NumPy와 Pandas를 바로 시작할 수도 있지만 Python의 기본 문법을 모르면 데이터 분석 코드가 왜 동작하는지 이해하기 어렵다.
특히 다음 개념은 데이터 분석 코드에서 계속 반복해서 등장한다.
- 숫자와 부동소수점
- 문자열과 포매팅
- 조건문
- 함수
- 반복문
- 리스트와 딕셔너리
- 객체와 클래스
- 날짜와 시간
이 글에서는 데이터 분석에서 실제로 자주 연결되는 관점으로 Python 기초를 정리한다.
Python을 계산기로 사용하기
10 + 20
10 - 3
5 * 4
10 / 4
10 // 4
10 % 4
2 ** 10| 연산자 | 의미 |
|---|---|
+ | 덧셈 |
- | 뺄셈 |
* | 곱셈 |
/ | 나눗셈 |
// | 몫 |
% | 나머지 |
** | 거듭제곱 |
변수
price = 15000
quantity = 3
total = price * quantity의미가 드러나는 이름을 사용하는 것이 좋다.
conversion_rate = 0.135
sample_size = 1000부동소수점은 정확한 소수가 아닐 수 있다
0.1 + 0.2결과는 다음처럼 보일 수 있다.
0.30000000000000004컴퓨터가 대부분의 실수를 2진 부동소수점으로 표현하기 때문이다.
따라서 다음 비교는 기대와 다를 수 있다.
0.1 + 0.2 == 0.3허용 오차를 고려하려면:
import math
math.isclose(
0.1 + 0.2,
0.3,
)평균, 비율, 통계값을 비교할 때 알아두면 좋다.
문자열
name = "user-101"
status = "active"f-string을 사용하면 값과 문자열을 읽기 쉽게 조합할 수 있다.
message = (
f"{name}: {status}"
)숫자 출력 형식
revenue = 1234567.89
print(
f"{revenue:,.0f}원"
)1,234,568원비율:
rate = 0.1375
print(
f"{rate:.2%}"
)13.75%조건문
score = 82
if score >= 90:
grade = "A"
elif score >= 80:
grade = "B"
else:
grade = "C"데이터 분류에도 같은 구조를 사용할 수 있다.
amount = 65000
if amount >= 50000:
segment = "high"
else:
segment = "normal"비교와 논리 연산
age >= 20
status == "active"
price != 0조건 조합:
if (
status == "active"
and amount >= 50000
):
print(
"우선 분석 대상"
)함수
반복되는 계산에는 함수를 사용한다.
def calculate_rate(
success,
total,
):
if total == 0:
return 0.0
return (
success
/ total
)rate = calculate_rate(
85,
100,
)함수로 만들면 계산 로직을 재사용하고 테스트하기 쉬워진다.
기본값이 있는 함수
def apply_discount(
price,
rate=0.1,
):
return (
price
* (1 - rate)
)apply_discount(10000)
apply_discount(
10000,
rate=0.2,
)리스트
sales = [
120,
150,
90,
210,
]인덱싱:
sales[0]
sales[-1]슬라이싱:
sales[:2]
sales[1:3]값 추가:
sales.append(180)for 반복문
sales = [
120,
150,
90,
]
for value in sales:
print(value)합계를 직접 구하면:
total = 0
for value in sales:
total += value합계만 필요하다면 내장 함수가 더 간단하다.
total = sum(sales)리스트 컴프리헨션
sales = [
120,
150,
90,
210,
]
high_sales = [
value
for value in sales
if value >= 150
][150, 210]Pandas를 배우기 전 Python 수준에서 필터링 개념을 이해하는 데 도움이 된다.
튜플
수정하지 않을 값 묶음에 적합하다.
point = (
37.5,
127.0,
)언패킹:
latitude, longitude = (
point
)딕셔너리
하나의 데이터 레코드를 표현할 때 유용하다.
user = {
"id": 101,
"age": 29,
"active": True,
}조회:
user["age"]키가 없을 수 있다면:
user.get(
"email"
)여러 개의 레코드
users = [
{
"id": 1,
"age": 24,
},
{
"id": 2,
"age": 31,
},
]for user in users:
print(
user["age"]
)이런 표 형태의 데이터를 더 강력하게 다루는 도구가 Pandas의 DataFrame이다.
객체와 클래스
Python에서 문자열, 리스트, 숫자도 모두 객체다.
text = "python"
print(
text.upper()
)직접 클래스를 만들 수도 있다.
class Metric:
def __init__(
self,
name,
value,
):
self.name = name
self.value = value
def summary(self):
return (
f"{self.name}: "
f"{self.value}"
)metric = Metric(
"conversion_rate",
0.135,
)
print(
metric.summary()
)DataFrame, Series, ndarray 같은 라이브러리 객체를 이해할 때 클래스와 메서드 개념이 도움이 된다.
패키지 사용하기
import math
print(
math.sqrt(16)
)관례적인 별칭:
import numpy as np
import pandas as pd패키지가 없다면:
python -m pip install numpy pandas자료형 확인과 변환
value = 10
print(
type(value)
)isinstance(
value,
int,
)변환:
int("10")
float("3.14")
str(100)날짜와 시간
from datetime import (
date,
datetime,
timedelta,
)현재 시간:
now = datetime.now()날짜 차이:
start = date(
2026,
10,
1,
)
end = date(
2026,
10,
6,
)
diff = end - start
print(
diff.days
)날짜 더하기:
tomorrow = (
end
+ timedelta(days=1)
)문자열과 날짜 변환
from datetime import datetime
value = "2026-10-06"
parsed = datetime.strptime(
value,
"%Y-%m-%d",
)문자열 출력:
parsed.strftime(
"%Y/%m/%d"
)Pandas 시계열 기능을 이해하기 전에 Python 자체의 날짜와 시간 개념을 익혀두면 좋다.
데이터 처리 예제
orders = [
{
"amount": 12000,
"status": "paid",
},
{
"amount": 45000,
"status": "paid",
},
{
"amount": 18000,
"status": "cancelled",
},
]결제 완료 금액만 합산한다.
total = 0
for order in orders:
if (
order["status"]
!= "paid"
):
continue
total += order["amount"]
print(total)이 코드에는 데이터 분석에서 계속 사용하는 Python 기초가 들어 있다.
- 리스트
- 딕셔너리
- 반복문
- 조건문
- 변수
- 산술 연산
Pandas는 이런 처리 작업을 표 형태 데이터에 맞게 더 편리하게 표현한다.
핵심 정리
- 데이터 분석을 시작하기 전에 숫자, 문자열, 조건문, 함수, 반복문, 리스트와 딕셔너리를 익혀두는 것이 좋다.
- 부동소수점은 이진수 기반 근사값이므로 실수 비교에는 오차를 고려해야 할 수 있다.
- f-string은 계산 결과를 읽기 좋은 문자열로 표현할 때 유용하다.
- 함수는 반복 계산을 재사용하고 테스트 가능한 단위로 만드는 데 도움이 된다.
- 리스트와 딕셔너리의 조합은 실제 데이터 레코드를 표현하는 기본적인 Python 구조다.
- NumPy의
ndarray, Pandas의DataFrame도 Python 객체이므로 클래스와 메서드 개념을 이해하면 라이브러리를 배우기 쉬워진다. - 날짜와 시간은 Python 표준 라이브러리에서 다룰 수 있으며 이후 Pandas 시계열 분석으로 확장된다.
