[Kaggle][Learn] Pandas (1) - Creating, Reading and Writing

Pandas : 가장 유명한 데이터 분석 파이썬 라이브러리

판다스 라이브러리를 사용하려면, 일단 라이브러리를 import 해야한다

import pandas as pd

data 만들기

pandas에는 가장 핵심이 되는 두 가지 데이터 형식이 있다.
바로 DataFrame과 Series이다

DataFrame

DataFrame = 표

DataFrame은 일종의 표이다.
데이터프레임에는 각각의 특정 값을 갖는 개별 entry 의 배열이 있다.
각 entry는 행(또는 레코드)와 열(column)에 해당한다.

예시 :

pd.DataFrame({'Yes': [50, 21], 'No': [131, 2]})

[결과]

	Yes	No
0	50	131
1	21	2

이 예시에서, "0, No" entry는 131이라는 값을 갖는다.
"0, Yes" entry는 50의 값을 갖는다.
등등

DataFrame의 entry들은 정수만 될 수 있는 것은 아니다.

예를 들어, entry 값은 문자열이 될 수도 있다 :

pd.DataFrame({'Bob': ['I liked it.', 'It was awful.'], 'Sue': ['Pretty good.', 'Bland.']})

[결과]

	Bob	Sue
0	I liked it.	Pretty good.
1	It was awful.	Bland.

pd.DataFrame() 생성자로 이런 DataFrame 객체를 만들 수 있다.

이 예시에서 새 객체를 선언하는 구문은

• key : "열 이름" (Bob, Sue)
• value : entry 리스트

이게 바로 새로운 데이터프레임을 생성하는 표준 방법이자 가장 흔하게 접할 수 있는 방법이다.

dictionary-list 생성자는 값들을 column label들에 할당한지만,
row label에는 0부터 시작하는 오름차순 개수만 사용한다.

가끔은 이게 괜찮지만, 우리는 종종 이 label들을 내 마음대로 설정하고 싶을 것이다.

DataFrame에 사용되는 row label 리스트를 Index라고 한다.
생성자에서 index 파라미터를 사용하여 값을 할당할 수 있다 :

pd.DataFrame({'Bob': ['I liked it.', 'It was awful.'], 
              'Sue': ['Pretty good.', 'Bland.']},
             index=['Product A', 'Product B'])

[결과]

	Bob	Sue
Product A	I liked it.	Pretty good.
Product B	It was awful.	Bland.

Series

반면, Series는 데이터 값들의 연속이다.

DataFrame이 표라면,

Series = list

실제로, list만으로 Series를 만들 수 있다.

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

[결과]

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

Series의 본질은 DataFrame의 단일 column이다.

따라서, index 파라미터를 사용하여 DataFrame과 동일한 방법으로 Series에 row label을 할당할 수 있다.

그러나 Series에는 열 이름이 없고, 그 자체를 일컫는 하나의 이름만 있다.

pd.Series([30, 35, 40], index=['2015 Sales', '2016 Sales', '2017 Sales'], name='Product A')

[결과]

2015 Sales    30
2016 Sales    35
2017 Sales    40
Name: Product A, dtype: int64

Series와 DataFrame은 밀접하게 연관되어 있다.
DataFrame을 실제로 "함께 붙어있는" Series의 묶음으로 생각하면 된다.

---

data file 읽어오기

DataFrame이나 Series를 직접 만들 수 있다는 건 매우 편리한 일이지만,
대부분의 경우 직접 만들지 않고 이미 있는 데이터로 작업한다.

가장 기본적인 것은 CSV 파일이다.

이름에서도 알 수 있듯, CSV(Comma-Separated Values) 파일은 쉼표로 구분된 값들의 표이다.

ex)

Product A,Product B,Product C,
30,21,9,
35,34,1,
41,11,11

pd.read_csv() 함수를 이용하면 실제 csv 데이터셋을 DataFrame 형태로 읽을 수 있다.

wine_reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv")

또, shape 속성을 통해 데이터프레임의 크기를 알 수 있다.

wine_reviews.shape

[결과] (129971, 14)

$\Rightarrow$ 이 데이터프레임에는 14개의 서로 다른 열에 걸쳐 약 13만개의 레코드가 분할되어 있는데,
이는 거의 2백만 개의 entry이다.

DataFrame의 내용을 검사할 땐 head()를 이용하여 첫 5개의 행에 대한 값을 표로 가져올 수 있다.
head() 함수 내부에 숫자 값(N)을 넣으면 처음부터 N개의 행을 가져온다는 뜻이다.

wine_reviews.head()

[결과]

pd.read_csv() 함수에는 지정할 수 있는 30개 이상의 파라미터가 있다.

예를 들어, 이 데이터셋에서 CSV 파일에 Pandas가 자동으로 지정하지 않는 내장 index가 있음을 확인할 수 있다.
Pandas가 index에 해당 열을 사용하도록 하려면, 처음부터 새 열을 만드는 대신 index_col을 지정할 수 있다.

wine_reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv", index_col=0)
wine_reviews.head()