CodeAngie

[Android Studio] 안드로이드 스튜디오 설치하기 (Windows)

코딩하는 앤지 — Sat, 28 Feb 2026 15:16:08 +0900

1. 설치 파일 다운로드 (Windows)

구글에 Android Studio download를 검색하거나 아래 링크를 통해서 공식 홈페이지에서 설치 파일을 다운로드 한다.

https://developer.android.com/studio?hl=ko

Android 스튜디오 및 앱 도구 다운로드 - Android 개발자 | Android Studio | Android Developers

Android Studio provides app builders with an integrated development environment (IDE) optimized for Android apps. Download Android Studio today.

developer.android.com

Android 스튜디오 Panda 1 다운로드 클릭

동의 사항 체크하고 다운로드 버튼 클릭

2. 안드로이트 스튜디오 설치 마법사 실행

여기서는 다른 설정을 해줄 필요 없이 쭉 Next를 누르며 넘어가도 좋다.

3. 안드로이드 스튜디오 실행

설치 마지막에 Start Android Studio를 체크하면 바로 스튜디오가 실행된다.

구글에 사용 데이터를 보낼지 선택 (자유롭게 선택)

설치를 시작한다.

Standard(기본) 설정

셋팅 확인

Accept를 누른 뒤, Next를 눌러야 한다. 설치될 android sdk license 관련한 동의서이다.

SDK 라이센스 동의

설치 완료

[PyCharm] PyCharm 설치하기 (Windows)

코딩하는 앤지 — Mon, 2 Feb 2026 10:49:11 +0900

파이썬 개발을 시작할 때 가장 먼저 찾게 되는 도구가 바로 파이참(PyCharm)이다.

강력한 코드 분석과 디버깅 기능을 제공하는 이 프로그램의 설치 과정을 간단히 정리한다.

1. 설치 파일 다운로드 (Windows)

이제는 Professional과 Community를 구분해서 다운로드하지 않아도 통합버전으로 관리가 가능하다.

Professional 버전을 무료로 한 달 이용 가능하며 이후에는 무료로 이용하거나 구독을 할 수 있다.

아래 링크를 통해 설치파일을 다운로드한다.

https://www.jetbrains.com/ko-kr/pycharm/download/?section=windows

2. 설치 마법사 실행

설치를 시작합니다.

설치 위치를 지정합니다. (기본 설정)

설치 옵션을 선택합니다.

바로가기를 제외하고는 다 체크하는 것을 추천한다.
- 데스크톱 바로가기 생성: 바탕화면에 바로가기 아이콘 생성.
- PATH 변수 업데이트(체크 권장): 환경 변수 자동 등록. 명령 프롬프트에서 Pycharm에 접근할 수 있도록 변수 설정. (체크하지 않으면 나중에 터미널에서 python 명령어를 인식하지 못해 재설치해야 할 수도 있음)
- 컨텍스트 메뉴 업데이트: 폴더 우클릭시 PyCharm Project로 바로 열 수 있도록 해주는 옵션.
- 연결 생성: .py 파일을 선택시 PyCharm으로 연결.

컨텍스트 메뉴 업데이트 시 보이는 우클릭 메뉴

시작 메뉴 폴터를 선택합니다. (기본 설정)

설치 완료

3. 프로젝트 생성 및 인터프리터 설정

JetBrains의 다른 IDE가 설치되어 있다면 아래 처럼 import settings가 뜨는데, 이때 가져오고 싶은 설정이 있다면 선택하여 동일한 셋팅을 유지할 수 있다.
상관 없다면 Skip을 눌러도 좋다.

인터프리터가 따로 설정되어 있지 않다면 PyCharm에서 설치를 제안해준다.
최신 버전의 파이썬을 가상환경에 자동으로 설치하고 싶다면 Yes를 눌러 설치해준다.

2026.02 기준 최신 버전의 python을 자동으로 설치한다.

처음 설치한 경우 PyCharm에서 여러 추천들을 해주는데 알림 팝업이 사라져서 설정을 못했다면, 오른쪽에서 종 모양을 찾아 눌러주면 된다.

초기에는 Welcome이라는 프로젝트가 생성된다.
해당 프로젝트에서 코드 연습을 하고 싶다면 New Script나 New Notebook을 통해 새 파일을 열어 실행해볼 수 있다.

New Script의 경우에는 아래 화면처럼 초기 코드가 작성되어 있다.
실행을 원하는 코드 라인의 왼쪽 실행 버튼(세모 모양)이나 단축키 Ctrl + Shift + F10을 눌러 하단 콘솔창에 결과가 나오면 정상 작동하는 것이다.

New Notebook의 경우에는 코드를 입력하고 왼쪽 실행 버튼이나 Ctrl + Enter를 눌러 결과를 확인하면 된다.

[전산직(데이터) 공무원 대비] 알고리즘 기초부터 파헤치기 4

코딩하는 앤지 — Wed, 21 Jan 2026 12:47:56 +0900

지난번까지는 한 줄로 나열된 데이터를 배웠다면, 이번에는 계층적으로 데이터를 다루려고 한다.

조직도나 파일 시스템처럼 부모-자식 관계를 가지는 트리(Tree)와 우선순위 관리에 최적화된 힙(Heap)을 통해 더 고급 수준으로 나아가 보자.

1. 트리의 기초와 순회 (Traversal)

트리를 눈으로 보고 순회 순서(전위/중위/후위)를 적어내거나, 코드를 보고 순서를 맞히는 문제가 나온다.

(1) 이진 트리 (Binary Tree) 핵심 용어

완전 이진 트리 (Complete Binary Tree): 위에서 아래로, 왼쪽에서 오른쪽으로 빈틈없이 채워진 트리. (힙의 필수 조건)
포화 이진 트리 (Full Binary Tree): 마지막 레벨까지 꽉 찬 트리. 높이가 $k$일 때, 노드 개수는 $2^k - 1$이다.

(2) 트리 순회 (Traversal) - 암기 필수!

루트(Root)를 언제 방문하느냐가 기준이다.

      (A)
     /   \
   (B)   (C)

전위 순회 (Pre-order): [Root] $\rightarrow$ Left $\rightarrow$ Right
- 순서: A $\rightarrow$ B $\rightarrow$ C
- 코드 특징: print(n)이 재귀 호출보다 먼저 나옴.
중위 순회 (In-order): Left $\rightarrow$ [Root] $\rightarrow$ Right
- 순서: B $\rightarrow$ A $\rightarrow$ C
- 코드 특징: print(n)이 재귀 호출 사이에 껴 있음.
후위 순회 (Post-order): Left $\rightarrow$ Right $\rightarrow$ [Root]
- 순서: B $\rightarrow$ C $\rightarrow$ A
- 코드 특징: print(n)이 재귀 호출 뒤에 나옴.

1-2. 최신 기출 맛보기

문제. 다음 C언어 코드가 수행하는 트리 순회(Traversal) 방식은?

void Course(node *n) {
    if (n != NULL) {
        Course(n->left);   
        Course(n->right);  
        printf("%c ", n->name); 
}}

후위 순회
레벨 순서 순회
중위 순회
전위 순회

정답: 1번

재귀 호출의 순서: 왼쪽 $\rightarrow$ 오른쪽 $\rightarrow$ 루트
루트를 가장 나중에 방문하므로 후위 순회이다.
Tip!
- printf가 맨 앞에 있으면: 전위 순회 (Pre-order)
- printf가 중간에 있으면: 중위 순회 (In-order)
- printf가 맨 뒤에 있으면: 후위 순회 (Post-order)

2. 힙 (Heap) - 데이터직 시험 최다 빈출

힙은 우선순위 큐를 구현하는 가장 효율적인 자료구조이다. 배열 인덱스 계산, 삽입/삭제 과정, 시간 복잡도가 출제 포인트다.

(1) 힙의 정의

최대 힙 (Max Heap): 부모 $\ge$ 자식. (루트가 가장 큰 값)
구조: 반드시 완전 이진 트리여야 함.

(2) 배열로 구현 (중요!)

힙은 구멍 없이 꽉 차 있으므로 배열이 가장 효율적입니다. (연결리스트 X)

인덱스 계산 공식 (기준 인덱스가 $i$일 때) :
- 왼쪽 자식: $2 \times i$
- 오른쪽 자식: $2 \times i + 1$
- 부모: $i / 2$

[1]
     /   \
   [2]   [3]
   / \
[4] [5]

배열: [1, 2, 3, 4, 5]
인덱스:[0, 1, 2, 3, 4]

기준 인덱스가 1일 때, 왼쪽 자식의 인덱스는 2, 오른쪽 자식의 인덱스는 3, 부모의 인덱스는 0이다.

(3) 핵심 연산과 시간 복잡도

연산	과정	시간 복잡도
삽입 (Insert)	맨 끝에 넣고 부모와 비교하며 올라감 (Up-Heap)	$O(\log n)$
삭제 (Delete)	루트 제거 $\rightarrow$ 맨 끝 원소를 루트로 이동 $\rightarrow$ 자식과 비교하며 내려감 (Down-Heap)	$O(\log n)$
확인 (Peek)	최댓값/최솟값 확인 (루트만 보면 됨)	$O(1)$
힙 정렬 (Heap Sort)	힙 생성($O(n)$) + $n$번 삭제($O(n \log n)$)	전체 $O(n \log n)$

Up-Heap: 맨 끝에서부터 내 부모(Index/2)와 나(Index)를 비교해 조건을 만족할 때까지 자리를 바꾸며(Swap) 올라간다.
Down-Heap: 막내를 루트로 옮기고, 루트부터 자식 중 더 작은/큰 값과 비교해 조건을 만족할 때까지 Swap 하며 내려간다.
힙 생성: 일단 무작위로 넣고 리프 노드의 부모부터(제일 아래 층부터 올라가면서) Down-Heap을 하는 것이라고 보면 된다.
힙 정렬은 힙을 사용한 정렬로 일한 힙을 생성하고 하나씩 삭제하며서 제일 작은/큰 수부터 정렬하는 방법

2-2. 최신 기출 맛보기

문제. 힙(Heap) 자료구조의 시간 복잡도에 대한 설명으로 옳은 것은?

힙 생성(Build Heap) 후, 데이터 1개를 삽입하는 데 걸리는 시간은 $O(1)$이다.
힙 정렬(Heap Sort)의 전체 시간 복잡도는 최악의 경우 $O(n^2)$이다.
루트 노드(최댓값/최솟값)를 삭제하고 힙 속성을 다시 만족시키는 데 $O(\log n)$이 걸린다.
힙에서 최댓값(또는 최솟값)을 확인(Peek)하는 데는 $O(\log n)$이 걸린다.

정답: 3번

삽입은 트리의 높이만큼 올라가야 하므로 $O(\log n)$이다.
힙 정렬은 최악의 경우에도 $O(n \log n)$을 보장한다. (병합 정렬과 동일)
삭제 후 재정렬(Down-Heap) 과정은 트리의 높이($\log n$)만큼 걸린다.
힙의 대장(최대/최소)은 항상 루트에 있으므로 확인은 $O(1)$이다.

3. 이진 탐색 트리 (BST)

탐색 원리와 노드 삭제 시 누구랑 자리를 바꾸는지가 핵심이다.

(1) 정의

규칙: Left < Root < Right 왼쪽은 나보다 작고, 오른쪽은 나보다 크다.
특징: 중위 순회(In-order)하면 오름차순 정렬된 결과가 나온다. (10 -> 20 -> 30)

(2) 노드 삭제 (Deletion) - 까다로움

자식이 없으면? 그냥 삭제.
자식이 1개면? 자식을 내 자리로 올림.
자식이 2개면? (시험 포인트)
- 방법 1: 왼쪽 서브트리에서 가장 큰 놈 (Predecessor)
- 방법 2: 오른쪽 서브트리에서 가장 작은 놈 (Successor)
- 둘 중 하나를 데려와 자리를 채운다. (비슷한 값을 가져와야 트리가 안 깨짐)

3-1. 최신 기출 맛보기

문제. 다음 데이터를 순서대로 삽입하여 '이진 탐색 트리(BST)'를 생성한 후, '전위 순회(Pre-order)'한 결과는?

입력 데이터: [40, 20, 30, 10]

40, 30, 20, 10
40, 20, 10, 30
10, 20, 30, 40
40, 20, 30, 10

정답: 2번

트리 생성 과정
1. 40: 루트 노드
2. 20: 40보다 작으므로 왼쪽에 넣음
3. 30: 40보다 작으므로 왼쪽($\to$ 20)으로 갔다가, 20보다는 크므로 20의 오른쪽에 넣음.
4. 10: 40보다 작고($\to$ 20), 20보다 작으므로 20의 왼쪽에 넣음.
트리 구조

전위 순회([루트] $\rightarrow$ 왼쪽 $\rightarrow$ 오른쪽): 40 -> 20 -> 10 -> 30.
1. 40 (루트) 방문 $\rightarrow$ 출력: 40
2. 왼쪽 서브트리(20)로 이동.
  - 20 (부분 루트) 방문 $\rightarrow$ 출력: 20
  - 20의 왼쪽(10)으로 이동.
    - 10 방문 $\rightarrow$ 출력: 10
  - 20의 오른쪽(30)으로 이동.
    - 30 방문 $\rightarrow$ 출력: 30

4. [심화] 고급 균형 트리 (Balanced Tree)

최근 7급 시험은 여기서 변별력을 낸다.

(1) AVL 트리

개념: BST인데 좌우 높이 차이(Balance Factor)가 1 이하가 되도록 유지한다.
회전 (Rotation): 불균형 발생 시 LL, RR, LR, RL 회전으로 균형을 맞춘다.
- 원칙: "불균형이 발생한 곳(그랜드 부모)을 기준으로, 어디가 무거워졌는지 본다."
- LL / RR: 1번 회전 (Right / Left Rotate)
- LR / RL: 2번 회전 (방향 꺾어서 회전)

(2) B-트리

개념: 자식을 여러 개($M$개) 가질 수 있는 다차원 트리. (DB 인덱스에 사용)
삽입 규칙: 노드가 꽉 차면($M-1$개 초과, Overflow), 중간값(Median)이 부모로 승진(Split)하고 쪼개진다.
트리가 위로 자라는 것이 특징
2-3트리는 자식이 최대 3개인 B-트리

(3) 레드-블랙 트리 (Red-Black Tree)

조건 암기:
1. 루트는 무조건 검은색(Black).
2. 빨간색 노드의 자식은 무조건 검은색 (No Double Red).
3. 모든 리프(NIL: 검정 벽)까지 가는 경로의 검은색 노드 개수는 동일(Black Height).
(추가)
1. 삽입은 일단 무조건 빨간색 이후 Red-Red이면 회전하거나 색을 반전한다.
  - 삼촌(부모의 형제)도 Red면 색 반전
  - 삼촌이 Black(or NIL)이면 회전
2. 빨간 노드는 지워도 상관 없음. 검정 노드를 지우면 재조정 필요!
  - 형제 노드 색을 보고 회전하고 빨간 조카를 검정으로 만들어 검정하나를 넘겨받거나
  - Red-Red가 아니라는 보장하에 검정 노드를 빨강으로 바꾼다.

5. 기타 특수 트리

허프만 트리 (Huffman Tree): 빈도수가 높은 문자는 짧게, 낮은 문자는 길게 비트를 할당하는 압축 알고리즘. (탐욕(Greedy) 기법)
- 시험에서는 단서 조항이 붙기에 주의하면서 풀자!
- 압축 과정은 빈도수가 낮은 것부터 합쳐서 올라가기.
- 압축한 트리를 보면서 각 알파벳에 대한 코드를 구하고 알파벳을 코드로 바꿔서 나열.
- 디코딩은 반대로 트리를 보고 각 알파벳에 대한 코드를 구하고 하나씩 매칭해서 문자열 도출.
트라이 (Trie): 문자열 검색에 최적화된 트리.
- 시간 복잡도는 문자열 길이에 비례($O(L)$).
- 접두사(Prefix)를 공유해서 저장 공간을 아끼고 검색 속도 높이는 N진 트리.
- 단점: 각 노드마다 자식 포인터(알파벳 26개 등)를 배열로 가지고 있어야 해서 메모리를 많이 차지.
- TEA, TEN, IN, ANT 가 있다면 아래와 같이 트리 구성 가능.

고급 트리 관련 기출 문제를 풀어보고 싶다면? 제미나이가 만든 퀴즈 풀어보기

다음 포스팅에서는 그래프 탐색에 대해 정리해 보겠다.

[전산직(데이터) 공무원 대비] 알고리즘 기초부터 파헤치기 3

코딩하는 앤지 — Mon, 19 Jan 2026 12:04:59 +0900

이제 알고리즘의 허리 역할을 하는 정렬과 탐색으로 넘어가 보자.

공무원 시험에서는 이 정렬 알고리즘이 얼마나 빠른지(시간 복잡도), 메모리는 얼마나 쓰는지(공간 복잡도), 그리고 데이터가 어떻게 변하는지를 묻는다.

1. 정렬의 양대 산맥: 퀵(Quick) vs 병합(Merge)

이 둘은 모두 분할 정복(Divide & Conquer)을 사용하고 평균 $O(n \log n)$으로 매우 빠르지만, 성격이 완전 다르다.

(1) 퀵 정렬 (Quick Sort) - "불안정하지만 빠른 천재"

원리: 피벗(Pivot)이라는 기준점을 하나 잡는다. 피벗보다 작은놈은 왼쪽, 큰 놈은 오른쪽으로 몰아넣고(Partition) 양쪽을 각각 다시 재귀 호출한다.
장점: 추가 메모리가 거의 필요 없고(In-place), 캐시 효율(Cache Hit)이 좋아 실제로는 가장 빠르다.
단점 (치명적):
- 불안정 정렬(Unstable): 같은 값의 순서가 뒤집힐 수 있다.
- 최악의 경우 $O(n^2)$: 피벗을 잘못 잡아서(예: 이미 정렬된 배열에서 맨 앞을 피벗으로 함) 한쪽으로만 쏠릴 때 급격히 느려진다.

(2) 병합 정렬 (Merge Sort) - "안정적인 모범생"

원리: 일단 무조건 반으로 쪼갭니다. 더 이상 못 쪼갤 때까지(크기가 1) 쪼갠 다음, 합치면서(Merge) 정렬한다.
장점:
- 입력 데이터가 어떻든 항상 $O(n \log n)$을 보장한다.
- 안정 정렬(Stable): 순서가 유지된다.
단점: 정렬된 데이터를 잠시 저장할 별도의 메모리 공간($O(n)$)이 반드시 필요하다. (공간 복잡도가 높음)

[핵심 비교표] 머릿속에 저장!

비교 항목	퀵 정렬 (Quick Sort)	병합 정렬 (Merge Sort)
핵심 원리	피벗 기준 분할 (Partition)	일단 반으로 쪼개고 병합
평균 시간 복잡도	$O(n \log n)$	$O(n \log n)$
최악 시간	$O(n^2)$ (피벗 최소/최대로 잡을 시)	$O(n \log n)$ (항상 보장)
메모리 (공간 복잡도)	적게 씀 ($O(\log n)$ 스택 메모리만 사용)	많이 씀 ($O(n)$ 배열 필요)
안전성	불안정 (순서 뒤집힘)	안정 (순서 유지)
적합한 상황	일반적인 배열 정렬 (메모리 제한)	Linked List 정렬 (순차 접근 유리)

암기 포인트:
- "메모리가 부족한 시스템이다?" $\rightarrow$ 퀵 정렬 (단, 최악 방지 피벗 선정 필요)
- "입력 데이터의 정렬 상태와 상관없이 일정한 속도가 필요하다?" $\rightarrow$ 병합 정렬
- "Linked List를 정렬한다?" $\rightarrow$ 병합 정렬 (임의 접근이 안 돼도 순차적으로 합치기 좋음)

1-1. 최신 기출 맛보기

문제 1. 정렬 비교

퀵 정렬(Quick Sort)과 병합 정렬(Merge Sort)에 대한 설명으로 옳지 않은 것은?

퀵 정렬은 피벗(Pivot)의 선택에 따라 성능 차이가 크게 발생할 수 있다.
병합 정렬은 연결 리스트(Linked List)를 정렬할 때 배열보다 효율적으로 구현할 수 있다.
퀵 정렬은 추가적인 메모리 공간을 많이 사용하므로, 메모리가 제한된 시스템에서는 병합 정렬이 더 선호된다.
병합 정렬은 입력 데이터의 정렬 상태와 무관하게 항상 일정한 시간 복잡도를 가진다.

(힌트) 메모리를 "누가 더 많이 먹는지(배열 공간 vs 스택 공간)"를 잘 따져보세요!

정답: 3번

완전히 반대로 설명했다. 병합 정렬은 합병 과정에서 입력 크기만큼의 추가 배열($O(n)$)이 필요하여 메모리를 많이 먹는다. 반면 퀵 정렬은 재귀 호출을 위한 스택 메모리($O(\log n)$)만 조금 쓰므로 메모리가 제한된 곳에서 유리하다.

2. 기타 정렬 알고리즘 (코드 식별 & 특수 상황용)

시험에서 코드를 보여주거나 특수한 상황을 주고 어떤 정렬인지 묻는 유형 대비용

(2) 삽입 정렬 (InsertionSort) - "이미 정렬된 데이터의 제왕"

원리: 데이터를 하나씩 뽑아서, 앞쪽의 이미 정렬된 부분 사이의 적절한 위치에 끼워 넣는다.
코드 특징: key 값을 잡고, while 문으로 나보다 큰 놈들을 뒤로 미는(Shift) 연산이 보임.

(2) 쉘 정렬 (Shell Sort) - "삽입 정렬의 업그레이드"

등장 배경: 삽입 정렬이 '역순'으로 되어 있으면 이동 횟수가 너무 많은 단점을 해결.
핵심: 일정한 간격(Gap) (예: 5, 3, 1)을 두고 띄엄띄엄 부분 리스트를 만들어 삽입 정렬을 수행함.

(3) 선택 정렬 (Selection Sort) - "최솟값 집착남"

원리: 리스트 전체를 훑어서 **가장 작은 값(Min)**을 찾아 맨 앞과 자리를 바꿈.
특징: 교환(Swap) 횟수가 가장 적음. 하지만 비교 횟수는 많아서 항상 $O(N^2)$임.

2-1. 최신 기출 맛보기

문제 1. 주어진 데이터에 알맞는 알고리즘

데이터가 100만 개 있는데, 그중 단 5개만 제자리에 있지 않고 나머지는 모두 이미 정렬되어 있다. 이 데이터를 오름차순으로 정렬할 때 가장 빠른 알고리즘은?

퀵 정렬 (Quick Sort)
병합 정렬 (Merge Sort)
선택 정렬 (Selection Sort)
삽입 정렬 (Insertion Sort)

정답: 4번

퀵, 병합 정렬은 데이터 상태와 무관하게 쪼개고 합치느라 평균 $O(N \log N)$의 시간이 걸린다.
하지만 삽입 정렬은 이미 정렬된 부분은 비교만 쓱 하고 지나가기 때문에, 이런 '거의 정렬된' 상황에서는 **$O(N)$**에 가까운 압도적인 속도를 낸다.

문제 2. 쉘 정렬

다음 배열을 쉘 정렬(Shell Sort)을 사용하여 정렬하고자 한다. 간격(Gap)을 3으로 설정하여 첫 번째 패스를 수행한 후의 중간 결과로 옳은 것은?

초기 상태:
[9, 1, 2, 5, 3, 4]

[1, 2, 3, 4, 5, 9]
[5, 3, 4, 9, 1, 2]
[5, 1, 2, 9, 3, 4]
[2, 1, 5, 3, 4, 9]

정답: 3번

간격이 3이므로 인덱스가 3만큼 떨어진 녀석끼리 짝을 지어 비교/교환
- 그룹 1 (인덱스 0, 3): 9와 5 비교 $\rightarrow$ 5가 작으므로 교환 $\rightarrow$ [5, ..., 9, ...]
- 그룹 2 (인덱스 1, 4): 1과 3 비교 $\rightarrow$ 1이 작으므로 그대로.
- 그룹 3 (인덱스 2, 5): 2와 4 비교 $\rightarrow$ 2가 작으므로 그대로.

문제3. 코드 식별 문제

다음 C언어 코드가 수행하는 정렬 알고리즘의 이름은?

for (i = 0; i < n-1; i++) {
    min_idx = i;                // 1. 일단 맨 앞을 제일 작다고 가정
    for (j = i+1; j < n; j++) {
        if (list[j] < list[min_idx]) {
            min_idx = j;        // 2. 더 작은 놈 발견하면 인덱스 갱신
        }
    }
    swap(list[i], list[min_idx]); // 3. 제일 작은 놈을 맨 앞으로 데려옴
}

삽입 정렬
선택 정렬
버블 정렬
퀵 정렬

정답: 2번

코드의 핵심은 min_idx (최솟값의 위치)를 찾는 것.
"가장 작은 값을 선택(Select)해서 맨 앞으로 보낸다" $\rightarrow$ 선택 정렬
참고: 삽입 정렬은 key 값을 들고 뒤로 미는(j--) 코드가 나온다.

3. 검색 (Searching) & 해싱 (Hashing)

데이터를 찾는 방법은 크게 '비교' 방식과 '주소 계산' 방식으로 나뉜다.

1. 이진 탐색 (Binary Search): "업-다운 게임"

조건: 반드시 데이터가 정렬되어 있어야 한다.
원리: 중간값(Middle)을 찍어서 찾으려는 값보다 크면 왼쪽, 작으면 오른쪽만 본다. (한 번 비교할 때마다 후보가 절반으로 줄어듦)
시간 복잡도: $O(\log n)$ (순차 탐색보다 빠름)
최대 비교 횟수: $\lfloor \log_2 n \rfloor + 1$ (공식 중요!)

2. 해싱 (Hashing): "주소로 바로 찾아가기"

개념: Key를 해시 함수에 넣으면 주소(Index)가 즉시 나온다.
시간 복잡도: 이상적인 경우 $O(1)$ (단 한 방에 찾음!)
문제점: 서로 다른 키가 같은 주소를 가리키는 충돌(Collision) 발생.
[심화 ] 충돌(Collision) 해결 기법:
1. 개방 주소법 (Open Addressing): 빈방을 찾아서 떠도는 방식이다. 별도의 메모리가 필요 없다.
  1. 선형 조사법 (Linear Probing):
    - 충돌 나면? 바로 옆 칸($+1$) 을 본다. 또 차 있으면? 그 옆 칸($+2$)...
    - 문제점: 한 곳에 데이터가 뭉치는 군집화(Clustering) 현상이 생겨 성능 저하 발생. ($O(1) \to O(n)$)
  2. 이중 해싱 (Double Hashing):
    - - 충돌 나면? 다른 해시 함수를 한 번 더 돌려서 점프할 보폭을 정한다.
      - 규칙적이지 않게 띄엄띄엄 저장해서 군집화 방지.
      - $h(k, i) = (h_1(k) + i \times h_2(k)) \pmod M$
      - 첫 번째 해시($h_1$)로 주소를 잡고, 충돌 시 두 번째 해시($h_2$) 결과만큼 보폭(Jump)을 주어 이동함.
2. 체이닝 (Chaining):
  - 충돌 나면? 해당 칸에 연결 리스트(Linked List)를 달아서 줄줄이 매달아 버린다.
  - 테이블이 꽉 차도 계속 데이터를 넣을 수 있지만, 추가 메모리가 든다.

3-1. 최신 기출 맛보기

문제 1. 해싱 주소 계산

크기가 11인 해시 테이블(인덱스 0~10)이 있다.

해시 함수 $h(k) = k \pmod 11$ 을 사용하고, 충돌 시 선형 조사법(Linear Probing)으로 해결한다.

데이터 [12, 25, 45, 14]가 순서대로 들어올 때, 14가 저장될 인덱스는?

(힌트) 순서로 빈 방을 찾아보자

정답: 2번

12: $12 \% 11 = 1$ → [1번 인덱스] 저장
25: $25 \% 11 = 3$ → [3번 인덱스] 저장
45: $45 \% 11 = 1$ → (1번 꽉 참, 충돌!) → 옆 칸(2번) 확인 → [2번 인덱스] 저장
14: $14 \% 11 = 3$ → (3번 꽉 참, 충돌!) → 옆 칸(4번) 확인 → [4번 인덱스] 저장

4. [심화] 문자열 매칭 (String Matching)

긴 글($T$)에서 특정 단어($P$)를 찾는 특수 알고리즘이다. 이름과 특징만 매칭해도 문제를 풀 수 있다.

(1) 브루트 포스 (Brute Force)

무식하게 한 칸씩 비교. 틀리면 한 칸 이동해서 처음부터 다시.
시간 복잡도: $O(MN)$ (매우 느림)

(2) KMP 알고리즘 (Knuth-Morris-Pratt)

글자가 틀렸을 때, "어디까지 맞았는지 아니까, 접두사/접미사 일치 길이만큼 점프하자!"
핵심 키워드: 실패 함수 ($\pi$(pi) 배열: 일치하는 길이 미리 계산), Backtracking 없음.
시간 복잡도 : $O(N+M)$ (검색할 문자열 길이 + 패턴 길이). 뒤로 돌아가지 않음(Backtracking X).

(3) 라빈-카프 (Rabin-Karp)

문자열을 숫자(해시값)로 변환해서 비교.
핵심 키워드: 롤링 해시 (Rolling Hash) - 창문을 밀듯이 이전 값에 맨 앞 값 빼고 맨 뒤 값 더해서 해시 갱신.
시간 복잡도 : 평균 $O(N+M)$, 최악 $O(MN)$ (해시 충돌 시).

(4) 보이어-무어 알고리즘 (Boyer-Moore)

패턴의 오른쪽 끝에서 왼쪽으로 비교한다. (KMP와 반대 방향!)
원리: 글자가 틀렸을 때, 패턴에 아예 없는 글자라면 패턴 길이만큼 통째로 건너뜀(Skip).
시간 복잡도 : 일반적인 상용 프로그램(문서 편집기 찾기 기능)에서 가장 많이 쓰임. 최선의 경우 $O(N/M)$으로 패턴이 길수록 오히려 빨라짐.

(5) 트라이 (Trie) - "문자열 검색 전용 트리"

문자열 집합을 저장하고 빠르게 검색하기 위한 트리(Tree) 자료구조.
구조: 루트에서부터 글자 하나씩 링크를 따라 내려가는 구조. (예: 자동 완성 기능)
시간 복잡도: 찾으려는 문자열의 길이가 $L$일 때, $O(L)$.
- 중요: 데이터가 100만 개가 있어도, 단어 길이($L$)만큼만 가면 찾음. 데이터 개수($N$)와 무관하게 빠름.

더 많은 정렬과 탐색 관련 문제를 풀어보고 싶다면?

제미나이가 만든 퀴즈 풀어보기 https://gemini.google.com/share/3a1d980cc779

[제미나이 퀴즈 오답노트]

[6번 문제]

실패 함수(Failure Function)의 정의:

패턴 내에서 "접두사(Prefix)와 접미사(Suffix)가 일치하는 최대 길이"를 저장한다.
왜? 매칭에 실패했을 때, "앞부분 이만큼은 똑같으니까 다시 비교하지 말고 건너뛰자!"라고 점프할 위치를 알려주기 때문에.
실전 계산: ABABAC의 $\pi$ 배열 구하기
1. A (길이 1): 접두/접미사 없음 $\to$ 0
2. AB (길이 2): A $\neq$ B $\to$ 0
3. ABA (길이 3): 앞의 A == 뒤의 A $\to$ 1
4. ABAB (길이 4): 앞의 AB == 뒤의 AB $\to$ 2
5. ABABA (길이 5): 앞의 ABA == 뒤의 ABA $\to$ 3
6. ABABAC (길이 6): 앞의 ABABA... 뒤가 C라 안 맞음 $\to$ 0
글자를 하나씩 늘려가며 (접두사 == 접미사)가 되는 가장 긴 길이를 찾는다.

[7번 문제] 공간 복잡도가 가장 큰 정렬 알고리즘은?

퀵 정렬: 재귀 호출을 위한 스택 메모리만 필요 $\rightarrow$ $O(\log n)$
힙 정렬: 배열 안에서 자리만 바꿈 (In-place) $\rightarrow$ $O(1)$
선택 정렬: 변수 하나(temp)만 있으면 됨 $\rightarrow$ $O(1)$
병합 정렬 (Merge Sort): (정답)
- 두 리스트를 합칠 때, 데이터를 잠시 옮겨 담을 입력 크기만한 임시 배열(List)이 반드시 필요하다.
- 공간 복잡도: $O(n)$ (가장 많이 씀)

한번 더 퀵 정렬과 병합 정렬 비교하고 넘어가기!

퀵 정렬 vs 병합 정렬 (결정적 차이)

관련 문제: 1번, 4번, 7번

"둘 다 $O(n \log n)$인데 뭐가 달라요?"라고 묻는다면 아래 3가지를 대답해야 한다.

안정성 (Stability):
- 병합(Merge): 안정. 합칠 때(Merge) 앞의 리스트에 있는 값을 먼저 넣으면 순서가 유지.
- 퀵(Quick): 불안정. 피벗을 기준으로 휙휙 교환(Swap)하다 보면 원래 순서가 뒤집힘.
메모리 (Space Complexity):
- 병합(Merge): 합칠 때 데이터를 잠시 둘 입력 크기만한 임시 배열($O(n)$)이 무조건 필요. (공간 낭비 큼)
- 퀵(Quick): 추가 배열 없이 재귀 호출을 위한 스택 공간($O(\log n)$)만 있으면 됨. (제자리 정렬)
최악의 경우 (Worst Case):
- 퀵(Quick): 이미 정렬된 데이터에서 피벗을 최소/최대로 잡으면 $O(n^2)$이 됨. (분할이 1개, N-1개로 됨)
- 병합(Merge): 데이터가 정렬돼 있든 말든 무조건 반으로 쪼개므로 항상 $O(n \log n)$.

[8번 문제] 시간 복잡도가 $O(N+M)$인 알고리즘은?

브루트 포스: 본문($N$)의 모든 위치에서 패턴($M$)을 비교 $\rightarrow$ $O(NM)$ (느림)
이진 탐색: 정렬된 숫자를 찾는 것 $\rightarrow$ $O(\log n)$ (문자열 매칭 아님)
버블 정렬: 인접한 두 원소를 비교해서 자리를 바꿈 $\rightarrow$ $O(n^2)$
KMP 알고리즘: (정답)
- 본문은 뒤로 돌아가지 않고 쭉 훑음 ($N$)
- 패턴은 미리 실패 함수를 계산해둠 ($M$)
- 둘을 합쳐 $O(N+M)$이라는 환상적인 속도를 냄.

[9번 문제] 비교 정렬의 한계 (Lower Bound)

"왜 정렬은 $O(n \log n)$보다 빨라질 수 없나요?"
두 수를 비교(Yes/No)해서 순서를 정하는 방식(비교 기반 정렬)은 수학적으로 의사 결정 트리(Decision Tree)의 높이만큼 시간이 걸림.
이 트리의 최소 높이가 $\log(n!)$이며, 이는 약 $n \log n$에 해당.
(참고: 비교하지 않는 '기수 정렬(Radix Sort)' 등은 $O(n)$이 가능하지만, 특수한 경우에만 사용.)

[10번 문제] 이진 탐색(Binary Search)에 가장 적합한 자료구조는?

"업-다운 게임"을 생각하면 사회자가 "가운데 숫자를 봐!"라고 했을 때, 즉시($O(1)$) 볼 수 있어야 함.

정렬된 배열 (Sorted Array): arr[mid]로 한 방에 접근 가능. $\rightarrow$ 최적 ($O(\log n)$ 유지)
정렬된 연결 리스트 (Sorted Linked List):
- 가운데를 보려면? "첫 번째 노드야, 다음, 다음, 다음..." 하고 절반을 걸어가야 함.
- 중간 가는 데만 $O(n)$이 걸리므로, 이진 탐색의 의미가 사라짐. (결국 $O(n)$ 됨)

결론: 이진 탐색은 반드시 '인덱스로 접근 가능한(Random Access)' 배열에서만 쓴다.

다음 포스팅에서는 트리와 힙에 대해 정리해 보겠다.

[전산직(데이터) 공무원 대비] 알고리즘 기초부터 파헤치기 2

코딩하는 앤지 — Sat, 17 Jan 2026 22:47:30 +0900

본격적인 알고리즘(정렬, 탐색 등)으로 들어가기 전에, 이미 알고 있겠지만 살짝 훑어보는 느낌으로 선형 자료구조를 정리하고 넘어가려 한다. (비선형 자료구조는 뒤에 정리)

시험에는 "이 상황에서 어떤 자료구조를 쓰는 게 효율적인가?"를 묻거나, 스택/큐의 연산 순서를 추적하는 문제가 출제된다.

1. 선형 자료구조 (배열 vs 연결 리스트)

자료구조의 가장 기본인 배열(Array)과 연결 리스트(Linked List)를 비교해보자.

핵심 이론: 한 눈에 비교

특징	배열 (Array)	연결 리스트 (Linked List)
메모리 구조	연속된 공간에 할당 (밀집)	흩어진 공간을 포인터로 연결 (분산)
메모리 효율	공간 낭비 적음 (데이터만 저장)	공간 낭비 있음 (포인터 별도 저장 공간 필요)
접근 속도	$O(1)$ (인덱스로 즉시 접근)	$O(n)$ (첫 노드부터 순차 탐색)
삽입/삭제	$O(n)$ (데이터를 밀거나 당겨야 함)	$O(1)$ (링크만 끊고 연결하면 됨, 위치 아는 경우)
크기	고정적 (생성 후 변경 불가)	동적 (필요할 때마다 늘림)
활용	데이터 조회가 많고 데이 크기가 고정될 때	데이터 삽입/삭제가 빈번할 때

1-1. 최신 기출 맛보기

문제 1. 선형 자료구조 비교

단일 연결 리스트(Singly Linked List)와 비교할 때, 배열(Array)의 장점에 해당하는 것만 모두 고른 것은?

ㄱ. $i$번째 원소에 접근하는 시간이 빠르다.

ㄴ. 원소의 삽입과 삭제가 번거롭지 않고 빠르다.

ㄷ. 연속된 메모리 공간을 사용하므로 공간 지역성(Locality)이 좋다.

ㄹ. 메모리를 동적으로 할당하여 낭비가 없다.

ㄱ, ㄷ
ㄱ, ㄹ
ㄴ, ㄷ
ㄴ, ㄹ

정답: 1번

ㄱ (O): 배열은 인덱스를 알면 $O(1)$만에 즉시 접근(Random Access) 가능
ㄷ (O): 메모리 상에 데이터가 붙어 있어 캐시 적중률(Cache Hit Ratio)이 높음 (공간 지역성)
ㄴ (X): 배열 중간에 삽입/삭제하려면 뒤의 데이터를 모두 밀거나 당겨야 해서 $O(n)$이 걸림 (연결 리스트가 $O(1)$로 유리)
ㄹ (X): 배열은 선언 시 크기가 고정되는 '정적 할당' (꽉 차면 더 못 넣음) 반면, 연결리스트는 '동적 할당' (필요할 때 생성하기 때문에 메모리 낭비 적음)

2. 선형 자료구조의: 응용 스택(Stack)과 큐(Queue)

데이터의 입출력 순서나 포인터(Top, Front, Rear)의 이동을 묻는 문제가 주로 나온다.

(1) 스택 (Stack): LIFO (Last-In, First-Out)

개념: "나중에 들어간 놈이 먼저 나온다." (후입선출)
비유: 프링글스 통, 쌓여있는 종이컵
구조: 한쪽 끝(Top)에서만 삽입과 삭제 발생
핵심 연산 ($O(1)$):
- Push(x): Top 위에 데이터 쌓기
- Pop(): Top에 있는 데이터 꺼내기
활용:
- 재귀 함수(Recursion)의 호출 관리
- 웹 브라우저 '뒤로 가기'
- 괄호 검사 (()()) (짝 맞추기)
- 후위 표기식(Postfix) 계산
주의: 꽉 찼는데 더 넣으면 Overflow, 비었는데 꺼내면 Underflow.

(2) 큐 (Queue): FIFO (First-In, First-Out)

개념: "먼저 들어간 놈이 먼저 나온다." (선입선출)
비유: 식당 대기 줄, 프린터 인쇄 대기열
구조: 뒤(Rear)로 들어와서 앞(Front)으로 나갑니다.
핵심 연산 ($O(1)$):
- Enqueue(x): 줄 맨 뒤에 세움 ($\text{Rear} = \text{Rear} + 1$)
- Dequeue(): 줄 맨 앞 사람을 내보냄 ($\text{Front} = \text{Front} + 1$)

활용:
- 운영체제의 프로세스 스케줄링
- BFS (너비 우선 탐색) 알고리즘
- 버퍼(Buffer)

(3) 원형 큐 (Circular Queue)

공무원 시험에 나오는 큐는 90%가 '원형 큐'라고 한다.

선형 큐는 데이터를 꺼내면 앞쪽 공간이 비어서 낭비되는데, 이를 해결하기 위해 배열의 끝과 시작을 이어 붙인 형태이다.

인덱스 계산 공식 (암기 필수!)
- 초기 상태: Front = Rear = 0
- 인덱스 계산: 다음 위치 = (현재위치 + 1) % 배열크기 (나머지 연산 MOD 사용)
- 데이터 삽입 (Enqueue): Rear = (Rear + 1) % N 하고 저장
- 데이터 삭제 (Dequeue): Front = (Front + 1) % N 하고 삭제
- 포화(Full) 상태: (Rear + 1) % size == Front
- 공백(Empty) 상태: Front == Rear

2-1. 최신 기출 맛보기

문제 1. 스택과 큐 동작

크기가 충분한 스택(S)과 큐(Q)가 있다. 다음 연산을 순서대로 수행했을 때, 최종적으로 출력되는 값의 순서는?

1. S.push(A)
2. S.push(B)
3. Q.enqueue(C)
4. Q.enqueue(D)
5. S.pop() -> 출력
6. Q.enqueue(S.pop())
7. Q.dequeue() -> 출력
8. Q.dequeue() -> 출력

B, C, A
B, C, D
A, C, D
B, D, A

정답: 2번

4번까지의 스택과 큐 상태: S: [A, B] / Q: [C, D]
5번: S.pop() → B 출력 (S: [A])
6번: S.pop() → A 반환, Q에 삽입 → S: [] / Q: [C, D, A]
7번: Q.deq() → C 출력 (Q: [D, A])
8번: Q.deq() → D 출력 (Q: [A])

문제 2. 원형 큐 인덱스 계산

크기가 5인 배열 Q[0...4]를 사용하는 원형 큐가 있다. 초기에 Front = 0, Rear = 0인 상태에서 다음 연산을 수행했을 때, 최종적인 Front와 Rear의 값은?

연산 순서:

Enqueue(A)

Enqueue(B)

Dequeue()

Enqueue(C)

Enqueue(D)

Dequeue()

Enqueue(E)

Front: 1, Rear: 3
Front: 2, Rear: 0
Front: 2, Rear: 4
Front: 3, Rear: 1

(힌트) 배열 크기가 5이므로 인덱스는 4를 넘어가면 다시 0이 된다.

정답: 2번

초기 상태: F=0, R=0
Enq(A): R이 1 증가 $\rightarrow$ R=1
Enq(B): R이 1 증가 $\rightarrow$ R=2
Deq(): F가 1 증가 $\rightarrow$ F=1 (A 삭제)
Enq(C): R이 1 증가 $\rightarrow$ R=3
Enq(D): R이 1 증가 $\rightarrow$ R=4 (배열 끝 도달!)
Deq(): F가 1 증가 $\rightarrow$ F=2 (B 삭제)
Enq(E): R이 1 증가해야 하는데, (4 + 1) % 5 = 0이 되므로 $\rightarrow$ R=0 (뱅글 돌아감)

$\therefore$ 최종 결과: Front: 2, Rear: 0

[나의 오답노트]

R은 항상 다음 값이 들어올 자리에 가있다는 것을 잊지 말기!

새로운 값을 입력하고 옆자리로 R이 이동하는 것까지 마무리해야 한다.

문제 3. 수식 표기법 변환 (중위 -> 후위)

다음 중위 표기식을 후위 표기식으로 바르게 변환한 것은?

$$A * (B + C) - D$$

$A B C + * D -$
$A B + C * D -$
$A B C * + D -$
$A * B C + D -$

(힌트) 우선순위: 괄호 > 곱셈/나눗셈 > 덧셈/뺄셈. 스택에는 연산자가 들어가고, 피연산자는 바로 출력한다.

정답: 1번

$A * (B + C) - D$의 변환 과정 추적
우선순위: 괄호 > * > + , -

읽은 문자	스택 상태 (Top은 오른쪽)	출력(결과)	설명
A		A	피연산자는 바로 출력
*	*	A	스택이 비었으니 Push
(	* (	A	괄호 시작은 무조건 Push
B	* (	A B	피연산자 출력
+	* ( +	A B	괄호 안에서 + Push
C	* ( +	A B C	피연산자 출력
)	*	A B C +	괄호 끝! ( 만날 때까지 팝(Pop)
-	-	A B C + *	-가 들어가려는데, *Top()이 더 셈.** 강한 놈(*) 먼저 내보내고(Pop) 입장.
D	-	A B C + * D	피연산자 출력
끝		*A B C + D -**	남은 - 팝

다음 포스팅에서는 정렬(Sorting)과 검색(Searching)을 정리해 보겠다.

[전산직(데이터) 공무원 대비] 알고리즘 기초부터 파헤치기 1

코딩하는 앤지 — Sat, 17 Jan 2026 22:35:57 +0900

전공자에게도 익숙하지만, 막상 시험 문제로 마주하면 헷갈리고 자꾸 잊어버리는 게 바로 '기초'인 것 같다.

오늘부터 공무원 시험(전산직)을 준비하면서 기초를 탄탄하게 다시 정리해 보는 시간을 가지려 한다.

빠르게 제미나이의 도움을 받아 이론을 요약하고, 기초부터 심화 문제까지 풀어보며

이론을 머리 속에 콕 박아놓고 시험장까지 가져가자.

오늘은 그 첫 번째 순서, 알고리즘의 기초 중의 기초인 '알고리즘 분석(Algorithm Analysis)'이다.

실제 시험에서는 코드를 보고 실행 시간을 예측하거나, 점근적 표기법의 수학적 정의를 묻는 문제로 출제된다.

1. 알고리즘 특성

(1) 알고리즘의 5대 특성 (암기)

입력(Input): 0개 이상의 외부 입력이 있어야 함. (꼭 1개 이상일 필요 없음, 0개여도 됨!)
출력 (Output): 적어도 1개 이상의 결과가 나와야 함.
명확성 (Definiteness): 각 명령어는 모호하지 않고 명확해야 함.
유한성 (Finiteness): 한정된 단계를 거친 후에는 반드시 종료해야 함. (무한 루프는 알고리즘이 아님)
유효성 (Effectiveness): 모든 명령은 실행 가능해야 함.

(2) 알고리즘 기술 방법

순서도(Flowchart), 의사 코드(Pseudo-code), 자연어 등은 사용 가능.
주의: 추상 데이터 타입(Abstract Data Type)은 데이터의 '구조와 연산'을 정의하는 논리적 개념이지, 알고리즘(문제 해결 절차)을 기술하는 방법이 아닙니다.

2. 알고리즘 분석 (Time Complexity)

알고리즘의 성능은 단순한 '실행 시간(초, sec)'이 아니다.

입력 크기($n$)가 커질 때 연산 횟수가 어떻게 증가하는가를 측정하는 것이 핵심이다.

(1) 점근적 표기법 (Asymptotic Notation) - 3대장

시험에 단골로 등장하는 3가지 표기법의 정의와 의미를 정확히 구분해야 한다.

빅오 표기법 ($O$, Big-O): 최악의 경우 (상한선)
- 실무와 시험에서 가장 많이 사용
- 정의: $n \ge n_0$인 모든 $n$에 대해 $f(n) \le c \cdot g(n)$을 만족하는 양의 상수 $c, n_0$가 존재하면 $f(n) = O(g(n))$이다.
- 의미: "아무리 운이 나빠도, 즉 최악의 경우라도 $g(n)$ 정도의 속도는 보장한다." ($\le$)
빅오메가 표기법 ($\Omega$, Big-Omega): 최선의 경우 (하한선)
- 정의: $f(n) \ge c \cdot g(n)$
- 의미: "아무리 운이 좋아도, 최소한 $g(n)$ 시간은 걸린다." ($\ge$)
빅세타 표기법 ($\Theta$, Big-Theta): 평균 (정확한 구간, 동일 차수)
- 정의: $c_1 \cdot g(n) \le f(n) \le c_2 \cdot g(n)$
- 의미: $f(n)$이 $g(n)$과 동일한 증가율을 보인다. (상한과 하한이 맞물릴 때)

(2) 시간 복잡도 계산 요령 (시험용 Speed Up)

복잡한 수식이 나와도 당황하지 말자. 다음 3가지 규칙만 기억하면 문제의 90%는 풀린다.

최고차항만 남긴다: $3n^2 + 100n + 5 \rightarrow$ $O(n^2)$
계수(상수)는 무시한다: $O(2n) \rightarrow$ $O(n)$
로그의 밑은 무시한다: $log_2 n$이든 $log_{10} n$이든 그냥 $O(\log n)$으로 통일.

(3) 반드시 암기해야 할 성능 순서 (빠름 $\rightarrow$ 느림)

시험 직전 1초 컷을 위해 이 순서는 머리에 콕 박아두자.

$$O(1) < O(\log n) < O(n) < O(n \log n) < O(n^2) < O(n^3) < O(2^n) < O(n!)$$

표기	대표 예시	비고
$O(1)$	배열 인덱스 접근, 스택 Push/Pop	상수 시간 (즉시)
$O(\log n)$	이진 탐색 (Binary Search)	반씩 쪼개기
$O(n)$	for문 1개 (순차 탐색)	선형 시간
$O(n \log n)$	퀵, 병합, 힙 정렬	고급 정렬 알고리즘
$O(n^2)$	이중 for문, 버블/삽입/선택 정렬	제곱 시간
$O(2^n)$	피보나치(재귀), 하노이 탑	지수 시간 (비효울의 끝판왕

(4) [비교 심화] 재귀 vs 반복 (피보나치 수열)

같은 문제라도 구현 방식에 따라 천지 차이가 난다.

단순 재귀 (Naive Recursion): $O(2^n)$
- 동일한 하위 문제를 끊임없이 중복 호출함. ($fib(3)$을 구하기 위해 $fib(2)$를 또 계산...)
반복문 / 동적계획법 (DP): $O(n)$
- 계산한 값을 배열에 저장(Memoization)하거나, for문을 사용하여 중복을 제거함. 성능이 대폭 개선됨.

3. 복잡도 종류 (Complexity Classes: P vs NP)

(1) 핵심 정의

P (Polynomial): 다항 시간($O(n^k)$) 내에 해를 '구할(Solve)' 수 있는 문제. (쉬운 문제)
- 예: 정렬, 검색, 최단 경로(다익스트라)
NP (Non-deterministic Polynomial): 다항 시간 내에 주어진 해가 맞는지 '검증(Verify)'할 수 있는 문제.
- 주의: '못 푸는 문제'가 아님! 답을 찍어서 주면 확인은 빨리 할 수 있다는 뜻.
NP-Complete (NP-완전): NP 중에서 가장 어려운 문제들.
- 모든 NP 문제는 다항 시간 내에 NP-완전 문제로 환원(Reduction) 가능하다.
NP-Hard (NP-하드): NP-완전보다 같거나 더 어려운 문제. (NP에 포함될 수도, 안 될 수도 있음)

(2) 포함 관계 (벤 다이어그램 암기)

$P \subseteq NP$ (P는 NP의 부분집합이다)
$NP\text{-Complete} = NP \cap NP\text{-Hard}$ (교집합)

(3) [심화] 대표적인 NP-Complete 문제 (암기)

시험에서 "다음 중 성격이 다른 문제는?" 하고 P 문제들 사이에 끼워 냅니다.

TSP (Traveling Salesperson Problem, 외판원 순회 문제)
- 여러 도시와 각 도시간 이동 비용이 주어졌을 때, 모든 도시를 한 번씩 방문하고 돌아오는 최단 경로 찾기. ($O(n!)$)
- 최적해(가장 짧은 거리)를 구하는 문제는 NP-하드 문제이고,
  거리 K이하인 경로가 있는가?라고 묻는 문제는 NP-완전 문제다.
SAT (Boolean Satisfiability Problem, 충족 가능성 문제)
- 논리식을 True로 만드는 변수 조합 찾기. (최초의 NP-Complete 문제, 쿡의 정리로 증명됨)
- 모든 NP 문제는 이 SAT 문제로 환원(변형)될 수 있다.
Knapsack (배낭 문제): 가방 무게 제한 내에서 가치 최대화하기. (0/1 배낭 문제)
Hamiltonian Cycle: 그래프의 모든 정점을 한 번씩 방문하는 경로 찾기.
반면, '최단 경로', '최소 신장 트리(MST)', '정렬'은 P 문제임.

4. 실전 코드 분석 (기출 패턴)

단순한 for문은 누구나 푼다. 가장 많이 실수하는 함정 유형 2가지를 정리했다.

Case A: 반복문 변수가 배수로 증가할 때 ($+1$이 아님)

// i가 1부터 시작해서 2배씩 커짐 (1, 2, 4, 8 ...)
for (int i = 1; i < n; i = i * 2) {
    sum++;
}

분석: $i$가 $1, 2, 4, 8, \dots, 2^k$ 형태로 증가하여 $n$에 도달한다.
계산: $2^k \approx n$ 이므로, 횟수 $k \approx \log_2 n$이다.
더보기
정답: $O(\log n)$

Case B: 종속적인 이중 반복문

for (int i = 0; i < n; i++) {
    for (int j = 0; j < i; j++) { // j가 n이 아니라 i까지 반복
        sum++;
    }
}

분석: 바깥 루프는 $0$부터 $n-1$까지, 안쪽 루프는 $i$번($0, 1, 2, \dots, n-1$) 실행된다.
계산: 총 횟수는 $1 + 2 + \dots + (n-1) = \frac{n(n-1)}{2}$ (등차수열의 합)
더보기
정답: $O(n^2)$ (최고차항 기준)

5. 최신 기출 맛보기

문제 1. 점근적 표기법의 정의

다음 설명의 (가), (나)에 들어갈 내용은?

"모든 $n \ge n_0$에 대해 $0 \le c_1 g(n) \le f(n) \le c_2 g(n)$을 만족하는 양의 상수가 존재하면, $f(n) = ( \text{가} )$이다. 이를 $( \text{나} )$ 표기법이라 한다."

(가) $\Theta(g(n))$ (나) 빅세타
(가) $O(g(n))$ (나) 빅오
(가) $\Omega(g(n))$ (나) 빅오메가
(가) $o(g(n))$ (나) 리틀오

정답: 1번

$c_1 g(n)$(하한)과 $c_2 g(n)$(상한) 사이에 끼어있는 '샌드위치($\le f(n) \le$)' 형태는 빅세타($\Theta$)의 정의이다.

문제 2. 재귀 함수의 시간 복잡도 (하노이 탑)

다음 하노이 탑(Tower of Hanoi) 알고리즘의 시간 복잡도는? (원판 개수: $n$)

void hanoi(int n, char from, char to, char aux) {
    if (n == 1) { move(from, to); return; }
    hanoi(n - 1, from, aux, to);
    move(from, to);
    hanoi(n - 1, aux, to, from);
}

$O(\log n)$
$O(n)$
$O(n \log n)$
$O(2^n)$

정답: 4번

하노이 탑은 대표적인 지수 시간(Exponential Time) 알고리즘이다.

점화식: $T(n) = 2T(n-1) + 1$ (원판 $n$개를 옮기려면, $n-1$개를 2번 옮겨야 함)
결과: $2^n - 1$회 이동 $\rightarrow$ $O(2^n)$
[오답 노트] 병합 정렬과 헷갈리지 말 것! (또 틀림..)
- 병합 정렬: $T(n) = 2T(n/2) + n$ $\rightarrow$ 문제를 절반($n/2$)으로 쪼갬 $\rightarrow$ $O(n \log n)$
- 하노이 탑: $T(n) = 2T(n-1) + 1$ $\rightarrow$ 문제를 하나($n-1$)만 줄여서 2번 호출 $\rightarrow$ $O(2^n)$
- (절반으로 줄어드는 것과 하나씩 줄어드는 것은 천지 차이다!)

[특별 보충] 점화식 완전 정복 (마스터 정리)

심화 문제를 위해 재귀 알고리즘 시간 복잡도 $T(n)$을 구하는 3가지 패턴을 정리했다. 이것만 알면 복잡한 점화식도 3초 만에 풀 수 있다.

1. 마스터 정리 (Master Theorem)

형태: $T(n) = aT(n/b) + f(n)$
- 문제를 $b$등분 하고, $a$번 호출하며, 합치는 비용이 $f(n)$일 때
비교: $\bf n^{\log_b a}$ (재귀 비용) vs $\bf f(n)$ (병합 비용)

Case	상황	시간 복잡도	예시
Case 1	재귀 비용이 클 때 ($>$)	$O(n^{\log_b a})$	$T(n) = 4T(n/2) + n \rightarrow O(n^2)$
Case 2	둘이 비등할 때 ($=$)	$O(n^{\log_b a} \log n)$	$T(n) = 2T(n/2) + n \rightarrow O(n \log n)$
Case 3	병합 비용이 클 때 ($<$)	$O(f(n))$	$T(n) = T(n/2) + n^2 \rightarrow O(n^2)$

2. 감소하는 점화식 (Decrease & Conquer)

형태: $T(n) = T(n-1) + C$
매번 1씩 줄어들면서 반복 $\rightarrow$ $O(n)$
예: $T(n) = T(n-1) + n \rightarrow O(n^2)$ (1부터 $n$까지의 합)

3. 지수적 증가

형태: $T(n) = 2T(n-1) + 1$
문제가 줄지 않고 2배로 증식 $\rightarrow$ $O(2^n)$ (하노이 탑, 피보나치)

더 많은 문제를 풀어보고 싶다면?

제미나이가 만든 점화식 집중 훈련 퀴즈 풀어보기 https://gemini.google.com/share/6e71fbe6b0f5

다음 포스팅에서는 배열(Array)과 연결 리스트(Linked List), 스택(Stack)과 큐(Queue)를 정리해 보겠다.

[Discord] 디스코드 설치하기 (Windows)

코딩하는 앤지 — Tue, 2 Sep 2025 21:07:54 +0900

오늘은 온라인 소통의 필수 어플로 자리잡은 디스코드를 설치하는 방법을 소개하려고 한다.

1. 공식 웹사이트 접속

Download Discord to Talk, Play, and Hang Out

Download Discord to talk, play, and hang out with friends over voice, video, or text. Available for Windows, macOS, Linux, iOS, Android devices, and consoles.

discord.com

2. Download for Windows 선택

3. 설치 파일 실행

DiscordSetup.exe 파일을 실행하면 자동으로 설치가 진행되고 따로 설정이 필요없다.

4. 설치 완료

설치가 완료되면 자동으로 어플이 열리고 로그인하여 사용하면 된다.

[Git] Git 설치하기 (Windows)

코딩하는 앤지 — Tue, 26 Aug 2025 02:56:10 +0900

개발자에게 없어서는 안 될 버전 관리 도구인 Git을 설치하는 과정을 설명하려고 한다.

1. Git 설치 파일 다운로드

공식 웹사이트에 접속하여 Download for Windows를 클릭한다.

Download for Windows 클릭

Windows x64의 최신 버전 Git을 다운 받으려면 Click here to download를 클릭한다.

click here to download 클릭

2. 설치 마법사 실행

설치 중에는 다양한 옵션을 설정할 수 있는데, 대체로 기본 설정으로 두고 시작하면 된다.

Open Git Bash here: 폴더에서 우클릭시 Git bash가 해당 위치에서 바로 실행되도록 함
Open Git GUI here: 우클릭 메뉴에 GUI 추가
바로가기 아이콘을 추가하고 싶다면 Additional icons > In the Desktop을 체크해도 좋다.
위 두 가지는 편리성을 높여주는 옵션이어서 하면 좋지만 GUI를 사용안한다면 제외해도 무방하다.

Git에서 사용할 기본 텍스트 에디터를 선택하는 옵션인데 본인에게 편한 에디터를 선택하면 된다.
예를 들어, Visual Studio Code를 사용하고 있다면 해당 옵션을 선택할 수 있다.
나중에 변경 가능하니 그대로 Vim을 선택해도 상관없다.

git init으로 생성하는 모든 새 저장소의 초기 브랜치 이름을 선택하는 옵션이다.
최근에는 main을 기본 브랜치로 사용하는 추세임으로 main으로 설정하면 좋다.
하지만 팀이나 프로젝트의 규칙이 있다면 알맞게 초기 브랜치 이름을 설정할 수 있다. (추후 변경 가능)

두 번째 옵션이 가장 일반적이며 호환성이 좋다.
1. Git Bash에서만 Git 명령어 사용 가능
2. CMD, PowerShell, VSCode 등에서도 Git 명령어 사용 가능
3. Git과 Unix 명령어도 CMD에서 사용 가능 (충돌 가능성 있음)

특별한 설정이 없다면 기본값인 OpenSSH를 사용하는 것이 안전하고, OpenSSL을 사용하는 것이 GitHub와 호환성이 좋다.

협업시 줄바꿈 문제를 줄이려면 첫 번째 옵션이 가장 안전하다.

MinTTY는 리눅스와 유사한 터미널을 제공하고, 복사 붙여넣기나 글꼴 설정에 더 유리하다.

로그인 정보를 저장하고 자동 인증을 바로 할 수 있도록 설정하면 원격 저장소 인증이 편리해진다.

첫 번째 옵션은 성능을 향상시켜주기 때문에 체크하는 것이 좋고, 심볼릭 링크는 필요할 때만 체크한다.

설치 완료

3. 설치 확인

설치가 완료된 후에 Git Bash 또는 CMD에서 아래 명령어로 설치 여부를 확인한다.

git --version

정상적으로 버전이 출력되면 설치가 제대로 된 것이다.

git version 2.51.0.windows.1

[Windows] 윈도우11에서 사용자 폴더 이름 변경하기

코딩하는 앤지 — Mon, 25 Aug 2025 07:02:01 +0900

Windows에서 사용자 계정을 설정하다 보면, 사용자 폴더 이름이 마음에 들지 않거나 잘못 설정되는 경우가 있다.

이럴 때 폴더 명을 바꾸기 위해서는 새 계정을 만들고 파일을 옮기는 방법과 레지스트리 편집 방법을 사용할 수 있다.

여기서는 두 가지 방법을 다 소개하지만 강력하게 새 계정을 만드는 것을 추천한다.

1. 새 계정 생성 후 파일 옮기기

가장 안정적인 방법으로, 시스템 오류 없이 폴더명을 원하는 대로 설정할 수 있다.

1. 새 계정 생성

설정에 들어가 계정탭의 다른 사용자를 선택한다.

계정 추가를 선택한다.

계정을 생성할 때는 Microsoft 계정을 사용하지 않고 계정을 추가한다.

이 사람의 로그인 정보를 가지고 있지 않습니다를 선택

자세한 정보를 확인하고 동의를 선택

Microsoft 계정 없이 사용자 추가 선택

원하는 사용자 이름을 작성하고 다음을 선택

새롭게 계정이 생성되었다면 관리자 자격을 부여한다.

v 표시를 누르고 계정 유형 변경 선택

계정 유형을 관리자로 변경 후 확인

2. 새 계정 설정

새 계정으로 로그인하여 초기 설정을 완료한다.

3. 기존 파일 옮기기

이전 계정에서 필요한 파일을 새 계정의 사용자 폴더로 복사하거나 이동시킨다.

4. 필요에 따라 기존 계정 삭제

기존 계정은 꼭 삭제할 필요는 없지만 데이터를 모두 이동시켰다면 삭제해도 무방하다.
설정 > 계정 > 다른 사용자 로 들어가서 기존 계정을 제거한다.

2. 레지스트리 편집으로 폴더명 변경 (비추천)

처음엔 레지스트리 편집을 통해 기존 계정의 사용자 폴더명을 직접 변경하는 방법을 소개하려고 했다.

하지만 직접 시도해본 결과, 이 방법은 오류 발생 가능성이 높고 시간만 낭비될 수 있어 추천하지 않는다.

"잘못된 설정은 시스템 오류를 발생시킬 수 있으니 주의하고 진행해야 한다."

(이미 시도하면서 작성해둔 내용이 아쉬워 남겨둘 뿐이다.)

주의사항

레지스트리 수정 전 백업을 해두는 것이 좋다.
일부 앱은 사용자 폴더 경로를 기억하고 있기 때문에 수동으로 다시 설정해야 할 수 있다.

1. 관리자 계정 활성화

먼저 시작에서 cmd를 검색하고, 관리자 권한으로 명령 프롬프트를 실행한다.

시작 메뉴에서 cmd를 검색하고 관리자 권한으로 실행

다음 명령어를 통해 숨겨진 관리자 계정을 활성화시킨다.

net user "Administrator" /active:yes

관리자 계정 활성화

현재 계정에서 로그아웃하고 재부팅 후, 새로 활성화된 Administrator 계정으로 로그인한다. (암호 없음)

2. 사용자 SID 확인

다음 명령어를 통해 폴더명을 변경하고 싶은 계정의 이름과 SID를 확인한다.
SID는 레지스트리에서 해당 계정을 식별하는 고유 키다.

wmic useraccount get name,SID

계정명과 SID 확인

3. 레지스트리 편집기 열기

Windows 검색창에 regedit을 입력해 레지스트리 편집기를 찾아서 연다.

레지스트리 편집기 검색

레지스트리 편집기에서 HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows NT\CurrentVersion\ProfileList 경로로 이동한다.
SID 목록 중, 앞서 확인한 계정의 SID를 선택한다.
ProfileImagePath 값을 찾아 더블 클릭한다. (혹은 마우스 오른쪽 클릭 > 수정 선택)

레지스트리 편집기에서 해당 경로로 이동

폴더 이름만 원하는 이름으로 수정한다. 경로까지 변경하지 않도록 주의!!!
C:\Users\이전이름 => C:\Users\새로운이름

폴더명 변경

4. 실제 폴더 이름 변경

파일 탐색기를 열고 C:\Users 경로로 이동한다. (Windows키 + E)
해당 사용자 폴더를 마우스 오른쪽 클릭하고 이름 바꾸기를 선택하여 레지스트리에서 설정한 이름과 동일하게 변경한다.

폴더명 변경

5. 관리자 계정 비활성화 및 확인

관리자 계정에서 로그아웃하고 원래 계정으로 로그인한다.
관리자 권한으로 명령 프롬프트를 열고 아래 명령어로 관리자 계정을 비활성화 한다.

net user "Administrator" /active:no

참고 문헌

윈도우11 사용자 폴더명 변경과 어드민 폴더 삭제 - Microsoft Q&A

계정을 Microsoft 계정을 사용하고 있어 아이디의 일부분이 사용자 폴더명으로 되어있어 Luke로 변경하고싶습니다. 이 과정에서 제가 인터넷을 보고 따라하다가 ren 명령어가 액세스 거부로 되지 않

learn.microsoft.com

[Windows] WMIC 설치하기

코딩하는 앤지 — Sun, 24 Aug 2025 01:11:46 +0900

WMIC(Windows Management Instrumentation Command-line)는 윈도우 시스템을 관리하고 정보를 조회할 수 있는 명령어이다. 하지만 최신 Windows 버전에서는 기본적으로 설치되어 있지 않아 직접 추가해줘야 한다.

Windows에서 WMIC를 설치하는 과정은 다음과 같다.

1. 시작 메뉴에서 설정 열기

시작 메뉴에서 설정이 안보이면 검색해서 찾을 수 있다.

Windows 시작 메뉴를 열고 설정 클릭

2. 선택적 기능 열기

선택적 기능에서는 Windows에서 기본적으로 설치되지 않은 기능들을 추가하거나 제거할 수 있다.

설정 창에서 시스템을 선택한 후 선택적 기능 클릭

3. 기능 보기 열기

기능 보기 클릭

4. 사용 가능한 기능 보기

추가된 기능 검색은 이미 설치 되어 있는 기능을 볼 수 있다.
새로 추가하기 위해서는 사용 가능한 기능 보기를 선택하여 검색해야 한다.

사용 가능한 기능 보기 클릭

5. WMIC 검색 및 추가

WMIC를 검색하고 찾은 기능을 체크하여 추가를 누른다.

WMIC 검색 및 추가

6. 설치 진행

설치가 완료되는데 몇 분 정도 시간이 걸릴 수 있다.
작업 중에 닫는다면 설치가 중단될 수 있기 때문에 완료된 후 닫기를 누른다.

설치 중

7. 설치 확인하기

설치가 완료되면 명령줄(cmd)에서 WMIC를 사용할 수 있다.
예시로 wmic useraccount get name, SID 명령어를 입력하면 다음과 같이 계정명과 SID를 확인할 수 있다.

[Chrome] 크롬 웹브라우저 다운로드 및 설치하기

코딩하는 앤지 — Sat, 23 Aug 2025 03:22:43 +0900

구글을 자주 사용한다면 구글에서 만든 빠르고 안전한 브라우저인 크롬을 추천한다.

다양한 확장 프로그램과 구글 계정과의 연동해서 비밀번호를 관리하는 기능 등 편리한 이용이 가능하기 때문이다.

아래에서는 간단한 크롬 다운로드 및 설치 방법을 정리해 두었다.

1. 먼저 구글 공식 링크에 들어가 Chrome 다운로드 버튼을 누른다.

Chrome 웹브라우저

더욱 스마트해진 Google로 더 간편하고 안전하고 빠르게.

www.google.com

크롬 공식 다운로드 페이지

2. 다운로드가 완료되면 ChromeSetup.exe 파일을 실행한다.

설치 파일 실행

3. 설치 마법사가 자동으로 진행되어 별도의 복잡한 과정 없이 설치가 완료되고 크롬이 열린다.

설치 중

크롬 시작 페이지

4. 구글 계정으로 로그인한다면 북마크, 비밀번호, 확장 프로그램등이 자동으로 동기화되어 이전 설정을 그대로 사용할 수 있다.

[Java] 윈도우에서 Java 개발 환경 설치하기 2025ver. (Eclipse Temurin JDK 설치, IntelliJ IDEA 설치)

코딩하는 앤지 — Wed, 20 Aug 2025 06:15:06 +0900

1. 개발 환경 셋팅

자바 환경 셋팅은 크게 JDK 설치 > 환경변수 설정 > IDE 설치 > 프로젝트 실행 순으로 진행된다.

여기서는 Windows를 기준으로 Eclipse Temurin JDK, IntelliJ IDEA를 설치하는 과정을 설명할 것이다.

1.1. JDK 설치하기 (Eclipse Temurin)

Adoptium

Eclipse Adoptium provides prebuilt OpenJDK binaries from a fully open source set of build scripts and infrastructure.

adoptium.net

1.1.1. bash를 사용하여 설치하기 (winget)

명령어 한줄로 간단하게 jdk를 설치하고 싶다면 이 방법을 사용할 수 있다. 여러가지 JDK를 번갈아 쓴다면 이 방법이 더욱 간결하고 편리할 것이다.

# Temurin JDK 21 설치
winget install EclipseAdoptium.Temurin.21.JDK

1) Documentation을 통해서 설치, 업그레이드, 제거 코드도 확인 가능하다.

웹사이트에 접속해서 Resources > Installation Guide 를 선택

OS에 알맞는 명령어를 확인하고 cmd 에서 설치

# 자바가 잘 설치되어 있는지 혹은 이미 설치되어 있는 자바가 있는지는 다음 명령어를 통해 확인할 수 있다.
java --version

1.1.2. MSI를 내려받아 설치하기

처음 자바를 설치한다면 개발 환경 설정을 간편하게 할 수 있기 때문에 MSI 설치를 더 추천한다. 설치 마법사 GUI가 제공되기 때문에 직관적으로 확인하면서 설치 가능하다.

공식 홈페이지에 접속하면 바로 윈도우를 위한 최신 버전의 Temurin MSI를 설치할 수 있다.

다운 받은 파일을 실행하여 설치 마법사를 통해 JDK 설치 및 환경 설정을 완료한다.

설치하려고 한다면 Next, 취소하려면 Cancel

동의 체크하고 Next

개인PC면 install for all, 회사PC면 install just for you를 선택하고 Next

기본 설정을 확인하고 필요하다면 다른 세팅도 추가하고 Next (기본 설정만해도 OK)

설치 시작

설치 중

설치 완료

1.2. IntelliJ IDEA 설치하기

IntelliJ IDEA 다운로드

www.jetbrains.com

1) 웹사이트에 접속해 IntelliJ IDEA Ultimate 혹은 Community를 다운로드하여 설치한다.

Ultimate과 Community가 지원하는 것이 다르기에 필요한 것을 확인한 후 설치하면 된다.
Ulimate 버전은 유료이며, 30일 평가판을 사용할 수 있다.

다운 받은 파일을 실행하여 IntelliJ IDEA를 완료한다.

설치를 시작하려면 다음 선택

설치 위치를 설정하고 다음 선택 (기본 설정 OK)

설치 옵션을 체크해주고 다음 선택 (보통 4개 모두 체크, gradle을 추가하기도 함)

시작메뉴에 바로가기 아이콘 생성하려면 바로 설치, 바로가기 생성 안한다면 체크하고 설치

설치 중

설치 완료

한국어로 설정하거나 영어로 설정 가능

동의하고 계속

IntelliJ IDEA 실행 완료

[React] GitHub Pages 배포 중 gh-pages 에러 해결하기

코딩하는 앤지 — Fri, 6 Dec 2024 21:57:20 +0900

gh-pages -d build 명령어를 통해 GitHub Pages로 프로젝트를 배포하던 중, 깃허브 계정의 비밀번호를 잘못 입력하여 작업이 중단되었다. 이후 다시 gh-pages -d build 명령어를 실행해보았지만 다음과 같은 에러가 발생했다.

fatal: a branch named 'gh-pages' already exists

시도한 방법

gh-pages 브랜치 삭제
로컬 및 원격 저장소에서 gh-pages 브랜치를 삭제했지만 오히려 삭제할 브랜치가 없다는 것만 확인하고 동일한 에러가 발생했다.
Docker 컨테이너 삭제 및 재빌드
프로젝트 환경을 초기화하기 위해 실행 중이던 Docker 컨테이너를 삭제하고 재빌드했지만 문제는 해결되지 않았다.

문제의 원인

에러 메시지와 실행 로그를 분석한 결과, node_modules/gh-pages의 내부적으로 사용하는 캐시 파일에 gh-pages 브랜치 관련 기록이 남아 있는 것으로 보였다.

at ChildProcess.<anonymous> (/app/node_modules/gh-pages/lib/git.js:42:16)

이를 기반으로 node_modules/.cache/gh-pages 디렉터리에 기록이 남아 있어 문제가 발생한 것으로 판단했다.

해결 방법

node_modules/.cache/gh-pages 디렉터리를 삭제한 후, 다시 gh-pages -d build 명령어를 실행한 결과 문제가 해결되었다.

rm -rf node_modules/.cache/gh-pages
gh-pages -d build

배운 점

1. 비정상 종료가 발생하면 내부 캐시 파일이 원인이 될 수 있음으로 캐시 삭제를 시도해볼 수 있다.

[Django] 테스트 코드를 수행할 때 SimpleUploadedFile 파일 포인터 문제 해결하기

코딩하는 앤지 — Fri, 29 Nov 2024 01:20:09 +0900

테스트 코드를 작성할 때 BaseTestCase 클래스를 별도로 작성하면 테스트 코드를 더 간편하게 관리할 수 있다.

예를 들어, setUp 메서드를 통해 초기 데이터를 생성하고, 여러 테스트에서 별도의 추가 작성 없이 재사용하는 것이다.

하지만 SimpleUploadedFile 사용한다면 이미지 포스팅 테스트를 작성할 때 다음과 같은 문제가 발생할 수 있다.

BaseTestCase 클래스에서 setUp 메서드를 통해 이미지와 함께 게시글(Post)을 생성하고, 이를 PostTest 클래스의 테스트 메서드에서 재사용하려고 할 때, 새로운 포스팅 요청이 실패하며 에러가 발생한다.

# response.data 
{'image': [ErrorDetail(string='제출한 파일이 비어있습니다.', code='empty')]}

문제의 원인

이 에러는 SimpleUploadedFile 객체가 한 번 읽으면 파일 포인터가 끝으로 이동하기 때문에 발생한다.

파일 포인터가 끝에 위치한 상태에서는 이미지 데이터를 다시 읽을 수 없기 때문에 파일이 비어있다고 판단하게 된다.

그렇기 때문에 재요청 시에 empty 에러가 발생하는 것이다.

해결 방법

이 문제를 해결할 수 있는 방법 세 가지를 소개하려고 한다.

파일 포인터를 초기화(seek(0)) 하여 객체를 재사용.
새로운 SimpleUploadedFile 객체 생성.
각 테스트 클래스에서 독립적으로 객체 생성.

1. 파일 포인터 초기화

SimpleUploadedFile 객체를 재사용하기 위해서 파일 포인터를 맨 처음 위치로 돌려놓는 방법이 있다.
seek(0) 메서드를 사용하면 초기화가 가능하다.
초기화를 한다면 동일한 객체를 여러번 사용할 수 있다.

from django.core.files.uploadedfile import SimpleUploadedFile
from django.test import TestCase
from rest_framework.test import APIClient

class BaseTestCase(TestCase):
    def setUp(self):
        self.client = APIClient()
        self.image = SimpleUploadedFile("test_image.jpg", b"image_content", content_type="image/jpeg")
        
        # 첫 번째 포스팅 생성
        self.client.post(
            "/posts/create/",
            {"title": "First Post", "content": "This is the first post.", "image": self.image},
            format="multipart"
        )
        
class PostTest(BaseTestCase):
    def test_create_post(self):
        # 파일 포인터 초기화
        self.image.seek(0)
        
        # 두 번째 포스팅 생성 (이미지 재사용)
        response = self.client.post(
            "/posts/create/",
            {"title": "Second Post", "content": "This is the second post.", "image": self.image},
            format="multipart"
        )
        self.assertEqual(response.status_code, 201)

2. 새로운 SimpleUploadedFile 객체 생성하기

이미지를 요청할때마다 새로운 SimpleUploadedFile 객체를 생성하여 사용한다.
새롭게 생성함으로써 파일 포인터 문제를 관리할 필요가 없어진다.

from django.core.files.uploadedfile import SimpleUploadedFile
from django.test import TestCase
from rest_framework.test import APIClient

class BaseTestCase(TestCase):
    def setUp(self):
        self.client = APIClient()
        image = SimpleUploadedFile("test_image.jpg", b"image_content", content_type="image/jpeg")
        
        # 첫 번째 포스팅 생성
        self.client.post(
            "/posts/create/",
            {"title": "First Post", "content": "This is the first post.", "image": image},
            format="multipart"
        )
        
class PostTest(BaseTestCase):
    def test_create_post(self):
        # 새 이미지 생성
        new_image = SimpleUploadedFile("test_image.jpg", b"image_content", content_type="image/jpeg")
        
        # 두 번째 포스팅 생성 (이미지 재사용)
        response = self.client.post(
            "/posts/create/",
            {"title": "Second Post", "content": "This is the second post.", "image": new_image},
            format="multipart"
        )
        self.assertEqual(response.status_code, 201)

3. 테스트 클래스별로 setUp 메서드 정의

클래스마다 필요시에 독립적으로 setUp 메서드를 추가 작성하여 SimpleUploadedFile 객체를 생성한다.
테스트마다 새롭게 객체가 생성됨으로 파일 포인터 문제를 회피할 수 있다.

from django.core.files.uploadedfile import SimpleUploadedFile
from django.test import TestCase
from rest_framework.test import APIClient

class BaseTestCase(TestCase):
    def setUp(self):
        self.client = APIClient()
        image = SimpleUploadedFile("test_image.jpg", b"image_content", content_type="image/jpeg")
        
        # 첫 번째 포스팅 생성
        self.client.post(
            "/posts/create/",
            {"title": "First Post", "content": "This is the first post.", "image": image},
            format="multipart"
        )
        
class PostTest(BaseTestCase):
    def setUp(self):
        super().setUp()
        self.image = SimpleUploadedFile("test_image.jpg", b"image_content", content_type="image/jpeg")
        
    def test_create_post(self):
        # 두 번째 포스팅 생성 (이미지 재사용)
        response = self.client.post(
            "/posts/create/",
            {"title": "Second Post", "content": "This is the second post.", "image": self.image},
            format="multipart"
        )
        self.assertEqual(response.status_code, 201)

[Django] 사용자 모델 커스터마이징 하기 (AbstractUser, AbstractBaseUser)

코딩하는 앤지 — Thu, 28 Nov 2024 06:39:33 +0900

Django에서 기본적으로 제공하는 User 모델을 사용할 수 있지만, 프로젝트 요구사항에 따라 사용자 모델을 직접 커스터마이징해야 할 때가 있다.

Django에서는 AbstractUser와 AbstractBaseUser라는 두 가지 추상 클래스를 통해 사용자 모델을 커스터마이징할 수 있다.

AbstractUser는 기본적으로 제공되는 필드를 유지하면서 필요한 필드를 추가할 때 사용 가능하고,

AbstractBaseUser는 사용자 모델을 완전히 새로 정의할 때 사용 가능하다.

이 두 가지 클래스는 구체적으로 어떤 필드와 동작을 제공하는지 살펴보자.

사전 설정

먼저 AbstractUser 나 AbstractBaseUser 클래스를 상속받아 생성한다면 settings.py를 변경해주어야 한다.

# projectname/settings.py
# 사용법: {App 이름}.{Model 이름}

AUTH_USER_MODEL = "user.User"

AbstractUser

Django의 기본 User 모델을 확장할 수 있도록 설계된 추상 클래스이다.

기본 사용자 모델을 사용하면서 몇 가지 필드만 추가하고 싶은 경우 사용한다.

기본 필드
- username: 기본 인증에 사용되는 사용자 ID
- first_name: 사용자 이름
- last_name: 사용자 성
- email: 이메일 주소
- password: 해시된 비밀번호
- is_staff: 관리 사이트 접근 가능 여부
- is_active: 사용자 활성화 상태 여부
- is_superuser: 슈퍼유저 권한 여부
- last_login: 마지막 로그인 시간
- date_joined: 계정 생성 시간
기본 코드

from django.contrib.auth.models import AbstractUser

class NyUser(AbstractUser):
    username = None             # 기존 필드 제거
    age = models.IntegerField() # 새로운 필드 추가

2. AbstractBaseUser

사용자 모델을 완전히 재정의해야 할 때 사용하는 추상 클래스이다.

사용자 모델을 이메일 기반으로 만들거나, ID 시스템을 완전히 재정의하고 싶은 경우 사용한다.

기본 필드
- password: 해시된 비밀번호
- last_login: 마지막 로그인 시간
- is_active: 사용자 활성화 상태 여부
필수 구현 사항
- Django의 인증 시스템과 통합되기 위해 반드시 구현해야 하는 사항이다.
  - USERNAME_FIELD
    - 인증에서 고유 식별자인 사용자 ID로 사용할 필드 이름을 말한다. (username, email)
    - 로그인, 토큰 발행 등에 사용된다.
  - REQUIRED_FIELDS
    - superuser 생성 시 필요한 필드 목록을 말한다.
    - 빈 리스트로 설정할 수 있다.
  - CustomUserManager 클래스
    - create_user(일반 사용자 생성)와 create_superuser(admin 관리 권한이 있는 superuser 생성) 메서드를 포함하는 CustomUserManager 클래스를 설정해야 한다.
    - 필드 검증과 초기화 처리하는데 사용되는 메서드들이다.
기본 코드

from django.db import models
from django.contrib.auth.models import AbstractBaseUser, BaseUserManager


class CustomUserManager(BaseUserManager):
    def create_user(self, username, email, password=None, **extra_fields):
        # 일반 사용자 생성
        if not email:
            raise ValueError('Users must have an email address')
        email = self.normalize_email(email)
        user = self.model(username=username, email=email, **extra_fields)
        user.set_password(password)
        user.save(using=self._db)
        return user

    def create_superuser(self, username, email, password=None, **extra_fields):
        # superuser 생성
        user = self.create_user(username, email, password, **extra_fields)
        user.is_admin = True
        user.save(using=self._db)
        return user


class MyUser(AbstractBaseUser):
    username = models.CharField(max_length=40, unique=True)
    email = models.EmailField(
        verbose_name='email address',
        max_length=255,
        unique=True,
        )
    age = models.IntegerField()
    is_active = models.BooleanField(default=True)
    is_admin = models.BooleanField(default=False)
    ...

    objects = CustomUserManager()

    USERNAME_FIELD = "username"
    REQUIRED_FIELDS = ["age"]

    def __str__(self):
        return self.username

    def has_perm(self, perm, obj=None):
        # 사용자 권한 확인
        return True

    def has_module_perms(self, app_label):
        # 사용자 app_label 앱을 볼 수 있는 권한 확인
        return True

    @property
    def is_staff(self):
        # 직원(staff) 여부 확인
        return self.is_admin

출처

Django에서 인증 사용자 정의 | Django 문서 | 장고(Django)

[백준 BOJ / Python] 1263번 시간 관리

코딩하는 앤지 — Wed, 27 Nov 2024 23:59:01 +0900

문제

N개의 작업이 주어졌을 때, 각 작업의 마감시간(S)과 소요시간(T)을 고려해 모든 작업을 마감시간 내 완료하면서 가장 늦게 일을 시작할 수 있는 시간을 찾는 문제이다.

작업은 동시에 할 수 없으며 일을 시작할 수 있는 시간은 0부터이다.

풀이

제일 마지막 마감시간을 기준으로 뒤에서부터 작업을 배치하면서, 가능한 가장 늦은 시작 시간을 계산한다.

먼저 마감시간을 기준으로 데이터를 정렬한다.
임의로 시작시간을 무한으로 설정한다.
가장 마감시간이 늦은 작업부터 차례대로 확인한다.

만약 시작시간보다 다음 작업의 마감시간이 작다면, 마감시간으로부터 소요시간을 뺀 값을 다음 시작시간으로 둔다.
만약 시작시간보다 다음 작업의 마감시간이 크다면, 시작시간을 기준으로 소요시간을 뺀 값을 다음 시작시간으로 설정한다.
최종적으로 시작시간이 0보다 크면 해당값을 출력하고, 작다면 -1을 출력한다.

Python 코드

import sys
input = sys.stdin.readline

n = int(input())
arr=[tuple(map(int,input().split())) for _ in range(n)]
arr.sort(key=lambda x: x[1])
ans = float("inf")
while arr:
    t,s = arr.pop()
    if ans >= s:
        ans = s-t
    else:
        ans -= t

if ans < 0:
    print(-1)
else:
    print(ans)

문제출처

https://www.acmicpc.net/problem/1263

[백준 BOJ / Python] 1148번 단어 만들기

코딩하는 앤지 — Sun, 24 Nov 2024 23:58:41 +0900

문제

3x3 퍼즐판이 주어졌을 때, 퍼즐판의 알파벳을 사용하여 만들 수 있는 단어의 수를 알파벳별로 계산하고, 단어 수의 최솟값과 최댓값에 해당하는 알파벳을 출력하는 문제이다.

풀이

퍼즐의 알파벳들과 각 단어의 알파벳들의 비교하여 만들 수 있는 단어인지 파악하고, 퍼즐의 각 알파벳이 총 몇 개의 단어를 만드는데 사용될 수 있는지 세면 최솟값과 최댓값을 구할 수 있다.
먼저 단어 사전의 단어들의 알파벳 빈도 딕셔너리로 변환하여 저장한다. (중복 값이 있을 수 있음을 고려)
퍼즐 정보를 하나씩 받으면서 퍼즐의 알파벳 빈도 딕셔너리를 생성한다.
단어 사전의 단어들과 퍼즐을 비교하여 퍼즐을 통해 만들 수 있는 단어인지 확인한다.
- 퍼즐 알파벳의 빈도가 단어 알파벳의 빈도보다 작으면 만들 수 없는 단어이다.
만들 수 있는 단어라면, 단어 구성 사용된 알파벳들에 대하여 단어 생성 빈도(puzzle_count)를 1씩 올린다.
최종적으로 만들 수 있는 단어의 개수가 최소인 알파벳들과 최솟값, 최대인 알파벳들과 최댓값을 출력한다.

Python 코드

import sys
input = sys.stdin.readline

# 단어를 알파벳 빈도 딕셔너리로 변환하여 저장
def add_word(word):
    temp = dict()
    for x in word:
        if x in temp:
            temp[x] += 1
        else:
            temp[x] = 1
    words_dict[word] = temp
    return

# 퍼즐로 단어를 만들 수 있는지 확인
def can_make_word(puzzle, word):
    for x in word:
        if word[x] > puzzle.get(x, 0):
            return False
    return True

# 결과 출력 함수
def print_answer(puzzle_count):
    ans = list(puzzle_count.items())
    ans.sort(key = lambda x: (x[1],x[0]))
    min_, max_ = ans[0][1], ans[-1][1]
    min_alpha, max_alpha = "",""
    for x, cnt in ans:
        if cnt == min_:
            min_alpha += x
        if cnt == max_:
            max_alpha += x
    print(min_alpha, min_, max_alpha, max_)

# 단어 입력
words_dict = dict()
while True:
    word = input().strip()
    if word == "-":
        break
    if word in words_dict:
        continue
    add_word(word)

# 퍼즐 입력
while True:
    puzzle = input().strip()
    if puzzle == "#":
        break
        
    # 퍼즐의 알파벳 빈도 딕셔너리 생성
    puzzle_dict = dict()
    for x in puzzle:
        if x in puzzle_dict:
            puzzle_dict[x] += 1
        else:
            puzzle_dict[x] = 1

    # 퍼즐에 포함된 단어의 알파벳 개수 계산
    puzzle_count = {t:0 for t in puzzle_dict.keys()}
    for word_dict in words_dict.values():
        if can_make_word(puzzle_dict, word_dict):
            for x in word_dict:
                puzzle_count[x] += 1

    # 결과 출력
    print_answer(puzzle_count)

문제출처

https://www.acmicpc.net/problem/1148

[백준 BOJ / Python] 1327번 소트 게임

코딩하는 앤지 — Sat, 23 Nov 2024 06:47:17 +0900

문제

1부터 N까지의 정수로 이루어진 순열을 오름차순으로 정렬할 때, 최소 몇 번의 뒤집기를 해야 하는지 구하는 문제이다.

정렬은 특정 위치 ii에서 시작하여 오른쪽으로 K개의 숫자를 뒤집는 연산을 반복하는 방식으로 이루어진다.

예를 들어 N이 5, K가 3일 때, (5, 4, 3, 2, 1) 순열이 주어진 경우

i=0에서 뒤집으면 (3, 4, 5, 2, 1) 이 된다.
i=1에서 뒤집으면 (3, 2, 5, 4, 1) 이 된다.
i=2에서 뒤집으면 (3, 2, 1, 4, 5) 이 된다.
i=0에서 뒤집으면 (1, 2, 3, 4, 5) 이 되면서 정렬이 완료된다.

최소 4번의 뒤집기로 오름차순 순열을 만들 수 있다.

풀이

이 문제는 각 순열 상태를 노드로 보고, 한 번의 뒤집기로 다른 상태로 이동하는 최단 경로 탐색 문제로 볼 수 있다.
그렇기 때문에 BFS를 사용해 정렬된 상태로 도달하는 최소 횟수를 구할 수 있다.
먼저 큐에 최초로 입력된 순열과 뒤집기 횟수(0)를 저장한다.
최소 뒤집기 횟수를 구할 수 있는 BFS 알고리즘을 수행한다.
- 현재 순열이 정렬된 순열인지 확인하고, 정렬이 완료되었다면 뒤집은 횟수를 출력한다.
- 현재 순열에서 가능한 모든 뒤집기를 시도해 새로운 순열을 생성한다. (0 ≤ i ≤ N-K)
- 만약 새로운 순열이 이전에 만들었던/방문했던 순열이 아니라면 큐에 추가하고 visited에 추가해 방문 표시를 한다.

Python 코드

from collections import deque
import sys
input = sys.stdin.readline
n,k = map(int,input().split())
seq = tuple(map(int,input().split()))

q = deque([(seq, 0)])
visited = set()
while q:
    cur, d = q.popleft()

    if cur == tuple(range(1,n+1)):
        print(d)
        break

    for i in range(n-k+1):
        next_seq = cur[:i]+cur[i:i+k][::-1]+cur[i+k:]
        if next_seq not in visited:
            visited.add(next_seq)
            q.append((next_seq, d+1))
else:
    print(-1)

문제출처

https://www.acmicpc.net/problem/1327

[PyCharm] 자주 사용하는 단축키 모음

코딩하는 앤지 — Fri, 22 Nov 2024 17:46:12 +0900

Python으로 개발을 한다면 PyCharm은 매우 유용한 IDE 이다. 다양한 기능과 편의성 덕에 많은 개발자들이 사용한다.

더 효율적으로 개발을 하고 싶다면 단축키를 사용해 보는 것을 추천한다.

단축키를 사용한다면 자주 쓰는 기능들에 쉽게 접근할 수 있음으로 개발 속도가 크게 향상될 수 있기 때문이다.

1. 파일 탐색 및 편집

① 프로젝트 뷰 열기

Alt + 1 (Windows/Linux), Command + 1 (macOS)
프로젝트 뷰를 빠르게 열고 닫을 수 있어 필요할 때 프로젝트 구조를 빠르게 확인하거나 창을 닫아 코드를 넓게 확인할 수 있다.

② 파일 열기

Ctrl + Shift + N (Windows/Linux), Command + Shift + O (macOS)
열고 싶은 파일의 이름 일부만 알고 있다면, 이 단축키로 검색해 파일을 열 수 있다.

③ 최근 파일 목록 보기

Ctrl + E (Windows/Linux), Command + E (macOS)
최근 작업한 파일들을 순차적으로 보여주며, 선택하여 파일을 열 수 있다.

④ 새로운 파일 혹은 디렉토리 생성

Alt + Insert (Windows/Linux), Command + N (macOS)
파일을 생성하려는 디렉토리에서 이 단축키를 누르면 아래 이미지와 같이 생성하려는 목록이 나온다.
원하는 파일 타입을 선택한 뒤 파일 이름을 입력하면 파일이 생성된다.
마찬가지로 경로를 선택하면 새로운 디렉토리를 생성할 수 있다.

2. 코드 편집

① 자동 완성

Ctrl + Space (Windows/Linux), Command + Space (macOS)
코드 작성 시 자동으로 제안되는 완성 목록을 불러온다.

② 줄 복사

Ctrl + D (Windows/Linux), Command + D (macOS)
현재 줄을 복사해서 바로 아래에 붙여넣는다. 반복적인 작업을 하는 경우 유용하다.

③ 줄 삭제

Ctrl + Y (Windows/Linux), Command + Delete (macOS)
현재 줄을 빠르게 삭제 가능하다.

④ 줄 이동

Alt + Shift + Up/Down (Windows/Linux), Option + Shift + Up/Down (macOS)
코드 줄을 위아래로 간단하게 이동 가능하다.

3. 코드 리팩토링

① 리팩토링(변수/함수 이름 변경 시)

Shift + F6
변수명이나 함수명을 리팩토링할 때 사용한다.

② 자동 정렬

Ctrl + Alt + L (Windows/Linux), Command + Option + L (macOS)
코드의 들여쓰기를 자동으로 정리하고 포맷팅을 맞춰준다.

[백준 BOJ / Python] 1174번 줄어드는 수

코딩하는 앤지 — Thu, 21 Nov 2024 03:14:37 +0900

문제

정수를 십진수로 표현할 때, 각 자리수가 왼쪽에서 오른쪽으로 감소하는 줄어드는 수 중 n번째로 작은 줄어드는 수를 구하는 문제이다.

예를 들어 54321나 654는 줄어드는 수이며, 544나 324은 줄어드는 수가 아니다.

풀이

BFS로 n번째 작은 수까지의 모든 경우의 수를 찾아 정답을 도출 할 수 있다.
BFS를 사용하는 이유는 작은 수부터 순차적으로 줄어드는 수를 생성하므로, 추가적인 정렬 없이도 오름차순으로 n번째 줄어드는 수를 찾을 수 있기 때문이다.
먼저 한 자리수 (0~9)를 큐에 넣는다.
큐에서 줄어드는 수를 꺼내어 해당 숫자가 n번째 줄어드는 수라면 탐색을 멈추고 결과를 반환한다.
아니라면, 1의 자리보다 작은 숫자를 뒤에 추가해 새로운 줄어드는 수를 생성한다.
만약 n번째 줄어드는 수가 없다면 -1을 출력한다.

Python 코드

from collections import deque
import sys
input = sys.stdin.readline
n = int(input())

q = deque(list(range(10)))
idx = 0
while q:
    x = q.popleft()
    idx += 1
    if idx == n:
        print(x)
        break

    # 1의 자리수보다 작은 숫자만 뒤에 더함
    for nx in range(x % 10):
        q.append(x * 10 + nx)
else:
    print(-1)

문제출처

https://www.acmicpc.net/problem/1174

[프로그래머스 / Python] 거스름돈

코딩하는 앤지 — Wed, 20 Nov 2024 22:22:00 +0900

문제

주어진 금액을 만들기 위해 동전 종류에 따라 거스름돈을 주는 방법의 수를 구하는 문제이다.

풀이

동적 프로그래밍(DP)을 사용해 풀 수 있다.
특정 금액 n을 만들기 위한 방법의 수를 누적해서 계산한다.
이때 작은 동전(금액)부터 시작해 큰 동전에 대해 가능한 경우의 수를 차례로 계산한다.
dp[0]은 항상 아무 동전도 쓰이지 않는 방법 한 가지만 존재함으로 dp[0]=1로 지정한다.
현재 금액 x를 만들기 위한 방법의 수는 x - coin을 만들 수 있는 방법의 수에 현재 동전 coin을 추가한 것이다.

동전 1로 거슬러 주는 방

동전 1,2,5로 거슬러 주는 방법

이를 토대로 점화식을 구성하면 dp[x] = dp[x] + dp[x-coin] 이 된다.
마지막 정답을 도출할 때는 숫자가 매우 커질 것을 방지해 1000000007로 나눈 나머지를 반환한다.

Python 코드

def solution(n, money):
    dp = [0]*(n+1)
    dp[0] = 1

    for coin in money:
        for x in range(coin, n+1):
            dp[x] += dp[x-coin]
            dp[x] %= 1000000007

    return dp[-1]

문제출처

https://school.programmers.co.kr/learn/courses/30/lessons/12907

[백준 BOJ / Python] 1103번 게임

코딩하는 앤지 — Tue, 19 Nov 2024 04:54:59 +0900

문제

게임 보드 위의 숫자에 따라 동전을 이동시킬 때, 동전을 움직이는 횟수가 최대가 되도록 하는 문제이다.

보드 위의 숫자는 1부터 9까지 있으며, 해당 칸에서 다음 칸으로 이동할 때 표기된 숫자만큼 한 번에 이동해야 한다.

동전은 상하좌우로 이동할 수 있고, H(구멍) 칸이나 보드 바깥으로 이동되면 게임이 종료된다.

풀이

이 문제에서는 깊이 우선 탐색(DFS)과 메모이제이션, 백트래킹을 사용해 풀 수 있다.
재귀적으로 DFS를 사용해서 동전이 이동할 수 있는 모든 경로를 탐색한다.

메모이제이션
- DFS 탐색을 하면서 특정 칸에 대한 경로 탐색이 끝나면, 그 칸에서 최대 이동 횟수를 계산한 상태이다.
- 따라서 중복 탐색을 방지하기 위해, 계산된 값을 메모이제이션을 통해 저장한다.
- 탐색 도중 이미 계산된 값( dp[x][y] )이 있다면, 즉시 그 값을 반환하면 된다.
무한 루프 방지
- 탐색 중에 이미 방문한 칸을 다시 방문하게 되면 루프가 발생한 것이다.
- 이 경우 -1을 출력하고 프로그램을 종료한다.
DFS 탐색 과정
- 다음 칸으로 이동하기 전, 현재 칸에 방문 표시를 한다.
- 현재 칸에서 board[x][y]에 적힌 숫자만큼 상하좌우로 이동한다.
- 이동한 위치가 보드를 벗어나거나 구멍('H')에 빠지면 그 경로는 더 이상 탐색하지 않는다.
- 만약 이동할 수 있다면, 다음 칸으로 이동한 후 최대 이동 횟수를 계산하고, 그 값에 1을 더해 현재 칸의 최대 이동 횟수를 업데이트한다.
- 백트래킹을 위해 탐색이 끝난 후에는 방문 표시를 해제하여, 다른 경로도 탐색할 수 있게 한다.

Python 코드

import sys
sys.setrecursionlimit(10**6)
input = sys.stdin.readline

n,m = map(int, input().split())
board = [list(input().strip()) for _ in range(n)]

dp = [[0]*m for _ in range(n)]
visited = [[0]*m for _ in range(n)]

def in_range(x,y):
    return 0<=x<n and 0<=y<m

def dfs(x,y):
    if dp[x][y]:      # 이미 계산된 칸이면 바로 반환
        return dp[x][y]

    if visited[x][y]: # 무한 루프 감지
        print(-1)
        exit()

    visited[x][y] = 1 # 현재 칸 방문 표시
    max_move = 1
    k = int(board[x][y]) # 이동해야 하는 거리
    for dx,dy in [(0, 1), (0, -1), (1, 0), (-1, 0)]:
        nx,ny = x+dx*k, y+dy*k
        if not in_range(nx,ny): # 보드 범위 밖
            continue
        if board[nx][ny] == "H": # 구멍
            continue
        max_move = max(max_move, dfs(nx,ny)+1) # 이동 횟수 업데이트

    visited[x][y] = 0 # 백트래킹: 현재 칸 방문 해제
    dp[x][y] = max_move # 현재 칸까지의 최대 이동 횟수
    return dp[x][y]

print(dfs(0,0))

문제출처

https://www.acmicpc.net/problem/1103

[Django] TDD 개발 과정

코딩하는 앤지 — Mon, 18 Nov 2024 03:59:17 +0900

테스트 드리븐 개발(TDD)은 요구사항을 명확히 하고 안정적인 코드를 작성하는 개발 방법이다.

제일 먼저 예상되는 동작에 대한 테스트 코드를 작성하고, 구체적으로 기능을 구현하는 것이다.

장고에서는 테스트 드리븐 개발(TDD)을 쉽게 할 수 있도록 지원하고 있다.

기본적인 장고의 TDD 개발 과정에 대해 뷰 테스트를 예를 들어 설명하려 한다.

1. 테스트 계획 및 작성

요구사항을 정리하여 개발해야하는 기능을 계획한다.
요구사항에 맞는 테스트 코드를 작성한다.
- 장고에서는 TestCase 클래스를 상속받아 사용자 정의 테스트 코드를 작성할 수 있다.
아래 코드는 도서 데이터를 가져오는 API를 테스트하는 예제이다.

# api/test.py
from django.test import TestCase
from rest_framework.test import APIClient
from rest_framework import status
from .models import Book

class BookViewTest(TestCase):
    def setUp(self):
        self.client = APIClient() # API 클라이언트를 불러오기
        book_data = {
            "title": "test_title",
            "introduction": "this is introduction",
            "author": "test_author",
        }
        self.book = Book.objects.create(**book_data) # 임의의 책 데이터 생성

    def test_get_book_list(self):
        response = self.client.get('/api/book/') # GET 요청으로 데이터 리스트 가져오기
        self.assertEqual(response.status_code, status.HTTP_200_OK) # 응답 코드가 200인지 확인

2. 테스트 실행

테스트가 실패하는지 확인한다. TDD 원칙에 따라 처음에는 테스트가 실패하는 것이 정상이다.

python manage.py test

3. 기능 구현

테스트를 통과하기 위해 필요한 기능을 구현한다. 여기서는 Book모델에 대한 시리얼라이저와 뷰, URL을 작성한다.

# api/serializers.py
from rest_framework import serializers
from .models import Book

class BookSerializer(serializers.ModelSerializer):
    class Meta:
        model = Book
        fields = ["id","title","introduction","author"]
        
        
# api/views.py
from rest_framework import viewsets
from .serializers import BookSerializer
from .models import Book

class BookViewSet(viewsets.ModelViewSet):
    queryset = Book.objects.all()
    serializer_class = BookSerializer


# api/urls.py
from django.urls import path
from rest_framework import routers
from .views import BookViewSet

router = routers.SimpleRouter()
router.register("book",BookViewSet)

urlpatterns = router.urls


# mybook/urls.py
from django.contrib import admin
from django.urls import path, include
urlpatterns = [
    path('admin/', admin.site.urls),
    path('api/', include('api.urls')),
]

4. 테스트 재실행

테스트를 다시 실행하여 잘 통과하는지 확인한다.
기능 코드가 정상적으로 동작하면 테스트가 성공할 것이다.

python manage.py test

5. 리팩토링

코드의 중복을 제거하거나 더 나은 구조로 리팩터링 하는 과정을 거친다.
리팩토링을 한 이후에도 테스트를 통과하는지 확인해야 한다.

6. 반복

다음 기능을 개발하기 위해 다시 테스트를 작성하는 것부터 과정을 반복한다.

[백준 BOJ / Python] 1113번 수영장 만들기

코딩하는 앤지 — Sun, 17 Nov 2024 02:36:14 +0900

문제

주어진 2차원 배열에서 각 칸에 고일 수 있는 물의 양을 계산하는 문제이다. 각 칸의 물 높이는 주변에 있는 벽(높이가 더 큰 칸들)에 의해 제한되며, 물은 낮은 칸을 채워 나가면서 주위 벽에 의해 막히는 곳에만 고일 수 있다.

풀이

이 코드의 핵심은 외곽부터 낮은 높이의 칸을 우선 탐색하면서 물을 채워나가는 것이다.
먼저, 외곽에 있는 칸들을 힙에 추가하고 높이가 낮은 칸부터 탐색을 시작한다.
탐색하면서 주변에 더 낮은 높이의 칸이 있다면, 현재 칸의 높이만큼 물을 채우고 채운 물의 양을 답에 더한다.
물 높이와 상관없이 방문하지 않은 칸이라면 방문 처리 후, 현재 높이와 좌표를 힙에 추가하여 계속해서 주변을 탐색한다.
이 과정을 통해 최종적으로 고일 수 있는 물의 양을 계산한다.

Python 코드

import sys
input = sys.stdin.readline
import heapq

n, m = map(int,input().split())
pool = [list(map(int,list(input().strip()))) for _ in range(n)]
visited = [[0] * m for _ in range(n)]

def in_range(x,y):
    return 0<=x<n and 0<=y<m

def solution():
    min_heap = []
    answer = 0

    # 외곽만 먼저 추가
    for i in range(n):
        for j in range(m):
            if 1<=i<n-1 and 1<=j<m-1:
                continue
            heapq.heappush(min_heap, (pool[i][j],i,j))
            visited[i][j] = 1

    while min_heap:
        # 외곽의 낮은 칸부터 탐색
        h,x,y = heapq.heappop(min_heap)

        for dx,dy in [(0,1),(0,-1),(1,0),(-1,0)]:
            nx,ny = x+dx, y+dy

            if not in_range(nx,ny):
                continue
            if visited[nx][ny]:
                continue

            # 현재 칸보다 낮은 칸을 발견하면 물을 채움
            if h > pool[nx][ny]:
                answer += h-pool[nx][ny]
                pool[nx][ny] = h

            heapq.heappush(min_heap,(pool[nx][ny],nx,ny))
            visited[nx][ny] = 1

    print(answer)

solution()

문제출처

https://www.acmicpc.net/problem/1113

[백준 BOJ / Python] 22352번 항체 인식

코딩하는 앤지 — Sat, 16 Nov 2024 01:36:41 +0900

문제

주어진 격자 데이터의 전후를 비교하여 주입된 백신이 CPCU-1202 백신인지 판단하는 문제이다.

CPCU-1202 백신을 놓으면, 백신이 주입된 조직에서 항체를 생성하고 같은 영역의 조직에 항체가 퍼진다.

항체는 조직을 변형시켜 동일한 색상이거나 다른 색상이 될 수 있다.

풀이

전체 조직의 영역들 중 색상이 바뀐 영역이 1개이하여야 한다.
따라서 조직을 탐색하면서 동일한 영역이 변경된 것인지를 판단하고, 색상이 변경된 영역의 개수를 세어야 한다.
BFS나 DFS를 통해 동일한 색상으로 이루어진 인접 영역을 탐색하며 해당 영역이 일관된 색상으로 변경되었는지 확인한다.

항체 생성 영역이 다른 경우

탐색 중 영역이 다르다면 CPCU-1202 백신이 아님으로 NO를 출력하고,

항체 생성 영역이 2개 이상인 경우

색상이 변경된 영역의 개수가 2개이상이어도 NO를 출력하며,

올바른 CPCU-1202 백신 반응인 경우

그 외의 경우는 CPCU-1202 백신임으로 YES를 출력한다.

Python 코드

import sys
input = sys.stdin.readline

n,m = map(int,input().split())
arr1 = [list(map(int,input().split())) for _ in range(n)]
arr2 = [list(map(int,input().split())) for _ in range(n)]
visited = [[0]*m for _ in range(n)]

def in_range(x,y):
    return 0<=x<n and 0<=y<m

def check_area(i,j):
    origin_color = arr1[i][j]  # 기존 조직 색상
    changed_color = arr2[i][j]   # 변경된 조직 색상
    stack = [(i,j)]
    visited[i][j] = 1

    while stack:
        x, y = stack.pop()

        for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
            nx, ny = x+dx, y+dy

            if not in_range(nx,ny):
                continue
            if visited[nx][ny]:
                continue
            if arr1[nx][ny] == origin_color:
                if arr2[nx][ny] == changed_color:
                    visited[nx][ny] = 1
                    stack.append((nx,ny))
                else: 
                    # 같은 값으로 업데이트 되어야만 CPCU-1202 백신
                    print("NO") 
                    exit()
    return origin_color == changed_color

cnt = 0
for i in range(n):
    for j in range(m):
        if not visited[i][j]:
            if not check_area(i,j):
                cnt += 1 # 변경된 영역

# 단 1개의 영역만 변해야함
if cnt <= 1:
    print("YES")
else:
    print("NO")

문제출처

https://www.acmicpc.net/problem/22352

[백준 BOJ / Python] 1743번 음식물 피하기

코딩하는 앤지 — Tue, 12 Nov 2024 04:07:52 +0900

문제

통로에 음식물 쓰레기가 떨어져 있을 때, 인접한 쓰레기들끼리 하나의 덩어리로 보고 그중 가장 큰 덩어리의 크기를 구하는 문제이다. 인접한 음식물 쓰레기는 상하좌우로 붙어있는 경우를 말한다.

풀이

이 문제는 인접한 영역을 탐색하는 그래프 탐색 문제이다.
BFS나 DFS를 활용해 연결 여부를 탐색하며 덩어리의 크기를 계산하면 된다.
먼저 음식물 쓰레기의 영역을 입력받는다.
이때, 쓰레기가 없는 상태는 1, 쓰레기가 있는 상태는 0으로 표시한다.
(visited를 사용하지 않고 쓰레기가 있는 곳의 방문 여부를 쉽게 체크할 수 있다.)
인접 칸을 탐색했을 때, 다음칸으로 이동 가능하면 쓰레기 영역 크기를 늘리고 방문 표시를 해준다.
max를 사용해 가장 큰 쓰레기 크기를 갱신한다.

Python 코드

import sys
from collections import deque
input = sys.stdin.readline

n, m, k = map(int, input().split())
arr = [[1] * m for _ in range(n)]
for _ in range(k):
    x, y = map(int, input().split())
    arr[x - 1][y - 1] = 0  # 쓰레기가 있는 위치를 0으로 표시

def in_range(x, y):
    return 0 <= x < n and 0 <= y < m

# BFS를 이용해 연결된 쓰레기 덩어리의 크기를 구함
def count_area(i, j):
    cnt = 1
    q = deque([(i, j)])
    arr[i][j] = 1  # 방문 표시

    while q:
        x, y = q.popleft()

        # 상하좌우 탐색
        for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
            nx, ny = x + dx, y + dy

            if not in_range(nx, ny):  # 범위를 벗어나면 패스
                continue
            if arr[nx][ny]:  # 쓰레기가 없으면 패스
                continue

            cnt += 1 # 영역 크기 증가
            arr[nx][ny] = 1  # 방문 표시
            q.append((nx, ny))

    return cnt

# 최대 쓰레기 덩어리 크기 계산
max_ = 0
for i in range(n):
    for j in range(m):
        if not arr[i][j]:  # 쓰레기가 있는 경우
            max_ = max(count_area(i, j), max_)

print(max_)

문제출처

https://www.acmicpc.net/problem/1743

[Python / 알고리즘] Flood Fill 알고리즘

코딩하는 앤지 — Sun, 10 Nov 2024 21:20:59 +0900

Flood Fill 알고리즘

Flood Fill 알고리즘은 다차원 배열에서 특정 영역을 탐색하고 색을 채우기 위해 사용되는 알고리즘이다.
이 알고리즘은 주어진 시작점에서 인접한 같은 색의 영역을 탐색하며 색을 채운다.
탐색 과정에서 DFS나 BFS를 사용하여 인접 영역을 방문한다.
주로 픽셀 기반의 이미지 처리나 그래프 탐색 문제를 해결하는 데 활용된다.
시간복잡도: 배열의 행 수가 n, 열 수가 m 일때, O(n * m)

Flood Fill 알고리즘 구현

먼저 시작 위치와 목표 색을 입력받고, 시작 위치의 기존 색을 확인한다.
만약 시작 위치의 색과 목표 색이 동일하다면, 동작을 종료한다.
시작 위치와 목표 색과 다르다면 목표 색으로 변경하고 상하좌우 인접한 영역을 탐색한다.
인접 영역의 색이 기존 색과 동일할 때, 해당 위치로 이동하여 목표 색으로 변경하는 과정을 반복한다.

def flood_fill(x, y, target_color):
    original_color = matrix[x][y]
    
    # 기존 색과 목표 색이 동일하면 종료
    if original_color == target_color:
        return

    # 시작 위치의 색을 목표 색으로 변경
    matrix[x][y] = target_color
    stack = [(x, y)]

    while stack:
        cur_x, cur_y = stack.pop()
        
        for dx, dy in [(0, 1), (0, -1), (1, 0), (-1, 0)]:
            nx, ny = cur_x + dx, cur_y + dy
            
            # 범위 내에 있고, 동일한 색상인지 확인
            if nx < 0 or nx >= n or ny < 0 or ny >= m:
                continue
            if matrix[nx][ny] != original_color:
                continue
            
            # 색상 변경
            matrix[nx][ny] = target_color
            
            # 상하좌우 인접 영역을 스택에 추가
            stack.append((nx, ny))

# 예제 행렬 및 크기 설정
matrix = [
    [1, 1, 1, 0],
    [1, 1, 0, 0],
    [1, 0, 1, 1],
    [0, 0, 1, 1]
]
n, m = 4, 4

flood_fill(0, 0, 2)  # (0, 0) 위치에서 시작해 색을 2로 변경

# 결과 출력
for row in matrix:
    print(row)

[Heroku] 헤로쿠 계정 생성 및 CLI 설치 with Windows

코딩하는 앤지 — Sun, 27 Oct 2024 21:10:15 +0900

1. Heroku 계정 생성

Heroku 웹사이트에 접속해 무료 계정을 생성한다.

Cloud Application Platform | Heroku

Heroku is a platform as a service (PaaS) that enables developers to build, run, and operate applications entirely in the cloud.

www.heroku.com

웹사이트에 들어가면 "Sign Up" 버튼을 클릭하여 계정 생성 페이지로 이동한다.
아래 페이지에서 이름, 이메일, 역할, 국가, 주 언어를 입력하고 "CREATE YOUR ACCOUNT"를 클릭한다.

입력한 이메일로 계정 확인 메일이 전송되고, 메일을 통해 접속한 사이트에서 비밀번호를 설정하면 계정 생성이 완료된다.

계정 생성 후 처음 로그인을 하게 되면 보안 강화 과정이 진행된다.

확인 방법 중 원하는 방식을 선택하면 되고, 3번째 옵션인 보안 키는 QR 코드를 통해 스마트폰과 연동하여 등록할 수 있다.

2. Heroku CLI 설치

Heroku의 개발자 센터에서 Heroku CLI를 설치한다.

Getting Started on Heroku with Python | Heroku Dev Center

Complete this tutorial to deploy a sample Python Django app to Heroku. Install the Heroku Command Line Interface (CLI). You can use the CLI to manage and scale your applications, provision add-ons, view your logs, and run your application locally. After in

devcenter.heroku.com

사전에 Git이 우선적으로 설치되어 있어야 Heroku CLI 설치가 가능하다.
Windows 11 사용자라면 Windows 64-bit Installer를 다운로드하여 설치한다.

설치가 완료되면 "Close" 버튼을 클릭한다.
이후 PowerShell이나 CMD 창에서 Heroku 명령어를 사용할 수 있다.
Heroku CLI에 로그인하려면 쉘에서 heroku login을 입력한다.

heroku login

아무 키나 누르면 로그인 웹 브라우저에 로그인 창이 열린다.

웹에서 Heroku 아이디와 비밀번호로 로그인을 완료하면, 쉘에서 아래 이미지와 같이 "Logging in ... done"이라는 메시지와 함께 로그인한 아이디가 표시된다.

로그인을 한번 완료하면 컴퓨터를 종료해도 이 정보는 계속 유지된다.
만약 로그아웃을 원할 경우, heroku logout 명령어를 통해 직접 로그아웃을 해주어야 한다.

heroku logout

[Docker] docker-compose down 시 데이터 손실 방지

코딩하는 앤지 — Sun, 27 Oct 2024 03:46:09 +0900

docker-compose down 명령어는 실행중인 모든 컨테이너를 중지하고 삭제한다. 이러한 과정에서 데이터 손실이 발생할 수 있는데, 이를 방지하는 두 가지 방법을 소개하려고 한다.

1. docker-compose stop 이용

docker-compose stop 명령어는 컨테이너를 일시정지하는 것과 같다.
이 명령어는 컨테이너를 삭제하지 않고 중지 상태로 유지하므로 언제든지 다시 시작할 수 있다.
또한 서비스를 정상적으로 종료하고 데이터를 저장하는 과정을 거치기에 데이터 손실이 발생하지 않는다.

2. docker-compose.yml 파일에 볼륨 지정 설정

docker-compose.yml 파일에서 MySQL 데이터베이스나 기타 데이터를 저장할 서비스에 볼륨을 설정하면 데이터 손실을 막을 수 있다.
아래와 같이 yml 파일을 수정하여 볼륨을 설정할 수 있다.
services: db: image: mysql:latest environment: MYSQL_ROOT_PASSWORD: example volumes: - db_data:/var/lib/mysql # 볼륨 설정 volumes: db_data: # 외부에 저장될 볼륨 정의, 별도의 경로 설정 필요 없음
또는, 호스트 경로를 직접 지정하여 데이터 저장을 할 수도 있다.
services: db: image: mysql:latest environment: MYSQL_ROOT_PASSWORD: example volumes: - /my/local/path/db_data:/var/lib/mysql # 호스트 경로를 직접 지정

단기적으로 데이터 보호가 필요하다면 docker-compose stop이 유리하고, 장기적으로 데이터를 안전하게 보존하려면 볼륨 설정이 더 효율적이다.

[PS] 프로젝트를 종료하고 PowerShell에서 프로젝트 디렉토리 삭제하는 방법

코딩하는 앤지 — Sun, 27 Oct 2024 02:46:26 +0900

프로젝트 개발을 완료하고 더 이상 필요하지 않은 경우, 프로젝트를 종료하고 PowerShell을 통해 프로젝트를 삭제할 수 있다.

1. IDE 종료

먼저, 작업을 마친 후 IDE에서 프로젝트를 종료한다.

PyCharm인 경우 File > Close Project를 선택하여 종료한다.

2. PowerShell 실행

Windows 검색창에 "PowerShell"을 입력하고, 관리자 권한으로 PowerShell을 실행한다.

3. 프로젝트 디렉토리로 이동

삭제할 프로젝트가 위치한 디렉토리로 이동한다.

cd C:\Users\<YourUsername>\<ProjectsName>

4. 프로젝트 폴더 삭제

Remove-Item -Recurse -Force .\<ProjectName>

-Recurse는 하위 디렉토리와 파일을 포함하여 삭제한다.
-Force는 사용자의 확인 없이 삭제를 진행한다.

[Git] GitHub Repository에서 .gitignore에 포함된 파일 제거하기

코딩하는 앤지 — Sat, 26 Oct 2024 03:04:00 +0900

개발을 하다 보면 .gitignore파일에 추가했지만 이미 Git에 푸시된 파일을 삭제해야 할 때가 있다.
이럴 때 해당 파일(example.log)을 GitHub Repository에서 제거하는 방법은 다음과 같다.

1. 파일 삭제

먼저, Git에서 example.log 파일을 삭제해야 한다.
이때 --cached 옵션을 사용하면 워킹 디렉터리에서는 삭제되지 않고, Git의 스테이징 영역에서만 없어진다.

git rm --cached example.log

2. .gitignore 파일 업데이트

이제 example.log 파일이 .gitignore에 포함되어 있는지 확인하고 없다면 추가한다.
파일을 열어 직접 example.log를 추가하거나
bash에서 echo "example.log" >> .gitignore를 사용할 수 있다.

3. 변경 사항 커밋

변경 사항을 커밋한다.

git add .gitignore
git commit -m "fix: example.log를 삭제하고 .gitignore 수정"

4. GitHub Repository에 푸시

변경 사항을 Repository에 푸시한다.

git push origin <브랜치명>

5. GitHub에서 확인

GitHub에서 확인하면 더 이상 example.log 파일이 보이지 않아야 한다.

[Git] 브랜치와 커밋 메시지에서 사용하는 prefix

코딩하는 앤지 — Sat, 26 Oct 2024 02:42:32 +0900

브랜치와 커밋 메시지에서 사용할 수 있는 다양한 prefix가 있다.

각 prefix는 특정한 변경 유형을 나타내고, 팀이나 프로젝트에 따라 다를 수 있다.

일반적으로 많이 사용되는 prefix는 다음과 같다.

1. Branch prefix

브랜치는 주로 작업의 유형을 나타내는 이름으로 구성된다.

프리픽스	형식	설명	예시
Feature	`feature/<이름>`	새로운 기능 개발	`feature/user-authentication`
Bugfix	`bugfix/<이름>`	버그 수정	`bugfix/fix-login-error`
Hotfix	`hotfix/<이름>`	긴급 버그 수정	`hotfix/urgent-security-fix`
Release	`release/<버전>`	배포 준비 완료	`release/v1.0.0`
Chore	`chore/<이름>`	잡무나 유지보수 작업	`chore/update-dependencies`
Docs	`docs/<이름>`	문서 관련 작업	`docs/update-readme`
Style	`style/<이름>`	코드 스타일 변경	`style/improve-code-formatting`
Refactor	`refactor/<이름>`	코드 구조 개선	`refactor/optimize-query-performance`

2. Commit message prefix

커밋 메시지 제목은 변경 사항의 유형을 나타내는데 prefix가 사용된다.

프리픽스	설명	예시
feat	새로운 기능 추가	`feat: 사용자 로그인 기능 추가`
fix	버그 수정	`fix: 로그인 예외 처리 버그 수정`
hotfix	긴급 버그 수정	`hotfix: 긴급 보안 패치`
release	배포 준비 완료	`release: 버전 1.0.0 배포`
chore	잡무나 유지보수 작업	`chore: 라이브러리 업데이트`
docs	문서 수정	`docs: README 업데이트`
style	코드 스타일 수정	`style: 코드 포맷팅 수정`
refactor	코드 구조 개선	`refactor: 쿼리 최적화`

[Git] 브랜치로 프로젝트 관리하기

코딩하는 앤지 — Sat, 26 Oct 2024 00:22:53 +0900

브랜치(branch)

Git에서 브랜치는 프로젝트 관리를 체계적으로 돕는 핵심 기능이다.
브랜치는 독립된 작업 공간을 제공하여 새로운 기능 개발, 버그 수정 등 여러 작업을 동시에 진행할 수 있게 한다.
다시 말해, 브랜치를 사용하면 기본(main) 코드에 영향을 주지 않고 개발하거나 테스트할 수 있다.

기본 브랜치 관리 Workflow

브랜치 생성

main 브랜치에서 새로운 기능 또는 작업을 시작하려면, 새 브랜치를 생성하여 독립적으로 작업한다.
새로운 기능을 추가할 때는 feature/기능이름 형식으로 브랜치를 생성한다.
```
git checkout -b feature/기능이름
```

작업 후 커밋(Commit)

작업 후 변경 사항을 저장할 때 커밋한다.
```
git add .
git commit -m "#1: 새 기능 추가"
```

브랜치 병합(Merge)

브랜치에서 작업이 완료되면 main 브랜치로 병합한다.
먼저 main으로 이동하고 병합할 브랜치를 지정한다.
```
git checkout main
git merge feature/새기능
```

브랜치 삭제

병합이 완료되면 필요없는 브랜치를 삭제해 정리할 수 있다.
```
git branch -d feature/기능이름
```

[Docker] 실행 중인 컨테이너에 패키지 설치하기

코딩하는 앤지 — Fri, 25 Oct 2024 23:03:33 +0900

Docker 컨테이너가 실행 중일 때 패키지를 추가 설치하려고 한다면 다음과 같이 진행하면 된다.

1. docker exec 명령어로 컨테이너 접근

bash 쉘에 접근한다.

# 백그라운드에서 실행
docker-compose up -d  

# app 컨테이너 쉘에 접근
docker-compose exec app bash

(참고) [Docker] 실행 중인 컨테이너 쉘(shell / 콘솔)에 접근하기

2. 패키지 설치

컨테이너 쉘에 접근 후, 필요한 패키지를 설치한다.

pip install <package_name>

패키지 설치 예시

3. 작업 완료 후 변경 사항 유지하기

컨테이너에 직접 패키지를 설치하면 해당 컨테이너가 종료될 때 변경 사항이 사라진다.
만약 영구적으로 유지하려면 두 가지 방법이 있다.

1) Dockerfile을 사용한 이미지 업데이트

가장 좋은 방법으로 Dockerfile을 업데이트하여 필요 패키지를 명시적으로 추가하는 방법이다.
컨테이너 쉘에서 현재 환경의 패키지 목록을 requirements.txt에 반영한다.

pip freeze > requirements.txt

만약 Dockerfile에 requirements.txt 설치 명령어가 없다면 추가한다. (필요 시)

RUN pip install --no-cache-dir -r requirements.txt

이미지를 재빌드하고 컨테이너를 실행한다.

docker-compose up --build

2) docker commit을 이용한 새로운 이미지 저장

docker commit 명령어를 통해 현재 컨테이너 상태를 이미지로 저장하는 방법이다.
exit을 통해 쉘을 종료하고 컨테이너를 커밋한다.

docker commit [OPTIONS] <container_id> <repository:tag>

# 예시
docker commit -m "Updated image with new packages" -a "yourname" <container_id> myapp:latest

이후 새로운 컨테이너를 실행한다.

docker run myapp:latest

혹은 docker-compose.yaml 파일이 아래와 같이 되어 있다면, 재빌드하고 컨테이너를 실행한다.

# docker-compose.yaml 일부
services:
  app:
    image: myapp:latest  # 커밋한 이미지를 사용

docker-compose up --build

(추가) Docker Hub 에 이미지 푸시

docker tag myapp:latest <your_dockerhub_username>/myapp:latest
docker push <your_dockerhub_username>/myapp:latest

[Docker] 실행 중인 컨테이너 쉘(shell / 콘솔)에 접근하기

코딩하는 앤지 — Fri, 25 Oct 2024 20:04:11 +0900

Docker 컨테이너가 실행 중일 때 패키지를 추가 설치하거나 디버깅 등 컨테이너에서 직접 작업을 해야할 때가 있다.

이럴 때는 컨테이너의 쉘에 직접 접근하여 명령하는 방법을 사용할 수 있다.

1. 실행 중인 Docker 컨테이너 확인

먼저 Docker에서 실행 중인 컨테이너 목록을 통해 접근하고 싶은 컨테이너 ID를 확인한다.
아래 명령어는 현재 실행 중인 모든 컨테이너의 정보를 볼 수 있다.

docker ps

-a 옵션을 달면 정지된 컨테이너를 포함한 모든 컨테이너를 확인할 수 있다.

2. docker exec 명령어로 컨테이너 접근

docker exec 명령어를 통해 실행 중인 컨테이너의 쉘에 직접 접근할 수 있다.
이 명령어를 사용하면 새 프로세스를 시작하여 컨테이너 내부에서 명령어를 실행한다.
기본 명령어 형식

docker exec -it <container_id_or_name> <shell>

-i: 상호작용(interactive) 모드를 활성화하여 입력을 받을 수 있게 합니다.
-t: 가상 터미널을 활성화합니다.
<container_id_or_name>: 접근하고자 하는 컨테이너의 ID 또는 이름을 입력합니다.
<shell>: 실행할 쉘 유형을 지정합니다. 일반적으로 /bin/bash나 /bin/sh가 사용됩니다.

1) bash 쉘 접근

컨테이너가 bash를 지원하는 경우 사용 가능하다.

docker exec -it <container_id_or_name> /bin/bash

2) sh 쉘 접근

sh만 지원하는 경우는 다음과 같이 사용 가능하다.

docker exec -it <container_id_or_name> /bin/sh

컨테이너 내부에 진입하면 일반적인 리눅스 쉘과 같은 환경에서 명령어를 사용할 수 있다.
여기서 필요한 파일을 수정하거나, 로그를 확인하거나, 환경 설정을 변경할 수 있다.

3) docker-compose exec 명령어로 bash 접근

docker-compose exec <yaml 파일 내 서비스 이름> bash

# app 컨테이너에 접근
docker-compose exec app bash
docker-compose exec app sh

3. 컨테이너 쉘 종료

작업을 완료했다면, exit 명령어로 쉘을 종료하고 빠져나올 수 있다.

exit

[Docker] Docker Compose 서비스 종료 및 리소스 삭제(down)

코딩하는 앤지 — Fri, 25 Oct 2024 18:46:19 +0900

1. 실행 중인 Docker Compose 서비스 종료

터미널을 새롭게 열었다면 프로젝트 디렉토리로 이동한다.
```
cd /path/to/your/project
```
Docker Compose 서비스를 종료한다.
```
docker-compose down
```
- 이 명령어는 모든 컨테이너를 종료하고, 네트워크와 볼륨을 삭제한다.
- 하지만 기본적인 소스 코드나 데이터는 삭제되지 않고 유지된다.

Docker Desktop을 종료한다.
- 시스템 트레이에서 Docker 아이콘을 우클릭하고, "Quit Docker Desktop"을 선택하여 Docker Desktop을 종료한다.

2. 실행 중인 컨테이너 상태 확인 (선택 사항)

서비스 종료 후에도 컨테이너가 남아 있는지 확인하려면 아래 명령어를 실행할 수 있다.
종료된 모든 컨테이너를 포함해 현재 상태의 컨테이너 목록을 보여준다.
```
docker ps -a
```

3. 모든 관련 리소스 삭제

모든 관련 리소스(이미지, 볼륨, 네트워크)를 삭제하려면 --rmi, --volumes, --remove-orphans 옵션을 추가하여 사용할 수 있다.
```
docker-compose down --rmi all --volumes --remove-orphans
```
- --rmi all: 서비스와 연결된 모든 이미지 삭제
- --volumes: 서비스와 연결된 모든 볼륨 삭제
- --remove-orphans: 현재 Compose 파일에 정의되지 않은 다른 컨테이너 삭제

4. 특정 서비스의 컨테이너 삭제

- 이미지를 삭제하려면 아래의 명령어를 사용한다.

docker-compose rm <service_name>

5. 모든 중지된 컨테이너 삭제

docker container prune

6. 사용하지 않는 이미지와 볼륨 삭제

# 사용되지 않는 모든 이미지 삭제
docker image prune -a 
# 사용되지 않는 모든 볼륨 삭제
docker volume prune

Docker 실행하면서 마주한 에러 모음

코딩하는 앤지 — Fri, 25 Oct 2024 03:33:11 +0900

level=warning msg="\\docker-compose.yaml: the attribute 'version' is obsolete, it will be ignored, please remove it to avoid potential confusion"
- 에러 사항까지는 아니지만 docker-compose.yaml 파일에서 더 이상 version을 사용하지 않아 지워도 된다는 것이다. 도커 컴포즈 버전을 뜻하는 version: "3.8"을 지우고 작성해도 된다.
level=warning msg="Found orphan containers ([djangoproject-app-run-1545af8640b djangoproject-app-run-e5d180e421]) for this project. If you removed or renamed this service in your compose file, you can run this command with the --remove-orphans flag to clean it up.
- 실수로 장고 프로젝트가 실행되게 하는 명령어를 지우고 동작이 안되는 이유를 몰라서
  app-1 exited with code 0 을 계속 마주했었다.
- app-1 exited with code 0 는 종료 코드이며 성공적으로 실행되어 오류 없이 종료된 것을 의미한다.
- 하지만 이 코드를 이해 못하고 계속 docker-compose run을 재실행하다 보니 여러 개의 컨테이너가 생겼다.
- 이때 발생한 경고 메시지이며 docker-compose run을 하지 않고, docker-compose up --remove-orphans 명령어를 통해 간단히 정리하거나 직접 지워 해결할 수 있다.
CommandError: /app/manage.py already exists. Overlaying a project into an existing directory won't replace conflicting files.
- 위의 에러와 연결되어 마주한 에러이며, 이전에 실행했던 컨테이너를 종료하고 다시 실행할 때 발생한 에러이다.
- 충돌되는 파일을 삭제 후 다시 명령어를 실행하거나
  - rm -rf app/ # 기존 프로젝트 폴더를 삭제
  - docker-compose run --rm app django-admin startproject app .
- 바로 생성된 프로젝트를 사용하기만 하면 된다.
  - docker-compose up
2,3번 에러는 결국 컨테이너 종료 이유를 발견 못하고, 프로젝트가 생성되었는데 계속 생성하려 해서 발생한 에러이다. 그리고 생성과 사용의 차이를 이해하지 못했어서 발생한 문제였다.
Error response from daemon: invalid volume specification: '/run/desktop/mnt/host/c/Users/Angie/PycharmProje
cts/pystagram:app:rw': invalid mount config for type "bind": invalid mount path: 'app' mount path must be absolute
- docker-compose run --rm django-service django-admin startproject config . 명령어 실행 시 위와 같은 에러가 발생했다.
- 확인해 보니 docker-compose.yml에서 volumes: 에서 경로를 .:app이라고 작성했기 때문에 에러가 발생한 것이다.
- build 할 때는 문제가 없지만 실행할 때 경로를 제대로 찾지 못하는 문제가 발생한 것이다.
- docker-compose.yml의 volumes경로는 .:/app 와 같이 슬래시를 추가해주어야 한다.
[frontend internal] load build context
- CACHED [frontend 2/5] WORKDIR /app 0.0s
  ------
  > [frontend internal] load build context:
  ------
  failed to solve: archive/tar: unknown file mode ?rwxr-xr-x
- https://stackoverflow.com/questions/78523506/docker-error-failed-to-solve-archive-tar-unknown-file-mode-rwxr-xr-x
- node_modules 디렉토리와 package-lock.json를 삭제하고 다시 시도하면 된다.
- node_modules 디렉토리 안에는 copy가 되지 않는 파일들이 포함되어 있어 옮기는 과정에서 에러가 발생한 것이다.
- 이 두 가지는 이후에 npm install와 npm run build 명령어를 통해 재생성 가능하고, permissions 문제도 해결될 것이다.

[Docker] Docker Compose로 Django 프로젝트 환경 구성

코딩하는 앤지 — Fri, 25 Oct 2024 03:09:44 +0900

Docker를 이용해 동일한 환경에서 Django 프로젝트를 실습하고자 하는 경우, Docker Compose를 사용하면 쉽게 개발, 테스트, 배포 환경을 구성할 수 있다.

PyCharm을 이용해 Django 프로젝트를 Docker Compose로 설정하는 방법을 단계별로 살펴보자.

1. Docker Desktop 설치

Docker Desktop을 설치한다.
Windows 설치 방법은 이전 글인 [Docker] 도커 데스크탑 설치 (Docker Desktop in Windows)를 참고할 수 있다.

2. 프로젝트 생성

먼저 도커에서 실행할 Django 프로젝트 디렉토리가 필요하다.
빈 디렉토리거나 기존에 작업 중인 프로젝트여도 상관없다.
여기서는 djangoProject라는 빈 디렉토리를 사용하려고 한다.

2. Docker Compose를 실행하기 위한 파일 생성

requirements.txt
Dockerfile
docker-compose.yaml

파일 생성 완료 모습

1) requirements.txt

requirements.txt 파일에 프로젝트에 필요한 패키지를 명시한다.
Django 프로젝트를 구성할 때는 기본적으로 Django 패키지를 추가한다.

Django>=4.0,<5.0

2) Dockerfile

Dockerfile은 Docker 컨테이너 이미지가 빌드(build)될 때 거치는 단계들을 정의한 파일이다.
이 파일을 통해 Django 프로젝트 환경을 설정할 수 있다.

# 1. python 3.11 버전을 사용한 기본 이미지
FROM python:3.11

# 2. 환경 변수 설정: Python 출력 버퍼링을 비활성화
ENV PYTHONUNBUFFERED 1

# 3. 작업 디렉토리 설정
WORKDIR /app

# 4. 의존성 파일을 복사하고 설치
COPY requirements.txt .
RUN pip install --upgrade pip && \
    pip install -r requirements.txt

# 현재 디렉토리의 모든 프로젝트 파일을 이미지 내의 작업 디렉토리로 복사
COPY . .

# 8000번 포트 개방
EXPOSE 8000

모든 프로젝트 파일을 복사하기 전, 의존성 파일을 개별적으로 복사하고 설치하는 이유는 의존성이 변경되지 않는 한 이 단계까지의 캐시를 활용하여 더 빠르게 빌드할 수 있기 때문이다.

3) docker-compose.yaml

docker-compose.yaml 파일을 통해 여러 서비스를 하나의 파일로 정의할 수 있다.
여기서는 Django 애플리케이션과 MySQL 데이터베이스를 구성한다.

services:
  # Django 애플리케이션 서비스의 이름
  app:
    # 현재 디렉토리에 있는 Dockerfile을 기반으로 이미지 빌드 즉, 빌드할 Dockerfile이 있는 위치를 알려줌
    build: .
    # 컨테이너가 시작될 때 실행할 명령어를 설정
    command: >
      sh -c "python manage.py runserver 0.0.0.0:8000" 
    # 로컬 디렉토리를 컨테이너 내의 /app 디렉토리로 마운트
    volumes:
      - .:/app
    # 호스트의 8000번 포트를 컨테이너의 8000번 포트와 연결
    ports:
      - "8000:8000"
    # 아래에 정의된 db 서비스가 시작된 후 이 서비스를 시작
    depends_on:
      - db

  # MySQL 서비스의 이름
  db:
    # MySQL 8.0 이미지를 사용해 컨테이너 생성
    image: mysql:8.0
    # 컨테이너가 종료되면 자동으로 재시작하도록 설정
    restart: always
    # 데이터베이스 환경 변수 설정
    environment:
      MYSQL_ROOT_PASSWORD: rootpw
      MYSQL_DATABASE: mydb
      MYSQL_USER: myuser
      MYSQL_PASSWORD: mypw
    # 포트 연결
    ports:
      - "3306:3306"

Note: Django는 기본적으로 SQLite를 사용한다. 하지만 이 예시에는 MySQL을 사용해 데이터베이스를 설정했으며, 이처럼 별도의 데이터베이스가 필요한 경우 db 서비스 구성을 조정하여 다른 데이터베이스 시스템도 사용할 수 있다.
종료시 데이터 손실을 방지하려면 db 서비스에 volumes를 설정해주어야 한다.

services:
  db:
    ...
    volumes:
      - db_data:/var/lib/mysql  # MySQL 데이터가 저장될 볼륨 설정

volumes:
  db_data:  # MySQL 데이터를 저장할 외부 볼륨

3. 이미지 빌드

Docker Compose 파일에 정의된 서비스 이미지를 빌드한다.

docker-compose build

4. Django 프로젝트 생성

Docker Compose를 사용해 컨테이너를 실행하고 Django 프로젝트를 생성한다.
아래 명령어의 결과로 app 폴더 안에 Django 프로젝트 디렉토리(app, manage.py, db.sqlite3)를 생성한다.

docker-compose run --rm <서비스명> django-admin startproject <프로젝트 폴더명> <프로젝트 생성위치>
docker-compose run --rm app django-admin startproject config .

위 명령어는 docker-compose.yml 파일에 정의된 app 서비스의 새로운 컨테이너를 생성하고,
현재 디렉터리(.)에 config라는 폴더를 생성하여 Django 프로젝트의 기본 파일 구조를 설정한 뒤,
작업이 완료된 후 컨테이너를 자동으로 제거하겠다는 의미이다.
--rm 옵션은 명령어 실행이 완료되었을 때, 컨테이너를 자동으로 삭제하는 옵션이다.
불필요한 컨테이너가 시스템에 남지 않기에 클린한 환경을 유지할 수 있다.

5. Docker 컨테이너 실행 및 Django 확인

Django 프로젝트를 Docker 컨테이너로 실행한다.

docker-compose up

-d 옵션을 통해 백그라운드 실행을 할 수 있다.
--remove-orphans 옵션을 사용해 더이상 사용되지 않는 컨테이너를 정리할 수 있다.

6. 브라우저에서 Django 확인

브라우저에서 http://localhost:8000으로 접속하면 Django 프로젝트가 실행 중인 것을 확인할 수 있다.

[Docker] PyCharm에 Docker 플러그인 설치

코딩하는 앤지 — Thu, 24 Oct 2024 06:36:02 +0900

PyCharm에서 Docker 플러그인을 설치하는 과정은 다음과 같이 매우 간단하다.

1. 설정 창 열기

먼저 PyCharm의 설정 창을 연다.
메뉴에서 파일(File) > 설정(Settings)로 이동하면 된다.

2. Docker 플러그인 검색 및 설치

설정 창에서 플러그인(Plugins) 항목을 선택한 후, 검색창에 "Docker"를 입력한다.
상단에 표시되는 Docker 플러그인을 선택한 뒤, 설치 버튼을 선택한다.

3. 설치 완료 후 적용

플러그인 설치가 완료되면 하단의 적용(Apply) 버튼을 눌러 변경 사항을 저장한다.

4. Docker 탭 확인

적용이 완료되면, 아래 이미지와 같이 빌드(Build), 실행(Run), 배포(Deployment) 하위에 Docker 옵션이 추가된 것을 확인할 수 있다.

[Docker] 도커 데스크탑 설치 (Docker Desktop in Windows)

코딩하는 앤지 — Thu, 24 Oct 2024 04:56:31 +0900

Docker Desktop을 Windows에서 설치하기 위해서는 몇 가지 시스템 요구사항을 확인하고, WSL2(Windows Subsystem for Linux 2)를 활성화해야 한다. 순서대로 Docker Desktop을 설치해보자.

1. 시스템 요구사항 확인

1) 운영체제 확인

Windows 10 64-bit 이상인지 확인한다. (Pro, Enterprise, Education)
Docker Desktop은 Hyper-V 기능을 사용하기 때문에 해당 기능을 지원하는 버전인지 확인이 필요하다.
만약 Hyper-V 사용 가능 환경이라면 바로 Docker Desktop을 설치할 수 있다.
확인 방법
윈도우 검색창에 "PC 이름 보기"를 검색하여 운영체제 버전과 시스템 정보를 확인한다.

2) WSL2 활성화

Home 버전에서 Docker를 사용하려면 WSL 2가 필수로 필요하다.
WSL 2는 윈도우에서 리눅스를 사용할 수 있도록 도와주는 기능이다.
활성화 과정은 다음과 같다.

① 관리자 권한으로 PowerShell 실행한다.
② 아래 명령어를 입력하여 WSL 2와 Virtual Machine Platform 기능을 활성화한다.

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

③ 컴퓨터를 재부팅한다.

3) 리눅스 환경 설치

WSL2를 활성화 되었음으로 이제 윈도우 위에 리눅스를 설치할 수 있게 되었다.
다음 명령어를 통해 설치 가능한 배포판 목록을 확인한다.

wsl.exe --list --online

배포판 목록 중 선택해 설치한다. 여기서는 Ubuntu-22.04를 설치했다.

// Ubuntu 설치
wsl.exe --install Ubuntu-22.04

// Ubuntu 자동 실행
// UNIX username 입력
// New password 입력
// password 한번 더 입력
// exit 명령어로 빠져 나오기

설치가 완료되면 Ubuntu가 자동으로 실해되고, 사용자 이름과 비밀번호를 설정하는 과정이 진행된다.
설정을 완료한 후 exit 명령어로 리눅스 서버에서 빠져 나온다.

4) WSL 에 설치된 배포판과 버전 정보 확인

아래 명령어로 WSL 및 설치된 리눅스 배포판의 버전 정보를 확인할 수 있다.

// WSL 정보 확인
wsl -v
// 설치된 배포판과 버전 확인
wsl -l -v

2. Docker Desktop on Windows 설치

이제 Docker Desktop를 설치하는 단계이다.

① Docker Desktop 설치 페이지로 이동해 설치 파일을 다운로드 한다.

https://docs.docker.com/desktop/install/windows-install/

Windows

Get started with Docker for Windows. This guide covers system requirements, where to download, and instructions on how to install and update.

docs.docker.com

② 설치 파일을 실행하고, 설치가 완료되면 "Close and Restart" 버튼을 눌러 컴퓨터를 재부팅한다.

③ 재부팅 후 처음 Docker Desktop을 실행하면 Docker Subscription Service Agreement 창이 나타난다. "Accept" 버튼을 클릭한다.

④ Docker에 로그인한 후, 짧은 설문을 완료하면 설치가 완료된다.