Yeonjoo Data Log

[1유형] IQR, 결측치, 왜도 첨도, 표준편차, group by

duswn1204 — Thu, 11 Jun 2026 00:46:48 +0900

문제
데이터에서 IQR을 활용해 Fare 컬럼의 이상치를 찾고, 이상치 데이터의 여성 수를 구하시오

해답

Q1 = df['Fare'].quantile(0.25)
Q3 = df['Fare'].quantile(0.75)

IQR = Q3 - Q1

outlier = df[(df['Fare'] < Q1 - 1.5 * IQR) | (df['Fare'] > Q3 + 1.5 * IQR)]

print((outlier['Sex'] == 'female').sum())

상한 or 하한 둘 중 하나만 고르고 싶을 때

Q1 = df['Fare'].quantile(0.25)
Q3 = df['Fare'].quantile(0.75)

IQR = Q3 - Q1

lower = df[df['Fare'] < (Q1 - 1.5 * IQR)]
upper = df[df['Fare'] > (Q3 + 1.5 * IQR)]

print((upper['Sex'] == 'female').sum())

문제
주어진 데이터에서 소수점이 포함된 age를 이상치로 간주한다. 이상치 데이터의 값을 올림, 내림, 버림한 후 평균을 계산하고, 세 평균의 합을 출력하시오

해답

# 소수점 데이터 찾기
df[df['age'] % 1 != 0]


# 올림, 내림, 버림 평균값 구하기

ceil = np.ceil(df['age']).mean()
floor = np.floor(df['age']).mean()
trunc = np.trunc(df['age']).mean()

# 평균값 더한 후 출력
print(ceil + floor + trunc)

문제 3
주어진 데이터에서 결측치가 80%이상 되는 컬럼은(변수는) 삭제하고, 80% 미만인 결측치가 있는 컬럼은 'city'별 중앙값으로 값을 대체하고 'f1'컬럼의 평균값을 출력하세요

df.isnull().sum() / df.shape[0]

df = df.drop(['f3'], axis = 1)

s = df[df['city']=='서울']['f1'].median()
k = df[df['city']=='경기']['f1'].median()
b = df[df['city']=='부산']['f1'].median()
d = df[df['city']=='대구']['f1'].median()
s, k, b, d

df['f1'] = df['f1'].fillna(df['city'].map({'서울':s,'경기':k,'부산':b,'대구':d}))

df['f1'] = df['f1'].fillna(df['city'].map({'서울':s,'경기':k,'부산':b,'대구':d}))

문제 4
주어진 데이터 중 train.csv에서 'SalePrice'컬럼의 왜도와 첨도를 구한 값과, 'SalePrice'컬럼을 스케일링(log1p)로 변환한 이후 왜도와 첨도를 구해 모두 더한 다음 소수점 2째자리까지 출력하시오

s = df['SalePrice'].skew()
k = df['SalePrice'].kurt()
print(s)
print(k)

df['SalePrice'] = np.log1p(df['SalePrice'])

s1 = df['SalePrice'].skew()
k1 = df['SalePrice'].kurt()
print(s1)
print(k1)

print(round(s+s1+k+k1,2))

문제 5
주어진 데이터 중 basic1.csv에서 'f4'컬럼 값이 'ENFJ'와 'INFP'인 'f1'의 표준편차 차이를 절대값으로 구하시오

enfj = df[df['f4'] == 'ENFJ']['f1'].std()
enfj

infp = df[df['f4'] == 'INFP']['f1'].std()
infp

print(np.abs(enfj - infp))

문제 6
주어진 데이터 중 basic1.csv에서 'f1'컬럼 결측 데이터를 제거하고, 'city'와 'f2'을 기준으로 묶어 합계를 구하고, 'city가 경기이면서 f2가 0'인 조건에 만족하는 f1 값을 구하시오

df = df.dropna(subset = ['f1'])

df2 = df.groupby(['city','f2']).sum()
df2

print(df2.iloc[0]['f1'])

[Programmers] 대장균의 크기에 따라 분류하기 2 (Lv.3)

duswn1204 — Tue, 26 May 2026 23:14:38 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/301649

️ 문제 풀이

SELECT ID,
        CASE NTILE(4) OVER (ORDER BY SIZE_OF_COLONY DESC)
            WHEN 1 THEN 'CRITICAL'
            WHEN 2 THEN 'HIGH'
            WHEN 3 THEN 'MEDIUM'
            WHEN 4 THEN 'LOW'
        END AS COLONY_NAME
FROM ECOLI_DATA
ORDER BY ID ASC;

문제 해결

NTILE(n) 함수란 데이터를 정렬한 후 n개의 그룹으로 균등하게 나누고, 각 행에 그룹 번호를 부여하는 윈도우 함수

기본 문법:

NTILE(그룹수) OVER (ORDER BY 기준컬럼)

예:

NTILE(4) OVER (ORDER BY SIZE_OF_COLONY DESC)

→ SIZE_OF_COLONY를 큰 순서로 정렬 후, 전체 데이터를 4등분

[Programmers] 자동차 대여 기록에서 대여중 / 대여 가능 여부 구분하기 (Lv.3)

duswn1204 — Tue, 26 May 2026 22:59:02 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/157340

️ 문제 풀이

SELECT
    CAR_ID,
    CASE
        WHEN CAR_ID IN (
            SELECT CAR_ID
            FROM CAR_RENTAL_COMPANY_RENTAL_HISTORY
            WHERE START_DATE <= '2022-10-16' AND END_DATE >= '2022-10-16'
        ) THEN '대여중'
        ELSE '대여 가능'
    END AS AVAILABILITY
FROM CAR_RENTAL_COMPANY_RENTAL_HISTORY 
GROUP BY CAR_ID
ORDER BY CAR_ID DESC;

문제 해결

SELECT 안에 서브쿼리 쓴 이유

자동차별 상태를 새로운 컬럼으로 만들어야 함

SELECT
    CAR_ID,
    CASE
        WHEN ...
        THEN '대여중'
        ELSE '대여 가능'
    END AS AVAILABILITY

처럼 SELECT에서 새 컬럼을 생성

이때 조건 판단에 필요한 것
: "현재 CAR_ID가 2022-10-16에 대여 중인 자동차인가?"

이걸 확인하기 위해 서브쿼리 사용:

SELECT CAR_ID
FROM ...
WHERE START_DATE <= '2022-10-16'
AND END_DATE >= '2022-10-16'

실행 흐름

대여중인 자동차 ID 목록 생성
↓
현재 CAR_ID가 그 목록에 있는지 확인
↓
있으면 '대여중', 없으면 '대여 가능'
↓
AVAILABILITY 컬럼 생성

필터링 목적이 아니라 새로운 값을 만들어 출력하기 위해 SELECT 안에 서브쿼리 사용

[Programmers] 조건에 맞는 사용자 정보 조회하기 (Lv.3)

duswn1204 — Tue, 26 May 2026 22:50:28 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/164670

️ 문제 풀이

SELECT
    U.USER_ID,
    U.NICKNAME,
    CONCAT(U.CITY, ' ', U.STREET_ADDRESS1, ' ', U.STREET_ADDRESS2) AS '전체주소',
    CONCAT(
        SUBSTR(U.TLNO, 1, 3), '-',
        SUBSTR(U.TLNO, 4, 4), '-',
        SUBSTR(U.TLNO, 8, 4)
    ) AS '전화번호'
FROM USED_GOODS_BOARD B
JOIN USED_GOODS_USER U ON B.WRITER_ID = U.USER_ID
GROUP BY B.WRITER_ID, U.USER_ID, U.NICKNAME
HAVING COUNT(B.WRITER_ID) >= 3
ORDER BY B.WRITER_ID DESC;

문제 해결

전화번호 형식 바꾸기 (SUBSTR + CONCAT)

원본:

01053422914

출력 형식:

010-5342-2914

사용 코드:

CONCAT(
    SUBSTR(U.TLNO, 1, 3), '-',
    SUBSTR(U.TLNO, 4, 4), '-',
    SUBSTR(U.TLNO, 8, 4)
)

SUBSTR()란 문자열에서 원하는 위치부터 특정 길이만큼 잘라오는 함수

문법:

SUBSTR(컬럼명, 시작위치, 길이)

예:

SUBSTR('01053422914', 1, 3)

→ 1번째 문자부터 3글자 추출

결과:

전체 흐름:

SUBSTR(U.TLNO, 1, 3) → 010
SUBSTR(U.TLNO, 4, 4) → 5342
SUBSTR(U.TLNO, 8, 4) → 2914

[Programmers] 오랜 기간 보호한 동물(2) (Lv.3)

duswn1204 — Tue, 26 May 2026 20:55:42 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/59411

️ 문제 풀이

SELECT
    I.ANIMAL_ID,
    I.NAME
FROM ANIMAL_INS I
JOIN ANIMAL_OUTS O ON I.ANIMAL_ID = O.ANIMAL_ID
ORDER BY DATEDIFF(O.DATETIME, I.DATETIME) DESC
LIMIT 2;

문제 해결

놓친 부분

1. LEFT JOIN + IS NOT NULL → INNER JOIN

입양 간 동물만 필요하다면

LEFT JOIN ... 
WHERE O.ANIMAL_ID IS NOT NULL

보다

JOIN ...

이 더 간단하고 같은 결과가 나옴

❌ 잘못 생각한 방향

HAVING DATEDIFF(...)

⭕ 맞는 방향

ORDER BY DATEDIFF(...) DESC
LIMIT 2

→ 보호 기간이 긴 순으로 정렬 후 상위 2개 추출

A/B Test 유의점

duswn1204 — Mon, 25 May 2026 01:51:33 +0900

1. 훔쳐보기 문제 (Peeking Problem)

A/B Test는 통계적 가설 검정을 사용하여 두 개 이상의 대안 중 어느 것이 더 효과적인지 결정하는 실험 방법임
현업에서 자주 발생하는 유의점 중 하나가 훔쳐보기 문제(Peeking Problem)임

훔쳐보기 문제란?

: 실험 도중 중간 결과를 확인하고, 실험을 중단하는 경우를 말함
계획된 실험 기간을 채우지 않고 중간 데이터만 보고 판단을 내리는 행위로, 통계적으로 신뢰할 수 없는 결론을 초래

훔쳐보기 문제가 발생하는 전형적인 시나리오

1 Pager로 실험 기간 7일 협의
↓
3일차에 지표 하락 확인
↓
기획자가 중간 확인 후 판단
↓
실험 조기 중단

발생 문제
: 중간에 실험을 중단하면 기존 가설 검정에 영향을 주게 되고, 보통 과대 평가된 결과를 얻게 됨
통계적 유의성이 확인된 것처럼 보여도 우연에 의한 일시적 패턴일 가능성이 있음

훔쳐보기 문제 예방하는 4가지 방법

① 사전 정의한 샘플 크기가 충분히 모일 때까지 기다리기

실험 시작 전 1 Pager에서 계산한 최소 샘플 수가 채워질 때까지 중간에 결과를 확인하지 않기

② 미리 검정력과 유의수준을 설정하고 결과 확인 시 엄격히 준수

실험 전에 Alpha(유의수준)와 Power(검정력 1-Beta)를 확정하고, 결과를 볼 때 이를 그대로 적용

③ 연구자끼리 미리 데이터를 공유하지 않고 결과 조작할 여지를 제거

실험 중 분석가가 중간 데이터를 공유하지 않아 의도적·비의도적으로 결과가 왜곡될 가능성을 차단

④ 일정 시험마다 계획적 엿보기를 허용하거나 본페로니 교정 시행

꼭 중간 확인이 필요하다면, 본페로니 교정처럼 다중 비교에 대한 유의수준 보정 방법을 사용

본페로니 교정 (Bonferroni Correction)이란?
통계적 검정에서 가장 일반적으로 사용되는 다중 비교 교정 방법 중 하나
검정을 여러 번 반복하면 우연히 유의한 결과가 나올 확률이 높아지는데, 이를 보정하는 방법

본페로니 교정 공식

α' = α / n

원래의 유의 수준(α)을 가설 검정의 수(n)로 나누어 수정된 유의 수준(α')을 계산

ex) 암 환자와 정상인의 유전적 차이를 비교할 때 총 10,000개의 유전자를 검정한다면, 유의수준 0.05 기준으로 평균 500개가 참인 귀무가설임에도 기가될 수 있음. 본페로니 교정을 적용하면 훨씬 보수적인 기준으로 유의성을 판별할 수 있음

10,000번 검정 시 → α' = 0.05 / 10,000 = 0.000005

2. Confounding Factor (교란 변수)

Confounding Factor는 실험 결과를 왜곡시키는 인자로, 실험 대상자의 성별, 연령, 인종 등과 같은 실험 대상자 특성 외에도 실험
결과에 영향을 미칠 수 있는 다른 인자를 말함

Confounding Factor 오류 사례 - Uber의 차량 요금 조정 실험
실험 목표	택시 요금 인하를 통한 비례적 수입 저하를 확인하는 것
예상	택시 요금 인하 → 택시 기사 수입 저하
실제	택시 요금이 낮아지자 택시 수요가 상승(Confounding Factor)하여, 오히려 택시 기사 수입이 상승하는 잘못된 결과가 초래됨
→ 목표한 수입 저하가 아닌 수요 변화라는 외부 요인이 결과를 왜곡시킴

Confounding Factor 문제 조치방법 3가지

① 랜덤화 그룹 분배

각 그룹에 대해 무작위로 할당하는 방법
Confounding Factor가 자연스럽게 균형을 이루게 되어 결과 해석에 도움이 됨

② 층화랜덤화 그룹 분배

특정 요소로 구분된 세부 집단에서 무작위로 할당하여 샘플의 다양성을 보장
특이집단의 특정 요소의 분포 편차가 클 때 특히 유용

③ Confounding Factor의 영향력 추정

A/B Test를 실시하기 전에, OS Type(AOS/IOS) · 신규고객 VS 기존고객 · 지역별 · 고객가치별 등으로 세분화하여 목표하는 변수에 대한 통계적 영향력을 미리 검증하고 제거

3. 초두효과(Primacy Effect) 및 신기효과(Novelty Effect)

A/B Test에서 발생할 수 있는 또 다른 유의점으로, 새로운 기능을 도입했을 때 사용자의 심리적 반응이 실험 결과를 왜곡하는 현상

초두효과 (Primacy Effect)

신기효과 (Novelty Effect)

변화를 꺼리는 현상
기존 서비스 방식과 기능에 익숙한 사용자들이 변화를 거부하는 현상

기획자 입장에서는 좋은 기능을 도입했다고 생각하지만, 유저는 익숙한 것이 사라졌다며 혼란을 느낌

특징
: 초기에는 지표가 하락하지만, 시간이 지나면서 유저가 적응하여 지표가 상승
조기에 실험을 중단하면 잘못된 결론에 이름

초기 하락 → 시간이 지난 후 상승 구간 발생

새것을 더 선호하는 현상
변화를 좋아하는 사용자들이 새로운 기능에 더 선호하는 현상

기획자 입장에서는 실험이 성공적이라 판단하고 기능을 런칭하지만, 유저는 "그냥 한번 눌러볼까?" 수준의 호기심으로 반응

특징
: 초기에는 지표가 급상승하지만, 시간이 지나면서 유저의 흥미가 사라져 지표가 하락

초기 급상승 → 이후 하락 구간 발생

초두효과 및 신기효과를 예방하는 방법

두 효과 모두 실험군 내에서 기존 사용자와 신규 사용자의 반응 차이가 핵심

방법 1 - 실험군 내 기존/신규 사용자 결과 동일 여부 통계 검정

실험군에서 기존 사용자와 신규 사용자가 새로운 기능에 대해 동일한 결과를 보이는지 통계적으로 검정
→ 결과가 같다면 효과가 안정적으로 지속될 가능성이 높음

방법 2 - 대조군/실험군 내 신규 사용자 결과 비교 통계 검정

대조군의 신규 사용자와 실험군의 신규 사용자가 새로운 기능에 대해 다른 결과를 보이는지 통계적으로 검정
→ 결과가 다르다면 기능 자체의 효과가 실제로 있다고 볼 수 있음

4. 종료된 A/B Test 후속 모니터링

A/B Test가 성공적으로 종료되었다고 해서 바로 다음 실험 백로그에만 집중하면 안됨
종료된 실험에 대한 후속 모니터링은 여러 이유에서 매우 중요

① 이전 실험의 통찰력을 새로운 실험에 적용하기 위해

종료된 A/B 테스트의 결과를 분석하여 얻은 통찰력은 향후 실험 전략 및 제품 개발에 큰 도움이 됨
결과를 모니터링하면 이러한 통찰력을 놓치지 않고 기존 실험 백로그를 향상된 실험 백로그로 발전시킬 수 있음

② 일시적 효과인지 아닌지 확인하기 위해

A/B 테스트가 종료된 것만으로는 출시 이후의 성능 변화를 예측할 수 없음
실험 런칭 이후 긍정적 효과가 지속되는지, 아니면 일시적인 효과 이후 지표가 하락하는지 지속적으로 모니터링해야 함

③ 새롭게 런칭된 기능이 다른 실험에 부정적 영향을 주는지 확인하기 위해

새롭게 런칭된 A기능이 이후에 진행되는 K기능 실험에 부정적인 영향을 주지는 않는지 확인이 필요함
종료된 A/B 테스트의 결과를 모니터링하면 실험 결과에 영향을 미칠 수 있는 외부 요인을 파악할 수 있음

5. 핵심 유의점 요약

A/B Test 진행 시 꼭 기억할 체크리스트

훔쳐보기 금지
사전에 계획한 실험 기간과 샘플 수를 반드시 채울 것
중간에 결과를 보고 실험을 조기 중단하면 과대 평과된 결과를 얻게 됨
본페로니 교정 활용
중간 확인이 불가피하다면 다중 비교 교정(α' = α/n)을 적용해 통계적 신뢰성을 유지
Confounding Factor 사전 제거
실험 전에 OS, 고객 유형, 지역 등 교란 변수를 미리 조사하고 랜덤화 또는 층화랜덤화로 균형을 맞추기
초두/신기 효과 구분
초기 지표 하락(초두효과)이나 상승(신기효과)이 일시적인지 통계 검정으로 확인한 뒤 판단
종료 후에도 모니터링
실험 종료 = 끝이 아님
효과의 지속성 확인, 후속 실험에 대한 영향 파악, 다음 실험 설계에 활용하기 위해 꾸준히 모니터링

[Programmers] 조건에 맞는 개발자 찾기 (Lv.2)

duswn1204 — Sun, 24 May 2026 17:57:48 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/276034

️ 문제 풀이

SELECT DISTINCT
    D.ID,
    D.EMAIL,
    D.FIRST_NAME,
    D.LAST_NAME
FROM SKILLCODES S
JOIN DEVELOPERS D
    ON S.CODE & D.SKILL_CODE = S.CODE
WHERE S.NAME IN ('Python', 'C#')
ORDER BY D.ID ASC;

문제 해결

S.CODE & D.SKILL_CODE = S.CODE 뜻
SKILL_CODE는 여러 스킬을 더한 값으로 저장됨

예:

Python = 256  → 100000000
Java   = 128  → 010000000
JS     = 16   → 000010000

개발자 스킬:

400 = 256 + 128 + 16
    = 110010000

→ Python + Java + JavaScript 보유

& 연산자 (비트 AND)
: 두 비트가 둘 다 1일 때만 1 반환

예:

400 (110010000)
256 (100000000)
---------------- &
    100000000

결과:

즉:

400 & 256 = 256

→ Python 스킬 있음

A/B Test 실험 주제 2

duswn1204 — Sun, 24 May 2026 01:01:37 +0900

1. 1 Pager - 실험 계획서

List 페이지의 기본 정렬 기준을 변경하면 유저가 더 마음에 드는 제휴점을 발견하게 되어 구매 전환율이 높아질 것이라는 가설로 설계된 실험
4개 그룹을 동시에 비교하는 A/B/C/D 멀티 베리언트 테스트

1 Pager 실험 계획서
Target User	첫 화면의 기본 정렬(= 판매순)의 제휴점들이 마음에 들지 않아 이탈하는 고객
Observation	List 페이지의 이탈률(Churn Rate)이 50%로 전체 퍼널 중 가장 높음 MAP@K 분석 결과 현재 정렬(판매순)의 MAP@10dms 0.38로 다른 정렬 기준(최대 0.49)에 비해 낮음 또한 정렬별 CTR 분석에서 별점 높은순 CTR이 13%로 가장 높음
Problem Statement	첫 화면의 기본 정렬(= 판매순)의 제휴점 노출이 고객을 이탈시켜, 리스트 페이지의 구매전환이 떨어짐
Hypothesis	기존의 기본정렬을 다른 정렬 기준으로 바꾼다면 리스트 페이지의 구매전환이 상슬할 것이다
Experiments Group	A(대조군) : 판매순 B(실험군1) : 배달비 낮은순 C(실험군2) : 별점 높은순 D(실험군3) : 배달 빠른
Metric	Input Metric : List 진입 유저 수 (= List UV) Output Metric : MAP@10 (Mean Average Precision @ 10) : 구매 전환율 (= Order Complete UV / Main Home UV) : ARPU (= Average Revenue Per User)
Experience Period	Base Metric 20% → Expected Metric 20.8% (4% ↑) Alpha 5% / 1-Beta 80% / 최소 샘플 39,780명 Test Page UV 20,000명 기준 최소 2일 → 4개 그룹(A,B,C,D) 최소 8일
Trade-Off	추천순과 같이 플랫폼에서 제공하는 광고 비즈니스를 하기 어려운 환경이 될 수 있
Andon	구매 전환율 및 매출의 유의미한 하락 (3일 이상 지속)

2. 실험 기본 정보 (Report Sheet)

A/B Test Report Sheet
실험 주제	[List] 기본 정렬 필터 변경 실험
실험 기간	2023-01-16 14:34:10 ~ 2023-02-01 14:34:28
실험 위치	List
실험 목표	구매 전환율 4% 상승
실험 분배	A 25% : B 25% : C 25% : D 25%
실험 분석	거친코딩

3. MAP@K (Mean Average Percision @ K) 란?

이번 실험에서 핵심 Output Metric으로 MAP@10이 사용됨
MAP@K는 정보 검색 시스템의 품질을 평가하는 지표로, 검색 결과의 정확성과 순위를 동시에 평가

MAP@K 계산 방법

유저가 List 페이지에서 상위 K개의 제휴점 중 실제로 클릭(구매로 이어진)한 제휴점의 위치를 기반으로 계산

ex) 상위 5개 제휴점 중 2번, 3번, 5번 제휴점을 클릭했을 때
MAP@5 = ((1/2) × 1 + (2/3) × 1 + (3/5) × 1) / 3

값이 높을수록 유저가 원하는 제휴점이 목록 상위에 위치했다는 의미
즉, 정렬이 유저 취향에 맞을수록 MAP 값이 높아짐

4. 실험 결과 분석

① MAP@10 - 정렬 품질 평가

MAP@10 분석 결과, C그룹(별점 높은순)만이 A그룹 대비 유의미하게 높은 성과를 보임
D그룹(배달 빠른순)은 오히려 유의미하게 낮음

② 구매 전환율 - 카테고리별

구매 전환율에서는 전체 기준으로 어떤 그룹도 통계적으로 유의미한 차이를 보이지 않음
카테고리별로도 대부분 p-value가 0.05를 초과

③ ARPU (Average Revenue Per User) - 카테고리별

ARPU에서는 C그룹이 여러 카테고리에서 유의미하게 높은 매출을 기록했고, B그룹과 D그룹은 일부 카테고리에서 A그룹보다 낮은 매출을 보임

5. 최종 결론

C그룹(별점 높은순) 채택 결정
MAP@10과 ARPU 두 지표 모두에서 C그룹이 통계적으로 유의미하게 A그룹보다 우수한 성과를 보임
별점 높은순 정렬이 유저에게 더 적합한 제휴점을 상위에 보여주고 결과적으로 매출 향상에도 긍정적인 영향을 미침
검색 정렬 기능의 긍정 임택트 확인
MAP@10(Output Metric)에서 C그룹이 Significant Positive
별점 높은순 정렬이 유저 취향에 맞는 제휴점을 더 잘 상위 노출시킴을 검증
서비스 정량적 성장의 긍정 임팩트 확인
ARPU(Monitoring Metric)에서 C그룹이 Significant Positive
별점 높은순 정렬이 전체 카테고리 및 여러 세부 카테고리에서 매출 향상에 기여

[Programmers] 연도별 대장균 크기의 편차 구하기 (Lv.2)

duswn1204 — Sat, 23 May 2026 17:52:51 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/299310

️ 문제 풀이

SELECT
    YEAR(DIFFERENTIATION_DATE) AS YEAR,
    MAX(SIZE_OF_COLONY) OVER (PARTITION BY YEAR(DIFFERENTIATION_DATE)) - SIZE_OF_COLONY AS YEAR_DEV,
    ID
FROM ECOLI_DATA
ORDER BY YEAR ASC, YEAR_DEV ASC;

문제 해결

윈도우 함수(Window Function)란?
: 윈도우 함수는 행을 유지한 채 그룹별 계산 결과를 추가하는 함수
GROUP BY 처럼 그룹으로 묶어 계산하지만, 행 수가 줄어들지 않음

기본 문법

집계함수() OVER (
    PARTITION BY 기준컬럼
)

의미:

MAX(SIZE) OVER (
    PARTITION BY YEAR
)

↓

YEAR 기준으로 그룹 나누기
각 그룹에서 MAX(SIZE) 계산
계산 결과를 각 행에 붙이기
원본 행은 그대로 유지

PARTITION BY란?
: GROUP BY처럼 같은 값을 가진 행끼리 그룹을 나누는 역할

기본 문법:

PARTITION BY 컬럼명

예:

PARTITION BY YEAR(DIFFERENTIATION_DATE)

→ 연도별로 그룹 생성

그룹
그룹
그룹

각 그룹 안에서 집계 수행

OVER()란?
: 윈도우 함수가 어떤 기준으로 계산될지 정의

기본 문법:

OVER (
    PARTITION BY 컬럼
)

의미:

컬럼 기준으로 그룹을 나누고, 각 그룹 내에서 집계 함수 실행

[Programmers] 업그레이드 된 아이템 구하기 (Lv.2)

duswn1204 — Sat, 23 May 2026 17:46:31 +0900

문제 link : https://school.programmers.co.kr/learn/courses/30/lessons/273711

️ 문제 풀이

SELECT I.ITEM_ID, I.ITEM_NAME, I.RARITY
FROM ITEM_INFO I
JOIN ITEM_TREE T ON I.ITEM_ID = T.ITEM_ID
WHERE T.PARENT_ITEM_ID IN (
    SELECT ITEM_ID
    FROM ITEM_INFO
    WHERE RARITY = 'RARE'
)
ORDER BY I.ITEM_ID DESC;

문제 해결

서브쿼리 IN을 사용한 이유
: RARE 아이템 ID가 여러 개일 수 있기 때문

예:

RARE = 0,1,3,4

하나만 비교:

여러 개 비교:

IN (...)

사용
서브쿼리로 RARE 아이템 ID 목록을 만든 뒤, PARENT_ITEM_ID가 그 목록에 포함되는 업그레이드 아이템을 찾음