[ 0101 ]
Bool
type(True) # bool
True == 1 # True
False == 0 # True
True == '1' # False
숫자
type(1) # int
type(1.5) # float사칙연산
2 ** 3 # 8 제곱
3 // 2 # 1 몫
5 % 2 # 3 나머지문자열 함수
.lower() # 소문자 변환
.upper() # 대문자 변환
.strip() # 양 끝 공백 제거
len() # 문자열 길이리스트 함수
.append() # 리스트 추가
.remove() # 리스트 제거딕셔너리 함수
{key:value}
중복 없음
A["abc"]="123" # 추가
del A["abc"] # 제거[ 0102 ]
조건문 - if문 :
if :
elif :
else :- 숫자를 입력하면 string으로 입력받고 앞에 int로 정수로 변환
- PEP20 = import this
반복문 - for문 :
- 반복 횟수가 정해져 있을 때
- 문자 = 변수 , “문자” = 문자열
range(시작(이상),끝(미만),증가치) 함수
- 증가치가 음수면 역순
- enumerate() 인덱스 번호 출력
-> for i in range(len(weekday)): =for i, w in enumerate(weekday):
while 문
while True: # 무한반복(조건이 참인 동안에 반복)함수
def A(매개변수=전달인자):
.split() # ()로 나눠서 리스트로 반환
“”” ~ “”” # 독스트링(문서를 의미)[ 0103 ]
pandas ------------------------
= 행과 열로 되어있는 데이터분석 도구
import pandas as pd as # 별칭(alias) pd라고 부르겠다DataFrame
df[“가격”].tolist() # 리스트 형태로 변경 = list(df[“가격”])axis 0 # 0 -> 행, 1 -> 열df = df.drop() # 다시 df에 할당해줘야 drop 적용.info() # 데이터프레임의 정보.shape # 데이터프레임의 크기 (행, 열).dtypes # 데이터의 타입만.describe() # 데이터프레임의 요약 (기술통계 값)
.describe(include=“object”) # 범주형 데이터 기술통계 값NumPy
= 파이썬에서 사용할 수 있는 공학용 계산기
- 값을 하나만 넣었지만 모두 적용 -> 브로드캐스팅
%timeit # 성능 검사(걸리는 시간)* 2개 이상의 데이터를 가져올땐 대괄호 2개.loc[행, 열] # locate 인덱스 값으로 행 데이터 가져오기 (value값)
.iloc[] # (인덱스 순서대로).set_index() # 특정컬럼 기준으로 index값 지정.str.contains(“vita”) # vita가 들어간 값만 찾기.str.upper() # 대문자 <-> .str.lower() 소문자df["약품명_소문자"].str.contains("vita|비타")
# |는 or (vita,비타 모두 찾기), &는 andsort_values() # 값 기준으로 정렬 -> sort_index() 인덱스 기준으로 정렬na # not available, applicableassending=False # 역순정렬.to_csv(“파일명”, index=False) # "파일명"으로 csv파일로 저장
# index=False 인덱스 값은 저장하지 않는다
pd.read_csv(“파일명”) # 저장된 "파일명".csv 파일 읽어오기[ 0104 ]
seaborn
import seaborn as sns # 데이터 시각화 라이브러리.load_dataset() # dataset 로드df.head() # 위에서 5개(기본값) = df.iloc[:5]
df.tail() # 아래에서 5개df.sample() # 랜덤하게 가져옴
df.sample(frac=0.05, random_state=42)
# frac= 추출할 표본의 비율,
# random_state= 랜덤한값을 고정(환경에 따라서 값을 지정/같은 환경 = 같은 값).info() # 기본정보값 보기.describe() # 기술통계값 보기
df.describe(include="object”) # 범주형 데이터의 기술통계값.shape # 데이터프레임 크기 결과값-> (행, 열).corr() # 상관계수df["dataset"].value_counts() # 빈도수
df["dataset"].value_counts(normalize=True)
# 빈도수의 비율 normalize = True 모두 더하면 1.groupby() # 그룹핑 하기sns.countplot(data=df, x="dataset”) # 값에 대한 빈도수 그래프로 그리기sns.barplot(data=df, x="dataset", y=“x”, ci=None)
# 평균값 막대그래프로 그리기 => 검은색 막대 : ci(confidence interval 신뢰구간/ None 추천)
sns.barplot(data=df, x="dataset", y="y", ci=None, estimator=np.sum)
# 합계를 구할 수 있는 방법sns.boxplot() # 분포도를 더 잘 볼 수 있음df.hist(bins=) # 도수분포표를 시각화해서 그래프로 나타낸것, bin = 통을 몇개로 나눌거냐sns.displot(data=df, x="y", hue="dataset", kde=True, col="dataset”)
# 통합그래프, hue = 컬러(카테고리/다른색상으로 그리겠다), kde = 비율의 시각화sns.scatterplot(data=df, x="x", y="y", hue="dataset")sns.regplot(data=df, x="x", y="y") # regression을 보여주는 데이터의 선형성 시각화sns.lmplot(data=df, x="x", y="y", hue="dataset", col="dataset", col_wrap=2)
# regplot()과 FacetGrid를 결합한 plot
Today I Learn