Jigoo Datalog

[SQL 쿼리테스트] 프로그래머스 Level1 복습

지구(Jigoo) — Sat, 22 Nov 2025 17:25:43 +0900

Level1 31문제 한 번에 다 풀기

문제별 복기사항

*우선순위: JOIN 복습

여러 기준으로 정렬하기: 기준 하나 빠트림, 정렬 기준 꼼꼼히 보기
상위 N개 레코드: 날짜가 가장 오래된 것은 ASC + LIMIT 1 또는 MIN (DESC + LIMIT 1 아님)
경기도에 위치한 식품창고 목록 출력하기: CASE-WHEN-THEN 구문 사용법 → (CASE WHEN 칼럼명 + 조건 THEN 값 ELSE 값 END) AS "칼럼명"
가장 비싼 상품 구하기: ORDER BY + LIMIT은 부하 가능성(느림), 집계함수 서브쿼리는 빠름
흉부외과 또는 일반외과 의사 목록 출력하기: DATE_FORMAT(칼럼명, "%Y-%m-%d"), 칼럼에 여러 항목 리스트로 조건 걸 때 칼럼명 IN (항목1, 항목2) (IS IN 아님)
평균 일일 대여 요금 구하기: 평균 집계함수 AVG (AVERAGE 아님), 반올림 ROUND(칼럼명, 소수점 N자리까지)
자동차 대여 기록에서 장기/단기 대여 구분하기: 일수 차이 계산 DATEDIFF (DATE_DIFF 아님)
특정 옵션이 포함된 자동차 리스트 구하기: MySQL에서 문자열 비교시에는 LIKE "%문자%" 가 CONTAINS의 역할을 함
조건에 부합하는 중고거래 댓글 조회하기: 예시에 따라 RIGHT JOIN 해야 함 JOIN시 예시 확인하기
잡은 물고기의 평균 길이 구하기: NULL값 대체시 성능은 IFNULL(칼럼, 대체할 값)이 좋고 이식성은 FROM 서브쿼리에서 CASE-WHEN-THEN 구문이 좋음 (서브쿼리 사용시 CASE-WHEN-THEN 뒤에 AS로 칼럼명 재지정해야 함)
특정 형질을 가지는 대장균 찾기: 이진수 변환(BIN, CONV) + LIKE 또는 비트연산(&)으로 풀 수 있음

[SQL 비트연산 정리]

SQL 에서 비트연산은 사용자에게 권한을 부여하고 특정 사용자의 권한 확인시에 자주 사용됨

ex) 읽기(1₁₀, 001₂), 쓰기(2₁₀, 010₂ ), 삭제(4₁₀ , 100₂) 권한 중 읽기, 쓰기 권한만 가지면 3₁₀(011₂)으로 입력

해당 사용자(3₁₀, 011₂) 에게 쓰기(2₁₀, 010₂) 권한이 있는지 확인할 때는

쓰기에 해당하는 2₁₀를 플래그(Flag)로 사용자의 권한인 3₁₀과 AND 비트 연산(&)을 수행함

3 & 2 = 011₂ & 010₂ = 010₂ = 2 > 0 이므로 이 사용자는 쓰기 권한이 있다 라고 판단함

'권한이 있다'를 판단할 때 비트연산 = 플래그 대신 비트연산 > 0 을 사용하는 이유는 범용성(일반성) 때문임

여러 권한(플래그) 중 하나라도 가지고 있는가? 를 판단할 때는 비트연산 = 플래그(검증하려는 여러 플래그의 합계 값) 수식을 사용하면 특정 권한을 가지고 있더라도 가지고 있지 않다고 판단하기 때문에 비트연산 > 0 을 사용해야 함

→ 상세 설명은 Gemini 발췌

→ 결론: [특정 형질을 가지는 대장균 찾기] 의 쿼리는 2가지 버전으로 작성할 수 있음

① 형질을 이진수로 변환(CONV, BIN) 후 LIKE 로 문자열 비교

# 이진수 변환 (BIN, CONV)
SELECT COUNT(*) AS "COUNT"
FROM ECOLI_DATA
WHERE BIN(GENOTYPE) = "1" OR BIN(GENOTYPE) LIKE "%001" OR BIN(GENOTYPE) LIKE "%100" OR BIN(GENOTYPE) LIKE "%101";

② AND 비트 연산

# 비트연산
SELECT COUNT(*) AS "COUNT"
FROM ECOLI_DATA
WHERE (GENOTYPE&2=0) AND (GENOTYPE&5>0);

[SQL 쿼리테스트] 6일차

지구(Jigoo) — Fri, 22 Aug 2025 17:46:58 +0900

프로그래머스 MySQL 레벨 2 문제풀이

1) 업그레이드 된 아이템 구하기 (풀이 완료)

JOIN으로 푸려다가 실패하고 중첩 서브쿼리 형태로 변경

SELECT ITEM_ID, ITEM_NAME, RARITY
FROM ITEM_INFO
WHERE ITEM_ID IN (
SELECT ITEM_ID
FROM ITEM_TREE
WHERE PARENT_ITEM_ID IN (SELECT ITEM_ID
FROM ITEM_INFO
WHERE RARITY = "RARE"))
ORDER BY ITEM_ID DESC;

2) ROOT 아이템 구하기 (풀이 완료)

SELECT ITEM_ID, ITEM_NAME
FROM ITEM_INFO
WHERE ITEM_ID IN (SELECT ITEM_ID
FROM ITEM_TREE
WHERE PARENT_ITEM_ID IS NULL)
ORDER BY ITEM_ID ASC;

3) 조건에 맞는 아이템들의 가격의 총합 구하기 (풀이 완료)

SELECT SUM(PRICE) AS "TOTAL_PRICE"
FROM ITEM_INFO
WHERE RARITY = "LEGEND";

4) 조건에 부합하는 중고거래 상태 조회하기 (풀이 완료)

CASE문 사용법을 자꾸 헷갈림
- CASE-WHEN-THEN-END 으로 암기
- 마지막에 END 필수

SELECT BOARD_ID, WRITER_ID, TITLE, PRICE, CASE STATUS WHEN "SALE" THEN "판매중"
                                                  WHEN "RESERVED" THEN "예약중"
                                                  WHEN "DONE" THEN "거래완료"
                                                  END
FROM USED_GOODS_BOARD 
WHERE CREATED_DATE = "2022-10-05"
ORDER BY BOARD_ID DESC;

5) 자동차평균 대여기간 구하기 (풀이 완료)

평균 집계 함수를 AVERAGE 라고 써서 오류남 제 정신이 아닌듯

SELECT CAR_ID, ROUND(AVG(DURATION),1) AS 'AVERAGE_DURATION'
FROM (SELECT *, DATEDIFF(END_DATE, START_DATE)+1 AS 'DURATION'
FROM CAR_RENTAL_COMPANY_RENTAL_HISTORY) AS T
GROUP BY CAR_ID
HAVING AVERAGE_DURATION >= 7
ORDER BY AVERAGE_DURATION DESC, CAR_ID DESC;

[논문 리뷰] Using LLMs for Market Research ①

지구(Jigoo) — Sun, 17 Aug 2025 20:04:26 +0900

논문 정보

Using LLMs for Market Research (2024. 07. 29.)

by James Brand, Ayelet Israeli, Donald Ngwe

assisted by Noah Ahmadi, Meng Yang

1. Introduction

LLM은 인간과 같은 언어를 이해하고 생성하도록 설계된 AI의 한 종류임.
이 모델은 자연어의 패턴과 구조를 이해할 수 있도록 하는 수많은 텍스트 데이터에 기반하여 훈련됨.
LLM은 언어 번역, 대화 인지부터 콘텐츠 생성, 텍스트 분류까지 넓은 범위에서 응용되고 있음.
LLM은 다량의 텍스트데이터를 빠르게 처리하고 분석할 수 있기 때문에 금융, 헬스케어, 마케팅 산업에서 매우 인기가 높아지고 있음.
LLM은 코딩(깃허브 코파일럿), 검색(Bing, 구글) 분야에서 몇몇 잘 얄려진 AI 강화 솔루션을 지원하고 일부 연구에서 LLM이 투표와 몇몇 경제 실험을 포함하는 제한된 실제 세계 행동을 복제할 수 있다는 걸 보임.

본 연구에서는 LLM이(주로 GPT3.5 터보 모델) 어떻게 시장 조사를 위한 도구로 사용될 수 있는지 연구함.
GPT의 훈련 데이터는 쇼핑하거나 구매한 물건에 대해 토론하는 많은 소비자의 기여로 만들어진 상품 후기와 다른 온라인 포럼을 포함할 수 있는 인터넷 상의 수많은 정보를 포함함.
GPT와 다른 비슷한 LLM들은 텍스트의 다음 시퀀스와 가장 유사하도록 쿼리와 프롬프트에게 응답하도록 훈련되었기 때문에 본 연구는 시장 조사 설문에 GPT가 제공한 응답이 부분적으로 훈련데이터에 있는 소비자가 동일한 질문에 대해 답했을 응답의 유형을 반영한다고 가정함.
동시에 이 요소들은 GPT가 인간의 응답을 모방하거나 복제할 수 있기 때문에 소비자 선호도에 대한 인사이트의 매우 유용한 자료임을 제안함.

공동 연구, 포커스 그룹, 소유권 데이터와 같은 현존하는 시장 조사 도구는 매우 비쌀 수 있음.
만약 LLM이 인간 객체에 대한 현존하는 연구로 이루어진 응답을 생성할 수 있다면, LLM은 빠르고 저렴하게 공동 연구와 다른 소비자 설문으로부터 생성되는 정보를 보충하는 방법을 서비스할 수 있음.
주요 테크 회사가 LLM을 웹상의 정보를 검색하고 합성하는 도구로 갖추기 시작했기 때문에 LLM을 신제품 런칭 이전의 마케팅이나 가격 전략 개발에 사용하고 LLM에게 반복적으로 오랫동안 제품 시장 적합성을 평가하고 마케팅 전략을 수정하라고 질의하는 것을 상상할 수 있음.
어떤 면에서는 LLM이 훈련되는 텍스트를 생성하는 부분에서 소비자들이 간접적으로 조사될 수 있음.

본 연구는 ‘전형적인 소비자 설문 질문에 대한 GPT의 응답으로부터 배울 것으로 기대하는 것이 불분명할 수 있다’는 점을 사전에 강조함.
예를 들어 GPT의 훈련 세트에 존재할 가능성이 높은 상품 리뷰가 상품에 대한 소비자의 선언된 선호를 밝힐 수도 있지만 항상 가격 또는 의사 결정 요인(소득 또는 인구 통 등)의 주요 특성을 언급하는 것은 아님.
GPT가 $100의 캔디바를 제공받았을 때 거절하는 것을 알까?
GPT가 $1의 플레인 바닐라 바와 $2의 초콜릿 퍼지 바 사이에서 선택해야 할 때 균형을 맞추는 방법을 알까?
게다가, GPT가 각 독립된 질문에 대해 합리적인 응답을 생성할 수 있다고 해도 다른 질문 전체에 걸쳐서 GPT의 응답이 소비자가 응답할 것으로 예상되는 방식으로 구성되어 있을까?
이러한 이슈를 평가하는 것은 거의 모든 시장 분석가에게 GPT와 다른 LLM의 잠재 가치를 이해하는 핵심(key)이며 본 논문의 핵심(focus)임.

우선, GPT의 훈련 세트가 이 맥락에서 유의미한 응답을 생성할 수 있을지 또한 불확실함.
다량의 문헌이 상품의 번들에 대한 확언된 선호를 끌어내는 소비자 조사와 소비자 선호가 실제 선택으로 밝혀지는 실제 세계의 수요의 차이를 입증함.
GPT의 훈련 세트는 2가지 측면을 포함함
1) 소비자들은 온라인에 실제와 예측된 구매에 대한 코멘트를 남김.
2) 하지만 구매에 대해 게시된 코멘트는 실제 판매 데이터를 대표하는 샘플도 아니고 전형적인 소비자 설문 질문에 의해 유도된 것도 아님.
LLM이 프롬프트에 응답하는 것에 대한 불투명성과 함께 훈련 세트에 대한 이 측면이 시장 조사를 위한 LLM의 유용성 연구(본 연구)에 동기를 부여함.

이 환경에서 GPT의 효율성을 수량화하기 위해 본 실증적인 연구는 시장 조사가들이 실무에서 마주칠 수 있는 문제의 근사치를 내는 것을 시도함.
많은 경우에, 시장 조사는 기존의 상품과 특징 또는 기존 상품에 대한 새로운 특징에 대한 소비자의 손호와 관련된 무언가를 배우기 위해 사용됨.
이러한 맥락에서 ‘새로움’은 회사가 과거 정보를 거의 가지고 있지 않는 상품이나 특징을 참조하거나 이전에는 만들어지지 않았던 특징을 혁신할 수 있음.
게다가, 마케터는 종종 ‘일반적인 시장 소비자의 선호’와 ‘마케터가 타겟하고 싶은 시장의 일부’ 2가지 모두를 신경씀.
이러한 사례를 명심하고, 본 연구는 가정된 시장 연구가의 정보 세트를 고립시키고 각 케이스에서 GPT의 성능을 탐구할 수 있는 인간 참여자의 5가지 설문을 설계함.
본 연구는 연구자가 상품 카테고리에 대한 사전 정보를 가지고 있지 않은 상황에서 GPT의 소비자 선호를 시뮬레이션하는 능력을 연구하는 것부터 시작하고 인간 설문으로부터 얻은 상품과 관심있는 고객에 대한 정보의 다양한 수준과 형태를 더함.
이 연구는 시장 연구자가 GPT를 보충하기 위해 동일하거나 비슷한 상품 시장에 대한 이전 연구와 소비자 세그먼트를 사용하는 단계를 시뮬레이션함.

전체적으로, WTP(지불 가능 금액) 추정치를 결론짓는 것은 규모와 분포 면에서 현질적임.
특히 본 연구는 선호 추정에 대한 결합형 접근 방식이 본 연구가 수행한 추가적인 인간 설문에서뿐만 아니라 Fong에 의해 수행된 실제 소비자에 대한 최신 설문에서 찾아진 결론와 현저히 유사한 결론을 생산한다는 것을 보임.
게다가 본 연구는 인간 설문으로부터 얻은 데이터로 GPT를 강화하는 것이 이러한 설문에 대한 GPT의 지속적인 응답 능력을 향상시킬 뿐만 아니라 아니라 놀랍게도 새로운 상품 특징에 대한 선호에 관한 별개의 인간 설문과도 매치된다는 것을 찾음.
반면, 이 접근법을 다른 제품 카테고리에 적용하는 것은 GPT로부터 더 많은 정돈된 결과를 생성하지 않음.

[SQL 쿼리테스트] 5일차

지구(Jigoo) — Tue, 15 Jul 2025 12:15:32 +0900

프로그래머스 MySQL 레벨 2 문제풀이

1) 물고기 종류 별 잡은 수 구하기 (풀이 완료)

틀린 이유1: COUNT(*) 대신 SUM(*)을 사용함 SUM(*)은 없는 집계함수임 (SUM(변수명)은 가능)
틀린 이유2: LEFT JOIN 왼, 오 테이블 순서를 바꿔서 씀. SQL JOIN 개념 다시 공부해야 할듯

SELECT COUNT(*) AS FISH_COUNT, FISH_NAME
FROM FISH_INFO t1 LEFT JOIN FISH_NAME_INFO t2 USING (FISH_TYPE)
GROUP BY FISH_NAME
ORDER BY FISH_COUNT DESC;

2) 노선별 평균 역 사이 거리 조회하기 (풀이 실패)

반올림: ROUND(원래 값, 반올림 후 N번째 자리까지 표시)
틀린 이유: SELECT에서 TOTAL_DISTANCE 선언시 CONCAT으로 "km" 문자와 연결되며 TOTAL_DISTANCE 칼럼은 문자로 취급됨. 따라서 ORDER BY TOTAL_DISTANCE로 정렬시 정렬 순서가 문자열에 준하게 되어 숫자 정렬 순서와 달라짐
- ORDER BY ROUND(SUM(D_BETWEEN_DIST), 1) 을 사용해야 함 [참고]

SELECT ROUTE,
       CONCAT(ROUND(SUM(D_BETWEEN_DIST), 1), "km") AS TOTAL_DISTANCE, 
       CONCAT(ROUND(AVG(D_BETWEEN_DIST), 2), "km") AS AVERAGE_DISTANCE
FROM SUBWAY_DISTANCE
GROUP BY ROUTE
ORDER BY ROUND(SUM(D_BETWEEN_DIST), 1) DESC;

3) 연도 별 평균 미세먼지 농도 조회하기 (풀이 완료)

DATE_FORMAT(YM, "%Y") 와 YEAR(YM)은 반환값의 타입이 달라 정렬(ORDER BY)이 다르게 됨
따라서 일반적인 숫자 정렬을 원할 때는 YEAR 사용

SELECT YEAR(YM) AS YEAR, 
       ROUND(AVG(PM_VAL1), 2) AS "PM10", 
       ROUND(AVG(PM_VAL2), 2) AS "PM2.5"
FROM AIR_POLLUTION
WHERE LOCATION1 = "경기도" AND LOCATION2 = "수원"
GROUP BY YEAR
ORDER BY YEAR ASC;

4) 조건에 맞는 사원 정보 조회하기 (풀이 완료)

동점자 처리를 위해 LIMIT 이 아닌 다른 방법으로 재풀이 필요 [참고1] [참고2] [참고3]

SELECT SCORE, EMP_NO, EMP_NAME, POSITION, EMAIL
FROM HR_EMPLOYEES t2 LEFT JOIN (
SELECT EMP_NO, SUM(SCORE) AS SCORE
FROM HR_GRADE
GROUP BY EMP_NO) t3 USING (EMP_NO)
ORDER BY SCORE DESC
LIMIT 1;

5) 조건에 맞는 개발자 찾기 (풀이 실패)

틀린 이유: 비트 연산(&)을 위해 스킬 코드 값을 BIN 함수로 이진수로 변환 → CONVERT 함수로 정수형으로 변환하려고 했음
- 비트 연산은 연산 대상 숫자 값을 이진수로 변환해주지 않아도 알아서 작동함
WHERE 대신 JOIN을 활용하는 방법으로도 재풀이 필요

SELECT ID, EMAIL, FIRST_NAME, LAST_NAME
FROM DEVELOPERS
WHERE (SKILL_CODE&(SELECT CODE FROM SKILLCODES WHERE NAME = "C#") != 0)
OR (SKILL_CODE&(SELECT CODE FROM SKILLCODES WHERE NAME = "Python") != 0)
ORDER BY ID ASC;

[정보처리기사] 정처기 실기 독학 합격 후기 (경기기계공업고등학교 고사장 후기)

지구(Jigoo) — Tue, 17 Jun 2025 20:56:06 +0900

안녕하세요! 저는 올해 정기 기사 1회 필기, 실기 시험에서 정보처리기사를 동차 합격하였습니다. 오늘은 공부 방법과 시험 후기를 작성해보겠습니다. (+서울 노원구 경기 기계공업고등학교 고사장 후기)

2025년 정기 기사 1회 정보처리기사 필기, 실기 합격 인증

제 기억상 필기는 5과목 중 2과목 100점, 나머지 3과목은 각각 80점, 85점, 90점을 받았던 것으로 기억하고 실기는 68점을 받았습니다. 이번 실기 시험을 보신 분은 아시겠지만 2025년 1회차 실기 시험이 특히 프로그래밍 언어 파트에서 과거 기출보다 많이 어렵게 나왔습니다. 통상적으로 정처기 실기 합격률이 1회차 35~40%, 2회차 30~35%, 3회차 20~30%로 나오는 편인데 올해는 1회차 실기 합격률이 15%라고 합니다..!

그래서 그런지 실기 시험 채점을 유하게 한 것 같습니다. 보수적으로 가채점했을 때는 아슬아슬하게 60~64점이 나올 것으로 예상했는데 실제로는 부분점수를 여기저기서 받았는지 68점이 나왔습니다. (실기 합격 기준: 60점 이상)

독학 공부 방법

4줄 요약

1. 이론파트와 프로그래밍 언어 파트 동시에 병행할 것

2. 이론파트는 개념 1회독 후 기출문제 및 수제비카페 데일리 문제 반복할 것

3. 프로그래밍 언어 파트는 기출 마스터를 기본이라고 생각하고 재귀함수, 반복문, 알고리즘을 기출보다 훨씬 어려운 난이도로 풀 수 있게 연습할 것

4. 이론파트 네트워크 IP 주소 계산하는 문제와 프로그래밍파트 SQL 문제는 무조건 맞출 수 있게 연습할 것

이론파트 공부 방법

사실 저는 실기 공부를 시험 약 1주일 전에 촉박하게 시작하는 바람에 인터넷에서 요약본(꿈꾸는 라이언)을 구매하여 암기 후 기출을 돌렸는데 아무래도 요약본이다보니 실제 기출에 나오는 개념보다 내용이 적어서 기출 회독시에 추가로 외울 게 많았습니다. 막상 기출회독을 다 하고나서 보니 차라리 처음엔 조금 시간이 걸리더라도 필기 시험 준비할 때 외웠던 개념서를 다시한 번 암기하는 게 좋았겠다는 생각이 들었습니다.

혹시 개념서 없으신 분들은 2025 시나공 정보처리기사 필기(+실기) 기출문제집 교재에 딸린 부록 개념서 PDF 강추드립니다. 정말요.. 솔직히 저는 이 자료 덕분에 필기를 땄다고 해도 과언이 아니고, 실기 준비하면서 개념 복습할 때도 잘 활용했기 때문에 추천드려요.

개념서가 해당 교재의 부록이긴 하지만 실물 책에 딸려있는 게 아니고 길벗 출판사 홈페이지에서 PDF 로 다운받는 형식이기 때문에 책 구매하지 않으신 분들도 길벗 회원가입만 하면 다운받으실 수 있어요!

다운로드 방법은 [정보처리기사] 정처기 필기1주일 합격 공부방법 (*서울 동부 자격검정센터 후기) 글에 적어두었습니다 :)

어느정도 개념 체득이 끝났으면 기출문제를 여러번 돌려주세요! 저는 실기 기출도 시나공 교재를 이용했는데 기출 풀이용 문제집은 아무거나 사도 괜찮은 거 같습니다. 문제집 내부 형식이나 해설 스타일 보고 원하는 거 고르시면 될 거 같아요.

수제비 IT 커뮤니티 카페: https://cafe.naver.com/soojebi

동시에 수제비 IT 커뮤니티 카페에 두음쌤이 [Daily 문제-정처기 실기] 카테코리에 올려주시는 데일리 문제 풀이를 병행하는 걸 추천드립니다. 아무래도 기출은 선지나 문제 자체를 외워버릴 수도 있어서 새로운 문제를 꾸준히 풀어주는 게 좋습니다. 이름은 데일리 문제이지만 매일매일 올라오는 건 아니라서.. 과거 시험 대비용으로 올라왔던 문제까지 꼭꼭 풀어보세요!

추가로 페코페코님이 올려주신 [페코페코 예상문제] 카테고리 내의 자료도 가능한 모두 회독해주세요. 저는 시간이 없어서 디자인패턴 자료 위주로 봤는데 헷갈렸던 디자인패턴 파트를 빠르게 정리할 수 있었습니다..! 페코페코님 자료도 양이 많기 때문에 페코페코 자료 회독만 최소 1주 정도 잡아주세요.

프로그래밍 언어 파트 공부 방법

우선 저는 대학교에서 관련 전공을 하면서 C, Java 는 기초 수준, Python, SQL은 심화 수준까지 알고 있었기 때문에 프로그래밍 자체에 대한 이론 공부는 하지 않고 바로 기출을 풀었습니다. 대신 C와 Java는 기출문제를 풀면서 구조체, 상속, 포인터 관련 내용만 추가로 찾아서 공부했어요. 그렇게 해도 기존 기출정도는 모두 풀려서 이정도만 준비했습니다..

다만 이번 2025년 1회차를 기점으로 프로그래밍 파트의 난이도가 급상승했기 때문에 기존 기출 난이도를 기본이라고 생각하고 그 이상 깊은 심화까지 공부해야 할 것 같습니다.

프로그래밍 관련 사전 지식이 아예 없으시다면 개념 1달, 심화 문제 풀이 1달 정도 잡으시고 최대한 많은 문제를 풀어보시는 걸 추천드립니다..!

특히 이번 시험에서는 포인터와 트리구조를 엮은 문제가 나왔었는데 알고리즘 특성상 알고 있으면 쉽지만 한 번도 코드를 본 적이 없으면 푸는 데 너무 오래 걸리기 때문에 이 점을 생각하면 자료구조도 가볍게 훑어야 할 듯합니다.

SQLD 문제 풀이: https://cbt.youngjin.com/exam/index.php?no=73

추가로 프로그래밍 파트에서 SQL 문제와 (출제 된다면) IP 서브네팅 계산 문제는 무조건 맞추는 전략을 세우는 걸 추천드립니다. 그래야 다른 프로그래밍 문제에서 1~2문제 틀리더라도 커버가 가능하기 때문입니다. 특히 SQL 문제는 심화 문제를 원하시면 SQLD 자격증 기출문제를 풀어보시는 것도 좋은 방법입니다! 저도 작년에 SQLD 자격증을 공부했어서 이번 정처기 SQL 문제는 시간 투자를 많이 하지 않을 수 있었습니다.

서울 노원구 경기 기계공업 고등학교 고사장 후기

고사장 컨디션은 괜찮았습니다. 다만 학교 부지 자체가 크고 정문에서 고사장 건물까지 거리가 꽤 있는데 오르막길이라서 혹시 여름에 보러 가시는 분은 손풍기 가져가시거나 자차 타고 가신 다음 내부에 주차하시는 걸 추천드립니다..(기계공고는 주차 가능한 고사장입니다!) 그리고 경기기계공업고등학교로 네이버 지도에서 길찾기를 하면 버스 탑승 후 서울과학기술대앞에서 내리라고 나오는데 바로 다음 정거장인 경기기계공업고등학교 정류장에서 내리는 게 더 가까웠던 기억이 있습니다.

[Python] 파이썬에서 좌표(위도, 경도)를 행정동으로 변환하기

지구(Jigoo) — Mon, 16 Jun 2025 01:35:16 +0900

지오판다스(Geopandas)를 이용해서 위도, 경도 값을 행정동으로 변환하는 방법을 정리한다.

입지분석 프로젝트 도중 서울시 송파구의 행정동별 버스정류장 개수를 계산해야 했다. 이 글에서 사용한 데이터는 아래와 같다.

1) 서울시 버스정류소 위치 정보

서울시 버스정류소 위치정보> 데이터셋> 공공데이터 | 서울열린데이터광장

로그인하지 않아도 다운로드 받을 수 있다.

2) 서울특별시 송파구 행정동 좌표 경계

SGIS(통계지리정보서비스)에서 신청 후 다운로드 받을 수 있다.

SGIS: https://sgis.kostat.go.kr/view/index

행정동 좌표 경계 shp 파일 다운로드

SGIS에 회원가입, 로그인 후 자료제공 > 자료 신청에서 아래와 같이 자료를 신청했다.

자료형태: 집계구
자료구분: 통계지역경계
자료대상(집계구별): 센서스용 행정구역경계(읍면동)
경계년도: 2024년 2분기 (가장 최신)
시도/시군구: 서울, 송파구

이외 요청목적, 활용목적 등 신청 기본 정보는 자유롭게 작성하면 되고 신청 10분 뒤에 자동으로 승인된다.

다운로드된 압축파일을 풀면 위와 같은 5개의 파일이 들어있다.

지오판다스 설치

파이썬에서 shp 파일을 다루고 좌표값 변환 등 지리 분석, 입지 분석을 하기 위해서는 Geopandas 패키지를 사용해야 한다. 설치 방법은 이전 글에 적어두었다.

https://jigoogle.tistory.com/9

패키지 임포트

import geopandas as gpd
from geopandas import GeoDataFrame
from shapely.geometry import Point
import pandas as pd

버스정류장 데이터 전처리

이번 글에서 중요한 파트는 아니기 때문에 간단하게만 적는다.

버스정류장 데이터에는 X좌표, Y좌표라는 표현을 사용하는데 통상적으로 X좌표가 경도, Y좌표가 위도를 의미한다.
헷갈리지 않기 위해서 칼럼명을 변환했다.
위도, 경도 값을 기준으로 shp 행정동 경계 파일을 사용하여 행정동을 추출하기 위해서는 위도, 경도 값을 바탕으로 하는 Point 변수를 생성해야 한다.
- Point 변수 생성 시 좌표계를 지정해야 하는데 이후 사용할 shp 파일의 좌표계인 UTM-K(GRS80타원체) 좌표계는 EPSG:5179 이므로 동일하게 지정했다.

# 버스정류장 데이터 로드
df_bus = pd.read_excel("서울시버스정류소위치정보(20240903).xlsx")
df_bus = df_bus.rename(columns = {"X좌표": "경도", "Y좌표": "위도"})
df_bus.head()

# 좌표를 Point로 변환
# SGIS 행정동 경계 좌표계 UTM-K(GRS80타원체)는 crs: EPSG:5179
df_bus["geometry"] = df_bus.apply(lambda x: Point(x["경도"], x["위도"]), axis = 1)
geo_bus = GeoDataFrame(df_bus, crs = "EPSG:5179", geometry = "geometry")
geo_bus.head()

shp 파일 로드 및 좌표계 설정

이유는 모르겠지만.. SGIS에서 제공되는 shp 좌표계는 EPSG:5179 이지만 위의 버스정류장 데이터와 병합할 때는 EPSG:4326으로 재설정해줘야 정상적으로 작동했다.

# 행정동 경계 shp 파일 읽어오기
geo_shp = gpd.read_file("./bnd_dong_11240_2024_2Q/bnd_dong_11240_2024_2Q.shp")
geo_shp.set_crs(epsg = 5179, inplace = True)
geo_shp.to_crs(epsg = 4326, inplace = True)

버스정류장 데이터와 shp 파일 병합 (위도, 경도 좌표값 → 행정동)

좌표계가 일치하지 않는다는 오류가 나오지만 무시했다. 이후 결과값을 3~4개 정도만 수기로 확인해봤는데 오류 없이 변환된 걸 확인할 수 있어서 좌표계 통일 관련 오류는 별도로 처리하지 않았다.

bus = gpd.sjoin(geo_bus, geo_shp)

가독성을 위한 후처리

경도와 위도를 바탕으로 행정동이 추출된 것을 알 수 있다.

bus = bus[["ARS_ID", "정류소명", "정류소타입", "경도", "위도", "geometry", "ADM_NM", "ADM_CD"]]
bus = bus.rename(columns = {
    "ARS_ID": "정류장 ID", "geometry": "POINT", "ADM_NM": "행정동명", "ADM_CD": "행정동 코드"})
bus.head()

References

[1] https://blog.naver.com/dbswlakdl/222889802726

[2] 한국 주요 좌표계 EPSG코드 및 proj4 인자 정리 :: OSGeo(Open Source GeoSpatial) 한국어 지부

[3] https://kimhongsi.tistory.com/entry/Python-%ED%8C%8C%EC%9D%B4%EC%8D%AC%EC%9C%BC%EB%A1%9C-GIS%ED%95%98%EA%B8%B0-GeoPandas%EB%A1%9C-%EA%B0%84%EB%8B%A8%ED%95%9C-%EC%A7%80%EC%98%A4%ED%94%84%EB%A1%9C%EC%84%B8%EC%8B%B1-%EC%88%98%ED%96%89%ED%95%98%EA%B8%B0-%EC%A2%8C%ED%91%9C%EA%B3%84-%EC%84%A4%EC%A0%95-join-spatial-join-intersect-%EC%A7%80%EB%8F%84-%EA%B7%B8%EB%A6%AC%EA%B8%B0

[4] https://anweh.tistory.com/8

[Python] 가상환경 없이 주피터 노트북에서 지오판다스(Geopandas) 사용하기

지구(Jigoo) — Mon, 16 Jun 2025 00:23:54 +0900

입지분석 프로젝트 도중 좌표값을 행정동으로 변환하는 걸 담당해서 지오판다스(geopandas) 패키지를 사용해야 했다. 그런데 지오판다스 패키지 자체가 설치하기 어렵고 그중에서도 주피터에서 사용하려면 가상환경까지 사용해야 한다고 하여.. 이 방법 저 방법 찾아보다가 가상환경 없이 설치한 방법을 기록한다.

설치 환경

운영체제: Windows11 64비트 (AMD64)
파이썬 버전: 3.11
IDE: Jupyter Notebook

이 글에 나오는 방법을 시도하기 전에 아래 링크를 먼저 참고해보세요

지오 판다스 설치하기가 하도 복잡하다보니 비교적 간단하게 우회하여 설치하는 방법이 있다. pip 대신 pipwin을 사용하는 방법인데 가장 간단한 방법이니 아래 링크를 참고해서 pipwin을 먼저 시도해보시고 실패한다면 이 글의 방법을 사용하는 걸 권장합니다..

1. pipwin을 사용해서 geopandas 쉽게 설치하기

2. GeoPandas(지오판다스) 설치하기

3. [설치] 맥 / 윈도우 GeoPandas 설치하기

2023년 즈음까지는 이 방법이 통했던 것 같으나 2025년 6월 현재 기준으로 나는 이 방법으로 설치가 되지 않아 아래의 방법으로 설치했다.

지오판다스 설치에 필요한 whl 파일 다운로드

1. GDAL

2. Pyproj

3. Fiona

4. Shapely

5. Geopandas

위 5개 패키지의 whl 파일을 설치하려는 컴퓨터의 운영체제와 파이썬 버전에 맞게 다운로드 해야 한다.

* 윈도우 운영체제 관련 설명: https://m.blog.naver.com/cjs0308cjs/223242935705

* 파이썬 버전 확인 방법

import pandas
print(platform.python_version())

나의 경우 파이썬은 3.11 버전, 운영체제는 Windows11 64비트(AMD64) 였다.

1. GDAL, PyProj, Fiona, Shapely: Releases · cgohlke/geospatial-wheels

GDAL, PyProj, Fiona, Shapely 의 whl 파일은 위 링크에서 다운로드할 수 있다. 위 링크에 접속하면 여러 Assets 섹션이 있는데 각 세션에서 Show all assets 을 클릭한 뒤 본인 버전에 맞는 whl 파일을 다운로드하면 된다.

cp뒤에 있는 3글자를 본인의 파이썬 버전에 맞추고 가장 마지막에 있는 운영체제 표시를 본인의 운영체제에 맞추어 다운로드해야 한다. 나의 경우 파이썬 3.11 버전에 Windows64(AMD64) 버전을 사용했기 때문에 아래 4개의 파일을 다운로드했다.

gdal-3.10.2-cp311-cp311-win_amd64.whl
pyproj-3.7.1-cp311-cp311-win_amd64.whl
fiona-1.10.1-cp311-cp311-win_amd64.whl
shapely-2.0.7-cp311-cp311-win_amd64.whl

2. Geopandas: geopandas·PyPI

위 링크에서 하단 whl 파일을 다운로드한다.

geopandas-1.1.0-py3-none-any.whl

whl 파일들을 아나콘다 설치 폴더 내 하위 폴더로 이동

위에서 다운받은 whl 파일을 하나의 폴더에 넣은 뒤 해당 폴더를 아나콘다가 설치된 폴더로 이동한다. 나의 경우 아나콘다가 C:\Windows\System32\ 경로에 있어서 geopandas_whl_files 라는 하위폴더를 생성하고 5개의 whl 파일을 넣었다.

C:\Windows\System32\geopandas_whl_files 폴더 내부

아나콘다 프롬프트에서 pip 업데이트

이유는 모르겠지만 지오판다스를 설치하기 전에 pip를 업데이트해야 한다고 한다. Anaconda Prompt 를 관리자권한으로 실행한 뒤 아래 코드를 실행하면 Proceed y/n? 라고 물어보는데 y를 입력한다.

conda update pip

whl 파일 설치

pip 업데이트가 완료되면 아나콘다 프롬프트에서 그대로 아래 코드를 순서대로 한 줄씩 입력하여 whl 파일을 차례차례 설치한다. 반드시 각 패키지의 설치 순서를 지켜야 한다. 사이트마다 설치 순서가 조금씩 다르게 나와있지만 최근에는 주로 아래 순서대로 설치하는 것 같다.

1. GDAL

pip install <GDAL whl 파일 경로>

GDAL 설치 완료 화면 (mecab 관련 오류는 제 노트북 내 설치된 타 패키지 때문이니 무시하셔도 됩니다)

2. Pyproj

pip install <Pyproj whl 파일 경로>

Pyproj 설치 완료 화면 (mecab 관련 오류는 제 노트북 내 설치된 타 패키지 때문이니 무시하셔도 됩니다)

3. Fiona

pip install <Fiona whl 파일 경로>

Fiona 설치 완료 화면 (mecab 관련 오류는 제 노트북 내 설치된 타 패키지 때문이니 무시하셔도 됩니다)

4. Shapely

pip install <Shapely whl 파일 경로>

Shapely 설치 완료 화면 (mecab 관련 오류는 제 노트북 내 설치된 타 패키지 때문이니 무시하셔도 됩니다)

5. Geopandas

pip install <Geopandas whl 파일 경로>

Geopandas 설치 완료 화면 (mecab 관련 오류는 제 노트북 내 설치된 타 패키지 때문이니 무시하셔도 됩니다)

주피터 실행 및 지오판다스 임포트

위 과정을 거치면 이렇게 geopandas 패키지가 오류 없이 임포트 된다.

Official website

1) Whl Binaries by Christoph Gohlke: Christoph Gohlke

2) Whl Binaries for Windows Github by Christoph Gohlke: GitHub - cgohlke/geospatial-wheels: Geospatial library wheels for Python on Windows.

3) Geopandas installation documentation: Installation — GeoPandas 1.1.0+0.gc36eba0.dirty documentation

References

[1] [코딩배우기] 위경도 좌표로 행정구역 동 찾기.. : 네이버블로그

[2] Geopandas 설치 - Windows를 위한 쉬운 방법! | 데이터 과학을 향하여

[3] pip install geopandas, conda install geopandas, (파이썬 wheel(whl) 설치)

[4] [공간데이터분석] 파이썬에 Geopandas 설치하기 (window 11 / python 3.8)

[5] [geopandas] 윈도우에서 파이썬 GeoPandas 에러없이 설치하기

[6] [python]한 번에 Geopandas 설치하기! 실패하지 않은 방법! : 네이버 블로그

[7] https://optimizing.tistory.com/4

[Python] 파이썬에서 우편번호를 행정동으로 변환하는 방법

지구(Jigoo) — Sun, 15 Jun 2025 17:58:56 +0900

입지분석 프로젝트를 진행하고 있는데 우편번호 → 행정동 변환 방법은 나중에도 필요할 것 같아 기록한다.

* 이 글은 서울특별시 DB 를 기준으로 작성되었습니다.

1. 먼저 아래 링크에서 지역별 주소 DB를 다운로드 한 다음 [엑셀변환방법]을 참고해 CSV 파일로 변환한다.

우체국 우편번호 DB: https://www.epost.go.kr/search/zipcode/areacdAddressDown.jsp

위 링크에서 지역별 주소 DB를 다운로드하면 zipcode_DB.zip 압축파일이 받아지며 압축 해제 후
원하는 지역의 txt 파일을 [엑셀변환방법]을 바탕으로 CSV 파일로 변환하면 됩니다.
저는 변환한 CSV 파일을 서울특별시 우편번호DB.csv 로 저장했습니다.

2. 파이썬에서 변환한 주소 DB 파일을 불러온 후 우편번호를 5자리로 맞춰준다.

CSV 파일 특성 상 맨 앞에 0이 있으면 0을 삭제처리하기 때문에 우편번호가 0으로 시작하는 서울의 경우 모든 우편번호가 4자리로 인식됩니다. 따라서 아래 코드를 활용해 맨 앞에 0을 추가했습니다.
0으로 시작하지 않는 지역은 이 과정을 생략할 수 있고, 0으로 시작하는 경우와 시작하지 않는 경우가 혼재하는 지역은 0으로 시작하는 우편번호만 별도로 처리해야 합니다.

# 주소DB 파일 불러오기
address = pd.read_csv("서울특별시 우편번호DB.csv", encoding = "cp949")
address.head()

# 우편번호 길이 확인 (아래 코드 실행시 4가 출력됩니다)
print(address["우편번호"].dropna().apply(lambda x: len(str(x))).unique())

# 우편번호 5자리화
address["우편번호"] = address["우편번호"].apply(lambda x: "0"+str(x))
address.head()

# 사용하지 않는 칼럼 삭제
print(address.columns.tolist())
address = address[['우편번호', '시도', '시군구', '법정동명', '행정동명']]
address = address.dropna()
address.head()

3. 행정동으로 변환하고자 하는 우편번호 칼럼을 가지는 기존 데이터프레임과 위 address 데이터 프레임을 병합한다

아래 코드에서 df 가 기존 데이터 프레임입니다
merge 함수를 활용해 LEFT JOIN 수행
- left_on: 기존 데이터프레임의 우편번호 칼럼 명
- right_on: address 데이터프레임의 우편번호 칼럼 명

# 우편번호 매치
merged = pd.merge(df, address, how = "left", left_on = "도로명우편번호", right_on = "우편번호")
merged.head()

References

[1] https://blog.naver.com/pareko/221705164228

[2] https://velog.io/@darinlee/PY2

[SQL 쿼리테스트] 4일차

지구(Jigoo) — Mon, 9 Jun 2025 21:14:10 +0900

프로그래머스 MySQL 레벨 2 문제풀이

1) 부모의 형질을 모두 가지는 대장균 찾기 (풀이 완료)

틀린 이유: 비트 연산 사용 방법을 잘못 알고 있었음
- 비트 연산은 숫자와 숫자 사이에 작동하며 이진수로 변환해주지 않아도 됨
- CONV(숫자, 10, 2) 와 BIN(숫자) 함수는 문자열을 반환하기 때문에 CONV & CONV = CONV 연산은 문자열 간의 비트 연산으로 간주되어 일반적인 숫자간 비트연산간 다르게 작동함

# JOIN (기본 테이블 + 부모 GENOTYPE)
SELECT d.ID, d.GENOTYPE, p.GENOTYPE AS PARENT_GENOTYPE
FROM ECOLI_DATA d LEFT JOIN ECOLI_DATA p ON d.PARENT_ID = p.ID

# 부모 타입과 비교
WHERE d.GENOTYPE & p.GENOTYPE = p.GENOTYPE
ORDER BY d.ID ASC;

2) 연도별 대장균 크기의 편차 구하기 (풀이 완료)

YEAR: 날짜형 칼럼에서 년도만 추출 → 숫자형으로 반환
DATEFORMAT: 날짜형 칼럼에서 원하는 부분 추출 → 문자열로 반환
년도 추출시 DATEFORMAT 을 사용하면 문자열이 반환되어 ORDER BY 처리 시 숫자와는 정렬 기준이 달라 오답 처리 됨
감으로 풀어서 재풀이 필요
DATEFORMAT 함수 활용 방법 알아두기
서브쿼리(GROUP BY)를 활용해서 푸는 방법 알아두기 [참고]

SELECT YEAR(DIFFERENTIATION_DATE) AS YEAR,
(SELECT MAX(SIZE_OF_COLONY) FROM ECOLI_DATA t1 WHERE YEAR(t1.DIFFERENTIATION_DATE) = YEAR(t2.DIFFERENTIATION_DATE)) - SIZE_OF_COLONY AS YEAR_DEV, ID
FROM ECOLI_DATA t2
ORDER BY YEAR ASC, YEAR_DEV ASC;

3) 분기별 분화된 대장균의 개체 수 구하기 (풀이 실패)

날짜 컬럼에서 분기 추출: QUARTER(컬럼명)
문자열 이어붙이기: CONCAT("문자1", "문자2", "문자3")
틀린 이유: SELECT 절에서 AS 로 별칭 지정한 변수 기준으로 GROUP BY할 때는 GROUP BY 절에도 별칭으로 써야 하는데 GROUP BY 절에 별칭으로 안 씀 [참고]

# 첫 코드 (서브쿼리 사용)
SELECT CONCAT(t2.QUARTER, "Q") AS QUARTER, COUNT(*) AS ECOLI_COUNT
FROM (SELECT QUARTER(DIFFERENTIATION_DATE) AS QUARTER, ID FROM ECOLI_DATA t1) t2
GROUP BY t2.QUARTER
ORDER BY t2.QUARTER ASC;

# 수정한 코드 (SELECT 절 별칭 지정 및 GROUP BY 절 그룹핑 기준 변수 호칭시 별칭 사용)
SELECT CONCAT(QUARTER(DIFFERENTIATION_DATE), "Q") AS QUARTER, COUNT(*) AS ECOLI_COUNT
FROM ECOLI_DATA
GROUP BY QUARTER
ORDER BY QUARTER ASC;

4) 특정 물고기를 잡은 총 수 구하기 (풀이 완료)

SELECT COUNT(*) AS FISH_COUNT
FROM FISH_INFO
WHERE FISH_TYPE IN (SELECT FISH_TYPE FROM FISH_NAME_INFO WHERE FISH_NAME IN ("BASS", "SNAPPER"));

5) 월별 잡은 물고기 수 구하기 (풀이 완료)

SELECT COUNT(*) AS FISH_COUNT, MONTH(TIME) AS MONTH
FROM FISH_INFO
GROUP BY MONTH
ORDER BY MONTH ASC;

[SQL 쿼리테스트] 3일차

지구(Jigoo) — Sun, 8 Jun 2025 17:59:38 +0900

프로그래머스 MySQL 레벨 1 문제풀이

1) 강원도에 위치한 생산공장 목록 출력하기 (풀이 완료)

SELECT FACTORY_ID, FACTORY_NAME, ADDRESS
FROM FOOD_FACTORY
WHERE ADDRESS LIKE "강원도%"
ORDER BY FACTORY_ID ASC;

2) 최댓값 구하기 (풀이 완료)

ORDER BY와 LIMIT를 사용할 시 자료 전체를 조회하고 그 중 하나를 골라내기 때문에 큰 테이블에서는 성능 저하를 일으킬 수 있으므로 집계함수(MAX) 사용 권장

SELECT DATETIME AS "시간"
FROM ANIMAL_INS
ORDER BY DATETIME DESC
LIMIT 1;

3) 이름이 있는 동물의 아이디 (풀이 완료)

SELECT ANIMAL_ID
FROM ANIMAL_INS
WHERE NAME IS NOT NULL
ORDER BY ANIMAL_ID ASC;

4) 상위 n개 레코드 (풀이 완료)

SELECT NAME
FROM ANIMAL_INS
ORDER BY DATETIME ASC
LIMIT 1;

5) 여러 기준으로 정렬하기 (풀이 완료)

SELECT ANIMAL_ID, NAME, DATETIME
FROM ANIMAL_INS
ORDER BY NAME ASC, DATETIME DESC;

6) 동물의 아이디와 이름 (풀이 완료)

SELECT ANIMAL_ID, NAME
FROM ANIMAL_INS
ORDER BY ANIMAL_ID ASC;

7) 이름이 없는 동물의 아이디 (풀이 완료)

SELECT ANIMAL_ID
FROM ANIMAL_INS
WHERE NAME IS NULL
ORDER BY ANIMAL_ID ASC;

8) 어린 동물 찾기 (풀이 실패)

같지 않음 기호는 != 와 <> 모두 사용할 수 있지만 <> 을 권장함
- [참고1] [참고2]
틀린 이유: 조건문 철자 틀림 (Age → Aged)

SELECT ANIMAL_ID, NAME
FROM ANIMAL_INS
WHERE INTAKE_CONDITION <> "Aged" # != 와 <> 중 <> 권장
ORDER BY ANIMAL_ID ASC;

9) 아픈 동물 찾기 (풀이 완료)

SELECT ANIMAL_ID, NAME
FROM ANIMAL_INS
WHERE INTAKE_CONDITION = "Sick"
ORDER BY ANIMAL_ID ASC;

10) 역순 정렬하기 (풀이 완료)

SELECT NAME, DATETIME
FROM ANIMAL_INS
ORDER BY ANIMAL_ID DESC;

11) 모든 레코드 조회하기 (풀이 완료)

SELECT *
FROM ANIMAL_INS
ORDER BY ANIMAL_ID ASC;

[SQL 쿼리테스트] 2일차

지구(Jigoo) — Fri, 6 Jun 2025 16:57:15 +0900

프로그래머스 MySQL 레벨 1 문제 풀이

1) 평균 일일 대여 요금 구하기 (풀이 완료)

SELECT ROUND(AVG(DAILY_FEE), 0) AS AVERAGE_FEE
FROM CAR_RENTAL_COMPANY_CAR
WHERE CAR_TYPE = "SUV";

2) 조건에 맞는 도서 리스트 출력하기 (풀이 완료)

날짜 컬럼 출력 조건 확인하기 (DATE_FORMAT)
- 그냥 출력하면 시:분:초까지 같이 출력됨

SELECT BOOK_ID, DATE_FORMAT(PUBLISHED_DATE, "%Y-%m-%d")
FROM BOOK
WHERE (PUBLISHED_DATE LIKE "2021-%") AND (CATEGORY = "인문")
ORDER BY PUBLISHED_DATE ASC;

3) 과일로만든 아이스크림 고르기 (풀이 완료)

(INNER/RIGHT/LEFT) JOIN 함수: ON + 칼럼명 (X) USING + 칼럼명 (O)

SELECT FLAVOR
FROM FIRST_HALF LEFT JOIN ICECREAM_INFO USING (FLAVOR)
WHERE TOTAL_ORDER > 3000 AND INGREDIENT_TYPE = "fruit_based"
ORDER BY TOTAL_ORDER DESC;

4) 인기 있는 아이스크림 (풀이 완료)

SELECT FLAVOR
FROM FIRST_HALF
ORDER BY TOTAL_ORDER DESC, SHIPMENT_ID ASC;

5) 흉부외과 또는 일반외과 의사 목록 출력하기 (풀이 완료)

날짜 컬럼 출력 조건 확인하기 (DATE_FORMAT)

SELECT DR_NAME, DR_ID, MCDP_CD, DATE_FORMAT(HIRE_YMD, "%Y-%m-%d")
FROM DOCTOR
WHERE MCDP_CD IN ("CS", "GS")
ORDER BY HIRE_YMD DESC, DR_NAME ASC;

6) 12세 이하인 여자 환자 목록 출력하기 (풀이 완료)

SELECT 에 CASE 문 사용하면 열 이름이 바뀜
- AS 로 다시 설정해야 함
틀린 이유: 두번째 조건을 놓침

SELECT PT_NAME, PT_NO, GEND_CD, AGE, (CASE WHEN TLNO IS NULL THEN "NONE"
                                     ELSE TLNO
                                     END) AS "TLNO"
FROM PATIENT
WHERE AGE <= 12 AND GEND_CD = "W" 
ORDER BY AGE DESC, PT_NAME ASC;

7) 가장 비싼 상품 구하기 (풀이 완료)

SELECT MAX(PRICE) AS MAX_PRICE
FROM PRODUCT;

8) 조건에 맞는 회원수 구하기 (풀이 완료)

SELECT COUNT(*)
FROM USER_INFO
WHERE (JOINED LIKE "2021%") AND (AGE BETWEEN 20 AND 29);

9) 나이 정보가 없는 회원 수 구하기 (풀이 완료)

SELECT COUNT(*) AS "USERS"
FROM USER_INFO
WHERE AGE IS NULL;

10) 경기도에 위치한 식품창고 목록 출력하기 (풀이 완료)

SELECT WAREHOUSE_ID, WAREHOUSE_NAME, ADDRESS, (CASE WHEN FREEZER_YN IS NULL THEN "N" ELSE FREEZER_YN END) AS "FREEZER_YN"
FROM FOOD_WAREHOUSE
WHERE ADDRESS LIKE "경기도%"
ORDER BY WAREHOUSE_ID ASC;

[SQL 쿼리테스트] 1일차

지구(Jigoo) — Thu, 5 Jun 2025 20:54:21 +0900

프로그래머스 MySQL 레벨 1 문제 풀이

1) 특정 형질을 가지는 대장균 찾기 (풀이 실패)

십진수를 이진수로 변환: CONV(칼럼명, 10, 2)
텍스트 일부 추출: SUBSTRING(칼럼명, 시작 인덱스, 추출할 글자 개수)
- 인덱스는 1부터 시작, 마지막 인덱스는 -1로 지정 가능
- MID 도 동일함
글자 개수: CHAR_LENGTH(칼럼명)
바이트 수: LENGTH(칼럼명)
틀린 이유: 비트연산 풀이를 모름

2) 가장 큰 물고기 10마리 구하기 (풀이 완료)

SELECT ID, LENGTH
FROM FISH_INFO
ORDER BY LENGTH DESC, ID ASC
LIMIT 10;

3) 한 해에 잡은 물고기 수 구하기 (풀이 완료)

SELECT COUNT(*) AS FISH_COUNT
FROM FISH_INFO
WHERE TIME LIKE "2021%";

4) 잡은 물고기 중 가장 큰 물고기의 길이 구하기 (풀이 완료)

문자열 이어 붙이기
- CONCAT("문자1", "문자2", "문자3")
- "문자1" + "문자2" + "문자3"

SELECT CONCAT(MAX(LENGTH), "cm") AS MAX_LENGTH
FROM FISH_INFO;

5) 잡은 물고기의 평균 길이 구하기 (풀이 실패)

소수점 반올림: ROUND(칼럼명, 반올림 후 소수점 N번째 자리까지 표시)
CASE 구문:
- CASE (칼럼명 조건) THEN 값
- ELSE 값
- END
틀린 이유: CASE 구문

SELECT ROUND(AVG(CASE
                WHEN (LENGTH <= 10 OR LENGTH IS NULL) THEN 10
                ELSE LENGTH
                END), 2) AS AVERAGE_LENGTH
FROM FISH_INFO;

6) 잔챙이 잡은 수 구하기 (풀이 완료)

SELECT COUNT(*) AS FISH_COUNT
FROM FISH_INFO
WHERE LENGTH IS NULL;

7) Python 개발자 찾기 (풀이 완료)

SELECT ID, EMAIL, FIRST_NAME, LAST_NAME
FROM DEVELOPER_INFOS
WHERE (SKILL_1 = "Python") OR (SKILL_2 = "Python") OR (SKILL_3 = "Python")
ORDER BY ID ASC;

IN 활용 가능

SELECT ID, EMAIL, FIRST_NAME, LAST_NAME
FROM DEVELOPER_INFOS
WHERE "Python" IN (SKILL_1, SKILL_2, SKILL_3)
ORDER BY ID ASC;

8) 조건에 부합하는 중고거래 댓글 조회하기 (풀이 실패)

틀린 이유: JOIN 부분이 잘못된 것 같음
질답 게시판 바로가기

SELECT t1.TITLE, t1.BOARD_ID, t2.REPLY_ID, t2.WRITER_ID, t2.CONTENTS, t2.CREATED_DATE
FROM USED_GOODS_BOARD t1 INNER JOIN USED_GOODS_REPLY t2 USING (BOARD_ID)
WHERE t1.CREATED_DATE LIKE "2022-10%" AND t2.CREATED_DATE LIKE "2022-10%"
ORDER BY t2.CREATED_DATE ASC, t1.TITLE ASC;

9) 특정 옵션이 포함된 자동차 리스트 구하기 (풀이 완료)

MySQL에는 CONTAINS 함수 없음, 대신 LIKE 사용

SELECT *
FROM CAR_RENTAL_COMPANY_CAR
WHERE OPTIONS LIKE "%네비게이션%"
ORDER BY CAR_ID DESC;

10) 자동차 대여 기록에서 장기/단기 대여 구분하기 (풀이 실패)

날짜 포맷 설정: DATE_FORMAT(칼럼명, 포맷)
- YYYY-MM-DD 는 "%Y-%m-%d"
일단위 날짜 차이 계산: DATEDIFF(이후 날짜, 이전 날짜)
틀린 이유
- DATEDIFF 함수 대신 - 기호로 날짜 차이를 계산하려고 했음
- 대여 일자와 반납 일자가 같은 날도 하루 대여로 간주해야 하는 걸 놓침
  - 따라서 DATEDIFF 값 + 1 >= 30 조건을 사용해야 함
- 대여 시작일이 2022년 09월이라는 조건을 놓침

SELECT history_id, car_id, DATE_FORMAT(start_date, "%Y-%m-%d"), DATE_FORMAT(end_date, "%Y-%m-%d"), (CASE WHEN DATEDIFF(end_date, start_date) + 1 >= 30 THEN "장기 대여"
               ELSE "단기 대여"
               END) AS "RENT_TYPE"
FROM CAR_RENTAL_COMPANY_RENTAL_HISTORY
WHERE DATE_FORMAT(start_date, "%Y-%m-%d") LIKE "2022-09%"
ORDER BY history_id DESC;

[Tableau] 태블로 공부 2일차_선차트

지구(Jigoo) — Tue, 20 May 2025 21:43:13 +0900

When

1) 시간의 흐름에 따른 데이터 변화 확인

시대별 기대수명 변화

2) 항목간 트렌드 변화 비교

연도별 출생아수와 사망자수 비교 → 기대수명은 늘어나는데 인구수는 줄어드는 이유 확인

Tip

1) 한 차트에 너무 많은 선을 사용하면 핵심을 정확하게 전달하기 어려움

전제품의 월별 고객 만족도 점수 추이 (X)
매출 상위 3개 제품의 월별 고객 만족도 점수 추이 (O)

2) 색상을 사용하면 항목을 차별화할 수 있음

선 뿐만 아니라 차트 배경에도 색을 사용할 수 있음
Y축 값 범위에 따라 배경색 설정(범주화) ex) 음수 구간은 파란색, 양수 구간은 빨간색

3) 세로축 범위를 조정하여 항목 값이 과장되는 것을 방지해야 함

의도한 메시지가 잘 전달되도록 세로축 축범위 조정

제주특별자치도 자연 휴양림 이용객 데이터

1) 년도별 제주 절물 자연 휴양림 이용객 추이

Tableau Public(Click)

2) 년도별 제주특별자치도 자연 휴양림 이용객 추이

Tableau Public (Click)

References

1) 사례 분석으로 배우는 데이터 시각화 (황재진, 윤영진 / 한빛미디어)

[Tableau] 태블로 공부 1일차_막대차트

지구(Jigoo) — Mon, 19 May 2025 17:03:05 +0900

막대차트는 언제 사용할까?

1. 트렌드 파악

2. 순위 비교 (수직 막대 차트)

3. 달성도 확인 (수평 막대 차트)

막대차트 생성 TIP

1. 항목이 많을때는 수평 막대 차트

- 양이

많을 때는 그래프도 사람이 글을 읽는 방식인 'Z' 모양으로 배치해야 읽기 쉬움

- 특히 항목 이름이 길 때는 수직 막대 차트를 사용하면 항목 이름이 겹쳐 확인하기 어려움

2. 순위를 강조해야 할 때는 정렬 활용

- 오름차순 또는 내림차순

- 정렬을 남발하면 전달하려는 메시지가 퇴색되므로 원본 데이터에서 정렬을 바꾸어도 메시지가 달라지지 않을 때에만 활용해야 함

3. 항목을 구분할 때는 색상 활용

- 서로 다른 색상으로 막대를 구분하거나, 같은 색상에서 채도(투명도)를 조정하여 강조할 수 있음

서울특별시 지하철 승객수 추이 막대차트 시각화

1. 호선별 승하차 총 승객 수

Tableau Public (Click)

2. 역별 승하차 총 승객 수 (수직 막대 차트)

Tableau Public (Click)

3. 역별 승하차 총 승객 수 (수평 막대 차트)

Tableau Public (Click)

4. 일별 총 승객 수 추이

Tableau Public (Click)

References

1. 사례분석으로 배우는 데이터 시각화 (황재진, 윤영진, 한빛미디어)

[정보처리기사] 정처기 필기 1주일 합격 공부방법 (*서울 동부 자격검정센터 후기)

지구(Jigoo) — Tue, 13 May 2025 16:02:26 +0900

[정보처리기사 필기] 1주일 합격 공부방법

**(*서울 동부 자격검정센터 후기)**

안녕하세요 지구 입니다.

오늘은 정보처리기사 필기 시험 공부 방법과 시험 후기를 작성해보겠습니다.

저는 2025년 01회차 시험에서 평균 91점으로 합격했습니다.

공부 기간 및 사용 교재

저는 2월 27일 목요일로 시험을 접수했는데 1월부터 2월초까지 다른 일정이 많아서 실질적으로는 시험 전 주 주말부터 약 일주일 정도 공부했습니다. 그런데 그 일주일 동안 하루종일 정보처리기사만 공부했기 때문에 다른 공부나 직장과 병행하신다면 최소한 2주 이상 잡으시는 게 좋을 것 같아요.

교재는 시나공에서 출판한 2025 정보처리기사 필기 기출문제집을 사용했습니다. 개인적으로 자격증 공부할 때 최대한 돈을 덜 쓰는 가성비 공부를 선호하는데 정처기는 응시자가 많은데도 은근 인터넷에 제대로된 개념 정리가 많이 없더라구요. 그리고 필기가 CBT 문제은행 방식으로 바뀌면서 최신 기출도 인터넷에 없길래 하나 구매했습니다. 기출문제집이긴 한데 개념도 같이 있어서 따로 개념서 안 사셔도 됩니다! 뒷부분에서 자세히 작성하겠지만 저는 이 책에 나온 개념만 보고 시험 쳤는데도 무리 없었어요. 개념서랑 기출문제집 따로 구매하고싶지 않으신 분들께 강추드립니다.

혹시 시나공 개념정리본만 필요하신 분은 시나공 출판사 사이트 회원가입하시면 무료 제공되고 있으니 참고하세요! 다운로드 방법은 후술하겠습니다.

배경지식

저는 대학교에서 통계학과를 주전공으로 정보시스템공학과를 부전공으로 공부해서 비전공자와 전공자 중에서 굳이 따지자면 전공자 축에 속하지만 정보시스템공학과 전공 강의를 AI, 데이터 쪽으로만 편식해서 들었기 때문에.. 실질적으로는 반전공자에 가까운 상태였습니다.

정처기랑 관련 있는 과목 중에는 운영체제, 컴퓨터구조, 데이터/데이터베이스 계열 과목 정도만 들었고 이외 컴퓨터네트워크, 소프트웨어공학, 백/프론트 계열 수업은 전혀 듣지 않아서 절반 이상을 새로 공부해야 했습니다.

프로그래밍 언어 중 Java, C는 기초까지, 파이썬, SQL은 심화까지 알고 있었어요!

추가로 작년에 ADsP, SQLD, 빅데이터분석기사를 취득해서 이 자격증들의 이론 파트가 어렴풋이 남아 있었습니다.

공부 방법

요약

① 과목별로 시나공 기출문제집 내 핵심요약본 암기 > CBT 문제 풀이 (1~5일차)

② 전체 과목 한번에 시나공 기출문제집 최신 기출 문제 풀이 (3~7일차)

+ 틈틈히 누수개념 암기 (5~7일차)

1. 시나공 핵심요약본 암기

시나공 문제집 사이트(https://www.sinagong.co.kr/)에 접속하시면 정처기 필기 개념 핵심요약집을 PDF파일로 다운로드 받으실 수 있습니다. (로그인 필수!)

총 116쪽으로 양이 많아보이긴 하지만 3과목 DB와 4과목 프로그래밍 언어 배경지식이 있으시다면 실질적으로 1,2,5과목만 암기하면 되기 때문에 할만합니다! 저도 3,4과목은 가볍게 읽어보고 복기하는 형태로만 암기했어요.

시간이 많이 걸리긴 했지만 나중에 기출문제를 풀어보니 이 자료에서 문제가 많이 나왔어서 투자한 시간이 아깝지 않았습니다..! 꼭 시나공 교재 사용하시지 않더라도 기본 개념서로 해당 PDF 강추드립니다. (책 구매 인증 안해도 되고 사이트 회원가입만 하시면 다운로드하실 수 있어요)

2. CBT 기출문제 풀이

온라인 CBT 사이트(https://www.comcbt.com/)에서 신(新)정보처리기사 필기 기출문제를 최신 순서대로 풀고 오답의 경우 해설을 참고해 공부했습니다.

* 위 사이트에 접속해서

분홍색 박스 전자문제집 CBT 클릭 > 한문제씩 풀기-버튼방식 클릭 > 기사 선택 > 정보처리기사 선택

> 시험모드, 과목선택, 선택년도, 년도지정 후 총 5과목 X 8회 = 40회차의 문제를 풀었습니다.

시험모드, 과목선택, 선택년도, 년도지정 세팅을 권장드리는 이유는 CBT 사이트에서 문제를 풀고 나면 각 문항별 정답 여부와 함께 해설을 확인할 수 있는데 이 해설 페이지를 PDF로 저장해서 공부하기에 용이하기 때문입니다.

문제를 풀고 나면 이러한 화면을 보실 수 있는데 저는 이 화면들을 모두 PDF 파일로 저장 (인쇄)해서

위와 같이 과목별로 아카이브 한 뒤

과목별로 하나의 파일로 병합했습니다. 그러면 한 과목당 120~130페이지로 정리되는데 이 파일을 태블릿, 핸드폰에 옮겨서 오답노트를 하고 수시로 암기했습니다.

이렇게 하면 CBT사이트에서 풀 수 있는 모든 문제를 뽑아보는 거랑 마찬가지이기 때문에 이렇게 CBT 활용하시는 것도 추천드립니다.

3. 전체 과목 기출문제집 풀이

위 과정은 과목별로 문제풀이를 진행한 것이기 때문에 한번에 1~5과목 전 문제를 실제 시험처럼 풀어보기 위해서 시나공 기출문제집의 최신 회차 문제를 풀었습니다. CBT에서 없었던 최신 회차 위주로 풀이 했고 한 회차 푸는 데 시간은 15~25분 소요됐던 것 같아요.

정처기 필기가 대부분 문제은행이라 최신 기출도 과거 기출과 크게 다른 점은 없기 때문에 개념암기+과목별 문제풀이한 내용을 점검하고 새롭게 등장한 일부 신개념 암기에 초점을 맞췄어요.

4. 시험 당일

당일날에는 2번 과정에서 만든 과목별 120페이지 가량의 PDF에서 형광펜으로 표시한 부분 위주로 암기하고 시험에 응했습니다.

서울 동부 자격검정센터 시험 후기

위치: 서울특별시 중랑구 동일로 942

대중교통: 6호선 태릉입구역 / 7호선 태릉입구역, 먹골역 / 버스 105, 146, 남양주 82A, 남양주 82B 등

시험장은 2층이고 깨끗했습니다. 필기시험 후기를 봤을 때 시험장에 따라 마우스 상태가 안좋은 곳도 있다고 해서 걱정했는데 여기는 괜찮았고 따로 자리 옮기시는 분도 없었어요! 내부에 엘레베이터 있습니다. 주차장도 있긴 한데 사용하시는 분은 못본 거 같아요. 화장실도 괜찮습니다.

궁금하신 점은 댓글 남겨주시면 최대한 답변드리겠습니다. ‍