Interactive Visualization

정형 데이터의 단점

• 각각의 데이터마다 plot해주어야 하기때문에 Feature가 많으면 그만큼 plot수도 많아진다
• 상관관계가 존재할 경우에는 10 * 9 개의 plot이 필요하다
• 공간적인 낭비가 크다
• 이러한 단점을 Interactive한 시각화로 보안할 수 있다

Matplotlib

• 인터랙티브를 제공하지만 local에서만 가능
• 외부 라이브러리를 통해서 웹에도 서비스가 가능은 하다
• 기능또한 많지 않아서 의미가 크지 않다

Plotly

• 가장 많이 사용하는 Interactive 시각화 라이브러리
• R이나 JavaScript같은 다른 언어도 지원한다
• 문서화가 잘되어있다
• 커스텀이 아쉽다

Bokeh

• Matplotlib와 비슷한 라이브러리
• 문서화가 부족하다

Altair

• 문법이 pythonic하지 않다
• 데이터 크기에 5000개의 제한이 있다
• 기본차트에 특화되어 있음

reference

• Naver Connect Boostcamp - ai tech

Missingno

• 결측치를 시각화 해주는 라이브러리
• 빠르게 결측치의 분포를 확인할 때 사용가능하다
• missingno library를 사용한다

plotly

• interactive한 시각화를 할때 사용하는 시각화 라이브러리
• 추가적으로 다룰 예정이다
• Treemap같은 계층을 interactive 하게 보여줄때 사용한다

Waffle Chart

• pywaffle
• 와플형태로 discrete하게 값을 나타내는 차트
  • github commit형태
• icon을 이용해서 표현을 할 수 있다
• info graphic 에 유용하게 사용가능하다

Venn

• 집합으로 표현하는 시각화
• pyvenn을 사용
• EDA보다는 출판용으로 사용하는것이 좋다
  • 가독성이 좋지 않다

reference

• Naver Connect Boostcamp - ai tech

Grid

• 축과 평행한 선을 사용하여 거리 및 값 등을 보조적으로 알려준다
• 색은 최대한 방해하지 않도록 무채색을 사용한다
• Layer상 항상 맨 아래 오도록 zorder를 0으로 조정
• axis를 이용해서 x, y축 또는 동시에 격자를 보이게 할 수 있다
• which 를 이용하여 큰격자, 세부격자 등을 보이게 할 수 있다

추가적인 보조 처리

• 보조선 긋기
  • axvline(), axhline()으로 수평선을 그을 수 있다
  • axvline(start, color, linestyle, zorder, alpha)

• start : 선을 그어질 point
• color : 색
• linestyle : 선 스타일
• zorder : z축 순서
• alpha : 투명도 조절

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

def drow_graph(x, y, d, function_name, y_lim, x_lim, minmax):
    fig, ax = plt.subplots(1, 2, figsize=(16, 4))

    ax[0].plot(x, y)
    ax[0].set_title(f"{function_name}")

    ax[1].plot(x, d)
    ax[1].set_title(f"{function_name} (Derivative)")
    if minmax:
        ax[0].axhline(max(y), color="red", linestyle="--", zorder=1)
        ax[0].axhline(min(y), color="blue", linestyle="--", zorder=1)
        ax[1].axhline(max(d), color="red", linestyle="--", zorder=1, xmax=0.5)

    for i in range(2):
        ax[i].axvline(0, color="gray", linestyle="-", zorder=0)
        ax[i].axhline(0, color="gray", linestyle="-", zorder=0)
        ax[i].set_xlim(x_lim)
        ax[i].set_ylim(y_lim)
        ax[i].spines['top'].set_visible(False)
        ax[i].spines['right'].set_visible(False)

• 보조 면 추가하기
  • axvspan(), axhspan()으로 영역에 색을 칠할 수 있다
  • axvspan(start, color, linestyle, zorder, alpha)

• start : 시작 point
• end : 끝 지점
• color : 색
• linestyle : 경계 스타일
• zorder : z축 순서
• alpha : 투명도 조절

1
2
3
4
5
6
7
8
9
10

fig, ax = plt.subplots()

ax.set_aspect(1)
ax.axvspan(0,0.5, color='red')
ax.axhspan(0,0.5, color='green')

ax.set_xlim(-1, 1)
ax.set_ylim(-1, 1)

plt.show()

reference

• Naver Connect Boostcamp - ai tech

Facet

• 분할을 의미한다
• 화면상에 view를 분할하여 큰틀에서는 볼 수 없는 부분집합을 세세하게 보여줄 수 있다.

1. Figure & Axes

• Figure는 그래프가 들어가는 큰 틀, Axes는 각 plot이 들어가는 공간을 말한다.
• Figure는 항상 1개, Axes는 여러개가 존재할 수 있다.
• 아래의 함수들로 N by M 의 Axes(subplot)들을 만들 수 있다.
  • plt.subplot()
  • plt.figure() + fig.add_subplot()
  • plt.subplots()
• sharex, sharey를 통해 subplot끼리의 x축, y축의 범위를 통일 할 수 있다
• squeeze를 False로 지정해서 subplot의 index를 n by m Matrix로 바꿀 수 있다.
  • 기본으로 True이기 때문에 1차원 배열로 나오게 된다
• aspect을 통해서 눈금간의 간격의 길이를 설정 할 수 있다

1
2
3
4

fig = plt.figure(figsize=(12, 5))
ax1 = fig.add_subplot(121, aspect=1)
ax2 = fig.add_subplot(122, aspect=0.5)
plt.show()

2. Grid spec

• css의 그리드 처럼 동일 크기 분할이 아닌 다양한 크기의 그래프를 그리고 싶을때 사용하는 방식이다
• add_subplot
  • numpy의 slicing과 비슷하게 사용이 가능하다

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

fig = plt.figure(figsize=(8, 5))
gs = fig.add_gridspec(3, 3)

ax = [None for _ in range(3)]

ax[0] = fig.add_subplot(gs[0, :2]) 
ax[0].set_title('gs[0, :]')

ax[1] = fig.add_subplot(gs[0:, -1])
ax[1].set_title('gs[0, -1]')

ax[2] = fig.add_subplot(gs[1:3, 0:2])
ax[2].set_title('gs[-1, 0]')

for ix in range(3):
    ax[ix].set_xticks([])
    ax[ix].set_yticks([])

plt.tight_layout()
plt.show()

• subplot2grid((shape), (y, x), colspan = dx, rowspan = dy)
  • shape를 통해 그리고자하는 grid를 설정
  • y, x : 시작하고자하는 좌표값
  • colspan, rawspan : 할당하고자 하는 가로 세로 길이

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

fig = plt.figure(figsize=(8, 5))
ax = [None for _ in range(6)]

ax[0] = plt.subplot2grid((3,4), (0,0), colspan=4)
ax[1] = plt.subplot2grid((3,4), (1,0), colspan=2)
ax[2] = plt.subplot2grid((3,4), (1,2), colspan=1)
ax[3] = plt.subplot2grid((3,4), (1,3), colspan=1,rowspan=2)
ax[4] = plt.subplot2grid((3,4), (2,0), colspan=3)

for ix in range(5): 
    ax[ix].set_title('ax[{}]'.format(ix)) # make ax title for distinguish:)
    ax[ix].set_xticks([]) # to remove x ticks
    ax[ix].set_yticks([]) # to remove y ticks
    
fig.tight_layout()
plt.show()

3. insert

• subplot 내부에 subplot을 생성하는 방법이다.
• ax.inset_axes()
  • Ax 내부에 subplot을 추가하는 방법
  • 메인 시각화를 해치지 않는 선에서 사용하자

1
2
3
4
5
6
7
8
9
10
11
12

fig, ax = plt.subplots()

color=['royalblue', 'tomato']
ax.bar(['A', 'B'], [1, 2],
       color=color
      )

ax.margins(0.2)
axin = ax.inset_axes([0.8, 0.8, 0.2, 0.2])
axin.pie([1, 2], colors=color, 
         autopct='%1.0f%%')
plt.show()

• make_axes_locatable(ax)
  • Ax 사이드에 부가적인 정보를 주는 방법
  • 보통 colorbar로 많이 사용한다

1
2
3
4
5
6
7
8
9
10
11

fig, ax = plt.subplots(1, 1)

# 이미지를 보여주는 시각화
# 2D 배열을 색으로 보여줌
im = ax.imshow(np.arange(100).reshape((10, 10)))

divider = make_axes_locatable(ax)
cax = divider.append_axes("right", size="5%", pad=0.05)

fig.colorbar(im, cax=cax)
plt.show()

reference

• Naver Connect Boostcamp - ai tech

color

• 시각화에서 색을 통해서 효과적으로 채널을 구분할 수 있다
• 심미적인 요소 또한 시각화의 일부 요소이다
• 전달하고 싶은 내용을 깔끔하게 색을 통해서 전달하는것이 주 목표이다
  • 꼭 화려한것이 답은 아니다

Color Palette

1. categorical color

• Discrete, Qualitative등의 다양한 이름으로 불린다
• 독립된 색상으로 구성되어 범주형 변수에 주로 사용된다
• 이산적인 개별값을 나타낼때 적합하다

2. Sequential color

• 정렬된 값을 가지는 연속형 변수에 적합나다
• 연속적인 색상을 사용하여 표현한다
  • 어두운곳에서는 밝은색, 밝은 곳에서는 어두운색을 이용한다.
• 색상은 단일 색조로 표현하는것이 좋다.
• 대표적으로 github commit log의 색이 있다.

3. Divergence color

• 연속형과 유사하지만 중앙을 기준으로 서로 다른색으로 나타난다
• 상반된 값을 표현하는데 좋다(기온, 지지율 등)

그 외에 고려할 점

• 다름을 보이기 위한 Highlighting을 색으로 표현 할 수 있다.
• 보통 먼 색일수록 차이가 더 크게보이는 색상 대비를 사용한다.
• 색약이나 색맹을 가지는 읽는 사람을 위해 색 선택을 고려할 필요가 있다.

reference

• Naver Connect Boostcamp - ai tech
• Sequential color

Text

• 시각화에 적절한 Text는 시각적인것으로만 전달하기 힘든 설명을 추가하거나 잘못된 전달에서 생기는 오해를 방지 할 수 있다
• 하지만 과한 Text는 오히려 방해가 될 수 있으니 주의할 필요가 있다

1. Anatomy of a Figure

• Title : 그래프의 주제
• Label : 축에 해당되는 데이터 정보
• Tick Lable : 축의 grid의 스케일 정보
• Legend : 한 그래프에서 여러개의 데이터 분류를 위한 보조 정보
• Annotation : 그 외의 시각화를 위한 보조정보

1

코드 추가 필요

2. Text Properties

1. font Components

   • family : 글씨체
   • size or fontsize : 사이즈
   • style or fontstyle : 스타일(기울임체 등등)
   • weight or fontweight : 두께
   • matplot Docs Fonts Demo

2. Detail

   • color : 글씨의 색
   • linespacing : 줄간격
   • backgroundcolor : 배경색
   • alpha : 투명도
   • zorder : z축 순서
   • visible : 랜더 유무

3. 정렬

   • ha : horizontal alignment
   • va : vertical alignment
   • rotation : 가로로 적을지 세로로 적을지 설정
   • multialignment : 추가적인 정렬

4. 그 외 추가적인 항목

   • bbox설정을 통해 text에 box를 만들수 있다.
     • Drawing fancy boxes

reference

• Naver Connect Boostcamp - ai tech

Lineplot

• 연속적으로 변화하는 값을 점으로 나타내고 선으로 연결한 그래프

1. 기본적인 Lineplot

• .plot()으로 그래프를 그릴 수 있다
• 5개 이하의 선을 사용하는것이 가독성이 좋다
  • 색상, 마커, 선의 종류 등으로 선을 구분해서 가독성을 더 끌어 올릴 수 있다.
  • color : 색상 지정
  • marker : 점의 모양 지정
  • linestyle : 선의 종류 지정(solid, dashed, dashdot, dotted, None)
• 흐름의 파악을 원할하게 하기 위해 smoothing을 사용해서 Noise를 줄인다

2. Lineplot의 특징

1. 흐름에 집중하는 그래프

• 데이터의 흐름을 보기위한 그래프이다
  • 그렇기에 bar와 다르게 축을 0에 맞출 필요는 없다
• 너무 구체적인 정보는 오히려 흐름을 보는데 방해 될 수 있다
  • Grid, Annotate등을 최소한으로 사용한다
  • 디테일한 정보는 따로 표로 제공하는것도 좋다
• 생략되지 않는 선에서 범위를 조절해서 표현한다
  • .set_ylim()을 이용하자

2. 간격

• 축의 간격이 다를경우 기울기 정보에서 오해를 일으킬 수 있다. 또한 점과 점 사이를 선으로 연결한 것이기 때문에 실제로 데이터가 없는부분에서 있다고 오해가 가능하다
  • 수치형 데이터일 경우 matplot에서 알아서 맞추어준다
  • 데이터의 위치에 mark를 해서 오해를 줄일 수 있다

3. 보간

• 점과 점사이를 실제 데이터가 없지만 이어서 선으로 만드는 방법
• 데이터의 error나 Noise가 포함되어 있을경우 보간을 사용해서 어느정도 보정해 이해를 도울 수 있다.
  • scipy모듈을 이용하여 사용
• 데이터를 분석할 경우 미세한 차이를 놓치거나, 없는데이터를 있다고 생각하게 할수 있기때문에 EDA에서는 지양하는것이 좋다.

4. 이중 축 사용

• 한 plot에 대해서 2개의 축을 사용하는 방법
• 같은 시간축에서 서로다른 데이터를 표현하기 위해서 쓴다.
  • .twinx()를 사용해서 구현한다
• 보통 한 데이터에 대한 다른단위 표현을 위해 사용한다
  • .secondary_xaxis(), .secondary_yaxis()를 사용한다
• 두 데이터에 대해서 이중 축을 사용하는것은 강제로 상관관계를 부여할 수 있으니 지양하고 2개의 plot을 사용하는쪽이 좀 더 가독성 면에서도 좋다

5.그 외 팁

• 라인 끝에 label을 추가하면 식별에 도움이 된다
• 주요 포인트에는 annotation을 추가하면 도움이 될 수도 있다
• 연한색으로 uncerainty 표현이 가능하다

reference

• Naver Connect Boostcamp - ai tech

Barplot

• 직사각형의 막대를 사용하여 데이터를 표현하는 그래프
• category에 따른 수치값을 비교하기에 적합하다

1. 기본적인 Barplot

• barplot은 기본적으로 bar, barh가 존재한다.
• bar는 수직, barh는 수평으로 막대를 그린다

1
2
3
4
5
6

fig, ax = plt.subplots(1, 2, figsize=(12, 7))
x = list('ABCDE')
y = np.array([1, 2, 3, 4, 5])
ax[0].bar(x, y)
ax[1].barh(x, y)
plt.show()

2. 다양한 Barplot 기법

• 다양한 barplot에 대해서 이야기를 할 예정이다
• 사용하는 데이터는 Boostcamp에서 제공한 데이터를 사용하였다
• Multiple
  • plot을 여러개 그리는 방법이다.
  • subplots의 sharey를 이용하여 y축의 범위를 공유할 수 있다.
  • 각 group의 분포를 알기 좋지만 group간 비교하기에는 쉽지 않다

1
2
3
4

fig, ax = plt.subplots(1, 2, figsize=(12, 6), sharey=True)
ax[0].bar(group['male'].index, group['male'], color='royalblue')
ax[1].bar(group['female'].index, group['female'], color='tomato')
plt.show()

• Stack
  • 2개 이상의 그룹을 쌓아서 표현하는 방식이다
  • 맨 밑 group의 분포는 파악하기 쉽지만 그외는 파악하기 힘들다
  • bottom : bar의 시작 y좌표를 설정 할 수 있다.

1
2
3
4
5
6
7
8

fig, axes = plt.subplots(1, 2, figsize=(15, 7))
group_cnt = student['race/ethnicity'].value_counts().sort_index()
axes[0].bar(group_cnt.index, group_cnt, color='darkgray')
axes[1].bar(group['male'].index, group['male'], color='royalblue')
axes[1].bar(group['female'].index, group['female'], bottom=group['male'], color='tomato') # 각 category의 y축 시작지점을 group['male']의 수치로 지정한다
for ax in axes:
    ax.set_ylim(0, 350)
plt.show()

• Percentage Stack
  • Stack을 응용하여 만든 BarPlot
  • bal_label을 이용하여 중간에 퍼센트를 찍어주었다

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

fig, ax = plt.subplots(1, 1, figsize=(12, 7))

group = group.sort_index(ascending=False) # 역순 정렬
total=group['male']+group['female'] # 각 그룹별 합

for name, color in zip(['male', 'female'], ['royalblue', 'tomato']):
    rects = ax.barh(group[name].index, group[name]/total, 
            left=group['male']/total if name == 'female' else 0, 
            color=color)
    ax.bar_label(rects, fmt='%.2g', label_type='center')

ax.set_xlim(0, 1)
for s in ['top', 'bottom', 'left', 'right']:
    ax.spines[s].set_visible(False)

plt.show()

• Overlap
  • 2개의 그룹만 비교할때 사용하기 좋은 방식
    • 3개 이상은 파악이 어렵다
  • 같은 축을 사용하기 때문에 비교하기 쉽다
  • Bar보다는 Area에서 더 효과적이다

1
2
3
4
5
6
7
8
9
10
11

group = group.sort_index()
fig, axes = plt.subplots(1, 1, figsize=(8, 6))

axes.bar(group['male'].index, group['male'], 
        color='royalblue', 
        alpha=0.7)
axes.bar(group['female'].index, group['female'],
        color='tomato',
        alpha=0.7)
ax.set_ylim(0, 200)
plt.show()

• Group
  • 그룹별 범주에 따른 막대를 이웃되게 배치하는 방법
  • Matplotlib로는 구현이 까다롭다
  • 그룹이 5~7개 이하일때 효과적이다
    • 많으면 오히려 역효과가 난다

시각화시 주의해야할점

1. 실제값과 그래픽으로 표현되는 부분은 비례해야한다
   • 반드시 x축의 시작은 0부터 한다
   • 차이를 나타내고 싶다면 세로의 비율을 늘리자
2. 정확한 정보를 전달하기 위해서 정렬을 하자
   • 데이터의 종류에따라 여러 기준으로 정렬을 한다.
   • 시계열 : 시간
   • 수치형 : 크기
   • 순서형 : 범주의 순서대로
   • 명목형 : 범주의 값에 따라서
   • interactive로 제공하는 것이 유용하다
3. 여백을 잘 조절하자
   • 너무 꽉차있거나 비어있으면 가독성이 떨어진다. 적절한 조절로 가독성을 높이자
   • .set_xlim(), .set_ylim()으로 표시할 영역을 지정한다
   • .spines[pos].set_visible()을 이용해서 외곽선을 안보이게 조절한다
   • Gap, Margins을 이용해서 적절히 간격을 띄운다
4. 복잡함을 줄이자
   • 3D는 왠만해서는 쓰지말자…
   • 축과 디테일을 조절하여 가독성과 깔끔함을 동시에 챙기자
     • text, annotate등을 이용하자

reference

• Naver Connect Boostcamp - ai tech

3. matplot.pyplot 기초

• 이 글에서는 python 시각화 라이브러리 matplot에 대해서 다루어 본다
• 기본적으로 가장 많이 사용하는 matplot.pyplot을 이용하여 그래프를 그린다.

들어가기전에

• 보통 아래와 같이 많이 pyplot을 plt로 선언 한다

1
2

import numpy as np
import matplotlib.pyplot as plt

Figure & Axes

• plt.figure로 그래프틀을 선언하고, plt.show()를 이용하여 화면에 나타낼 수 있다.

• num : figure의 id를 지정한다. 이미 지정한 id가 존재하고 그것이 다시 정의될 경우에 원래 존재하던 figure를 반환한다
• figsize : 그래프틀의 크기를 지정한다
• dpi : 해상도를 설정한다
• facecolor : 배경화면의 색을 지정한다
• edgecolor : 가장자리 라인의 색을 지정한다

1
2
3
4
5

fig = plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None)
plt.show()
==========
output
<Figure size 432x288 with 0 Axes>

• 위의 코드에 Axes라는 subplot을 추가해야지만 제대로 그래프가 나온다
• figure의 add_subplot()을 이용하여 Axes를 지정할 수 있다

1
2
3

fig = plt.figure()
ax = fig.add_subplot()
plt.show()

subplot

• Axes에 추가적인 Argument 입력을 통해서 위치를 지정해 줄 수 있다.
• suplots를 이용하여 fig와 Axes들을 동시에 정의 할 수도 있다.

1
2
3
4

fig = plt.figure()
ax1 = fig.add_subplot(1, 2, 1)
ax2 = fig.add_subplot(1, 2, 2)
plt.show()

plot

• plot을 통해서 그래프를 그릴 수 있다.
• x축과 y축의 수치가 1대1 대응으로 그래프가 그려진다.
• figure, subplot에 plot을 통해 입력이 가능하다
• 여러번 plot을 할 경우 여러개의 그래프가 그려진다
• 직접 색을 입력해서 그래프의 색상을 지정 할 수 있다

• x : x축이 될 데이터들
• y : y축이 될 데이터들

1
2
3
4
5

fig = plt.figure()
ax1 = fig.add_subplot(1, 1, 1)
ax1.plot([1, 2], [1, 3], color = 'forestgreen')
ax1.plot([2, 3], [3, 1], color = 'r')
plt.show()

text

• label : 그래프에 label을 붙일 수 있다.
• 단 label을 표시하기 위해서는 legend()를 이용해야 한다.

1
2
3
4
5
6

fig = plt.figure()
ax1 = fig.add_subplot(1, 1, 1)
ax1.plot([1, 2], [1, 3], color = 'forestgreen', label = '1')
ax1.plot([2, 3], [3, 1], color = 'r', label = '2')
ax1.legend() # 이게 없으면 label 표시가 나오지 않음
plt.show()

• 여러 메소드를 이용하여 그래프의 특정부분을 변경 시킬 수 있다.
• set_title : title을 지정할 수 있다.
• set_xticks : x축의 범주값을 지정할 수 있다.
• set_ticklabels : x축을 텍스트 값으로 지정할 수 있다.
• annotate : 그래프에 여러가지를 추가 할 수 있다.
• 여러 메소드의 자세한 내용들은 추후에 다룰 예정이다.

reference

• Naver Connect Boostcamp - ai tech

1. Data의 종류

• Dataset은 아래와 같이 분류가 가능하다.
  1. 정형 데이터
  2. 시계열 데이터
  3. 지리 데이터
  4. 관계형 데이터
  5. 계층적 데이터
• 데이터는 아래와 같이 분류가 가능하다.
  • 수치형 데이터(numerical) : 수치로 표현된 데이터
    • 연속형(continuous) : 길이, 무게, 온도 등
    • 이산형(discrete) : 사람 수, 주사위 눈금 등
  • 범주형(categorical) : 문자로 표현되는 데이터
    • 명목형(norminal) : 혈액형, 종교, 주소 등
    • 순서형(ordinal) : 학년, 등급, 성적 등

1. 정형 데이터

• 가장 기본적인 데이터 형태
• 테이블 형태로 제공되는 데이터이다.

2. 시계열 데이터

• 시간에 흐름에 따른 데이터
• 기온 주가 등의 정형 데이터로 표현한 데이터와 음성, 비디오와 같이 비정형인 데이터가 존재한다.

3. 지리/지도 데이터

• 지형과 지명이 들어가 있는 데이터
• 위도와 경도를 이용해서 정형데이터로도 표현이 가능하다.
• 지도 정보와 보고자하는 정보간의 조화를 잘 맞추어 주는것이 중요하다

4. 관계형 데이터

• 객체와 객체간의 관계를 시각화 할 수 있는 데이터
• 객체는 Node로, 관계는 Link로 표현이 가능하다
• 크기와 색, 수 등으로 관계의 가중치를 표현 가능하다
• 보기쉽게 하기위해 휴리스틱하게 노드의 배치를 구성할 수 있다

5. 계층적 데이터

• 위의 관예형 데이터중에서 포함관계가 분명한 데이터
• Tree, Treemap등의 형태의 데이터가 포함된다

2. 시각화

• 수치와 문제로 이루어진 데이터를 점,선,면을 이용해서 한눈에 보기 쉽게 만들어준다
• 아래의 속성들을 적절하게 사용해서 시각적으로 분리를 일으켜서 주의 깊게 보지 않아도 한눈에 알아볼수 있도록 하는것이 목표이다
  • 너무 많이 사용하면 오히려 인지하기 힘든 부작용이 나타난다

reference

• Naver Connect Boostcamp - ai tech