DataFrame의 통계 정보를 확인하기 위해 describe()를 사용할 수 있다. 다음과 같이 int, object형의 데이터로 구성된 데이터프레임 data가 있다. 기본적으로 describe() 함수는 int, float 같은 숫자 데이터에 대한 통계 정보를 제공한다. data.describe() object형 데이터도 describe()를 사용할 수 있다. describe() 함수의 매개변수 include에 'object'를 전달해 주면 된다. data.describe(include='object') object 데이터에 describe 결과는 count, unique, top, freq 정보가 제공된다. count: 데이터의 개수 unique: 고윳값의 수(nunique의 결과와 같음) top:..

pandas에서 데이터를 결합할 때 사용하는 merge(), join(), concat() 함수 사용 방법에 대해 정리해보려 한다. 다음과 같은 left, right 데이터를 사용한다. merge() 함수를 사용하면 기본적으로 공통된 컬럼을 기준으로 inner join(내부 조인)을 수행한다. inner join(내부 조인): 양쪽 테이블에서 공통된 키값에 대해서만 데이터 결합 따라서 left, right의 공통된 컬럼 key를 기준으로 결합하며, b, c, e에 대해서 내부 조인을 수행한다. left.merge(right) 내부 조인이 아닌 전체 조인(outer join)을 하고 싶으면 merge() 함수의 매개변수 how에 'outer'를 전달해 주면 된다. outer join(전체 조인): 공통되지..

bisect은 정렬된 리스트에서 특정 원소를 찾을 때 효과적으로 사용할 수 있는 라이브러리이다. 많은 메소드들 중 bisect_left, bisect_right를 사용하면 많은 문제들을 해결할 수 있다. bisect_left(a, x): 배열 a의 정렬된 상태를 유지하면서 원소 x를 삽입할 수 있는 가장 왼쪽 인덱스를 리턴 bisect_right(a, x): 배열 a의 정렬된 상태를 유지하면서 원소 x를 삽입할 수 있는 가장 오른쪽 인덱스를 리턴 from bisect import bisect_left, bisect_right 정렬된 배열 array=[1, 2, 3, 4, 4, 6, 8, 9]가 있을 때, 4를 삽입할 수 있는 가장 왼쪽 인덱스와 가장 오른쪽 인덱스를 찾기 위해서는 다음과 같이 코드를 작성..

파이썬에서 리스트나 문자열에 있는 요소의 개수를 셀 때 유용하게 사용할 수 있는 것이 Counter이다. Counter를 사용하기 위해 collections 패키지에서 Counter를 import 한다. from collections import Counter 'Hello hello'에서 각 알파벳이 몇 번씩 나타났는지 Counter를 이용해 세보자. Counter의 결과는 딕셔너리 형태로 나타나는 것을 볼 수 있다. 따라서, 딕셔너리와 똑같이 key값을 이용하여 value를 찾을 수 있다. 가장 많이 등장한 요소를 찾기 위해서는 most_common 메소드를 사용할 수 있다. 매개변수로 정수값을 넘겨주면 가장 많이 등장한 순서대로 원하는 개수를 출력해 준다. e와 o는 똑같이 2번 등장했지만 가장 많이..

datetime 라이브러리는 날짜와 시간을 처리하는 다양한 기능을 제공하는 파이썬 라이브러리이다. date: 날짜 처리 오브젝트 time: 시간 처리 오브젝트 datetime: 날짜, 시간 처리 오브젝트 datetime 라이브러리를 사용하기 위해서는 datetime 패키지에서 datetime 라이브러리를 불러오면 된다. from datetime import datetime 현재 날짜와 시간을 출력하는 방법으로는 now, today 메소드가 있다. datetime.now() 또는 datetime.today()를 통해 현재 날짜와 시간을 알 수 있다. datetime 객체는 (년, 월, 일, 시, 분, 초, 밀리초) 형식으로 구성되어 있고, print를 이용하면 년-월-일 시:분:초.밀리초 형식으로 출력된다..

PolynominalFeatures는 입력으로 들어온 2차원 배열 x를 다항식으로 변환하며, 다음과 같이 사용할 수 있다. from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree=2, interaction_only=False, include_bias=False) 지정된 차수(degree)보다 작거나 같은 feature들의 다항식 조합을 만든다. degree: 차수(기본값 2) interaction_only: 상호작용항 포함 여부 True이면, 제곱 항 제외 상호작용항까지만 False이면, 모든 항(기본값) include_bias: 상수항(0제곱) 포함 여부 True이면, 상수항 포함(기본값) False이면,..