[스나이퍼팩토리] 한컴AI 2기 - 교육 11주차 후기

Python 의 핵심 기능인 리스트 컴프리헨션과 람다(Lambda) 함수의 개념 학습. 다양한 예제를 통해 예시 데이터 처리, 필터링, 매핑, 그룹핑 등 실용적인 활용법을 익힌 과정 정리.

Posted Sep 13, 2025

By Dev Gisoun

17 min read

2025. 9. 8. ~ 2025. 9. 12.

11주차에는 Python 코드를 한 차원 더 간결하고 효율적으로 만들어주는 리스트 컴프리헨션(List Comprehension)과 람다(Lambda) 함수에 대해 집중적으로 다룹니다. 기본적인 문법부터 시작하여, 실제 데이터 처리와 유사한 복잡한 시나리오의 예제들을 통해 이러한 기능들이 어떻게 코드의 가독성과 성능을 향상시키는지 구체적인 예제와 함께 학습하였습니다.

리스트 컴프리헨션 (List Comprehension)

기존의 반복문을 한 줄로 압축하여 새로운 리스트를 생성하는 Python 의 독특하고 강력한 문법입니다. 단순히 코드를 짧게 만드는 것을 넘어, 가독성을 높이고 일반적으로 실행 속도도 더 빠릅니다.

전통적인 for 문 과 성능 비교

먼저 if 조건문이 포함된 가장 기본적인 리스트 컴프리헨션의 문법을 익히고, 전통적인 for 문과 비교했을 때 실제 성능 차이가 얼마나 나는지 확인해 보았습니다.

리스트 컴프리헨션 활용

  
 # 예제 - 1부터 50까지 숫자 중 3의 배수만 리스트로 만들기

 multiples_of_3 = [i for i in range(1, 51) if i % 3 == 0]
 print(multiples_of_3)

실행 결과

 [3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48]

리스트 컴프리헨션을 활용하여 for 루프와 if 조건문이 한 줄에 자연스럽게 녹아들어 훨씬 직관적인 코드가 완성되었습니다.

성능 비교

글 초반에 언급했듯 일반적으로 리스트 컴프리헨션이 전통적인 for 문보다 더 빠르게 동작합니다. Python 의 time 모듈을 사용하여 간단한 성능 테스트를 진행해 보겠습니다.

성능 차이를 명확히 보기 위해 반복 횟수(limit)를 늘려서 테스트했습니다.

  
 # 전통적인 for 문과 리스트 컴프리헨션의 성능 비교

 import time
   
 limit = 1000000
   
 # 전통적인 방법 성능 측정
 start_time = time.time()
 multiples_list = []
 for i in range(1, limit + 1):
     if i % 3 == 0:
         multiples_list.append(i)
 end_time = time.time()
 print(f"전통적인 방법 실행 시간: {end_time - start_time:.6f}초")
   
 # 리스트 컴프리헨션 성능 측정
 start_time = time.time()
 multiples_comp = [i for i in range(1, limit + 1) if i % 3 == 0]
 end_time = time.time()
 print(f"리스트 컴프리헨션 실행 시간: {end_time - start_time:.6f}초")   

실행 결과

 전통적인 방법 실행 시간: 0.173103초
 리스트 컴프리헨션 실행 시간: 0.075839초

위 결과처럼, 리스트 컴프리헨션이 내부적으로 최적화되어 있어 더 나은 성능을 보여주는 것을 확인할 수 있습니다.

조건부 표현식 활용

리스트 컴프리헨션은 if...else 와 같은 조건부 표현식(삼항 연산자)과 결합하여 더욱 복잡한 로직을 처리할 수 있습니다. 이를 통해 조건에 따라 각기 다른 연산을 적용하는 방법을 연습해 보았습니다.

  
# 예제 - 1부터 20까지 숫자를 홀수는 제곱, 짝수는 세제곱으로 변환

# [표현식1 if 조건 else 표현식2 for 변수 in 반복객체]
power_numbers = [i**2 if i % 2 != 0 else i**3 for i in range(1, 21)]
print(power_numbers)

이처럼 for 문 앞에 조건부 표현식을 사용하여 각 요소에 대해 서로 다른 연산을 적용할 수 있는 것을 확인하였습니다.

중첩 데이터 처리

이번에는 중첩된 딕셔너리 데이터를 다루면서, 이중 for 문을 사용해 데이터를 단일 리스트로 펼치는 평탄화(Flattening) 작업과, 딕셔너리 및 집합(Set) 컴프리헨션을 활용한 데이터 집계 방법을 익혔습니다.

  
# 1. 모든 반의 점수를 하나의 리스트로 만들기 (평탄화)
# 2. 각 반의 평균 점수를 담은 딕셔너리 만들기
# 3. 90점 이상인 모든 점수를 중복 없이 담은 집합(set) 만들기

# 학급 데이터
classes = {
    'A반': [85, 92, 78, 96, 89],
    'B반': [88, 75, 91, 84, 87],
    'C반': [79, 93, 86, 90, 82]
}

# 1. 모든 점수를 평탄화한 리스트
all_scores = [score for scores in classes.values() for score in scores]
print("모든 점수:", all_scores)

# 2. 각 반의 평균 점수 딕셔너리 (딕셔너리 컴프리헨션)
class_averages = {class_name: sum(scores) / len(scores) for class_name, scores in classes.items()}
print("반별 평균:", class_averages)

# 3. 90점 이상인 점수 집합 (집합 컴프리헨션)
high_scores_set = {score for scores in classes.values() for score in scores if score >= 90}
print("90점 이상 점수:", high_scores_set)

CSV 형태의 데이터 처리 시뮬레이션

실제 데이터 분석 작업에서는 파일이나 API로부터 CSV(Comma-Separated Values) 형태의 데이터를 받아 처리하는 경우가 많습니다. 이번 예제는 실제 파일을 사용하는 대신, 문자열로 된 예시 CSV 데이터를 Python 의 csv 모듈과 io.StringIO 를 이용해 파일처럼 다루는 방법을 시뮬레이션합니다. 이를 통해 리스트 컴프리헨션이 실제 데이터 처리 예제에서 어떻게 활용될 수 있는지 알아보았습니다.

  
# 1. 각 도시별 평균 연봉 계산
# 2. 나이대별로 그룹핑하여 이름 목록 만들기
# 3. 이름의 첫 글자가 같은 사람들끼리 그룹핑하기

import csv
from io import StringIO

# 예시 CSV 데이터
csv_data = """name,age,city,salary
Alice,25,Seoul,50000
Bob,30,Busan,55000
Charlie,35,Seoul,60000
Diana,28,Daegu,52000
Eve,32,Seoul,58000"""

# StringIO 를 사용해서 메모리에서 CSV 처리
# 실제 파일이 아닌 문자열을 파일처럼 다룰 수 있게 해줍니다.
csv_file = StringIO(csv_data)

# DictReader 는 각 행을 딕셔너리로 읽어옵니다.
csv_reader = csv.DictReader(csv_file)

# 리스트 컴프리헨션으로 모든 CSV 데이터를 딕셔너리 리스트로 변환
data = [row for row in csv_reader]

# 1. 각 도시별 평균 연봉 계산 (딕셔너리 컴프리헨션 사용)
cities = {person['city'] for person in data} # 중복 없는 도시 집합 생성
city_avg_salary = {
    city: sum(int(p['salary']) for p in data if p['city'] == city) / len([p for p in data if p['city'] == city])
    for city in cities
}
print("도시별 평균 연봉:", city_avg_salary)


# 2. 나이대별 그룹핑 (딕셔너리의 값이 리스트)
age_groups = {
    age_group: [p['name'] for p in data if (int(p['age']) // 10) * 10 == age_group]
    for age_group in { (int(p['age']) // 10) * 10 for p in data }
}
print("나이대별 그룹핑:", age_groups)

# 3. 이름의 첫 글자가 같은 사람들끼리 그룹핑
initials = {p['name'][0] for p in data}
name_groups = {
    initial: [p['name'] for p in data if p['name'].startswith(initial)]
    for initial in initials
}
print("이름 첫 글자별 그룹핑:", name_groups)

실행 결과

도시별 평균 연봉: {'Daegu': 52000.0, 'Seoul': 56000.0, 'Busan': 55000.0}
나이대별 그룹핑: {20: ['Alice', 'Diana'], 30: ['Bob', 'Charlie', 'Eve']}
이름 첫 글자별 그룹핑: {'A': ['Alice'], 'E': ['Eve'], 'D': ['Diana'], 'C': ['Charlie'], 'B': ['Bob']}

람다(Lambda) 함수와 고차 함수

람다 함수는 이름이 없는 ‘익명 함수’로, 간단한 기능을 하는 함수를 한 줄로 정의할 때 매우 유용합니다. 주로 map, filter, sorted 와 같은 고차 함수(함수를 인자로 받거나 함수를 반환하는 함수)와 함께 사용될 때 아주 유용합니다.

map 과 filter 활용

map 과 filter 는 Python 에서 함수형 프로그래밍의 기본이 되는 고차 함수입니다. 람다 함수와 함께 사용하면 리스트의 각 요소를 변환하거나 특정 조건에 맞는 요소만 걸러내는 작업을 매우 간결하게 처리할 수 있습니다.

map(함수, 반복객체): 각 요소에 함수를 적용하여 새로운 map 객체를 반환합니다.
filter(함수, 반복객체): 함수 결과가 True 인 요소만 걸러내어 새로운 filter 객체를 반환합니다.

  
prices = [100, 250, 75, 300, 150, 400, 50]

# 1. 모든 가격에 10% 할인을 적용한 리스트 (map 사용)
discounted_prices = list(map(lambda p: p * 0.9, prices))
print("할인 가격:", discounted_prices)

# 2. 200원 이상인 가격만 필터링 (filter 사용)
expensive_items = list(filter(lambda p: p >= 200, prices))
print("비싼 상품:", expensive_items)

# 3. 100원 이상인 가격에만 세금 10%를 추가한 리스트 (filter + map 조합)
taxed_prices = list(map(lambda p: p * 1.1, filter(lambda p: p >= 100, prices)))
print("세금 포함 가격:", taxed_prices)

실행 결과

할인 가격: [90.0, 225.0, 67.5, 270.0, 135.0, 360.0, 45.0]
비싼 상품: [250, 300, 400]
세금 포함 가격: [90.0, 225.0, 270.0, 135.0, 360.0]

sorted 와 reduce 활용

이번에는 좀 더 복잡한 자료구조를 다루며 sorted 함수의 key 인자에 람다를 활용하여 원하는 기준으로 정렬하고, reduce 함수로 리스트의 모든 요소를 누적 계산하는 방법을 익혔습니다.

sorted(반복객체, key=함수): 특정 키(key)를 기준으로 정렬합니다.
reduce(함수, 반복객체): 모든 요소를 누적적으로 계산하여 단일 값을 반환합니다. (functools 모듈 import 필요)

  
from functools import reduce

students = [
    {'name': 'Alice', 'score': 85, 'grade': 'B'},
    {'name': 'Bob', 'score': 92, 'grade': 'A'},
    {'name': 'Charlie', 'score': 78, 'grade': 'C'},
    {'name': 'Diana', 'score': 96, 'grade': 'A'},
    {'name': 'Eve', 'score': 89, 'grade': 'B'}
]

# 1. 점수순 정렬
sorted_students = sorted(students, key=lambda s: s['score'], reverse=True)
print("점수순 정렬:", sorted_students)

# 2. A등급 학생 이름 추출
a_grade_names = list(map(lambda s: s['name'], filter(lambda s: s['grade'] == 'A', students)))
print("A등급 학생:", a_grade_names)

# 3. 평균 점수 계산
total_score = reduce(lambda acc, s: acc + s['score'], students, 0)
average_score = total_score / len(students)
print("평균 점수:", average_score)

실행 결과

점수순 정렬: [{'name': 'Diana', 'score': 96, 'grade': 'A'}, {'name': 'Bob', 'score': 92, 'grade': 'A'}, {'name': 'Eve', 'score': 89, 'grade': 'B'}, {'name': 'Alice', 'score': 85, 'grade': 'B'}, {'name': 'Charlie', 'score': 78, 'grade': 'C'}]
A등급 학생: ['Bob', 'Diana']
평균 점수: 88.0

마무리

11주차에는 Python 의 리스트 컴프리헨션과 람다 함수를 집중적으로 학습했습니다. 다른 프로그래밍 언어에서는 찾아보기 힘든 난해한 문법이었지만, 다양한 연습 문제를 통해 점차 그 간결함과 효율성에 익숙해질 수 있었습니다. 특히 복잡한 for 루프와 if 조건문을 단 한 줄로 표현하거나, map, filter 와 같은 고차 함수와 결합하여 데이터를 유연하게 다루는 과정으로 함수형 프로그래밍을 학습하는 것에 큰 흥미를 느꼈습니다. 앞으로 데이터를 처리하거나 알고리즘을 구현할 때, 적어도 Python 문법을 몰라서 해매는 일 없이 코드를 작성하는 데 큰 도움이 될 것이라 기대하며 글 마치겠습니다. 감사합니다!

본 후기는 [한글과컴퓨터x한국생산성본부x스나이퍼팩토리] 한컴 AI 아카데미 2기 (B-log) 리뷰로 작성 되었습니다.

#한컴AI아카데미2기 #AI개발자 #AI개발자교육 #한글과컴퓨터 #한국생산성본부 #스나이퍼팩토리 #부트캠프 #AI전문가양성 #개발자교육 #개발자취업

Hancom AI Academy, Education

hancom hancom ai academy education ai python numpy

This post is licensed under CC BY 4.0 by the author.

리스트 컴프리헨션 (List Comprehension)

전통적인 for 문 과 성능 비교

조건부 표현식 활용

중첩 데이터 처리

CSV 형태의 데이터 처리 시뮬레이션

람다(Lambda) 함수와 고차 함수

map 과 filter 활용

sorted 와 reduce 활용

마무리

Trending Tags