[멋사] AI SCHOOL 5기_ Day 10

Pandas(판다스)

 

인덱스 설정

데이터프레임의 column(열)을 index로 가져오고 싶을 땐,

df.set_index('열 이름', inplace=Ture) 로 사용한다.

설정했던 인덱스를 초기화하고 싶을 때는

df.reset_index(inplace=True)를 사용한다.

그런데 만약 인덱스로 설정하려는 열 값의 중복이 있다면 pivot_table을 추천한다.

pd.pivot_table(데이터프레임, index='열 이름', aggfunc=np.sum) 

 

결측치(N/A) 값 채우기

NaN(숫자가 아님) 타입의 결측치를 특정 값으로 채우고 싶을 때는

df.fillna('원하는 값')를 사용한다.

 

조건 검색

df[ (df['열 이름1'] < 5 ) & ( df['열 이름2'] > 100) ] 

두개 이상의 조건을 걸어 데이터를 처리하고 싶다면 조건마다 소괄호로 묶고,

비트 논리 연산자를 사용해야 한다.

• & : and
• | : or
• ~ : not

---

두개의 데이터프레임을 합치는 방법

A, B 두 개의 데이터프레임이 있다고 할때, 이를 merge 하는 3가지 방법이 있다.

 

1️⃣ A.join(B) 

가장 권장하는 방법이나 전제조건이 있다. 

A와 B 데이터프레임의 index 열이 동일해야 한다.

 

2️⃣ pd.merge( A, B, left_on="A 열 이름", right_on="B 열 이름", how='조인 방식') 

기준이 되는 열들을 직접 지정하는 방법이다.

조인 방식에는 inner, outer, left, right 가 있으며 디폴트는 inner다.

출처_&nbsp;https://www.w3schools.com/sql/sql_join.asp

 

3️⃣ pd.concat([ A, B ])

concat은 데이터프레임을 그대로 가져다가 붙여놓는 형식이다.

이때 axis를 옵션으로 둘 수 있고, 행 방향(위아래, axis=0)이 디폴트다. 

 

Feature Scaling (Feature Nomalization)

피처 스케일링(피처 정규화)은 각 열마다 자릿수를 비슷하게 맞춰주는 것이다.

여기에는 여러 방식이 있다.

 

✅ Min-Max algorithm

출처_&nbsp;https://en.wikipedia.org/wiki/Feature_scaling

이 방법은 각각의 열의 최솟값을 0, 최댓값이 1이 되도록 값들을 수정하는 것이다.

많은 경우 이 방법을 사용한다. 

 

✅ Standardization

출처_&nbsp;https://en.wikipedia.org/wiki/Feature_scaling

이 방법은 각각의 열의 평균값을 0, 표준편차값이 1이 되도록 값들을 수정하는 것이다.

Min-Max algorithm보다 성능이 더 좋을 때가 많다.

---

Seaborn (sns)

sns.heatmap

💡 한글이 깨질 때 (Mac os 기준)

%matplotlib inline 
rc('font', family="AppleGothic")

해당 코드를 추가해주면 해결된다.

 

✅ 옵션

annot : 셀 내에 수치를 입력할지 결정한다 (True / False)

fmt : 셀 내 입력될 수치의 format을 결정한다 ( f == float, d == int)

linewidths : 셀 간 거리를 결정한다(내부 테두리)

cmap : matplotlib colormap 을 의미하며 그래프 색을 결정한다.

 

 

⚠️ 해당 글은 멋쟁이사자처럼 AI SCHOOL 교육 내용을 복습하기 위해 작성하였습니다