240909 TIL #488 AI Tech #26 EDA 코드 정리 / 최신 RecSys 모델

김춘복·2024년 9월 9일

TIL aitech

TIL : Today I Learned

목록 보기

489/571

Today I Learned

오늘은 EDA에 사용하는 코드들을 정리해보았다.

EDA 코드 정리

구글 드라이브 접근 허용

from google.colab import drive
drive.mount('/content/drive', force_remount=True)

csv 파일 가져오기

df = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/data/data.csv')

seaborn 연습용 내장 데이터셋 : iris, tips, titanic

import seaborn as sns

df = sns.load_dataset('tips')
df.head()

Pandas

df.head() : 상위 n개의 행 반환. default는 5
df.tail() : 하위 n개의 행을 반환. default는 5
df.info() : DF의 기본 정보를 제공. 컬럼명, 데이터 타입, non-null의 개수 등
df.describe() : 수치형 열에 대한 통계 반환
df.corr() : 수치형 열 간의 상관관계 계산. 수치형 열만 따로 빼야한다.

numeric_df = df.select_dtypes(include=[np.number])
numeric_df.corr()

df.agg(['mean', 'std']) : mean, std, sum, min, max 등의 기본 통계 함수와 사용자 정의 함수같은 연산들을 사용하게 해준다. 주로 groupby()와 함께 사용되지만 단독으로 DF나 Series에 적용할 수 있다.
df.dtypes : 각 열의 데이터 타입
df.shape : 행, 열의 개수를 튜플 형태로 반환 ex. (891, 15)
df.columns: DF의 열 이름들을 반환
df.index: DF의 인덱스(행 이름)를 반환 RangeIndex(start=0, stop=891, step=1)
df.isnull().sum(): 각 열의 null 값 개수 반환
df['column_name'].value_counts() : DF 각 열에 대해 고유한 값들의 빈도를 반환.
df['column_name'].unique(): 특정 열의 고유한 값들을 반환
df['column_name'].nunique(): 특정 열의 고유한 값의 개수를 반환

Seaborn

열마다 boxplot 생성

numeric_columns = df.select_dtypes(include=['float64', 'int64']).columns
for col in numeric_columns:
    plt.figure(figsize=(12, 5))
    sns.boxplot(hue='survived', x=col, data=df)
    plt.xlabel(col)
    plt.ylabel('Value')
    plt.title(f'Boxplot of {col} by survived')
    plt.show()

열마다 countplot(barplot) 생성

numeric_columns = df.select_dtypes(include=['float64', 'int64']).columns
for col in numeric_columns:
    plt.figure(figsize=(30, 7))
    sns.countplot(hue='survived', x=col, data=df)
    plt.title(f'Countplot of {col} by survived')
    plt.show()

평균과 표준편차 시각화 : agg_stats를 전치(.T) 해줘야 한다.

agg_stats = df.select_dtypes(include='number').agg(['mean', 'std'])
agg_stats.T.plot(kind='bar', yerr=agg_stats.loc['std'], capsize=4)
plt.title('Mean and Standard Deviation of Titanic Dataset Numeric Columns')
plt.ylabel('Values')
plt.xticks(rotation=45)
plt.legend(title='Statistics')
plt.tight_layout()
plt.show()

피어세션

오늘은 게임 데이터를 가지고 EDA를 한 내용들을 각자 공유했다.
정답은 없는 자료였지만 각자의 인사이트를 듣고 깨닳은 게 있었다.

멘토링

Language Model to Rec

일반적으로 NLP,CV 논문이 나오고 1~2년 뒤에 추천시스템에 적용한 논문이 나온다.
그래서 추천 도메인만 아는것 보단 다른 도메인 논문도 보면 좋다.
LLM을 Fine-tuning하는 방식 or 추천기술과 LLM을 병합하는 방식 두가지로 최근엔 많이 나온다.
후자의 경우 CF 모델에서 추출된 Latent factor 값을 LLM 프롬프트 입력으로 활용하는 논문도 있다.