지난 시간 복습

# 마름모 별 찍기
ƀƀ*
ƀ***
*****
ƀ***
ƀƀ*

ƀ 증감	ƀ	*	* 증감
	2	1
-1	1	3	+2
-1	0	5	+2
+1	1	3	-2
+1	2	1	-2

내가 생각한 방법

def diamond(n):
    result = ''
    for i in range(n):
        for j in range(n):
            if abs((n//2)-i)+abs((n//2)-j) <= (n//2):
                result += '*'
            else:
                result += ' '
        result += '\n'
    return result

n	i	* 개수
3	1 2 3	1 3 1
5	1 2 3 4 5	1 3 5 3 1
7	1 2 3 4 5 6 7	1 3 5 7 5 3 1
9	1 2 3 4 5 6 7 8 9	1 3 5 7 9 7 5 3 1

n = 5일 때
n//2 = 2 → 편의상 k=2로 지칭

(0,0)(0,1)(0,2)(0,3)(0,4)
(1,0)(1,1)(1,2)(1,3)(1,4)
(2,0)(2,1)(2,2)(2,3)(2,4)
(3,0)(3,1)(3,2)(3,3)(3,4)
(4,0)(4,1)(4,2)(4,3)(4,4)

• 굵게 표시한 부분에 별이 들어가야 함
  • 굵게 표시하지 않은 부분과의 차이는 뭘까 고민

k-i, k-j를 생각해보았음
(2,2)(2,1)(2,0)(2,-1)(2,-2)
(1,2)(1,1)(1,0)(1,-1)(1,-2)
(0,2)(0,1)(0,0)(0,-1)(0,-2)
(-1,2)(-1,1)(-1,0)(-1,-1)(-1,-2)
(-2,2)(-2,1)(-2,0)(-2,-1)(-2,-2)

• (x,y)에서 x 절댓값과 y 절댓값을 더해 생각해 봄
  • (k-i의 절댓값 + k-j의 절댓값) 숫자가 k보다 작거나 같으면 별, 아니면 빈 칸
    4 3 2 3 4
    3 2 1 2 3
    2 1 0 1 2
    3 2 1 2 3
    4 3 2 3 4

→ 별과 공백의 증감 규칙이 명확히 드러나지 않아, 직관성이 떨어지고 빈 칸을 추가로 사용하기 때문에 해답 풀이보다 안 좋은 것 같다...

코드 개선

코드	장점	단점
1	별/공백 증감 명확, 직관적	코드 길고, 출력만 가능, 함수화 어려움
2	함수화, 결과 저장 가능, 코드 간결	abs 연산이 다소 비효율적, 별 위치 계산이 직관적이지 않을 수 있음

• 증감 규칙을 함수로 만들기!

def diamond(n):
    if n % 2 == 0 or n < 3:
        return None
    result = []
    sp = n // 2
    st = 1
    for i in range(n):
        result.append(' ' * sp + '*' * st)
        if i < n // 2:
            sp -= 1
            st += 2
        else:
            sp += 1
            st -= 2
    return '\n'.join(result)

while True:
    n = int(input("3 이상의 홀수의 줄 수를 입력하세요: "))
    d = diamond(n)
    if d is None:
        print("입력한 수가 틀렸습니다.")
        continue
    print(d)
    sel = input("0. 종료, 1. 계속: ")
    if sel == '0':
        print("프로그램을 종료합니다.")
        break

Series

• Pandas의 핵심 데이터 구조 중 하나
  • Pandas: 데이터 분석과 조작을 위한 강력한 라이브러리
    • 핵심 데이터 구조로는 Series(1차원, np.ndarray와 유사), DataFrame(2차원, DB table과 유사) 존재
• 1차원 배열 형태의 데이터 구조
  • NumPy의 ndarray와 유사하지만 각 값에 인덱스(index)를 지정할 수 있음
    • ndarray는 인덱스 편집 불가, Series는 인덱스 편집 가능
      ('딕셔너리와 리스트의 차이점'처럼)
    • list, Arr, Series: "유사"한 형태
      
    • NumPy의 ndarray는 출력하면 인덱스 안 보이지만 Pandas의 Series는 출력하면 인덱스까지 함께 출력됨

pandas.Series

• class pandas.Series(data=None, index=None, dtype=None, name=None, copy=None, fastpath=<no_default>)
  • 클래스 이름 앞에 소문자로 된 이름과 점(.)을 붙여 표기: "모듈(또는 패키지) 이름.클래스 이름" 형식
  • pandas는 파이썬의 데이터 분석 라이브러리인 모듈 또는 패키지의 이름
  • Series는 pandas 모듈 안에 정의된 클래스의 이름
  • 즉, pandas.Series는 "pandas라는 모듈 안에 있는 Series라는 클래스"를 의미
• 소문자.대문자 조합의 의미
  • 모듈/패키지 이름: 파이썬의 공식 스타일 가이드(PEP 8)에 따르면, 모듈과 패키지 이름은 소문자를 사용합니다. 필요하면 밑줄(_)로 단어를 구분할 수 있음
  • 클래스 이름: 클래스 이름은 첫 글자를 대문자로 하고, 여러 단어는 대문자로 구분하는 "CapWords" 또는 "CamelCase" 방식(예: Series, DataFrame)을 사용
  • pandas.Series에서 pandas는 소문자 모듈명, Series는 대문자 클래스명
  • 점(.)은 "소속"을 나타냄
    • 즉, pandas 모듈의 Series 클래스라는 뜻
• 이런 표기법은 파이썬에서 객체의 소속(네임스페이스)을 명확히 표현하는 일반적인 방식임

Series 생성 방법

• 리스트, 배열, 딕셔너리 등을 사용할 수 있음

1. 리스트로 Series 생성

import pandas as pd

data = [10, 20, 30, 40, 50,]
s = pd.Series(data) # Series는 대문자로 시작 == 클래스라는 뜻!

print(s)

# [Out]
0    10
1    20
2    30
3    40
4    50
dtype: int64

• 왼쪽(0~4)은 인덱스(index), 오른쪽 값(10~50)은 데이터

import pandas as pd
import numpy as np

data = np.array([10, 20, 30, 40, 50,])
s = pd.Series(data)

print(s)

A pandas Series is a class. In Python, a class serves as a blueprint for creating objects, defining their attributes (data) and methods (functions). The pandas.Series class encapsulates the structure and behavior of a one-dimensional labeled array.

2. 인덱스를 지정한 Series

s = pd.Series([100, 200, 300,], index=['a', 'b', 'c'])
print(s)

# [Out]
a    100
b    200
c    300
dtype: int64

• 인덱스가 a, b, c로 변경됨

3. 딕셔너리로 Series 생성

• 딕셔너리를 사용하면 키(key)가 자동으로 인덱스가 됨

data = {"Apple": 3, "Banana": 5, "Cherry": 2}
s = pd.Series(data)

print(s)

# [Out]
Apple     3
Banana    5
Cherry    2
dtype: int64

Series에서 데이터 선택

• Series는 리스트처럼 인덱싱, 슬라이싱 가능

특정 요소 선택

print(s["Apple"])

# [Out]
3

여러 개의 값 선택

print(s[["Apple", "Cherry"]])

# [Out]
Apple     3
Cherry    2
dtype: int64

• 복수 개의 인덱스를 선택할 때는 꼭 대괄호 2개!: s[["Apple", "Cherry"]]

조건을 이용한 선택

print(s[s > 3])

# [Out]
Banana    5
dtype: int64

Numpy vs. Pandas: Index

• NumPy ndarray vs. Pandas Series의 인덱스 차이점
  • ndarray와 Series는 모두 1차원 배열 구조를 갖고 있지만, 인덱스(index) 사용 방식에서 큰 차이가 있음

NumPy ndarray의 인덱스

• 기본적으로 0부터 시작하는 정수 인덱스(implicit index)를 사용 → NumPy 배열의 인덱스는 항상 정수로 자동 할당
  • 즉, 리스트와 동일한 방식으로 값을 참조(읽기 참조)
• 사용자가 별도로 인덱스를 지정할 수 없음

import numpy as np

arr = np.array([10, 20, 30, 40,])
print(arr[0])

# [Out]
10

Pandas Series의 인덱스

• 사용자가 원하는 인덱스(index)를 직접 지정할 수 있음
  • 딕셔너리의 쌍을 구성하는 key와 value 중 key를 구성하는 특성을 설명한 것과 동일함
    (맥락이 같음)
  • 정수뿐만 아니라 문자열, 날짜(또는 시간) 등 다양한 형태의 인덱스 설정 가능
    • 날짜 또는 시간 == 시계열!
      → 시계열을 인덱스로 사용할 수 있는 점은 Series를 설명하는 매우 중요한 특징 중 하나 & 필터링(원본 데이터를 내가 원하는 형태로 고도화(품질 개선)시키는 과정)
      
• 따라서 리스트나 ndarray보다 더 유연한 데이터 참조가 가능

import pandas as pd

s = pd.Series([10, 20, 30, 40,], index = ['a', 'b', 'c', 'd'])
print(s)

# [Out]
a    10
b    20
c    30
d    40
dtype: int64

원시 데이터 → Series → DataFrame
데이터 고도화 과정에서 "필터링"은 매우 중요
(동기화/연관성 높은 부분만 추출 등)
따라서 Series의 인덱스를 잘 다루는 게 중요함!

비교

특징	Numpy(ndarray)	Pandas(Series)
인덱스 종류	정수만 가능	문자열, 날짜, 정수 등 자유롭게 지정 가능
인덱스 변경 가능 여부	불가능(고정)	가능
데이터 선택 방식	정수 인덱스(arr[0])	사용자 지정 인덱스(s['a'])

날짜&시간 → "시계열"

Pandas 인덱스의 강점

• 사용자 지정 인덱스 덕분에 데이터 탐색과 분석이 용이
  • 날짜, 문자열, 정수를 자유롭게 인덱스로 설정할 수 있는 것이 Pandas의 강점
  • e.g. 인덱스가 날짜인 Series
    • 날짜(2024-01-02 같은 인덱스)를 기준으로 데이터를 쉽게 조회 가능

dates = pd.date_range("2024-01-01", periods = 4)
s = pd.Series([100, 200, 300, 400,], index = dates)

print(s)

2024-01-01    100
2024-01-02    200
2024-01-03    300
2024-01-04    400
Freq: D, dtype: int64

• Numpy의 인덱스는 정수 숫자만 할당될 수 있는데 반해 pandas는 문자열이나 날짜같은것도 인덱스로 할당할 수 있습니다.
  • 주식 데이터 같은 경우에는 몇 번째였는지 순서가 중요한 게 아니라 어떤 날짜에 가격이 얼마였는지가 중요한데 이런 경우에는 날짜를 인덱스로 쓰는 게 더 좋을 수 있습니다.

pandas.date_range 더 알아보기

결론

1. NumPy ndarray는 고정된 정수 인덱스(0, 1, 2, ...)만 사용
2. Pandas Series는 사용자가 직접 원하는 인덱스(문자, 날짜, 정수 등)를 지정 가능
3. 따라서 Series는 더 직관적이고 데이터 검색이 쉬운 구조임

DataFrame

• 2차원 형태의 데이터 구조
• 엑셀의 표처럼 행과 열로 구성된 데이터를 다룰 수 있음
  • '엑셀 표의 행과 열'은 '데이터베이스 테이블의 로우와 컬럼'과 등치
    • 엑셀 스프레드시트, csv 파일, json 파일 등 → "격자 구조"를 가진 데이터는 모두 데이터프레임이 될 수 있음
• 시리즈 몇 개를 결합해서 데이터프레임을 만드는 것도 가능
  

DataFrame 생성 방법

• 리스트, 배열, 딕셔너리를 이용해 생성 가능

1. 리스트로 DataFrame 생성

data = [[1, "Alice", 25], [2, "Bob", 30], [3, "Charlie", 35]]
df = pd.DataFrame(data, columns=["ID", "Name", "Age"])

print(df)

# [Out]
	ID     Name  Age
0   1    Alice   25
1   2      Bob   30
2   3  Charlie   35

2. 딕셔너리로 DataFrame 생성

data = {"ID": [1, 2, 3], "Name": ["Alice", "Bob", "Chalie"], "Age": [25, 30, 35]}
df = pd.DataFrame(data)

print(df)

# [Out]
	ID     Name  Age
0   1    Alice   25
1   2      Bob   30
2   3  Charlie   35

DataFrame 다루기

• DataFrame을 생성한 후에는 열 선택, 행 선택, 데이터 추가 및 삭제 등을 할 수 있음

1. 특정 열 선택

print(df["Name"])

# [Out]
0     Alice
1       Bob
2    Chalie
Name: Name, dtype: object

2. 특정 행 선택

print(df.iloc[1])

# [Out]
ID        2
Name    Bob
Age      30
Name: 1, dtype: object

Python Pandas 파이썬 판다스 loc과 iloc의 차이
✔ loc
1. 데이터프레임의 행이나 컬럼에 label이나 boolean array로 접근
2. location의 약어로, 인간이 읽을 수 있는 label 값으로 데이터에 접근하는 것 
✔ iloc
1. 데이터프레임의 행이나 컬럼에 인덱스 값으로 접근
2. integer location의 약어로, 컴퓨터가 읽을 수 있는 indexing 값으로 데이터에 접근하는 것

import pandas as pd

df = pd.DataFrame({
    "bid_id": [1, 2, 3],
    "bidder_id": ["Gadi", "Conda", "Lion"],
    "city": ["Seoul", "LA", "Sydney"],
    "item": ["TV", "jewelry", "book"]}).set_index("bid_id")

df.iloc[0] # 첫 번째 행 접근
df.iloc[:,0] # 첫 번째 열 접근

df.loc[1] # 레이블 이름이 1인 행에 접근
# loc[1]에서 1은 레이블 이름이므로 인덱스 번호와는 구분된다는 사실을 알아야 한다.
# 인덱스로 이 데이터에 접근하려면 df.iloc[0] 이라고 접근해야 한다.

df.loc[:, "city"] # 레이블 이름이 city인 열에 접근

추가: 접근 방식

Pandas에서 [] 접근 방식은 주로 레이블 기반 접근을 지원하는 loc와 위치 기반 접근을 지원하는 iloc에 비해 기능이 제한적입니다. loc는 데이터프레임의 행과 열에 레이블(라벨 이름)을 사용하여 접근하는 반면, []는 주로 컬럼 선택에 사용됩니다.

1. [] 접근:
   주로 컬럼 선택에 사용됩니다. 예를 들어, df['col_name']은 'col_name'이라는 컬럼을 선택합니다.
   단일 컬럼 선택 외에도 리스트를 사용하여 여러 컬럼을 선택하거나, 불리언 시리즈를 사용하여 특정 행을 선택할 수 있습니다.
   행 선택 시에는 레이블(인덱스) 기반 접근을 지원하지 않고, 위치 기반 접근만 가능합니다

2. loc 접근:
   레이블 기반 인덱싱을 지원합니다. 즉, 행과 열의 인덱스 이름(라벨)을 사용하여 데이터에 접근합니다.
   예를 들어, df.loc[row_label, col_label]과 같이 행과 열의 인덱스 이름을 지정하여 데이터에 접근할 수 있습니다.
   슬라이싱도 가능하며, 슬라이싱 범위는 종료 인덱스를 포함합니다 (종료 인덱스 - 1이 아님).
   불리언 인덱싱도 지원합니다.

3. []와 loc의 차이점 요약:
   []는 주로 컬럼 선택에 사용되며, 행 선택 시에는 위치 기반 접근만 가능합니다.
   loc는 레이블 기반 인덱싱을 지원하여 행과 열의 인덱스 이름을 사용하여 데이터에 접근합니다.

4. 사용 예시:

import pandas as pd
import numpy as np

# 데이터프레임 생성
data = {'col1': [1, 2, 3], 'col2': [4, 5, 6], 'col3': [7, 8, 9]}
df = pd.DataFrame(data, index=['row1', 'row2', 'row3'])

# [] 사용 예시
print(df['col1'])  # 'col1' 컬럼 선택
print(df[['col1', 'col2']])  # 'col1', 'col2' 컬럼 선택
# print(df['row1']) # 오류 발생, row 선택은 불가능

# loc 사용 예시
print(df.loc['row1'])  # 'row1' 행 선택
print(df.loc[['row1', 'row2']])  # 'row1', 'row2' 행 선택
print(df.loc['row1', 'col1'])  # 'row1' 행의 'col1' 값 선택
print(df.loc['row1':'row2', 'col1':'col2']) # 'row1'에서 'row2'까지, 'col1'에서 'col2'까지 슬라이싱

3. 새로운 열 추가

df["Score"] = [90, 85, 95]
print(df)

# [Out]
   ID    Name  Age  Score
0   1   Alice   25     90
1   2     Bob   30     85
2   3  Chalie   35     95

4. 행 삭제

df = df.drop(1) # 인덱스 1(두 번째 행) 삭제
print(df)

# [Out]
   ID    Name  Age  Score
0   1   Alice   25     90
2   3  Chalie   35     95

DataFrame의 인덱스 조작

• 인덱스를 직접 설정하거나 변경할 수 있음

1. 새로운 인덱스 설정

df.index = ['a', 'b']
print(df)

# [Out]
   ID    Name  Age  Score
a   1   Alice   25     90
b   3  Chalie   35     95

2. 인덱스 리셋

df = df.reset_index()
print(df)

# [Out]
  index  ID    Name  Age  Score
0     a   1   Alice   25     90
1     b   3  Chalie   35     95