교육과정에서 이제 머신러닝을 배우기 시작하는데 Pandas에 대해 정리하고 싶어서 남기는 글

---

Pandas

• 데이터프레임과 시리즈라는 자료형을 다루고 데이터 분석을 위한 다양한 기능을 제공하는 라이브러리
• 내부적으로 numpy를 사용하므로 함께 import

import pandas as pd

Series

• Numpy의 1차원 array와 비슷하다.
• 1차원 배열이고, 엑셀시트의 열 하나를 떠올리면 이해가 쉽다.

x = [1, 2, 3, 4, 5]
pd.Series(x)

0    1
1    2
2    3
3    4
4    5
dtype: int64

출력 결과를 봐도 엑셀시트의 열 한개와 비슷하다.
넘파이 리스트로도 시리즈를 생성할 수 있다.

Series Index

• Series는 기본적으로 index와 value로 구분되어 있다.

x = [1, 2, 3, 4, 5]
x = pd.Series(x)
print(x.index)
print(x.values)

RangeIndex(start=0, stop=5, step=1)
[1 2 3 4 5]

list(x.index)로 print하면 인덱스가 [0, 1, 2, 3, 4]로 출력된다.

• 인덱스명을 변경할 수 있고 인덱스에 접근하는 방법이 다양하다.

x = [1, 2, 3, 4, 5]
x = pd.Series(x, index=['a','b','c','d','e']) #인덱스설정

print(x['a']) #명시적 인덱스접근
print(x[0]) #묵시적 인덱스접근
print(x[['a','e']]) #팬시색인, 한번에 여러값 접근
print(x.a) # 속성값 접근하듯이 접근할 수 있음

1
1
a    1
e    5
dtype: int64
1

• 인덱스가 숫자라면, 묵시적 인덱스 접근이 불가능하다. 이럴땐 .iloc과 .loc을 사용해주면 된다!

x = [1, 2, 3, 4, 5]
x = pd.Series(x, index=[1, 2, 3, 4, 5])
print(x)
# x[0] 오류(인덱스가 숫자라서 묵시적 인덱스 접근이 불가능함)
print(x.iloc[0]) #묵시적 인덱스로만
print(x.loc[1]) #명시적 인덱스로만

1    1
2    2
3    3
4    4
5    5
dtype: int64
1
1

Dictionary to Series

• 딕셔너리를 사용해 Series를 만들면 key값을 index로 사용한다.

x = {"수학":90, "영어":80, "과학":95, "미술":80}
x = pd.Series(x)
x

수학    90
영어    80
과학    95
미술    80
dtype: int64

• 딕셔너리와 비슷하게 인덱싱이 가능하다.

print(x['수학']) # 출력: 90

• 슬라이싱도 가능

print(x['영어':])

영어    80
과학    95
미술    80
dtype: int64

• 인덱스 값을 지정하여 일부 값만 Series로 생성할 수도 있다.

x = {"수학":90, "영어":80, "과학":95, "미술":80}
x = pd.Series(x, index=["수학", "영어", "과학"])
x

수학    90
영어    80
과학    95
dtype: int64

Multi Index

• 인덱스를 여러 개 가질 수 있다.

student_1 = {"수학":90, "영어":80, "과학":95, "미술":80}
student_2 = {"수학":70, "영어":90, "과학":100, "미술":70}

#index_1 = ['홍길동','홍길동','홍길동','홍길동','이몽룡','이몽룡','이몽룡','이몽룡']
index_1 = ['홍길동' for i in range(len(student_1))] + ['이몽룡' for i in range(len(student_2))]

#index_2 = ['수학','영어','과학','미술','수학','영어','과학','미술']
index_2 = [key for key in student_1] + [key for key in student_2] # key를 불러옴

value_all = list(student_1.values()) + list(student_2.values())

students = pd.Series(value_all, index=[index_1, index_2]) # 상위 인덱스랑 하위 인덱스
students

홍길동  수학     90
     영어     80
     과학     95
     미술     80
이몽룡  수학     70
     영어     90
     과학    100
     미술     70
dtype: int64

• students['홍길동']의 경우 홍길동에 해당하는 점수들만 출력해준다.

수학    90
영어    80
과학    95
미술    80
dtype: int64

DataFrame

• 2차원 테이블 데이터 구조로, 엑셀의 스프레드시트 전체를 생각하면 된다.

sales_data = {    
    '연도':[2015, 2016, 2017, 2018, 2019, 2020],
    '판매량':[103, 70, 130, 160, 190, 230],
    '매출':[500000, 300000, 400000, 550000, 700000, 680000],
    '순이익':[370000, 190000, 300000, 480000, 600000, 590000]
}

sales_data = pd.DataFrame(sales_data)
sales_data

(벨로그에서 데이터프레임을 출력하는 방법이 있다면 댓글로 알려주세요..)

sales_data = {    
    '연도':[2015, 2016, 2017, 2018, 2019, 2020],
    '판매량':[103, 70, 130, 160, 190, 230],
    '매출':[500000, 300000, 400000, 550000, 700000, 680000],
    '순이익':[370000, 190000, 300000, 480000, 600000, 590000]
}

temp_df = pd.DataFrame(sales_data, columns=['판매량','매출','순이익'], index=sales_data['연도'])
temp_df

인덱스를 따로 지정해줄 수도 있다.

• Series와 마찬가지로 DataFrame도 .loc, .iloc이 사용이 가능하다.
• 파일을 읽어와 DataFrame으로 출력할 수 있다. (pd.read_csv가 가장 많이 쓰임)

sales_data = pd.read_csv('sales_data.csv', index_col='연도', header=0, sep=',')
sales_data

이런식으로..

---

판다스의 자료구조인 Series와 DataFrame을 알아보았다. 다음에는 Kaggle의 타이타닉 생존자 데이터로 판다스를 다루는 방법들에 대해 정리할 것이다!!!!!!