---

개요

작업형 1 예시문제 다양하게 풀어보기

---

📌 문제 살펴보기

• 작업형 1 예시문제

자동차 데이터 셋에서
qsec 컬럼을 Min-Max Scale로 변환 후,
0.5보다 큰 값을 가지는 레코드(row) 수를 제출하시오.

• 문제 분석

  • 문제는 qsec 컬럼만 묻고 있다. (다른 컬럼 신경 쓸 필요 없음)

  • MinMax Scale 변환

  • 조건 : 0.5보다 큰 값

---

📌 데이터 불러오기

# 데이터 불러오기
import pandas as pd
# a = pd.read_csv('mtcars.csv') # 샘플
def load_data():
    return pd.read_csv('mtcars.csv')
data = load_data()
data.head()

---

📌 스케일링

---

📌 스케일링 방법1: MinmaxScaler

# MinMaxScaler 활용
from sklearn.preprocessing import MinMaxScaler
data = load_data()
scaler = MinMaxScaler()
print('MinMax Scale 변환 전: \n',data['qsec'].head())
data['qsec'] = scaler.fit_transform(data[['qsec']])
print('MinMax Scale 변환 후: \n',data['qsec'].head())

---

📌 스케일링 방법2: minmax_scale

# minmax_scale 활용
from sklearn.preprocessing import minmax_scale
data = load_data()
print('MinMax Scale 변환 전: \n',data['qsec'].head())
data['qsec'] = minmax_scale(data['qsec'])
print('MinMax Scale 변환 후: \n',data['qsec'].head())

---

📌 스케일링 방법3: minmax_scale

# min-max 함수
def my_minmax(data):
    data = (data - min(data)) / (max(data) - min(data))
    return data
print('MinMax Scale 변환 전: \n',data['qsec'].head())
data['qsec'] = my_minmax(data['qsec'])
print('MinMax Scale 변환 후: \n',data['qsec'].head())

---

📌 조건

---

📌 조건에 맞는 수 1 : sum

# True(1)를 더 함
cond = data['qsec'] > 0.5
print(sum(cond)) 

---

📌 조건에 맞는 수 2 : len

# 데이터 수를 구함
cond = data['qsec'] > 0.5
print(len(data[cond])) 

---

📌 조건에 맞는 수 3 : count

# 데이터 수를 구함
cond = data['qsec'] > 0.5
print(data[cond]['qsec'].count())

---

📌 심화

• 결측치가 있을 때 sum, len, count

# 결측치가 있는 데이터 생성
import numpy as np
df = pd.DataFrame(
    {
        'a':[1,2,3,4,5,6,7,8,9],
        'b':[1.3,2.2,3.3,np.nan,5.8,6.9,np.nan,8.2,9.0]
    }
)
df

# len(데이터프레임)
len(df)

# len(시리즈)
len(df['b'])

# 데이터프레임.count()
df.count()

# 시리즈.count()
df['b'].count()

• len: 행의 수
• count: NaN이 아닌 (컬럼별) 행의 수
• sum: True(1)값을 더했기 때문에 조건문에 따라 달라짐

df['b'] > 3

cond = df['b'] > 3
print(sum(cond))