SQL의 중요성

모든 데이터 직군에게 필요한 기술은 SQL

데이터 관련 3개의 직군

• 데이터 엔지니어
  • 파이썬, 자바/스칼라
  • SQL, 데이터베이스
  • ETL/ELT (Airflow, DBT)
  • Spark, Hadoop
• 데이터 분석가
  • SQL, 비지니스 도메인에 대한 지식
  • 통계 (AB테스트 분석)
• 데이터 과학자
  • 머신러닝
  • SQL, 파이썬
  • 통계

관계형 데이터베이스

관계형 데이터베이스

구조화된 데이터를 저장하고 질의할 수 있도록 해주는 스토리지

• 엑셀 스프레드시트 형태의 테이블로 데이터를 정의하고 저장
  • 테이블에는 컬럼(열)과 레코드(행)이 존재

관계형 데이터베이스를 조작하는 프로그래밍 언어가 SQL

• 테이블 정의를 위한 DDL(Data Definition Language)
• 테이블 데이터 조작/질의를 위한 DML(Data Manipulation Language)

대표적 관계형 데이터베이스

프로덕션 데이터베이스 : MySQL, PostgreSQL, Oracle, ...

• OLTP(Online Transaction Processing)
• 빠른 속도에 집중. 서비스에 필요한 정보 저장

데이터웨어하우스 : Redshift, Snowflake, BigQuery, Hive,...

• OLAP(Online Analytical Processing)
• 처리 데이터 크기에 집중. 데이터분석 혹은 모델 빌딩 등을 위한 데이터 저장
  • 보통 프로덕션 데이터베이스를 복사해서 데이터웨어하우스에 저장

관계형 데이터베이스의 구조

관계형 데이터베이스는 2단계로 구성됨

• 가장 밑단에는 테이블들이 존재 (테이블은 엑셀의 시트에 해당)
• 테이블들은 데이터베이스(혹은 스키마)라는 폴더 밑으로 구성 (엑셀에서는 파일)

테이블의 구조 (테이블의 스키마라고 부르기도 함)

• 테이블은 레코드들로 구성 (행)
• 레코드는 하나 이상의 필드(컬럼)으로 구성(열)
• 필드(컬럼)는 이름과 타입과 속성(primary key)으로 구성됨
  

SQL

SQL 소개

SQL : Structured Query Language

• 관계형 데이터베이스에 있는 데이터(테이블)를 질의하거나 조작해주는 언어

두 종류의 언어로 구성됨

• DDL (Data Definition Language)
  • 테이블의 구조를 정의하는 언어
• DML (Data Manipulation Language)
  • 테이블에서 원하는 레코드들을 읽어오는 질의 언어
  • 테이블에 레코드를 추가/삭제/갱신해주는데 사용하는 언어

SQL은 빅데이터 세상에서 중요

구조화된 데이터를 다루는 한 SQL은 데이터 규모와 상관없이 쓰임

모든 대용량 데이터웨어하우스는 SQL기반

• Redshift, Snowflake, BigQuery, Hive

Spark이나 Hadoop도 예외는 아님

• SparkSQL과 Hive라는 SQL언어가 지원됨

데이터 분야에서 일하고자 하면 반드시 익혀야할 기본 기술

• 데이터 엔지니어, 데이터 분석가, 데이터 과학자 모두 알아야함

SQL의 단점

구조화된 데이터를 다루는데 최적화가 되어있음

• 정규표현식을통해 비구조화된데이터를어느정도다루는것은가능하나 제약이 심함
• 많은 관계형 데이터베이스들이 플랫한 구조만 지원함 (no nested like JSON)
  • 구글 빅쿼리는 nested structure를 지원함
• 비구조화된 데이터를 다루는데 Spark, Hadoop과 같은 분산 컴퓨팅 환경이 필요해짐
  • 즉 SQL만으로는 비구조화 데이터를 처리하지 못함

관계형 데이터베이스마다 SQL 문법이 조금씩 상이

Star shema

Production DB용 관계형 데이터베이스에서는 보통 스타 스키마를 사용해 데이터 저장

데이터를 논리적 단위로 나눠 저장하고 필요시 조인, 스토리지의 낭비가 덜하고 업데이트가 쉬움

Denormalized schema

데이터웨어하우스에서 사용하는 방식

• 단위 테이블로 나눠 저장하지 않음으로 별도의 조인이 필요 없는 형태를 말함

이는 스토리지를 더 사용하지만 조인이 필요 없기에 빠른 계산이 가능

데이터웨어하우스 : 회사에 필요한 모든 데이터 저장

여전히 SQL기반의 관계형 데이터베이스

• 프로덕션 데이터베이스와는 별도이어야 함
  • OLAP(Online Analytical Processing ) vs OLTP(Online Transaction Processing)
• AWS의 Redshift, Google Cloud의 Big Query, Snowflake 등이 대표적
  • 고정비용 옵션 vs 가변비용 옵션

데이터웨어하우스는 고객이 아닌 내부 직원을 위한 데이터베이스

• 처리속도가 아닌 처리 데이터의 크기가 더 중요해짐

ETL 혹은 데이터 파이프라인

• 외부에 존재하는 데이터를 읽어다가 데이터웨어하우스로 저장해주는 코드들이 필요해지는데 이를 ETL 혹은 데이터 파이프라인이라고 부름

데이터 인프라

데이터 엔지니어가 관리

• 여기서 한 단계 더 발전하면 Spark와 같은 대용량 분산 처리 시스템이 일부로 추가됨
  

데이터 순환구조

Cloud와 AWS

클라우드 정의

컴퓨팅 자원(하드웨어, 소프트웨어 등등)을 네트워크를 통해 서비스 형태로 저장하는 것

키워드

• No Provisioning
• Pay As You Go

자원(예를 들면 서버)을 필요한만큼 (거의) 실시간으로 할당하여 사용한만큼 지불

• 탄력적으로 필요한만큼의 자원을 유지하는 것이 중요

클라우드 컴퓨팅이 없었다면?

서버/네트워크/스토리지 구매와 설정 등을 직접 수행헤야 함

데이터센터 공간을 직접 확보 (Co-location)

• 확장이 필요한 경우 공간을 먼저 더 확보해야 함

그 공간에 서버를 구매하여 설치하고 네트워크 설정

• 보통 서버를 구매해서 설치하는데 적어도 두세달은 걸림

또한 Peak time을 기준으로 Capacity planning을 해야 함

• 놀고있는자원들이높게되는현상발생

직접 운영비용 vs 클라우드 비용

• 기회비용

클라우드 컴퓨팅 장점

초기투자비용이크게줄어듬

• CAPEX (Capital Expenditure) vs OPEX (Operating Expense)

리소스 준비를 위한 대기시간 대폭 감소

• Shorter Time to Market

노는리소스제거로비용감소

글로벌 확장 용이

소프트웨어 개발 시간 단축

• Managed Service (SaaS) 이용

AWS 소개

가장 큰 클라우드 컴퓨팅 서비스 업체.

2002년 아마존의 상품데이터를 API로 제공하면서 시작

• 현재 100여개의 서비스를 전세계 15개의 지역에서 제공
• 대부분의 서비스들이 오픈소스 프로젝트들을 기반으로 함
• 최근 들어 ML/AI 관련 서비스들도 내놓기 시작

사용고객

• Netflix, Zynga등의 상장업체들도 사용
• 많은 국내 업체들도 사용시작 (서울 리전)

다양한 종류의 소프트웨어/플랫폼 서비스를 제공

• AWS의 서비스만으로 쉽게 온라인서비스 생성

AWS 서비스

EC2 - Elastic Compute Cloud(1)

AWS의 서버 호스팅 서비스.

• 리눅스 혹은 윈도우 서버를 론치하고 어카운트를 생성하여 로그인 가능 (구글앱엔진과의 가장 큰
  차이점)
• 가상 서버들이라 전용서버에 비해 성능이 떨어짐
• Bare-metal 서버도 제공하기 시작

다양한종류의서버타입제공

• http://aws.amazon.com/ec2/
• 예를 들어 미국 동부에서 스몰타입(t2.small)의 무료 리눅스 서버를 하나 할당시
  • 시간당 2.3 센트의 비용지불.
  • 2GB 메모리, 1 가상코어, 160GB 하드디스크
• Incoming network bandwidth는 공짜이지만 outgoing은 유료

EC2 - Elastic Compute Cloud(2)

세가지 종류의 구매 옵션

• On-Demand : 시간당 비용이 지불되며 가장 흔히 사용하는 옵션
• Reserved : 1년이나 3년간 사용을 보장하고 1/3 정도에서 40% 디스카운트를 받는 옵션
• Spot Instance : 일종의 경매방식으로 놀고 있는 리소스들을 보다 싼 비용으로 사용할 수 있는 옵션

S3 - Simple Storage Service(1)

• http://aws.amazon.com/s3/
• 아마존이 제공하는 대용량 클라우드 스토리지 서비스
• S3는 데이터 저장관리를 위해 계층적 구조를 제공
• 글로벌 내임스페이스를 제공하기 때문에 톱레벨 디렉토리 이름 선정에 주의
• S3에서는 디렉토리를 버킷(Bucket)이라고 부름
• 버킷이나 파일별로 액세스 컨트롤 가능

S3 - Simple Storage Service(2)

• https://aws.amazon.com/ko/s3/pricing/
• Low cost. 1TB per month:
  • Standard storage: $23
    • Infrequent Access storage: $12.5
    • SLA가 다름
  • Glacier storage: $4

기타 중요 서비스 - Database Services

• RDS (Relational Database Service)
  • MySQL, PostgreSQL, Aurora
  • Oracle, MS SQL Server
• DynamoDB
• Redshift
• ElastiCache
• Neptune (Graph database)
• ElasticSearch
• MongoDB

기타 중요 서비스 - AI & ML Services

• SageMaker
  • Deep Learning and Machine Learning end-to-end framework
• Lex
  • Conversational Interface (Chatbot service)
• Polly
  • Text to Speech Engine
• Rekognition
  • Image Recognition Service

기타 중요 서비스

• Amazon Alexa
  • Amazon’s voice bot platform
• Amazon Connect
  • Amazon’s Contact Center Solution
  • 콜센터 구현이 아주 쉬워짐
• Lambda
  • Event-driven, serverless computing engine
  • 서비스 구현을 위해서 EC2를 론치할 필요가 없음
  • Google Cloud에는 Cloud Function이란 이름으로 존재
  • Azure에는 Azure Function이란 이름으로 존재

Redshift

Redshift : Scalable SQL 엔지(1)

2PB까지 지원

Still OLAP

• 응답속도가 빠르지 않기 때문에 프로덕션 데이터베이스로 사용불가

Columnar storage

• 컬럼별 압축이 가능
• 컬럼을 추가하거나 삭제하는 것이 아주 빠름

Redshift : Scalable SQL 엔지(2)

벌크 업데이트 지원

• 레코드가 들어있는 파일을 S3로 복사 후 COPY 커맨드로 Redshift로 일괄
  복사

고정 용량/비용 SQL 엔진

• vs Snowflake vs. BigQuery

다른 데이터 웨어하우스처럼 primary key uniqueness를 보장하지 않음

• 프로덕션 데이터베이스들은 보장함

Redshift는 Postgresql 8.x와 SQL이 호환됨

하지만 Postgresql 8.x의 모든 기능을 지원하지는 않음

• 예를 들어 text 타입이 존재하지 않음

Postgresql 8.x를 지원하는 툴이나 라이브러리로 액세스 가능

• JDBC/ODBC

다시 한번 SQL이 메인 언어라는 점 명심

• 그러기에 테이블 디자인이 아주 중요

Redshift Schema (폴더) 구성

Redshift 액세스 방법

• Google Colab 사용
• Postgresql 8.x와 호환되는 모든 툴과 프로그래밍 언어를 통해 접근 가능
  • SQL Workbench(Mac과 윈도우), Postico(Mac)
  • Python이라면 psycopg2 모듈
  • 시각화/대시보드 툴이라면 Looker, Tableau, PowerBI, Superset등에서 연결 가능

이 글에서 소개된 내용은 프로그래머스 데이터분석1기에서 진행된 한기용 강사님의 온라인 강의를 참조하여 작성되었습니다.