코딩으로 돈벌기

액세스한 데이터로 데이터값 변경 액세스한 값을 그대로 바꿔줄 값만 넣어 주면 쉽게 데이터 변경이 가능하다 1) 특정 위치값 추가 df['watches'] = 20 loc로 표현하면 df.loc['store 2' , 'watches'] = 20 둘다 같은 위치 값을 나타내고 있음 2)새로운 컬럼 추가 추가하고 싶은 칼럼을 액세스 하듯이 불러오면 추가가 가능하다 변수['추가할컬럼'] = [데이터] df['suits'] = df['pants'] + df['shirts'] 이런식으로 다른데이터를 이용해서 추가도 가능 새로운 행주가 새로운 딕셔너리를 만들고 기존 데이터프레임이 들어있는 변수에 append로 추가 하기 new_item = [{'bikes' : 20, 'pants':30, 'watches':35, '..

head 불러온 데이터 프레임의 양이 너무 많을때 변수.head() 상위 5개의 데이터만 미리 보여주는게 가능하다 tail 변수.tail() 당연히 하위 5개도 가능 describe() 변수.describe() 통계치를 계산하여 보기 좋게 표시 변수.info 데이터 형식을 표시

데이터프레임 액세스 하는방법 items2 = [{'bikes': 20, 'pants': 30, 'watches': 35}, {'watches': 10, 'glasses': 50, 'bikes': 15, 'pants':5}] df = pd.DataFrame(data = items2, index= ['store 1' , 'store 2']) 1) 컬럼 데이터를 가져오는 방법 대괄호로 액세스 [ ] 안에는 컬럼명을 적고 여러개의 컬럼을 가져올땐 리스트로 만들어서 가져오면됨 2)행과 열의 정보로 데이터 가져오는 방법 특정 행에 이 데이터를 가지고 오고 싶다면 변수.loc[ '인덱스명' , '컬럼명' ] 3) 행과 열로 데이터를 가져오는 방법 loc와 작동 원리는 같지만 iloc는 '컴퓨터가 인식하는 숫자' 인덱..

DataFrame 판다스 2차원 데이터 처리는 데이터 프레임으로 처리한다. pd.DataFrame(data= 데이터들어있는 변수) 파라미터 안에 데이터가 저장된 변수를 넣으면 import pandas as pd # We create a dictionary of Pandas Series items = {'Bob' : pd.Series(data = [245, 25, 55], index = ['bike', 'pants', 'watch']), 'Alice' : pd.Series(data = [40, 110, 500, 45], index = ['book', 'glasses', 'bike', 'pants' 여기서 맨왼쪽은 인덱스 맨위쪽은 컬럼 데이터는 value를 의미 type을 알고싶을땐 . info를 사용한다 ..

기본 Allows the use of labels for rows and columns 기본적인 통계데이터 제공 NaN values 를 알아서 처리함. 숫자 문자열을 알아서 로드함. 데이터셋들을 merge 할 수 있음. It integrates with NumPy and Matplotlib import pandas as pd 판다스를 import 하고 앞으로 모든 판다스 함수는 pd로 표현 pandas 데이터 판다스의 1차원 데이터를 의미 pd.Series(data = 변수 ) Seires에서 사용하는 data란 파라미터를 의미하며 이 Seires 함수 안에서 사용 ※변수를 의미는것이 아님 판다스에서 인덱스란 행 제일 왼쪽에 붙는 글자로 데이터 관리를 쉽게 볼 수있게 해줌 ※일반적으로 사용했던 컴퓨터가 ..

boolean 1)기본 X > 70 array([[False, False, False, False, True], [ True, False, False, False, False], [False, False, False, False, False], [False, False, False, True, True]]) 이런식으로 False 와 True로 인식 2) 갯수 세기 True와 False 는 1과 0으로 컴퓨터는 인식하므로 (X >70).sum() 4 이렇게 트루인 데이터를 더하므로써 갯수를 셀수 있게 되는것 3)그 데이터만 추출 액세스를 위해 [ ] 대괄호를 통해 X[ X> 70 ] array([80, 91, 87, 84]) 두개의 데이터를 비교 억세스 1)두가지의 조건모두 충족 & 2)두자기중 한가지만 ..

액새스 일차원에선 리스트랑 똑같이 작동 다차원에선 넘파이변수[ 행 , 열 ] X[1,2] 58 슬라이싱 역시나 1차원에선 리스트와 똑같이 동작 2차원에선 연속된 수 가저올때 넘파이변수[ 행 , 열 ] x[ 0 : 2+1 , 0 : 1+1 ] 행(0,1,2) 열(0,1) 연속되지 않는 열을 가저올때 넘파이변수[ [가저올부분] , [가저올부분] ] X[[0,2] , 2 : -1+1 ] array([[49, 42, 80], [16, 37, 66]]) 슬라이싱 주의 사항 / 카피 슬라이싱 한 부분을 변수로 저장하여 데이터 변경을하면 기존에 슬라이싱하려고 가져왔던 데이터 내용도 바뀌게 된다. 이때 데이터 활용을 하고 싶으면 변수 = 슬라이싱.copy() 액세스 넘파이변수[ 행 , 열 ] 슬라이싱 넘파이변수[ 행 ..

데이터 분석 함수 넘파이로 만든 데이터를 변수에 넣은후 손쉽게 데이터 분석하는 함수 1)데이터분석 함수 np.random.randint(1,100,(4,5)) array([[97, 24, 25, 54, 55], [64, 51, 94, 73, 70], [67, 34, 54, 94, 56], [45, 61, 86, 79, 30]]) 이데이터를 X에 넣은후 함수)최대값 X.max() 91 함수)최소값 X.min() 2 함수)합계 X.sum() 924 X.mean() 46.2 함수)표준편차 X.std() 26.173650872585583 함수)중앙값 np.median(X) 43.0 이때 변수에다가 직접할경우 2차원이기때문에 중앙값을 인식을 못해서 함수에다가 직접 해야한다. 2) 행별로 열별로 데이터 행 .mea..

랜덤값으로 배열 채우기 1)실수 함수) np.random.random( shape) 이 shape에 1차원 혹은 2차원의 값을 넣어주면 된다 1차원 np.random.random(3) array([0.96395608, 0.09766085, 0.68840949]) 2차원 np.random.random( (3,4) ) array([[0.26737553, 0.5201271 , 0.2904214 , 0.56670374], [0.55558152, 0.63535376, 0.27001881, 0.73592874], [0.40348166, 0.98328218, 0.55856758, 0.45135355]]) 2)randint 활용/ 정수 함수) np.random.randint(시작범위, 끝범위,shpae) np.rand..

0,1로 이루어진 행렬 만들기 1)숫자 0으로 이루어진 1차원 배열, 2차원 행렬 만들기 함수)1차원 배열 np.zeros(데이터갯수) 함수)2차원 행렬 np.zeros( (행,렬) ) 2)숫자 1로 이루어진 행렬 만들기 함수)1차원 np.ones(갯수) 함수)2차원 np.ones( (행,렬) ) 3)특정 숫자로 이루어진 1,2차원 함수) np.full( 데이터shape , 들어갈 숫자) 정수와 실수의 배열 1)정수의 연속된 배열 n ~ xn 식의 어떤 숫자로 부터 어떤 숫자까지 배열을 표시하고 싶다면 함수) range(데이터 갯수) 함수) np.arrange( start , stop , step) 2)실수 함수) np.linspace(시작 , 끝 , n개의 점) 이 함수는 시작수와 끝수 사이에 균일한 ..