개인적으로 파이썬을 좋아하지 않는다. 그러나, AI 시대에 있어 파이썬을 언제까지나 기피할 수 없다. 비록 파이썬으로 개발하지 않더라도 파이썬 코드를 보고 이해할 수 있는 역량을 키워보자. 파이썬은 개발자 보다는 DevOps 엔지니어 또는 QA 엔지니어 그리고 데이터 분석 엔지니어가 많이 활용한다.

파이썬 인터프리터

파이썬은 컴파일 단계를 거치지 않고 코드를 한줄씩 그대로 파이썬 인터프리터에 의해 코드가 실행된다. 기본적인 파이썬 인터프리터는 CPython 이며, pip 또는 uv 는 파이썬에서 사용할 수 있는 패키지 매니저이다. 파이썬 개발자가 아니기 때문에 파이썬 인터프리터가 정확히 어떤 과정으로 코드를 실행하는지는 자세히 알 필요는 없어보인다.

모듈 디렉토리

파이썬은 변수 또는 함수 그리고 클래스 등을 하나의 .py 파일에 정의하여 다른 파일에서 불러올 수 있도록 모듈화한다. 웹 애플리케이션 작성을 위해 FastAPI 패키지를 설치하면 모듈을 가져와서 실행하게 된다. 모듈 파일이 존재하는 디렉토리에 __init__.py 파일이 존재하면 해당 폴더는 패키지로 취급된다. Best Practices 프로젝트 코드를 찾아보면 파일 구조 상에 이 파일이 없을 수 있는 걸 볼 수 있는데 생략이 가능한 것으로 보인다.

from fastapi import FastAPI

app = FastAPI()


@app.get("/")
def index():
    return {"Hello": "World"}

데코레이터

파이썬에서 데코레이터는 다른 함수를 래핑하는 패턴이다. FastAPI에서 라우터를 등록할 때 사용하거나 Cache를 통해 파이썬 성능을 향상시키는데 사용할 수 있다. 다음과 같은 타이밍 데코레이터는 함수의 실행 시간을 측정하여 성능 이슈가 내재된 구간을 찾는데 도움이 된다.

import functools
import time

def timing_decorator(func):
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(f"함수 '{func.__name__}' 실행 시간: {end_time - start_time:.4f} 초")
        return result
    return wrapper

@timing_decorator
def example_function(n):
    total = 0
    for i in range(n):
        total += i
    return total

if __name__ == '__main__':
    example_function(10000000)

SQLAlchemy vs SQLModel

SQLAlchemy ORM은 파이썬에서 사용할 수 있는 ORM 라이브러리로 SQLite 와 같은 데이터베이스와 통신할 수 있다 . FastAPI 에서 제공하는 SQLModel 은 SQLAlchemy 기반에서 Pydantic 이 결합된 기능을 지원한다. SQLModel 을 제대로 사용하기 위해서는 SQLAlchemy 를 먼저 학습하는 것이 좋을 것 같다. 다음은 AWS IoT Core 에서 발급받은 IoT 클라이언트 인증서를 저장할 수 있는 테이블을 정의해본 것이다.

from datetime import datetime
from sqlmodel import Field, Session, SQLModel, create_engine, Column, LargeBinary
from sqlalchemy.dialects.sqlite import insert


class IoT(SQLModel, table=True):
    __tablename__ = "iot"
    __table_args__ = {"sqlite_autoincrement": True, "comment": "AWS IoT Thing"}

    id: int = Field(default=None, primary_key=True)
    client_id: str = Field(nullable=False, unique=True)
    private_key: bytes = Field(sa_column=Column(LargeBinary, nullable=False))
    cert_pem: bytes = Field(sa_column=Column(LargeBinary, nullable=False))
    ca_cert_pem: bytes | None = Field(sa_column=Column(LargeBinary, nullable=True))
    created_at: datetime = Field(default_factory=lambda: datetime.now(), nullable=False)


engine = create_engine(
    "sqlite:///./db/app.db", echo=True, pool_size=5, pool_recycle=3600
)
SQLModel.metadata.create_all(engine)
session = Session(engine)

stmt = (
    insert(IoT)
    .values(client_id="asdf", private_key=b"", cert_pem=b"")
    .on_conflict_do_nothing()
)
session.exec(stmt)
session.commit()

Pandas vs Polars

파이썬 프로젝트에서 데이터 처리 및 분석을 위해 데이터 프레임을 다루는 라이브러리로 전통적으로 판다스가 사용되었지만 최근에는 판다스에 단점인 성능 이슈를 보완하기 위해 Rust로 작성된 폴라스로 대체되어 사용되는 것 같다. 젯브레인스 블로그에서 공유한 Polars와 pandas 비교: 어떻게 다를까요?를 읽어보자.

Seaborn vs Plotly

데이터 분석에서 차트 시각화는 Matplotlib, Seaborn, Plotly 중 하나를 사용하는 것 같다. 다음과 같이 Polars DataFrame 을 Visualization할 수 있다.

import polars as pl
import plotly.express as px

if __name__ == "__main__":
    df = pl.DataFrame({"category": ["A", "B", "C", "D"], "value": [10, 25, 15, 30]})

    fig = px.bar(
        df, x="category", y="value", title="Polars DataFrame with Plotly Express"
    )
    fig.show()