Offcanvas

How To / 개발자 / 빅데이터 | 애널리틱스 / 애플리케이션

'파이썬 생태계 숨은 보석' 데이터 과학 툴 5가지

2023.05.23 Serdar Yegulalp  |  InfoWorld
파이썬의 풍부한 데이터 과학 툴 생태계는 사용자에게 큰 매력이다. 반면 이처럼 광범위하고 깊은 툴 모음의 유일한 단점은 종종 좋은 툴을 모르고 지나칠 수 있다는 점이다. 여기서는 비교적 새롭거나 덜 알려진 최고의 파이썬 데이터 과학 프로젝트를 소개한다. 폴라스(Polars) 등 전보다 많은 관심을 끌고 있지만 가치에 비해 여전히 덜 알려진 툴도 있고, 커넥터엑스(ConnectorX)와 같이 숨은 보석도 있다.
 
ⓒ Getty Image Bank
 

커넥터엑스

대부분의 데이터는 어딘가의 데이터베이스에 위치하지만 계산은 일반적으로 데이터베이스 바깥에서 이뤄진다. 실제 작업을 위해 데이터를 데이터베이스 안팎으로 옮기는 과정에서 속도가 느려질 수 있다. 커넥터X(ConnectorX)는 데이터베이스의 데이터를 파이썬의 많은 일반적인 데이터 랭글링 툴로 불러온다. 필요한 작업을 최소화해서 빠른 속도를 유지해준다. 

다음에서 살펴볼 폴라스와 마찬가지로 커넥터엑스는 러스트 라이브러리를 사용한다. 덕분에 파티셔닝과 함께 병렬로 데이터 소스에서 로드하는 기능과 같은 최적화가 가능하다. 예를 들어 파티션 열을 지정해 포스트그레SQL의 데이터를 병렬로 로드할 수 있다. 

포스트그레SQL 외에 마이SQL/마리아DB, SQL라이트(SQLite), 아마존 레드시프트, 마이크로소프트 SQL 서버, 애저 SQL 및 오라클에서 읽기도 지원한다. 결과를 판다스 또는 파이애로우 데이터프레임(PyArrow DataFrame)으로 전달하거나, 파이애로우를 거쳐 모딘(Modin), 다스크(Dask) 또는 폴라스로 전달할 수 있다. 
 

덕DB

파이썬을 사용하는 데이터 과학자라면 파이썬과 함께 패키징되는 작지만 강력하고 빠른 관계형 데이터베이스인 SQL라이트를 주목해야 한다. 별도의 애플리케이션이 아닌 프로세스 내 라이브러리로 실행되므로 가볍고 응답성이 우수하다. 

덕DB(DuckDB)는 “OLAP용 SQL라이트를 만들면 어떨까?”라는 질문에 대한 답이라고 볼 수 있다. 다른 OLAP 데이터베이스 엔진과 마찬가지로 열 기반 데이터스토어를 사용하며 장기간 실행되는 분석 쿼리 워크로드에 최적화된다. 또한 예를 들어 ACID 트랜잭션과 같이 일반적인 데이터베이스에서 기대할 법한 모든 기능을 제공한다. 구성해야 하는 별도의 소프트웨어 모음이 없으므로 pip install 명령 하나로 파이썬 환경에서 실행할 수 있다. 

덕DB는 CSV, JSON 또는 파케이(Parquet) 형식으로 데이터를 직접 수집할 수 있다. 그렇게 만들어진 데이터베이스는 연도, 월 같은 키를 기반으로 여러 물리적 파일로 파티션해서 효율성을 높일 수 있다. 쿼리는 여타 SQL 기반 관계형 데이터베이스와 똑같이 작동하지만 데이터의 랜덤 샘플을 취하거나 윈도우 함수를 구성하는 등 부가적인 기능도 내장했다. 덕DB의 작지만 유용한 확장 모음에는 전체 텍스트 검색, 엑셀 가져오기/내보내기, SQL라이트 및 포스트그레SQL 직접 연결, 파케이 파일 내보내기 등이 있고, 일반적인 여러 가지 지리공간 데이터 형식도 지원한다. 
 

옵티머스

데이터프레임 중심 프로젝트에 사용하기 위해 데이터를 정제하고 준비하는 작업은 가장 기피하고 싶은 작업 중 하나일 것이다. 이때 옵티머스(Optimus)는 데이터를 로드, 탐색, 정제하고 다양한 데이터 소스에 다시 쓰기 위한 올인원 툴셋이다. 옵티머스는 판다스, 다스크, CUDF(다스크+CUDF), 벡스(Vaex) 또는 스파크를 기반 데이터 엔진으로 사용할 수 있다. 애로우, 파케이, 엑셀, 일반적인 다양한 데이터 소스 또는 CSV나 JSON과 같은 플랫 파일 형식으로 데이터를 로드하고 다시 저장할 수 있다. 

데이터 조작 API는 판다스와 유사하지만 .rows() 및 .cols() 접근자가 추가되므로 데이터프레임 정렬, 열 값에 따른 필터, 기준에 따른 데이터 변경 또는 일부 기준에 따라 연산 범위 좁히기와 같은 작업을 더 쉽게 할 수 있다. 또한 이메일 주소, URL과 같은 일반적인 데이터 유형을 처리하기 위한 처리기도 번들로 함께 제공한다. 옵티머스의 한 가지 문제는 아직 개발 단계임에도 마지막 공식 릴리스가 2020년이라는 점이다.
 

폴라스

대부분의 시간을 데이터프레임을 다루는 데 보내고 있고 판다스의 성능 제약에 진절머리가 난다면 폴라스(Polars)를 사용해 보자. 파이썬용 데이터프레임 라이브러리인 폴라스는 판다스와 비슷한 편리한 구문을 제공한다. 판다스와 다른 점은 기본적으로 하드웨어를 최대한 활용하는 러스트로 작성된 라이브러리를 사용한다는 것이다. 병렬 처리나 SIMD와 같은 성능 향상 기능을 활용하기 위해 특별한 구문을 사용할 필요가 없다. 자동으로 된다. CSV 파일에서 읽기와 같은 간단한 작업도 더 빠르다. 

폴라스는 즉시(eager) 및 지연(lazy) 실행 모드도 제공하므로 쿼리를 즉시 실행하거나 필요한 시점까지 지연시킬 수 있다. 쿼리를 증분 처리하기 위한 스트리밍 API도 제공하지만 아직 스트리밍을 사용할 수 없는 함수가 많다. 러스트 개발자라면 pyo3을 사용해 자체 폴라스 확장을 만들 수 있다. 
 

스네이크메이크

데이터 과학 워크플로우는 설정하기 어려운데, 일관적이고 예측 가능한 방식으로 설정하기는 더욱 어렵다. 스네이크메이크(Snakemake)는 이 문제를 해소하기 위해 개발됐다. 파이썬의 데이터 분석을 자동으로 설정해 다른 모든 사람도 나와 같은 결과를 얻도록 보장한다. 많은 기존 데이터 과학 프로젝트가 스네이크메이크에 의존한다. 데이터 과학 워크플로우에 움직이는 요소가 많을수록 스네이크메이크로 자동화해서 얻는 이익도 커진다. 

스네이크메이크 워크플로우는 GNU 메이크(make) 워크플로우와 비슷하다. 규칙을 사용해서 만들 것을 정의해서 이를 통해 무엇을 받아들일지, 무엇을 내보낼지, 이를 달성하기 위해 어떤 명령을 실행할지를 정의한다. 워크플로우 규칙은 멀티스레딩이 가능하며(이점이 있다면), 구성 데이터는 JSON/YAML 파일에서 가져올 수 있다. 또한 워크플로우에 함수를 정의해 규칙에 사용되는 데이터를 변환하고 각 단계에서 수행된 작업을 로그에 쓸 수 있다. 

스네이크메이크 작업은 이식이 가능하도록 만들어졌으므로 모든 쿠버네티스 관리 환경, 또는 구글 클라우드 라이프 사이언스(Google Cloud Life Sciences)나 AWS의 티바나(Tibanna)와 같은 특정 클라우드 환경에 배포가 가능하다. 워크플로우를 “동결”해서 정확히 정해진 패키지 집합만 사용할 수 있으며 성공적으로 실행된 워크플로우에 대해서는 자동으로 단위 테스트를 생성해서 함께 저장할 수 있다. 또한 장기 보관을 위해 워크플로우를 타볼(tarball)로 저장할 수 있다. 
editor@itworld.co.kr
CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

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

Copyright © 2024 International Data Group. All rights reserved.