JOO's story

PostgreSQL 시간 관련 함수들

주토마 — Fri, 11 Jul 2025 10:40:49 +0900

CURRENT_TIMESTAMP , LOCALTIMESTAMP , transaction_timestamp() , now()

transaction 시작된 시각을 반환
transaction 안에서 여러 번 호출해도 같은 값을 반환

statement_timestamp()

해당 함수가 포함된 SQL이 실행된 시각을 반환
같은 transaction 안이라도, 새로운 SQL 문이 실행될 때마다 값이 갱신

clock_timestamp()

진짜 현재 시각을 반환
같은 문 안에서도 호출 시마다 값이 달라진다.

샘플 쿼리

select 
    CURRENT_TIMESTAMP, 
    LOCALTIMESTAMP, 
    transaction_timestamp(), 
    statement_timestamp(), 
    clock_timestamp(),
    now()
;

참조

공식문서 | https://www.postgresql.org/docs/17/functions-datetime.html#FUNCTIONS-DATETIME-CURRENT

9.9. Date/Time Functions and Operators

9.9. Date/Time Functions and Operators # 9.9.1. EXTRACT, date_part 9.9.2. date_trunc 9.9.3. date_bin 9.9.4. AT TIME ZONE and AT LOCAL 9.9.5. …

www.postgresql.org

VSCODE Prettier 적용기

주토마 — Fri, 21 Feb 2025 12:58:47 +0900

1. VSCODE Extension 에서 Prettier - code formatter 설치

2. VSCODE 설정 에서 Format on Save 확인

ctrl + , : Settings 열기

3. VSCODE 설정 에서 Default Formatter 확인

AWS EC2 Free Tier 기반 부하 테스트

주토마 — Fri, 6 Dec 2024 11:45:47 +0900

토이 프로젝트를 진행하던 중 AWS의 EC2 Free Tier는 과연 어느정도 트래픽을 견딜 수 있을까? 라는 의문에서 시작해서 직접 부하 테스트를 진행하고 그 결과를 정리한 내용입니다.

프로젝트 개요

목표:
AWS EC2 Free Tier 인스턴스를 활용해 애플리케이션의 최대 안정적인 RPS(초당 처리할 수 있는 요청의 수)를 측정하고, 부하 분산 효과를 확인.
환경:
- Backend: Java17 + Springboot 3.4
- 인프라 구성: EC2 Free Tier 인스턴스 3개 + ALB
- 부하 테스트 도구: k6(javascript)
주요 작업:
- 부하 테스트를 통한 인스턴스 수에 따른 RPS 한계치 분석
- ALB를 통한 분산 처리 효과 확인
- 안정적인 RPS와 성능 개선 방안 도출

프로젝트 준비

Spring boot 애플리케이션 개발

평소 서버요청에 대한 응답처리에 걸리는 시간을 구현하기 위해 0~500ms 의 랜덤 지연시간을 생성하고, 해당시간동안 Sleep 이후 응답을 하도록 개발했다.

코드 저장소:
Github | https://github.com/dev-jhjoo/TrafficServer

인프라 구축

ALB를 통해 인터넷에서 들어오는 요청을 퍼블릭 서브넷 내의 EC2 인스턴스들로 분배합니다. EC2는 모두 Free Tier로 구성했으며, Spring boot 프로젝트를 Docker 이미지로 빌드 후 EC2에 실행하는 방법으로 구현.

간단히 구현한 트래픽 분산 인프라 구조(alb + ec2 free tier * 3)

부하 테스트 도구 선정

Javascript 코드 기반으로 부하 테스트 진행가능한 K6라는 오픈소스를 사용. K6의 경우 Go 언어로 개발된 부하 테스트 오픈소스로서, Grafana Labs에서 제공.

공식링크:
Web Page | https://k6.io/
코드저장소:
Github | https://github.com/dev-jhjoo/traffic-monitor

프로젝트 수행

인스턴스 증가에 따른 분산환경에서의 처리량 분석

테스트 환경:
{ duration: '1s', target: 1000 }, // 1초 동안 1000명의 사용자 { duration: '1m', target: 10000 }, // 1분 동안 10000명의 사용자

결과:지표 인스턴스 1개 인스턴스 2개 (ALB 사용) 인스턴스 3개 (ALB 사용) 분석 및 개선 점

총 요청 수	57,417 (631 RPS)	95,429 (1,048 RPS)	120,368 (1,322 RPS)	처리량이 인스턴스 수에 따라 선형적으로 증가.
응답 실패율	4.04% (2,321 실패)	6.65% (6,347 실패)	5.34% (6,428 실패)	3개 인스턴스에서 실패율 감소 (분산 효과).
평균 응답 시간	5.13초	1.16초	655ms	응답 시간이 크게 개선됨.
95% 응답 시간	8.81초	2.76초	1.52초	응답 시간 분포가 안정적으로 감소.
최대 응답 시간	15.57초	3.24초	1.86초	병목 구간(최대 응답 시간)도 줄어듦.
데이터 전송량	9MB 받음 / 5MB 보냄	17MB 받음 / 11MB 보냄	21MB 받음 / 15MB 보냄	요청 처리량 증가에 따라 데이터 전송량도 증가.
동시 사용자 (VUs)	최대 9,924	최대 9,906	최대 9,907	동시 사용자 수는 테스트 조건에서 동일.
네트워크 대기 시간	2.62ms (최대 3.02초)	20.81ms (최대 11.03초)	15.71ms (최대 7.13초)	네트워크 대기 시간이 3개 인스턴스에서 감소.

스파이크, 점진적, 지속적 부하에 따른 처리량 분석

테스트 환경:

{ duration: '10s', target: 1000 }, // 10초 동안 1,000명
{ duration: '30s', target: 5000 }, // 30초 동안 5,000명
{ duration: '10s', target: 0 },    // 10초 동안 사용자 수 감소

EC2 Free Tier 3대: 점진적 부하EC2 Free Tier 3대: 지속 부하

{ duration: '5m', target: 1000 }, // 5분 동안 1,000명 유지
{ duration: '10s', target: 100 }, // 10초 동안 100명 { duration: '20s', target: 500 }, // 20초 동안 500명 { duration: '30s', target: 1000 }, // 30초 동안 1,000명 { duration: '1m', target: 2000 }, // 1분 동안 2,000명 { duration: '1m', target: 3000 }, // 1분 동안 3,000명
EC2 Free Tier 3대: 스파이크 부하

결과:지표 스파이크 부하 테스트 점진적 부하 테스트 지속 부하 테스트 분석 및 결론

총 요청 수	53,504 (697 RPS)	161,358 (768 RPS)	100,320 (304 RPS)	요청 수와 RPS는 부하 패턴에 따라 다름.
응답 실패율	5.65% (3,024 실패)	1.54% (2,499 실패)	0.84% (850 실패)	지속 부하에서 실패율이 가장 낮음.
평균 응답 시간	249.17ms	257.89ms	260.05ms	모든 테스트에서 안정적으로 250ms 근처 유지.
95% 응답 시간	488.48ms	486.68ms	486.98ms	모든 테스트에서 95% 응답 시간 < 500ms.
최대 응답 시간	641.09ms	656.51ms	1.19s	최대 응답 시간은 지속 부하 테스트에서 가장 큼.
데이터 전송량	9.4MB 받음 / 6.4MB 보냄	30MB 받음 / 20MB 보냄	19MB 받음 / 13MB 보냄	점진적 부하 테스트에서 가장 많은 데이터 처리.
처리된 반복(iterations)	53,435	161,344	100,319	반복 횟수는 점진적 부하 테스트에서 가장 많음.
동시 사용자 (VUs)	최대 4,963	최대 2,997	최대 999	부하 패턴에 따라 동시 사용자가 달라짐.

프로젝트 결과

인스턴스 증가에 따른 분산환경에서의 처리 결과

처리량:
인스턴스 1개에서 2개로 증설됨에 따라 요청 처리량이 약 1.66배 증가 (631 RPS → 1,048 RPS). 인스턴스 2개에서 3개로 증설될때는 요청 처리량이 약 1.26배 증가 (1,048 RPS → 1,322 RPS). 이를 통해 인스턴스 수에 따라 처리량이 선형적으로 증가하며, 분산 처리의 효과를 확인할 수 있었다.
응답 시간:
평균 응답 시간이 인스턴스가 늘어남에 따라 5.13초, 1.16초, 655ms로 안정적으로 감소하는 모습을 확인했다. 클라이언트 요청에 대해 분산처리의 효과를 직접적으로 확인 했다.

스파이크, 점진적, 지속적 부하에 따른 처리 결과

테스트 유형 최대 RPS 평균 응답 시간 95% 응답 시간 실패율 최대 안정 RPS

스파이크 부하	697	249ms	488ms	5.65%	약 600 RPS
점진적 부하	768	257ms	486ms	1.54%	약 750 RPS
지속 부하	304	260ms	486ms	0.84%	약 300~350 RPS

스파이크 부하: 순간적인 트래픽 급증에 비교적 잘 대응했지만, 실패율이 높아졌다.
점진적 부하: 동시 사용자 수와 요청이 점진적으로 증가했을 때 서버가 안정적으로 대응했다. 또한 실패율이 1.54%로 애초 생각했던 1%에 약간 미달하는 성능을 보였다.
지속적 부하: 장시간 일정한 부하에 대해서 실패율이 가장 낮았지만, 안정적으로 처리가능한 RPS도 낮았다.
Free Tier 3개와 ALB로 구성된 환경에서 최대 안정 RPS: 600~750 RPS는 단기 부하에서 안정적으로 처리 가능하고, 300~350 RPS는 장기적인 안정성을 유지하며 처리 가능하다.

제언

이번 프로젝트를 통해 AWS EC2 Free Tier 인스턴스 3대와 ALB를 활용하여 분산처리에 다른 처리량 변화와 안정적인 RPS 수치를 확인했습니다. 이를 바탕으로 다음과 같이 제언합니다.

적정 RPS 활용 방안:

Free Tier 3대와 ALB 환경에서는 600~750 RPS가 단기 부하에서 안정적으로 처리 가능하며, 장기적인 안정성을 고려할 경우 300~350 RPS로 운영하는 것이 적합 합니다.
트래픽 패턴이 일정하거나 예상 가능하다면, Auto Scaling 대신 정적으로 3개 인스턴스를 유지하여 비용 효율적인 운영이 가능합니다.

향후 확장성 확보:

인프라 업그레이드: EC2 Free Tier에서 T3.medium 이상의 인스턴스로 업그레이드 시 처리량이 2배 이상 증가할 것으로 예상되며, 기회가 된다면 검증하는 프로젝트를 진행해 보고 싶습니다.
캐싱 및 비동기 처리: Redis와 같은 캐싱 솔루션 도입과 비동기 처리 방식을 적용하면 응답 시간을 더욱 줄일 수 있을 것으로 사료됩니다.

테스트 자동화와 지속적인 성능 평가:

k6 스크립트를 CI/CD 파이프라인에 통합하여 코드 변경 시마다 성능을 자동으로 검증하는 방식을 도입하는 방식도 고려해볼 수 있습니다.

ChatGPT로 Java 공부하기 #3 자바 컬렉션 프레임워크와 주요 클래스

주토마 — Tue, 19 Nov 2024 17:25:01 +0900

자바 컬렉션 프레임워크와 주요 클래스

1. 자바 컬렉션 프레임워크란?

정의

자바 컬렉션 프레임워크(Java Collections Framework, JCF)는 데이터를 효율적으로 저장하고 관리하기 위해 제공되는 클래스와 인터페이스의 집합입니다.

주요 특징

데이터 구조 구현: 리스트, 스택, 큐, 집합 등 다양한 자료구조 제공
표준화: 일관된 API를 제공
유연성: 다양한 데이터 타입과 크기를 동적으로 처리 가능
알고리즘 제공: 정렬, 검색, 순회 등 기본적인 알고리즘 내장

2. 주요 인터페이스와 클래스

2.1 주요 인터페이스

List: 순서가 있는 데이터의 집합 (중복 허용)
- 주요 구현 클래스: ArrayList, LinkedList
Set: 중복을 허용하지 않는 데이터의 집합
- 주요 구현 클래스: HashSet, TreeSet
Queue: FIFO(First In First Out) 구조의 데이터 집합
- 주요 구현 클래스: PriorityQueue, LinkedList
Map: 키-값 쌍으로 데이터를 저장 (키는 중복 불가)
- 주요 구현 클래스: HashMap, TreeMap

2.2 주요 클래스

2.2.1 ArrayList

배열 기반의 리스트로, 크기를 동적으로 조정 가능하며 순차적인 데이터 접근에 최적화되어 있습니다.

import java.util.ArrayList;

public class ArrayListExample {
    public static void main(String[] args) {
        ArrayList<String> names = new ArrayList<>();
        names.add("Alice");
        names.add("Bob");
        names.add("Charlie");

        // 데이터 출력
        for (String name : names) {
            System.out.println(name);
        }

        // 특정 인덱스의 데이터 접근
        System.out.println("첫 번째 이름: " + names.get(0));

        // 데이터 제거
        names.remove("Bob");
        System.out.println("Bob 제거 후: " + names);
    }
}

2.2.2 HashSet

중복을 허용하지 않으며 순서가 없는 데이터 구조입니다.

내부적으로 HashMap을 사용하여 빠른 검색과 삽입을 지원합니다.

import java.util.HashSet;

public class HashSetExample {
    public static void main(String[] args) {
        HashSet<Integer> numbers = new HashSet<>();
        numbers.add(1);
        numbers.add(2);
        numbers.add(2); // 중복된 값은 무시

        // 데이터 출력
        for (int number : numbers) {
            System.out.println(number);
        }
    }
}

2.2.3 HashMap

키-값 쌍으로 데이터를 저장하며, 키의 중복을 허용하지 않습니다.

import java.util.HashMap;

public class HashMapExample {
    public static void main(String[] args) {
        HashMap<String, String> capitals = new HashMap<>();
        capitals.put("USA", "Washington");
        capitals.put("France", "Paris");
        capitals.put("Korea", "Seoul");

        // 데이터 출력
        for (String country : capitals.keySet()) {
            System.out.println(country + "의 수도는 " + capitals.get(country));
        }
    }
}

2.2.4 PriorityQueue

우선순위에 따라 데이터를 정렬하며, 기본적으로 최소값이 가장 먼저 출력됩니다.

import java.util.PriorityQueue;

public class PriorityQueueExample {
    public static void main(String[] args) {
        PriorityQueue<Integer> queue = new PriorityQueue<>();
        queue.add(10);
        queue.add(5);
        queue.add(20);

        // 데이터 출력 (오름차순)
        while (!queue.isEmpty()) {
            System.out.println(queue.poll()); // 가장 작은 값부터 제거
        }
    }
}

3. 실무 적용 예제: 학생 관리 시스템

요구사항

학생의 이름과 점수를 저장
점수를 기준으로 정렬
특정 점수 이상의 학생 목록 출력

코드 구현

import java.util.*;

class Student {
    String name;
    int score;

    public Student(String name, int score) {
        this.name = name;
        this.score = score;
    }

    @Override
    public String toString() {
        return name + ": " + score;
    }
}

public class StudentManagement {
    public static void main(String[] args) {
        // 학생 데이터 저장
        List<Student> students = new ArrayList<>();
        students.add(new Student("Alice", 85));
        students.add(new Student("Bob", 90));
        students.add(new Student("Charlie", 70));

        // 점수 기준으로 정렬
        students.sort(Comparator.comparingInt(s -> s.score));
        System.out.println("정렬된 학생 목록:");
        for (Student student : students) {
            System.out.println(student);
        }

        // 특정 점수 이상의 학생 출력 (Stream API 활용)
        int threshold = 80;
        System.out.println("\\n점수가 " + threshold + " 이상인 학생:");
        students.stream()
				        // 조건에 맞는 학생 필터링
                .filter(student -> student.score >= threshold) 
                // 각 학생 출력
                .forEach(System.out::println);                 
    }
}

ChatGPT로 Java 공부하기 #2 자바의 예외 처리와 실전 예제

주토마 — Tue, 19 Nov 2024 17:24:25 +0900

자바의 예외 처리와 실전 예제

1. 자바의 예외 처리란?

예외(Exception)란?

정의: 프로그램 실행 중에 발생하는 비정상적인 상황
종류:
- Checked Exception: 컴파일 시점에 반드시 처리해야 하는 예외 (예: IOException, SQLException)
- Unchecked Exception: 런타임 시 발생하는 예외 (예: NullPointerException, ArrayIndexOutOfBoundsException)

자바의 예외 처리 방법

자바는 예외 처리를 위해 try-catch-finally 블록을 제공합니다.

2. 예외 처리 기본 문법

2.1 try-catch 블록

예외가 발생할 수 있는 코드를 try 블록에 작성하고, 발생한 예외를 catch 블록에서 처리합니다.

public class ExceptionExample {
    public static void main(String[] args) {
        try {
            int result = 10 / 0; // ArithmeticException 발생
        } catch (ArithmeticException e) {
            System.out.println("예외 발생: " + e.getMessage());
        }
    }
}

2.2 finally 블록

finally 블록은 예외 발생 여부와 상관없이 항상 실행됩니다.

public class FinallyExample {
    public static void main(String[] args) {
        try {
            int[] numbers = {1, 2, 3};
            System.out.println(numbers[5]); // ArrayIndexOutOfBoundsException 발생
        } catch (ArrayIndexOutOfBoundsException e) {
            System.out.println("예외 발생: " + e.getMessage());
        } finally {
            System.out.println("이 블록은 항상 실행됩니다.");
        }
    }
}

2.3 throw와 throws

throw: 예외를 직접 발생시킬 때 사용
throws: 메서드가 예외를 던질 가능성을 명시

public class ThrowThrowsExample {
    public static void main(String[] args) {
        try {
            validateAge(15);
        } catch (IllegalArgumentException e) {
            System.out.println("예외 처리: " + e.getMessage());
        }
    }

    public static void validateAge(int age) throws IllegalArgumentException {
        if (age < 18) {
            throw new IllegalArgumentException("나이는 18 이상이어야 합니다.");
        }
    }
}

3. 실무 적용 예제

요구사항

사용자 입력에서 숫자가 아닌 값을 입력하면 프로그램이 종료되지 않고 적절한 메시지를 출력해야 함.
데이터베이스 연결 시, 실패할 경우 사용자에게 연결 실패 메시지를 출력.

3.1 사용자 입력 예외 처리

import java.util.Scanner;

public class InputValidation {
    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        int number = 0;

        while (true) {
            System.out.print("숫자를 입력하세요: ");
            try {
                number = Integer.parseInt(scanner.nextLine()); // 숫자 변환 시도
                break; // 성공하면 반복문 종료
            } catch (NumberFormatException e) {
                System.out.println("유효하지 않은 입력입니다. 숫자를 입력해주세요.");
            }
        }

        System.out.println("입력된 숫자: " + number);
        scanner.close();
    }
}

3.2 데이터베이스 연결 예외 처리

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.SQLException;

public class DatabaseConnection {
    public static void main(String[] args) {
        String url = "jdbc:mysql://localhost:3306/mydb";
        String user = "root";
        String password = "password";

        Connection connection = null;
        try {
            // 데이터베이스 연결 시도
            connection = DriverManager.getConnection(url, user, password);
            System.out.println("데이터베이스 연결 성공!");
        } catch (SQLException e) {
            System.out.println("데이터베이스 연결 실패: " + e.getMessage());
        } finally {
            // 연결 종료
            if (connection != null) {
                try {
                    connection.close();
                    System.out.println("연결이 종료되었습니다.");
                } catch (SQLException e) {
                    System.out.println("연결 종료 중 예외 발생: " + e.getMessage());
                }
            }
        }
    }
}

4. 사용자 정의 예외

실무에서는 특정 비즈니스 로직에 대한 예외를 사용자 정의 예외로 처리할 수 있습니다.

예제: 주문 금액이 0 이하일 때 예외 발생

class InvalidOrderAmountException extends Exception {
    public InvalidOrderAmountException(String message) {
        super(message);
    }
}

public class CustomExceptionExample {
    public static void main(String[] args) {
        try {
            processOrder(-500);
        } catch (InvalidOrderAmountException e) {
            System.out.println("예외 처리: " + e.getMessage());
        }
    }

    public static void processOrder(int amount) throws InvalidOrderAmountException {
        if (amount <= 0) {
            throw new InvalidOrderAmountException("주문 금액은 0보다 커야 합니다.");
        }
        System.out.println("주문 처리 완료: " + amount + "원");
    }
}

ChatGPT로 Java 공부하기 #1 자바의 기본 문법 및 객체 지향 개념 정리

주토마 — Tue, 19 Nov 2024 17:23:34 +0900

1. 자바 기본 문법

자바의 주요 특징

플랫폼 독립성: JVM(Java Virtual Machine) 덕분에 다양한 운영체제에서 실행 가능
객체 지향 언어: 코드의 재사용성과 유지보수성이 뛰어남
강타입 언어: 데이터 타입을 엄격히 준수

1.1 기본 문법

변수와 데이터 타입

변수는 데이터를 저장하기 위해 메모리에 이름을 붙이는 것입니다.

자바는 기본적으로 두 가지 타입의 데이터를 사용합니다.

기본형(Primitive types): int, double, boolean, char 등
참조형(Reference types): 클래스, 배열, 인터페이스 등

public class BasicSyntax {
    public static void main(String[] args) {
        // 기본형 변수 선언 및 초기화
        int age = 30;
        double height = 175.5;
        boolean isAdult = true;
        char grade = 'A';

        // 출력
        System.out.println("Age: " + age);
        System.out.println("Height: " + height);
        System.out.println("Is Adult: " + isAdult);
        System.out.println("Grade: " + grade);
    }
}

제어문

자바는 if, for, while, switch 같은 제어문으로 코드의 흐름을 제어합니다.

public class ControlStatements {
    public static void main(String[] args) {
        int score = 85;

        // if-else 조건문
        if (score >= 90) {
            System.out.println("Grade: A");
        } else if (score >= 80) {
            System.out.println("Grade: B");
        } else {
            System.out.println("Grade: C");
        }

        // for 반복문
        for (int i = 0; i < 5; i++) {
            System.out.println("Iteration: " + i);
        }

        // while 반복문
        int count = 0;
        while (count < 3) {
            System.out.println("Count: " + count);
            count++;
        }
    }
}

2. 객체 지향 프로그래밍 (OOP)

OOP의 주요 특징

캡슐화(Encapsulation): 데이터를 외부로부터 보호하고, 메서드를 통해 접근
상속(Inheritance): 기존 클래스의 기능을 확장
다형성(Polymorphism): 하나의 메서드나 객체가 여러 형태를 가질 수 있음
추상화(Abstraction): 불필요한 세부 사항을 숨기고 중요한 것에 집중

2.1 클래스와 객체

클래스는 객체를 생성하기 위한 설계도입니다. 객체는 클래스에서 생성된 실체입니다.

public class Person {
    // 필드
    String name;
    int age;

    // 생성자
    public Person(String name, int age) {
        this.name = name;
        this.age = age;
    }

    // 메서드
    public void introduce() {
        System.out.println("Hello, my name is " + name + " and I am " + age + " years old.");
    }

    // 메인 메서드
    public static void main(String[] args) {
        // 객체 생성
        Person person = new Person("Alice", 25);
        person.introduce();
    }
}

2.2 상속과 다형성

상속은 코드 재사용성을 높여주고, 다형성은 유연한 코드 작성을 가능하게 합니다.

// 부모 클래스
class Animal {
    public void makeSound() {
        System.out.println("Some generic sound");
    }
}

// 자식 클래스
class Dog extends Animal {
    @Override
    public void makeSound() {
        System.out.println("Woof woof");
    }
}

public class PolymorphismExample {
    public static void main(String[] args) {
        Animal myAnimal = new Animal();
        Animal myDog = new Dog();

        myAnimal.makeSound(); // Some generic sound
        myDog.makeSound();    // Woof woof
    }
}

3. 실무 적용 예제: 주문 관리 시스템

간단한 주문 관리를 위한 객체 지향 설계 예제입니다.

요구사항

고객은 상품을 주문할 수 있다.
주문 정보에는 고객 정보와 상품 정보가 포함된다.
주문 정보를 출력하는 기능이 필요하다.

코드 구현

// 상품 클래스
class Product {
    String name;
    double price;

    public Product(String name, double price) {
        this.name = name;
        this.price = price;
    }
}

// 고객 클래스
class Customer {
    String name;
    String email;

    public Customer(String name, String email) {
        this.name = name;
        this.email = email;
    }
}

// 주문 클래스
class Order {
    Customer customer;
    Product product;

    public Order(Customer customer, Product product) {
        this.customer = customer;
        this.product = product;
    }

    public void printOrderDetails() {
        System.out.println("Customer: " + customer.name + ", Email: " + customer.email);
        System.out.println("Product: " + product.name + ", Price: " + product.price);
    }
}

// 메인 클래스
public class OrderManagement {
    public static void main(String[] args) {
        // 객체 생성
        Customer customer = new Customer("Bob", "bob@example.com");
        Product product = new Product("Laptop", 1200.99);

        // 주문 생성 및 출력
        Order order = new Order(customer, product);
        order.printOrderDetails();
    }
}

ChatGPT로 데이터 분석 공부하기 #16 퍼널 분석

주토마 — Mon, 18 Nov 2024 22:16:55 +0900

퍼널 분석(Funnel Analysis)란?

퍼널 분석은 사용자가 특정 목표(예: 구매, 회원가입)를 달성하기까지의 단계별 행동을 분석하는 방법입니다. 사용자가 각 단계에서 얼마나 이탈하는지(전환율)를 파악하여 개선이 필요한 지점을 식별하는 데 유용합니다.

1. 퍼널 분석의 개념

퍼널(Funnel) 구조

퍼널은 깔때기처럼 사용자가 단계를 진행할수록 점점 줄어드는 구조를 나타냅니다.
각 단계에서 사용자 수를 측정하여 이탈률과 전환율을 계산합니다.

예제: 이커머스 사이트

방문(Visit): 사용자가 웹사이트에 방문.
상품 보기(View Product): 상품 페이지를 열람.
장바구니 담기(Add to Cart): 상품을 장바구니에 추가.
결제 시작(Begin Checkout): 결제 프로세스 시작.
구매 완료(Purchase): 결제 완료.

2. 퍼널 분석의 목적

이탈 분석: 사용자가 어느 단계에서 이탈하는지 파악.
전환율 최적화: 단계별 전환율을 높여 목표 달성률을 개선.
UX 개선: 특정 단계에서의 사용자 경험을 개선.

3. 퍼널 분석의 주요 지표

이탈률(Drop-off Rate):
- 특정 단계에서 이탈한 사용자 비율.
- $\text{이탈률} = \frac{\text{이전 단계 사용자 수} - \text{현재 단계 사용자 수}}{\text{이전 단계 사용자 수}} \times 100$
전환율(Conversion Rate):
- 특정 단계를 완료한 사용자 비율.
- $\text{전환율} = \frac{\text{현재 단계 사용자 수}}{\text{이전 단계 사용자 수}} \times 100$
전체 전환율(Total Conversion Rate):
- 첫 단계부터 마지막 단계까지의 전환율.
- $\text{전체 전환율} = \frac{\text{최종 단계 사용자 수}}{\text{첫 단계 사용자 수}} \times 100$

4. 퍼널 분석 과정

(1) 목표 설정

분석 목표를 정의.
- 예: "구매 전환율을 분석하고 개선점을 찾는다."

(2) 단계 정의

사용자가 목표를 달성하기까지의 주요 단계를 식별.
- 예: 방문 → 상품 보기 → 장바구니 담기 → 결제 시작 → 구매 완료.

(3) 데이터 수집

웹 로그, 애널리틱스 도구(GA4, Amplitude 등)에서 사용자 행동 데이터를 수집.
- 예: 이벤트 데이터(페이지뷰, 버튼 클릭 등).

(4) 데이터 처리

단계별 사용자 수 집계 및 전환율/이탈률 계산.

5. Python을 활용한 퍼널 분석

(1) 샘플 데이터

import pandas as pd

# 가상의 퍼널 단계 데이터
data = {
    "Stage": ["Visit", "View Product", "Add to Cart", "Begin Checkout", "Purchase"],
    "Users": [1000, 800, 500, 300, 200]
}

df = pd.DataFrame(data)
print(df)

출력:

           Stage  Users
0          Visit   1000
1   View Product    800
2    Add to Cart    500
3  Begin Checkout    300
4       Purchase    200

(2) 이탈률 및 전환율 계산

# 단계별 이탈률 계산
df["Drop-off Rate (%)"] = df["Users"].diff(-1).fillna(0) / df["Users"] * 100

# 단계별 전환율 계산
df["Conversion Rate (%)"] = df["Users"].pct_change(-1).fillna(0) * 100

# 전체 전환율 계산
total_conversion_rate = df["Users"].iloc[-1] / df["Users"].iloc[0] * 100

print(df)
print(f"전체 전환율: {total_conversion_rate:.2f}%")

출력:

           Stage  Users  Drop-off Rate (%)  Conversion Rate (%)
0          Visit   1000              20.00               20.00
1   View Product    800              37.50               37.50
2    Add to Cart    500              40.00               40.00
3  Begin Checkout    300              33.33               33.33
4       Purchase    200               0.00                0.00

전체 전환율: 20.00%

(3) 시각화

import matplotlib.pyplot as plt

# 퍼널 시각화
plt.figure(figsize=(8, 6))
plt.bar(df["Stage"], df["Users"], color='skyblue')
plt.title("Funnel Analysis", fontsize=16)
plt.xlabel("Stage", fontsize=12)
plt.ylabel("Number of Users", fontsize=12)
plt.show()

6. 퍼널 분석 결과 활용

(1) 이탈률이 높은 단계

문제 식별:
- 특정 단계에서 이탈률이 높다면, 해당 단계의 UX, 프로세스를 개선.
- 예: "장바구니에 담기 → 결제 시작" 단계에서 이탈률이 높다면 결제 과정 간소화 필요.

(2) 전환율 최적화

전환율 증가 전략:
- 단계별 사용자 경험 최적화.
- A/B 테스트를 통해 최적의 옵션 선택.
- 마케팅 메시지, 할인 코드 제공 등.

7. 퍼널 분석 도구

Google Analytics(GA4):
- 사용자 행동 추적, 전환율 분석.
Amplitude:
- 세분화된 사용자 행동 분석 및 퍼널 추적.
Mixpanel:
- 실시간 퍼널 분석 및 사용자 세그먼트 기능 제공.
Tableau/Power BI:
- 시각화를 통한 퍼널 분석 데이터 표현.

8. 퍼널 분석의 장단점

장점

이탈 원인 파악: 사용자 흐름을 시각적으로 이해.
전환율 최적화: 단계별 데이터를 기반으로 최적의 개선안 도출.
데이터 기반 의사결정: 데이터에 기반한 명확한 개선 방향 제공.

단점

복잡한 데이터 처리: 로그 데이터 수집, 처리 과정에서 기술적 요구 사항 발생.
단계 정의 문제: 잘못 정의된 단계는 분석의 신뢰성을 떨어뜨릴 수 있음.
정확한 추적 필요: 사용자 이벤트를 정확히 추적해야 분석 결과가 유효.

퍼널 분석은 사용자의 행동 흐름을 파악하고, 각 단계에서의 문제를 개선함으로써 비즈니스 목표를 달성하는 데 핵심적인 도구입니다. 정확한 데이터 수집과 분석을 통해 사용자 경험과 전환율을 최적화할 수 있습니다.

ChatGPT로 데이터 분석 공부하기 #15 A/B 테스트

주토마 — Mon, 18 Nov 2024 22:15:36 +0900

A/B 테스트란?

A/B 테스트는 두 가지 이상의 옵션(A와 B)을 비교하여 어느 것이 더 효과적인지 실험적으로 확인하는 방법입니다. 이는 비즈니스 전략, 사용자 경험(UX), 마케팅 캠페인 등에서 데이터 기반 의사결정을 지원합니다.

1. A/B 테스트의 기본 개념

실험군(A): 기존의 옵션(기준 또는 Control Group).
대조군(B): 새로운 옵션(변경된 옵션 또는 Test Group).
목표 지표: 성공 여부를 측정하는 기준(KPI, Key Performance Indicator). 예: 전환율, 클릭률, 매출 등.
가설: "새로운 옵션(B)이 기존 옵션(A)보다 더 나은 결과를 낼 것이다."

A/B 테스트의 기본 원리

사용자 그룹을 랜덤하게 나눕니다.
각 그룹에 서로 다른 옵션을 노출합니다.
특정 기간 동안 데이터를 수집합니다.
통계 분석을 통해 결과를 평가하고, 선택한 옵션이 유의미한 차이를 만드는지 확인합니다.

2. A/B 테스트 과정

(1) 목표 설정

문제 정의: 어떤 지표를 개선하고 싶은지 정의합니다.
- 예: "구매 전환율을 높이고 싶다."
KPI 정의: 성공 여부를 판단할 수 있는 정량적 지표.
- 예: "전환율 = 구매 사용자 수 / 전체 방문자 수"

(2) 가설 설정

기존 옵션(A)과 새 옵션(B)에 대해 가설을 세웁니다.
- 예: "버튼 색상을 파란색에서 빨간색으로 바꾸면 클릭률이 증가할 것이다."

(3) 사용자 그룹 나누기

사용자 그룹을 랜덤하게 나누어 외부 요인으로 인한 편향을 최소화합니다.
- A 그룹: 기존 버튼(파란색).
- B 그룹: 변경된 버튼(빨간색).

(4) 테스트 실행

각 사용자 그룹에 해당 옵션을 제공하며 데이터를 수집합니다.
- 기간 설정: 테스트는 충분한 데이터가 수집될 때까지 지속되어야 합니다.
- 샘플 크기: 통계적으로 유의미한 결과를 도출할 수 있는 충분한 사용자 수 확보.

(5) 데이터 분석

수집된 데이터를 바탕으로 두 그룹 간의 성과 차이를 비교합니다.
통계적 검정: A/B 테스트의 결과가 우연이 아닌 유의미한 차이인지 검정합니다.
- 예: t-test, 카이제곱 검정.

(6) 결론 도출

결과를 바탕으로 더 나은 옵션을 채택하거나, 추가 테스트를 계획합니다.
- 예: "B 옵션(빨간색 버튼)이 A 옵션(파란색 버튼)보다 클릭률을 20% 개선했다."

3. A/B 테스트 예제

(1) 문제 정의

목표: 전자상거래 사이트의 구매 전환율 증가.
가설: "결제 버튼의 텍스트를 '구매하기'에서 '지금 구매'로 변경하면 전환율이 증가할 것이다."

(2) 데이터 시뮬레이션

Python을 사용해 간단한 A/B 테스트 데이터를 생성하고 분석합니다.

import numpy as np
import pandas as pd
from scipy.stats import ttest_ind

# 가상의 데이터 생성
np.random.seed(42)
group_A = np.random.binomial(1, 0.10, 1000)  # 전환율 10%
group_B = np.random.binomial(1, 0.12, 1000)  # 전환율 12%

# 데이터프레임 생성
data = pd.DataFrame({
    "Group": ["A"] * 1000 + ["B"] * 1000,
    "Conversion": np.concatenate([group_A, group_B])
})

# 그룹별 전환율 계산
conversion_rates = data.groupby("Group")["Conversion"].mean()
print(conversion_rates)

# t-test로 그룹 간 차이 분석
t_stat, p_value = ttest_ind(group_A, group_B)
print(f"t-statistic: {t_stat}, p-value: {p_value}")

(3) 결과 해석

전환율 계산:
- A 그룹 전환율: 10%
- B 그룹 전환율: 12%
t-test 결과:
- p-value < 0.05: 두 그룹 간의 차이가 통계적으로 유의미함.

결론: "B 옵션이 A 옵션보다 전환율이 높으므로 B 옵션을 선택합니다."

4. A/B 테스트의 장단점

장점

객관적 데이터 기반 의사결정: 감각이 아닌 데이터로 결과를 평가.
비용 효율적: 전체 시스템 변경 없이 소규모 실험으로 효과를 검증.
빠른 피드백: 특정 옵션이 효과가 없는 경우 즉시 수정 가능.

단점

샘플 크기 의존성: 샘플이 충분하지 않으면 결과가 왜곡될 수 있음.
시간 소요: 테스트 기간 동안 충분한 데이터를 수집해야 함.
단일 변수 실험: 여러 변수를 동시에 테스트하면 혼란이 발생.

5. A/B 테스트 활용 사례

이커머스:
- 결제 페이지 디자인 변경 전환율 비교.
- 할인 쿠폰 표시 방식 실험.
마케팅:
- 이메일 제목(A/B) 클릭률 비교.
- 광고 캠페인의 이미지/카피 효과 측정.
제품 개발:
- 신규 기능이 사용자 참여도를 증가시키는지 테스트.
- UI 변경 후 사용자 행동 비교.
웹사이트 개선:
- 페이지 로드 속도 변화가 사용자 이탈률에 미치는 영향 분석.
- 버튼 색상/위치 변경 효과 테스트.

6. A/B 테스트 성공 팁

명확한 목표 설정:
- 개선하고자 하는 KPI를 명확히 정의.
샘플 크기 계산:
- 사전에 필요한 샘플 크기를 계산하여 통계적으로 신뢰할 수 있는 결과를 확보.
랜덤화:
- 사용자 그룹을 무작위로 나눠 외부 요인의 영향을 최소화.
단일 변수 변경:
- 한 번에 하나의 요소만 테스트하여 결과를 명확히 해석.
통계적 유의성 확인:
- 결과가 우연이 아닌지를 검증(p-value, 신뢰구간 등).

A/B 테스트는 데이터 기반의 의사결정을 가능하게 하는 강력한 도구입니다. 정교하게 설계하고 분석하면 제품 개선, 마케팅 전략 최적화, 사용자 경험 향상 등 다양한 비즈니스 문제를 해결할 수 있습니다.

ChatGPT로 데이터 분석 공부하기 #14 DW/DM 설계 및 구축

주토마 — Mon, 18 Nov 2024 22:13:35 +0900

데이터 웨어하우스(DW)와 데이터 마트(DM)는 데이터 분석과 비즈니스 인텔리전스(BI)를 위한 데이터 저장소 설계 및 구축에서 핵심적인 역할을 합니다. 이 두 개념은 데이터의 효율적인 관리, 분석, 보고를 지원하기 위해 설계됩니다.

1. DW와 DM의 기본 개념

(1) 데이터 웨어하우스(DW, Data Warehouse)

정의: 기업의 다양한 소스에서 데이터를 통합하여 저장하는 중앙 집중식 저장소.
목적: 대규모 데이터 통합 및 장기적인 데이터 저장, 분석 지원.
특징:
- 통합적: 여러 시스템에서 데이터를 가져와 통합.
- 주제 중심적: 주요 비즈니스 주제(예: 매출, 고객, 제품) 중심으로 설계.
- 시간 변화 가능: 데이터의 시계열 정보를 유지.
- 비휘발성: 데이터를 변경하지 않고 추가만 함.

(2) 데이터 마트(DM, Data Mart)

정의: 데이터 웨어하우스에서 특정 주제나 부서에 맞게 데이터를 추출하여 저장한 소규모 저장소.
목적: 특정 부서나 팀의 요구에 맞춘 데이터 제공.
특징:
- DW보다 작고 단순.
- 주제 특화: 특정 주제(예: 마케팅, 영업)에 맞춤화.

2. DW와 DM의 차이

특징	DW	DM
규모	대규모 저장소	소규모 저장소
범위	전사적 데이터 통합	특정 부서/팀 데이터
구조	복잡 (다양한 소스와 통합)	단순 (특정 주제에 집중)
구축 시간	장기적 프로젝트	단기적 프로젝트

3. DW/DM 설계 과정

(1) 요구 사항 분석

비즈니스 요구사항 수집:
- 주요 KPI 정의 (예: 매출, 고객 유지율).
- 분석 보고서 요구사항 정의.
데이터 소스 파악:
- ERP, CRM, POS 시스템 등 다양한 소스에서 데이터를 수집.

(2) 데이터 모델링

DW/DM 설계의 핵심은 데이터 모델링입니다.

개념 모델: 비즈니스 개념 정의.
- 예: 고객, 제품, 매출.
논리 모델: 데이터베이스 관점에서 데이터 관계 정의.
- 스타 스키마(Star Schema):
  - 하나의 중심 테이블(Fact table)과 이를 참조하는 다수의 차원 테이블(Dimension table)로 구성.
  - 간단하고 직관적.
- 스노우플레이크 스키마(Snowflake Schema):
  - 차원 테이블을 정규화하여 더 세분화.
  - 데이터 중복 감소, 성능은 다소 낮음.
물리 모델: 실제 데이터베이스에 데이터 구조 구현.
- 예: SQL 테이블 생성.

스타 스키마 예제:

팩트 테이블: 매출 (Sales)
- 매출ID, 제품ID, 고객ID, 매출액, 판매일
차원 테이블: 제품 (Product), 고객 (Customer), 날짜 (Date)

(3) 데이터 추출, 변환, 적재 (ETL)

ETL은 DW/DM 구축에서 데이터를 준비하는 단계입니다.

추출(Extract):
- 다양한 소스(예: CSV, 데이터베이스, API)에서 데이터를 수집.
- 예: SQL로 데이터 가져오기.
변환(Transform):
- 데이터 정제: 결측값 처리, 중복 제거.
- 데이터 변환: 날짜 포맷 변경, 코드 통합.
적재(Load):
- 변환된 데이터를 DW 또는 DM에 적재.
- 예: SQL INSERT INTO 문을 사용하거나, 데이터 적재 도구 활용(AWS Redshift, Snowflake 등).

(4) 데이터 분석 및 시각화

DW/DM에서 데이터를 활용하여 비즈니스 인사이트를 제공합니다.

쿼리 작성:
- SQL을 사용하여 데이터 추출 및 분석.
- 예:
- SELECT ProductName, SUM(SalesAmount) AS TotalSales FROM Sales INNER JOIN Product ON Sales.ProductID = Product.ProductID GROUP BY ProductName;
BI 도구 활용:
- Tableau, Power BI, Looker 등을 사용해 시각화.

4. DW/DM 설계 시 고려 사항

성능 최적화:
- 인덱스 설정, 데이터 파티셔닝 활용.
- 쿼리 성능 테스트 및 최적화.
확장성:
- 데이터가 증가하더라도 시스템이 확장 가능하도록 설계.
- 클라우드 기반 데이터 웨어하우스(AWS Redshift, Google BigQuery) 활용.
데이터 품질:
- 데이터 정합성 유지.
- 데이터 품질 관리 프로세스 구축.
보안 및 권한 관리:
- 민감 데이터 암호화.
- 사용자 권한 설정.

5. DW/DM 구축 실무 예제

(1) 데이터 모델링

-- 팩트 테이블 생성
CREATE TABLE Sales (
    SalesID INT PRIMARY KEY,
    ProductID INT,
    CustomerID INT,
    SalesAmount DECIMAL(10, 2),
    SalesDate DATE
);

-- 차원 테이블 생성
CREATE TABLE Product (
    ProductID INT PRIMARY KEY,
    ProductName VARCHAR(100),
    Category VARCHAR(50)
);

CREATE TABLE Customer (
    CustomerID INT PRIMARY KEY,
    CustomerName VARCHAR(100),
    Region VARCHAR(50)
);

(2) 데이터 적재

-- 제품 데이터 삽입
INSERT INTO Product (ProductID, ProductName, Category)
VALUES (1, 'Laptop', 'Electronics'), (2, 'Chair', 'Furniture');

-- 매출 데이터 삽입
INSERT INTO Sales (SalesID, ProductID, CustomerID, SalesAmount, SalesDate)
VALUES (1, 1, 101, 1200.50, '2024-01-01'), (2, 2, 102, 150.75, '2024-01-02');

(3) 데이터 분석

-- 카테고리별 매출 합계
SELECT p.Category, SUM(s.SalesAmount) AS TotalSales
FROM Sales s
JOIN Product p ON s.ProductID = p.ProductID
GROUP BY p.Category;

6. DW/DM 도구

데이터 웨어하우스: AWS Redshift, Google BigQuery, Snowflake
ETL 도구: Apache Airflow, dbt, Talend
BI 도구: Tableau, Power BI, Looker

DW/DM 설계 및 구축은 데이터를 효율적으로 관리하고 분석 가능한 상태로 만드는 데 필수적인 과정입니다. 데이터를 적절히 설계하고 관리하면, 비즈니스 의사결정에 강력한 기반을 제공할 수 있습니다.

ChatGPT로 데이터 분석 공부하기 #13 Pandas

주토마 — Fri, 15 Nov 2024 21:20:33 +0900

Pandas는 Python에서 데이터 분석과 조작에 널리 사용되는 라이브러리로, 표 형태의 데이터(DataFrame)를 처리하는 데 매우 유용합니다. 데이터를 읽고 쓰는 기능부터, 필터링, 집계, 시각화까지 다양한 기능을 제공합니다.

1. Pandas의 주요 데이터 구조

Pandas는 두 가지 주요 데이터 구조를 사용합니다:

Series: 1차원 데이터 구조 (1개의 열 또는 배열)
DataFrame: 2차원 데이터 구조 (표 형태)

(1) Series

Series는 데이터와 인덱스를 가진 1차원 데이터입니다.

import pandas as pd

# Series 생성
data = [10, 20, 30, 40]
series = pd.Series(data, index=["a", "b", "c", "d"])
print(series)

출력:

a    10
b    20
c    30
d    40
dtype: int64

(2) DataFrame

DataFrame은 행과 열로 구성된 2차원 데이터입니다.

# DataFrame 생성
data = {
    "Name": ["Alice", "Bob", "Carol"],
    "Age": [25, 30, 27],
    "City": ["New York", "Los Angeles", "Chicago"]
}
df = pd.DataFrame(data)
print(df)

출력:

     Name  Age         City
0   Alice   25     New York
1     Bob   30  Los Angeles
2   Carol   27      Chicago

2. 데이터 읽기 및 쓰기

(1) 파일 읽기

Pandas는 다양한 파일 형식을 읽어올 수 있습니다.

# CSV 파일 읽기
df = pd.read_csv("data.csv")

# Excel 파일 읽기
df = pd.read_excel("data.xlsx")

(2) 파일 쓰기

분석 결과를 저장할 때 사용합니다.

# CSV 파일로 저장
df.to_csv("output.csv", index=False)

# Excel 파일로 저장
df.to_excel("output.xlsx", index=False)

3. 데이터 확인 및 요약

(1) 데이터 구조 확인

print(df.head())       # 상위 5개 행 출력
print(df.tail())       # 하위 5개 행 출력
print(df.info())       # 데이터 요약 정보
print(df.describe())   # 통계 요약
print(df.shape)        # 행, 열 개수
print(df.columns)      # 열 이름

4. 데이터 선택

(1) 열 선택

print(df["Name"])       # 단일 열 선택
print(df[["Name", "Age"]])  # 여러 열 선택

(2) 행 선택

print(df.loc[0])        # 행 번호로 선택 (라벨 기반)
print(df.iloc[0])       # 행 위치로 선택 (정수 기반)

5. 데이터 필터링

조건에 맞는 데이터만 선택합니다.

# 조건을 이용한 필터링
print(df[df["Age"] > 25])  # Age가 25보다 큰 행 선택

6. 데이터 추가 및 삭제

(1) 열 추가

df["Salary"] = [50000, 60000, 70000]  # 새 열 추가

(2) 열 삭제

df.drop("Salary", axis=1, inplace=True)  # Salary 열 삭제

(3) 행 삭제

df.drop(0, axis=0, inplace=True)  # 첫 번째 행 삭제

7. 데이터 정렬

(1) 행 정렬

df.sort_values(by="Age", ascending=False, inplace=True)  # Age 기준 내림차순 정렬

(2) 열 정렬

df.sort_index(axis=1, inplace=True)  # 열 이름 기준 정렬

8. 데이터 집계 및 그룹화

(1) 데이터 요약

print(df["Age"].mean())  # 평균 계산
print(df["Age"].sum())   # 합계 계산
print(df["Age"].max())   # 최대값

(2) 그룹화

grouped = df.groupby("City")["Age"].mean()
print(grouped)

City별로 Age의 평균을 계산합니다.

9. 결측치 처리

(1) 결측치 확인

print(df.isnull().sum())  # 결측치 개수 확인

(2) 결측치 처리

df.fillna(0, inplace=True)  # 결측치를 0으로 채움
df.dropna(inplace=True)     # 결측치가 있는 행 삭제

10. 데이터 변환

(1) 데이터 타입 변환

df["Age"] = df["Age"].astype("float")  # Age를 실수형으로 변환

(2) 데이터 값 변환

df["Age"] = df["Age"].apply(lambda x: x * 2)  # Age 값을 2배로 변환

11. 데이터 병합

(1) 두 DataFrame 합치기

df1 = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
df2 = pd.DataFrame({"A": [5, 6], "B": [7, 8]})
result = pd.concat([df1, df2])

(2) 조인(merge)

df1 = pd.DataFrame({"ID": [1, 2], "Name": ["Alice", "Bob"]})
df2 = pd.DataFrame({"ID": [1, 2], "Salary": [50000, 60000]})
merged = pd.merge(df1, df2, on="ID")

12. 실무에서 Pandas의 활용 예제

(1) 매출 데이터 분석

sales = pd.DataFrame({
    "Month": ["Jan", "Feb", "Mar"],
    "Revenue": [10000, 15000, 20000]
})
print("총 매출:", sales["Revenue"].sum())  # 매출 합계

(2) 고객 데이터 필터링

customers = pd.DataFrame({
    "Name": ["Alice", "Bob", "Carol"],
    "Age": [25, 35, 45]
})
print(customers[customers["Age"] > 30])  # 30세 이상 고객

Pandas는 데이터를 효율적으로 다루기 위한 강력한 도구입니다. 데이터를 정리하고 분석하며, 다양한 포맷으로 저장하는 작업에서 필수적으로 사용됩니다. Pandas의 기본을 잘 익히면 데이터 분석의 기초를 탄탄히 다질 수 있습니다.

JOO's story

PostgreSQL 시간 관련 함수들

VSCODE Prettier 적용기

AWS EC2 Free Tier 기반 부하 테스트

목차

프로젝트 개요

프로젝트 준비

Spring boot 애플리케이션 개발

인프라 구축

부하 테스트 도구 선정

프로젝트 수행

인스턴스 증가에 따른 분산환경에서의 처리량 분석

스파이크, 점진적, 지속적 부하에 따른 처리량 분석

프로젝트 결과

인스턴스 증가에 따른 분산환경에서의 처리 결과

스파이크, 점진적, 지속적 부하에 따른 처리 결과

제언

ChatGPT로 Java 공부하기 #3 자바 컬렉션 프레임워크와 주요 클래스

자바 컬렉션 프레임워크와 주요 클래스

1. 자바 컬렉션 프레임워크란?

정의

주요 특징

2. 주요 인터페이스와 클래스

2.1 주요 인터페이스

2.2 주요 클래스

2.2.1 ArrayList

2.2.2 HashSet

2.2.3 HashMap

2.2.4 PriorityQueue

3. 실무 적용 예제: 학생 관리 시스템

요구사항

코드 구현

ChatGPT로 Java 공부하기 #2 자바의 예외 처리와 실전 예제

자바의 예외 처리와 실전 예제

1. 자바의 예외 처리란?

예외(Exception)란?

자바의 예외 처리 방법

2. 예외 처리 기본 문법

2.1 try-catch 블록

2.2 finally 블록

2.3 throw와 throws

3. 실무 적용 예제

요구사항

3.1 사용자 입력 예외 처리

3.2 데이터베이스 연결 예외 처리

4. 사용자 정의 예외

예제: 주문 금액이 0 이하일 때 예외 발생

ChatGPT로 Java 공부하기 #1 자바의 기본 문법 및 객체 지향 개념 정리

1. 자바 기본 문법

자바의 주요 특징

1.1 기본 문법

변수와 데이터 타입

제어문

2. 객체 지향 프로그래밍 (OOP)

OOP의 주요 특징

2.1 클래스와 객체

2.2 상속과 다형성

3. 실무 적용 예제: 주문 관리 시스템

요구사항

코드 구현

ChatGPT로 데이터 분석 공부하기 #16 퍼널 분석

퍼널 분석(Funnel Analysis)란?

1. 퍼널 분석의 개념

퍼널(Funnel) 구조

예제: 이커머스 사이트

2. 퍼널 분석의 목적

3. 퍼널 분석의 주요 지표

4. 퍼널 분석 과정

(1) 목표 설정

(2) 단계 정의

(3) 데이터 수집

(4) 데이터 처리

5. Python을 활용한 퍼널 분석

(1) 샘플 데이터

(2) 이탈률 및 전환율 계산

(3) 시각화

6. 퍼널 분석 결과 활용

(1) 이탈률이 높은 단계

(2) 전환율 최적화

7. 퍼널 분석 도구