[Pandas] DataFrame ① 생성/구조

📌 DataFrame

• Pandas 에서 주로 다루는 단위
• Spreadsheet 와 같은 개념
• Structured Data , Panel Data 또는 Tabular Data

데이터프레임 특징

• 행과 열로 만들어지는 2차원 배열 구조
• 2차원 행렬 데이터에 인덱스를 붙인 것
• R의 데이터프레임에서 유래
• 데이터프레임의 각 열은 시리즈로 구성

---

📌 DataFrame 생성

DataFrame(data=None, index=None, columns=None, dtype=None, copy=None)

• data : array-like, Iterable, dict, or scalar value
• index : index or array-like
• columns : index or array-like
• dtype : dtype
• Pandas DataFrame Docs 참조

---

1️⃣ 리스트 활용 DataFrame 생성

• DataFrame([[list1],[list2], ... [list3]])
• 각 list 는 한 행으로 구성
• 행의 원소 개수가 다르면 None 값으로 저장

# 마지막 리스트 길이가 달라 해당 인덱스에는 NaN 저장
df2 = pd.DataFrame([[1, 2, 3], 
                    [4, 5, 6], 
                    [7, 8, 9, 10]])
df2

- 출력

---

2️⃣ 딕셔너리 활용 DataFrame 생성

• 딕셔너리의 key 값이 column 으로 설정된다.

예시 데이터

data = {
    '2015': [9904312, 3448737, 2890451, 2466052],
    '2016': [9631482, 3393191, 2632035, 2000002],
    '2017': [9762546, 3512547, 2517680, 2456016],
    '2018': [9912345, 1513057, 2648043, 2504991]
}
data

df3 = pd.DataFrame(data=data)
df3

- 출력

---

3️⃣ 시리즈 활용 DataFrame 생성

• 시리즈의 index 가 column 으로 설정된다.

인덱스 없는 경우

s1 = pd.Series(data=[100, 101, 102])
s2 = pd.Series(data=[200, 201, 202])
s3 = pd.Series(data=[300, 301, 302])
pd.DataFrame(data=[s1, s2, s3])

- 출력

---

인덱스 있는 경우

s1 = pd.Series(data=[100, 101, 102], index='a b d'.split())
s2 = pd.Series(data=[200, 201, 202], index='a b k'.split())
s3 = pd.Series(data=[300, 301, 302], index='a b c'.split())
pd.DataFrame(data=[s1, s2, s3])

- 출력

---

데이터프레임 인덱스 설정

pd.DataFrame(data=[s1, s2, s3], index=[10, 20, 30])

- 출력

---

4️⃣ CSV 데이터 활용 DataFrame 생성

• 데이터 분석을 위해 dataframe 을 생성하는 가장 일반적인 방법
• 데이터 소스로부터 추출된 csv (comma separated values) 파일로부터 생성
• pandas.read_csv() 함수 사용

pd.read_csv()

• sep : 각 데이터 값을 구별하기 위한 구분자(separator) 설정
• header : header 를 무시할 경우, None 설정
• index_col : index 로 사용할 column 설정
• usecols : 실제로 dataframe 에 로딩할 columns 만 설정

---

예시 데이터

• Kaggle 의 대표적인 데이터인 Titanic 데이터
• Titanic 데이터 다운로드 링크

df_tit = pd.read_csv('data/train.csv')
df_tit

- 출력

---

각 컬럼의 데이터 개수

• NaN 값이 아닌 데이터 개수를 출력한다.

df_tit.count()

- 출력

PassengerId    891
Survived       891
Pclass         891
Name           891
Sex            891
Age            714
SibSp          891
Parch          891
Ticket         891
Fare           891
Cabin          204
Embarked       889
dtype: int64

---

특정 컬럼 사용 데이터프레임 생성

• index_col : 인덱스로 사용할 컬럼 설정
• usecols : 사용할 컬럼 선정

df_tit2 = pd.read_csv('data/train.csv', index_col='PassengerId',
                        usecols=['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age'])
df_tit2.tail()                        

- 출력

---

데이터프레임 CSV 파일 저장

df4 = pd.DataFrame({'name': ['Raphael', 'Donatello'],
                   'mask': ['red', 'purple'],
                   'weapon': ['sai', 'bo staff']})
df4

- 출력

• df.to_csv(filepath) : 저장할 경로를 지정
• data 폴더 안에 csv 파일로 저장된 것을 확인할 수 있다.

df4.to_csv('data/sample.csv')

---

📌 DataFrame 구조

인덱스(index)

• index 속성
• 각 아이템을 특정할 수 있는 고유의 값을 저장
• 복잡한 데이터의 경우, 멀티 인덱스로 표현 가능

컬럼(columns)

• columns 속성
• 각각의 특성(feature)을 나타냄
• 복잡한 데이터의 경우, 멀티 컬럼으로 표현 가능

---

1️⃣ 행/열 인덱스 출력

열 인덱스

df4.index

- 출력

RangeIndex(start=0, stop=2, step=1, name='id')

---

행 인덱스

df4.columns

- 출력

Index(['name', 'mask', 'weapon'], dtype='str')

---

2️⃣ 행/열 인덱스 이름 설정

• index.name
• columns.name

df4.index.name
df4.columns.name = 'attr'
df4

- 출력

'id'

---

3️⃣ 데이터프레임 값 접근

• df.values

df4.values

- 출력

array([['Raphael', 'red', 'sai'],
       ['Donatello', 'purple', 'bo staff']], dtype=object)