📌 Pandas 설치 및 불러오기

!pip install pandas
import pandas as pd

📌 Series와 DataFrame 이해하기

• Series: 1차원 데이터 (숫자, 문자열 등)

# Series 예시
s = pd.Series([10, 20, 30])
print(s)

• DataFrame: 2차원 데이터 (엑셀처럼 행과 열이 있음)

# DataFrame 예시
data = {
    '이름': ['철수', '영희', '민수'],
    '나이': [10, 12, 11]
}
df = pd.DataFrame(data)
print(df)

📌 CSV 파일 불러오기

df = pd.read_csv('파일이름.csv')  # 파일이 .xlsx라면 덱스트기반버전 보통 .csv많이사용
print(df)

📌 데이터 미리보기

df.head()      # 처음 5행
df.tail()      # 마지막 5행
df.info()      # 데이터 타입과 결측치 확인
df.describe()  # 숫자 데이터 요약 통계

📌 열(Column) 선택하기

df['국어']      # 특정 열만 보기  -> Series(1차원데이터)
df[['국어', '수학']]  # 여러 열 보기  -> DataFrame(2차원데이터)

📌 조건필터링 : 조건으로 데이터 뽑기(필터링)

import pandas as pd

data = {
    '이름': ['철수', '영희', '민수', '지민'],
    '국어': [90, 80, 85, 95],
    '수학': [88, 92, 79, 100]
}


df = pd.read_csv(data)
print(df)

# 수학점수가 90점 이상인 학생만 보기
df[df['수학'] >= 90 ]

# 국어점수가 85점 미만인 학생 보기
df[df['국어'] < 85 ]

df['수학'] >= 90  
# 이렇게만 출력하면 
# 누가 조건에 맞는지 알려주는'True', 'False'로만 출력됨
# 실제 데이터를 보고싶으면 df[조건]
# 이렇게 df[] 한번더 감싸줘야 그 조건에 맞는 row(행)을 뽑을 수 있음. 

df[]

📌 정렬하기[ .sort_values(by= , ascending= ) ]

defult는 True 오름차순

# 총점이 높은 순
df.sort_values(by='총점', ascending=False)

# 평균이 낮은 순
df.sort_values(by='평균', ascending=True)

📌 열 추가하기

# 국어 + 수학 점수로 총점 열 추가

df['총점'] = df['국어'] + df['수학']
df['평균'] = df['총점'] / 2
print(df)

📌 행 추가하기(새로운 학생 추가)

import pandas as pd

# 기존 데이터
data = {
    '이름': ['철수', '영희', '민수', '지민'],
    '국어': [90, 80, 85, 95],
    '수학': [88, 92, 79, 100]
}
df = pd.DataFrame(data)

# 새 학생 추가
new_student = {'이름': '하늘', '국어': 85, '수학': 87}
df = pd.concat([df, pd.DataFrame([new_student])], ignore_index=True)

# df.loc[len(df)] = ['하늘', 85, 87]

print(df)

👉 1. concat() : 추가할 데이터 양이 많을 때

df = pd.concat([df, pd.DataFrame([new_student])], ignore_index=True)

1. new_student = { ... } : 추가할 학생의 데이터를 딕셔너리로 만들어주기
2. pd.DataFrame([new_student]) : 추가학생 딕셔너리데이터를 리스트로 감싸서 DataFrame형태로 만들어주기
3. pd.concat([기존DataFrame, 추가할DataFrame] : 기존DataFrame 과 추가할DataFrame를 붙여주기

• concat() : 두 데이터 프레임을 붙여주는 함수

4. pd.concat([df, pd.DataFrame([new_student])], ignore_index=True) : 새로 인덱스를 매김

• ignore_index=False : 기존 각 DataFrame들의 인덱스를 그대로 유지(겹침) -> defult
• ignore_index=True : 인덱스가 두 DataFrame을 합친 후 0부터 새로 매김.
• axis = 0 : 행으로 붙음 -> defult
• axis = 1 : 열로 붙음
• pd.concat([df, pd.DataFrame([new_student])], ignore_index=True)는
  pd.concat([df, pd.DataFrame([new_student])], axis = 0, ignore_index=True)와 같다고 보면됨.

👉 2. loc : 하나씩 추가할 때

df.loc[len(df)] = ['하늘', 85, 87]

len(df) : df에는 현재 4명('철수', '영희', '민수', '지민')이 있음. 따라서 4를 반환
df.loc[4] : 행 Label 4번째를 말함.
df.loc[4] = ['하늘', 85, 87] : 행 Label 4번째에 ['하늘', 85, 87] 데이터를 추가.

📌 개인적으로 헷갈렸던 부분

👉 loc / iloc 차이

구분	loc	iloc
기준	라벨(Label, 이름) 기준	인덱스 번호(Index) 기준
행 선택	인덱스 이름 ('철수')	행 번호 (0, 1, 2...)
열 선택	열 이름 ('수학')	열 번호 (0, 1, 2...)
예시	df.loc['철수', '수학']	df.iloc[0, 2]
특징	직관적, 의미 명확	반복문, 숫자 기준 처리에 유리

👉 df.loc[행, 열], df.loc[행, [열]] 형태별 차이

df.loc['철수', '수학']
# 결과: 88 (값 하나 - int)

df.loc['철수', ['수학']]  # 리스트로 열을 넘기면 1개라도 Series 형태로 반환됨 (표처럼 다룸)
# 결과:
# 수학    88
# Name: 철수, dtype: int64
# (Series로 반환됨)

df.loc['철수', ['국어', '수학']]   
# 결과:
# 국어    90
# 수학    88
# Name: 철수, dtype: int64

👉 'df[조건]['컬럼']' VS 'df[][]' 차이

# 조건으로 '영희'인 행만 고르고, 그 안에서 '수학' 열만 선택

df[df['이름'] == '영희']['수학']

df[조건]['열'] 이 부분을 보고
df[][] 이런 형식이 다 되는 줄 알았다.
앞쪽에 dataframe형식이오면 가능하지만, 앞쪽에 series형식이 오면 안됨.

👉 df[['컬럼1','컬럼2']]

여러 열을 출력할 때에는 출력하려는 컬럼 ['컬럼1','컬럼2'] 을 한번 더 df[] 씌어줘야 dataframe형식이 됨.

df['컬럼1','컬럼2'] 는 문법오류라 안됨.