파이썬 TIPs

LSH·2023년 7월 7일

소수점 적용

round(data, n)

round(3.14159, 2)

format 함수 (f'{ }'.format( ))

print("{:.2f}".format(3.14159))

format 함수 (format(data, '.nf'))

format(.314159, ".2f"))

% 서식 문자 ('%nf'%data)

print("%0.2f"%3.14159)

f-string (f'{data:.nf}')

print(f"{3.14159:.2f}")

리스트, 배열 전체 소수점 적용

리스트

np.round(list_data, n)

배열

array.round(n)

matplotlib subplot axes legend

각 ax는 따로따로 legend 생성해줘야 함

for ax in axes:
    ax.legend()

pandas get_dummies

one hot encoding (pandas)
- Label Encoder는 여기 참고

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("국민건강보험공단_건강검진정보_20211229.xls", encoding='cp949')
plt.rc('font', family='Malgun Gothic') #한글 폰트 지정

df_dummies = pd.get_dummies(df[['성별코드', '시도코드']], drop_first=True)
print(df_dummies.head(1))
print('=============================')

df = pd.get_dummies(df, columns=['시도코드', '성별코드'])
print(df.head(1))
#
#결과
   성별코드  시도코드
0     1    36
=============================
   기준년도  가입자 일련번호  연령대 코드(5세단위)  신장(5Cm단위)  ...  시도코드_48  시도코드_49  성별코드_1  성별코드_2
0  2020         1             9        165  ...        0        0       1       0

Deep learning model 만들기 예시

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

X_train.shape

model = Sequential()
model.add(Dense(128, activation = 'relu', input_shape=(X_train.shape[1],)))
model.add(Dropout(0.5))
model.add(Dense(128, activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(32, activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
mc = ModelCheckpoint(filepath='best.h5', verbose=1, monitor='val_loss', mode='auto', save_best_only=True)
es = EarlyStopping(monitor='val_loss', mode='auto', verbose=1, patience=5)

history= model.fit(X_train,y_train, epochs=50,
                   validation_data=(X_test,y_test),
                #    validation_split=0.1,
                    verbose=1,
                    callbacks=[es,mc]
                   )
                   
plt.figure(figsize=(10,5))
plt.plot(history.history['acc'], 'red', label="acc")
plt.plot(history.history['val_acc'], 'blue', label='val_acc')

plt.title("title")
plt.xlabel('학습회수')
plt.ylabel('정확도')
plt.rc('font', family='Malgun Gothic') #한글 폰트 지정
plt.show()

한글 폰트 적용 (plt)

plt.rc('font', family='Malgun Gothic')

간단한 플롯 그리기 (확인용?)

import seaborn as sns
import matplotlib.pyplot as plt
iris = sns.load_dataset('iris')
iris['species'].value_counts().plot(kind='bar')
plt.show()

딥러닝 모델 개요보기(summary)

model.summary()

원하는 위치에 column 추가하기 (pandas)

df.insert(loc, column, value, allow_duplicates=False)
# ex
df.insert(1, 'month', df['Datetime'].dt.month)
df.head()
df.insert(2, 'hour', df['Datetime'].dt.hour)
df.head()

DataFrame데이터프레임에서 문자열 찾기

# 문자열을 포함하는 열 찾기
df[df['Country name'].str.contains('K')]
# 문자열로 시작하는 열 찾기 
df[df['Country name'].str.startswith('S')]

Random color 랜덤 색상 지정

import random

#hexadecimal 형식으로 랜덤 색 선택
def rand_color(num=1):
  col = list()
  for _ in range(num):
    col.append("#" + "".join([random.choice('0123456789ABCDEF') for _ in range(6)]))
  return col

필요한 수만큼 리스트로 반환

📕 kde 그래프에 색상을 랜덤으로 주기

import random

#hexadecimal 형식으로 랜덤 색 선택
def rand_color(num=1):
  col = list()
  for _ in range(num):
    col.append("#" + "".join([random.choice('0123456789ABCDEF') for _ in range(6)]))
  return col

fig, ax = plt.subplots(figsize=(15,8))
ax = sns.kdeplot(data=df, 
                 x='Ladder score', 
                 hue='Regional indicator',
                 alpha=0.3, 
                 fill=True,
                 palette=rand_color(len(df['Regional indicator'].unique())),
                 # 항목 수만큼의 색을 지정해야 함 
                 lw=2,
                 edgecolor='w',
                 shade=True)
plt.title('Ladder Score by region')
plt.axvline(df['Ladder score'].mean(), c='black', ls='--', lw=.5)
plt.show()

pyplot(plt), Seaborn Subplot ax 지정

# pyplot(plt)
ax[idx].scatter(data=df_t, x=cols[idx], y='CO2 Emissions(g/km)')

#seaborn
sns.scatterplot(data=df_t, x=cols[idx], y='CO2 Emissions(g/km)', ax=ax[idx])

sns.barplot은 평균값을 표현함

#barplot
plt.figure(figsize=(25,7))
sns.barplot(data=df, x="Make",y='CO2 Emissions(g/km)',ci=None)
plt.xticks(rotation= 35)
plt.show()

데이터 스케일링

수치형 데이터의 정규화/표준화를 의미

from sklearn.preprocessing import StandardScaler
scaler=StandardScaler()
X=scaler.fit_transform(X)
plt.hist(X)

pandas dataframe 컬럼 split

pandas.DataFrame.str.split('구분자', expand=True or False)

df[["High_pressure", "Low_pressure"]] = df['Blood Pressure'].str.split('/', 1, expand=True)

DataFrame[column].apply(lambda x: pd.Series(str(x).split(",")))

df["High_pressure"] = df['Blood Pressure'].apply(lambda x : x.split('/')[0])
df["Low_pressure"] = df['Blood Pressure'].apply(lambda x : x.split('/')[1])

histogram Hue 옵션

seaborn.histplot, hue 및 multiple

fig, ax = plt.subplots()
ax = sns.histplot(data=df, x='Sleep Disorder', hue='Gender', multiple="dodge", shrink=.8)

plotly.histogram, color 및 barmode

fig = px.histogram(x=df['Sleep Disorder'], color=df['Gender'], barmode='group')
#barmode: relative, gruopm overlay 옵션이 있음 
fig.show()

pandas 컬럼명 변경

전체 열 이름 입력하기

df.columns = ['col', 'col', 'col']

- 선택하여 열 이름 변경하기
df.rename(columns={'Before':'After'})

pandas 컬럼을 인덱스로

set_index

DataFrame.set_index(keys=column, inplace=True)

add_subplot 예시

fig = plt.figure(figsize=(15,6))
for idx, col in enumerate(['Age','Income','Spending']):
  ax = fig.add_subplot(1, 3, idx+1)
  sns.distplot(mall[col], ax = ax)
  ax.set_title(col)

한 컬럼의 value_counts 값으로 barplot 그리기

mall['Age_Range'].value_counts()
#
# 결과
25-34    54
35-44    42
45-54    39
18-24    35
55+      30
Name: Age_Range, dtype: int64

plt.figure(figsize = (15,6))
sns.barplot(mall, x=mall['Age_Range'].value_counts().index, y=mall['Age_Range'].value_counts().values)

plt.title("나이별 고객수")
plt.xlabel("나이")
plt.ylabel("고객수")
plt.show()

value_counts한 값의 index와 values를 가져옴!!

연산 시간 체크하기 timeit

timeit: 코드 일부분의 실행 시간을 측정할 때 사용하는 모듈 https://docs.python.org/ko/3/library/timeit.html

import timeit

# concant
def test1():
  l = []
  for i in range(1000):
    l = l + [i]

# append
def test2():
  l = []
  for i in range(1000):
    l.append(i)

# list conrehension 
def test3():
  l = [i for i in range(1000)]

# list, range 
def test4():
  l = list(range(1000))

# extend
def test5():
  l = []
  l.extend(range(1000))


print("concat: ", timeit.timeit("test1()","from __main__ import test1" , number= 1000),"ms")
print("append: ", timeit.timeit("test2()","from __main__ import test2" , number= 1000),"ms")
print("l_c: ", timeit.timeit("test3()","from __main__ import test3" , number= 1000),"ms")
print("list_range: ", timeit.timeit("test4()","from __main__ import test4" , number= 1000),"ms")
print("extend: ", timeit.timeit("test5()","from __main__ import test5" , number= 1000),"ms")

#
# 결과

concat:  1.7168940530009422 ms
append:  0.0696691520006425 ms
l_c:  0.036703269001009176 ms
list_range:  0.015264612000464695 ms
extend:  0.015725848999863956 ms

`_method` 랑 `__method` 차이?

__method는 직접 호출 불가
ex) student1.grade() : 가능
student1.__grade() : 불가능

다시 알아보기..

클래스 타입 확인 isinstance

isinstance() ; 기반 클래스 정보를 체크

#지정한 객체가 지정한 클래스타입인지 체크
print(f'{isinstance(Kim, Student) = }')
#
# 결과
isinstance(Kim, Student) = True

사용 예

class Student:
  def study(self):
    print('studing')


class Teacher:
  def teach(self):
    print('teaching')


classroom = [Student(), Student(), Teacher(), Student() ]

for person in classroom:
    if isinstance(person, Student):
      person.study()
    elif isinstance(person, Teacher):
      person.teach()
#
# 결과
studing
studing
teaching
studing

if name=='main': 의 의미

프로그램이 이 파일에서 시작했을 경우 라는 뜻

파이썬에서 'is'와 '=='의 차이

is
- 앞 뒤 변수가 같은 '객체 Object'를 가리킬때 True
- 값이 같아도 다른 객체이면 False
==
- 앞 뒤 변수가 같은 '값 Value'을 가질때 True

f string의 활용 예

https://note.nkmk.me/en/python-f-strings/

성능테스트 모듈 dis

import dis
dis.dis(테스트 하려는 작업)

클래스 중첩

class ArtificialNeuron:
    def __init__(self, X, w, b):
        self.X = X
        self.af = self.AffineFunction(w, b)
        self.sg = self.Sigmoid()

    def cal_y(self):
        self.z = self.af.forward(self.X)
        self.y = self.sg.forword(self.z)
        return self.y

    class AffineFunction:
        def __init__(self, w, b):
            self.w = w
            self.b = b

        def forward(self, x):
            z = np.matmul(self.w, x) + self.b
            return z

    class Sigmoid:
        def forword(self, z):
            return 1 / (1 + np.exp(-z))

위 코드는 수정해야 할 코드인데 클래스 중첩을 적용해봐서 기록으로 남겨둠

LSH

이전 포스트

머신러닝(파이썬) - Gaussian Naive Bayes Classifier

다음 포스트

파이썬 TIPs

소수점 적용

리스트, 배열 전체 소수점 적용

matplotlib subplot axes legend

pandas get_dummies

Deep learning model 만들기 예시

한글 폰트 적용 (plt)

간단한 플롯 그리기 (확인용?)

딥러닝 모델 개요보기(summary)

원하는 위치에 column 추가하기 (pandas)

DataFrame데이터프레임에서 문자열 찾기

Random color 랜덤 색상 지정

pyplot(plt), Seaborn Subplot ax 지정

sns.barplot은 평균값을 표현함

데이터 스케일링

pandas dataframe 컬럼 split

histogram Hue 옵션

pandas 컬럼명 변경

pandas 컬럼을 인덱스로

add_subplot 예시

한 컬럼의 value_counts 값으로 barplot 그리기

연산 시간 체크하기 timeit

`_method` 랑 `__method` 차이?

클래스 타입 확인 isinstance

if name=='main': 의 의미

파이썬에서 'is'와 '=='의 차이

f string의 활용 예

성능테스트 모듈 dis

클래스 중첩

머신러닝(파이썬) - Gaussian Naive Bayes Classifier

머신러닝(파이썬) - Sobel Filtering(1)

0개의 댓글

파이썬 TIPs

소수점 적용

리스트, 배열 전체 소수점 적용

matplotlib subplot axes legend

pandas get_dummies

Deep learning model 만들기 예시

한글 폰트 적용 (plt)

간단한 플롯 그리기 (확인용?)

딥러닝 모델 개요보기(summary)

원하는 위치에 column 추가하기 (pandas)

DataFrame데이터프레임에서 문자열 찾기

Random color 랜덤 색상 지정

pyplot(plt), Seaborn Subplot ax 지정

sns.barplot은 평균값을 표현함

데이터 스케일링

pandas dataframe 컬럼 split

histogram Hue 옵션

pandas 컬럼명 변경

pandas 컬럼을 인덱스로

add_subplot 예시

한 컬럼의 value_counts 값으로 barplot 그리기

연산 시간 체크하기 timeit

_method 랑 __method 차이?

클래스 타입 확인 isinstance

if name=='main': 의 의미

파이썬에서 'is'와 '=='의 차이

f string의 활용 예

성능테스트 모듈 dis

클래스 중첩

머신러닝(파이썬) - Gaussian Naive Bayes Classifier

머신러닝(파이썬) - Sobel Filtering(1)

0개의 댓글

`_method` 랑 `__method` 차이?