LG U+ Why Not SW Camp 회고
기간: 2025.6.16 – 6.20
💡 이론 학습 내용
✅ NumPy
-
2차원 배열 인덱싱
arr_2d[[0, 3]][:, [0, 3]]: 교차 인덱싱 실습 → 행 먼저 선택, 열 슬라이싱[step1] arr_2d[[0, 3]],[step2] [:, [0, 3]]
-
3차원 배열 구성
- 리스트로 3D 배열 구성:
np.array([arr_3_1, arr_3_2, arr_3_3, arr_3_4]) np.tile을 사용해 동일한 배열 반복 생성도 가능하지만 리스트 방식으로 직접 실습
- 리스트로 3D 배열 구성:
-
고급 인덱싱 및 슬라이싱
arr[2, 3, 1] # 특정 요소 선택 arr[:2, -2:, -2:] # 첫 두 층, 마지막 두 행, 마지막 두 열 arr[::2, :, 2] # 짝수 인덱스 층의 세 번째 열 arr[2, 1:4, 1::2] # 세 번째 층, 2~4행, 홀수 열만 선택
✅ Pandas
-
Series vs DataFrame 비교
항목 Series DataFrame 차원 1차원 2차원 인덱싱 가능 행/열 모두 가능 자료형 한 가지 열마다 다름 -
기본 정보 탐색
df.head(),df.tail(),df.info(),df.describe()등으로 구조, 통계 확인.shape,.columns,.index,.values속성 이해
-
인덱싱과 필터링
.iloc[]: 정수 기반 인덱싱.loc[]: 라벨 기반 인덱싱- 조건 필터링:
df[df['col'] > value], 복합 조건(A > x) & (A < y)
-
결측치 처리 & 정렬
- 결측치 제거:
dropna() - 결측치 대체:
fillna(),replace() - 정렬:
sort_values(by='col')
- 결측치 제거:
-
날짜와 인덱스 처리
df.set_index('날짜컬럼', inplace=True) df.index = pd.to_datetime(df.index, format='%Y%m%d')
✅ 파일 입출력 & 직렬화
-
파일 열기 모드
모드 기능 파일 없을 때 'r' 읽기 에러 발생 'w' 쓰기 (초기화됨) 새로 생성 'a' 이어쓰기 새로 생성 'x' 새 파일 생성 새로 생성 'r+' 읽고 쓰기 에러 발생 'w+' 읽고 쓰기 (초기화됨) 새로 생성 -
읽기/쓰기 함수
.read(),.readline(),.readlines().write(),.writelines()
-
Pickle 직렬화
import pickle with open('data.pkl', 'wb') as f: pickle.dump(data, f) with open('data.pkl', 'rb') as f: obj = pickle.load(f) -
JSON vs Pickle
항목 JSON Pickle 형식 텍스트 기반 바이너리 속도 느림 빠름 호환성 다양한 언어 Python 전용 보안 상대적으로 안전 주의 필요
✅ 데이터 시각화 (Matplotlib)
-
기본 설정
import matplotlib.pyplot as plt plt.rc('font', family='Malgun Gothic') # 한글 폰트 설정 plt.rcParams['axes.unicode_minus'] = False -
그래프 유형
- Line:
plt.plot(x, y) - Bar:
plt.bar(x, y) - Scatter:
plt.scatter(x, y) - Histogram:
plt.hist(data) - Subplot:
fig, axes = plt.subplots(1, 2) axes[0].plot(...) axes[1].bar(...) plt.tight_layout() plt.show()
- Line:
-
NaN 포함 평균 시각화
data[data == 0] = np.nan avg = np.nanmean(data, axis=1) plt.plot(avg)
👍 좋았던 점
-
pandas의 .head(), .info(), .describe() 덕분에 데이터를 빠르게 파악할 수 있어서 탐색 효율이 크게 높아짐.
-
df.loc과 df.iloc의 차이를 실제로 코딩하며 익힌 것이 기억에 잘 남았고, 복잡한 슬라이싱에서도 정확한 인덱싱 감을 잡아감.
-
시각화를 통해 결과를 바로 확인할 수 있어 데이터 이상치를 직관적으로 잡아내기 쉬웠고, 실습 과정에서 오류를 직접 찾을 수 있어 성취감을 느낌.
-파일 입출력(write, read)을 통해 데이터를 외부에 저장하고 다시 불러오는 경험이 신선하게 다가왔음.
❗ 아쉬웠던 점 & 스스로 부족했던 점
-
numpy 인덱싱은 처음엔 혼란스러웠고, 특히 3차원 배열에서의 인덱스 순서가 머릿속에 잘 안 들어옴.
-
[층, 행, 열] 구조를 시각화 없이 상상하려니 혼란이 있었음.
-
arr[[0, 2], :][:, [1, 3]]와 같은 표현은 왜 두 단계로 나뉘는지를 처음엔 명확히 이해하지 못했음.
-
pickle을 사용해 데이터를 직렬화할 수 있는 건 알았지만, 실습 없이 넘어가서 완전히 체화되지 않음.
-
시각화 기능은 다시 복습하지 않으면 금방 잊어버릴 듯함. 특히 subplot 구성과 label 설정을 자주 까먹음.
-
pandas 기능은 많아서 실전에서 "어떤 함수가 뭐였더라?" 하는 순간이 자주 있었음. 별도로 cheatsheet를 만들 필요성 느낌.
🌱 느낀 점 및 앞으로의 계획
-
단순히 코드를 외우는 것보다 "데이터 흐름"을 그려보며 이해하는 것이 훨씬 오래 기억된다는 걸 체감함. 특히 numpy의 다차원 배열은 눈으로 도식화해보는 습관을 들이기로 함.
-
pandas와 matplotlib는 계속 실습을 통해 익숙해지는 게 중요하다는 걸 느낌. 매주 mini 프로젝트나 예제를 직접 해보는 루틴을 만들 것.
-
matplotlib도 단독 학습보다는 실제 데이터 전처리 > 시각화 흐름 안에서 통합적으로 사용하는 연습이 더 효과적임.
-
나만의 시각화 템플릿과 전처리 함수들을 만들어두면 이후 프로젝트에서도 시간 단축과 반복 작업 줄일 수 있겠다는 인사이트를 얻음.
-
파일 입출력과 pickle/json 사용법은 다음 주부터 간단한 데이터를 저장/불러오는 실습을 추가해보기로 함.
