05 Time_Series
Yr_Mo_Dy을 판다스에서 인식할 수 있는 datetime64타입으로 변경
object -> datetime
df.Yr_Mo_Dy = pd.to_datetime(df.Yr_Mo_Dy)
년도별 각컬럼의 평균값을 구하여라
df.groupby(df.Yr_Mo_Dy.dt.year).mean(numeric_only=True)
weekday컬럼을 만들고 요일별로 매핑
df['weekday'] = df.Yr_Mo_Dy.dt.weekday
모든 결측치는 컬럼기준 직전의 값으로 대체하고 첫번째 행에 결측치가 있을경우 뒤에있는 값으로 대체
df.fillna(method='ffill').fillna(method='bfill')
년도 - 월을 기준으로 모든 컬럼의 평균값을 구하여라
df.groupby(df.Yr_Mo_Dy.dt.to_period('M')).mean(numeric_only=True)
06 Pivot
프레임화 작업
년도가 2015년 이상, Dim1이 Both sexes인 케이스만 추출
df[(df.Period >=2015) & (df.Dim1 =='Both sexes')]
추출한 데이터로 아래와 같이 나라에 따른 년도별 사망률을 데이터 프레임화 하라
target.pivot(index='Location',columns='Period',values='First Tooltip')
Dim1에 따른 년도별 사망비율의 평균을 구하라
df.pivot_table(index='Dim1',columns='Period',values='First Tooltip',aggfunc='mean')
한국 올림픽 메달리스트 데이터에서 년도에 따른 medal 갯수를 데이터프레임화
kr.pivot_table(index='Year',columns='Medal',aggfunc='size').fillna(0)
컬럼 정렬
Ans[['Gold', 'Silver', 'Bronze']]
sport종류에 따른 성별수
df.pivot_table(index='Sport',columns='Gender',aggfunc='size')
07 Merge, Concat
SQL join 역활
df1과 df2 데이터를 하나의 데이터 프레임으로 합쳐라
pd.concat([df1,df2], axis=0)
둘다 포함
pd.concat([df3,df4],join='inner')
모든 컬럼 출력 nan 0 출력
pd.concat([df3,df4],join='outer').fillna(0)
df5과 df6 데이터를 하나의 데이터 프레임으로 merge함수를 이용하여 합쳐라. Algeria컬럼을 key로 하고 두 데이터 모두 포함하는 데이터만 출력하라
on = key 컬럼럼
pd.merge(df5,df6,on='Algeria',how='inner')
