AI 헬스케어 3기 데이터 분석 코스 Python (7)

람다함수 (Lambda Functions)

람다함수는 간단한 함수를 한 줄로 정의할 수 있는 익명 함수입니다.


의료 데이터 처리에서 환자 목록 정렬, 조건부 필터링, 데이터 변환 등에 매우 유용합니다.


왜 람다함수가 필요할까?

간단한 작업을 위해 함수를 계속 만들기 번거로움

데이터 정렬/필터링에서의 편리함


#a,b라는 파라미터를 가져와서 이 두개를 더한 값을 return하는 함수

def add(a, b): 

    return a + b


add(10, 20)


람다함수 사용법

람다함수는 lambda 키워드를 사용해 간단하게 함수를 정의하며 return 키워드 없이 표현식의 결과를 자동으로 리턴합니다.


기본 문법


# 기본 형태

lambda 파라미터: 리턴할 표현식


# 예시

lambda x: x * 2



# 일반 함수

def calculate_bmi(weight, height):

    return weight / (height ** 2)


# 람다함수로 변환

calculate_bmi_lamda = lambda weight, height: weight / (height ** 2)


# 사용법은 동일

patient_bmi = calculate_bmi_lamda(70, 1.75)

print(f"환자 BMI: {patient_bmi:.1f}")



표현식이란?

표현식(Expression)은 값을 계산해서 결과를 만들어내는 코드입니다.


# 이것들이 모두 "표현식"입니다

x + 5           # 계산 표현식

"hello"         # 문자열 표현식

x > 10          # 비교 표현식

a if b else c   # 조건 표현식


# 상황 연산자

#value1 if 조건식 else value2


age = 10

# 나이에 따라서 미성년자 or 성인 판별

adult = "성인" if age >= 18 else "미성년자" #"미성년자" or "성인"

print(adult) # 미성년자


#if age >= 18:

#  adult = "성인" 

#else:

#  adult = "미성년자"


 람다함수의 활용


1. 조건문에 활용


# 혈압 분류 함수


classify_bp = lambda systolic: "고혈압" if systolic >= 140 else "고혈압전단계" if  systolic >= 120 else "정상"


def classify_bp(systolic):

   if systolic >= 140:

     return "고혈압"

   elif systolic >= 120:

     return "고혈압전단계"

    else:

      return "정상"

# 환자 혈압 분류

patients_bp = [120, 135, 145, 110, 155]

for bp in patients_bp:

    print(f"혈압 {bp}: {classify_bp(bp)}")


2. 데이터 정렬에 활용

sorted() 함수의 key 매개변수에는 어떤 기준으로 정렬할지를 알려주는 함수를 넣어줍니다.

# 환자 정보 리스트

patients = [

    {"name": "김환자", "age": 65, "systolic": 140, "temperature": 36.8},

    {"name": "이환자", "age": 45, "systolic": 120, "temperature": 37.2},

    {"name": "박환자", "age": 55, "systolic": 155, "temperature": 36.5},

    {"name": "최환자", "age": 70, "systolic": 135, "temperature": 38.1}

]


# 혈압 기준으로 정렬 (람다함수 사용)

patients_sorted_by_systolic = sorted(patients, key=lambda patient: patient["systolic"])

#                                               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

#                                               각 환자에서 혈압값을 뽑아서 정렬 기준으로 사용

print("=== 혈압 기준 정렬 ===")

for patient in patients_sorted_by_systolic:

    print(f"{patient['name']}: {patient['systolic']}mmHg")


# 나이 기준으로 정렬 (내림차순)

patients_sorted_by_age = sorted(patients, key=lambda patient: patient["age"], reverse=True)


print("=== 나이 기준 정렬 (내림차순) ===")

for patient in patients_sorted_by_age:

    print(f"{patient['name']}: {patient['age']}세")


일반 함수 vs 람다함수


# 환자 정보 리스트

patients = [

    {"name": "김환자", "age": 65, "systolic": 140, "temperature": 36.8},

    {"name": "이환자", "age": 45, "systolic": 120, "temperature": 37.2},

    {"name": "박환자", "age": 55, "systolic": 155, "temperature": 36.5},

    {"name": "최환자", "age": 70, "systolic": 135, "temperature": 38.1}

]


# 1. 일반 함수 방식

def get_patient_risk_level(patient):

    if patient["systolic"] >= 160:

        return "고위험"

    elif patient["systolic"] >= 140:

        return "중위험"

    else:

        return "저위험"


risk_levels = [get_patient_risk_level(p) for p in patients]



# 2. 람다함수 방식 (간단한 경우에만)

get_risk = lambda p: "고위험" if p["systolic"] >= 160 else "중위험" if p["systolic"] >= 140 else "저위험"

risk_levels = [get_risk(p) for p in patients]


환자 체온 분류

환자의 체온을 받아서 발열 여부를 판단하는 함수를 두 가지 방식으로 작성하세요.


# 여기에 코드를 작성하세요


# 방법 1: 일반 함수 방식

def check_fever(temperature):

  if temperature >= 37.5:

      return "발열"

  else: 

      return "정상"


return "발열" if fever >= 37.5 else "정상"


# 방법 2: 람다함수 방식

check_fever_lambda = almbda if temperature : "발열" if temperature >= 37.5 else "정상"


람다함수 사용 시 주의사항

언제 사용하면 좋을까?

✅ 간단한 계산이나 변환

✅ 일회성 정렬/필터링

✅ map, filter, sorted 함수와 함께

✅ 즉석 데이터 처리

언제 사용하지 말아야 할까?

❌ 복잡한 로직 (3줄 이상)

❌ 반복적으로 사용되는 함수

❌ 디버깅이 중요한 핵심 로직

❌ 다른 사람이 이해하기 어려운 복잡한 조건

람다함수는 의료 데이터 처리에서 빠르고 간편한 도구입니다.

적절히 사용하면 코드가 훨씬 간결하고 효율적이 되지만, 너무 복잡하게 만들면 오히려 가독성을 해칠 수 있으니 상황에 맞게 사용하세요.


# 점심 메뉴 추천하는 프로그램

import random


lunch_menu = ["된장찌개", "김치볶음밥", "비빔면", "제육볶음", "돈까스"]

dinner_menu = ["삼겹살", "피자", "파스타", "곱창", "치킨"]


# 1. 사용자에게 입력값 받아오기


meal = input("점심/저녁 중에 선택하세요")

meal 


# 2. 방아온 입력값을 기준으로 해당 메뉴리스트에서 랜덤으로 값 뽑아오기


get_menu = lambda meal: random.sample(lunch_menu,1)[0]if meal == "점심" else random.sample(dinner_menu,1)[0]

print(get_menu(meal))


데이터 처리

keyboard_arrow_down

 JSON 데이터 처리

JSON (JavaScript Object Notation)은 딕셔너리와 리스트 같은 파이썬 데이터를 텍스트 파일로 저장하거나 웹에서 주고받을 때 사용하는 표준 데이터 형식입니다.

의료진이 EMR 시스템, 의료 API, 연구 데이터를 다룰 때 자주 접하게 되는 형식입니다.



JSON이란?

JSON은 문자열 형식으로, 의료 데이터를 구조화해서 저장하고 전송할 때 널리 사용됩니다.


Python ↔ JSON 변환


json.dumps() - Python → JSON 문자열


import json # JSON 데이터 처리를 위한 파이썬 내장 모듈


# 환자 정보를 딕셔너리로 저장

patient_info = {

    "patient_id": "P001",

    "name": "박환자",

    "age": 45,

    "department": "내과",

    "diagnosis": ["고혈압", "당뇨병"],

    "medications": ["혈압약", "당뇨약"],

    "is_emergency": False,

    "blood_sugar": 120.5

}


# JSON 문자열로 변환

json_string = json.dumps(

    patient_info,           # JSON으로 변환할 파이썬 객체

    ensure_ascii=False,     # 한글 등 비ASCII 문자를 유니코드 그대로 출력

    indent=2                # JSON을 2칸 들여쓰기로 예쁘게 포맷팅

)


print(json_string)

print(f"데이터 타입: {type(json_string)}")


import json


json_string = json.dumps(patient_info, ensure_ascii=False, indent=2)


json_string



# 혈압 분류 판정

systolic = device_data['vital_signs']['systolic_bp']

if systolic >= 140:

    bp_category = "고혈압"

elif systolic >= 120:

    bp_category = "고혈압 전단계"

else:

    bp_category = "정상"


print(f"혈압 분류: {bp_category}")


type(medical_device_data)

data =json.loads(medical_device_data)

type(data)


# 딕셔너리에서 데이터를 뽑아오는 1번째 방법

data["vital_signs"]["heart_rate"]


# 딕셔너리에서 데이터를 뽑아오는 2번째 방법

data.get("vital_signs").get("heart_rate")


 CSV 파일 처리

CSV (Comma-Separated Values)는 엑셀처럼 표 형태의 데이터를 쉼표로 구분하여 저장하는 간단한 텍스트 파일 형식입니다. 

의료진이 환자 데이터 분석, 연구 결과 정리, 보고서 작성 시 가장 많이 사용하는 형식입니다.


tReader와 DictWriter

딕셔너리 형태로 데이터를 다루면 열 이름으로 직접 접근할 수 있어 더 편리합니다.


댓글

댓글 쓰기

이 블로그의 인기 게시물

베이스 캠프에서 (1)

이미지
베이스 캠프에서는 우선 시작을 독려해주는 글과 함께 Visual Studio Code를 설치할 것을 요청했다. 일단 VS Code의 경우 이미 내가 사용하는 기기에 설치가 되어 있었기 때문에 extensions만 추가로 설치했다.  우선 Python이 설치를 하였고 그 외에도 코드의 가독성을 높이는  Indent Rainbow, Better Comments, Colorize 등을 설치하였다. 한국어로 진행되는 과정인 만큼 VS Code용 한국어 팩도 설치했다. 다음으로 계속해서 캠프 미션을 따라갔다. 터미널(MAC을 사용할 경우. Windows는 PowerShell 이다.)에 대해 알아보았다. 터미널이란 command line interface로 서버 관리, 개발, 자동화 작업 등에 사용되는 명령어 등을 입력할 수 있는 환경이다. 터미널에서 사용되는 명령어는 파일 관리, 프로세스 제어, 네트워크 설정 등의 작업에 사용되고 시스템 자원에 접근하고 제어하는 도구다. Command Line Interface 와 Graphic User Interface에는 차이가 있다. 우리가 흔히 컴퓨터를 사용할 때 마우스 등을 통해 작업 실행을 하는 것이 Graphic User Interface이다. 반면에 Command Line Interface의 경우 키보드 등으로 명령어를 입력하고 텍스트로 출력되는 형태로 시스템을 제어하는 것이다. Git, Node.js, Docker, Kubernetes, AWS CLI, Terraform 등은 모두 CLI를 기반으로 동작하며 여러 서버는 CLI 환경에서 관리한다. 특히 리눅스가 그러하며 원격으로 서버에 접속해 관리하거나 배포할 경우 이용되어야 하기 때문에  개발자들은 필수로 사용법을 익혀야 하는 사항이다. 그 다음 목차는 Git 과 GitHub에 관한 내용이다. Git 이란 코드의 변경 이력을 추적하고 관리하는 데 이용하는 관리 시스템으로 개인 컴퓨터에서 동작하며 인터넷 연결 없이도 관리가 가능한 시스템이다. G...
자세한 내용 보기

베이스 캠프에서 (2)

이미지
 HTML이나 XML 같은 마크업 언어로 스타일 시트 언어인 CSS 언어에 대해서 베이스 캠프의 링크를 타고 들어가 배우고 실습에 도전했다. 처음에는 오류가 나 명령어가 구현된 화면에 나타나는 것을 볼 수 있었다. 끝인 줄 알았지만 " ‘실습 도전하기’만 bold처리 하세요."로 되어 있었다. <! DOCTYPE html > < html lang = "ko" > < head >     < meta charset = "UTF-8" >     < title > 오늘의 할 일 </ title >     < style >         body {             background-color : #f4f4f4 ;             font-family : Arial , sans-serif ;         }         h1 { color : #3498db ; }         p { font-size : 18px ; }         a { text-decoration : none ; }     </ style > </ head > < body >     < a href = "https://ozcodingschool.com/" >< h1 > 오늘의 할 일 </ h1 ></ a >     < ul >         < li > HTML 예습하...
자세한 내용 보기

Database 분석 (4)

이미지
오늘은 데이터베이스 프로젝트를 진행했다.  문제는 다음과 같았다. # 📝 문제 리스트 아래 문제 중 **4개 이상 (필수 1개 + 선택 3개 이상)** 을 선택하여 수행합니다.   ## [필수] 1) 고심박(high HR) 위험군 탐지 - 일정 기준(예: heart_rate > 150)을 넘는 순간을 찾아서   - 발생 시각     - 해당 활동     - 발생 빈도를 분석한다. ## 2) 활동(activity)별 평균 생체지표 분석 - 활동별로 heart_rate, step_count, resp_rate, body_temp의 평균을 계산하고 비교한다. - 어떤 활동이 가장 높은 생체 지표를 보이는지 분석한다. ## 3) 체온 이상치(high fever) 탐지 - body_temp ≥ 38.0°C인 구간을 찾아     - 어떤 활동에서 많이 나타나는지     - 위험 패턴이 존재하는지 분석한다. ## 4) 산소포화도(SpO₂) 저하 위험 탐지 - blood_oxygen < 94% 데이터를 필터링하여     - 발생 시각     - activity를 분석한다. ## 5) 활동별 활동량(step_count) 분석 - 활동별로 step_count 합계와 평균을 구하고   - 가장 활동량이 많은 활동을 찾는다. ## 6) 센서 오류(is_tampered) 데이터 탐지 - is_tampered = 1 이 발생한 횟수를 파악하고   - 오류가 어떤 활동에서 많이 발생하는지 분석한다. ## 7) 시간대별 생체지표 분석 - 시간(HOUR) 기준으로 데이터를 그룹화하여     - 시간대별 평균 heart_rate     - 시간대별 평균 body_temp 패턴을 분석한다. ## 8) ...
자세한 내용 보기