다시바람

CSV 자료 불러오기 import pandas as pd iphone_df = pd.read_csv('./iphone.csv') print(iphone_df) print(type(iphone_df)) # 첫 번째줄을 헤더로 읽음 headers가 없는 데이터(자료가 헤더로 뜨는 경우) iphone_df = pd.read_csv('./data/iphone.csv', header=None) 한 열을 row 이름으로 설정 iphone_df = pd.read_csv('./data/iphone.csv', index_col=0)

DataFrame 표 형식의 데이터 2차원 형태의 데이터를 다루기 위한 자료형(대부분의 자료는 2차원 형태임) 행(Row/Index) : 레코드 , 열(Column) : 데이터 특징 Numpy와의 차이점 Pandas는 Numpy를 기반으로 만들어짐 Numpy + 행/열에 이름 붙이기 기능(문자열, 숫자 다가능 : 다양한 자료형) Pandas vs Numpy import pandas as pd import numpy as np two_dimensional_list = [['dongwook', 50, 85], ['sineui', 89, 31], ['iljoong', 68, 91], ['yoonseo', 88, 75]] print(np.array([two_dimensional_list])) df = pd.Da..

R은 기존에 DataScience 분야에서 많이 써온 툴이었음. R은 데이터 분석의 도구가 잘 갖춰져 있었음 (데이터 보관/정리/분석) 이를 파이썬이 Pandas 라이브러리로 복제함 기존 파이썬은 다양한 분야에서 써오던 툴로써, 데이터를 다루는 것 까지 용이 → 인기 많아짐 Pandas 기능 외부데이터를 읽고 쓰기 정리된 데이터를 새로운 파일에 저장 데이터 시각화 표 형식의 데이터를 다루기 용이

덧셈의 경우 Numpy : 덧셈 수행 List : 이어 붙이기 성능 Numpy 간단한 문법, 뛰어난 성능 수치 계산이 많고 복잡할 떄 행렬 같은 다차원 배열의 경우 사용 List 값을 추가하고 제거하는 일 성능 차이 발생 이유 : 값이 저장되는 방식의 차이 Numpy : 같은 자료형만 저장 가능 List : 여러 자료형 저장 가능 numpy 통계 함수 최대 최소 import numpy as np array1 = np.array([14, 6, 13, 21, 23, 31, 9, 5]) print(array1.max()) # 최댓값 print(array1.min()) # 최솟값 # 31 # 5 평균 import numpy as np array1 = np.array([14, 6, 13, 21, 23, 31, 9..

산술연산 import numpy as np array1 = np.arange(10) array2 = np.arange(10, 20) print(array1) print(array2) print(array1 * 2) print(array2 / 2) print(array1 + array2) 불린연산 import numpy as np array1 = np.array([2,3,5,7,11,13,17]) print(array1 > 4) print(array1 % 2 == 0 ) # [False False True True True True True] # [ True False False False False False False] np.where 함수 booleans = np.array([ True, True, ..

인덱싱(Indexing) import numpy as np array1 = np.array([2,3,5,7,11,13,17]) print(array1[0]) print(array1[-1]) print(array1[[1,3,4]]) # 2 # 17 # [ 3 7 11] array2 = np.array([2,1,3]) print(array1[array2]) # [5 3 7] 슬라이싱(Slicing) print(array1[2:7]) print(array[:7]) print(array1[2:]) print(array1[2:11]) print(array1[2:11:2]) # [ 5 7 11 13 17] # [ 2 3 5 7 11 13 17] # [ 5 7 11 13 17] # [ 5 7 11 13 17] # [..

Numpy : Numerical Python array1 = numpy.arange(2, 7) print(array1)​ import numpy array1 = numpy.array([2,3,5,7,11,13,17,19,23,29,31]) array2 = numpy.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) print(type(array1)) print(array1.shape) print(array1.size) print(type(array2)) print(array2.shape) print(array2.size) full array1 = numpy.full(6, 7) print(array1) # [7 7 7 7 7 7] array1 = numpy.full(6, 1) ..