정보설명서

  논문 작성할 시기가 되면 데이터 분석보다 이게 더 발목을 잡는 일이 많습니다. 그건 바로 학술지마다 요구조건이 까다로운 '그래프 규격 맞추기'인데요, 어떤 학술지는 본문과 동일한 폰트를 요구하고, 어떤 곳은 1단의 너비를 몇 인치로 맞춰라 라고 제한합니다. 저 역시 예전에는 분석 코드 따로, 시각화 코드 따로 돌리며 매번 그래프를 그릴 때마다 폰트 크기와 선 두께를 수동으로 타이핑했습니다. 그러다 보니 논문에 들어갈 그림이 수십 장이 되었을 때, 어떤 그림은 글자가 크고 어떤 그림은 선이 얇아 스타일의 일관성이 없어보이는 실수를 많이 했습니다. 심사위원(Reviewer)에게 "그래프의 가독성이 떨어지고 통일감이 없다"는 지적을 받고 투고가 지연되기도 했습니다. 오늘 소개할 방법은 이러한 수동 작업과 실수를 원천 차단하는 기술입니다. 파이썬 Matplotlib의 '스타일시트(Style Sheet)' 기능을 활용하면, 코드 단 한 줄로 내가 원하는 학술지의 그래픽 가이드라인을 완벽하게 적용할 수 있습니다. 1. 엑셀의 흔적을 지우고 학술지 규격을 입히는 원리 우리가 흔히 쓰는 Matplotlib의 기본 그래프는 회색 배경이 들어가거나 선이 너무 얇아 학술 인쇄용으로는 적합하지 않습니다. 이를 해결하기 위해 많은 연구자가 코드 내부에 font.size나 두께를 지정하는 코드를 수십 줄씩 집어넣곤 합니다. 하지만 더 영리한 방법은 Matplotlib이 제공하는 rcParams 시스템을 파일 형태로 독립시키는 것입니다. 확장자가 .mplstyle 인 텍스트 파일을 하나 만들어두고, 여기에 저널이 요구하는 폰트, 해상도(DPI), 축 테두리(Spine) 두께, 컬러 팔레트 등을 미리 정의해 놓는 방식입니다. 이렇게 하면 메인 분석 코드에는 오직 '데이터를 그리라는 명령'만 남겨둘 수 있습니다. 디자인 요소를 완전히 분리하기 때문에 코드가 깔끔해질 뿐만 아니라, 투고할 저널이 바뀌더라도 스타...

  연구실 모니터에 검은색 터미널 창만 띄워놓고 숫자가 올라가는 것을 멍하니 지켜보던 시절이 있었습니다. 데이터가 잘 쌓이고 있는지 확인하려면 매번 Ctrl+C 로 프로그램을 멈추고 엑셀을 열어봐야 했죠. 하지만 데이터가 수만 건을 넘어가면 엑셀을 여는 것조차 일이 되고, 전체적인 경향성을 파악하기란 거의 불가능에 가까워집니다. 오늘은 이런 '답답한 연구 환경'을 단숨에 바꿔줄 도구를 소개합니다. 바로 Streamlit 입니다. HTML이나 자바스크립트를 전혀 몰라도, 오직 파이썬 코드 몇 줄만으로 브라우저에서 작동하는 전문가급 대시보드를 만들 수 있습니다. 이제 연구실 밖에서도 내 실험 데이터가 어떻게 변하고 있는지 '관제탑'처럼 한눈에 파악해 보세요. 1. 왜 연구자에게 '웹 대시보드'가 필요한가? 단순히 시각적으로 예쁘기 때문이 아닙니다. 연구 효율 측면에서 대시보드는 다음과 같은 결정적인 가치를 제공합니다. 실시간 이상 징후 포착: 그래프를 실시간으로 띄워두면, 숫자로만 볼 때는 놓치기 쉬운 튀는 값(Outlier)이나 장비 오작동 신호를 즉각 발견할 수 있습니다. 비전문가와의 협업: 파이썬을 모르는 지도 교수님이나 동료들도 웹 주소 하나만으로 실험 결과를 자유롭게 필터링하고 확인하며 의견을 나눌 수 있습니다. 데이터 탐색의 자유: 날짜별, 장비별, 조건별 데이터를 슬라이더와 버튼으로 조절하며 분석하는 '인터랙티브 분석'이 가능해집니다. 2. 5분 만에 만드는 기초 관제탑 코드 Streamlit의 가장 큰 장점은 설치와 사용이 압도적으로 쉽다는 것입니다. 먼저 pip install streamlit 으로 설치한 뒤, 아래 코드를 작성해 보세요. import streamlit as st import pandas as pd import numpy as np # 1. 대시보드 제목 설정 st.title('🔬 실시간 연구 데이터 관제탑...

연구실에서 긴 시간 동안 돌아가는 시뮬레이션이나 실험을 걸어두고 퇴근할 때, 누구나 한 번쯤은 이런 걱정을 합니다. "밤사이에 프로그램이 에러가 나서 멈추면 어떡하지?" 아침에 설레는 마음으로 출근했는데, 실행 5분 만에 프로그램이 뻗어버린 것을 확인했을 때의 그 허탈함은 이루 말할 수 없습니다. 저 역시 석사 과정 시절, 48시간짜리 연산을 돌려놓고 주말을 보낸 뒤 월요일 아침에 마주한 'Memory Error' 메시지 때문에 일주일치 계획이 꼬였던 아픈 기억이 있습니다. 이런 불상사를 막기 위해 가장 필요한 것이 바로 '실시간 알림 시스템'입니다. 프로그램이 정상적으로 종료되었을 때는 물론, 예상치 못한 에러로 멈췄을 때 즉시 내 스마트폰으로 메시지를 보내주게 만드는 것이죠. 오늘은 파이썬과 텔레그램(Telegram) 봇 API를 활용해, 10분 만에 구축할 수 있는 가장 확실한 연구 모니터링 시스템을 소개합니다. 1. 왜 텔레그램인가? 알림 시스템을 만드는 방법은 이메일, 슬랙(Slack), 카카오톡 등 다양합니다. 하지만 연구용으로 텔레그램을 가장 추천하는 이유는 명확합니다. 첫째, API 설정이 압도적으로 간단합니다. 둘째, 무료이며 메시지 전송 제한이 거의 없습니다. 셋째, 파이썬의 requests 라이브러리 하나만 있으면 복잡한 SDK 설치 없이도 구현이 가능하기 때문입니다. 2. 텔레그램 봇 생성 및 API 키 확보하기 먼저 스마트폰 텔레그램 앱에서 'BotFather'를 검색하세요. 채팅창에 /newbot 을 입력하고 안내에 따라 봇의 이름과 아이디를 정하면 'HTTP API Token'을 줍니다. 이것이 우리 파이썬 코드가 텔레그램 서버에 접근할 수 있는 열쇠입니다. 이후 여러분의 봇과 대화를 시작하고 아무 메시지나 보낸 뒤, 브라우저에서 [https://api.telegram.org/bot](https://api.telegram.org/bot)<토큰>/g...

연구실에서 가장 등골이 오싹해지는 순간이 언제일까요? 아마 어제까지 멀쩡히 돌아가던 분석 프로그램이 "Database file is corrupted"라는 에러를 내뱉거나, 실수로 DROP TABLE 명령어를 날려 지난 몇 달간의 실험 기록이 증발했다는 사실을 깨달았을 때일 것입니다. 저 역시 석사 과정 시절, 외장 하드 전원을 잘못 뽑아 수천 장의 분석 이미지가 담긴 DB를 통째로 날리고 꼬박 사흘을 밤새워 복구했던 아픈 기억이 있습니다. 자동화의 핵심은 단순히 일을 빨리 처리하는 것에 그치지 않습니다. 예상치 못한 재난 상황에서도 내 연구 성과를 안전하게 지켜내는 '복원력'을 갖추는 것이 진정한 자동화의 완성입니다. 오늘은 파이썬의 표준 라이브러리만을 활용해, 매일 정해진 시간에 DB를 백업하고 필요할 때 즉시 복구하는 시스템을 구축해 보겠습니다. 1. 왜 연구용 DB는 '자동' 백업이 필수인가? 우리는 흔히 "중요한 파일이니까 수동으로 자주 복사해둬야지"라고 생각합니다. 하지만 연구에 몰입하다 보면 백업은 늘 우선순위에서 밀리기 마련입니다. 특히 데이터가 실시간으로 쌓이는 자동화 시스템에서는 백업 시점을 놓치면 수 시간 분량의 귀한 실험 수치를 잃게 됩니다. SQLite는 파일 하나로 구성되어 있어 백업이 매우 쉽지만, 반대로 그 파일 하나가 손상되면 모든 데이터를 잃는다는 위험도 큽니다. 따라서 사람이 직접 복사하는 것이 아니라, 파이썬 스크립트가 알아서 날짜와 시간을 붙여 복사본을 만들어두는 시스템이 반드시 필요합니다. 2. 파이썬 shutil을 활용한 초간단 백업 스크립트 파이썬에는 파일을 복사하는 데 최적화된 shutil 라이브러리가 있습니다. 이를 활용하면 단 몇 줄의 코드로 완벽한 백업 파일을 생성할 수 있습니다. 단순히 복사만 하는 것이 아니라, 파일명에 현재 날짜와 시간을 포함해 언제 만든 백업인지 한눈에 알 수 있게 하는 것이 핵심입니다. Python import shu...

연구 데이터가 쌓이다 보면 가장 먼저 마주하는 벽은 '전체적인 흐름 파악'입니다. 엑셀 파일에 센서 데이터가 10만 줄 정도 쌓여 있다고 가정해 봅시다. 이 데이터들의 전체 평균 온도를 구하거나, 실험이 총 몇 번 성공했는지 확인하려고 엑셀을 켜면 일단 로딩 속도부터 우리를 지치게 합니다. 저 역시 예전에는 데이터가 너무 많아 엑셀이 응답 없음 상태가 되면, 컴퓨터를 원망하며 커피를 마시러 가곤 했습니다. 하지만 데이터베이스(DB)의 집계 함수(Aggregate Functions)를 알게 된 뒤로는 그런 기다림이 사라졌습니다. 파이썬으로 모든 데이터를 불러와서 계산할 필요도 없습니다. DB에게 "이 데이터들의 평균 좀 내줘"라고 말만 하면, DB가 내부적으로 계산을 끝내고 결과값 딱 하나만 보내주기 때문입니다. 1. 연구자가 가장 많이 쓰는 5대 집계 함수 SQL에는 복잡한 수학 공식 대신, 누구나 직관적으로 알 수 있는 단어들로 구성된 함수들이 있습니다. COUNT: 데이터가 총 몇 개인지 세어줍니다. (예: 총 실험 횟수) AVG: 수치 데이터의 평균을 구합니다. (예: 평균 전압 수치) SUM: 데이터의 합계를 구합니다. (예: 총 약물 투여량) MAX / MIN: 최댓값과 최최솟값을 찾습니다. (예: 실험 중 최고 온도) 이 함수들의 가장 큰 매력은 속도입니다. 수백만 건의 데이터가 들어있어도 집계 함수를 사용하면 거의 실시간으로 답을 얻을 수 있습니다. 이는 우리가 파이썬 루프를 돌려 직접 계산하는 것보다 훨씬 효율적입니다. 2. 주의해야 할 '함정': NULL 값의 처리 여기서 제가 처음 공부할 때 당황했던 포인트가 하나 있습니다. 바로 '데이터가 비어있는 경우(NULL)'입니다. 예를 들어, COUNT(*) 는 데이터가 비어있든 말든 전체 행의 개수를 세지만, COUNT(column_name) 은 해당 열에 값이 있는 것만 골라 셉니다. 만약 센서 고장으로 온도가 기록되지 않은 행...

  데이터베이스를 처음 접하는 연구자분들이 가장 많이 하는 질문이 있습니다. "그냥 엑셀처럼 하나의 커다란 테이블에 모든 정보를 다 때려 넣으면 편할 텐데, 왜 굳이 테이블을 여러 개로 쪼개서 복잡하게 만드나요?"라는 질문이죠. 저 역시 처음에는 그랬습니다. 실험 장비 정보, 날씨, 샘플 번호, 측정 결과까지 한 줄에 다 적어두는 게 직관적이라고 생각했거든요. 하지만 데이터가 수만 건을 넘어가면 상황이 달라집니다. 장비 이름 하나를 수정해야 하는데 수천 줄의 데이터를 일일이 고쳐야 하거나, 똑같은 장비 정보가 반복해서 저장되면서 파일 용량만 기하급수적으로 늘어나는 '데이터 중복'의 늪에 빠지게 됩니다. 그래서 우리는 정보를 쪼개서 저장하고(정규화), 필요할 때만 합쳐서 보는 기술인 JOIN 을 배워야 합니다. 1. 엑셀의 VLOOKUP보다 강력한 연결고리 엑셀에서 다른 시트의 정보를 가져올 때 우리는 흔히 VLOOKUP 함수를 사용합니다. SQL의 JOIN 은 이 기능의 '강력한 업그레이드 버전'이라고 생각하면 쉽습니다. 공통된 열(Key)을 기준으로 두 테이블을 가로로 이어 붙여, "A라는 조건에서 나온 결과가 무엇인가?"를 한눈에 보여주는 마법을 부립니다. 2. 가장 기본이 되는 INNER JOIN 이해하기 연구 현장에서 90% 이상 사용하게 되는 것은 INNER JOIN 입니다. 이는 두 테이블 모두에 존재하는 공통 데이터만 합쳐서 보여주는 방식입니다. 만약 실험 조건만 입력해두고 아직 측정을 완료하지 않은 데이터가 있다면, 결과에서 자동으로 제외되므로 '조건'과 '결과'가 완벽하게 한 쌍을 이루는 데이터만 깔끔하게 골라낼 수 있습니다. 3. 실전 코드: 두 테이블을 하나로 합쳐 분석하기 import sqlite3 import pandas as pd # DB 연결 및 JOIN 쿼리 실행 conn = sqlite3.connect(...

  33편에서 우리는 엑셀 파일을 벗어나 SQLite라는 튼튼한 데이터 창고를 지었습니다. 하지만 창고에 물건을 잘 넣어두는 것만큼 중요한 것이 바로 '필요할 때 원하는 물건을 빠르게 꺼내는 일'입니다. 수만 줄의 데이터가 쌓인 데이터베이스(DB)에서 내가 원하는 조건의 실험 결과만 골라내는 과정은 엑셀의 필터 기능보다 훨씬 강력하고 정교합니다. 저 역시 처음에는 DB에서 데이터를 꺼내는 문법인 'SQL'이 마치 암호처럼 느껴졌습니다. 하지만 몇 가지 핵심 규칙만 익히고 나니, 수천 개의 파일 사이를 헤매던 예전으로 돌아가고 싶지 않을 만큼 편안함을 느꼈습니다. 오늘은 연구자가 DB를 다룰 때 가장 빈번하게 사용하는 필터링과 정렬의 기술을 알아보겠습니다. 1. 데이터 추출의 눈: SELECT 문 DB에게 명령을 내릴 때 가장 먼저 사용하는 단어는 'SELECT'입니다. 이는 "내가 어떤 항목(열)을 보고 싶다"고 선언하는 것입니다. 엑셀로 치면 보고 싶은 열(Column)만 선택하는 것과 같습니다. 모든 데이터를 다 보고 싶을 때는 별표(*)를 사용하지만, 연구용 데이터는 열이 매우 많을 수 있습니다. 이때는 필요한 항목만 콕 집어서 불러오는 것이 로딩 속도와 가독성 면에서 훨씬 유리합니다. 2. 정교한 필터링의 핵심: WHERE 절 SQL의 진가는 'WHERE' 절에서 발휘됩니다. 이는 수만 개의 데이터 중 우리가 원하는 조건에 맞는 행(Row)만 걸러내는 필터 역할을 합니다. 엑셀 필터는 클릭을 여러 번 해야 하지만, SQL은 문장 하나로 복잡한 조건을 한 번에 해결합니다. 예를 들어 "온도가 80도 이상인 실험 데이터만 보고 싶다"면 WHERE temperature >= 80 이라고 쓰면 됩니다. AND 나 OR 를 사용해 여러 조건을 엮을 수도 있습니다. 3. 데이터의 질서를 잡는 정렬: ORDER BY 데이터를 뽑아냈다면 이제 보기...

  연구를 진행하다 보면 필연적으로 '파일의 늪'에 빠지는 순간이 옵니다. 처음에는 'data_v1.csv'로 시작했던 파일이 어느덧 'data_final_final_v12.csv'가 되고, 분석해야 할 파일이 수백 개로 늘어나면 특정 조건의 데이터를 찾는 것조차 고역이 됩니다. 저 역시 연구 초기에 수천 개의 엑셀 파일을 일일이 열어보며 수치를 확인하다가, 단 한 번의 오타로 일주일치 분석을 날려버린 아픈 기억이 있습니다. 오늘부터는 이 지긋지긋한 파일 관리에서 벗어나, 파이썬을 활용해 데이터를 체계적으로 관리하는 '연구용 데이터베이스(DB)' 구축법을 다뤄보겠습니다. 코딩이 낯선 연구자들에게 DB라고 하면 거창하게 느껴질 수 있지만, 파이썬에 내장된 SQLite를 이용하면 별도의 프로그램 설치 없이도 엑셀보다 수만 배 강력한 관리 시스템을 만들 수 있습니다. 1. 왜 연구자에게 데이터베이스가 필요한가? 우리가 익숙한 엑셀(Excel)은 데이터를 시각적으로 보고 수정하기에는 최적의 도구입니다. 하지만 데이터의 양이 늘어날수록 치명적인 한계가 드러납니다. 검색 속도: 수천 개의 파일 중에서 특정 조건의 결과만 추출하려면 엑셀로는 모든 파일을 열어야 하지만, DB는 단 한 줄의 명령어로 0.1초 만에 찾아냅니다. 데이터 무결성: 엑셀은 실수로 셀을 지워도 알기 어렵지만, DB는 데이터 형식을 강제하고 중복 입력을 막아 연구의 신뢰도를 높여줍니다. 협업의 용이성: 여러 명의 데이터를 하나의 DB 파일에 모으기만 하면, 누구나 동일한 최신 데이터를 기반으로 분석할 수 있습니다. 2. SQLite: 연구실을 위한 가장 가벼운 도구 데이터베이스라고 하면 거창한 서버 설정을 떠올리지만, 우리에게는 파이썬에 내장된 SQLite 면 충분합니다. 서버 설치가 필요 없고, 하나의 파일(.db) 자체가 데이터베이스 역할을 하므로 USB에 담아 옮기거나 이메일로 보내기도 ...

데이터 분석이 완벽하게 끝났다고 생각한 순간, 지도 교수님이나 공동 연구자로부터 "데이터 하나가 빠졌으니 다시 분석해 보게"라는 피드백을 받아보신 적 있나요? 분석 코드를 다시 돌리는 건 어렵지 않지만, 그 결과로 나온 수십 개의 표와 수치를 워드 파일에 다시 복사해서 붙여넣고 오타를 확인하는 작업은 그야말로 고역입니다. 이런 소모적인 과정을 겪다 보면 "컴퓨터가 알아서 문서에 값을 채워줄 수는 없을까?"라는 고민에 빠지게 됩니다. 결론부터 말씀드리면 가능합니다. 우리가 사용하는 워드(.docx)와 LaTeX(.tex)은 모두 파이썬으로 제어할 수 있는 구조를 가지고 있기 때문입니다. 1. 워드 사용자라면: python-docx의 마법 가장 대중적인 워드 문서의 경우 python-docx 라이브러리가 해결사입니다. 이 도구의 핵심은 문서 안에 '플레이스홀더(Placeholder)', 즉 미리 정해둔 꼬리표를 달아두는 것입니다. 예를 들어 워드 문서에 {{result_value}} 라고 적어두면, 파이썬이 문서를 읽어 이 부분을 실제 분석 결과인 '15.24%'로 바꿔치기합니다. 특히 표(Table) 자동화가 강력하여, 수백 개의 데이터를 옮길 때 발생할 수 있는 오타를 완벽히 차단합니다. 2. LaTeX 사용자라면: 텍스트 파일의 힘 수식이 많은 이공계 연구자들이 사랑하는 LaTeX은 사실 텍스트 파일에 불과합니다. 따라서 워드보다 훨씬 직관적으로 자동화할 수 있습니다. 저는 주로 분석 결과로 나온 수치들을 별도의 .tex 파일(예: constants.tex)로 내보내는 방식을 사용합니다. 파이썬에서 \newcommand{\ResultA}{24.5} 와 같은 코드를 생성해 파일로 저장하면, 본문에서는 해당 매크로만 써주면 됩니다. 데이터가 바뀌어 파이썬 코드를 다시 실행하면 문서 전체의 수치가 마법처럼 최신화됩니다. 3. 실전 전략: 분석과 문서의 연결고리 만들기...

  연구의 정점은 결국 '논문'이라는 결과물로 나타납니다. 하지만 아무리 데이터 분석이 훌륭해도, 그래프의 가독성이 떨어지거나 해상도가 낮아 글자가 깨져 보인다면 리뷰어에게 좋은 인상을 주기 어렵습니다. 특히 엑셀의 기본 그래프 스타일을 그대로 사용하면 "초보 연구자"라는 인상을 지우기 힘들죠. 오늘은 파이썬의 대표적인 시각화 라이브러리인 Matplotlib 을 활용해, 클릭 몇 번으로 해외 저명 학술지(Nature, Science 등) 수준의 깔끔하고 전문적인 그래프를 생성하는 실전 팁을 정리해 보겠습니다. 1. 엑셀 느낌을 지우는 첫 번째 단계: 폰트와 사이즈의 통일 대부분의 학술지는 본문 폰트와 그래프 내 폰트의 일관성을 요구합니다. 보통 'Arial'이나 'Times New Roman'을 많이 사용하죠. 파이썬에서는 코드 한 줄로 프로그램 전체의 폰트 설정을 고정할 수 있습니다. 또한, 논문의 1단(Single column)이나 2단(Double column) 너비에 맞춰 인치(inch) 단위로 크기를 지정하면, 나중에 이미지를 억지로 늘리거나 줄일 필요가 없어 글자가 뭉개지지 않습니다. 2. 가독성을 결정짓는 'DPI'와 '포맷'의 비밀 이미지를 저장할 때 가장 많이 하는 실수는 단순한 '캡처'나 낮은 해상도의 JPG 저장입니다. 학술지 출판을 위해서는 최소 300~600 DPI 이상의 고해상도가 필수입니다. 더 좋은 방법은 '벡터(Vector)' 형식을 사용하는 것입니다. .pdf 나 .eps 형식으로 저장하면 이미지를 아무리 확대해도 선과 글자가 절대 깨지지 않습니다. 3. 실전 코드: 출판용 그래프 기본 세팅 import matplotlib.pyplot as plt # 1. 학술지용 기본 스타일 설정 (rcParams) plt.rcParams.update({ 'font.family...

연구용 자동화 도구를 만들 때 가장 당혹스러운 순간은 '분석 시작' 버튼을 눌렀을 때입니다. 분명히 내부적으로는 수천 개의 파일을 처리하느라 바쁘게 돌아가고 있는데, 화면은 마치 얼어붙은 것처럼 '응답 없음'이라는 글자를 띄우며 하얗게 변해버리죠. 저도 처음엔 프로그램이 망가진 줄 알고 강제 종료했다가, 나중에서야 파이썬이 열심히 일하고 있었다는 걸 알고 허탈했던 기억이 납니다. 사용자(혹은 동료)가 "지금 이게 돌아가고 있는 건가?"라는 의심을 하지 않게 만드는 것, 그것이 바로 GUI의 완성도입니다. 오늘은 우리의 분석 도구에 시각적인 활력을 불어넣어 줄 프로그레스 바(Progress Bar) 구현법을 다뤄보겠습니다. 1. 사용자의 불안을 잠재우는 시각적 신호 프로그레스 바는 단순히 예쁘게 보이려고 넣는 것이 아닙니다. 이는 사용자에게 두 가지 중요한 정보를 전달합니다. 첫째, "프로그램이 정상적으로 작동 중이다"라는 안도감. 둘째, "작업이 끝날 때까지 대략 이 정도 남았다"라는 예측 가능성입니다. 특히 대용량 데이터를 처리할 때 이 작은 바(Bar) 하나가 사용자 경험에서 차지하는 비중은 절대적입니다. 2. Tkinter의 짝꿍, ttk 모듈 활용하기 Tkinter에서 세련된 디자인의 프로그레스 바를 만들려면 ttk 모듈을 사용해야 합니다. 보통 정확한 진행률을 보여주는 Determinate(결정형) 모드를 사용하며, 전체 작업량 중 현재 몇 번째 파일을 처리 중인지 시각적으로 연결하게 됩니다. 3. 실전 코드: 분석 진행 상황 표시하기 import tkinter as tk from tkinter import ttk import time def start_task(): # 0부터 100까지 증가시키는 가상의 작업 for i in range(1, 101): progress['value'] = i ...