14주차 · 통합 미니 프로젝트

14장. 통합 미니 프로젝트

학습 목표

W2–W13에서 배운 개념을 하나의 파이프라인으로 연결한다
NumPy로 센서 시뮬레이션 데이터를 생성하고 통계 처리한다
함수로 처리 단계를 분리하고 예외 처리로 불량 데이터를 걸러낸다
f-string 테이블과 요약 리포트를 출력한다
그래프 설계안(plot_spec)으로 시각화 명세를 완성한다
파이프라인 각 단계를 assert로 검증하는 습관을 기른다

프로젝트 개요: 센서 데이터 분석 파이프라인

시나리오: 건물 내부에 설치된 온도·습도 센서 5개가 1분 간격으로 24회 측정 데이터를 기록했습니다. 일부 센서는 불량 데이터(음수값, 극단값)를 포함할 수 있습니다. 이 데이터를 정제하고, 통계를 계산하고, 요약 리포트를 출력한 뒤 시각화 설계안을 작성합니다.

파이프라인 5단계:

단계	작업	핵심 개념
Step 1	데이터 생성	NumPy 배열, `np.random` (W11)
Step 2	처리 함수	필터링, 통계, 분류 함수 (W5, W9, W11)
Step 3	검증	예외 처리, 불량 데이터 감지 (W10)
Step 4	출력	f-string 테이블, 요약 리포트 (W5, W7)
Step 5	시각화 설계안	`plot_spec` 딕셔너리 (W12)

Step 1 · 데이터 생성

안내

NumPy의 np.random.default_rng로 재현 가능한 센서 데이터를 시뮬레이션합니다. 실제 센서처럼 기저 신호에 노이즈를 추가하고, 의도적으로 불량값(음수, 극단값)을 심어둡니다.

# 참고: 데이터 생성 패턴
import numpy as np

rng = np.random.default_rng(42)           # 재현 가능한 난수 생성기
n = 24                                     # 측정 횟수
base_temp = 22.0                           # 기저 온도 (°C)
temp = base_temp + rng.normal(scale=1.5, size=n)   # 노이즈 추가

불량 데이터 주입: 실제 센서 오류를 모사하려면 몇 개의 값을 의도적으로 음수나 극단값으로 바꿉니다.

temp[3] = -5.0    # 오류 데이터 (음수)
temp[17] = 80.0   # 오류 데이터 (극단값)

Step 2 · 처리 함수

안내

데이터를 처리하는 함수를 각 역할에 맞게 분리합니다. 함수를 나누면 테스트하기 쉽고 재사용이 가능합니다.

# 참고: 처리 함수 패턴
import numpy as np

def filter_valid(data, low, high):
    """유효 범위 [low, high] 안의 값만 남깁니다."""
    return data[(data >= low) & (data <= high)]

def compute_stats(data):
    """mean, std, min, max 를 딕셔너리로 반환합니다."""
    return {
        "mean": round(float(data.mean()), 2),
        "std":  round(float(data.std()),  2),
        "min":  round(float(data.min()),  2),
        "max":  round(float(data.max()),  2),
    }

def classify_temp(temp_c):
    """온도를 3단계로 분류합니다."""
    if temp_c < 18:
        return "cold"
    elif temp_c <= 26:
        return "normal"
    else:
        return "hot"

Step 3 · 검증

안내

불량 데이터를 거를 때는 예외 처리로 안전하게 처리합니다. try/except를 함수 안에 넣으면 호출자가 신경 쓰지 않아도 됩니다.

# 참고: 검증 패턴
def safe_mean(data):
    """데이터가 비어 있으면 None 을 반환합니다."""
    try:
        if len(data) == 0:
            raise ValueError("빈 배열입니다")
        return float(data.mean())
    except ValueError as e:
        print(f"경고: {e}")
        return None

Step 4 · 출력

안내

f-string으로 정렬된 테이블과 요약 리포트를 만듭니다. W5(f-string)와 W7(문자열)에서 배운 포맷 지정자를 활용합니다.

# 참고: 출력 패턴
stats = {"mean": 22.3, "std": 1.4, "min": 19.8, "max": 24.7}

print(f"{'항목':<8} {'값':>8}")
print("-" * 18)
for key, val in stats.items():
    print(f"{key:<8} {val:>8.2f}")

출력 예시:

항목          값
------------------
mean      22.30
std        1.40
min       19.80
max       24.70

Step 5 · 시각화 설계안

안내

W12에서 배운 plot_spec 딕셔너리로 시각화 명세를 완성합니다. 실제 그래프 렌더링은 로컬 Python에서 수행하고, 브라우저에서는 설계안 작성과 self-check를 연습합니다.

# 참고: 시각화 설계안 패턴
import numpy as np

t = list(range(24))   # 측정 인덱스 (0~23)

plot_spec = {
    "title": "Sensor Temperature over 24 Readings",
    "x_label": "Measurement Index (-)",
    "y_label": "Temperature (°C)",
    "chart_type": "line+markers",
    "x": t,
    "y": [],   # 처리된 데이터로 채움
}

# self-check
print("labels_ready:", all([plot_spec["title"], plot_spec["x_label"], plot_spec["y_label"]]))

파이프라인 최종 출력 예시

5단계까지 완성하면, 센서 데이터 분석 결과를 실제 그래프로 확인할 수 있습니다.

센서 데이터 분석 파이프라인 결과

차트를 불러오는 중...

안내 예제 · 전체 파이프라인 미리보기

안내 예제 · 5단계 파이프라인 미리보기 Runs in-browser with Pyodide

import numpy as np

# ===== Step 1: 데이터 생성 =====
rng = np.random.default_rng(42)
n = 24
raw_temp = 22.0 + rng.normal(scale=1.5, size=n)

# 불량 데이터 주입
raw_temp[3]  = -5.0   # 음수 오류
raw_temp[17] = 80.0   # 극단값 오류

print(f"원본 데이터 (n={n}):")
print("  처음 6개:", np.round(raw_temp[:6], 2))
print(f"  불량 포함: index 3={raw_temp[3]}, index 17={raw_temp[17]}")

# ===== Step 2: 처리 함수 =====
def filter_valid(data, low=0.0, high=50.0):
  return data[(data >= low) & (data <= high)]

def compute_stats(data):
  return {
      "mean": round(float(data.mean()), 2),
      "std":  round(float(data.std()),  2),
      "min":  round(float(data.min()),  2),
      "max":  round(float(data.max()),  2),
  }

def classify_temp(temp_c):
  if temp_c < 18:
      return "cold"
  elif temp_c <= 26:
      return "normal"
  else:
      return "hot"

# ===== Step 3: 검증 =====
def safe_mean(data):
  try:
      if len(data) == 0:
          raise ValueError("빈 배열입니다")
      return float(data.mean())
  except ValueError as e:
      print(f"경고: {e}")
      return None

clean_temp = filter_valid(raw_temp)
print(f"\n정제 후: {len(raw_temp)}개 → {len(clean_temp)}개 (제거: {len(raw_temp)-len(clean_temp)}개)")

# ===== Step 4: 출력 =====
stats = compute_stats(clean_temp)
print("\n요약 통계:")
print(f"  {'항목':<6} {'값':>7}")
print("  " + "-" * 14)
for k, v in stats.items():
  print(f"  {k:<6} {v:>7.2f}")

# 각 측정값 분류
labels = [classify_temp(v) for v in clean_temp]
label_counts = {}
for lb in labels:
  label_counts[lb] = label_counts.get(lb, 0) + 1
print("\n분류 결과:", label_counts)

m = safe_mean(clean_temp)
print(f"\n해석: 정제된 {len(clean_temp)}개 측정값의 평균 온도는 {m:.2f}°C이다.")

# ===== Step 5: 시각화 설계안 =====
plot_spec = {
  "title": "Sensor Temperature over 24 Readings",
  "x_label": "Measurement Index (-)",
  "y_label": "Temperature (°C)",
  "chart_type": "line+markers",
  "x": list(range(len(clean_temp))),
  "y": [round(float(v), 2) for v in clean_temp],
}
print("\n시각화 설계안 self-check:")
print("  labels_ready:", all([plot_spec["title"], plot_spec["x_label"], plot_spec["y_label"]]))
print("  same_length:", len(plot_spec["x"]) == len(plot_spec["y"]))
print("  point_count:", len(plot_spec["x"]))

실습 문제 · 파이프라인 단계별 직접 완성

[Step 1] 데이터 생성: NumPy로 센서 시뮬레이션 데이터를 만들고 기본 정보를 출력하세요.

실습 1 · 센서 데이터 생성 Runs in-browser with Pyodide

[Step 2] 처리 함수: 필터링·통계·분류 함수를 완성하고 실습 1의 데이터에 적용하세요.

실습 2 · 처리 함수 구현 Runs in-browser with Pyodide

[Step 3] 검증: safe_mean 함수를 완성하고 빈 배열과 정상 배열 두 가지 케이스를 테스트하세요.

실습 3 · 예외 처리 검증 Runs in-browser with Pyodide

[Step 4] 출력 포맷: 통계 딕셔너리를 f-string 테이블로 출력하고 분류 결과와 해석 문장을 완성하세요.

실습 4 · f-string 리포트 출력 Runs in-browser with Pyodide

[Step 5] 시각화 설계안: 처리된 데이터로 plot_spec을 완성하고 self-check를 수행하세요.

실습 5 · 시각화 설계안 완성 Runs in-browser with Pyodide

import numpy as np

# 실습 1~4 의 결과를 가정한 데이터
rng = np.random.default_rng(7)
raw_temp = 21.5 + rng.normal(scale=2.0, size=24)
raw_temp[5]  = -3.0
raw_temp[20] = 75.0
clean_temp = raw_temp[(raw_temp >= 0.0) & (raw_temp <= 50.0)]

# 힌트 1) plot_spec 에 title, x_label, y_label, chart_type, x, y 를 넣으세요.
# 힌트 2) x = list(range(len(clean_temp))) 으로 측정 인덱스를 만드세요.
# 힌트 3) y = [round(float(v), 2) for v in clean_temp] 로 변환하세요.
# 힌트 4) all([title, x_label, y_label]) 로 라벨을 한 번에 검증하세요.

plot_spec = {}

# TODO 1) plot_spec 을 완성하세요.
#         title: "Sensor Temperature (Cleaned)"
#         x_label: "Measurement Index (-)"
#         y_label: "Temperature (°C)"
#         chart_type: "line+markers"
#         x: 측정 인덱스 리스트
#         y: 정제된 온도 리스트
# TODO 2) self-check 출력을 완성하세요:
# print("labels_ready:", all([plot_spec["title"], plot_spec["x_label"], plot_spec["y_label"]]))
# print("same_length:", len(plot_spec["x"]) == len(plot_spec["y"]))
# print("point_count:", len(plot_spec["x"]))
# TODO 3) assert 로 x/y 길이가 같고 point_count == len(clean_temp) 임을 확인하세요.
# TODO 4) 해석: 그래프에서 기대되는 패턴을 한 문장으로 출력하세요.
#         예: print("해석: 대부분의 측정값이 18~26도 범위 안에 분포할 것으로 예상된다.")

누적 복습 체크리스트

이번 주 미니 프로젝트에서 사용한 개념을 확인해 보세요.

주차	핵심 개념	이번 프로젝트에서 쓴 곳
W2	변수·단위	`base_temp = 22.0` (°C), `threshold = 5.0` (V)
W4	반복문	`for v in clean_temp:`
W5	함수	`filter_valid`, `compute_stats`, `classify_temp`
W6	자료구조	`stats` dict, `label_counts` dict
W7	문자열 파싱	`split`, `strip`, 데이터 전처리
W9	리팩토링	함수 분해, `assert` 검증
W10	예외 처리	`safe_mean` 함수의 `try/except`, 검증
W11	NumPy	`np.array`, `rng.normal`, 불리언 인덱싱
W12	시각화	`plot_spec` 딕셔너리, self-check
W13	알고리즘	`label_counts` 카운팅, `classify_temp` 분류

주차별 학습 전체 주차 목록으로 돌아가기

Practice Console 학생용 빈 Python 콘솔에서 자유롭게 실습하기