[Open AI] 프롬프트 엔지니어링

프롬프트 엔지니어링(prompt engineering)이란?

인공지능(AI) 모델, 특히 언어나 이미지 생성 모델에 특정한 출력을 생성하도록 유도하기 위해 입력 프롬프트를 세심하게 디자인하는 과정

• 질문의 의도와 목적을 정확하게 전달
• 포괄적 X, 추상적 X
• 예시를 주기
• 듣고싶은 대답의 형태와 길이를 제시하기
• 역할 부여하기

대시보드 안에서 보고서 생성 기능 구현하기

= AI DALL.E API

= 로고 생성 프로그램

Streamlit, Pandas, Matplotlib

1. 기본 대시보드 만들기

2. 보고서 생성하기

1. merge_and_rename: 함수를 활용해, 전 세계 평균과 국가별 데이터를 키(Year) 기준으로 병합
2. to_dict(orient="records"): JSON 형태의 리스트로 만들기
3. 그래프 파일로 저장: 현재 세션에서 만든 fig1 ~ fig5를 PNG 파일로 저장
4. 프롬프트 구성: report_data_str(JSON), 요구사항(섹션 구분, 마크다운 문법 등)을 문자열로 합쳐 최종 prompt_text 만들기
5. GPT 호출: askGpt(prompt_text)로 보고서 작성을 요청
6. 결과 저장: 생성된 보고서(마크다운)를 파일(report.md)로 저장
7. 파일 출력/확인 방법
   • report.md 파일이 생성된 후, 로컬에서 열어보거나 다른 곳에 업로드하여 확인
   • st.download_button: 웹 브라우저에서 직접 다운로드 링크를 제공

# 최종코드

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import openai
import json


def askGpt(prompt):
    """
    OpenAI API를 사용해 GPT 모델에 프롬프트를 전송하고,
    결과 응답(메시지)을 반환한다.
    """
    API_KEY = "sk-proj--A"  # 실제 사용 시 본인의 API 키로 대체
    client = openai.OpenAI(api_key=API_KEY)

    response = client.responses.create(
        model="gpt-4.1",
        input=prompt,
    )
    return response.output_text


def merge_and_rename(
    global_df: pd.DataFrame,
    country_df: pd.DataFrame,
    key_column: str,
    global_col_name: str,
    country_col_name: str,
    global_label: str,
    country_label: str,
):
    # 전처리 로직
    merged = (
        global_df.merge(
            country_df[[key_column, country_col_name]], on=key_column, how="left"
        )
        .fillna("")
        .rename(
            columns={
                f"{global_col_name}_x": global_label,
                f"{global_col_name}_y": country_label,
            }
        )
    )
    return merged.to_dict(orient="records")


def main():
    st.set_page_config(layout="wide")
    # (1) 데이터 불러오기
    df = pd.read_csv("global_health.csv")

    with st.sidebar:
        st.title("국가 선택")
        countries = sorted(df["Country"].unique())
        selected_country = st.selectbox("분석할 국가 선택", countries)

    st.title(f"{selected_country} 건강 지표 대시보드")

    country_data = df[df["Country"] == selected_country]

    global_data = df.copy()

    latest_year = int(global_data["Year"].max())
    global_latest = global_data[global_data["Year"] == latest_year]
    country_latest = country_data[country_data["Year"] == latest_year]


    st.header("1. Yearly Life Expectancy Comparison")
    global_life = global_data.groupby("Year")["Life_Expectancy"].mean().reset_index()

    fig1, ax1 = plt.subplots(figsize=(8, 5))
    ax1.plot(
        global_life["Year"],
        global_life["Life_Expectancy"],
        label="Global Average",
        linestyle="--",
    )
    ax1.plot(
        country_data["Year"],
        country_data["Life_Expectancy"],
        label=selected_country,
        marker="o",
    )
    ax1.set_xlabel("Year")
    ax1.set_ylabel("Life Expectancy")
    ax1.set_title("Trend of Life Expectancy")
    ax1.legend()
    st.pyplot(fig1)
    st.markdown(
        """
**설명:**  
연도별 기대수명(Life Expectancy)을 전 세계 평균과 선택 국가로 구분하여 비교한 선 그래프입니다.
"""
    )

    st.header("2. Yearly Fertility Rate Comparison")
    global_fertility = (
        global_data.groupby("Year")["Fertility_Rate"].mean().reset_index()
    )

    fig2, ax2 = plt.subplots(figsize=(8, 5))
    ax2.plot(
        global_fertility["Year"],
        global_fertility["Fertility_Rate"],
        label="Global Average",
        linestyle="--",
    )
    ax2.plot(
        country_data["Year"],
        country_data["Fertility_Rate"],
        label=selected_country,
        marker="o",
    )
    ax2.set_xlabel("Year")
    ax2.set_ylabel("Fertility Rate")
    ax2.set_title("Trend of Fertility Rate")
    ax2.legend()
    st.pyplot(fig2)
    st.markdown(
        """
**설명:**  
연도별 출산율(Fertility Rate)을 전 세계 평균과 선택 국가로 나누어 살펴볼 수 있는 그래프입니다.
"""
    )
    st.header("3. Latest Health Indicators Comparison")
    indicators = {
        "Life Expectancy": "Life_Expectancy",
        "Fertility Rate": "Fertility_Rate",
        "Urban Population (%)": "Urban_Population_Percent",
        "Obesity Rate (%)": "Obesity_Rate_Percent",
        "Underweight Rate (%)": "Underweight_Rate_Percent",
        "Overweight Rate (%)": "Overweight_Rate_Percent",
    }

    global_vals = {}
    country_vals = {}
    for key, col in indicators.items():
        global_vals[key] = global_latest[col].mean()
        country_vals[key] = (
            country_latest[col].mean() if not country_latest.empty else np.nan
        )

    compare_df = pd.DataFrame(
        {
            "Indicator": list(indicators.keys()),
            f"{selected_country}": list(country_vals.values()),
            "Global Average": list(global_vals.values()),
        }
    )

    fig3, ax3 = plt.subplots(figsize=(10, 6))
    bar_width = 0.35
    indices = np.arange(len(compare_df))

    ax3.bar(
        indices, compare_df[f"{selected_country}"], bar_width, label=selected_country
    )
    ax3.bar(
        indices + bar_width,
        compare_df["Global Average"],
        bar_width,
        label="Global Average",
    )
    ax3.set_xticks(indices + bar_width / 2)
    ax3.set_xticklabels(compare_df["Indicator"], rotation=45, ha="right")
    ax3.set_ylabel("Value")
    ax3.set_title("Health Indicators Comparison")
    ax3.legend()
    st.pyplot(fig3)
    st.markdown(
        f"""
**설명:**  
최신 연도({latest_year}) 주요 건강 지표를 선택 국가와 전 세계 평균 값으로 비교한 막대 그래프입니다.
"""
    )
    st.header("4. Global Distribution: Urban Population vs Life Expectancy")
    fig4, ax4 = plt.subplots(figsize=(8, 5))
    ax4.scatter(
        global_latest["Urban_Population_Percent"],
        global_latest["Life_Expectancy"],
        label="Global Countries",
        alpha=0.6,
    )
    ax4.scatter(
        country_data["Urban_Population_Percent"],
        country_data["Life_Expectancy"],
        label=selected_country,
        s=80,
    )
    ax4.set_xlabel("Urban Population (%)")
    ax4.set_ylabel("Life Expectancy")
    ax4.set_title("Urban Population vs Life Expectancy")
    ax4.legend()
    st.pyplot(fig4)
    st.markdown(
        """
**설명:**  
도시 인구 비율(Urban Population %)과 기대수명(Life Exp  ectancy)의 상관 관계를 확인할 수 있는 산점도입니다.
"""
    )
    st.header("5. Trend of Sanitary Expense Per Capita")
    global_sanitary = (
        global_data.groupby("Year")["Sanitary_Expense_Per_Capita"].mean().reset_index()
    )

    fig5, ax5 = plt.subplots(figsize=(8, 5))
    ax5.plot(
        global_sanitary["Year"],
        global_sanitary["Sanitary_Expense_Per_Capita"],
        label="Global Average",
        linestyle="--",
    )
    ax5.plot(
        country_data["Year"],
        country_data["Sanitary_Expense_Per_Capita"],
        label=selected_country,
        marker="o",
    )
    ax5.set_xlabel("Year")
    ax5.set_ylabel("Sanitary Expense Per Capita")
    ax5.set_title("Trend of Sanitary Expense Per Capita")
    ax5.legend()
    st.pyplot(fig5)
    st.markdown(
        """
**설명:**  
1인당 위생 비용(Sanitary Expense)을 연도별로 살펴봄으로써, 보건 투자 수준과 건강 결과 간의 관련성을 파악할 수 있습니다.
"""
    )
    # 1) Life Expectancy 트렌드
    life_expectancy_trend = merge_and_rename(
        global_df=global_life,
        country_df=country_data,
        key_column="Year",
        global_col_name="Life_Expectancy",  # 전 세계 평균 컬럼
        country_col_name="Life_Expectancy",  # 해당 국가 컬럼
        global_label="Life_Expectancy_Global",
        country_label="Life_Expectancy_Country",
    )

    # 2) Fertility Rate 트렌드
    fertility_rate_trend = merge_and_rename(
        global_df=global_fertility,
        country_df=country_data,
        key_column="Year",
        global_col_name="Fertility_Rate",
        country_col_name="Fertility_Rate",
        global_label="Fertility_Rate_Global",
        country_label="Fertility_Rate_Country",
    )

    # 3) Sanitary Expense Per Capita 트렌드
    sanitary_expense_trend = merge_and_rename(
        global_df=global_sanitary,
        country_df=country_data,
        key_column="Year",
        global_col_name="Sanitary_Expense_Per_Capita",
        country_col_name="Sanitary_Expense_Per_Capita",
        global_label="Sanitary_Expense_Global",
        country_label="Sanitary_Expense_Country",
    )

    # 4) 최신 지표 비교 테이블
    latest_indicators = compare_df.to_dict(orient="records")

    # 5) Urban Population vs Life Expectancy (Global)
    urban_life_scatter_global = global_latest[
        ["Country", "Urban_Population_Percent", "Life_Expectancy"]
    ].to_dict(orient="records")

    # 6) Urban Population vs Life Expectancy (Country)
    urban_life_scatter_country = country_data[
        ["Year", "Urban_Population_Percent", "Life_Expectancy"]
    ].to_dict(orient="records")

    # 최종 report_data 구성
    report_data = {
        "country": selected_country,
        "latest_year": latest_year,
        "chart_data": {
            "life_expectancy_trend": life_expectancy_trend,
            "fertility_rate_trend": fertility_rate_trend,
            "sanitary_expense_trend": sanitary_expense_trend,
            "latest_indicators": latest_indicators,
            "urban_life_scatter_global": urban_life_scatter_global,
            "urban_life_scatter_country": urban_life_scatter_country,
        },
    }

    st.json(report_data)
    # JSON 문자열로 변환하여 세션에 저장
    report_data_str = json.dumps(report_data, indent=2, default=str)
    st.json(report_data_str)

    with st.sidebar:

        # (2) '보고서 생성' 버튼
        if st.button("보고서 생성"):
            # (A) 그래프들 파일로 저장
            figs = [fig1, fig2, fig3, fig4, fig5]
            for i, fig in enumerate(figs, start=1):
                fig.savefig(f"graph{i}.png")

            prompt_text = f"""
다음은 {selected_country} 국가의 건강 지표 데이터와 전 세계 평균 데이터를 비교한 결과입니다.
이 데이터를 바탕으로 마크다운 형식의 보고서를 작성해 주세요.

# 보고서 생성에 필요한 원본 데이터 (JSON 형태)
{report_data_str}

# 마크다운 보고서 작성 요구사항
- 문서 전반을 한글로 작성
- 5개의 그래프를 각각 섹션(챕터)로 구분
- 각 섹션마다 데이터 인사이트(해석, 원인 추정, 의미, 향후 전망 등)를 자세히 기술
- 각 지표별로 중요한 변동 추세나 비교 결과에 대한 인사이트를 작성할 것
- 각 지표별로 전반적인 건강 상태 및 시사점을 요약해 줄 것
- 마지막에 전체 요약 및 제언을 달아 주세요.
- 표 형태, 볼드체 등 마크다운 문법을 적극적으로 활용해서 내용을 채워주세요.
- 각 시각화(그래프)가 들어갈 위치에 실제 파일명을 참고해주세요:
  [그래프1](graph1.png)
  [그래프2](graph2.png)
  [그래프3](graph3.png)
  [그래프4](graph4.png)
  [그래프5](graph5.png)
  형태로 마크다운 이미지를 삽입해 주세요.
- 각 그래프에 대한 정보는 아래와 같습니다. 분석 결과 보고서에 아래 정보를 활용해서 적절한 위치에 마크다운 이미지로 삽입해 주세요요
  - 그래프1은  1. Yearly Life Expectancy Comparison 으로 연도별 기대수명(Life Expectancy)을 전 세계 평균과 선택 국가로 구분하여 비교한 선 그래프입니다.
  - 그래프2은  2. Yearly Fertility Rate Comparison 으로로 연도별 출산율(Fertility Rate)을 전 세계 평균과 선택 국가로 나누어 살펴볼 수 있는 그래프입니다.
  - 그래프3은  3. Latest Health Indicators Comparison 으로 최신 연도(2021) 주요 건강 지표를 선택 국가와 전 세계 평균 값으로 비교한 막대 그래프입니다.
  - 그래프4은  4. Global Distribution: Urban Population vs Life Expectancy 으로 도시 인구 비율(Urban Population %)과 기대수명(Life Expectancy)의 상관 관계를 확인할 수 있는 산점도입니다.
  - 그래프5은  5. Trend of Sanitary Expense Per Capita 으로 1인당 위생 비용(Sanitary Expense)을 연도별로 살펴봄으로써, 보건 투자 수준과 건강 결과 간의 관련성을 파악할 수 있습니다.
"""

            # GPT에게 보고서 생성 요청
            generated_report = askGpt(prompt_text)
            print(generated_report)

            # 생성된 보고서를 파일로 저장
            with open("report.md", "w", encoding="utf-8") as f:
                f.write(generated_report)

if __name__ == "__main__":
    main()