Python Cheat Sheet

1. 데이터 핸들링

1.1 Data 형태 확인

import pandas as pd

# Data 형태 확인 (모든 행과 열)
df.shape

# 각 컬럼에 대한 data type 확인
df.info()

# 각 컬럼에 대한 Null 값 확인
df.isnull().sum()

1.2 Unique한 Value별 카운팅

len(df['col'].unique())

df['col'].unique()

1.3 DataFrame 특정값 치환

import numpy as np
import pandas as pd

df.replace(-200, np.NaN)

1.4 Null 값 이전 값으로 채워넣기

import numpy as np

df.fillna(method='ffill')

1.5 DataFrame 특정 column만 가져오기

import pandas as pd

df = df[['col1', 'col2']]

1.6 조건에 맞는 DataFrame 출력

import pandas as pd

df[(df['T'] >= 25) & (df['T'] <= 27)]

1.7 오름차순, 내림차순 정렬

import pandas as pd

# ascending=False(내림차순), default(오름차순)
df['col'].sort_values(ascending=False)

df['col'].sort_values(by=0)	# 열 값을 기준으로 정렬

1.8 특정값이 포함된 Data 찾기

df[df['col'].astype(str).str.contains('text')]

1.9 특정 조건 만족하는 값, 변경하기

import numpy as np

np.where(df['col'] <= 5, 1, 0)

1.10 groupby 활용 카운팅

import numpy as np
import pandas as pd

df['y'].groupby(df['job']).value_counts()

df['y'].value_counts()

1.11 pivot table 활용 데이터 처리

import pandas as pd

df_job = pd.pivot_table(df_job,        # 피벗할 데이터프레임
                     index='index',    # 행 위치에 들어갈 열
                     columns='col',    # 열 위치에 들어갈 열
                     values='value')   # 데이터로 사용할 열

1.12 inf(무한대) 데이터 null 처리

import numpy as np
import pandas as pd

df['col'].replace([np.inf, -np.inf], np.nan)
# np.inf(양의 무한대)와 -np.inf(음의 무한대)는 null 값으로 변환

1.13 lag 데이터 생성

import numpy as np
import pandas as pd

# + n : 순방향, - n : 역방향
df['col'].shift(1)

shift() 메서드는 데이터프레임의 행을 위나 아래로 이동시키는 역할을 한다. 기본적으로는 아래로 이동하며, 인자를 사용하여 이동하는 행의 수를 지정할 수 있다.

• shift(1): 이는 데이터프레임의 행을 아래로 한 칸씩 이동시킨다. 즉, 각 행의 데이터가 바로 아래 행으로 이동한다.
• shift(-1): 이는 데이터프레임의 행을 위로 한 칸씩 이동시킨다. 즉, 각 행의 데이터가 바로 위 행으로 이동한다.

1.14 중복 데이터 처리

import numpy as np
import pandas as pd

df.drop_duplicates(['col'], keep='first', inplace=True)
# keep='first': 중복된 데이터의 첫번째꺼 남기기
# keep='last': 중복된 데이터의 마지막꺼 남기기

1.15 문자열 데이터 앞 공백 제거

import numpy as np
import pandas as pd

df['col'].str.lstrip()

str.lstrip() 메서드는 문자열의 왼쪽(처음)에서 지정된 문자들을 제거하는 역할을 한다. 이 메서드는 문자열의 왼쪽에서부터 시작하여 지정된 문자들이 나타나지 않을 때까지 문자들을 제거한다.

예를 들어, " Hello "라는 문자열이 있다고 가정해보자. 이 문자열에 str.lstrip()을 적용하면 문자열의 왼쪽에 있는 공백이 모두 제거된다. 즉, "Hello "가 반환된다.

1.16 날짜 데이터 형식 변경

import datetime

df["Date"].dt.strftime("%Y-%m")

dt.strftime("%Y-%m")은 시계열 데이터의 각 날짜를 "년-월" 형식의 문자열로 변환하는 역할을 한다. 이는 날짜나 시간 데이터를 원하는 형식의 문자열로 표현할 때 사용된다.

• dt: 이는 datetime 속성(attribute)으로, datetime 시계열 데이터의 메서드들을 제공한다.
• strftime(): 이 메서드는 datetime 객체를 지정된 포맷 문자열에 따라 문자열로 변환한다. %Y는 연도를 나타내는 네 자리 숫자로, %m은 월을 나타내는 두 자리 숫자로 표현한다.

1.17 list 중복 없애기

import pandas as pd

all_list = list(df['start']) + list(df['end'])
unique_list = set(all_list)

set() 함수는 파이썬에서 집합(set)을 생성하는 데 사용된다. 집합은 중복된 요소를 허용하지 않고, 순서가 없는 자료구조이다.

my_set = set([1, 2, 3, 4, 5])
print(my_set)
# 결과: [1, 2, 3, 4, 5]

2. 데이터 시각화

2.1 Numeric(연속형) 변수 분포 확인

import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.style.use(['dark_background'])

# displot 활용 분포 그리기
sns.displot(df['col']);

# 분포의 평균도 같이 출력
print("col :", df['col'].mean())

displot()은 seaborn 라이브러리에서 제공하는 히스토그램과 커널 밀도 추정(Kernel Density Estimation, KDE)을 함께 보여주는 그래프를 생성하는 함수이다.

• 커널 밀도 추정은 데이터의 분포를 부드러운 곡선으로 나타내는 방법으로, 히스토그램의 막대와 함께 데이터의 밀도를 더 자세하게 표현한다.

# "sepal_length" 열을 추출하여 해당 데이터의 히스토그램과 KDE를 함께 그리기
sns.displot(data['sepal_length'], kde=True)
plt.show()

2.2 Plot size 조절

import matplotlib.pyplot as plt

# (20, 5) → 가로 inch, 세로 inch
plt.gcf().set_size_inches(20, 5)

gcf() 함수는 "Get Current Figure"의 약자로 Matplotlib 라이브러리에서 현재 활성화된 figure(그래프)를 반환한다. 따라서 gcf().set_size_inches()를 사용하면 현재 활성화된 그래프의 크기를 설정할 수 있다.

2.3 산점도(Scatter plot) 그리기

import seaborn as sns

# x(가로), y(세로), hue(구분자)
sns.scatterplot(x=df['x'], y=df['y'], hue=df['hue'], data=df)

2.4 기본 line plot 그리기

import matplotlib.pyplot as plt

plt.plot(df['x'], df['y'], label='label')

2.5 for문 활용 distplot 다중 출력

import matplotlib.pyplot as plt

# 데이터에 i번째 데이터부터 출력
for i in range(1,13):
    plt.subplot(3,4,i)
    plt.grid(False)
    sns.distplot(df.iloc[:,i])

plt.gcf().set_size_inches(20, 10)
plt.tight_layout()
plt.show()

2.6 이중 축 그래프 그리기

import matplotlib.pyplot as plt

# 새로운 figure와 서브플롯 생성
fig, ax1 = plt.subplots()
ax1.plot(df['x'], df['y'], color='green', label='label1')

# ax1과 동일한 x축을 공유하면서 새로운 y축을 추가한 서브플롯 생성
ax2 = ax1.twinx()
ax2.plot(df['x'], df['y'], color='deeppink', label='label2')

fig.legend()
plt.gcf().set_size_inches(25, 5)
plt.show()

plt.subplots() 함수는 Matplotlib에서 새로운 그래프(figure)와 하나의 서브플롯(subplot)을 생성한다.

• fig 변수는 생성된 figure 객체를 나타낸다.
• ax1 변수는 생성된 서브플롯(subplot) 객체를 나타낸다.

예를 들어, plt.subplots(2, 2)와 같이 사용하면 2x2 그리드 형태의 4개의 서브플롯이 있는 figure를 생성할 수 있다.

ax1.twinx()는 Matplotlib에서 하나의 서브플롯(ax1)과 동일한 x축을 공유하면서 새로운 y축을 추가한 서브플롯(ax2)을 생성하는 메서드이다. 즉, 하나의 서브플롯에서 x축은 공유하고, y축은 독립적으로 사용할 수 있게 된다.

2.7 pairplot 상관관계 분석

import seaborn as sns

# 모든 변수 조합에 관한 Scatter plot
df_pair = df[['col1', 'col2', 'col3', 'col4']]
sns.pairplot(df_pair)
plt.show()

2.8 Heat map 상관관계 분석

import seaborn as sns

# 모든 조합, 상관계수 표현
df_pair = df[['col1', 'col2', 'col3', 'col4']]
sns.heatmap(df_pair.corr(), vmin=-1, vmax=+1, annot=True, cmap='coolwarm');

heatmap() 함수는 seaborn 라이브러리에서 제공하는 히트맵(Heatmap)을 생성하는 함수이다. 히트맵은 데이터의 행과 열을 격자 형태로 나타내고, 각 격자 셀의 색상을 데이터의 값에 따라 다르게 표현하여 데이터 패턴을 시각화하는 데 사용된다.

• data: 히트맵을 생성할 데이터를 지정한다. 일반적으로는 2차원 데이터(예: 데이터프레임)를 사용한다.
• vmin, vmax: 색상 맵의 최소값(minimum)과 최대값(maximum)을 지정한다. 데이터의 값 범위를 설정하여 색상의 대비를 조정할 수 있다.
• annot: 각 격자 셀에 데이터 값을 표시할지 여부를 지정한다. 기본값은 False이며, True로 설정하면 데이터 값을 셀 위에 표시한다.
• cmap: 사용할 색상 맵(colormap)을 지정한다. 예를 들어, 'coolwarm', 'viridis', 'magma', 'cividis' 등의 다양한 색상 맵을 사용할 수 있다.

2.9 그래프에 수직, 수평선 추가 및 길이 조절

import seaborn as sns
import matplotlib.pyplot as plt

sns.scatterplot(data=df, x='x', y='y', s=50, linewidth=0);

# 수직선 추가
plt.vlines(-2, ymin=-2, ymax=2, color='r', linewidth=2);
plt.vlines(2, ymin=-2, ymax=2, color='r', linewidth=2);

# 수평선 추가
plt.hlines(-2, xmin=-2, xmax=2, color='r', linewidth=2);
plt.hlines(2, xmin=-2, xmax=2, color='r', linewidth=2);

plt.vlines(x, ymin, ymax, color, linewidth): 주어진 x 좌표를 기준으로 수직선을 추가한다.

• x: 수직선의 x 좌표를 나타낸다.
• ymin: 수직선이 지나가는 y 좌표의 시작점을 나타낸다.
• ymax: 수직선이 지나가는 y 좌표의 끝점을 나타낸다.
• color: 수직선의 색상을 지정한다다.
• linewidth: 수직선의 두께를 지정한다.

plt.hlines(y, xmin, xmax, color, linewidth): 주어진 y 좌표를 기준으로 수평선을 추가한다.

• y: 수평선의 y 좌표를 나타낸다.
• xmin: 수평선이 지나가는 x 좌표의 시작점을 나타낸다.
• xmax: 수평선이 지나가는 x 좌표의 끝점을 나타낸다.
• color: 수평선의 색상을 지정한다.
• linewidth: 수평선의 두께를 지정한다.

2.10 catplot 그리기

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
plt.style.use(['dark_background'])

sns.catplot(x="x", hue="y", kind="count", palette="pastel", edgecolor=".6", data=df);
plt.gcf().set_size_inches(25, 3)

catplot() 함수는 seaborn 라이브러리에서 제공하는 범주형 데이터를 시각화하기 위한 다목적 함수이다. catplot()은 여러 유형의 범주형 플롯을 생성할 수 있는데, 기본적으로 kind 매개변수를 통해 어떤 유형의 플롯을 그릴지 지정할 수 있다. 몇 가지 흔히 사용되는 플롯 유형에는 strip, swarm, box, violin, boxen, point, bar, count 등이 있다.

• x, y: 데이터프레임에서 사용할 열의 이름을 지정한다. x는 x 축에 표시될 열을, y는 y 축에 표시될 열을 지정한다.
• hue: 데이터를 분리하여 시각화할 때 사용할 열의 이름을 지정한다.
• kind: 그래프의 유형을 지정한다. 여러 유형이 있으며, 주로 point, bar, count, box, violin, strip, swarm 등이 사용된다.
• data: 사용할 데이터프레임을 지정한다.
• palette: 색상 팔레트를 지정한다.
• edgecolor: 그래프 요소의 테두리 선의 색상을 지정한다.

2.11 그래프 특정 값에 색상 입히기

import numpy as np
import matplotlib.pyplot as plt

df['vol_color'] = np.where(df['Volume_issue']==1, 'red', 'gray')
colors = list(df['vol_color'])
print(colors)

plt.figure(figsize=(10, 8))

plt.subplot(2,1,1)
plt.plot(df['Date'], df['Close'], 'o-', ms=1, lw=0.5, label='Close')
plt.legend()

plt.subplot(2,1,2)
plt.bar(df['Date'], df['Volume'], label='volume', color=colors)
plt.legend()

plot() 함수는 Matplotlib 라이브러리에서 가장 기본적인 그래프를 그리는 함수 중 하나이다. 이 함수를 사용하여 선 그래프, 산점도, 막대 그래프 등을 그릴 수 있다.

• x, y: 그래프에 사용할 데이터이다. x는 x 축에 해당하는 데이터를, y는 y 축에 해당하는 데이터를 지정한다.
• color: 그래프의 색상을 지정한다. 일반적으로 문자열('red', 'blue' 등) 또는 RGB 튜플((0.1, 0.2, 0.5) 등)로 지정된다.
• linestyle: 그래프의 선 스타일을 지정한다. 예를 들어 '-', '--', '-.', ':' 등이 있으며, 각각 실선, 대시선, 대시-닷선, 점선을 나타낸다.
• linewidth 또는 lw: 그래프의 선 두께를 지정한다.
• marker: 데이터 포인트의 모양을 지정한다. 예를 들어 'o'는 원, '^'는 삼각형, 's'는 사각형 등이 있다.
• markersize 또는 ms: 데이터 포인트의 크기를 지정한다.
• label: 그래프에 레이블을 추가한다. 이 레이블은 범례에 표시된다.
• alpha: 그래프의 투명도를 지정한다. 0에 가까울수록 투명하고, 1에 가까울수록 불투명하다.

2.12 bar plot 그리기

# barplot, order 옵션을 활용하여 가독성 Up
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.style.use(['dark_background'])

sns.barplot(x='arrival_date_month', y='hotel', hue='arrival_date_year', data=df_reservation,
            order=['01.January', '02.February', '03.March', '04.April', '05.May', '06.June', '07.July', '08.August', '09.September', '10.October', '11.November', '12.December']);
plt.gcf().set_size_inches(20, 5);

3. 데이터 분석 및 모델링

3.1 Train/Test set 분할

# 모델링을 학습하기 위한 Feature(X)와 Y데이터를 구분하는 단계
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics

X=df_merge.drop(['y'], axis=1)
Y=df_merge['y']

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, stratify=Y)

print(x_train.shape)
print(y_train.shape)

print(x_test.shape)
print(y_test.shape)

train_test_split(): 이 함수는 데이터를 훈련 세트와 테스트 세트로 나누는 데 사용된다. 일반적으로 지도 학습 모델을 훈련시키고 평가하기 위해 사용된다. 훈련 세트는 모델을 학습시키는 데 사용되고, 테스트 세트는 모델의 성능을 평가하는 데 사용된다.

3.2 모델 학습 및 예측

from sklearn.ensemble import RandomForestClassifier

# 모델 학습
rfc = RandomForestClassifier(random_state=123456)
rfc.fit(x_train, y_train)

# 예측
# 예측은 학습에 사용된 Data와 Test Data 모두 예측하고 평가함(※ 과적합 여부 판별)
y_pred_train = rfc.predict(x_train)
y_pred_test = rfc.predict(x_test)

3.3 이진분류 모델 성능 확인

from sklearn.metrics import classification_report
print(classification_report(y_train, y_pred_train))
print(classification_report(y_test, y_pred_test))

3.4 하이퍼 파라미터 튜닝

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

params = { 'n_estimators' : [400, 500],
           'max_depth' : [6, 8, 10, 12]
            }

# RandomForestClassifier 객체 생성 후 GridSearchCV 수행
rf_clf = RandomForestClassifier(random_state = 123456, n_jobs = -1)
grid_cv = GridSearchCV(rf_clf, param_grid = params, cv = 3, n_jobs = -1, scoring='recall')
grid_cv.fit(x_train, y_train)

print('최적 하이퍼 파라미터: ', grid_cv.best_params_)
print('최고 예측 정확도: {:.4f}'.format(grid_cv.best_score_))

3.5 중요 변수 파악(Feature Importance)

import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.style.use(['dark_background'])

# rfc → 생성한 Model에 name 기재
ftr_importances_values = rfc.feature_importances_
ftr_importances = pd.Series(ftr_importances_values, index = x_train.columns)
ftr_top20 = ftr_importances.sort_values(ascending=False)[:20]

plt.figure(figsize=(8,6))
plt.title('Feature Importances')
sns.barplot(x=ftr_top20, y=ftr_top20.index)
plt.show()

3.6 모델 Save & Read

import pickle

# 모델 저장
saved_model = pickle.dumps(model)

# 모델 Read
model_from_pickle = pickle.loads(saved_model)

3.7 상관계수 값 출력

import scipy.stats as stats

stats.pearsonr(x=df['x'], y=df['y'])

3.8 Regressor(회귀) 모델 학습 및 평가

# 모델링을 학습하기 위한 Fearue(X)와 Y데이터를 구분하는 단계
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn import metrics

X=df.drop(['y'], axis=1)
Y=df['y']

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3)

print(x_train.shape)
print(y_train.shape)

print(x_test.shape)
print(y_test.shape)

# RandomForestRegressor 모델 학습
rfr = RandomForestRegressor()
rfr.fit(x_train, y_train)

# 예측
# 예측은 학습에 사용된 Data와 Test Data 모두 예측하고 평가함(※ 과적합 여부 판별)
import numpy as np
from sklearn.metrics import mean_absolute_error, r2_score
y_pred_train = rfr.predict(x_train)
y_pred_test = rfr.predict(x_test)


mse_train = mean_absolute_error(y_train, y_pred_train)
print('mse_train(mse): ', mse_train)
rmse_train = (np.sqrt(mse_train))
print('rmse_train(rmse): ', rmse_train)
r2_train = r2_score(y_train, y_pred_train)
print('rmse_train(r2): ', r2_train)
print('')
mse_test = mean_absolute_error(y_test, y_pred_test)
print('mse_test(mse): ', mse_test)
rmse_test = (np.sqrt(mse_test))
print('rmse_test(rmse): ', rmse_test)
r2_test = r2_score(y_test, y_pred_test)
print('rmse_test(r2): ', r2_test)

3.9 표준화 및 PCA 차원축소

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

x = StandardScaler().fit_transform(x)

pca = PCA(n_components = 2)
principalComponents = pca.fit_transform(x)
principalDf = pd.DataFrame(data = principalComponents
             , columns = ['principal component 1', 'principal component 2'])

3.10 선형회귀활용 모델링

# 모델링을 학습하기 위한 Fearue(X)와 Y데이터를 구분하는 단계
from sklearn.model_selection import train_test_split
from sklearn import metrics

X=df.drop(['y'], axis=1)
Y=df['y']

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3)

print(x_train.shape)
print(y_train.shape)

print(x_test.shape)
print(y_test.shape)

# LR(선형회귀) 모델 활용
from sklearn.linear_model import LinearRegression
mlr = LinearRegression()
mlr.fit(x_train, y_train)

# 예측
# 예측은 학습에 사용된 Data와 Test Data 모두 예측하고 평가함(※ 과적합 여부 판별)
import numpy as np
from sklearn.metrics import mean_absolute_error, r2_score
y_pred_train = mlr.predict(x_train)
y_pred_test = mlr.predict(x_test)

# 평가
mse_train = mean_absolute_error(y_train, y_pred_train)
print('mse_train(mse): ', mse_train)
rmse_train = (np.sqrt(mse_train))
print('rmse_train(rmse): ', rmse_train)
r2_train = r2_score(y_train, y_pred_train)
print('rmse_train(r2): ', r2_train)
print('')
mse_test = mean_absolute_error(y_test, y_pred_test)
print('mse_test(mse): ', mse_test)
rmse_test = (np.sqrt(mse_test))
print('rmse_test(rmse): ', rmse_test)
r2_test = r2_score(y_test, y_pred_test)
print('rmse_test(r2): ', r2_test)

3.11 선형회귀 상관계수 확인

df_coef = pd.DataFrame({'col':X.columns, 'coef':mlr.coef_}).reset_index(drop=True)
df_coef

3.12 light gbm 활용 모델링

# ▶ 모델링을 학습하기 위한 Fearue(X)와 Y데이터를 구분하는 단계
import lightgbm as lgb
import numpy as np
from sklearn.model_selection import train_test_split

# 데이터 세트로드
X = df.drop(['y'], axis=1)
Y = df['y']

# train/test split
x_train, x_test, y_train, y_test = train_test_split (X, Y, test_size = 0.3)

# 데이터 세트를 적절한 LGB 형식으로 변환
d_train = lgb.Dataset (x_train, label = y_train)

# setting the parameters
params = {}
params [ 'learning_rate'] = 0.02
params [ 'boosting_type'] = 'gbdt' # GradientBoostingDecisionTree
params['objective'] = 'binary'
params [ 'metric' ] = 'binary_logloss' # metric for binary-class
params [ 'max_depth'] = 5
params [ 'num_leaves' ] = 32
params ['seed'] = 23456

# 모델 학습
clf = lgb.train (params, d_train, 1000) # epocs에서 모델 훈련

from sklearn.metrics import classification_report

y_pred_train = clf.predict(x_train)
for i in range(0,len(y_pred_train)):
    if y_pred_train[i]>=.5:       # setting threshold to .5
       y_pred_train[i]=1
    else:
       y_pred_train[i]=0

y_pred_test = clf.predict(x_test)
for i in range(0,len(y_pred_test)):
    if y_pred_test[i]>=.5:       # setting threshold to .5
       y_pred_test[i]=1
    else:
       y_pred_test[i]=0

print(classification_report(y_train, y_pred_train))
print(classification_report(y_test, y_pred_test))

3.13 연속형, 범주형 변수 list 나누기

import numpy as np
import pandas as pd
#  numeric, categorical value 나누기
numeric_list=[]
categoical_list=[]

for i in df.columns :
  if df[i].dtypes == 'O' :
    categoical_list.append(i)
  else :
    numeric_list.append(i)

3.14 AUROC score 출력하기

from sklearn.metrics import roc_auc_score

y_pred_train_proba = rfc.predict_proba(x_train)[:, 1]
y_pred_test_proba = rfc.predict_proba(x_test)[:, 1]


roc_score_train = roc_auc_score(y_train, y_pred_train_proba)
roc_score_test = roc_auc_score(y_test, y_pred_test_proba)

print("roc_score_train :", roc_score_train)
print("roc_score_test :", roc_score_test)

3.15 Lable encoder 활용 범주형 데이터 처리

from sklearn.preprocessing import LabelEncoder

for col in categoical_list:
    print(col)
    le = LabelEncoder()
    le.fit(list(x_train[col].values) + list(x_test[col].values))
    x_train[col] = le.transform(x_train[col])
    x_test[col] = le.transform(x_test[col])

3.16 ROC 커브 그리기

from sklearn.metrics import roc_curve
def roc_curve_plot(y_test , pred_proba_c1):
    # 임곗값에 따른 FPR, TPR 값을 반환 받음.
    # FPR : 암환자가 아닌 환자를 암환자라고 잘 못 예측한 비율
    # TPR : Recall
    fprs , tprs , thresholds = roc_curve(y_test ,pred_proba_c1)

    # ROC Curve를 plot 곡선으로 그림.
    plt.plot(fprs , tprs, label='ROC')
    # 가운데 대각선 직선을 그림.
    plt.plot([0, 1], [0, 1], 'k--', label='Random', color='red')

    # FPR X 축의 Scale을 0.1 단위로 변경, X,Y 축명 설정등
    start, end = plt.xlim()
    plt.xticks(np.round(np.arange(start, end, 0.1),2))
    plt.xlim(0,1)
    plt.ylim(0,1)
    plt.xlabel('FPR( 1 - Sensitivity )')
    plt.ylabel('TPR( Recall )')
    plt.legend()
    plt.show()

roc_curve_plot(y_test, y_pred_test_proba)

3.17 min-max scale 활용 정규화

from sklearn.preprocessing import minmax_scale

rfm['Recency'] = minmax_scale(rfm['Recency'], axis=0, copy=True)