TypeScript에서 어댑터 패턴의 실제 예제인데, 기존 전자상거래 애플리케이션에 새로운 결제 게이트웨이를 통합하고자 할 때 사용됩니다.

# 시나리오:

기존 PayPalPaymentProcessor를 사용하여 결제를 처리하는 전자상거래 애플리케이션을 개발 중이라고 가정해보겠습니다. Stripe와 같은 다른 결제 제공업체를 지원하고자 하며, 새로운 결제 게이트웨이를 구현해야 하는 요구사항이 있습니다. 이를 StripePaymentProcessor라고 지칭하겠으나, 이 인터페이스는 기존 PayPalPaymentProcessor와 다릅니다. 새로운 결제 게이트웨이를 수용하기 위해 전체 애플리케이션을 변경하지 않으려면 어댑터 패턴을 사용할 수 있습니다.

# 단계 1: 대상 인터페이스 정의

<div class="content-ad"></div>

결제 처리기 인터페이스는 응용 프로그램이 이해하는 대상 인터페이스입니다.

```js
인터페이스 PaymentProcessor {
    pay(금액: number): void;
}
```

# 단계 2: 기존 PayPal 결제 처리기

이것은 응용 프로그램이 이미 사용 중인 기존 결제 처리기입니다. 보시다시피 PayPalPaymentProcessor는 우리의 PaymentProcessor 대상 인터페이스의 pay() 메서드를 구현하고 있습니다. 모든 결제 처리기 클래스가 구현할 것입니다.

<div class="content-ad"></div>

```js
class PayPalPaymentProcessor implements PaymentProcessor {
    public pay(amount: number): void {
        console.log(`PayPal을 사용하여 $${amount}을(를) 지불했습니다.`);
    }
}
```

# 단계 3: 새로운 Stripe 지불 처리기

이것은 통합하려는 새로운 지불 처리기입니다. 그러나 이는 PayPalPaymentProcessor에 없는 새로운 메서드인 makePayment()을 포함한 다른 인터페이스를 갖고 있습니다.

```js
class StripePaymentProcessor {
    public makePayment(amountInCents: number): void {
        console.log(`Stripe를 사용하여 $${amountInCents / 100}을(를) 지불했습니다.`);
    }
}
```

<div class="content-ad"></div>

# 단계 4: 어댑터 생성하기

우리 애플리케이션에서 이 작업을 수행하려면 어댑터를 구현해야 합니다. 이 새로운 어댑터 클래스는 대상 인터페이스(PaymentProcessor)를 구현하고 새로운 StripePaymentProcessor를 래핑합니다. 기본적으로 StripePaymentProcessor의 인터페이스를 애플리케이션이 이해하는 인터페이스로 변환합니다.

```js
class StripePaymentAdapter implements PaymentProcessor {
    private stripePaymentProcessor: StripePaymentProcessor;

    constructor(stripePaymentProcessor: StripePaymentProcessor) {
        this.stripePaymentProcessor = stripePaymentProcessor;
    }

    public pay(amount: number): void {
        // 달러를 센트로 변환하고 Stripe 결제 메소드 호출
        this.stripePaymentProcessor.makePayment(amount * 100);
    }
}
```

# 단계 5: 어플리케이션에서 어댑터 사용하기

<div class="content-ad"></div>

지금 애플리케이션은 기존 코드베이스를 변경하지 않고 어댑터를 통해 StripePaymentProcessor를 사용할 수 있습니다.

```js
// 애플리케이션 코드
const amountToPay = 100; // $100

// 기존 PayPal 결제 프로세서 사용
const paypalProcessor: PaymentProcessor = new PayPalPaymentProcessor();
paypalProcessor.pay(amountToPay);

// 어댑터를 통해 새로운 Stripe 결제 프로세서 사용
const stripeProcessor: PaymentProcessor = new StripePaymentAdapter(new StripePaymentProcessor());
stripeProcessor.pay(amountToPay);
```

결과:

```js
PayPal을 사용하여 $100을 지불했습니다.
Stripe를 사용하여 $100을 지불했습니다.
```

<div class="content-ad"></div>

# 중요한 포인트 이해하기

- PaymentProcessor 인터페이스는 두 결제 처리기가 준수해야 하는 대상 인터페이스입니다.
- PayPalPaymentProcessor 클래스는 이미이 인터페이스를 구현했습니다.
- StripePaymentProcessor 클래스는 다른 인터페이스를 갖고 있으므로 StripePaymentAdapter를 PaymentProcessor 인터페이스로 적응시킵니다.
- 어댑터 패턴 덕분에 응용 프로그램은 기존 코드를 수정하지 않고 두 결제 처리기를 모두 사용할 수 있습니다.

## 더 DRY하게 만들어봅시다

```js
function processPayment(paymentProcessor: PaymentProcessor, amount: number): void {
    paymentProcessor.pay(amount);
}

// 예시 사용법
const amountToPay = 100; // $100

// 기존 PayPal 결제 처리기 사용
const paypalProcessor: PaymentProcessor = new PayPalPaymentProcessor();
processPayment(paypalProcessor, amountToPay);

// 어댑터를 통해 새 Stripe 결제 처리기 사용
const stripeProcessor: PaymentProcessor = new StripePaymentAdapter(new StripePaymentProcessor());
processPayment(stripeProcessor, amountToPay);
```  

<div class="content-ad"></div>

애플리케이션에서 어댑터 패턴을 적용하는 실제 사용 사례가 있습니다. 보다 복잡한 코드에 통합되겠지만, 어댑터 패턴을 고려해야 할 시나리오에 대한 통찰력을 제공합니다.

어댑터 패턴을 사용하는 경우:

- 기존 코드: 기존 코드를 수정하지 않고 새로운 시스템 또는 라이브러리를 기존 코드베이스에 통합하는 경우.
- 제3자 라이브러리: 제3자 라이브러리나 API를 감싸서 애플리케이션과 호환되도록 만드는 경우.
- 다중 구현: 클라이언트 코드를 수정하지 않고 서비스 (예: 결제 처리기)의 여러 구현을 지원하는 경우.
- 단일 책임: 기존 클래스로부터 데이터 변환 또는 메서드 적응의 책임을 제어 하는 경우.

어댑터 패턴은 서로 다른 인터페이스 간의 간격을 줄이고 원활한 통합을 가능하게 하며 광범위한 리팩터링이 필요 없게 하는 데 도움이 됩니다.

<div class="content-ad"></div>

# 읽어 주셔서 감사합니다! 궁금한 점이 있으시면 댓글로 물어보세요.

TypeScript에서의 어댑터 패턴 이해와 활용법

TypeScript의  꺾쇠 괄호와 제네릭 타입 사용하는 이유



내가 너를 흥분시키는 농담이 있어:

당연히 농담을 설명할 필요는 없지만, 좋은 수학자들처럼 조금만 과대해석해보자면, 입자의 정보가 그룹의 다른 모든 입자에게 전달될 수 있다는 것을 묘사한 농담이 있어. 이 개념은 내가 방금 한 농담보다 훨씬 깊고 더 발전시킬 수 있는 가능성이 있어.

새 떼나 물고기 떼와 같은 자기 조직화된 시스템을 고려해보자. 우리는 이 시스템을 입자로 구성되었다고 정의할 수 있어 (예를 들어, 한 입자는 새이다). 또한 이러한 입자들이 공간에서 움직이며 자신의 위치를 두 가지 요인에 기반하여 조절한다고 가정할 수 있어:

- 특정 입자가 알고 있는 최상의 위치: 새들이 스스로에게 최선으로 생각하는 위치.
- 모든 입자들끼리 “소통”하여 주는 전역 최상의 위치: "주요 새"에서 지시 받는 일을 하는 새들이야.

<div class="content-ad"></div>

자연에서 "최고"는 무엇인가요? 새를 위해 최선인 일은 무엇인가요? "떼"에게 가장 좋은 것은 무엇일까요? 이에 대해 제게 물어보셔서 정말 죄송하지만, 정말 감을 잡을 수 없어요. 알고 있는 것은 자연의 이러한 행동을 관찰함으로써 매우 매력적인 최적화 알고리즘을 형식화할 수 있다는 점입니다. 다시 말해, 최상이 무엇인지 정의하면 선택한 함수를 최적화하기 위해 이 진화적 접근법을 사용할 수 있습니다.

이 알고리즘을 먼저 소개하겠습니다. 이것은 Particle Swarm Optimization (PSO) 알고리즘입니다. 알아요, 이건 정말 큰 도약이죠. "최적화"가 무엇인가요? 왜 갑자기 수학 얘기를 하고 있죠? 무엇을 최적화하고 있는 거죠? 이 글을 통해 이 모든 단계에 대해 다루고, 더 중요한 것은 Python을 사용하여 우리만의 ParticleSwarmOptimizer() 클래스를 만들기 위해 객체 기반 프로그래밍을 사용할 거에요. 다시 말해, 이론부터 실제까지 PSO 세계를 다룰 거에요.

시작해 봅시다! 🐦🐦🐦

# 0. "최적화" 소개하기

<div class="content-ad"></div>

"만약 'Particle Swarm Optimization'에 대해 읽고 있다면 이미 '최적화'에 대해 조금 알고 있을 가능성이 높고 'particle swarm'에 대해 잘 모를 것이라고 생각하기 때문에 이에 대해 너무 많은 시간을 들이지 않고 독자들을 지루하게 만들고 싶지 않아요.

그러나 문제에 대해 약간의 형식화를 제시하고 싶어해요. 앞서 말한 대로 수학적으로, '떼에게 최선의 일은 무엇인가요?'

수학적으로 말하자면, '떼의 새들' (또는 'particles')은 K-차원 공간에 있는 점들입니다. 실제 공간이라면, 'domain'이 우리가 사는 3D 공간이 될 수 있지만 그것보다 훨씬 큰 경우도 있습니다. 사실, 이 방법은 '새' 예시를 잊고 우리는 주어진 함수의 최솟값이나 최댓값을 찾기 위해 이 방법을 일반적으로 사용할 수 있다는 점을 고려할 때 흥미로워집니다.

예를 들어, 집값이 알고리즘에 의해 자동 생성된다고 가정해봅시다 (사람이 개입하지 않는 것은 매우 위험하지만 어쨌든):"

<div class="content-ad"></div>


![이미지](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_0.png)

이제 이건 그다지 의미가 없어보입니다, 맞죠? "집" 아이콘이 무엇인가요? 우리는 기능 목록을 가질 것입니다. 예를 들어 위치, 크기 등...

![이미지](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_1.png)

이제 이야기가 맞죠. 집은 기능 공간으로 변환되었습니다. 그래서 각 집은 k 차원 점입니다. 기능 공간을 집 가격으로 변환하는 "흑색 상자" 함수입니다:


<div class="content-ad"></div>

아래가 게임의 본질이에요:

이게 우리의 최적화 문제야.

<div class="content-ad"></div>

PSO의 최종 목표는 x_min의 좌표를 찾는 것입니다. 이를 어떻게 다루는지 살펴봅시다.

# 1. 입자군 최적화(Particle Swarm Optimization) 소개

자, 그럼 이 아이디어는 무엇일까요? 말했듯이, 이 아이디어는 서로 정보를 교환하여 전역 최솟값을 찾기 위해 협력하는 입자군을 만든다는 것입니다. 만일 원하신다면, 이는 “Stranger Things”와 같은 TV 프로그램에서 발생하는 일과 매우 유사합니다. 거기에 이겨야 할 적이 있고 모든 캐릭터가 서로 협력하여 가능한 모든 방법을 사용해 대화하는 것과 유사합니다.

좀 더 기술적으로, 우리는 num_particles(입자 수)개의 입자로 시작합니다. 이들 입자는 무작위 위치를 가지며, 각 위치마다 비용 함수 L이 그 값을 갖게 됩니다. 예를 들어, 입자 1은 위치 x_1과 비용 L(x_1)을 갖게 됩니다. 이것이 반복 0이며, 이 첫 번째 반복 이후에 시스템을 구축했습니다. 이제 시스템이 발전해야 합니다. 어떻게 이를 할까요? "속도"라고 불리는 양을 통해 이를 수행합니다. 특정 입자 x에 대해, 각 차원 (i) 및 각 반복 (j)에 대해 다음을 갖습니다:

<div class="content-ad"></div>

아래는 더 우아한 벡터 형태입니다:

![image1](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_5.png)

이제 v를 어떻게 정의해야 할까요? 여기서 이 방법의 아름다움이 드러납니다. 벡터 v는 기본적으로 세 가지 구성요소가 있습니다:

<div class="content-ad"></div>


![Image](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_6.png)

Let’s explore them:

- v_intertial is basically the memory of the previous velocity. The term comes from physics where the inertial system is a system of reference where a body will remain at rest or move at a constant velocity.

![Image](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_7.png)


<div class="content-ad"></div>

where k_intertial is a constant.

- v_cognitive is the velocity that is suggested by the own particle (that is in some way cognitive). It suggests that we should move in the direction where we know we have our best for that particle. We also add a little bit of randomness r_1 (random number):

![image](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_8.png)

k_cognitive is again a constant. x_best is the best (lowest cost function) for the x particle.

<div class="content-ad"></div>

- v_social은 모든 다른 입자로부터 정보를 수집합니다. 우리는 모든 입자에게 가장 좋은 방향으로 이동합니다.

![image](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_9.png)

k_social은 상수이며, r_2는 무작위 값이며, x_'global best'는 모든 입자에 대한 최상의(최소 비용 함수)입니다.

지금, 내 생각에는, 매우 우아하다고 생각합니다. 여기서 끝내겠습니다:

<div class="content-ad"></div>

- 특정 개수의 무작위 입자(즉, 무작위 위치의 입자)를 선택하여 시작합니다.
- 속도 매개변수에 기반하여 이러한 입자들을 이동시킵니다.
- 이러한 속도는 세 가지 요소에 의해 결정됩니다: 관성은 이전 속도를 유지하며, 인지 속도는 입자에게 가장 적합한 방향으로 계속 이동하게 하고, 사회적 속도는 전체 입자 그룹이 제안하는 방향으로 계속 이동하게 합니다.
- 우리는 각 반복마다 이러한 입자의 위치를 변경하며, num_iteration에 도달할 때까지 반복합니다. 그런 다음 최적의 옵션을 선택합니다.

오늘은 여기까지! 이제 파이썬 코드를 실행해 보겠습니다 :)


# 2. PSO 구현

우리는 PSO를 구축하기 위해 두 개의 클래스를 사용할 것입니다. 첫 번째 클래스는 단일 입자 클래스이며, 두 번째 클래스는 단일 입자 클래스를 빌더로 이용하여 우리의 떼를 구축합니다.


<div class="content-ad"></div>

우선 구축하고 싶은 첫 번째 항목은 constants.py 파일입니다. 이 파일은 입자의 경계, 반복 횟수, 그리고 모든 k 값 등의 기본 정보를 모두 보관합니다. 이 정보를 어떻게 바꿔야 하느냐고요? .json 파일을 만들어서 "config/pso_config.json"이라는 이름으로 넣으면 됩니다. 파일이 없으면 제가 제공하는 스크립트에 의해 파일이 생성됩니다.

이제 우리의 코드에서 말한 모든 것은 제가 particle_swarm_optimizer.py 라는 .py 파일 안에 있습니다.

간단히 설명해 드리겠습니다:

- Particle()은 단일 입자를 구축합니다. 무작위 위치로 시작하고, 그런 다음 위에서 말한대로 속도와 위치를 업데이트하기 위해 update_velocity() 및 update_position() 기능을 가지고 있습니다 (내가 거짓말을 하는 게 아니라는 것을 확인할 수 있습니다).
- ParticleSwarmOptimizer()는 두 가지 객체를 사용합니다: Particle() 클래스는 클래스를 구축하기 위해 사용됩니다 (입자의 기능을 추가하거나 업데이트 기능을 수정하여 알고리즘을 더 복잡하게 만들 수 있습니다). objective_function은 최소화하고자 하는 블랙 박스 함수입니다.

<div class="content-ad"></div>

이제 쇼의 주인공은 물론 ParticleSwarmOptimizer()입니다. optimize()를 사용하여 최적화 프로세스를 실행할 것입니다. 결과를 출력할지 (반복별로)와 솔루션 배열을 출력할지 선택할 수 있습니다 (다시 말해, 반복별로). plot_pso_convergence()는 플로팅 단계에서 도움이 될 것입니다. animated=True로 설정하면 수렴 .GIF를 얻게 되며, 이는 전역 최솟값이 반복별로 이동하는 것을 볼 수 있음을 의미합니다 (정말 멋진 것이에요, 곧 보게 될 겁니다).

# 3. 실습 예제

이전에 모든 작업을 처리했으니 이제 매우 적은 라인으로 모든 것을 실행할 수 있게 되었습니다. 매우 간단한 이차 함수를 선택한다면:

<div class="content-ad"></div>

이것이 저희가 생성한 .GIF입니다:

![GIF Image](https://miro.medium.com/v2/resize:fit:1280/1*vRDzLHvCH9Jflqx_rBqnpQ.gif)

이제 PSO는 다음과 같은 꽤 복잡한 목적 함수들에서도 아주 잘 작동합니다:

![PSO with Python](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_11.png)

<div class="content-ad"></div>

위의 코드를 실행하면 다음과 같은 결과가 나옵니다:

이것이 .GIF입니다:

![이미지](https://miro.medium.com/v2/resize:fit:1280/1*Pe9F-Sz04Mv-jJwbuoMWng.gif)

따라서 우리의 작은 PSO는 분명히 하나의 명백한 최솟값이 있는 경우에만 그 최솟값에 다다르는 것이 아니라, 더 복잡하고 여러 지역 최솟값이 있는 경우에도 글로벌(분석적으로 확인할 수는 없지만) 최솟값에 다다를 수 있음을 확인할 수 있습니다.

<div class="content-ad"></div>

# 4. 결론

이 최적화 프로세스에서 저와 시간을 보내 주셔서 정말 감사합니다. Towards Data Science 블로그 게시물의 매개변수를 생각하면 여러분의 지식을 최대한 확장했기를 바랍니다. 🙂

본문에서는 다음과 같은 내용을 다뤘습니다:

- 여러 입자들의 정보를 동시에 분석하여 문제에 대한 작업하는 아이디어를 설명했습니다.
- "최적화" 작업을 집 값 최소화의 매우 단순한 사례로 설명했습니다.
- 일반적인 용어로 Particle Swarm Optimization (PSO)에 대해 이야기하고 흥미로운 아이디어에 대해 이야기했습니다.
- 연립 방정식의 세계로 들어가 알고리즘이 초기에 무작위 상태로 num_particles 입자를 진화시켜 전역 최솟값의 가장 적합한 추정치에 도달하는 방법을 보았습니다.
- 객체지향 프로그래밍을 사용하여 PSO를 처음부터 구현했습니다.
- 매우 간단한 2차 함수 문제와 훨씬 더 복잡한 다중 극소 문제에서 테스트를 실시했습니다. 두 경우 모두 매우 유망한 결과를 얻었습니다!

<div class="content-ad"></div>

# 5. 나에 대해!

다시 한번 시간 내주셔서 감사합니다. 정말 감사해요 ❤

제 이름은 Piero Paialunga이고, 이 사람이에요:

![Image](/assets/img/2024-09-10-FromTheorytoPracticewithParticleSwarmOptimizationUsingPython_12.png)

<div class="content-ad"></div>

이미지는 저자가 제작했습니다.

안녕하세요! 저는 시칸나티 대학 항공우주공학부의 박사 후보이자 Gen Nine의 머신 러닝 엔지니어입니다. 블로그 글과 Linkedin에서 AI 및 머신 러닝에 대해 이야기합니다. 만약 이 기사를 좋아하셨고 머신 러닝에 대해 더 알고 싶으시다면:

A. 링크드인에서 저를 팔로우해주세요. 제 이야기들을 모두 게시하고 있습니다.
B. 뉴스레터를 구독해주세요. 새로운 이야기에 대한 업데이트를 제공하며, 궁금한 사항이나 수정 사항이 있을 때 텍스트로 보내주실 수 있습니다.
C. 추천 멤버가 되어 "월별 최대 이야기 수" 제한 없이 읽을 수 있습니다. 그리고 수천 명의 다른 머신 러닝 및 데이터 과학 최고 작가가 제공하는 최신 기술에 대해 읽을 수 있습니다.
D. 저와 함께 일하고 싶으신가요? Upwork에서 요금 및 프로젝트를 확인해주세요!

질문이 있거나 협업을 시작하고 싶으시면 이곳이나 링크드인에 메시지를 남겨주세요:

<div class="content-ad"></div>

# piero.paialunga@hotmail.com

Timeseries

Neural Networks

파이썬으로 살펴보는 입자 떼 최적화 이론에서 실전까지




![GenAIwithPythonCodingAgents_0](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_0.png)

![GenAIwithPythonCodingAgents_1](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_1.png)

(Unless otherwise noted, all images are by the author)

## 소개


<div class="content-ad"></div>

생성적 AI에서 에이전트는 순차적 추론을 처리하도록 설계된 AI 시스템으로, LLM(언어 모델)의 일반적인 지식 베이스만으로는 충분하지 않을 때 외부 도구(예: 데이터베이스 쿼리, 웹 검색)를 실행할 수 있는 옵션을 갖추고 있습니다. 간단히 말하면, 일반 AI 챗봇은 질문에 대답할 방법을 모를 때 무작위 텍스트를 생성합니다. 그에 반해, 에이전트는 도구를 활성화하여 빈 부분을 채우고 구체적인 응답을 제공합니다.

보다 구체적으로, AI 에이전트는 자율적인 의사 결정과 특정 목표를 달성하기 위한 행동을 취할 수 있는 능력을 갖추고 있습니다. 그들의 환경 내에서 특정 작업을 수행하고 상호 작용할 수 있는 점에서 LLM과 구별됩니다. LLM은 자연어 이해 및 생성에 뛰어나며 텍스트 기반 응답 이외의 작업을 자율적으로 실행하지는 않습니다. 반면 AI 에이전트는 더 높은 독립성을 갖추어 적응하고 학습하며 작동할 수 있어, 텍스트 처리를 넘어 동적 응용 프로그램에 적합합니다.

에이전트는 LLM이 복잡한 작업을 관리 가능한 단계로 분해하고 추론 프로세스를 반복하며 자기 반성에 기반한 조치를 취하는 ReAct Prompting 기법을 사용하여 생성됩니다. 요약하면, 이 모델은 목표를 달성하기 위해 자체 할 일 목록을 작성하고 업데이트합니다.

에이전트는 다양한 작업을 수행할 수 있는 프로그램이라는 점에서, 인간을 대체할 수 있는 프로그램을 처음으로 갖게 된 AI 혁명이 될 것이라고 믿습니다. 무엇이든 도구가 될 수 있으므로(코딩할 수 있다면) 에이전트의 능력은 무한하고 "파괴적"일 것입니다.

<div class="content-ad"></div>

이번 튜토리얼에서는 다양한 유형의 코드를 생성하고 실행할 수 있는 에이전트를 만들 것입니다. 다른 유사한 경우에 쉽게 적용할 수 있는 유용한 Python 코드 몇 가지를 소개하고, 모든 코드 라인에 설명이 달린 코드로 모든 예제를 복제할 수 있도록 안내할 것입니다 (전체 코드 링크는 아래에 있습니다).

특히 다음 내용을 다룰 것입니다:

- 설정: LangChain, Ollama, CrewAI, SQLite
- SQL: 데이터베이스 쿼리를 수행할 수 있는 에이전트 만들기
- Python: Python으로 데이터 분석을 수행할 수 있는 에이전트 만들기
- HTML: HTML 및 JavaScript를 작성할 수 있는 에이전트 만들기
- 머신 러닝: 머신 러닝 에이전트 만들기

## 설정

<div class="content-ad"></div>

코딩 AI는 타이타닉 데이터 세트(MIT 라이선스)로 시작해야 합니다. 우리 모두가 그랬던 것처럼요!

```js
import pandas as pd

dtf = pd.read_csv("data_titanic.csv")
dtf.head(3)
```

<img src="/assets/img/2024-09-10-GenAIwithPythonCodingAgents_2.png" />

간단한 질문을 하겠습니다: "몇 명이 사망했나요?". 하나의 코드 줄로 사람이 그것에 대답할 수 있어요.

<div class="content-ad"></div>

```js
len(dtf[dtf["Survived"]==0]) 
#> 549
```

우리를 대체할 예정인 AI는 어떠세요? LLM에게 물어보죠. LangChain (가장 많이 사용되는 LLM 프레임워크)과 Ollama(이 기사를 참고하여 설정할 수 있습니다)을 사용하여 로컬에서 언어 모델을 실행할 거에요. 작은 모델 (예: Phi)은 코드 구문과 구조를 이해하지 못하기 때문에 Llama가 필요하다는 점을 기억해 주세요.

![이미지](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_3.png)

LLM을 호출해 보도록 하죠:

<div class="content-ad"></div>


```js
from langchain_community.llms import Ollama #0.2.12

llm = Ollama(model="llama3.1")
res = llm.invoke(input=['''
Do you know the Titanic dataset? 
If yes, tell me how many people died.
'''
]).split("\n")[0]
print(res)
```

![GenAIwithPythonCodingAgents_4](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_4.png)

As expected, the LLM doesn’t know as this information isn’t part of its knowledge base. Therefore, I will give the model the possibility to query the database and have a look at the data.

First of all, I’m going to generate a simple relational database on my machine with SQLite ...


<div class="content-ad"></div>

```js
import sqlite3

dtf.to_sql(index=False, name="titanic", 
           con=sqlite3.connect("database.db"), 
           if_exists="replace")
```

그리고 LangChain으로 Python 객체를 만들어 보세요.

```js
from langchain_community.utilities.sql_database import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///database.db")
```

에이전트와 도구를 코딩하려면, 여러 에이전트를 하나의 "크루"로 협업할 수 있도록 특별히 설계된 CrewAI 라이브러리를 활용하겠습니다.

<div class="content-ad"></div>

```js
from crewai_tools import tool #0.8.3
import crewai #0.51.1
```

## SQL Agent

만약 우리의 에이전트가 데이터베이스를 쿼리해야 한다면, 데이터베이스에 연결할 도구가 있어야 합니다. LangChain은 이미 미리 정의된 함수를 만들 도구를 제공해줍니다. 단지 CrewAI의 "@tool" 데코레이터 아래에 넣어주면 됩니다:

```js
## DB Connection
from langchain_community.tools.sql_database.tool import ListSQLDatabaseTool, InfoSQLDatabaseTool, QuerySQLDataBaseTool

@tool("tool_tables")
def tool_tables() -> str:
    """데이터베이스의 모든 테이블을 가져옵니다"""
    return ListSQLDatabaseTool(db=db).invoke("")

@tool("tool_schema")
def tool_schema(tables: str) -> str:
    """테이블 스키마를 가져옵니다. 예시 입력: table1, table2, table3"""
    tool = InfoSQLDatabaseTool(db=db)
    return tool.invoke(tables)

@tool("tool_query")
def tool_query(sql: str) -> str:
    """SQL 쿼리를 실행합니다"""
    return QuerySQLDataBaseTool(db=db).invoke(sql)

print("--- 테이블 가져오기 ---")
print( tool_tables.run() )

print("\n--- 스키마 가져오기 ---")
print( tool_schema.run( tables=tool_tables.run() ) )

print("\n--- SQL 쿼리 ---")
print( tool_query.run(f"SELECT * FROM {tool_tables.run()} LIMIT 3") )
```

<div class="content-ad"></div>


![SQL Reviewer](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_5.png)

**다음 도구에서는 LLM이 SQL 코드를 검토하고 필요한 경우 수정합니다.**

```python
## LLM Checking SQL
from langchain_community.tools.sql_database.tool import QuerySQLCheckerTool

@tool("tool_check")
def tool_check(sql: str) -> str:
    """
    쿼리를 실행하기 전에 항상 SQL 쿼리를 검토하고 필요한 경우 코드를 수정하십시오.
    """
    return QuerySQLCheckerTool(db=db, llm=llm).invoke({"query":sql})

tool_check.run(f"SELECT * FROM {tool_tables.run()} LIMIT 3 +db+") #<--에러가 있는 SQL
```

이제 DB 도구가 준비되었으므로 CrewAI와 함께 에이전트를 생성할 수 있습니다. 에이전트 객체는 목표(작업에 대한 간단한 설명)와 백그라운드(작업에 대한 자세한 설명)을 정의하여 프롬프트 엔지니어링이 필요합니다. 그런 다음 Task 객체를 작성할 때 다시 한 번 목표를 지정하십시오. 'input'과 같이 전달해야 할 어떤 입력이든 참조할 수 있다는 점을 참고하십시오.


<div class="content-ad"></div>

```js
prompt = '''SQL 쿼리를 사용하여 {user_input}에 대한 데이터를 추출합니다.'''

## Agent
agent_sql = crewai.Agent(
    role="데이터베이스 엔지니어",
    goal=prompt,
    backstory='''
        효율적인 SQL 쿼리를 작성하고 최적화하는 경험이 풍부한 데이터베이스 엔지니어입니다.
        `tool_tables`을 사용하여 테이블을 찾습니다.
        `tool_schema`를 사용하여 테이블의 메타데이터를 가져옵니다.
        실행하기 전에 쿼리를 검토하려면 `tool_check`를 사용하십시오.
        SQL 쿼리를 실행하려면 `tool_query`를 사용하십시오.
     ''',
    tools=[tool_tables, tool_schema, tool_query, tool_check], 
    max_iter=10,
    llm=llm,
    allow_delegation=False, verbose=True)

## Task
task_sql = crewai.Task(
    description=prompt,
    agent=agent_sql,
    expected_output='''쿼리의 결과물'')
```

단일 에이전트 크루 객체를 실행하여 테스트할 수 있습니다.

```js
crew = crewai.Crew(agents=[agent_sql], tasks=[task_sql], verbose=False)
res = crew.kickoff(inputs={"user_input": "몇 명이 사망했나요?"})
```

<img src="/assets/img/2024-09-10-GenAIwithPythonCodingAgents_6.png" />

<div class="content-ad"></div>

에이전트는 데이터베이스를 탐색하기 위해 도구를 사용하고, 그런 다음 우리 질문에 대한 답변을 얻기 위해 쿼리를 실행합니다.

![이미지](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_7.png)

## Python 에이전트

LLMs는 코드와 자연어 텍스트의 대규모 말뭉치에 노출되면서 프로그래밍 언어의 패턴, 구문 및 의미론을 학습하여 코딩하는 방법을 알게됩니다. 이 모델은 시퀀스에서 다음 토큰을 예측함으로써 코드의 다른 부분 간의 관계를 학습합니다.

<div class="content-ad"></div>

간단히 말하면, LLMs는 Python 코드를 생성할 수 있지만 실행할 수는 없습니다. 대신 에이전트가 실행할 수 있습니다. 코드를 실행하는 도구는 "위험하다"로 간주되며 LangChain의 "실험" 섹션에서 찾을 수 있습니다.

```js
from langchain_experimental.utilities import PythonREPL
from langchain_core.tools import Tool

tool_pycode = Tool(name="tool_pycode",
    description='''
    파이썬 쉘입니다. 이를 사용하여 Python 명령을 실행합니다.
    입력은 유효한 파이썬 명령어여야 합니다.
    값의 출력을 보려면 `print(...)`로 출력해야 합니다.
    ''',
    func=PythonREPL().run)

print( tool_pycode.run("import numpy as np; print(np.sum([1,2]))") ) 
#> 3
```

거기에 더해, SQL과 마찬가지로 코드를 검증할 도구를 추가할 것입니다.

```js
@tool("tool_eval")
def tool_eval(code: str) -> str:
    """
    Python 코드를 실행하기 전에 항상 이 도구를 사용하여 코드를 평가하고 필요하다면 코드를 수정하세요.
    예: `import numpy as np print(np.sum([1,2]))`은 오류를 발생시킬 것이므로,
    `import numpy as np; print(np.sum([1,2]))`로 변경해야 합니다.
    """
    res = llm.invoke(input=[f'''다음 파이썬 코드를 검토하고 오류가 있으면 수정하세요.
    올바른 코드만 반환해야 합니다: {code}''']).split("\n")[0]
    return res

print( tool_eval.run("importt numpy as np") ) #<--오류가 있는 Python
#> `import numpy as np
```

<div class="content-ad"></div>

LLM의 지식 베이스는 이미 코드를 읽고 이해하는 데 충분히 좋습니다. 따라서 쉬운 작업(예: 소규모 데이터 세트)의 경우에는 실행하지 않고도 코드의 출력을 추측할 수 있습니다.

```js
prompt = '''데이터 엔지니어로부터 데이터를 받아와 파이썬을 사용하여 분석하여 {user_input}에 대한 답변을 준비합니다.'''
    
## 에이전트
에이전트_py = crewai.Agent(
    역할="데이터 분석가",
    목표=prompt,
    스토리='''
        당신은 파이썬을 사용하여 데이터 세트를 분석하는 경험이 풍부한 데이터 분석가입니다.
        세부 사항에 주의를 기울이며 항상 매우 명확하고 자세한 결과물을 제공합니다.
        먼저 데이터를 분석하기 위해 필요한 파이썬 코드를 생성합니다.
        그런 다음 `tool_eval`을 사용하여 코드를 확인합니다.
        마지막으로 `tool_pycode`를 사용하여 코드를 실행하고 출력을 반환합니다.
     ''',
    도구=[tool_eval, tool_pycode],
    최대_iter=10,
    llm=llm,
    위임_허용=False, 상세_출력=True)

## 작업
작업_py = crewai.Task(
    설명=prompt,
    에이전트=에이전트_py,
    컨텍스트=[작업_sql],
    예상_출력='''파이썬 코드의 출력''')

```

에이전트를 한꺼번에 Crew에서 실행하려면, 이전 에이전트의 출력을 다음 작업의 컨텍스트로 사용하는 것이 좋은 실천 방법입니다 (작업 객체 내에서).

```js
크루 = crewai.Crew(에이전트=[에이전트_py], 작업=[작업_py], 상세_출력=False)
결과 = 크루.출발({입력: "이 데이터 세트에서 몇 명이 사망했습니까? {dtf.to_string()}"})
```

<div class="content-ad"></div>


![이미지](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_8.png)

## HTML Agent

모든 프로그래밍 언어 중에서도 LLM은 외부 도구 없이도 HTML을 이해하는 데 매우 효과적입니다. 제가 JavaScript도 추가해보려고 합니다.

```js
prompt = ''' 데이터 분석가의 작업을 기반으로 한 실행 요약 보고서를 작성하여 {user_input}에 대한 답변 '''

## 에이전트
에이전트_html = crewai.Agent(
    역할="웹 개발자",
    목표=prompt,
    과거이야기='''
        HTML 및 CSS를 사용하여 아름다운 보고서를 작성하는 경험이 있는 웹 개발자입니다.
        항상 가장 중요한 세부 사항을 포함하는 요약 텍스트를 글머리 기호로 작성합니다.
        마지막에 JavaScript로 상호 작용 버튼을 추가하여 사용자가 보고서를 승인할 수 있게 하고,
        사용자가 버튼을 클릭하면 팝업 텍스트를 표시합니다.
     ''',
    max_iter=10,
    llm=llm,
    대리 위임 허용=False, 자세히=True)

## 작업
작업_html = crewai.Task(
    설명=prompt,
    에이전트=에이전트_html,
    컨텍스트=[task_py],
    기대되는 출력='''HTML 코드''')
```

<div class="content-ad"></div>

이전 에이전트의 출력을 입력으로 사용하여 테스트할 수 있습니다.

```js
crew = crewai.Crew(agents=[agent_html], tasks=[task_html], verbose=False)
res = crew.kickoff(inputs={"user_input":
'''
Number of people who died: 549
'''})
```

<img src="/assets/img/2024-09-10-GenAIwithPythonCodingAgents_9.png" />

이 출력은 순수한 HTML 코드이며, 끝에 팝업을 만드는 JS 스크립트가 포함되어 있습니다. 에디터로 복사하여 붙여넣으면 결과를 확인할 수 있습니다.

<div class="content-ad"></div>

<img src="https://miro.medium.com/v2/resize:fit:1400/1*CXq_1xB43NM8mIpSRBl6kQ.gif" />

마침내, 여러분은 모든 에이전트를 한데 모아 시퀀셜하게 실행하여 다중 에이전트 크루에서 실행할 수 있습니다:

```js
crew = crewai.Crew(agents=[agent_sql, agent_py, agent_html], 
                   tasks=[task_sql, task_py, task_html], 
                   process=crewai.Process.sequential,
                   verbose=True)

res = crew.kickoff(inputs={"user_input":"how many people died?"})
```

## 머신 러닝 에이전트

<div class="content-ad"></div>

에이전트가 기계 학습 모델을 훈련할 수 있을까요? 답은 꽤 까다롭습니다. 에이전트가 코드를 완벽하게 작성하고 실행하더라도 현재로서는 모델 객체를 반환할 수 없습니다.

LangChain 에이전트를 사용하여이 실험을 수행할 것입니다. 이 에이전트는 Pandas 데이터프레임을 읽을 수 있습니다.

```js
from langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agent

에이전트 = create_pandas_dataframe_agent(llm=llm, df=dtf, verbose=True, allow_dangerous_code=True)
에이전트.invoke('''
        파이썬과 scikit-learn을 사용하여 기계 학습을 수행하는 숙련된 데이터 과학자입니다.
        데이터프레임을 가져와 훈련 세트와 테스트 세트로 분할합니다.
        그런 다음 간단한 분류를 훈련하여 `Survived` 열을 예측합니다.
        모델 예측을 평가하기 위해 점수를 사용해 보세요.''')
```

![그림](/assets/img/2024-09-10-GenAIwithPythonCodingAgents_10.png)

<div class="content-ad"></div>

사실, 에이전트가 코드를 생성하고 회귀 모델을 훈련하며 좋은 정확도 점수를 얻었습니다. 그러나 현재 모델 객체를 얻는 유일한 방법은 해당 코드를 복사하여 다른 곳에서 실행하는 것뿐입니다.

## 결론

본 문서는 코드를 생성하고 실행할 수 있는 에이전트를 구축하는 방법을 보여주기 위한 튜토리얼이었습니다. LLMs, LangChain, 그리고 CrewAI를 사용하여 SQL로 데이터베이스를 쿼리하고 Python으로 데이터를 분석하며 HTML과 JavaScript로 보고서를 작성할 수 있는 AI 팀을 만들었습니다. 뿐만 아니라, LangChain에서 미리 구축된 에이전트를 사용하고 이를 통해 기계 학습 모델을 훈련시켰습니다.

마지막으로, 타이타닉 데이터셋이 작고 간단하다는 것을 언급해야 합니다. LLMs와 에이전트는 상당한 잠재력을 가지고 있지만 실제 데이터셋을 처리할 때 주목할만한 한계점이 있습니다. 데이터는 구조가 없는 경우가 많고 소음과 결측 정보가 있을 수 있습니다. 따라서 현재로서는 에이전트가 아직 사람을 대체할 수 없지만, LLMs가 더 똑똑해질수록 에이전트의 능력이 더욱 강력해질 것이라고 생각하기에 시간 문제일 뿐입니다.

<div class="content-ad"></div>

즐거운 시간 되셨으면 좋겣아요! 궁금한 사항이나 피드백이 있으시면 언제든지 연락 주세요. 또는 귀하의 흥미로운 프로젝트를 공유해 주셔도 좋아요.

파이썬으로 만나는 인공지능 코딩 에이전트



## 더 나은 Python 코드를 작성하기 위한 여정!!

![이미지](/assets/img/2024-09-10-25AmazingPythonTricksThatWillInstantlyImproveYourCode_0.png)

저는 Python을 거의 5년간 사용해왔고, 여전히 새로운 방법을 발견해서 코드를 개선하는 것이 저를 흥분하게 만듭니다. 지난 1년 동안 제가 코딩 방법을 개선하고 생산성 및 효율성을 크게 향상시킬 수 있는 기술과 요령을 발견하는 데 집중해왔습니다. 이 블로그에서는 코드의 품질을 즉시 향상시키는 데 큰 영향을 미친 일부 Python 요령을 공유하겠습니다.

## 1. x.append 대신 시간을 낭비하지 마세요. x.extend는 리스트를 확장하는 훨씬 빠르고 깔끔한 방법을 제공합니다.

<div class="content-ad"></div>

여러 항목을 목록에 추가할 때 각 요소마다 반복적으로 append()를 사용하는 대신 한꺼번에 전체 iterable을 효율적으로 추가하기 위해 extend() 메서드를 선택하세요.  

```js
## 나쁨 
data = [1,2,3]
data.append(4)
data.append(5)
data.append(6)

## 좋음
data = [1,2,3]
data.extend((4,5,6))
```

## 2. suppress()를 사용하여 에러 처리 단순화하기

때로는 예외를 처리하고 무시하고 싶을 때가 있습니다. 이때 try/except 블록을 사용하여 except 블록에서 한 번에 처리할 수 있지만, contextlib에서 제공하는 suppress() 메서드를 사용하는 간단하고 간결한 방법이 있습니다.

<div class="content-ad"></div>

```js
## 나쁜 방법
try: 
 f() 
except FileNotFoundError: 
 pass

## 좋은 방법
with suppress(FileNotFoundError): 
 f()
```

## 3. 왜 더 많은 타이핑을 해야 하나요? print()로 간단하게 출력할 수 있어요.

```js
## 나쁜 방법
print("")

## 좋은 방법
print()
```

## 4. 파일 쓰기 효율 향상: 여러 개의 .write() 호출 대신 .writelines() 사용하기

<div class="content-ad"></div>

```js
## 나쁜 방법
lines = ["라인 1", "라인 2", "라인 3"] 
with open("file", "w") as f: 
    for line in lines: 
        f.write(line + "\n")

## 좋은 방법 
lines = ["라인 ", "라인 2", "라인 3"]
with open("file") as f: 
 f.writelines(lines)
```

## 5. 여러 옵션 중에 값 비교를 할 때, 여러 개의 `or` 대신 `in`을 사용하세요

```js
## 나쁜 방법
if x == "abc" or x == "mno" or x == "xyz": 
 pass

## 좋은 방법
if x in ("abc", "mno", "xyz"): 
 pass
```

## 6. 한 줄로 쓴 것이 지나치게 길 경우


<div class="content-ad"></div>

한 줄짜리 코드는 논리적인 기술을 많이 나타내며 좋습니다. 하지만 소스 코드에서 한 줄짜리 코드가 과도하면 혼란을 야기하고 가독성을 줄일 수 있습니다.

```js
## 나쁜 예
names = sorted([emp['name'] for emp in employees if emp['salary'] > 50000], \
                   key=lambda name: next(emp['salary'] \
                   for emp in employees if emp['name'] == name
                  ))

## 좋은 예
# 단계 1: 급여가 50,000 이상인 직원 필터링
filtered_employees = [emp for emp in employees if emp['salary'] > 50000]

# 단계 2: 필터된 직원들을 급여순으로 정렬
sorted_employees = sorted(filtered_employees, key=lambda emp: emp['salary'])

# 단계 3: 정렬된 직원들의 이름 추출
names = [emp['name'] for emp in sorted_employees]
```

## 7. 슬롯을 사용하여 메모리 사용량 줄이기

```js
## 나쁜 예
class Point:
    def __init__(self, x, y):
        self.x = x
        self.y = y

# 더 나은 방법
class Point:
    __slots__ = ['x', 'y']
    
    def __init__(self, x, y):
        self.x = x
        self.y = y
```

<div class="content-ad"></div>

## 8. os.walk을 사용하여 디렉터리 탐색을 간단히하세요

os.walk은 Python의 os 모듈에서 제공하는 유용한 함수입니다. 이 함수를 사용하면 주어진 루트 디렉터리에서 시작하여 디렉터리 트리를 탐색할 수 있습니다. 이 함수는 방문한 각 디렉터리에 대한 튜플을 생성하는 제너레이터를 반환합니다. 이 튜플에는 디렉터리 경로, 하위 디렉터리 목록 및 해당 디렉터리에 포함된 파일 목록이 포함됩니다.

위 예제를 사용하여 os.walk를 이용해 Duck1.png 파일에 액세스해보겠습니다.

```python
## Nahhh
import os
root_dir = '/path/to/root/directory'

## Yup!!!!!!!!
for dirpath, _, filenames in os.walk(root_dir):
    if 'Duck1.png' in filenames:
        file_path = os.path.join(dirpath, 'Duck1.png')
        print("Using os.walk:", file_path)
        break
```

<div class="content-ad"></div>

os.walk은 큰 디렉토리 구조 안의 파일에 쉽게 접근할 수 있는 편리한 방법입니다. 이를 사용하면 코드의 가독성이 높아지고 더 간결하고 명확해집니다. 웹 스크레이퍼, ML 엔지니어 및 Django 개발자에게 유용한 도구입니다.

## 9. ExitStack를 사용하여 여러 컨텍스트를 원활하게 관리하세요

중첩된 with 문을 사용하여 유지보수가 어려워지고 읽기가 어려운 "파라다임의 피라미드"를 만드는 대신, 동적으로 컨텍스트 매니저를 관리하기 위해 Contextlib.ExitStack()을 사용해보는 것이 좋습니다.

```js
## 나쁜 예시
def process_files(file1, file2, file3):
    with open(file1, 'r') as f1:
        with open(file2, 'r') as f2:
            with open(file3, 'r') as f3:
                # 파일 처리
                pass

## 훨씬 나은 예시
from contextlib import ExitStack

def process_files(file1, file2, file3):
    with ExitStack() as stack:
        f1 = stack.enter_context(open(file1, 'r'))
        f2 = stack.enter_context(open(file2, 'r'))
        f3 = stack.enter_context(open(file3, 'r'))
        # 파일 처리
```

<div class="content-ad"></div>

## 10. 서로 다른 네이밍 규칙을 섞지 마세요

함수에는 카멜 케이스를 사용하고 변수에는 파스칼 케이스를 사용하는 등 서로 다른 네이밍 규칙을 혼합하는 것은 일관성을 무너뜨리고 코드를 읽기 어렵게 만듭니다. 일관된 네이밍 규칙을 유지하는 것은 가독성과 유지보수성을 향상시키는 데 필수적입니다.

![이미지](https://miro.medium.com/v2/resize:fit:464/0*DykGa9Q969r8BUI6.gif)

가장 많이 사용되고 널리 받아들여진 네이밍 규칙 중 하나는 스네이크 케이스입니다. 여기서 식별자는 단어 사이에 밑줄을 사용하여 모두 소문자로 작성됩니다.

<div class="content-ad"></div>

```js
## 😣
def myFunction(num):
  MyVar = num/3.5
  return MyVar

## 🤠
def my_function(num):
  my_var = num/3.5
  return my_var
```

## 11. Missing Keys ?? defaultdict got you!!

```js
## Kinda Bad
from collections import defaultdict

word_count = {}
text = "the quick brown fox jumps over the lazy dog"
for word in text.split():
    if word not in word_count:
        word_count[word] = 0
    word_count[word] += 1

## Much Better
from collections import defaultdict

word_count = defaultdict(int)
text = "the quick brown fox jumps over the lazy dog"
for word in text.split():
      word_count[word] += 1
```

<img src="https://miro.medium.com/v2/resize:fit:598/0*hWMXgZDNREeqMB3j.gif" />

<div class="content-ad"></div>

## 12. 긴 함수를 더 작고 관리하기 쉬운 함수로 분리하세요

긴 함수는 코드를 읽고 이해하기 어렵게 할 뿐만 아니라 디버깅과 유지보수를 복잡하게 만듭니다. 함수가 지나치게 길어지면 그 목적, 로직 및 흐름을 파악하기 어려워져 코드 가독성이 떨어지게 됩니다.

```js
def process_data(data):
    # ... 많은 코드 ...
    # ... 더 많은 코드 ...
    # ... 더더 많은 코드 ...
    # ... 그리고 더 ...
    # ... 그리고도 계속 ...
    # ... 마침내, 끝 ...
    pass
```

더 나은 코딩 관행은 복잡한 로직을 작고 더 관리하기 쉬운 함수로 분해하는 것입니다. 작은 함수에서 문제를 식별하고 해결하는 것이 큰 함수보다 더 쉽습니다.

<div class="content-ad"></div>

작은 기능들은 디버깅, 코드 가독성, 유지 관리 및 코드 재사용성을 크게 향상시킵니다. 전반적으로 코드 품질을 향상시킵니다.

```js
def process_data(data):
    # ... 일부 코드 ...
    remove_email()
    remove_html_tags()
    remove_phone_numbers()
    remove_special_chars()

def remove_email():
  # ... 일부 코드...
  # fun3() 호출

def remove_html_tags():
  # ... 일부 코드...

def remove_phone_numbers():
  # ... 일부 코드...

def remove_special_chars():
  # ... 일부 코드..
```

## 13. 문자열 조작을 버리세요. 파일 확장자 변경에는 .with_suffix() 사용

파일의 확장자를 변경하는 일은 빈번하게 발생합니다. 이미 Path 객체가 있는 경우, 이를 문자열로 변환한 다음 slice하고 새로운 확장자를 추가할 필요가 없습니다. 대신, 원활한 작업을 위해 with_suffix() 함수를 사용해 볼 수 있습니다.

<div class="content-ad"></div>

```js
## 나쁜 예
new_filepath = str(Path("file.txt"))[:4] + ".md"

## 좋은 예
new_filepath = Path("file.txt").with_suffix(".md")
```

## 14. 컨테이너가 비어있는지 여부를 판별하기 위해 부울 체크를 사용할 수 있습니다.

```js
## 나쁜 예
items = []
if len(items) == 0:
    print("리스트에 아이템이 없습니다.")

## 좋은 예
items = []
if not items:
    print("리스트에 아이템이 없습니다.")
```

## 15. 인라인 if 문을 단일 또는 표현식으로 간단하게 만들기

<div class="content-ad"></div>


# 나쁨
z = x if x else y


## 좋음
z = x or y


## 16. 사전에서 빠르고 쉬운 키 확인

사전에 키가 있는지만 확인하려면 .keys()를 호출할 필요가 없습니다. 사전 자체에 in을 사용하면 됩니다.


## 나쁨
d = {"key": "value"} if "key" in d.keys():

## 좋음
d = {"key": "value"} if "key" in d:


<div class="content-ad"></div>

## 17. 쓸모없는 반환 값의 함정 피하기

함수에서 의미 있는 반환 값을 사용하지 않으면 코드의 이해도가 떨어질 수 있습니다. 호출될 때 코드의 다른 부분에서 활용할 수 있는 유용한 정보를 제공하는 반환 값을 갖는 함수를 설계하는 것이 중요합니다.

```js
## 조금 나쁜 예
def calculate_sum_of_n_numbers(numbers):
    total = sum(numbers)
    print("합계:", total)

numbers_list = [11, 45, 32, 49, 56]
calculate_sum_of_n_numbers(numbers_list)
```

위의 예시에서 calculate_sum_of_n_numbers() 함수는 리스트의 합계를 계산하지만 반환하지 않고 데이터를 출력합니다. print 대신에 값을 반환하여 더 나은 코드 흐름을 만드는 것이 좋습니다.

<div class="content-ad"></div>

```js
## 좋은 코드
def calculate_sum_of_n_numbers(numbers):
    total = sum(numbers)
    return total

numbers_list = [1, 2, 3, 4, 5]
result = calculate_sum_of_n_numbers(numbers_list)
print("합계:", result)
```

## 18. 비교 체인을 사용하여 동등성 확인 간소화하기

여러 객체가 서로 동일한지 확인할 때는 and 표현식을 사용하지 말고 대신 비교 체인을 사용하세요. 예를 들어 다음과 같습니다.

```js
## 안 좋은 코드
if x == y and x == z: 
 pass

## 좋은 코드
if x == y == z: 
 pass
```

<div class="content-ad"></div>

## 19. 코드 최적화 팁: 람다 대신 연산자 활용하기

내장 연산자를 감싸는 람다/함수를 작성하지 말고, 대신 operatormodule을 사용하세요.

```js
## 부적절한 예
from functools import reduce 
nums = [1, 2, 3] 
print(reduce(lambda x, y: x + y, nums)) # 6


## 더 나은 예
from functools import reduce 
from operator import add 
nums = [1, 2, 3] 
print(reduce(add, nums)) # 6
```

## 20. 문자열에서 탭을 다루는 더 좋은 방법

<div class="content-ad"></div>

"\\t"을 " " * 8으로 바꾸는 대신에 expandtabs() 메소드를 사용할 수 있습니다. 이 방법이 더 간결하고 명확합니다. 또한, 선택적으로 탭 너비를 지정할 수 있는 매개변수를 허용합니다.

```js
## 나쁜 예시
spaces_8 = "hello\\tworld".replace("\\t", " " * 8) 
spaces_4 = "hello\\tworld".replace("\\t", " ")

## 좋은 예시
spaces_8 = "hello\\tworld".expandtabs() 
spaces_4 = "hello\\tworld".expandtabs(4)
```

![이미지](https://miro.medium.com/v2/resize:fit:598/0*lQWvKwZTQ-NEKyBa.gif)

## 21. 코드에 민감한 정보 하드코딩 피하기

<div class="content-ad"></div>

민감한 정보를 하드코딩하는 것은 비밀번호, 보안 코드 또는 API 키와 같은 정보를 잠재적인 공격자에게 노출시켜 중대한 보안 위험을 초래할 수 있습니다. 이러한 실천은 데이터 유출이나 계정 침해로 이어질 수 있습니다.

```js
password = "iLOVEcats356@33"
```

민감한 정보를 저장할 때 환경 변수나 구성 파일과 같은 대안적인 방법을 사용하는 것이 좋습니다. 환경 변수는 데이터를 코드베이스 외부에 안전하게 유지하는 안전한 방법을 제공하며, 구성 파일은 암호화되거나 코드베이스와 분리된 안전한 위치에 저장될 수 있습니다.

## 22. 파일에 쓰기 위해 항상 open이 필요한 것은 아닙니다

<div class="content-ad"></div>

간단히 파일에 내용을 저장해야 할 때는 with 블록을 사용하는 것보다 pathlib의 write_text() 함수를 사용하는 것이 더 나을 수 있습니다.

```js
## 나쁜 예
content = "안녕, 세상!"
with open("example.txt", "w") as file:
    file.write(content)

## 좋은 예
from pathlib import Path
content = "안녕, 세상!"
Path("example.txt").write_text(content)
```

## 23. except 블록을 비워두지 마세요

```js
## 나쁜 예
try:
    file = open("data.txt", "r")
    # 파일 작업 수행
except:
    # 에러 처리
    pass

## 좋은 예
try:
    file = open("data.txt", "r")
    # 파일 작업 수행
    # ...
    file.close()
except FileNotFoundError:
    print("파일을 찾을 수 없습니다!")
except IOError as e:
    print("파일 처리 중 오류가 발생했습니다:", str(e))
```

<div class="content-ad"></div>

## 24. 딕셔너리 값에 더 나은 액세스 방법: get() 메서드 시도하기

딕셔너리의 값을 액세스할 때, get() 메서드를 사용하는 것이 일반적인 인덱싱보다 더 안전하고 간결할 수 있습니다. get() 메서드를 사용하면 키가 발견되지 않을 경우 기본값을 제공할 수 있어서 잠재적인 KeyError 예외를 피할 수 있습니다.

```js
## 권장 X
data = {"name": "Alice", "age": 30}

# 일반적인 인덱싱, 키가 없을 경우 KeyError 발생 가능
name = data["name"]
city = data["city"] if "city" in data else "Unknown"

## 권장
data = {"name": "Alice", "age": 30}

# 기본값과 함께 get() 메서드 사용하여 안전하게 딕셔너리 값에 액세스
name = data.get("name", "Unknown")
city = data.get("city", "Unknown")
```

## 25. 조건문을 더 나은 방법으로 작성하기 위해 Match 및 Case 활용하기

<div class="content-ad"></div>


## 나쁜 방법
def describe_type(obj):
    if isinstance(obj, str):
        return "문자열입니다"
    elif isinstance(obj, int):
        return "정수입니다"
    elif isinstance(obj, list):
        return "리스트입니다"
    else:
        return "다른 것입니다"

## 괜찮은 방법
def describe_type(obj):
    match obj:
        case str():
            return "문자열입니다"
        case int():
            return "정수입니다"
        case list():
            return "리스트입니다"
        case _:
            return "다른 것입니다"


여기까지 읽어주셔서 감사합니다. 내 콘텐츠를 좋아하시고 지원하고 싶다면 —

- 박수👋와 생각💬을 남겨주세요.
- 저를 Medium에서 팔로우해주세요.
- LinkedIn에서 저와 연결해주세요.
- 제 메일 목록에 가입하여 제 다음 기사를 놓치지 마세요.
- 비슷한 이야기를 더 읽으려면 Pythoneers Publication을 팔로우해주세요.

<img src="https://miro.medium.com/v2/resize:fit:996/0*6nbkLdnB_zc3wWXQ.gif" />


파이썬 초보라면 알아둬야할 25가지  트릭

데이터 사이언티스트라면 알아둬야할 파이썬 함수들



<img src="/assets/img/2024-09-10-FromPrescriptiontoVoiceAPythonSolutiontoHelpServiceElderlyandVisuallyImpairedPatients_0.png" />

보통 상황에서 처방 약물 봉투의 라벨을 읽는 것은 어려운 작업이 아니어야 합니다. 대부분 중요한 지시사항인 용량은 보통 다른 것보다 더 크게 인쇄되어 있습니다.

그러나 시각적으로 장애가 있는 또는 노인 환자와 같은 비정상적인 상황을 고려해 보십시오. 그러한 환자는 도움 없이 자신의 처방전 라벨을 읽을 수 없습니다.

당신은 약국에서 데이터 과학자 또는 Python 개발자로써, 이 문제를 해결하는 데 도움을 줄 수 있습니다. 환자의 처방전 라벨에 맞춰 적응 가능한 프로그램을 작성함으로써 이 프로그램은 라벨을 읽고 음성으로 변환할 것입니다.

<div class="content-ad"></div>

이 기사에서는 먼저 이미지를 컴퓨터 비전을 사용하여 정리한 다음, Tesseract-OCR (Optical Character Recognition) 및 정규 표현식(REGEX)을 적용하여 관련 텍스트를 추출하고, Google의 텍스트 음성 변환(Text-To-Speech)을 사용하여 텍스트를 음성으로 변환하는 방법을 안내하겠습니다. 이 음성은 MP3 파일로 저장될 것입니다.

이 튜토리얼은 다음과 같이 구성되어 있으며 쉽게 이해할 수 있도록 다음과 같은 부분으로 나뉘어 집니다:

- Google Cloud API의 자격 증명 획득
- 폴더 구조
- 필수 라이브러리 설치
- 도우미 함수 정의
- 도우미 함수를 추출기 코드로 통합
- Fast API와 Uvicorn을 사용하여 코드를 위한 서버 작성
- Postman을 사용하여 애플리케이션 테스트

작성할 코드는 다양한 건강 기관에서 얻은 다른 종류의 처방 레이블에 적응할 수 있어야 함을 유의해 주세요. 예를 들어 특정 약국을 위해 이 코드를 작성 중이라면 동일한 형식의 레이블만 다루게 될 것입니다. 저는 주변 약국에서 받는 레이블을 선택했습니다.

<div class="content-ad"></div>

아래는 여기에서 사용할 예시 레이블입니다:


<img src="/assets/img/2024-09-10-FromPrescriptiontoVoiceAPythonSolutiontoHelpServiceElderlyandVisuallyImpairedPatients_1.png" />


그리고 저는 VS Code를 코드 편집기로 사용하고 있습니다.

# 1. Google Cloud API를 위한 자격 증명 획득하기

<div class="content-ad"></div>

Google Cloud의 Text-To-Speech는 사용자가 선택한 언어, 음성, 음조 또는 기타 사용자 정의 옵션에 따라 텍스트를 자연스러운 음성으로 변환하는 데 심층 학습 모델을 사용합니다. Google은 이 API를 공개로 제공하고 있습니다. 이를 이용하려면 Google Cloud 플랫폼의 API 자격 증명을 JSON 형식으로 얻기 위해 다음 단계를 따르세요.

- 이 링크를 사용하여 Google Cloud 콘솔로 이동합니다.
- 왼쪽 상단의 네비게이션 메뉴(햄버거 아이콘)를 열고 'IAM 및 관리자'를 선택하고 '서비스 계정'을 클릭합니다.
- 서비스 계정을 생성합니다. 서비스 계정에 이름과 설명을 지정한 후 생성합니다.
- 이로써 서비스 계정 목록으로 돌아갑니다. 새로 생성된 서비스 계정으로 이동하여 '작업' 아래의 3개 점을 클릭하고 '키 관리'를 클릭합니다.
- '키 추가'를 클릭하여 새 키를 생성하고, 키 유형으로 JSON을 선택한 후 생성합니다.
- 이렇게 하면 자격 증명 JSON 파일이 컴퓨터로 다운로드됩니다. 본문에서는 작업 디렉토리에 gcp_credentials.json으로 저장했습니다.

# 2. 폴더 구조

프로젝트 종료 시, 폴더 구조는 아래와 같이 보일 것입니다. 현재는 이야기에서 필요한 항목이 나올 때마다 처리하므로 디테일에 신경 쓸 필요는 없습니다.

<div class="content-ad"></div>

```js
프로젝트-폴더/
├── .venv/
    ├── xxxxx
    ├── xxxx
├── resources/
    ├── IMG-20231203-WA0010.jpg
├── src/
    ├── outils.py
    ├── parser_prescription.py
    ├── exception.py
    ├── extractor.py
    ├── loggings
        ├── __init__.py
├── logs/
        ├── running_logs.log
├── uploads/
    ├── 8a542768-2cfa-4291-a16f-9688ab4a4e22.jpg
    ├── xxx
├── main.py
├── gcp_credentials.json
├── output.mp3
└── requirements.txt
```

# 3. 환경 설정 및 라이브러리 설치

코드 편집기의 터미널에서 아래 라인을 사용해 Python 환경을 생성하고 활성화하세요:

```js
python -m venv .venv

.venv\Scripts\activate
```

<div class="content-ad"></div>

다음으로, 다음 라이브러리들을 입력할 requirements.txt라는 텍스트 파일을 생성한 후, 터미널(명령 프롬프트)로 돌아가 다음 명령을 실행하여 가상 환경에 라이브러리들을 설치해주세요.


pytesseract==0.3.10
opencv_python==4.7.0.68
Pillow[all]
fastapi==0.103.2
google-cloud-texttospeech[all]
uvicorn



python -m pip install -r requirements.txt


이 라이브러리들이 어떻게 사용될지는 다음과 같습니다:

<div class="content-ad"></div>

팔로우 - 처방전 레이블 이미지 파일을 열고 저장하는 데 사용됩니다.

OpenCV - 이미지를 처리하는 컴퓨터 비전 작업에 사용됩니다.

Pytesseract - 레이블 이미지에서 텍스트를 추출하기 위해 광학 문자 인식을 사용하는 Python 라이브러리입니다.

Fast API는 이 백엔드 프로젝트를 위한 웹 개발 프레임워크로 사용됩니다.

<div class="content-ad"></div>

Google-cloud-texttospeech - 텍스트를 음성으로 변환하는 데 사용됩니다.

Uvicorn은 Fast API 응용 프로그램을 실행하는 데 사용할 서버입니다.

# 4. 도우미 함수 정의

## Outils

<div class="content-ad"></div>

src 폴더 안에 outils.py라는 Python 파일을 만들어주세요. 이곳에서는 이후에 사용될 두 개의 함수를 정의할 것입니다.

먼저, 이미지를 더 잘 볼 수 있도록 전처리하는 함수를 정의합니다. 우리의 처방전 레이블은 .jpg 파일 형식으로 이 시스템에서 사용될 것입니다. 이미지 품질은 획득 방법에 따라 좋지 않을 수 있습니다. 여기서는 컴퓨터 비전의 적응 임계값 처리를 적용하여 그레이스케일 부분을 바이너리로 변환할 것입니다.

이러한 처리 후, 위의 예제 레이블 이미지는 다음과 같이 보일 것입니다:

![레이블 이미지](/assets/img/2024-09-10-FromPrescriptiontoVoiceAPythonSolutiontoHelpServiceElderlyandVisuallyImpairedPatients_2.png)

<div class="content-ad"></div>

두 번째 기능은 텍스트를 음성으로 변환하는 text2speech 기능입니다. 이 기능은 메시지 텍스트를 입력으로 받아 Google의 텍스트 음성 시스템을 적용하여 자연스러운 음성을 합성합니다. 이 음성은 MP3 형식의 출력 파일로 현재 디렉토리에 저장됩니다.

```js
# 아래 코드를 outils.py에 입력하세요

import cv2
import numpy as np
import os
import google.cloud
from google.cloud import texttospeech

os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "gcp_credentials.json"

def preprocess_image(img):
    # 이미지 전처리 함수
    gray = cv2.cvtColor(np.array(img), cv2.COLOR_BGR2GRAY)
    resized = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_LINEAR) 
    processed_img = cv2.adaptiveThreshold(resized, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 61, 11)
    return processed_img

def text2speech(message_text):
    # 텍스트를 음성으로 변환
    client = texttospeech.TextToSpeechClient()                                        
    synthesis_input = texttospeech.SynthesisInput(text=message_text)                  
    voice = texttospeech.VoiceSelectionParams(language_code='en-US',                                       
                                        name='en-US-wavenet-C',
                                        ssml_gender=texttospeech.SsmlVoiceGender.FEMALE)
    audio_config = texttospeech.AudioConfig(audio_encoding=texttospeech.AudioEncoding.MP3)  
    
    response = client.synthesize_speech(input=synthesis_input, voice=voice, audio_config=audio_config)
    
    with open('output.mp3', 'wb') as out:                                                  
        out.write(response.audio_content)
    print('음성 콘텐츠가 "output.mp3" 출력 파일에 작성되었습니다.')
```

## 처방전 파싱기

src 폴더에 parser_prescription.py라는 파이썬 파일을 만들어 PrescriptionParser()라는 클래스를 포함해야 합니다. 이 클래스에는 2가지 함수가 있습니다:

<div class="content-ad"></div>

get_field() 함수를 정의하며, 처방전 라벨 텍스트에서 정규 표현식을 사용하여 4가지 필드를 추출합니다. 이 필드에는 처방 이름, 용량, 재입고 횟수 및 처방의 만료 날짜가 포함됩니다.

이러한 필드는 parse() 함수에 입력되어 완전한 텍스트 메시지를 가져오고, 이 메시지에는 앞서 정의된 outils 모듈의 text2speech() 함수가 호출됩니다.

```js
# 파서_처방전.py 파일에 아래 코드를 입력하세요

import re
import src.outils

class PrescriptionParser():
    def __init__(self, text):
        self.text = text
    
    # 음성으로 변환    
    def parse(self):
        prescription_name = self.get_field('prescription_name')
        dosage = (self.get_field('dosage').replace("GIVE", "TAKE")).lower().replace('\n\n', '')
        refills = self.get_field('refills')
        expirydate = self.get_field('expirydate')
        
        message_text = f'안녕하세요, {prescription_name} 의약품 처방에 대해, {dosage}입니다. {refills}번 재입고 가능하며, 만료일은 {expirydate} 이전까지입니다.'
        
        speech = src.outil.text2speech(message_text)
        
        return speech
                       
    # 필드 가져오기
    def get_field(self, field_name):
        pattern = ''
        flags = 0
        
        pattern_dict = {
            'prescription_name' : {'pattern': '(.*)Drug', 'flags' : 0},
            'dosage' : {'pattern': 'Netcare[^\n]*(.*)All', 'flags' : re.DOTALL},
            'refills' : {'pattern': 'Refilis:(.*)', 'flags' : 0},
            'expirydate' : {'pattern': 'Refills.Expire:(.*)', 'flags' : 0}
        }
        
        pattern_object = pattern_dict.get(field_name)
        if pattern_object:
            matches = re.findall(pattern_object['pattern'], self.text, flags=pattern_object['flags'])
            if len(matches) > 0:
                return matches[0].strip()
```

# 5. 통합 추출 함수 정의

<div class="content-ad"></div>

다음으로, 동일한 src 폴더에 extractor.py 파일을 작성합니다. 해당 파일에서는 outils 모듈의 preprocess_image() 함수를 사용하여 라벨 이미지 파일 경로를 입력으로 하는 extract() 함수를 정의합니다. 그 후 Pytesseract를 사용해 이미지를 텍스트로 변환합니다.

그 텍스트는 이전의 PrescriptionParser 클래스의 parse() 메서드로 전달되어 라벨을 읽는 음성이 .mp3 파일로 출력됩니다.

Pytesseract를 사용하려면 이 링크에서 Tesseract-OCR 실행 파일을 다운로드하고 설치해야 합니다. 반드시 Tesseract 설치 디렉토리가 시스템 환경 변수 경로에 추가되어 있는지 확인하세요. 그렇지 않으면 아래의 코드와 같이 경로를 코드에 포함시켜야 합니다.

```js
# extractor.py에 아래 코드를 입력하세요

from PIL import Image
import pytesseract
import src.outils

from src.loggings import logger
from src.parser_prescription import PrescriptionParser

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def extract(file_path):
    # 이미지에서 텍스트 추출
    if file_path.endswith('.jpg'):
        img = Image.open(file_path)
        processed_image = src.outil.preprocess_image(img)
        text = pytesseract.image_to_string(processed_image, lang='eng')

        logger.info("텍스트 메시지 생성 완료")

        # 텍스트에서 필드 추출하여 음성 변환
        output_voice = PrescriptionParser(text).parse()

        logger.info("음성 메시지 생성 및 파일로 저장 완료")

    else:
        raise Exception(f"올바르지 않은 파일 형식")

    return output_voice
```

<div class="content-ad"></div>

저희 코드에 소개할 가치가 있는 새로운 기능이 도입되었습니다.

## 로깅

추출기.py에 로깅이 통합되어 응용프로그램이 실행되는 동안 'logs'라는 폴더에서 이벤트를 추적합니다.

그래서 우리는 'logging'이라는 폴더를 만들어서, 여러 모듈에서 반복되는 로깅 설정을 피하기 위해 __init__.py 파일에 로깅 코드를 중앙 집중화했습니다.

<div class="content-ad"></div>

```js
# loggings 디렉토리의 __init__.py 파일에 이 코드를 입력하세요

import os
import sys
import logging

logging_str = "[%(asctime)s]: %(levelname)s: %(module)s: %(message)s]"
log_dir = "logs"
log_filepath = os.path.join(log_dir, "running_logs.log")
os.makedirs(log_dir, exist_ok=True)

logging.basicConfig(
    level=logging.INFO,
    format=logging_str,
    handlers=[
        logging.FileHandler(log_filepath),
        logging.StreamHandler(sys.stdout)
    ]
)

logger = logging.getLogger("labelreaderLogger")
```

# 6. Fast API 서버 작성하기

이제 작업 디렉토리에 'uploads'라는 임시 폴더를 만드세요.

현재 프로젝트에서 이미지 파일을 전달해야 하므로 브라우저에서는 어려울 수 있습니다. 이에 대한 테스트 툴로 Postman을 사용할 것입니다. Postman이 없는 경우 Google에서 다운로드할 수 있습니다.


<div class="content-ad"></div>

이제 Uvicorn을 사용하여 로컬 서버에서 실행되도록 Fast API 애플리케이션을 설계해 보겠습니다:

```python
# main.py 파일에 다음 내용을 입력하세요

from src.loggings import logger
from fastapi import FastAPI, Form, UploadFile, File
import uvicorn
from src.extractor import extract
import uuid
import os
import sys
from src.exception import CustomException
from PIL import Image

app = FastAPI()

@app.post("/speech_from_doc")
def speech_from_doc(file: UploadFile):     

    contents = file.file.read()

    file_path = "uploads/" + str(uuid.uuid4()) + ".jpg"

    with open(file_path, "wb") as f:
        f.write(contents)

    try:
        data = extract(file_path)
    except Exception as e:
        raise CustomException(e, sys)

    if os.path.exists(file_path):
        os.remove(file_path)

    logger.info("음성 메시지가 생성되어 파일에 저장됨")

    return data

if __name__ == "__main__":
    uvicorn.run(app, host="127.0.0.1", port=8000)
```

위 코드는 전체 실행을 다룹니다. 이는 Postman에서 파일을 업로드하고, 임시 위치인 uploads 폴더에 저장하며, 이를 기반으로 텍스트를 추출하기 위해 이전 섹션에서 정의된 사용자 정의 extract() 함수를 처리하고, API 응답으로 음성 메시지를 출력하며, 그 후 임시 파일을 uploads 폴더에서 삭제하는 정리 작업을 수행합니다.

코드에 새로운 기능이 소개되었음을 알아채셨을 것입니다. 이는 언급할 가치가 있는 부분입니다.

<div class="content-ad"></div>

## 사용자 정의 예외

일반적인 예외가 아닌 특정 오류를 잡기 위해 오류 클래스를 만들 수 있도록 포함했습니다.

'exceptions.py' 파일에 다음 코드를 작성하세요:

```js
# exceptions.py에 다음을 입력하세요

import sys

def error_message_detail(error, error_detail: sys):
    _, _, exc_tb = error_detail.exc_info()   # error_detail.exc_info()는 3가지 출력이 있지만, 오류의 세부 정보를 포함하는 3번째 출력만 필요합니다
    file_name = exc_tb.tb_frame.f_code.co_filename  # exc_tb에서 파일 이름을 가져옵니다
    error_message = "파이썬 스크립트 이름 [{0}]의 {1}번 라인에서 오류가 발생했습니다. 오류 메시지: {2}".format(
        file_name, exc_tb.tb_lineno, str(error)
    )
    return error_message

class CustomException(Exception):
    def __init__(self, error_message, error_detail: sys):
        super().__init__(error_message)
        self.error_message = error_message_detail(error_message, error_detail=error_detail)

    def __str__(self):
        return self.error_message
```

<div class="content-ad"></div>

# 7. Postman을 사용한 테스트

코드 편집기의 터미널에서 main.py를 실행하세요. Uvicorn 서버 URL을 얻고, Postman에서 main.py 코드에 정의된 /speech-from-doc의 POST 엔드포인트에 연결해보세요. 아래 사진 참고해주세요.

Postman에서 prescription label 이미지를 'Body' 및 'form-data' 탭에 업로드한 후 'Send'를 클릭하세요. 아래 사진과 같이요: 

![Prescription to Voice Python Solution](/assets/img/2024-09-10-FromPrescriptiontoVoiceAPythonSolutiontoHelpServiceElderlyandVisuallyImpairedPatients_3.png)

<div class="content-ad"></div>

`<table>` 태그를 Markdown 형식으로 변환해주세요.

<div class="content-ad"></div>

OCR 및 컴퓨터 비전을 활용하면 처방전 라벨을 쉽게 접근 가능한 음성 메시지로 변환할 수 있습니다.

디지턷 솔루션을 도입하는 의료 분야에서, 이는 가장 필요한 사람들을 지원하는 의미 있는 방법입니다.

## 잊지 말고

만약 당신이 방금 읽은 내용을 좋아한다면, 제 '팔로우' 버튼을 눌러줄 수 있을까요? 저는 미디엄이나 링크드인에서요. 박수를 몇 번 치거나, 주목한 부분을 강조하거나, 그보다는 댓글을 달아주시겠어요? 이 중 한 가지든 혹은 모두를 해 주신다면 정말 감사하겠습니다.

Posts