실시간 환율 데이터 수집과 시각화 완벽 가이드

초급 개발자도 쉽게 따라할 수 있는 환율 API 활용법입니다. 데이터 수집부터 시각화까지 실무에서 바로 쓸 수 있는 프로젝트를 단계별로 구현해봅니다.

1. 환율 API 선정 및 분석

어느 날 김개발 씨가 회사에서 새로운 프로젝트를 맡게 되었습니다. "해외 결제 서비스를 만들어야 하는데, 실시간 환율 정보가 필요해요." 하지만 환율 데이터를 어디서 어떻게 가져와야 할지 막막했습니다.

환율 API는 실시간 환율 정보를 제공하는 웹 서비스입니다. 마치 증권사에서 실시간 주가를 제공하는 것처럼, 환율 API는 각국 통화의 최신 환율을 제공합니다.

무료로 사용할 수 있는 API부터 전문적인 유료 서비스까지 다양합니다. 올바른 API를 선택하면 안정적이고 정확한 데이터를 얻을 수 있습니다.

다음 코드를 살펴봅시다.

import requests

# API 엔드포인트와 기본 설정
api_url = "https://api.exchangerate-api.com/v4/latest/USD"

# API 호출하여 응답 확인
response = requests.get(api_url)

# 상태 코드 확인 (200이면 성공)
print(f"상태 코드: {response.status_code}")

# JSON 형태의 환율 데이터 출력
data = response.json()
print(f"기준 통화: {data['base']}")
print(f"수집 시간: {data['date']}")
print(f"USD -> KRW: {data['rates']['KRW']}원")

김개발 씨는 구글에서 "환율 API"를 검색했습니다. 수많은 검색 결과가 나왔지만, 어떤 것을 선택해야 할지 고민이 깊어졌습니다.

무료인 것도 있고, 유료인 것도 있었습니다. 선배 개발자 박시니어 씨가 다가와 조언을 건넸습니다.

"처음에는 무료 API로 시작해보세요. 프로젝트가 커지면 그때 유료로 전환해도 늦지 않아요." 그렇다면 환율 API란 정확히 무엇일까요?

쉽게 비유하자면, 환율 API는 마치 24시간 운영되는 환전소와 같습니다. 언제든지 방문하면 최신 환율 정보를 알려주는 것처럼, API에 요청을 보내면 실시간 환율 데이터를 받을 수 있습니다.

전화로 환전소에 전화해서 "지금 달러 환율이 얼마예요?"라고 묻는 것처럼, 프로그램에서 API에 요청을 보내는 것입니다. 환율 API가 없던 시절에는 어땠을까요?

개발자들은 은행 웹사이트를 직접 방문해서 환율 정보를 복사하거나, 웹 크롤링으로 데이터를 긁어와야 했습니다. 이는 법적 문제를 일으킬 수 있었고, 웹사이트 구조가 바뀌면 코드가 작동하지 않았습니다.

더 큰 문제는 실시간으로 최신 데이터를 가져오기 어려웠다는 점입니다. 바로 이런 문제를 해결하기 위해 환율 API가 등장했습니다.

환율 API를 사용하면 합법적으로 데이터를 가져올 수 있습니다. 또한 표준화된 형식으로 데이터를 받기 때문에 처리하기도 쉽습니다.

무엇보다 실시간 업데이트가 보장된다는 큰 이점이 있습니다. 대표적인 무료 환율 API로는 어떤 것들이 있을까요?

첫 번째는 ExchangeRate-API입니다. 무료 플랜에서 한 달에 1,500회까지 요청할 수 있고, 사용법이 매우 간단합니다.

회원가입 없이도 기본 기능을 사용할 수 있어 초보자에게 적합합니다. 두 번째는 Fixer.io입니다.

유럽중앙은행 데이터를 기반으로 하여 신뢰도가 높습니다. 무료 플랜은 기능이 제한적이지만, 학습용으로는 충분합니다.

세 번째는 Open Exchange Rates입니다. 매시간 업데이트되며, 170개 이상의 통화를 지원합니다.

API 문서가 잘 정리되어 있어 배우기 좋습니다. 위의 코드를 한 줄씩 살펴보겠습니다.

먼저 requests 라이브러리를 임포트합니다. 이것은 Python에서 HTTP 요청을 보내는 가장 인기 있는 라이브러리입니다.

다음으로 API의 엔드포인트 URL을 변수에 저장합니다. 이 URL은 USD를 기준으로 한 최신 환율을 제공하는 주소입니다.

requests.get() 함수로 API에 요청을 보냅니다. 이때 response 객체가 반환되는데, 여기에는 서버의 응답이 담겨 있습니다.

status_code가 200이면 요청이 성공한 것입니다. 마지막으로 response.json()을 호출하면 JSON 형태의 데이터가 Python 딕셔너리로 변환됩니다.

이제 우리는 이 데이터에서 필요한 정보를 쉽게 추출할 수 있습니다. 실제 현업에서는 어떻게 활용할까요?

예를 들어 해외 직구 쇼핑몰을 운영한다고 가정해봅시다. 상품 가격을 달러로 표시하지만, 한국 고객에게는 원화로 보여줘야 합니다.

이때 환율 API를 활용하면 실시간으로 정확한 가격을 계산해서 보여줄 수 있습니다. 많은 핀테크 기업에서 이런 패턴을 적극적으로 사용하고 있습니다.

하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 에러 처리를 하지 않는 것입니다.

네트워크 문제나 API 서버 장애로 요청이 실패할 수 있는데, 이를 처리하지 않으면 프로그램이 멈춥니다. 따라서 try-except 문으로 예외를 처리해야 합니다.

또 다른 실수는 API 제한을 고려하지 않는 것입니다. 무료 플랜은 호출 횟수가 제한되어 있기 때문에, 너무 자주 요청하면 차단될 수 있습니다.

적절한 캐싱 전략을 사용해야 합니다. 다시 김개발 씨의 이야기로 돌아가 봅시다.

박시니어 씨의 설명을 들은 김개발 씨는 고개를 끄덕였습니다. "아, ExchangeRate-API부터 시작하면 되겠네요!" 환율 API를 제대로 선택하고 이해하면 안정적인 데이터 수집 시스템을 구축할 수 있습니다.

여러분도 오늘 배운 내용을 바탕으로 직접 API를 호출해 보세요.

실전 팁

💡 - 처음에는 무료 API로 시작하고, 프로젝트가 커지면 유료로 전환하세요

API 문서를 꼼꼼히 읽고 호출 제한과 응답 형식을 파악하세요
에러 처리를 항상 포함하여 네트워크 장애에 대비하세요

2. API 키 발급받기

김개발 씨가 ExchangeRate-API 웹사이트에 접속했습니다. 무료로 사용할 수 있다고 하지만, 더 많은 기능을 사용하려면 API 키가 필요하다는 안내가 나왔습니다.

"API 키는 또 뭐지?" 궁금증이 생겼습니다.

API 키는 API 서비스를 사용할 수 있는 고유한 인증 번호입니다. 마치 도서관 회원증처럼, API 키가 있어야 서비스를 이용할 수 있습니다.

API 제공자는 키를 통해 누가 얼마나 사용하는지 추적하고, 악의적인 사용을 차단합니다. 대부분의 API 서비스는 무료 회원가입만으로 키를 발급받을 수 있습니다.

다음 코드를 살펴봅시다.

import requests
import os

# 환경 변수에서 API 키 불러오기 (보안)
API_KEY = os.getenv("EXCHANGE_API_KEY", "your_api_key_here")

# API 키를 포함한 엔드포인트
api_url = f"https://v6.exchangerate-api.com/v6/{API_KEY}/latest/USD"

# API 호출
response = requests.get(api_url)

if response.status_code == 200:
    data = response.json()
    print(f"요청 성공! 남은 호출 횟수: {data.get('quota_remaining', 'N/A')}")
else:
    print(f"요청 실패: {response.status_code}")

김개발 씨는 ExchangeRate-API 웹사이트의 "Get Free API Key" 버튼을 클릭했습니다. 이메일 주소만 입력하면 바로 API 키가 발급되었습니다.

생각보다 간단했습니다. 하지만 박시니어 씨가 경고했습니다.

"API 키는 비밀번호처럼 관리해야 해요. 절대 코드에 직접 적으면 안 됩니다!" 그렇다면 API 키란 정확히 무엇일까요?

쉽게 비유하자면, API 키는 마치 헬스장 회원 카드와 같습니다. 카드가 있어야 입장할 수 있고, 카드 번호로 누가 언제 방문했는지 기록됩니다.

만약 부적절한 행동을 하면 회원 자격이 정지될 수 있습니다. API 키도 마찬가지로 서비스 사용을 추적하고 관리하는 수단입니다.

API 키가 왜 필요할까요? 첫째, 사용량 제한을 위해서입니다.

무료 사용자는 하루에 1,000번만 호출할 수 있고, 유료 사용자는 더 많이 호출할 수 있습니다. API 키가 없다면 이런 구분이 불가능합니다.

둘째, 보안을 위해서입니다. 누군가 API를 악의적으로 사용하거나, 과도하게 요청을 보내면 해당 키를 차단할 수 있습니다.

이렇게 하면 다른 사용자에게 피해가 가지 않습니다. 셋째, 유료 결제를 위해서입니다.

무료 플랜을 넘어서는 사용량은 자동으로 요금이 부과됩니다. API 키로 사용자를 식별하기 때문에 정확한 과금이 가능합니다.

API 키를 발급받는 과정은 서비스마다 조금씩 다릅니다. ExchangeRate-API의 경우, 이메일 주소만 입력하면 즉시 키가 발급됩니다.

이메일 인증도 필요 없어서 매우 빠릅니다. Fixer.io는 회원가입 후 대시보드에서 API 키를 확인할 수 있습니다.

무료 플랜은 기능이 제한되지만, 테스트하기에는 충분합니다. Open Exchange Rates는 회원가입 시 앱 ID를 발급받습니다.

이것이 API 키 역할을 합니다. 위의 코드를 자세히 살펴보겠습니다.

가장 중요한 부분은 os.getenv() 함수입니다. 이것은 운영체제의 환경 변수에서 값을 가져옵니다.

API 키를 코드에 직접 쓰지 않고, 환경 변수로 관리하는 것이 보안의 핵심입니다. f-string을 사용해서 API 키를 URL에 삽입합니다.

이렇게 하면 각 요청마다 API 키가 함께 전송됩니다. 서버는 이 키를 확인하고, 유효한 사용자인지 판단합니다.

응답 데이터에는 quota_remaining 같은 정보가 포함되어 있습니다. 이것은 남은 호출 횟수를 알려줍니다.

이 정보를 모니터링하면 제한에 걸리기 전에 대응할 수 있습니다. 실제 현업에서는 어떻게 관리할까요?

대부분의 회사는 환경 변수 관리 도구를 사용합니다. 개발 환경에서는 .env 파일에 API 키를 저장하고, python-dotenv 라이브러리로 불러옵니다.

프로덕션 환경에서는 AWS Secrets Manager나 HashiCorp Vault 같은 전문 도구를 사용합니다. 절대로 해서는 안 되는 실수가 있습니다.

첫 번째 실수는 코드에 API 키를 직접 작성하는 것입니다. 이렇게 하면 GitHub에 코드를 올릴 때 키가 노출됩니다.

봇들이 GitHub을 스캔해서 노출된 키를 찾아내고, 악용하는 사례가 많습니다. 두 번째 실수는 키를 여러 프로젝트에서 재사용하는 것입니다.

하나의 프로젝트에서 문제가 생기면 모든 프로젝트가 영향을 받습니다. 프로젝트마다 별도의 키를 사용하는 것이 안전합니다.

세 번째 실수는 키를 정기적으로 갱신하지 않는 것입니다. 보안을 위해 몇 개월마다 새 키를 발급받고, 이전 키는 폐기하는 것이 좋습니다.

김개발 씨는 .env 파일을 만들고, 그 안에 API 키를 저장했습니다. 그리고 .gitignore 파일에 .env를 추가해서 Git에 올라가지 않도록 설정했습니다.

"이제 안전하게 개발할 수 있겠네!" API 키를 올바르게 관리하는 것은 개발자의 기본 소양입니다. 여러분도 오늘 배운 환경 변수 관리 방법을 꼭 실천해 보세요.

실전 팁

💡 - API 키는 반드시 환경 변수로 관리하고, 절대 코드에 직접 작성하지 마세요

.env 파일을 .gitignore에 추가하여 Git에 올라가지 않도록 하세요
무료 플랜의 호출 제한을 확인하고, 남은 횟수를 모니터링하세요

3. 환율 데이터 수집 코드 작성

API 키도 발급받았고, 이제 본격적으로 환율 데이터를 수집할 차례입니다. 김개발 씨는 코드 에디터를 열고 손가락을 풀었습니다.

"자, 이제 시작해볼까요?" 하지만 어떤 구조로 코드를 짜야 할지 고민이 되었습니다.

환율 데이터 수집은 API로부터 환율 정보를 받아와 저장하는 과정입니다. 마치 날씨 정보를 매시간 기록하는 것처럼, 환율도 주기적으로 수집해야 변동 추이를 분석할 수 있습니다.

함수로 만들어두면 재사용이 쉽고, 에러 처리도 체계적으로 할 수 있습니다. 수집한 데이터는 파일이나 데이터베이스에 저장합니다.

다음 코드를 살펴봅시다.

import requests
import json
from datetime import datetime

def fetch_exchange_rates(base_currency="USD"):
    """환율 데이터를 수집하는 함수"""
    api_key = "your_api_key_here"
    url = f"https://v6.exchangerate-api.com/v6/{api_key}/latest/{base_currency}"

    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()  # 에러 상태 코드 체크

        data = response.json()

        # 수집 시간과 환율 정보 구조화
        result = {
            "timestamp": datetime.now().isoformat(),
            "base": data["base_code"],
            "rates": data["conversion_rates"],
            "last_update": data["time_last_update_utc"]
        }

        # JSON 파일로 저장
        filename = f"exchange_rates_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
        with open(filename, 'w', encoding='utf-8') as f:
            json.dump(result, f, indent=2, ensure_ascii=False)

        print(f"환율 데이터 수집 완료: {filename}")
        return result

    except requests.exceptions.RequestException as e:
        print(f"API 요청 실패: {e}")
        return None

# 함수 실행
if __name__ == "__main__":
    rates = fetch_exchange_rates()
    if rates:
        print(f"USD -> KRW: {rates['rates']['KRW']}원")

김개발 씨는 간단하게 데이터를 받아와서 출력하는 코드를 먼저 작성했습니다. 잘 작동했습니다.

하지만 박시니어 씨가 코드를 보더니 고개를 저었습니다. "이렇게 하면 나중에 유지보수가 힘들어요.

함수로 만들고, 에러 처리도 추가해야죠." 그렇다면 제대로 된 데이터 수집 코드는 어떻게 작성해야 할까요? 쉽게 비유하자면, 데이터 수집은 마치 우체부가 편지를 배달받는 것과 같습니다.

우체부는 편지를 받고, 내용을 확인하고, 정해진 장소에 보관합니다. 만약 중간에 문제가 생기면 재배달을 요청합니다.

우리의 코드도 이런 흐름을 따라야 합니다. 체계적인 데이터 수집을 위해서는 무엇이 필요할까요?

첫째, 함수화가 필요합니다. 코드를 함수로 만들면 여러 곳에서 재사용할 수 있습니다.

또한 테스트하기도 쉬워집니다. 둘째, 에러 처리가 필수입니다.

네트워크 문제, API 서버 장애, 잘못된 응답 등 다양한 오류 상황에 대비해야 합니다. try-except 문으로 예외를 잡아서 처리합니다.

셋째, 데이터 구조화가 중요합니다. API에서 받은 원시 데이터를 그대로 쓰는 것이 아니라, 우리가 사용하기 편한 형태로 가공해야 합니다.

넷째, 타임스탬프 기록이 필요합니다. 언제 수집한 데이터인지 기록해야 나중에 시계열 분석이 가능합니다.

위의 코드를 단계별로 분석해보겠습니다. fetch_exchange_rates() 함수는 매개변수로 기준 통화를 받습니다.

기본값은 USD이지만, EUR이나 KRW로도 변경할 수 있습니다. 이런 유연성이 함수의 장점입니다.

requests.get(url, timeout=10) 부분에서 timeout을 설정했습니다. 만약 10초 안에 응답이 없으면 예외가 발생합니다.

이렇게 하지 않으면 네트워크 문제가 생겼을 때 프로그램이 무한정 기다릴 수 있습니다. response.raise_for_status() 메서드는 매우 중요합니다.

HTTP 상태 코드가 400이나 500번대라면 예외를 발생시킵니다. 이것이 없으면 에러 응답도 정상으로 처리해버립니다.

데이터를 가공하는 부분을 보면, result 딕셔너리를 만들어서 필요한 정보만 추출합니다. timestamp는 Python에서 데이터를 수집한 시각이고, last_update는 API 서버에서 환율을 마지막으로 업데이트한 시각입니다.

두 가지를 모두 기록하는 것이 좋습니다. 파일로 저장할 때는 datetime.now().strftime() 을 사용해서 파일명에 날짜와 시간을 포함시킵니다.

이렇게 하면 같은 파일이 덮어씌워지지 않고, 각 시점의 데이터가 모두 보존됩니다. json.dump()의 매개변수도 주목해야 합니다.

indent=2는 보기 좋게 들여쓰기를 하고, ensure_ascii=False는 한글이 깨지지 않도록 합니다. 실제 현업에서는 어떻게 발전시킬까요?

첫 번째로, 로깅을 추가합니다. print 대신 logging 모듈을 사용하면 로그 레벨을 조절하고, 파일에 기록할 수 있습니다.

프로덕션 환경에서는 필수입니다. 두 번째로, 데이터베이스 저장을 고려합니다.

JSON 파일은 간단하지만, 데이터가 많아지면 관리가 어렵습니다. PostgreSQL이나 MongoDB 같은 데이터베이스에 저장하면 쿼리도 쉽고, 백업도 편리합니다.

세 번째로, 재시도 로직을 추가합니다. API 호출이 실패하면 몇 초 후에 자동으로 재시도하는 기능을 넣으면 안정성이 높아집니다.

tenacity 같은 라이브러리를 사용하면 쉽게 구현할 수 있습니다. 초보 개발자들이 자주 하는 실수가 있습니다.

첫 번째는 에러를 무시하는 것입니다. except 블록에서 pass만 쓰면 어떤 문제가 생겼는지 알 수 없습니다.

최소한 에러 메시지라도 출력해야 합니다. 두 번째는 동기 방식만 사용하는 것입니다.

여러 통화의 환율을 동시에 수집해야 한다면, 순차적으로 호출하면 느립니다. asyncio와 aiohttp를 사용하면 비동기로 빠르게 수집할 수 있습니다.

세 번째는 하드코딩입니다. API 키를 코드에 직접 쓰거나, 파일 경로를 고정하면 나중에 수정하기 어렵습니다.

설정 파일이나 환경 변수를 활용하세요. 김개발 씨는 박시니어 씨의 조언대로 코드를 수정했습니다.

함수로 만들고, 에러 처리도 추가했습니다. 실행해보니 JSON 파일이 생성되고, 환율 데이터가 깔끔하게 저장되었습니다.

"와, 이제 제대로 된 것 같아요!" 데이터 수집 코드를 제대로 작성하면 안정적이고 확장 가능한 시스템을 만들 수 있습니다. 여러분도 오늘 배운 패턴을 활용해서 자신만의 데이터 수집기를 만들어 보세요.

실전 팁

💡 - timeout을 설정하여 네트워크 문제로 무한정 기다리는 상황을 방지하세요

raise_for_status()로 HTTP 에러를 확실하게 처리하세요
파일명에 타임스탬프를 포함시켜 데이터를 시간순으로 보존하세요

4. 수집 데이터 DataFrame 변환

김개발 씨는 환율 데이터를 JSON 파일로 저장하는 데 성공했습니다. 하지만 파일이 점점 쌓이면서 분석하기가 어려워졌습니다.

"이 데이터를 표 형태로 보면 더 편할 텐데..." 고민하던 중, 박시니어 씨가 Pandas라는 라이브러리를 소개해주었습니다.

DataFrame은 Pandas 라이브러리의 핵심 자료구조로, 표 형태로 데이터를 저장하고 처리합니다. 마치 엑셀의 스프레드시트처럼, 행과 열로 구성된 2차원 데이터를 다룹니다.

JSON이나 딕셔너리 형태의 환율 데이터를 DataFrame으로 변환하면 정렬, 필터링, 집계가 훨씬 쉬워집니다. 데이터 분석의 출발점입니다.

다음 코드를 살펴봅시다.

import pandas as pd
import json
from datetime import datetime

# JSON 파일에서 환율 데이터 읽기
with open('exchange_rates_20250117_143052.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

# 환율 정보를 리스트 형태로 변환
rates_list = []
for currency, rate in data['rates'].items():
    rates_list.append({
        'timestamp': data['timestamp'],
        'base_currency': data['base'],
        'target_currency': currency,
        'exchange_rate': rate,
        'last_update': data['last_update']
    })

# DataFrame 생성
df = pd.DataFrame(rates_list)

# 데이터 확인
print(df.head(10))
print(f"\n총 {len(df)}개 통화의 환율 정보")

# 특정 통화만 필터링
major_currencies = ['KRW', 'EUR', 'JPY', 'GBP', 'CNY']
df_major = df[df['target_currency'].isin(major_currencies)]
print("\n주요 통화 환율:")
print(df_major)

# CSV 파일로 저장
df.to_csv('exchange_rates.csv', index=False, encoding='utf-8-sig')
print("\nCSV 파일 저장 완료!")

김개발 씨는 Pandas를 처음 들어봤습니다. "이게 정말 그렇게 편한가요?" 박시니어 씨는 웃으며 대답했습니다.

"데이터 분석을 한다면 Pandas 없이는 살 수 없어요. 한번 써보면 왜 그런지 알게 될 거예요." 그렇다면 DataFrame이란 정확히 무엇일까요?

쉽게 비유하자면, DataFrame은 마치 엑셀의 워크시트와 같습니다. 첫 행에는 열 이름이 있고, 각 행에는 데이터가 들어갑니다.

엑셀에서 필터를 걸거나 정렬하는 것처럼, DataFrame도 강력한 데이터 조작 기능을 제공합니다. 하지만 엑셀보다 훨씬 빠르고, 수백만 행의 데이터도 거뜬히 처리합니다.

왜 JSON에서 DataFrame으로 변환해야 할까요? JSON은 계층 구조를 표현하기에는 좋지만, 분석하기에는 불편합니다.

예를 들어 "KRW 환율이 1,300원이 넘는 시점을 찾아라"는 쿼리를 JSON으로 처리하려면 복잡한 반복문을 작성해야 합니다. 하지만 DataFrame에서는 단 한 줄로 가능합니다.

또한 DataFrame은 시계열 데이터 처리에 특화되어 있습니다. 환율은 시간에 따라 변하는 데이터이기 때문에, DataFrame의 날짜 처리 기능을 활용하면 월별 평균, 일별 변동폭 같은 분석이 쉽습니다.

위의 코드를 자세히 살펴보겠습니다. 먼저 JSON 파일을 읽어서 Python 딕셔너리로 로드합니다.

data['rates']는 통화 코드와 환율이 쌍으로 저장된 딕셔너리입니다. 예를 들어 {'KRW': 1320.5, 'EUR': 0.92, ...} 같은 형태입니다.

이것을 DataFrame으로 만들려면 리스트 형태로 변환해야 합니다. 각 통화를 하나의 행으로 만들어서 rates_list에 추가합니다.

이때 timestamp와 base_currency 같은 공통 정보도 함께 포함시킵니다. pd.DataFrame(rates_list) 한 줄로 DataFrame이 생성됩니다.

매우 간단하지만 강력합니다. Pandas는 자동으로 리스트의 딕셔너리를 표 형태로 변환합니다.

df.head(10)은 처음 10개 행만 출력합니다. 데이터가 제대로 들어갔는지 확인하는 용도입니다.

전체를 출력하면 화면이 너무 길어지기 때문에, 항상 일부만 확인하는 습관을 들이는 것이 좋습니다. 필터링 부분을 보면, df['target_currency'].isin(major_currencies)는 불린 인덱싱입니다.

각 행이 조건을 만족하면 True, 아니면 False를 반환합니다. 이것을 df에 적용하면 True인 행만 선택됩니다.

SQL의 WHERE 절과 비슷하지만, 더 직관적입니다. 마지막으로 to_csv()로 CSV 파일로 저장합니다.

index=False는 행 번호를 저장하지 않는다는 의미이고, encoding='utf-8-sig'는 엑셀에서 한글이 깨지지 않도록 하는 설정입니다. 이 부분을 빼먹으면 한글이 깨져서 나옵니다.

실제 현업에서는 어떻게 활용할까요? 금융 회사에서는 환율 데이터를 DataFrame으로 저장하고, 일별/주별/월별 통계를 계산합니다.

예를 들어 "지난 30일 동안 KRW 환율의 평균과 표준편차는?"이라는 질문에 즉시 답할 수 있습니다. 이커머스 회사에서는 여러 통화의 환율을 비교해서 가장 유리한 결제 통화를 고객에게 추천합니다.

DataFrame의 groupby()와 agg() 함수를 사용하면 이런 복잡한 분석도 몇 줄로 해결됩니다. 핀테크 스타트업에서는 실시간으로 수집한 환율 데이터를 DataFrame으로 변환하고, 이상 패턴을 감지하는 알고리즘을 돌립니다.

급격한 환율 변동이 감지되면 알림을 보냅니다. 초보자들이 자주 하는 실수가 있습니다.

첫 번째는 데이터 구조를 제대로 변환하지 않는 것입니다. JSON의 중첩된 딕셔너리를 그대로 DataFrame으로 만들면 원하는 형태가 나오지 않습니다.

위의 코드처럼 리스트 형태로 평탄화해야 합니다. 두 번째는 데이터 타입을 확인하지 않는 것입니다.

df.dtypes로 각 열의 데이터 타입을 확인하세요. exchange_rate가 문자열로 저장되면 계산이 안 됩니다.

pd.to_numeric()으로 숫자로 변환해야 합니다. 세 번째는 메모리 관리를 소홀히 하는 것입니다.

수십만 행의 데이터를 다룰 때는 불필요한 열을 삭제하고, 데이터 타입을 최적화해야 합니다. 예를 들어 float64 대신 float32를 사용하면 메모리를 절반으로 줄일 수 있습니다.

김개발 씨는 코드를 실행했습니다. 화면에 깔끔한 표가 출력되었습니다.

"와, 정말 엑셀처럼 보이네요!" CSV 파일을 열어보니 엑셀에서도 완벽하게 열렸습니다. "이제 분석이 훨씬 쉬워질 것 같아요!" DataFrame을 제대로 활용하면 데이터 분석의 생산성이 10배는 높아집니다.

여러분도 오늘 배운 내용을 바탕으로 자신의 데이터를 DataFrame으로 만들어 보세요.

실전 팁

💡 - JSON의 중첩 구조를 리스트로 평탄화한 후 DataFrame으로 변환하세요

df.dtypes로 데이터 타입을 확인하고, 필요시 변환하세요
CSV 저장 시 encoding='utf-8-sig'를 사용하면 엑셀에서 한글이 깨지지 않습니다

5. 환율 변동 추이 분석

데이터를 DataFrame으로 만드는 데 성공한 김개발 씨는 이제 실제 분석을 하고 싶어졌습니다. "지난 한 달 동안 달러 환율이 어떻게 변했을까?" 하지만 숫자만 봐서는 변동 추이를 파악하기 어려웠습니다.

박시니어 씨가 말했습니다. "그래프로 그려보면 한눈에 알 수 있어요."

환율 변동 추이 분석은 시간에 따라 환율이 어떻게 변화했는지 시각적으로 파악하는 과정입니다. 마치 주식 차트처럼, 환율도 시간축을 기준으로 선 그래프를 그리면 상승/하락 패턴을 쉽게 발견할 수 있습니다.

Matplotlib 라이브러리를 사용하면 전문가 수준의 차트를 만들 수 있습니다. 추세를 파악하면 미래 변동을 예측하는 데도 도움이 됩니다.

다음 코드를 살펴봅시다.

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import font_manager, rc
import platform

# 한글 폰트 설정 (Windows)
if platform.system() == 'Windows':
    font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
    rc('font', family=font_name)
plt.rcParams['axes.unicode_minus'] = False  # 마이너스 기호 깨짐 방지

# 시계열 데이터 생성 (예제)
dates = pd.date_range('2025-01-01', periods=30, freq='D')
usd_krw = [1320, 1325, 1318, 1330, 1335, 1340, 1338, 1345, 1350, 1355,
           1360, 1358, 1365, 1370, 1368, 1375, 1380, 1378, 1385, 1390,
           1388, 1395, 1400, 1398, 1405, 1410, 1408, 1415, 1420, 1418]

df = pd.DataFrame({'date': dates, 'USD_KRW': usd_krw})
df['date'] = pd.to_datetime(df['date'])  # 날짜 형식 변환

# 이동평균 계산 (7일)
df['MA_7'] = df['USD_KRW'].rolling(window=7).mean()

# 시각화
plt.figure(figsize=(12, 6))
plt.plot(df['date'], df['USD_KRW'], marker='o', label='USD/KRW 환율', linewidth=2)
plt.plot(df['date'], df['MA_7'], label='7일 이동평균', linestyle='--', linewidth=2)
plt.title('USD/KRW 환율 변동 추이 (최근 30일)', fontsize=16, fontweight='bold')
plt.xlabel('날짜', fontsize=12)
plt.ylabel('환율 (원)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.legend(fontsize=10)
plt.tight_layout()
plt.xticks(rotation=45)
plt.show()

# 통계 정보 출력
print(f"최고 환율: {df['USD_KRW'].max()}원")
print(f"최저 환율: {df['USD_KRW'].min()}원")
print(f"평균 환율: {df['USD_KRW'].mean():.2f}원")
print(f"변동폭: {df['USD_KRW'].max() - df['USD_KRW'].min()}원")

김개발 씨는 엑셀에서 차트를 그려본 적은 있지만, Python으로는 처음이었습니다. "어려울 것 같은데..." 걱정했지만, 박시니어 씨는 자신 있게 말했습니다.

"Matplotlib을 쓰면 엑셀보다 훨씬 강력한 차트를 만들 수 있어요." 그렇다면 시계열 데이터 분석이란 무엇일까요? 쉽게 비유하자면, 시계열 분석은 마치 건강검진 기록을 보는 것과 같습니다.

올해만 보면 체중이 정상인지 알 수 없지만, 지난 5년간의 기록을 보면 증가 추세인지 감소 추세인지 알 수 있습니다. 환율도 마찬가지로, 한 시점의 값보다는 시간에 따른 변화 패턴이 중요합니다.

왜 그래프로 그려야 할까요? 숫자만 나열하면 패턴을 발견하기 어렵습니다.

하지만 그래프로 그리면 상승 추세, 하락 추세, 변동성 같은 특징이 즉시 눈에 들어옵니다. 예를 들어 환율이 1,320원에서 1,420원으로 변했다고 하면, 단순히 100원 올랐다고만 생각할 수 있습니다.

하지만 그래프를 보면 처음 10일은 완만하게 상승하고, 중간 10일은 횡보하고, 마지막 10일은 급격히 상승했다는 것을 알 수 있습니다. 이런 패턴은 숫자만 봐서는 절대 파악할 수 없습니다.

위의 코드를 단계별로 분석해보겠습니다. 먼저 한글 폰트 설정 부분이 있습니다.

Matplotlib의 기본 폰트는 한글을 지원하지 않아서, 그래프에 한글을 쓰면 네모 박스로 깨져 나옵니다. Windows의 경우 맑은 고딕 폰트를 지정하면 해결됩니다.

Mac이나 Linux는 다른 폰트를 사용해야 합니다. pd.date_range()로 날짜 데이터를 생성합니다.

실제 프로젝트에서는 API에서 받아온 날짜를 사용하겠지만, 여기서는 예제로 30일치 데이터를 만들었습니다. 이동평균이 핵심입니다.

rolling(window=7).mean()은 최근 7일의 평균을 계산합니다. 이것을 7일 이동평균이라고 부릅니다.

이동평균은 일시적인 변동을 제거하고, 장기 추세를 보여줍니다. 주식 차트에서 자주 사용하는 기법입니다.

plt.figure(figsize=(12, 6))으로 그래프 크기를 설정합니다. 가로 12인치, 세로 6인치입니다.

너무 작으면 보기 어렵고, 너무 크면 화면에 안 들어갑니다. plt.plot()으로 선 그래프를 그립니다.

marker='o'는 각 데이터 포인트에 동그라미 마커를 표시하고, linewidth=2는 선 두께를 2로 설정합니다. 이동평균선은 점선(linestyle='--')으로 구분해서 그립니다.

plt.grid(True, alpha=0.3)은 격자선을 그립니다. alpha=0.3은 투명도를 30%로 설정해서 배경처럼 희미하게 보이도록 합니다.

격자선이 너무 진하면 오히려 방해가 됩니다. plt.tight_layout()은 여백을 자동으로 조정합니다.

이것을 쓰지 않으면 제목이나 라벨이 잘릴 수 있습니다. 통계 정보 출력 부분에서는 max(), min(), mean() 같은 집계 함수를 사용합니다.

이런 기본 통계를 함께 보여주면 그래프를 더 잘 이해할 수 있습니다. 실제 현업에서는 어떤 분석을 할까요?

투자 회사에서는 변동성 지표를 계산합니다. 환율의 표준편차를 구해서, 변동성이 높아지면 리스크 관리를 강화합니다.

수출입 기업에서는 예측 모델을 만듭니다. 과거 환율 데이터로 머신러닝 모델을 학습시켜, 다음 달 환율을 예측합니다.

이를 바탕으로 환헤지 전략을 세웁니다. 은행에서는 이상 탐지를 수행합니다.

환율이 갑자기 크게 변동하면 자동으로 알림을 보냅니다. 이런 시스템은 24시간 가동되어야 하므로, 자동화가 필수입니다.

초보자들이 자주 하는 실수가 있습니다. 첫 번째는 한글 폰트 설정을 빼먹는 것입니다.

그래프에 한글이 깨져서 나오는데 원인을 찾지 못해 몇 시간을 헤매는 경우가 많습니다. 위의 폰트 설정 코드를 미리 저장해두고 재사용하세요.

두 번째는 날짜 형식을 제대로 처리하지 않는 것입니다. 날짜가 문자열로 저장되어 있으면 정렬이 제대로 안 됩니다.

pd.to_datetime()으로 변환해야 합니다. 세 번째는 y축 범위를 고정하지 않는 것입니다.

환율이 1,300원에서 1,350원으로 변했다면, y축을 1,300~1,350으로 설정하는 것이 좋습니다. 0부터 시작하면 변동이 작아 보입니다.

plt.ylim()으로 범위를 지정하세요. 김개발 씨는 코드를 실행했습니다.

화면에 아름다운 그래프가 나타났습니다. 파란 선이 환율이고, 주황 점선이 이동평균입니다.

"와, 추세가 한눈에 보이네요!" 박시니어 씨가 말했습니다. "이제 진짜 데이터 분석가가 다 됐어요." 시각화는 데이터를 이해하는 가장 강력한 도구입니다.

여러분도 오늘 배운 내용을 바탕으로 자신의 데이터를 그래프로 그려보세요.

실전 팁

💡 - 한글 폰트 설정을 항상 포함시켜 텍스트가 깨지지 않도록 하세요

이동평균을 추가하면 노이즈를 제거하고 장기 추세를 명확하게 볼 수 있습니다
y축 범위를 적절히 조정하면 변동을 더 뚜렷하게 표현할 수 있습니다

6. 여러 통화 비교 시각화

단일 통화의 추이를 보는 것도 유익했지만, 김개발 씨는 여러 통화를 동시에 비교하고 싶었습니다. "유로, 엔화, 위안화는 어떻게 변하고 있을까?" 박시니어 씨가 웃으며 말했습니다.

"여러 선을 한 그래프에 그리면 되죠. 색상만 다르게 하면 됩니다."

여러 통화 비교 시각화는 복수의 환율을 하나의 차트에 표시하여 상대적인 변동을 비교하는 기법입니다. 마치 여러 주식을 비교하듯이, 각 통화를 다른 색상의 선으로 그려서 어떤 통화가 더 안정적인지, 어떤 통화가 더 큰 변동을 보이는지 한눈에 파악할 수 있습니다.

정규화 기법을 사용하면 서로 다른 단위의 환율도 공정하게 비교할 수 있습니다.

다음 코드를 살펴봅시다.

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import font_manager, rc
import platform

# 한글 폰트 설정
if platform.system() == 'Windows':
    font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
    rc('font', family=font_name)
plt.rcParams['axes.unicode_minus'] = False

# 다중 통화 시계열 데이터 (예제)
dates = pd.date_range('2025-01-01', periods=30, freq='D')
data = {
    'date': dates,
    'USD_KRW': [1320, 1325, 1318, 1330, 1335, 1340, 1338, 1345, 1350, 1355,
                1360, 1358, 1365, 1370, 1368, 1375, 1380, 1378, 1385, 1390,
                1388, 1395, 1400, 1398, 1405, 1410, 1408, 1415, 1420, 1418],
    'EUR_KRW': [1450, 1455, 1448, 1460, 1465, 1470, 1468, 1475, 1480, 1485,
                1490, 1488, 1495, 1500, 1498, 1505, 1510, 1508, 1515, 1520,
                1518, 1525, 1530, 1528, 1535, 1540, 1538, 1545, 1550, 1548],
    'JPY_KRW': [9.5, 9.6, 9.4, 9.7, 9.8, 9.9, 9.8, 10.0, 10.1, 10.2,
                10.3, 10.2, 10.4, 10.5, 10.4, 10.6, 10.7, 10.6, 10.8, 10.9,
                10.8, 11.0, 11.1, 11.0, 11.2, 11.3, 11.2, 11.4, 11.5, 11.4]
}

df = pd.DataFrame(data)

# 정규화 (초기값 대비 변화율)
df['USD_normalized'] = (df['USD_KRW'] / df['USD_KRW'].iloc[0] - 1) * 100
df['EUR_normalized'] = (df['EUR_KRW'] / df['EUR_KRW'].iloc[0] - 1) * 100
df['JPY_normalized'] = (df['JPY_KRW'] / df['JPY_KRW'].iloc[0] - 1) * 100

# 서브플롯 생성 (2개 차트)
fig, axes = plt.subplots(2, 1, figsize=(12, 10))

# 첫 번째 차트: 원래 환율
axes[0].plot(df['date'], df['USD_KRW'], marker='o', label='USD/KRW', linewidth=2)
axes[0].plot(df['date'], df['EUR_KRW'], marker='s', label='EUR/KRW', linewidth=2)
axes[0].plot(df['date'], df['JPY_KRW']*100, marker='^', label='JPY/KRW (x100)', linewidth=2)
axes[0].set_title('주요 통화 환율 추이 (원화 기준)', fontsize=14, fontweight='bold')
axes[0].set_xlabel('날짜', fontsize=11)
axes[0].set_ylabel('환율 (원)', fontsize=11)
axes[0].legend(fontsize=10)
axes[0].grid(True, alpha=0.3)
axes[0].tick_params(axis='x', rotation=45)

# 두 번째 차트: 정규화된 변화율
axes[1].plot(df['date'], df['USD_normalized'], marker='o', label='USD/KRW', linewidth=2)
axes[1].plot(df['date'], df['EUR_normalized'], marker='s', label='EUR/KRW', linewidth=2)
axes[1].plot(df['date'], df['JPY_normalized'], marker='^', label='JPY/KRW', linewidth=2)
axes[1].set_title('통화별 변화율 비교 (첫날 대비 %)', fontsize=14, fontweight='bold')
axes[1].set_xlabel('날짜', fontsize=11)
axes[1].set_ylabel('변화율 (%)', fontsize=11)
axes[1].legend(fontsize=10)
axes[1].grid(True, alpha=0.3)
axes[1].axhline(y=0, color='gray', linestyle='--', alpha=0.5)  # 0% 기준선
axes[1].tick_params(axis='x', rotation=45)

plt.tight_layout()
plt.show()

김개발 씨는 처음에 달러, 유로, 엔화를 같은 그래프에 그렸습니다. 하지만 뭔가 이상했습니다.

엔화 선이 거의 보이지 않았습니다. "왜 이럴까요?" 박시니어 씨가 설명했습니다.

"단위가 다르기 때문이에요. 달러는 1,300원대이고, 엔화는 10원대입니다.

같은 y축에 그리면 엔화가 너무 작아 보이죠. 정규화가 필요해요." 그렇다면 정규화란 무엇일까요?

쉽게 비유하자면, 정규화는 마치 시험 성적을 백분율로 환산하는 것과 같습니다. 수학은 100점 만점이고 영어는 50점 만점이라면, 수학 80점과 영어 40점을 직접 비교할 수 없습니다.

하지만 백분율로 환산하면 둘 다 80%가 되어 공정하게 비교할 수 있습니다. 환율에서는 초기값 대비 변화율로 정규화합니다.

첫날을 0%로 설정하고, 이후 날짜는 첫날 대비 몇 퍼센트 변했는지 계산합니다. 이렇게 하면 달러가 3% 올랐는지, 엔화가 5% 올랐는지 한눈에 비교할 수 있습니다.

여러 통화를 비교하면 어떤 인사이트를 얻을 수 있을까요? 첫째, 상관관계를 발견할 수 있습니다.

달러와 유로가 비슷한 패턴으로 움직인다면, 공통의 요인이 있다는 뜻입니다. 예를 들어 미국과 유럽의 금리 정책이 동시에 변했을 수 있습니다.

둘째, 변동성 차이를 알 수 있습니다. 어떤 통화는 안정적으로 소폭만 변동하고, 어떤 통화는 큰 폭으로 등락합니다.

위험 회피형 투자자는 변동성이 낮은 통화를 선호합니다. 셋째, 환헤지 전략을 세울 수 있습니다.

예를 들어 달러가 올라갈 때 엔화는 내려간다면, 두 통화를 동시에 보유하면 리스크를 분산할 수 있습니다. 위의 코드를 자세히 살펴보겠습니다.

plt.subplots(2, 1)은 세로로 2개의 차트를 만듭니다. 하나는 원래 환율을 보여주고, 다른 하나는 정규화된 변화율을 보여줍니다.

이렇게 두 가지 관점을 함께 보여주면 이해가 깊어집니다. 첫 번째 차트에서 엔화는 100배를 곱했습니다.

JPY_KRW * 100으로 10원대를 1,000원대로 만들어서 다른 통화와 비슷한 규모로 보이게 했습니다. 이것은 시각적 편의를 위한 것이고, 범례에 (x100)이라고 명시해서 헷갈리지 않게 했습니다.

정규화 공식을 보면, (현재값 / 초기값 - 1) * 100입니다. 이것은 퍼센트 변화율을 계산하는 표준 공식입니다.

예를 들어 1,320원이 1,420원이 되면, (1420 / 1320 - 1) * 100 = 7.58% 상승한 것입니다. 두 번째 차트에는 axhline(y=0)으로 0% 기준선을 그었습니다.

이 선 위에 있으면 상승, 아래에 있으면 하락입니다. 시각적으로 매우 직관적입니다.

마커를 다르게 설정한 것도 중요합니다. marker='o'는 동그라미, marker='s'는 사각형, marker='^'는 삼각형입니다.

색상뿐만 아니라 모양도 다르게 하면 색맹인 사용자도 구분할 수 있습니다. 이것은 접근성을 고려한 디자인입니다.

실제 현업에서는 어떻게 활용할까요? 글로벌 기업에서는 여러 통화를 동시에 모니터링하는 대시보드를 만듭니다.

실시간으로 업데이트되며, 경영진이 한눈에 환율 상황을 파악할 수 있습니다. 펀드 매니저는 통화 간 스프레드를 분석합니다.

달러와 유로의 차이가 벌어지면 차익거래 기회로 볼 수 있습니다. 여행사에서는 여행지별 환율을 비교해서 고객에게 추천합니다.

"지금은 유럽보다 일본 여행이 저렴합니다"라는 마케팅 메시지를 데이터로 뒷받침합니다. 초보자들이 자주 하는 실수가 있습니다.

첫 번째는 범례를 빼먹는 것입니다. 여러 선이 있는데 어떤 것이 무슨 통화인지 표시가 없으면 그래프가 쓸모없습니다.

반드시 plt.legend()를 호출하세요. 두 번째는 색상을 임의로 선택하는 것입니다.

Matplotlib의 기본 색상이 마음에 안 든다면, color='#FF5733' 같은 hex 코드로 지정할 수 있습니다. 하지만 빨강과 초록을 함께 쓰면 색맹 사용자가 구분하기 어렵습니다.

세 번째는 너무 많은 선을 그리는 것입니다. 5개 이상의 선을 한 차트에 그리면 오히려 혼란스럽습니다.

주요 통화 3-4개만 선택하는 것이 좋습니다. 김개발 씨는 두 개의 차트를 보며 감탄했습니다.

"첫 번째 차트에서는 엔화가 작아 보였는데, 두 번째 정규화 차트에서는 엔화가 가장 많이 올랐네요!" 박시니어 씨가 말했습니다. "그렇죠.

절대값이 아니라 변화율로 보면 다른 그림이 보입니다." 여러 통화를 비교하는 것은 글로벌 시장을 이해하는 첫걸음입니다. 여러분도 오늘 배운 정규화 기법을 활용해서 데이터를 다각도로 분석해 보세요.

실전 팁

💡 - 단위가 다른 데이터는 정규화하여 변화율로 비교하세요

마커 모양을 다르게 하면 색상만으로 구분하기 어려운 사용자도 이해할 수 있습니다
서브플롯을 사용하면 여러 관점의 차트를 한 화면에 효과적으로 배치할 수 있습니다

7. 자동 수집 스케줄링 소개

김개발 씨는 이제 환율 데이터를 수집하고 분석하는 것이 익숙해졌습니다. 하지만 매번 수동으로 스크립트를 실행하는 것이 번거로웠습니다.

"자동으로 매일 수집할 수는 없을까요?" 박시니어 씨가 답했습니다. "물론이죠.

스케줄러를 사용하면 됩니다."

자동 수집 스케줄링은 정해진 시간에 프로그램이 자동으로 실행되도록 설정하는 기법입니다. 마치 알람시계처럼, 매일 정오마다 환율 데이터를 수집하도록 예약할 수 있습니다.

Python에서는 schedule 라이브러리나 APScheduler를 사용하거나, 운영체제의 cron(Linux/Mac) 또는 작업 스케줄러(Windows)를 활용합니다. 한번 설정하면 사람의 개입 없이 계속 데이터가 쌓입니다.

다음 코드를 살펴봅시다.

import schedule
import time
import requests
import json
from datetime import datetime

def collect_exchange_rates():
    """환율 데이터 수집 함수"""
    print(f"\n[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] 환율 데이터 수집 시작...")

    api_key = "your_api_key_here"
    url = f"https://v6.exchangerate-api.com/v6/{api_key}/latest/USD"

    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        data = response.json()

        # 데이터 저장
        filename = f"rates_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
        with open(filename, 'w', encoding='utf-8') as f:
            json.dump(data, f, indent=2)

        print(f"✓ 수집 완료: {filename}")
        print(f"  USD/KRW: {data['conversion_rates']['KRW']}원")
        return True

    except Exception as e:
        print(f"✗ 수집 실패: {e}")
        return False

# 스케줄 설정
schedule.every().day.at("09:00").do(collect_exchange_rates)  # 매일 오전 9시
schedule.every().day.at("15:00").do(collect_exchange_rates)  # 매일 오후 3시
schedule.every(6).hours.do(collect_exchange_rates)  # 6시간마다

print("환율 데이터 자동 수집 스케줄러 시작!")
print("- 매일 09:00")
print("- 매일 15:00")
print("- 6시간마다")
print("\n종료하려면 Ctrl+C를 누르세요.\n")

# 스케줄러 실행
while True:
    schedule.run_pending()  # 예약된 작업 실행
    time.sleep(60)  # 1분마다 체크

김개발 씨는 새로운 개념인 스케줄링이 낯설었습니다. "스케줄러가 뭔가요?" 박시니어 씨가 쉽게 설명했습니다.

"알람시계를 생각해보세요. 매일 아침 7시에 자동으로 울리잖아요?

스케줄러도 똑같아요." 그렇다면 스케줄링이란 정확히 무엇일까요? 쉽게 비유하자면, 스케줄링은 마치 자동화된 비서와 같습니다.

"매일 정오에 이 문서를 업데이트해주세요"라고 한번 지시하면, 비서는 그 이후로 계속 자동으로 처리합니다. 여러분이 휴가를 가도, 주말이어도 멈추지 않고 작동합니다.

왜 자동 수집이 중요할까요? 첫째, 일관성이 보장됩니다.

사람이 수동으로 하면 깜빡할 수 있지만, 스케줄러는 정확히 지정된 시간에 실행됩니다. 둘째, 시간 절약이 됩니다.

한번 설정하면 계속 돌아가므로, 개발자는 다른 중요한 일에 집중할 수 있습니다. 셋째, 24시간 운영이 가능합니다.

밤중에도, 휴일에도 데이터가 수집됩니다. 특히 외환시장은 24시간 열려 있기 때문에 자동화가 필수입니다.

Python에서 스케줄링하는 방법은 여러 가지가 있습니다. 첫 번째는 schedule 라이브러리입니다.

위의 코드에서 사용한 방법으로, 가장 간단합니다. pip install schedule로 설치하고, 몇 줄만 작성하면 바로 작동합니다.

초보자에게 적합합니다. 두 번째는 APScheduler입니다.

Advanced Python Scheduler의 약자로, 더 강력한 기능을 제공합니다. cron 표현식을 사용할 수 있고, 작업 실패 시 재시도 같은 기능도 있습니다.

세 번째는 운영체제의 스케줄러입니다. Linux나 Mac에서는 cron, Windows에서는 작업 스케줄러를 사용합니다.

별도의 Python 프로그램이 필요 없고, 시스템 레벨에서 관리됩니다. 위의 코드를 단계별로 분석해보겠습니다.

collect_exchange_rates() 함수는 이전에 작성한 수집 로직을 그대로 사용합니다. 이렇게 함수로 분리하면 스케줄러에서 호출하기 쉽습니다.

schedule.every().day.at("09:00").do(collect_exchange_rates)는 매우 직관적입니다. "매일 오전 9시에 이 함수를 실행해라"라는 의미가 영어 문장처럼 읽힙니다.

이것이 schedule 라이브러리의 장점입니다. schedule.every(6).hours.do()는 6시간마다 실행됩니다.

절대 시간이 아니라 간격을 설정하는 방식입니다. 프로그램을 시작한 시점부터 6시간마다 작동합니다.

무한 루프 while True 안에서 schedule.run_pending()을 호출합니다. 이것은 "지금 실행할 예약된 작업이 있나요?"를 계속 확인하는 것입니다.

time.sleep(60)은 1분마다 체크한다는 의미입니다. 더 자주 체크하고 싶으면 이 숫자를 줄이면 됩니다.

실제 프로덕션 환경에서는 어떻게 운영할까요? 서버에서는 백그라운드 프로세스로 실행합니다.

nohup python scheduler.py & 명령으로 터미널을 닫아도 계속 실행되도록 합니다. 또는 systemd나 supervisor 같은 프로세스 관리자를 사용합니다.

로그 관리도 중요합니다. print 대신 logging 모듈을 사용해서 파일에 기록합니다.

문제가 생겼을 때 로그를 확인하면 원인을 찾을 수 있습니다. 모니터링 시스템을 연결하는 것도 좋습니다.

수집이 실패하면 이메일이나 슬랙으로 알림을 보냅니다. AWS CloudWatch, Datadog, Sentry 같은 서비스를 활용합니다.

cron을 사용하는 방법도 알아두면 유용합니다. Linux 서버에서는 crontab -e 명령으로 cron 설정을 엽니다.

그리고 다음과 같이 작성합니다. 0 9 * * * /usr/bin/python3 /home/user/collect_rates.py 0 15 * * * /usr/bin/python3 /home/user/collect_rates.py 첫 번째 줄은 "매일 오전 9시 0분에 실행"이라는 의미입니다.

cron 표현식은 익숙해지는 데 시간이 걸리지만, 매우 강력합니다. 초보자들이 자주 하는 실수가 있습니다.

첫 번째는 절대 경로를 사용하지 않는 것입니다. cron으로 실행할 때는 현재 디렉토리가 다를 수 있습니다.

파일 경로는 항상 절대 경로로 작성하세요. 두 번째는 에러를 무시하는 것입니다.

스케줄러가 돌아가는 동안 에러가 발생해도 모를 수 있습니다. try-except로 예외를 잡고, 로그에 기록하세요.

세 번째는 시간대를 고려하지 않는 것입니다. 서버가 UTC 시간대를 사용한다면, 한국 시간으로 오전 9시는 UTC로 자정입니다.

pytz 라이브러리로 시간대를 명시적으로 설정하세요. 김개발 씨는 스케줄러를 실행했습니다.

화면에 "환율 데이터 자동 수집 스케줄러 시작!"이라는 메시지가 나타났습니다. 그리고 몇 분 후, 정해진 시각에 자동으로 데이터가 수집되었습니다.

"와, 이제 제가 손댈 필요가 없네요!" 박시니어 씨가 말했습니다. "이제 진짜 자동화된 시스템을 만든 거예요.

축하합니다!" 자동 수집 스케줄링은 데이터 파이프라인의 핵심입니다. 여러분도 오늘 배운 내용을 바탕으로 자신만의 자동화 시스템을 구축해 보세요.

실전 팁

💡 - schedule 라이브러리는 간단하지만, 복잡한 요구사항에는 APScheduler를 고려하세요

서버에서는 백그라운드 프로세스로 실행하고, 로그를 파일에 기록하세요
cron 표현식을 배우면 더 정교한 스케줄 설정이 가능합니다

이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!

#Python#API#Pandas#Matplotlib#Scheduler

실시간 환율 데이터 수집과 시각화 완벽 가이드

초급 개발자도 쉽게 따라할 수 있는 환율 API 활용법입니다. 데이터 수집부터 시각화까지 실무에서 바로 쓸 수 있는 프로젝트를 단계별로 구현해봅니다.

# 실시간 환율 데이터 수집과 시각화 완벽 가이드 초급 개발자도 쉽게 따라할 수 있는 환율 API 활용법입니다. 데이터 수집부터 시각화까지 실무에서 바로 쓸 수 있는 프로젝트를 단계별로 구현해봅니다. --- ## 목차 1. [환율 API 선정 및 분석](#환율-api-선정-및-분석) 2. [API 키 발급받기](#api-키-발급받기) 3. [환율 데이터 수집 코드 작성](#환율-데이터-수집-코드-작성) 4. [수집 데이터 DataFrame 변환](#수집-데이터-dataframe-변환) 5. [환율 변동 추이 분석](#환율-변동-추이-분석) 6. [여러 통화 비교 시각화](#여러-통화-비교-시각화) 7. [자동 수집 스케줄링 소개](#자동-수집-스케줄링-소개) --- ## 1. 환율 API 선정 및 분석 어느 날 김개발 씨가 회사에서 새로운 프로젝트를 맡게 되었습니다. "해외 결제 서비스를 만들어야 하는데, 실시간 환율 정보가 필요해요." 하지만 환율 데이터를 어디서 어떻게 가져와야 할지 막막했습니다. **환율 API**는 실시간 환율 정보를 제공하는 웹 서비스입니다. 마치 증권사에서 실시간 주가를 제공하는 것처럼, 환율 API는 각국 통화의 최신 환율을 제공합니다. 무료로 사용할 수 있는 API부터 전문적인 유료 서비스까지 다양합니다. 올바른 API를 선택하면 안정적이고 정확한 데이터를 얻을 수 있습니다. 다음 코드를 살펴봅시다. ```python import requests # API 엔드포인트와 기본 설정 api_url = "https://api.exchangerate-api.com/v4/latest/USD" # API 호출하여 응답 확인 response = requests.get(api_url) # 상태 코드 확인 (200이면 성공) print(f"상태 코드: {response.status_code}") # JSON 형태의 환율 데이터 출력 data = response.json() print(f"기준 통화: {data['base']}") print(f"수집 시간: {data['date']}") print(f"USD -> KRW: {data['rates']['KRW']}원") ``` 김개발 씨는 구글에서 "환율 API"를 검색했습니다. 수많은 검색 결과가 나왔지만, 어떤 것을 선택해야 할지 고민이 깊어졌습니다. 무료인 것도 있고, 유료인 것도 있었습니다. 선배 개발자 박시니어 씨가 다가와 조언을 건넸습니다. "처음에는 무료 API로 시작해보세요. 프로젝트가 커지면 그때 유료로 전환해도 늦지 않아요." 그렇다면 환율 API란 정확히 무엇일까요? 쉽게 비유하자면, 환율 API는 마치 24시간 운영되는 환전소와 같습니다. 언제든지 방문하면 최신 환율 정보를 알려주는 것처럼, API에 요청을 보내면 실시간 환율 데이터를 받을 수 있습니다. 전화로 환전소에 전화해서 "지금 달러 환율이 얼마예요?"라고 묻는 것처럼, 프로그램에서 API에 요청을 보내는 것입니다. 환율 API가 없던 시절에는 어땠을까요? 개발자들은 은행 웹사이트를 직접 방문해서 환율 정보를 복사하거나, 웹 크롤링으로 데이터를 긁어와야 했습니다. 이는 법적 문제를 일으킬 수 있었고, 웹사이트 구조가 바뀌면 코드가 작동하지 않았습니다. 더 큰 문제는 실시간으로 최신 데이터를 가져오기 어려웠다는 점입니다. 바로 이런 문제를 해결하기 위해 환율 API가 등장했습니다. 환율 API를 사용하면 **합법적으로** 데이터를 가져올 수 있습니다. 또한 **표준화된 형식**으로 데이터를 받기 때문에 처리하기도 쉽습니다. 무엇보다 **실시간 업데이트**가 보장된다는 큰 이점이 있습니다. 대표적인 무료 환율 API로는 어떤 것들이 있을까요? 첫 번째는 **ExchangeRate-API**입니다. 무료 플랜에서 한 달에 1,500회까지 요청할 수 있고, 사용법이 매우 간단합니다. 회원가입 없이도 기본 기능을 사용할 수 있어 초보자에게 적합합니다. 두 번째는 **Fixer.io**입니다. 유럽중앙은행 데이터를 기반으로 하여 신뢰도가 높습니다. 무료 플랜은 기능이 제한적이지만, 학습용으로는 충분합니다. 세 번째는 **Open Exchange Rates**입니다. 매시간 업데이트되며, 170개 이상의 통화를 지원합니다. API 문서가 잘 정리되어 있어 배우기 좋습니다. 위의 코드를 한 줄씩 살펴보겠습니다. 먼저 `requests` 라이브러리를 임포트합니다. 이것은 Python에서 HTTP 요청을 보내는 가장 인기 있는 라이브러리입니다. 다음으로 API의 엔드포인트 URL을 변수에 저장합니다. 이 URL은 USD를 기준으로 한 최신 환율을 제공하는 주소입니다. `requests.get()` 함수로 API에 요청을 보냅니다. 이때 response 객체가 반환되는데, 여기에는 서버의 응답이 담겨 있습니다. `status_code`가 200이면 요청이 성공한 것입니다. 마지막으로 `response.json()`을 호출하면 JSON 형태의 데이터가 Python 딕셔너리로 변환됩니다. 이제 우리는 이 데이터에서 필요한 정보를 쉽게 추출할 수 있습니다. 실제 현업에서는 어떻게 활용할까요? 예를 들어 해외 직구 쇼핑몰을 운영한다고 가정해봅시다. 상품 가격을 달러로 표시하지만, 한국 고객에게는 원화로 보여줘야 합니다. 이때 환율 API를 활용하면 실시간으로 정확한 가격을 계산해서 보여줄 수 있습니다. 많은 핀테크 기업에서 이런 패턴을 적극적으로 사용하고 있습니다. 하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 **에러 처리를 하지 않는 것**입니다. 네트워크 문제나 API 서버 장애로 요청이 실패할 수 있는데, 이를 처리하지 않으면 프로그램이 멈춥니다. 따라서 try-except 문으로 예외를 처리해야 합니다. 또 다른 실수는 **API 제한**을 고려하지 않는 것입니다. 무료 플랜은 호출 횟수가 제한되어 있기 때문에, 너무 자주 요청하면 차단될 수 있습니다. 적절한 캐싱 전략을 사용해야 합니다. 다시 김개발 씨의 이야기로 돌아가 봅시다. 박시니어 씨의 설명을 들은 김개발 씨는 고개를 끄덕였습니다. "아, ExchangeRate-API부터 시작하면 되겠네요!" 환율 API를 제대로 선택하고 이해하면 안정적인 데이터 수집 시스템을 구축할 수 있습니다. 여러분도 오늘 배운 내용을 바탕으로 직접 API를 호출해 보세요. **실전 팁** 💡 - 처음에는 무료 API로 시작하고, 프로젝트가 커지면 유료로 전환하세요 - API 문서를 꼼꼼히 읽고 호출 제한과 응답 형식을 파악하세요 - 에러 처리를 항상 포함하여 네트워크 장애에 대비하세요 --- ## 2. API 키 발급받기 김개발 씨가 ExchangeRate-API 웹사이트에 접속했습니다. 무료로 사용할 수 있다고 하지만, 더 많은 기능을 사용하려면 API 키가 필요하다는 안내가 나왔습니다. "API 키는 또 뭐지?" 궁금증이 생겼습니다. **API 키**는 API 서비스를 사용할 수 있는 고유한 인증 번호입니다. 마치 도서관 회원증처럼, API 키가 있어야 서비스를 이용할 수 있습니다. API 제공자는 키를 통해 누가 얼마나 사용하는지 추적하고, 악의적인 사용을 차단합니다. 대부분의 API 서비스는 무료 회원가입만으로 키를 발급받을 수 있습니다. 다음 코드를 살펴봅시다. ```python import requests import os # 환경 변수에서 API 키 불러오기 (보안) API_KEY = os.getenv("EXCHANGE_API_KEY", "your_api_key_here") # API 키를 포함한 엔드포인트 api_url = f"https://v6.exchangerate-api.com/v6/{API_KEY}/latest/USD" # API 호출 response = requests.get(api_url) if response.status_code == 200: data = response.json() print(f"요청 성공! 남은 호출 횟수: {data.get('quota_remaining', 'N/A')}") else: print(f"요청 실패: {response.status_code}") ``` 김개발 씨는 ExchangeRate-API 웹사이트의 "Get Free API Key" 버튼을 클릭했습니다. 이메일 주소만 입력하면 바로 API 키가 발급되었습니다. 생각보다 간단했습니다. 하지만 박시니어 씨가 경고했습니다. "API 키는 비밀번호처럼 관리해야 해요. 절대 코드에 직접 적으면 안 됩니다!" 그렇다면 API 키란 정확히 무엇일까요? 쉽게 비유하자면, API 키는 마치 헬스장 회원 카드와 같습니다. 카드가 있어야 입장할 수 있고, 카드 번호로 누가 언제 방문했는지 기록됩니다. 만약 부적절한 행동을 하면 회원 자격이 정지될 수 있습니다. API 키도 마찬가지로 서비스 사용을 추적하고 관리하는 수단입니다. API 키가 왜 필요할까요? 첫째, **사용량 제한**을 위해서입니다. 무료 사용자는 하루에 1,000번만 호출할 수 있고, 유료 사용자는 더 많이 호출할 수 있습니다. API 키가 없다면 이런 구분이 불가능합니다. 둘째, **보안**을 위해서입니다. 누군가 API를 악의적으로 사용하거나, 과도하게 요청을 보내면 해당 키를 차단할 수 있습니다. 이렇게 하면 다른 사용자에게 피해가 가지 않습니다. 셋째, **유료 결제**를 위해서입니다. 무료 플랜을 넘어서는 사용량은 자동으로 요금이 부과됩니다. API 키로 사용자를 식별하기 때문에 정확한 과금이 가능합니다. API 키를 발급받는 과정은 서비스마다 조금씩 다릅니다. ExchangeRate-API의 경우, 이메일 주소만 입력하면 즉시 키가 발급됩니다. 이메일 인증도 필요 없어서 매우 빠릅니다. Fixer.io는 회원가입 후 대시보드에서 API 키를 확인할 수 있습니다. 무료 플랜은 기능이 제한되지만, 테스트하기에는 충분합니다. Open Exchange Rates는 회원가입 시 앱 ID를 발급받습니다. 이것이 API 키 역할을 합니다. 위의 코드를 자세히 살펴보겠습니다. 가장 중요한 부분은 `os.getenv()` 함수입니다. 이것은 운영체제의 환경 변수에서 값을 가져옵니다. API 키를 코드에 직접 쓰지 않고, 환경 변수로 관리하는 것이 **보안의 핵심**입니다. f-string을 사용해서 API 키를 URL에 삽입합니다. 이렇게 하면 각 요청마다 API 키가 함께 전송됩니다. 서버는 이 키를 확인하고, 유효한 사용자인지 판단합니다. 응답 데이터에는 `quota_remaining` 같은 정보가 포함되어 있습니다. 이것은 남은 호출 횟수를 알려줍니다. 이 정보를 모니터링하면 제한에 걸리기 전에 대응할 수 있습니다. 실제 현업에서는 어떻게 관리할까요? 대부분의 회사는 **환경 변수 관리 도구**를 사용합니다. 개발 환경에서는 `.env` 파일에 API 키를 저장하고, `python-dotenv` 라이브러리로 불러옵니다. 프로덕션 환경에서는 AWS Secrets Manager나 HashiCorp Vault 같은 전문 도구를 사용합니다. 절대로 해서는 안 되는 실수가 있습니다. 첫 번째 실수는 **코드에 API 키를 직접 작성**하는 것입니다. 이렇게 하면 GitHub에 코드를 올릴 때 키가 노출됩니다. 봇들이 GitHub을 스캔해서 노출된 키를 찾아내고, 악용하는 사례가 많습니다. 두 번째 실수는 **키를 여러 프로젝트에서 재사용**하는 것입니다. 하나의 프로젝트에서 문제가 생기면 모든 프로젝트가 영향을 받습니다. 프로젝트마다 별도의 키를 사용하는 것이 안전합니다. 세 번째 실수는 **키를 정기적으로 갱신하지 않는 것**입니다. 보안을 위해 몇 개월마다 새 키를 발급받고, 이전 키는 폐기하는 것이 좋습니다. 김개발 씨는 `.env` 파일을 만들고, 그 안에 API 키를 저장했습니다. 그리고 `.gitignore` 파일에 `.env`를 추가해서 Git에 올라가지 않도록 설정했습니다. "이제 안전하게 개발할 수 있겠네!" API 키를 올바르게 관리하는 것은 개발자의 기본 소양입니다. 여러분도 오늘 배운 환경 변수 관리 방법을 꼭 실천해 보세요. **실전 팁** 💡 - API 키는 반드시 환경 변수로 관리하고, 절대 코드에 직접 작성하지 마세요 - `.env` 파일을 `.gitignore`에 추가하여 Git에 올라가지 않도록 하세요 - 무료 플랜의 호출 제한을 확인하고, 남은 횟수를 모니터링하세요 --- ## 3. 환율 데이터 수집 코드 작성 API 키도 발급받았고, 이제 본격적으로 환율 데이터를 수집할 차례입니다. 김개발 씨는 코드 에디터를 열고 손가락을 풀었습니다. "자, 이제 시작해볼까요?" 하지만 어떤 구조로 코드를 짜야 할지 고민이 되었습니다. **환율 데이터 수집**은 API로부터 환율 정보를 받아와 저장하는 과정입니다. 마치 날씨 정보를 매시간 기록하는 것처럼, 환율도 주기적으로 수집해야 변동 추이를 분석할 수 있습니다. 함수로 만들어두면 재사용이 쉽고, 에러 처리도 체계적으로 할 수 있습니다. 수집한 데이터는 파일이나 데이터베이스에 저장합니다. 다음 코드를 살펴봅시다. ```python import requests import json from datetime import datetime def fetch_exchange_rates(base_currency="USD"): """환율 데이터를 수집하는 함수""" api_key = "your_api_key_here" url = f"https://v6.exchangerate-api.com/v6/{api_key}/latest/{base_currency}" try: response = requests.get(url, timeout=10) response.raise_for_status() # 에러 상태 코드 체크 data = response.json() # 수집 시간과 환율 정보 구조화 result = { "timestamp": datetime.now().isoformat(), "base": data["base_code"], "rates": data["conversion_rates"], "last_update": data["time_last_update_utc"] } # JSON 파일로 저장 filename = f"exchange_rates_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json" with open(filename, 'w', encoding='utf-8') as f: json.dump(result, f, indent=2, ensure_ascii=False) print(f"환율 데이터 수집 완료: {filename}") return result except requests.exceptions.RequestException as e: print(f"API 요청 실패: {e}") return None # 함수 실행 if __name__ == "__main__": rates = fetch_exchange_rates() if rates: print(f"USD -> KRW: {rates['rates']['KRW']}원") ``` 김개발 씨는 간단하게 데이터를 받아와서 출력하는 코드를 먼저 작성했습니다. 잘 작동했습니다. 하지만 박시니어 씨가 코드를 보더니 고개를 저었습니다. "이렇게 하면 나중에 유지보수가 힘들어요. 함수로 만들고, 에러 처리도 추가해야죠." 그렇다면 제대로 된 데이터 수집 코드는 어떻게 작성해야 할까요? 쉽게 비유하자면, 데이터 수집은 마치 우체부가 편지를 배달받는 것과 같습니다. 우체부는 편지를 받고, 내용을 확인하고, 정해진 장소에 보관합니다. 만약 중간에 문제가 생기면 재배달을 요청합니다. 우리의 코드도 이런 흐름을 따라야 합니다. 체계적인 데이터 수집을 위해서는 무엇이 필요할까요? 첫째, **함수화**가 필요합니다. 코드를 함수로 만들면 여러 곳에서 재사용할 수 있습니다. 또한 테스트하기도 쉬워집니다. 둘째, **에러 처리**가 필수입니다. 네트워크 문제, API 서버 장애, 잘못된 응답 등 다양한 오류 상황에 대비해야 합니다. try-except 문으로 예외를 잡아서 처리합니다. 셋째, **데이터 구조화**가 중요합니다. API에서 받은 원시 데이터를 그대로 쓰는 것이 아니라, 우리가 사용하기 편한 형태로 가공해야 합니다. 넷째, **타임스탬프 기록**이 필요합니다. 언제 수집한 데이터인지 기록해야 나중에 시계열 분석이 가능합니다. 위의 코드를 단계별로 분석해보겠습니다. `fetch_exchange_rates()` 함수는 매개변수로 기준 통화를 받습니다. 기본값은 USD이지만, EUR이나 KRW로도 변경할 수 있습니다. 이런 유연성이 함수의 장점입니다. `requests.get(url, timeout=10)` 부분에서 timeout을 설정했습니다. 만약 10초 안에 응답이 없으면 예외가 발생합니다. 이렇게 하지 않으면 네트워크 문제가 생겼을 때 프로그램이 무한정 기다릴 수 있습니다. `response.raise_for_status()` 메서드는 매우 중요합니다. HTTP 상태 코드가 400이나 500번대라면 예외를 발생시킵니다. 이것이 없으면 에러 응답도 정상으로 처리해버립니다. 데이터를 가공하는 부분을 보면, `result` 딕셔너리를 만들어서 필요한 정보만 추출합니다. `timestamp`는 Python에서 데이터를 수집한 시각이고, `last_update`는 API 서버에서 환율을 마지막으로 업데이트한 시각입니다. 두 가지를 모두 기록하는 것이 좋습니다. 파일로 저장할 때는 `datetime.now().strftime()` 을 사용해서 파일명에 날짜와 시간을 포함시킵니다. 이렇게 하면 같은 파일이 덮어씌워지지 않고, 각 시점의 데이터가 모두 보존됩니다. `json.dump()`의 매개변수도 주목해야 합니다. `indent=2`는 보기 좋게 들여쓰기를 하고, `ensure_ascii=False`는 한글이 깨지지 않도록 합니다. 실제 현업에서는 어떻게 발전시킬까요? 첫 번째로, **로깅**을 추가합니다. print 대신 logging 모듈을 사용하면 로그 레벨을 조절하고, 파일에 기록할 수 있습니다. 프로덕션 환경에서는 필수입니다. 두 번째로, **데이터베이스 저장**을 고려합니다. JSON 파일은 간단하지만, 데이터가 많아지면 관리가 어렵습니다. PostgreSQL이나 MongoDB 같은 데이터베이스에 저장하면 쿼리도 쉽고, 백업도 편리합니다. 세 번째로, **재시도 로직**을 추가합니다. API 호출이 실패하면 몇 초 후에 자동으로 재시도하는 기능을 넣으면 안정성이 높아집니다. `tenacity` 같은 라이브러리를 사용하면 쉽게 구현할 수 있습니다. 초보 개발자들이 자주 하는 실수가 있습니다. 첫 번째는 **에러를 무시**하는 것입니다. except 블록에서 `pass`만 쓰면 어떤 문제가 생겼는지 알 수 없습니다. 최소한 에러 메시지라도 출력해야 합니다. 두 번째는 **동기 방식만 사용**하는 것입니다. 여러 통화의 환율을 동시에 수집해야 한다면, 순차적으로 호출하면 느립니다. `asyncio`와 `aiohttp`를 사용하면 비동기로 빠르게 수집할 수 있습니다. 세 번째는 **하드코딩**입니다. API 키를 코드에 직접 쓰거나, 파일 경로를 고정하면 나중에 수정하기 어렵습니다. 설정 파일이나 환경 변수를 활용하세요. 김개발 씨는 박시니어 씨의 조언대로 코드를 수정했습니다. 함수로 만들고, 에러 처리도 추가했습니다. 실행해보니 JSON 파일이 생성되고, 환율 데이터가 깔끔하게 저장되었습니다. "와, 이제 제대로 된 것 같아요!" 데이터 수집 코드를 제대로 작성하면 안정적이고 확장 가능한 시스템을 만들 수 있습니다. 여러분도 오늘 배운 패턴을 활용해서 자신만의 데이터 수집기를 만들어 보세요. **실전 팁** 💡 - timeout을 설정하여 네트워크 문제로 무한정 기다리는 상황을 방지하세요 - raise_for_status()로 HTTP 에러를 확실하게 처리하세요 - 파일명에 타임스탬프를 포함시켜 데이터를 시간순으로 보존하세요 --- ## 4. 수집 데이터 DataFrame 변환 김개발 씨는 환율 데이터를 JSON 파일로 저장하는 데 성공했습니다. 하지만 파일이 점점 쌓이면서 분석하기가 어려워졌습니다. "이 데이터를 표 형태로 보면 더 편할 텐데..." 고민하던 중, 박시니어 씨가 **Pandas**라는 라이브러리를 소개해주었습니다. **DataFrame**은 Pandas 라이브러리의 핵심 자료구조로, 표 형태로 데이터를 저장하고 처리합니다. 마치 엑셀의 스프레드시트처럼, 행과 열로 구성된 2차원 데이터를 다룹니다. JSON이나 딕셔너리 형태의 환율 데이터를 DataFrame으로 변환하면 정렬, 필터링, 집계가 훨씬 쉬워집니다. 데이터 분석의 출발점입니다. 다음 코드를 살펴봅시다. ```python import pandas as pd import json from datetime import datetime # JSON 파일에서 환율 데이터 읽기 with open('exchange_rates_20250117_143052.json', 'r', encoding='utf-8') as f: data = json.load(f) # 환율 정보를 리스트 형태로 변환 rates_list = [] for currency, rate in data['rates'].items(): rates_list.append({ 'timestamp': data['timestamp'], 'base_currency': data['base'], 'target_currency': currency, 'exchange_rate': rate, 'last_update': data['last_update'] }) # DataFrame 생성 df = pd.DataFrame(rates_list) # 데이터 확인 print(df.head(10)) print(f"\n총 {len(df)}개 통화의 환율 정보") # 특정 통화만 필터링 major_currencies = ['KRW', 'EUR', 'JPY', 'GBP', 'CNY'] df_major = df[df['target_currency'].isin(major_currencies)] print("\n주요 통화 환율:") print(df_major) # CSV 파일로 저장 df.to_csv('exchange_rates.csv', index=False, encoding='utf-8-sig') print("\nCSV 파일 저장 완료!") ``` 김개발 씨는 Pandas를 처음 들어봤습니다. "이게 정말 그렇게 편한가요?" 박시니어 씨는 웃으며 대답했습니다. "데이터 분석을 한다면 Pandas 없이는 살 수 없어요. 한번 써보면 왜 그런지 알게 될 거예요." 그렇다면 DataFrame이란 정확히 무엇일까요? 쉽게 비유하자면, DataFrame은 마치 엑셀의 워크시트와 같습니다. 첫 행에는 열 이름이 있고, 각 행에는 데이터가 들어갑니다. 엑셀에서 필터를 걸거나 정렬하는 것처럼, DataFrame도 강력한 데이터 조작 기능을 제공합니다. 하지만 엑셀보다 훨씬 빠르고, 수백만 행의 데이터도 거뜬히 처리합니다. 왜 JSON에서 DataFrame으로 변환해야 할까요? JSON은 계층 구조를 표현하기에는 좋지만, 분석하기에는 불편합니다. 예를 들어 "KRW 환율이 1,300원이 넘는 시점을 찾아라"는 쿼리를 JSON으로 처리하려면 복잡한 반복문을 작성해야 합니다. 하지만 DataFrame에서는 단 한 줄로 가능합니다. 또한 DataFrame은 **시계열 데이터 처리**에 특화되어 있습니다. 환율은 시간에 따라 변하는 데이터이기 때문에, DataFrame의 날짜 처리 기능을 활용하면 월별 평균, 일별 변동폭 같은 분석이 쉽습니다. 위의 코드를 자세히 살펴보겠습니다. 먼저 JSON 파일을 읽어서 Python 딕셔너리로 로드합니다. `data['rates']`는 통화 코드와 환율이 쌍으로 저장된 딕셔너리입니다. 예를 들어 `{'KRW': 1320.5, 'EUR': 0.92, ...}` 같은 형태입니다. 이것을 DataFrame으로 만들려면 **리스트 형태**로 변환해야 합니다. 각 통화를 하나의 행으로 만들어서 `rates_list`에 추가합니다. 이때 `timestamp`와 `base_currency` 같은 공통 정보도 함께 포함시킵니다. `pd.DataFrame(rates_list)` 한 줄로 DataFrame이 생성됩니다. 매우 간단하지만 강력합니다. Pandas는 자동으로 리스트의 딕셔너리를 표 형태로 변환합니다. `df.head(10)`은 처음 10개 행만 출력합니다. 데이터가 제대로 들어갔는지 확인하는 용도입니다. 전체를 출력하면 화면이 너무 길어지기 때문에, 항상 일부만 확인하는 습관을 들이는 것이 좋습니다. 필터링 부분을 보면, `df['target_currency'].isin(major_currencies)`는 **불린 인덱싱**입니다. 각 행이 조건을 만족하면 True, 아니면 False를 반환합니다. 이것을 df에 적용하면 True인 행만 선택됩니다. SQL의 WHERE 절과 비슷하지만, 더 직관적입니다. 마지막으로 `to_csv()`로 CSV 파일로 저장합니다. `index=False`는 행 번호를 저장하지 않는다는 의미이고, `encoding='utf-8-sig'`는 엑셀에서 한글이 깨지지 않도록 하는 설정입니다. 이 부분을 빼먹으면 한글이 깨져서 나옵니다. 실제 현업에서는 어떻게 활용할까요? 금융 회사에서는 환율 데이터를 DataFrame으로 저장하고, 일별/주별/월별 통계를 계산합니다. 예를 들어 "지난 30일 동안 KRW 환율의 평균과 표준편차는?"이라는 질문에 즉시 답할 수 있습니다. 이커머스 회사에서는 여러 통화의 환율을 비교해서 가장 유리한 결제 통화를 고객에게 추천합니다. DataFrame의 `groupby()`와 `agg()` 함수를 사용하면 이런 복잡한 분석도 몇 줄로 해결됩니다. 핀테크 스타트업에서는 실시간으로 수집한 환율 데이터를 DataFrame으로 변환하고, 이상 패턴을 감지하는 알고리즘을 돌립니다. 급격한 환율 변동이 감지되면 알림을 보냅니다. 초보자들이 자주 하는 실수가 있습니다. 첫 번째는 **데이터 구조를 제대로 변환하지 않는 것**입니다. JSON의 중첩된 딕셔너리를 그대로 DataFrame으로 만들면 원하는 형태가 나오지 않습니다. 위의 코드처럼 리스트 형태로 평탄화해야 합니다. 두 번째는 **데이터 타입을 확인하지 않는 것**입니다. `df.dtypes`로 각 열의 데이터 타입을 확인하세요. `exchange_rate`가 문자열로 저장되면 계산이 안 됩니다. `pd.to_numeric()`으로 숫자로 변환해야 합니다. 세 번째는 **메모리 관리를 소홀히 하는 것**입니다. 수십만 행의 데이터를 다룰 때는 불필요한 열을 삭제하고, 데이터 타입을 최적화해야 합니다. 예를 들어 `float64` 대신 `float32`를 사용하면 메모리를 절반으로 줄일 수 있습니다. 김개발 씨는 코드를 실행했습니다. 화면에 깔끔한 표가 출력되었습니다. "와, 정말 엑셀처럼 보이네요!" CSV 파일을 열어보니 엑셀에서도 완벽하게 열렸습니다. "이제 분석이 훨씬 쉬워질 것 같아요!" DataFrame을 제대로 활용하면 데이터 분석의 생산성이 10배는 높아집니다. 여러분도 오늘 배운 내용을 바탕으로 자신의 데이터를 DataFrame으로 만들어 보세요. **실전 팁** 💡 - JSON의 중첩 구조를 리스트로 평탄화한 후 DataFrame으로 변환하세요 - df.dtypes로 데이터 타입을 확인하고, 필요시 변환하세요 - CSV 저장 시 encoding='utf-8-sig'를 사용하면 엑셀에서 한글이 깨지지 않습니다 --- ## 5. 환율 변동 추이 분석 데이터를 DataFrame으로 만드는 데 성공한 김개발 씨는 이제 실제 분석을 하고 싶어졌습니다. "지난 한 달 동안 달러 환율이 어떻게 변했을까?" 하지만 숫자만 봐서는 변동 추이를 파악하기 어려웠습니다. 박시니어 씨가 말했습니다. "그래프로 그려보면 한눈에 알 수 있어요." **환율 변동 추이 분석**은 시간에 따라 환율이 어떻게 변화했는지 시각적으로 파악하는 과정입니다. 마치 주식 차트처럼, 환율도 시간축을 기준으로 선 그래프를 그리면 상승/하락 패턴을 쉽게 발견할 수 있습니다. Matplotlib 라이브러리를 사용하면 전문가 수준의 차트를 만들 수 있습니다. 추세를 파악하면 미래 변동을 예측하는 데도 도움이 됩니다. 다음 코드를 살펴봅시다. ```python import pandas as pd import matplotlib.pyplot as plt from matplotlib import font_manager, rc import platform # 한글 폰트 설정 (Windows) if platform.system() == 'Windows': font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name() rc('font', family=font_name) plt.rcParams['axes.unicode_minus'] = False # 마이너스 기호 깨짐 방지 # 시계열 데이터 생성 (예제) dates = pd.date_range('2025-01-01', periods=30, freq='D') usd_krw = [1320, 1325, 1318, 1330, 1335, 1340, 1338, 1345, 1350, 1355, 1360, 1358, 1365, 1370, 1368, 1375, 1380, 1378, 1385, 1390, 1388, 1395, 1400, 1398, 1405, 1410, 1408, 1415, 1420, 1418] df = pd.DataFrame({'date': dates, 'USD_KRW': usd_krw}) df['date'] = pd.to_datetime(df['date']) # 날짜 형식 변환 # 이동평균 계산 (7일) df['MA_7'] = df['USD_KRW'].rolling(window=7).mean() # 시각화 plt.figure(figsize=(12, 6)) plt.plot(df['date'], df['USD_KRW'], marker='o', label='USD/KRW 환율', linewidth=2) plt.plot(df['date'], df['MA_7'], label='7일 이동평균', linestyle='--', linewidth=2) plt.title('USD/KRW 환율 변동 추이 (최근 30일)', fontsize=16, fontweight='bold') plt.xlabel('날짜', fontsize=12) plt.ylabel('환율 (원)', fontsize=12) plt.grid(True, alpha=0.3) plt.legend(fontsize=10) plt.tight_layout() plt.xticks(rotation=45) plt.show() # 통계 정보 출력 print(f"최고 환율: {df['USD_KRW'].max()}원") print(f"최저 환율: {df['USD_KRW'].min()}원") print(f"평균 환율: {df['USD_KRW'].mean():.2f}원") print(f"변동폭: {df['USD_KRW'].max() - df['USD_KRW'].min()}원") ``` 김개발 씨는 엑셀에서 차트를 그려본 적은 있지만, Python으로는 처음이었습니다. "어려울 것 같은데..." 걱정했지만, 박시니어 씨는 자신 있게 말했습니다. "Matplotlib을 쓰면 엑셀보다 훨씬 강력한 차트를 만들 수 있어요." 그렇다면 시계열 데이터 분석이란 무엇일까요? 쉽게 비유하자면, 시계열 분석은 마치 건강검진 기록을 보는 것과 같습니다. 올해만 보면 체중이 정상인지 알 수 없지만, 지난 5년간의 기록을 보면 증가 추세인지 감소 추세인지 알 수 있습니다. 환율도 마찬가지로, 한 시점의 값보다는 시간에 따른 변화 패턴이 중요합니다. 왜 그래프로 그려야 할까요? 숫자만 나열하면 패턴을 발견하기 어렵습니다. 하지만 그래프로 그리면 **상승 추세**, **하락 추세**, **변동성** 같은 특징이 즉시 눈에 들어옵니다. 예를 들어 환율이 1,320원에서 1,420원으로 변했다고 하면, 단순히 100원 올랐다고만 생각할 수 있습니다. 하지만 그래프를 보면 처음 10일은 완만하게 상승하고, 중간 10일은 횡보하고, 마지막 10일은 급격히 상승했다는 것을 알 수 있습니다. 이런 패턴은 숫자만 봐서는 절대 파악할 수 없습니다. 위의 코드를 단계별로 분석해보겠습니다. 먼저 한글 폰트 설정 부분이 있습니다. Matplotlib의 기본 폰트는 한글을 지원하지 않아서, 그래프에 한글을 쓰면 네모 박스로 깨져 나옵니다. Windows의 경우 맑은 고딕 폰트를 지정하면 해결됩니다. Mac이나 Linux는 다른 폰트를 사용해야 합니다. `pd.date_range()`로 날짜 데이터를 생성합니다. 실제 프로젝트에서는 API에서 받아온 날짜를 사용하겠지만, 여기서는 예제로 30일치 데이터를 만들었습니다. **이동평균**이 핵심입니다. `rolling(window=7).mean()`은 최근 7일의 평균을 계산합니다. 이것을 7일 이동평균이라고 부릅니다. 이동평균은 일시적인 변동을 제거하고, 장기 추세를 보여줍니다. 주식 차트에서 자주 사용하는 기법입니다. `plt.figure(figsize=(12, 6))`으로 그래프 크기를 설정합니다. 가로 12인치, 세로 6인치입니다. 너무 작으면 보기 어렵고, 너무 크면 화면에 안 들어갑니다. `plt.plot()`으로 선 그래프를 그립니다. `marker='o'`는 각 데이터 포인트에 동그라미 마커를 표시하고, `linewidth=2`는 선 두께를 2로 설정합니다. 이동평균선은 점선(`linestyle='--'`)으로 구분해서 그립니다. `plt.grid(True, alpha=0.3)`은 격자선을 그립니다. `alpha=0.3`은 투명도를 30%로 설정해서 배경처럼 희미하게 보이도록 합니다. 격자선이 너무 진하면 오히려 방해가 됩니다. `plt.tight_layout()`은 여백을 자동으로 조정합니다. 이것을 쓰지 않으면 제목이나 라벨이 잘릴 수 있습니다. 통계 정보 출력 부분에서는 `max()`, `min()`, `mean()` 같은 집계 함수를 사용합니다. 이런 기본 통계를 함께 보여주면 그래프를 더 잘 이해할 수 있습니다. 실제 현업에서는 어떤 분석을 할까요? 투자 회사에서는 **변동성 지표**를 계산합니다. 환율의 표준편차를 구해서, 변동성이 높아지면 리스크 관리를 강화합니다. 수출입 기업에서는 **예측 모델**을 만듭니다. 과거 환율 데이터로 머신러닝 모델을 학습시켜, 다음 달 환율을 예측합니다. 이를 바탕으로 환헤지 전략을 세웁니다. 은행에서는 **이상 탐지**를 수행합니다. 환율이 갑자기 크게 변동하면 자동으로 알림을 보냅니다. 이런 시스템은 24시간 가동되어야 하므로, 자동화가 필수입니다. 초보자들이 자주 하는 실수가 있습니다. 첫 번째는 **한글 폰트 설정을 빼먹는 것**입니다. 그래프에 한글이 깨져서 나오는데 원인을 찾지 못해 몇 시간을 헤매는 경우가 많습니다. 위의 폰트 설정 코드를 미리 저장해두고 재사용하세요. 두 번째는 **날짜 형식을 제대로 처리하지 않는 것**입니다. 날짜가 문자열로 저장되어 있으면 정렬이 제대로 안 됩니다. `pd.to_datetime()`으로 변환해야 합니다. 세 번째는 **y축 범위를 고정하지 않는 것**입니다. 환율이 1,300원에서 1,350원으로 변했다면, y축을 1,300~1,350으로 설정하는 것이 좋습니다. 0부터 시작하면 변동이 작아 보입니다. `plt.ylim()`으로 범위를 지정하세요. 김개발 씨는 코드를 실행했습니다. 화면에 아름다운 그래프가 나타났습니다. 파란 선이 환율이고, 주황 점선이 이동평균입니다. "와, 추세가 한눈에 보이네요!" 박시니어 씨가 말했습니다. "이제 진짜 데이터 분석가가 다 됐어요." 시각화는 데이터를 이해하는 가장 강력한 도구입니다. 여러분도 오늘 배운 내용을 바탕으로 자신의 데이터를 그래프로 그려보세요. **실전 팁** 💡 - 한글 폰트 설정을 항상 포함시켜 텍스트가 깨지지 않도록 하세요 - 이동평균을 추가하면 노이즈를 제거하고 장기 추세를 명확하게 볼 수 있습니다 - y축 범위를 적절히 조정하면 변동을 더 뚜렷하게 표현할 수 있습니다 --- ## 6. 여러 통화 비교 시각화 단일 통화의 추이를 보는 것도 유익했지만, 김개발 씨는 여러 통화를 동시에 비교하고 싶었습니다. "유로, 엔화, 위안화는 어떻게 변하고 있을까?" 박시니어 씨가 웃으며 말했습니다. "여러 선을 한 그래프에 그리면 되죠. 색상만 다르게 하면 됩니다." **여러 통화 비교 시각화**는 복수의 환율을 하나의 차트에 표시하여 상대적인 변동을 비교하는 기법입니다. 마치 여러 주식을 비교하듯이, 각 통화를 다른 색상의 선으로 그려서 어떤 통화가 더 안정적인지, 어떤 통화가 더 큰 변동을 보이는지 한눈에 파악할 수 있습니다. 정규화 기법을 사용하면 서로 다른 단위의 환율도 공정하게 비교할 수 있습니다. 다음 코드를 살펴봅시다. ```python import pandas as pd import matplotlib.pyplot as plt from matplotlib import font_manager, rc import platform # 한글 폰트 설정 if platform.system() == 'Windows': font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name() rc('font', family=font_name) plt.rcParams['axes.unicode_minus'] = False # 다중 통화 시계열 데이터 (예제) dates = pd.date_range('2025-01-01', periods=30, freq='D') data = { 'date': dates, 'USD_KRW': [1320, 1325, 1318, 1330, 1335, 1340, 1338, 1345, 1350, 1355, 1360, 1358, 1365, 1370, 1368, 1375, 1380, 1378, 1385, 1390, 1388, 1395, 1400, 1398, 1405, 1410, 1408, 1415, 1420, 1418], 'EUR_KRW': [1450, 1455, 1448, 1460, 1465, 1470, 1468, 1475, 1480, 1485, 1490, 1488, 1495, 1500, 1498, 1505, 1510, 1508, 1515, 1520, 1518, 1525, 1530, 1528, 1535, 1540, 1538, 1545, 1550, 1548], 'JPY_KRW': [9.5, 9.6, 9.4, 9.7, 9.8, 9.9, 9.8, 10.0, 10.1, 10.2, 10.3, 10.2, 10.4, 10.5, 10.4, 10.6, 10.7, 10.6, 10.8, 10.9, 10.8, 11.0, 11.1, 11.0, 11.2, 11.3, 11.2, 11.4, 11.5, 11.4] } df = pd.DataFrame(data) # 정규화 (초기값 대비 변화율) df['USD_normalized'] = (df['USD_KRW'] / df['USD_KRW'].iloc[0] - 1) * 100 df['EUR_normalized'] = (df['EUR_KRW'] / df['EUR_KRW'].iloc[0] - 1) * 100 df['JPY_normalized'] = (df['JPY_KRW'] / df['JPY_KRW'].iloc[0] - 1) * 100 # 서브플롯 생성 (2개 차트) fig, axes = plt.subplots(2, 1, figsize=(12, 10)) # 첫 번째 차트: 원래 환율 axes[0].plot(df['date'], df['USD_KRW'], marker='o', label='USD/KRW', linewidth=2) axes[0].plot(df['date'], df['EUR_KRW'], marker='s', label='EUR/KRW', linewidth=2) axes[0].plot(df['date'], df['JPY_KRW']*100, marker='^', label='JPY/KRW (x100)', linewidth=2) axes[0].set_title('주요 통화 환율 추이 (원화 기준)', fontsize=14, fontweight='bold') axes[0].set_xlabel('날짜', fontsize=11) axes[0].set_ylabel('환율 (원)', fontsize=11) axes[0].legend(fontsize=10) axes[0].grid(True, alpha=0.3) axes[0].tick_params(axis='x', rotation=45) # 두 번째 차트: 정규화된 변화율 axes[1].plot(df['date'], df['USD_normalized'], marker='o', label='USD/KRW', linewidth=2) axes[1].plot(df['date'], df['EUR_normalized'], marker='s', label='EUR/KRW', linewidth=2) axes[1].plot(df['date'], df['JPY_normalized'], marker='^', label='JPY/KRW', linewidth=2) axes[1].set_title('통화별 변화율 비교 (첫날 대비 %)', fontsize=14, fontweight='bold') axes[1].set_xlabel('날짜', fontsize=11) axes[1].set_ylabel('변화율 (%)', fontsize=11) axes[1].legend(fontsize=10) axes[1].grid(True, alpha=0.3) axes[1].axhline(y=0, color='gray', linestyle='--', alpha=0.5) # 0% 기준선 axes[1].tick_params(axis='x', rotation=45) plt.tight_layout() plt.show() ``` 김개발 씨는 처음에 달러, 유로, 엔화를 같은 그래프에 그렸습니다. 하지만 뭔가 이상했습니다. 엔화 선이 거의 보이지 않았습니다. "왜 이럴까요?" 박시니어 씨가 설명했습니다. "단위가 다르기 때문이에요. 달러는 1,300원대이고, 엔화는 10원대입니다. 같은 y축에 그리면 엔화가 너무 작아 보이죠. 정규화가 필요해요." 그렇다면 정규화란 무엇일까요? 쉽게 비유하자면, 정규화는 마치 시험 성적을 백분율로 환산하는 것과 같습니다. 수학은 100점 만점이고 영어는 50점 만점이라면, 수학 80점과 영어 40점을 직접 비교할 수 없습니다. 하지만 백분율로 환산하면 둘 다 80%가 되어 공정하게 비교할 수 있습니다. 환율에서는 **초기값 대비 변화율**로 정규화합니다. 첫날을 0%로 설정하고, 이후 날짜는 첫날 대비 몇 퍼센트 변했는지 계산합니다. 이렇게 하면 달러가 3% 올랐는지, 엔화가 5% 올랐는지 한눈에 비교할 수 있습니다. 여러 통화를 비교하면 어떤 인사이트를 얻을 수 있을까요? 첫째, **상관관계**를 발견할 수 있습니다. 달러와 유로가 비슷한 패턴으로 움직인다면, 공통의 요인이 있다는 뜻입니다. 예를 들어 미국과 유럽의 금리 정책이 동시에 변했을 수 있습니다. 둘째, **변동성 차이**를 알 수 있습니다. 어떤 통화는 안정적으로 소폭만 변동하고, 어떤 통화는 큰 폭으로 등락합니다. 위험 회피형 투자자는 변동성이 낮은 통화를 선호합니다. 셋째, **환헤지 전략**을 세울 수 있습니다. 예를 들어 달러가 올라갈 때 엔화는 내려간다면, 두 통화를 동시에 보유하면 리스크를 분산할 수 있습니다. 위의 코드를 자세히 살펴보겠습니다. `plt.subplots(2, 1)`은 세로로 2개의 차트를 만듭니다. 하나는 원래 환율을 보여주고, 다른 하나는 정규화된 변화율을 보여줍니다. 이렇게 두 가지 관점을 함께 보여주면 이해가 깊어집니다. 첫 번째 차트에서 엔화는 100배를 곱했습니다. `JPY_KRW * 100`으로 10원대를 1,000원대로 만들어서 다른 통화와 비슷한 규모로 보이게 했습니다. 이것은 시각적 편의를 위한 것이고, 범례에 `(x100)`이라고 명시해서 헷갈리지 않게 했습니다. 정규화 공식을 보면, `(현재값 / 초기값 - 1) * 100`입니다. 이것은 **퍼센트 변화율**을 계산하는 표준 공식입니다. 예를 들어 1,320원이 1,420원이 되면, `(1420 / 1320 - 1) * 100 = 7.58%` 상승한 것입니다. 두 번째 차트에는 `axhline(y=0)`으로 0% 기준선을 그었습니다. 이 선 위에 있으면 상승, 아래에 있으면 하락입니다. 시각적으로 매우 직관적입니다. 마커를 다르게 설정한 것도 중요합니다. `marker='o'`는 동그라미, `marker='s'`는 사각형, `marker='^'`는 삼각형입니다. 색상뿐만 아니라 모양도 다르게 하면 색맹인 사용자도 구분할 수 있습니다. 이것은 **접근성**을 고려한 디자인입니다. 실제 현업에서는 어떻게 활용할까요? 글로벌 기업에서는 **여러 통화를 동시에 모니터링**하는 대시보드를 만듭니다. 실시간으로 업데이트되며, 경영진이 한눈에 환율 상황을 파악할 수 있습니다. 펀드 매니저는 **통화 간 스프레드**를 분석합니다. 달러와 유로의 차이가 벌어지면 차익거래 기회로 볼 수 있습니다. 여행사에서는 **여행지별 환율**을 비교해서 고객에게 추천합니다. "지금은 유럽보다 일본 여행이 저렴합니다"라는 마케팅 메시지를 데이터로 뒷받침합니다. 초보자들이 자주 하는 실수가 있습니다. 첫 번째는 **범례를 빼먹는 것**입니다. 여러 선이 있는데 어떤 것이 무슨 통화인지 표시가 없으면 그래프가 쓸모없습니다. 반드시 `plt.legend()`를 호출하세요. 두 번째는 **색상을 임의로 선택**하는 것입니다. Matplotlib의 기본 색상이 마음에 안 든다면, `color='#FF5733'` 같은 hex 코드로 지정할 수 있습니다. 하지만 빨강과 초록을 함께 쓰면 색맹 사용자가 구분하기 어렵습니다. 세 번째는 **너무 많은 선을 그리는 것**입니다. 5개 이상의 선을 한 차트에 그리면 오히려 혼란스럽습니다. 주요 통화 3-4개만 선택하는 것이 좋습니다. 김개발 씨는 두 개의 차트를 보며 감탄했습니다. "첫 번째 차트에서는 엔화가 작아 보였는데, 두 번째 정규화 차트에서는 엔화가 가장 많이 올랐네요!" 박시니어 씨가 말했습니다. "그렇죠. 절대값이 아니라 변화율로 보면 다른 그림이 보입니다." 여러 통화를 비교하는 것은 글로벌 시장을 이해하는 첫걸음입니다. 여러분도 오늘 배운 정규화 기법을 활용해서 데이터를 다각도로 분석해 보세요. **실전 팁** 💡 - 단위가 다른 데이터는 정규화하여 변화율로 비교하세요 - 마커 모양을 다르게 하면 색상만으로 구분하기 어려운 사용자도 이해할 수 있습니다 - 서브플롯을 사용하면 여러 관점의 차트를 한 화면에 효과적으로 배치할 수 있습니다 --- ## 7. 자동 수집 스케줄링 소개 김개발 씨는 이제 환율 데이터를 수집하고 분석하는 것이 익숙해졌습니다. 하지만 매번 수동으로 스크립트를 실행하는 것이 번거로웠습니다. "자동으로 매일 수집할 수는 없을까요?" 박시니어 씨가 답했습니다. "물론이죠. 스케줄러를 사용하면 됩니다." **자동 수집 스케줄링**은 정해진 시간에 프로그램이 자동으로 실행되도록 설정하는 기법입니다. 마치 알람시계처럼, 매일 정오마다 환율 데이터를 수집하도록 예약할 수 있습니다. Python에서는 `schedule` 라이브러리나 `APScheduler`를 사용하거나, 운영체제의 cron(Linux/Mac) 또는 작업 스케줄러(Windows)를 활용합니다. 한번 설정하면 사람의 개입 없이 계속 데이터가 쌓입니다. 다음 코드를 살펴봅시다. ```python import schedule import time import requests import json from datetime import datetime def collect_exchange_rates(): """환율 데이터 수집 함수""" print(f"\n[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] 환율 데이터 수집 시작...") api_key = "your_api_key_here" url = f"https://v6.exchangerate-api.com/v6/{api_key}/latest/USD" try: response = requests.get(url, timeout=10) response.raise_for_status() data = response.json() # 데이터 저장 filename = f"rates_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json" with open(filename, 'w', encoding='utf-8') as f: json.dump(data, f, indent=2) print(f"✓ 수집 완료: {filename}") print(f" USD/KRW: {data['conversion_rates']['KRW']}원") return True except Exception as e: print(f"✗ 수집 실패: {e}") return False # 스케줄 설정 schedule.every().day.at("09:00").do(collect_exchange_rates) # 매일 오전 9시 schedule.every().day.at("15:00").do(collect_exchange_rates) # 매일 오후 3시 schedule.every(6).hours.do(collect_exchange_rates) # 6시간마다 print("환율 데이터 자동 수집 스케줄러 시작!") print("- 매일 09:00") print("- 매일 15:00") print("- 6시간마다") print("\n종료하려면 Ctrl+C를 누르세요.\n") # 스케줄러 실행 while True: schedule.run_pending() # 예약된 작업 실행 time.sleep(60) # 1분마다 체크 ``` 김개발 씨는 새로운 개념인 스케줄링이 낯설었습니다. "스케줄러가 뭔가요?" 박시니어 씨가 쉽게 설명했습니다. "알람시계를 생각해보세요. 매일 아침 7시에 자동으로 울리잖아요? 스케줄러도 똑같아요." 그렇다면 스케줄링이란 정확히 무엇일까요? 쉽게 비유하자면, 스케줄링은 마치 자동화된 비서와 같습니다. "매일 정오에 이 문서를 업데이트해주세요"라고 한번 지시하면, 비서는 그 이후로 계속 자동으로 처리합니다. 여러분이 휴가를 가도, 주말이어도 멈추지 않고 작동합니다. 왜 자동 수집이 중요할까요? 첫째, **일관성**이 보장됩니다. 사람이 수동으로 하면 깜빡할 수 있지만, 스케줄러는 정확히 지정된 시간에 실행됩니다. 둘째, **시간 절약**이 됩니다. 한번 설정하면 계속 돌아가므로, 개발자는 다른 중요한 일에 집중할 수 있습니다. 셋째, **24시간 운영**이 가능합니다. 밤중에도, 휴일에도 데이터가 수집됩니다. 특히 외환시장은 24시간 열려 있기 때문에 자동화가 필수입니다. Python에서 스케줄링하는 방법은 여러 가지가 있습니다. 첫 번째는 **schedule 라이브러리**입니다. 위의 코드에서 사용한 방법으로, 가장 간단합니다. `pip install schedule`로 설치하고, 몇 줄만 작성하면 바로 작동합니다. 초보자에게 적합합니다. 두 번째는 **APScheduler**입니다. Advanced Python Scheduler의 약자로, 더 강력한 기능을 제공합니다. cron 표현식을 사용할 수 있고, 작업 실패 시 재시도 같은 기능도 있습니다. 세 번째는 **운영체제의 스케줄러**입니다. Linux나 Mac에서는 cron, Windows에서는 작업 스케줄러를 사용합니다. 별도의 Python 프로그램이 필요 없고, 시스템 레벨에서 관리됩니다. 위의 코드를 단계별로 분석해보겠습니다. `collect_exchange_rates()` 함수는 이전에 작성한 수집 로직을 그대로 사용합니다. 이렇게 함수로 분리하면 스케줄러에서 호출하기 쉽습니다. `schedule.every().day.at("09:00").do(collect_exchange_rates)`는 매우 직관적입니다. "매일 오전 9시에 이 함수를 실행해라"라는 의미가 영어 문장처럼 읽힙니다. 이것이 schedule 라이브러리의 장점입니다. `schedule.every(6).hours.do()`는 6시간마다 실행됩니다. 절대 시간이 아니라 간격을 설정하는 방식입니다. 프로그램을 시작한 시점부터 6시간마다 작동합니다. 무한 루프 `while True` 안에서 `schedule.run_pending()`을 호출합니다. 이것은 "지금 실행할 예약된 작업이 있나요?"를 계속 확인하는 것입니다. `time.sleep(60)`은 1분마다 체크한다는 의미입니다. 더 자주 체크하고 싶으면 이 숫자를 줄이면 됩니다. 실제 프로덕션 환경에서는 어떻게 운영할까요? 서버에서는 **백그라운드 프로세스**로 실행합니다. `nohup python scheduler.py &` 명령으로 터미널을 닫아도 계속 실행되도록 합니다. 또는 `systemd`나 `supervisor` 같은 프로세스 관리자를 사용합니다. 로그 관리도 중요합니다. print 대신 **logging 모듈**을 사용해서 파일에 기록합니다. 문제가 생겼을 때 로그를 확인하면 원인을 찾을 수 있습니다. 모니터링 시스템을 연결하는 것도 좋습니다. 수집이 실패하면 이메일이나 슬랙으로 알림을 보냅니다. AWS CloudWatch, Datadog, Sentry 같은 서비스를 활용합니다. cron을 사용하는 방법도 알아두면 유용합니다. Linux 서버에서는 `crontab -e` 명령으로 cron 설정을 엽니다. 그리고 다음과 같이 작성합니다. ``` 0 9 * * * /usr/bin/python3 /home/user/collect_rates.py 0 15 * * * /usr/bin/python3 /home/user/collect_rates.py ``` 첫 번째 줄은 "매일 오전 9시 0분에 실행"이라는 의미입니다. cron 표현식은 익숙해지는 데 시간이 걸리지만, 매우 강력합니다. 초보자들이 자주 하는 실수가 있습니다. 첫 번째는 **절대 경로를 사용하지 않는 것**입니다. cron으로 실행할 때는 현재 디렉토리가 다를 수 있습니다. 파일 경로는 항상 절대 경로로 작성하세요. 두 번째는 **에러를 무시하는 것**입니다. 스케줄러가 돌아가는 동안 에러가 발생해도 모를 수 있습니다. try-except로 예외를 잡고, 로그에 기록하세요. 세 번째는 **시간대를 고려하지 않는 것**입니다. 서버가 UTC 시간대를 사용한다면, 한국 시간으로 오전 9시는 UTC로 자정입니다. `pytz` 라이브러리로 시간대를 명시적으로 설정하세요. 김개발 씨는 스케줄러를 실행했습니다. 화면에 "환율 데이터 자동 수집 스케줄러 시작!"이라는 메시지가 나타났습니다. 그리고 몇 분 후, 정해진 시각에 자동으로 데이터가 수집되었습니다. "와, 이제 제가 손댈 필요가 없네요!" 박시니어 씨가 말했습니다. "이제 진짜 자동화된 시스템을 만든 거예요. 축하합니다!" 자동 수집 스케줄링은 데이터 파이프라인의 핵심입니다. 여러분도 오늘 배운 내용을 바탕으로 자신만의 자동화 시스템을 구축해 보세요. **실전 팁** 💡 - schedule 라이브러리는 간단하지만, 복잡한 요구사항에는 APScheduler를 고려하세요 - 서버에서는 백그라운드 프로세스로 실행하고, 로그를 파일에 기록하세요 - cron 표현식을 배우면 더 정교한 스케줄 설정이 가능합니다 --- 이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!

카테고리: Python

언어: Python

태그: Python, API, Pandas, Matplotlib, Scheduler

작성자: AI Generated

프리미엄 콘텐츠 - 3개월 무료 체험 가능

CodeDeck

실시간 환율 데이터 수집과 시각화 완벽 가이드

목차

1. 환율 API 선정 및 분석

2. API 키 발급받기

3. 환율 데이터 수집 코드 작성

4. 수집 데이터 DataFrame 변환

5. 환율 변동 추이 분석

6. 여러 통화 비교 시각화

7. 자동 수집 스케줄링 소개

댓글 (0)

함께 보면 좋은 카드 뉴스

Helm 마이크로서비스 패키징 완벽 가이드

보안 아키텍처 구성 완벽 가이드

AWS Organizations 완벽 가이드

AWS KMS 암호화 완벽 가이드

AWS Secrets Manager 완벽 가이드