Boolean selection

• boolean Series 가 []와 함께 사용되면 True 값에 해당하는 값만 새로 반환되는 Series 객체에 포함됨
• 다중조건의 경우, & | 를 사용하여 연결 가능

s = pd.Series(np.arange(10),np.arange(10)+1)
s

	0
1	0
2	1
3	2
4	3
5	4
6	5
7	6
8	7
9	8
10	9

s>5
# 결과는 Boolean Series

	0
1	False
2	False
3	False
4	False
5	False
6	False
7	True
8	True
9	True
10	True

dtype: bool

s[s>5]

	0
7	6
8	7
9	8
10	9

dtype: int64

s[s%2==0]

	0
1	0
3	2
5	4
7	6
9	8

dtype: int64

• index 를 사용한 필터링도 가능하다

s.index

>Index([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype='int64')

s.index>5
>**array([False, False, False, False, False,  True,  True,  True,  True,
        True])
        ->이게 boolean mask
        
s[s.index>5]**

	0
6	5
7	6
8	7
9	8
10	9

dtype: int64

Series 값 삭제: drop()

s=pd.Series(np.arange(100,106),['a','ab','c','d','e','k'])
s

	0
a	100
b	101
c	102
d	103
e	104
k	105

dtype: int64

s.drop('k')
#->원본 변화 없음 

	0
a	100
b	101
c	102
d	103
e	104

inplace=

drop() 함수는 drop 한 결과를 새로 만들어서 리턴한거고 원본 데이터 s 는 변경하지 않는다.

numpy,pandas 그밖의 수많은 데이터 관련 모듈들 에서의 대부분의 객체 함수들은 호출한 원본객체를 변경하지는 않고 원본의 사본을 만든 뒤 사본에 연산수행하여 그 사본을 리턴하도록 동작함.

그러나 inplace=True 파라미터를 주면 사본을 만들지 않고 원본을 변화시킨다

s.drop('k',inplace=True)
#->none 리턴, 즉 원본 변화 발생함 

Slicing

• 리스트, ndarry 와 동일하게 적용한다
• index 가 문자열인 경우 slicing 시 마지막도 포함한다.

s2=pd.Series(np.arange(100,105),['a','b','c','d','e'])

s2[1:3]

	0
b	101
c	102

s2['b':'d']

	0
b	101
c	102
d	103

Multi level index

s3 = pd.Series([1,2,3,4,5,6],['a','a','b','b','c','c'])
s3
#단일 level index임 

	0
a	1
a	2
b	3
b	4
c	5
c	6

s3.index
>Index(['a', 'a', 'b', 'b', 'c', 'c'], dtype='object')

s4 = pd.Series(np.arange(100,106),index[['a','a','b','b','c','c'],[1,2,1,2,1,2],])

s4

		0
a	1	100
	2	101
b	1	102
	2	103
c	1	104
	2	105

s4.index
>
MultiIndex([('a', 1),
            ('a', 2),
            ('b', 1),
            ('b', 2),
            ('c', 1),
            ('c', 2)],
           )
           
#tuple 인덱싱으로 value 접근
s4['a',2]
>101
s4['a']

	0
1	100
2	101

→ s4: 2-level index, s4[’a’]:1-level index

xs() 를 사용한 인덱스

cross-section

# level 0 인덱싱 
s4.xs('a')

	0
1	100
2	101

s4.xs(2,level=1)
s4.xs(2,level=-1)

	0
a	101
b	103
c	105

s4.xs((2,'b',level=(1,0))

		0
b	2	103

Series 에서 level 별 계산

data = pd.Series(
    [100, 200, 300, 400, 500, 600],
    index=[
        ["a", "a", "a", "b", "b", "c"],  # level 0 index
        [1,   2,   3,   1,   2,   1],    # level 1 index
    ]
)
data

		0
a	1	100
	2	200
	3	300
b	1	400
	2	500
c	1	600

data.sum()
>2100

data.mean()
350.0

data.groupby(level=0).sum()

	0
a	600
b	900
c	600