개발자 / 데이터ㆍ분석

“속도 하락 막고 전처리 수월하게” 파이썬용 필수 데이터 과학 툴 5가지

Serdar Yegulalp | InfoWorld 2024.06.26
풍부한 데이터 과학 도구 생태계는 파이썬의 가장 큰 장점이다. 반면 너무 다양해 때때로 놓치는 툴이 있을 수 있다. 이렇게 자칫 놓칠 수 있는 데이터 과학 프로젝트를 소개한다. 예를 들어 폴라스(Polars)처럼 예전보다는 더 많은 사람이 알고 있지만 여전히 더 널리 알려질 필요가 있고, 커넥터X(ConnectorX)는 숨은 보석 같은 프로젝트다.
 
ⓒ Getty images Bank
 

커넥터X

대부분 데이터는 데이터베이스 어딘가에 있지만 일반적으로 연산 작업은 데이터베이스 외부에서 이뤄진다. 따라서 실제 작업을 위해 데이터베이스에서 데이터를 가져오고 경우 처리 속도가 느려질 수 있다. 커넥터X(ConnectorX)는 데이터베이스의 데이터를 파이썬의 여러 일반적인 데이터 랭글링 도구로 로드해 작업량을 최소화하고 작업 속도가 떨어지지 않도록 유지하는 역할을 한다.

커넥터X는 러스트(Rust) 라이브러리를 사용한다. 이를 통해 파티셔닝과 동시에 데이터 소스에서 로드하는 것이 가능하다. 예를 들어, 파티션 열을 지정해 포스트그래SQL의 데이터를 이런 방식으로 로드할 수 있다. 포스트그래SQL 외에도 마이SQL/마리아DB, SQ라이트, 아마존 레드시프트, 마이크로소프트 SQL 서버와 애저 SQL, 오라클 등을 지원한다. 결과는 판다스(Pandas) 또는 파이애로우(PyArrow) 데이터프레임 형식이고, 파이애로우를 통해 모딘(Modin), 데스크(Dask) 또는 폴라스로 퍼널링할 수 있다.
 

덕DB

파이썬을 사용하는 데이터 과학자라면 작지만 강력하고 빠른 관계형 데이터베이스이자, 파이썬으로 패키징된 SQ라이트를 꼭 알아둘 필요가 있다. 별도의 애플리케이션이 아닌 프로세스 내 라이브러리로 실행하므로 가볍고 반응이 빠르다.

덕DB는 "OLAP용 SQ라이트를 만들면 어떨까?"라는 질문에 대한 대답이다. 다른 OLAP 데이터베이스 엔진과 마찬가지로, 칼럼형 데이터 저장소를 사용하며 장기 실행 분석 쿼리 워크로드에 최적화돼 있다. 동시에 ACID 트랜잭션과 같이 기존 데이터베이스에서 기대할 수 있는 모든 기능을 제공한다. 별도의 소프트웨어 제품군을 구성할 필요 없이, 단 한 번의 pip 설치 명령으로 파이썬 환경에서 실행할 수 있는 것도 장점이다.

덕DB는 CSV, JSON 또는 파케이(Parquet) 형식의 데이터를 직접 수집할 수 있다. 또한 결과 데이터베이스를 연도별, 월별 등 키를 기준으로 여러 개의 물리적 파일로 분할해 사용할 수 있다. 쿼리는 다른 SQL 기반 관계형 데이터베이스처럼 작동하고, 데이터의 무작위 샘플을 가져오거나 윈도우 함수를 구성하는 기능 등 추가 기능도 내장돼 있다. 또한 덕DB에는 전체 텍스트 검색, 엑셀 가져오기/내보내기, SQ라이트 및 포스트그래SQL에 직접 연결, 파케이 파일 내보내기, 여러 가지 일반적인 지리 공간 데이터 형식 및 유형 지원 등 작지만 유용한 확장 기능이 있다.
 

옵티머스

파이썬 작업 중 가장 소모적인 것이 데이터 프로젝트를 위해 데이터를 정리하고 준비하는 것이다. 옵티머스(Optimus)는 바로 이런 작업을 할 때 다양한 데이터 소스에서 데이터를 로드, 탐색, 정리 및 다시 쓰기 위한 올인원 도구다. 옵티머스는 기본 데이터 엔진으로 판다스, 데스크, CUDF 혹은 데스크+CUDF, 벡스(Vaex) 또는 스파크(Spark)를 사용한다. 데이터를 애로우, 파케이, 엑셀, 다양한 일반 데이터베이스 소스 또는 CSV, JSON과 같은 플랫 파일 형식에서 로드하고 다시 저장할 수 있다.

데이터 조작 API는 판다와 비슷하지만 .rows() 및 .cols() 접근자를 추가해 데이터 프레임 정렬, 열 값으로 필터링, 기준에 따라 데이터 변경 또는 일부 기준에 따라 작업 범위를 좁히는 등의 작업을 쉽게 할 수 있다. 옵티머스는 이메일 주소와 URL 같은 일반적인 실제 데이터 유형을 처리하기 위한 프로세서도 번들로 제공한다. 옵티머스의 한 가지 문제는 아직 개발 중이고 마지막 공식 버전 출시가 2020년이라는 사실이다. 즉, 스택의 다른 컴포넌트만큼 최신 버전이 아닐 수 있다.
 

폴라스

데이터프레임으로 작업하는 데 많은 시간을 할애하는데 판다스(Pandas)의 성능 한계로 인해 좌절감을 느낀다면 폴라스가 대안이다. 이 파이썬용 데이터프레임 라이브러리는 판다스와 유사한 구문을 제공하지만, 판다스와 달리 하드웨어를 최대한 활용할 수 있는 러스트로 작성된 라이브러리를 사용한다. 병렬 처리나 SIMD와 같은 성능 향상 기능을 활용하기 위해 특별한 구문을 사용할 필요 없이 모든 것이 자동으로 이루어진다. CSV 파일에서 읽는 것과 같은 간단한 작업도 더 빨라진다.

폴라스는 빠른 실행 모드와 지연 실행 모드를 제공하므로 쿼리를 즉시 실행하거나 필요할 때까지 지연시킬 수 있다. 또한 아직 많은 함수에서 스트리밍을 사용할 수는 없지만 쿼리를 점진적으로 처리하기 위한 스트리밍 API를 제공한다. 러스트 개발자는 pyo3를 사용해 자신만의 폴라스 확장 프로그램을 만들 수 있다.
 

스네이크메이크

데이터 과학 워크플로우는 기본적으로 설정하기가 어렵고, 일관되고 예측 가능한 방식으로 설정하기는 더 어렵다. 스네이크메이크(Snakemake)는 이 프로세스를 자동화하기 위해 만들어졌다. 기존 많은 데이터 과학 프로젝트가 스네이크메이크를 사용한다. 데이터 과학 워크플로우에 움직이는 부분이 많을수록, 스네이크메이크로 워크플로우를 자동화하면 더 효과가 좋다.

스네이크메이크 워크플로는 GNU 메이크 워크플로우와 비슷하다. 워크플로우의 단계를 규칙으로 정의하고, 그 규칙은 무엇을 가져오고, 무엇을 내보내고, 어떤 명령을 실행해 목표를 달성할지 지정한다. 필요하다면 워크플로우 규칙을 멀티 스레드화할 수 있고, 구성 데이터는 JSON 또는 YAML 파일에서 가져올 수 있다. 워크플로우에서 함수를 정의해 규칙에 사용되는 데이터를 변환하고 각 단계에서 수행한 작업을 로그에 기록할 수도 있다.

스네이크메이크 작업은 이식 가능하도록 설계되었기 때문에 모든 쿠버네티스 환경이나 구글 클라우드 라이프 사이언스(Life Sciences) 또는 AWS의 티바나(Tibanna)와 같은 클라우드 환경에 배포할 수 있다. 특정 패키지 세트를 사용하도록 워크플로우를 '고정'할 수 있으며, 성공적으로 실행된 워크플로우에는 단위 테스트를 자동으로 생성하도록 할 수도 있다. 또한 타볼(tarball)로 저장해 워크플로우를 장기 보관하는 것도 가능하다.
editor@itworld.co.kr
Sponsored
IDG 설문조사

회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512
| 등록번호 : 서울 아00743 등록발행일자 : 2009년 01월 19일

발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규
| 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.