[머신러닝 인강] 4. 데이터 분석을 위한 Python(1)

series 데이터 생성하기

series

• pandas의 기본 객체 중 하나
• numpy의 ndarray를 기반으로 인덱싱을 기능을 추가하여 1차원 배열을 나타냄
• index를 지정하지 않을 시, 기본적으로 ndarray와 같이 0-based 인덱스 생성, 지정할 경우 명시적으로 지정된 index를 사용
• 같은 타입의 0개 이상의 데이터를 가질 수 있음

data로만 생성하기

• index는 기본적으로 0부터 자동적으로 생성

import numpy as np
import pandas as pd

s1 = pd.Series([1, 2, 3])
s1
>>> 0    1
    1    2
    2    3
    dtype: int64

s2 = pd.Series(['a', 'b', 'c'])
s2
>>> 0    a
    1    b
    2    c
    dtype: object

s3 = pd.Series(np.arange(200))
s3
>>> 0        0
    1        1
    2        2
    3        3
    4        4
          ... 
    195    195
    196    196
    197    197
    198    198
    199    199
    Length: 200, dtype: int32

data, index함께 명시하기

s4 = pd.Series([1, 2, 3], [100, 200, 300])
s4
>>> 100    1
    200    2
    300    3
    dtype: int64

s5 = pd.Series([1, 2, 3], ['a', 'm', 'k'])
s5
>>> a    1
    m    2
    k    3
    dtype: int64

data, index, data type 함께 명시하기

s6 = pd.Series(np.arange(5), np.arange(100, 105), dtype=np.int16)
s6
>>> 100    0
    101    1
    102    2
    103    3
    104    4
    dtype: int16

인덱스 활용하기

s6.index
>>> Int64Index([100, 101, 102, 103, 104], dtype='int64')

s6.values
>>> array([0, 1, 2, 3, 4], dtype=int16)

1. 인덱스를 통한 데이터 접근

s6[104]
>>> 4

2. 인덱스를 통한 데이터 업데이트

s6[104] = 70
s6
>>> 100     0
    101     1
    102     2
    103     3
    104    70
    dtype: int16

s6[105] = 90
s6[200] = 80
s6
>>> 100     0
    101     1
    102     2
    103     3
    104    70
    105    90
    200    80
    dtype: int64

3. 인덱스 재사용하기

s7 = pd.Series(np.arange(7), s6.index)
s7
>>> 100    0
    101    1
    102    2
    103    3
    104    4
    105    5
    200    6
    dtype: int32

Series 데이터 심플 분석

Series size, shape, unique, count, value_counts 함수

• size : 개수 반환
• shape : 튜플형태로 shape반환
• unique : 유일한 값만 ndarray로 반환
• count : NaN을 제외한 개수를 반환
• mean : NaN을 제외한 평균
• value_counts : NaN을 제외하고 각 값들의 빈도를 반환

s = pd.Series([1, 1, 2, 1, 2, 2, 2, 1, 1, 3, 3, 4, 5, 5, 7, np.NaN])
s
>>> 0     1.0
    1     1.0
    2     2.0
    3     1.0
    4     2.0
    5     2.0
    6     2.0
    7     1.0
    8     1.0
    9     3.0
    10    3.0
    11    4.0
    12    5.0
    13    5.0
    14    7.0
    15    NaN
    dtype: float64

len(s)
>>> 16

s.size
>>> 16

s.shape
>>> (16,)

s.unique()
>>> array([ 1.,  2.,  3.,  4.,  5.,  7., nan])

s.count()
>>> 15

a = np.array([2, 2, 2, 2, np.NaN])
a.mean()
>>> nan

b = pd.Series(a)
b.mean()
>>> 2.0

s.mean()
>>> 2.6666666666666665

s.value_counts()
>>> 1.0    5
    2.0    4
    5.0    2
    3.0    2
    7.0    1
    4.0    1
    dtype: int64

index를 활용하여 멀티플한 값에 접근

s[[5, 7, 8, 10]].value_counts()
>>> 1.0    2
    3.0    1
    2.0    1
    dtype: int64

head, tail 함수

• head : 상위 n개 출력 기본 5개
• tail : 하위 n개 출력 기본 5개

s.head(n=7)
>>> 0    1.0
    1    1.0
    2    2.0
    3    1.0
    4    2.0
    5    2.0
    6    2.0
    dtype: float64

s.tail()
>>> 11    4.0
    12    5.0
    13    5.0
    14    7.0
    15    NaN
    dtype: float64

머신러닝과 데이터 분석 A-Z 올인원 패키지 Online. 👉 https://bit.ly/3cB3C8y