#pandas 패키지를 이용한 시각화.
'''
line: 선 그래프
bar: 막대 그래프
barh: 수평 막대 그래프
hist: 히스토그램
box: 박스 플롯
kde: 커널 밀도 그래프
area: 면적 그래프
pie: 파이 그래프
scatter: 산점도 그래프
hexbin: 고밀도 산점도 그래프
'''

import seaborn as sns
 
df = sns.load_dataset('diamonds')



#다이아몬드, 무게(carat)와 가격(price)의 관계

import pandas as pd
import matplotlib.pyplot as plt
plt.rc('font', family='Malgun Gothic')

df.plot.scatter(x='carat', y='price', figsize=(10, 6), title='캐럿과 가격 간의 관계')

plt.show()


#커팅의 가치(cut)별로 점 색을 다르게 표현하기(예쁨)

df.plot.scatter(x='carat', y='price', c='cut', cmap='Set2', figsize=(10, 6))
plt.show()






#다이아몬드 가격(price)을 히스토그램으로 표현하기
import seaborn as sns
df = sns.load_dataset('diamonds')

import pandas as pd
import matplotlib.pyplot as plt
plt.rc('font', family='Malgun Gothic')

df['price'].plot.hist(figsize=(10, 6), bins=20)  # price열만 표현하고 싶다고 선택.
plt.show()




# 다이아몬드 색(color) 별로 무게(carat)의 평균을 막대 그래프로 나타내기. (분석&시각화를 동시에 함)
import seaborn as sns
df = sns.load_dataset('diamonds')

import pandas as pd
import matplotlib.pyplot as plt
plt.rc('font', family='Malgun Gothic')

df.groupby('color')['carat'].mean().plot.bar(figsize=(10, 6))
#그룹바이 컬러, 그다음 carat의 평균을 구하고, 구해진 값에 바로 plot.bar() 메서드 적용해서 막대 그래프로 표현한다.
plt.show()


 

 

 

#seaborn 패키지는 matplotlib보다 좀 더 화려하고 복잡한 그래프

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('titanic')


#나이와 운임의 관계, 산점도 그래프
sns.scatterplot(data=df, x='age', y='fare')
plt.show()

#각 그룹별로 점의 색, 모양을 다르게 표시하기
import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('titanic')

sns.scatterplot(data=df, x='age', y='fare', hue='class', style='class') #hue는 색이고 style은 점 모양인데 둘 다 클래스에 따라서 달라지도록 설정함.
plt.show() # 자동으로 다 설정해 줌.





# matplotlib나 pandas로 못하는 것. 히트맵? 과 같은 복잡한 그림? (완전 좋음.)

#1. 각 클래스와 성별에 따른 생존율을 계산해 보자.
import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('titanic')

df_pivot = df.pivot_table(index='class', #행인덱스(맨 왼쪽 세로 줄로 표시)
                          columns= 'sex', #열 인덱스(맨 위 가로 줄로 표시)
                          values='survived', #넣을 값.
                          aggfunc='mean') #aggfunc(==집계함수)는 평균을 사용.(survived열에서 1은 생존, 0은 사망을 의미하므로 평균==생존율이다.)

print(df_pivot)

#위 결과를 히트맵으로 나타내면?

sns.heatmap(df_pivot, annot=True, cmap='BrBG')  

#heatmap()함수 안에 df_pivot테이블 넣음.
#annot은 데이터 값을 표시할지 여부, cmap은 팔레트 종류로, coolwarm은 값이 높을수록 붉은색, 낮을수록 푸른 색이다.
plt.show()






#한 번에 여러 개의 그래프 나타내기

'''
1. figure-level: (뭔가 그래프를 그리는 캔버스 자체, 그림판 레벨이라는 뜻)
matplotlib와 별개로 seaborn의 figure를 만들어 그곳에 그래프를 나타낸다.
여러 개의 그래프를 나타낼 때, facetgrid(seaborn의 figure)를 통해 레이아웃을 변경해야 함.
함수 이름: replot, displot, catplot

2. axes-level: (그래프 레벨에서 조정한다는 뜻)
그냥 matplotlib의 axes에 그래프를 나타냄.

'''

#figure-level의 예제. class별 나이 분포
import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('titanic')

sns.displot(data=df, x='age', hue='class', kind='hist', alpha=0.3)
#kind(그래프 종류)=히스토그램, hue(색 구분)=class별로 구분하겠다. alpha(투명도 조절)=0.3)
plt.show()


#위의 그래프를 각각 개별 그래프로 표현해 보자. (histplot()은 axes-level이라서 여러 그래프 못 나타냄.)
sns.displot(data=df, x='age', col='class', kind='hist') #col인자에 특정 열을 입력하면 해당 열을 기준으로 그래프가 각각 분할됨.

plt.show() #클래스 1그래프, 클래스2 그래프, 클래스 3 그래프 이렇게 세 개가 가로로!(열 분할했으니까) 쭉 나온다.

sns.displot(data=df, x='age', col='class', row='sex', kind='hist')
#행으로는 sex, 열로는 class별로 구분되었다. 위에는 male- class 1, 2, 3 그래프가, 아래는 female- 1, 2, 3그래프가 나온다.
plt.show()




#axes-level의 예제. class별 나이 분포와 평균 나이
import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('titanic')

plt.rc('font', family='malgun Gothic')
g, axes = plt.subplots(2, 1, figsize=(8, 6))

sns.histplot(data=df, x='age', hue='class', ax=axes[0]) #히스토그램을 그린 다음에 ax=axes[0]을 쓰면 첫 번째 axes에 해당 그래프가 출력된다.
sns.barplot(data=df, x='class', y='age', ax=axes[1]) #두 번째 axes에 해당 그래프를 출력

axes[0].set_title('클래스별 나이 분포도') #제목 변경하는 법.
axes[1].set_title('클래스별 평균 나이')

g.tight_layout() #여백이 조정된다.
plt.show()

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터시각화 연습(1) - matplotlib 패키지 이용  (0) 2023.12.17
파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05
#1.matplotlib 패키지를 이용한 시각화

import seaborn as sns
import matplotlib.pyplot as plt # matpltlib 패키지 중에서 pyplot모듈을 plt로 불러온다.  

df=sns.load_dataset('penguins')


#산점도: 날개 길이와 몸무게의 관계
plt.scatter(df['flipper_length_mm'], df['body_mass_g']) #scatter()함수는 산점도를 나타내는 함수.
#그 안에 x축(날개의 길이), y축(몸무게) 정보를 입력한다.
plt.show() #==그래프를 출력하는 함수.



#바 형 그래프: 펭귄 종별 몸무게 차이
import seaborn as sns
import matplotlib.pyplot as plt

df=sns.load_dataset('penguins')

df_group = df.groupby('species')['body_mass_g'].mean().reset_index() #리셋인덱스==데이터프레임 형태로 나타내겠다.
plt.bar(x=df_group['species'], height=df_group['body_mass_g']) #bar()함수는 막대그래프를 그리는 함수
#그 안에 x축(그룹화한 종), y축(그룹 몸무게의 평균)
plt.show()




#히스토그램 - 몸무게의 분포
import seaborn as sns
import matplotlib.pyplot as plt

df=sns.load_dataset('penguins')

plt.rc('font', family = 'Malgun Gothic') #한글을 나타낼 수 있는 폰트로 변경한다.
plt.hist(df['body_mass_g'], bins=30) #히스토그램에 나타내고자 하는 열 입력, 히스토그램을 몇 개의 구간으로 나눌지 입력
plt.xlabel('Body Mass') #x축과 y축 레이블에 제목으로 표시할 말 입력.
plt.ylabel('Count')
plt.title('펭귄의 몸무게 분포')
plt.show()




#선 그래프
import matplotlib.pyplot as plt

import pandas as pd
df_unrate = pd.read_csv(
)  # 어디 사이트에서 제공하는 미국 실업자 데이터를 받아온다. read_csv()이용.

df_unrate.head() #---unrate는 unemployment rate의 줄임말!

df_unrate['DATE'] = pd.to_datetime(df_unrate['DATE']) #DATE열을 datetime 객체로 변환한다.

plt.plot(df_unrate['DATE'], df_unrate['VALUE']) #plot()함수는 선 그래프라는 뜻! 괄호 안에 x축 정보, y축 정보를 입력한다.
#여기서는 x축: date, y축: value

plt.show() #그래프 출력하기





#한 번에 여러 개의 그래프??== 하나의 figure(그림 그려지는 종이) 내에 여러개의 axes(그래프)그리기.
#크게 stateless API (객체지향, 정교) 방식과  stateful API(간단) 방식이 있다.

# 1. stateless 방법으로 그리기
import seaborn as sns
import matplotlib.pyplot as plt
df=sns.load_dataset('penguins')
plt.rc('font', family = 'Malgun Gothic') #(한글 폰트)

fig, axes = plt.subplots(2, 1, figsize=(10, 6))
#plt.subplots(figure 내에 "2행, 1열", figure의 가로 세로 길이는 10, 6이다.)

#그래프 1
axes[0].scatter(df['flipper_length_mm'], df['body_mass_g']) #산점도 그림.
axes[0].set_xlabel('날개 길이(mm)')
axes[0].set_ylabel('몸무게(g)')
axes[0].set_title('날개와 몸무게 간의 관계')

#그래프 2
axes[1].hist(df['body_mass_g'], bins=30) #히소토그램 그리기, bins==몇 개의 막대기?
axes[1].set_xlabel('Body Mass')
axes[1].set_ylabel('Count')
axes[1].set_title('펭귄의 몸무게 분포')


# 여백과 간격 조정
plt.subplots_adjust(left=0.1,
                    right=0.95,
                    bottom=0.1,
                    top=0.95,
                    wspace=0.5, #서브플롯들 사이의 가로 간격
                    hspace=0.5) #서브플롯들 사이의 세로 간격

plt.show()





# 2. Stateful방법을 사용해서 그리기

import seaborn as sns
import matplotlib.pyplot as plt
df=sns.load_dataset('penguins')
plt.rc('font', family = 'Malgun Gothic')

plt.figure(figsize=(10, 6)) #figure만들고 가로세로 길이 입력

#그래프 1
plt.subplot(2, 1, 1) #figure내에 만들 2행 1열의 axes 중 첫번째 axes를 그린다.
plt.scatter(df['flipper_length_mm'], df['body_mass_g'])
plt.xlabel('날개 길이(mm)')
plt.ylabel('몸무게(g)')
plt.title('날개와 몸무게 간의 관계')

#그래프 2
plt.subplot(2, 1, 2)
plt.hist(df['body_mass_g'], bins=30)
plt.xlabel('Body Mass')
plt.ylabel('Count')
plt.title('펭귄의 몸무게 분포')

# 여백 조정
plt.subplots_adjust(left=0.1,
                    right=0.95,
                    bottom=0.1,
                    top=0.95,
                    wspace=0.5,
                    hspace=0.5)

plt.show()

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터시각화 연습(2) - pandas, seaborn 패키지  (0) 2023.12.17
파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05

#apply() 메서드: 시리즈나 데이터프레임의 개별 원소에 함수를 적용할 수 있다.

for문보다 빠르다.

 

 

 


#1. 시리즈에 적용하기-----series.apply(함수)연습.

import seaborn as sns

df = sns.load_dataset('penguins')
bill_length_mm = df['bill_length_mm'] #펭귄 데이터에서 부리 길이 열만 선택하여 샘플 시리즈 객체를 만든다.

print(bill_length_mm.head())
 
 
 


import numpy as np

result = bill_length_mm.apply(np.sqrt) #해당 시리즈에 있는 원소들의 제곱근을 구한다. apply함수 안에 넘피 패키지-제곱근 만들기 함수를 넣어서 쓴 것임.
print(result.head())
 
 
 
 
 
 

# 새로운 함수= mm를 cm로 바꿔주는 함수.
import seaborn as sns

df = sns.load_dataset('penguins')
bill_length_mm = df['bill_length_mm']

def mm_to_cm(num):
    return num / 10

result_2 = bill_length_mm.apply(mm_to_cm)
print(result_2.head())
 
 
 




#2.데이터 프레임에 적용하기 -----열 또는 행 하나씩 분리하여 적용할 수 있음.
 
import seaborn as sns

df = sns.load_dataset('penguins')
bill_length_mm = df['bill_length_mm']

df_num = df[['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']]
#먼저 펭귄 데이터셋에서 숫자로만 이뤄진 열을 선택함.
df_num.head()
 
 
 

#각 열에 함수 적용====같은 열에서 행 방향으로 내려가야 되니까 axis=0
print(df_num.apply(max)) # ==== df_num.apply(max, axis=0)
 

#각 행의 최댓값은? axis=1로 열 방향으로 진행하면서, 각 열의 값끼리 비교한다.
print(df_num.apply(max, axis=1))
print(df_num)
 
 
 
 



#새로운 함수= 각 열의 결측치?
 
import seaborn as sns
import pandas as pd
import numpy as np

df = sns.load_dataset('penguins')

df_num = df[['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']]

def num_null(data):
    null_vec = pd.isnull(data) #isnull은 결측치면 True, 값이 있으면 False를 반환한다.
    null_count = np.sum(null_vec) #True에 해당하는 값이 더해져 결측치의 개수가 나옴.

    return null_count

print(df_num.apply(num_null)) #각 열에 해당 함수를 적용한다. (각 열 별로 결측치의 수를 세서 보여줌==행 방향으로 내려가야 함== axis=0)
 
#모든 열에 결측치가 두 개씩 있음을 확인할 수 있다.
 
 
 
 

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터시각화 연습(2) - pandas, seaborn 패키지  (0) 2023.12.17
파이썬 데이터시각화 연습(1) - matplotlib 패키지 이용  (0) 2023.12.17
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05

#데이터 재구조화------ melt(), pivot_table(), stack(), unstack()


import seaborn as sns

df = sns.load_dataset('penguins')
print(df.head())
 
 
 
 

#melt():

id변수를 기준으로 원본 데이터프레임의 열 이름들을 variable 열에 넣고, 각 열에 있던 데이터는 value 열에 넣음.

 
print(df.melt(id_vars=['species', 'island', 'bill_length_mm']).head(10))
 
#id_vars에 입력한 열은 식별자 변수가 되고 나머지는 variable열에 하나씩 들어감.
 
 
 
 
 


#pivot_table():

인덱스, 칼럼, 밸류, aggfunc(데이터 집계 함수)를 입력해야 한다.

 
import seaborn as sns
df = sns.load_dataset('penguins')

df_pivot_1 = df.pivot_table(index='species',
                            columns='island',
                            values='bill_length_mm',
                            aggfunc=['mean', 'count']) #복수 조건은 리스트로 입력.
 

print(df_pivot_1) #펭귄 데이터의 species와 island별 bill_length의 평균값, 개체 수를 나타낸 표, 그 지역에 해당 종이 1마리도 안 살면 NaN으로 표시.

#인덱스, 칼럼, 밸류, aggfunc(데이터 집계 함수)는 각각 하나가 아닌 여러개를 입력할 수 있다.
 
 





#stack(): 열 인덱스를 행 인덱스로 바꿈.

#unstack(): 행 인덱스를 열 인덱스로 바꿈.


import seaborn as sns
df = sns.load_dataset('penguins')

df_pivot_4 = df.pivot_table(index=['species', 'sex'],
                            columns= 'island',
                            values='bill_length_mm',
                            aggfunc='mean')

print(df_pivot_4)
print(df_pivot_4.stack().to_frame()) #투프레임은 시리즈를 데이터프레임 형태로 변경하고 싶을 때 쓴다. 생략가능
print(df_pivot_4.unstack())  #행 인덱스인 female, male이 열 인덱스로 변경됨. species는 현재 기본인덱스라서 변경되지 않음.


'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터시각화 연습(1) - matplotlib 패키지 이용  (0) 2023.12.17
파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05
파이썬 데이터 분석(2) 데이터 프레임 Data Frame  (1) 2023.12.05
#데이터프레임 합치기: pandas에서 concat(), merge(), join() 이용.

#1.concat(), 행 기준으로 합치기

import pandas as pd

df1 = pd.DataFrame({
    "A": ["A0", "A1", "A2","A3"],
    "B": ["B0", "B1", "B2", "B3"],
    "C": ["C0", "C1", "C2", "C3"],
    "D": ["D0", "D1", "D2", "D3"]
},
    index=[0, 1, 2, 3],
)  
#뭐 이렇게 비슷한 거 세 개를 한꺼번에 나오도록 합칠 수 있다. result = pd.concat([df1, df2, df3])이렇게 쓴 다음 print(result)하면 됨.
 
 
 
 
 

#열 이름이 다른데 concat하는 경우: 값이 없는 행은 NaN으로 채워짐
df4 = pd.DataFrame({
    "B": ["B2", "B3", "B6", "B7"],
    "D": ["D2", "D3", "D6", "D7"],
    "F": ["F2", "F3", "F6", "F7"]
},
    index=[2, 3, 6, 7]
)

result = pd.concat([df1, df4])

print(result)
 
 
 



#합칠 때 행 인덱스 초기화하기 : 인덱스가 그냥 0부터 차례대로 나오도록 바뀜
result = pd.concat([df1, df4], ignore_index=True)

print(result)
 
 
 



#2.concat(), 열 기준으로 합치기

import pandas as pd

df1 = pd.DataFrame({
    "A": ["A0", "A1", "A2","A3"],
    "B": ["B0", "B1", "B2", "B3"],
    "C": ["C0", "C1", "C2", "C3"],
    "D": ["D0", "D1", "D2", "D3"]
},
    index=[0, 1, 2, 3],
)  

df4 = pd.DataFrame({
    "B": ["B2", "B3", "B6", "B7"],
    "D": ["D2", "D3", "D6", "D7"],
    "F": ["F2", "F3", "F6", "F7"]
},
    index=[2, 3, 6, 7]
)
 

result = pd.concat([df1, df4], axis=1)   #axis=1을 입력하는 게 열 방향으로 하겠다는 의미이다.
print(result)
 
 

result = pd.concat([df1, df4], axis=1, join="inner") #조인=이너: 합집합이 아닌 교집합을 기준으로 함.
#== 행 인덱스가 겹치는 2, 3행만 출력 == NaN 값 없음.
print(result)
 
 
 
 


#데이터프레임+시리즈

s1 = pd.Series(["X0", "X1", "X2", "X3"], name="X")
result = pd.concat([df1, s1], axis=1)
print(result)


'''
 
merge함수(==조인인데 행 기준이 아니라 열 기준):
기준이 되는 열 또는 인덱스를 기준으로 합침(inner join, left/right join, outer join)
inner join: pd.merge(left쪽 데이터프레임 이름, right쪽 데이터프레임 이름, on = 'inner)
 
left join: pd.merge(left, right, on = "기준이 되는 열")
right join: pd.merge(left, right, on = '기준이 되는 열')
outer join: pd.merge(left, right, on = 'outer')
 
 
'''

# inner join: 양쪽 데이터프레임의 열의 교집합 부분을 반환.
 
#pd.merge(left, right, on="key")
left = pd.DataFrame({
    "key": ["K0", "k1", "k2", "K3"],
    "A": ["a0", "a1", "a2", "a3"],
    "B": ["b0", "b1", "b2". "b3"]
})

'''
 
 
left join: 레프트는 유지, 하이트가 합쳐짐.
 
 pd.merge(left, right, on="key", how='left')
 
right join은 그 반대
 
 pd.merge(left, right, on='key', how='right')
 
 
 
 
 
'''

#outer join: 합집합.
#reesult = pd.merge(left, right, on="key", how='outer')


#join함수==행 기준으로 dataframe 합침. join() 메서드는 디폴트로 left join을 사용한다.
 
 
 
 

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05
파이썬 데이터 분석(2) 데이터 프레임 Data Frame  (1) 2023.12.05
파이썬 데이터 분석(1) 시리즈 Series  (1) 2023.12.05
import seaborn as sns

df=sns.load_dataset('mpg') #mpg는 연비. miles per gallon
print(df.head()) # 맨 위 5행을 출력
 
 
 
 


#인덱스 열을 네임으로 바꾸고 싶을 때.
 
df.set_index('name', inplace=True) #inplace=True는 원본 객체를 변경하겠다는 말이다.
 
 
 
 
 

#인덱스 정렬.
 
df.sort_index(inplace=True) # 이렇게 쓰면 index기준, 기본적으로 오름차순으로 정렬된다.

df.sort_index(inplace=True, ascending=False) #내림차순으로 하고 싶으면 ascending=False
 
 
 
 
 

#인덱스를 다시 원래대로 돌려놓기
 
df.reset_index(inplace=True)
df.head()


print(df.head()) 
 
 



#cylinders 열은 자동차의 실린더 개수를 의미한다. 어떤 값들이 있을까?
 
import seaborn as sns
df=sns.load_dataset('mpg')

print(df['cylinders'].unique())
 
 
 
 
 

# 실린더가 4인 조건을 만족하는 행만 출력
 
filter_bool = (df['cylinders'] ==4)
print(filter_bool.tail(10))
 
 
 
 
 

#행 인덱스에 위의 불리언 시리즈를 입력하면 해당 조건을 만족하는 행만 선택된다.
 
print(df.loc[filter_bool, ])  #쉼표 뒤에는 열 이름. 칸 비워놓는 건 모든 열을 출력하겠다는 의미
 
 
 
 


# 실린더 개수가 4개이면서 마력이 100이상인 데이터만 출력해 보자.
 
filter_bool_2 = (df['cylinders']== 4) & (df['horsepower']>=100)
print(df.loc[filter_bool_2,['cylinders', 'horsepower', 'name' ]])
 
 
 
 


#특정 이름을 가진 자동차의 데이터를 출력하고 싶을 때. or을 |로 나타낼 수 있음. 근데 너무 길다.
 
import seaborn as sns
df=sns.load_dataset('mpg')

filter_bool_3 = (df['name']== 'ford maverick') | (df['name']=='ford mustang ii')| (df['name']== 'chevrolet impala')
print(df.loc[filter_bool_3, ])
 
 
 
 
 

#더 간단한 버전.
# isin()메서드 내에 조건들을 리스트 형태로 입력하면 해당 값이 존재=True, 존재x=False로 반환한다.

filter_isin = df['name'].isin(['ford maverick', 'ford mustang ii', 'chevrolet impala'])
print(df.loc[filter_isin, ['name', 'weight', 'model_year']])
 
 
 
 



#특정 열의 데이터별로 정렬해보자. 마력이 같은 자동차들끼리 묶어서 작은 순서대로 정렬하기.
 
print(df.loc[filter_isin, ].sort_values('horsepower'))
#여기서도 내림차순을 하려면 ascending=False입력하면 내림차순 됨.
 





#새로운 열 만들기: 무게 대비 연비인 mpg/wt를 나타내는 ratio열을 만들어 보자.
 
import seaborn as sns
df=sns.load_dataset('mpg')

df['ratio'] = (df['mpg']/ df['weight']) * 100
print(df.head())
 
 
 
 


#특정 열의 조건을 기반으로 새로운 열 만들기: NumPy 패키지의 where()함수를 사용한다.
 
import pandas as pd
import numpy as np

num = pd.Series([-2, -1, 1, 2])
print(np.where(num>=0)) #num이라는 시리즈에는 -2부터 2까지의 정수가 있는데, 그 중 0보다 크거나 0과 같은 0, 1, 2인 지점의 인덱스만 반환함.

np.where(num >=0, '양수', '음수') #num이 0보다 크거나 0과 같으면 '양수'를 부여, 그렇지 않으면 '음수'를 부여한다.
print(np.where(num >=0, '양수', '음수'))
 
 
 
 



#위의 내용을 응용해서  horsepower를 세 단계로 구분하는 열을 만들어 보자.
 
import seaborn as sns
df=sns.load_dataset('mpg')
import numpy as np

df['horse_power_div']=np.where(
    df['horsepower'] <100, '100 미만',
    np.where((df['horsepower'] >=100) & (df['horsepower'] <200), '100이상',
    np.where(df['horsepower'] >=200, '200이상', '기타')))
print(df.head())
 
 

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(2) 데이터 프레임 Data Frame  (1) 2023.12.05
파이썬 데이터 분석(1) 시리즈 Series  (1) 2023.12.05

데이터프레임(dataframe) : 2차원 배열로 각 열이 하나의 시리즈로 구성되어 있다.

 


# 원소의 개수가 동일한 1차원 배열(시리즈)가 모여서 데이터프레임이 된다.
 
import pandas as pd

dict_data = {'col1': [1, 2, 3], 'col2': [4, 5, 6], 'col3': [7, 8, 9]} #각 쌍에 값이 3개씩 들어 있는 딕셔너리 만들기
df = pd.DataFrame(dict_data)

print(df)
 
결과:
   col1  col2  col3
0     1     4     7
1     2     5     8
2     3     6     9
 
 
print(type(df))
 
결과: <class 'pandas.core.frame.DataFrame'>
 
 
 
 
 
 


# 리스트를 통해서 데이터프레임 만들기.

df2 = pd.DataFrame([1,2,3], [4,5,6], [7,8,9])
print(df2) #--첫번째랑 같은 결과. 열 이름이 자동으로 0, 1, 2로 할당되었다는 점만 빼고.


#행 이름, 열 이름을 지정한 리스트로 데이터프레임 만들기

df3 = pd.DataFrame([[1,2,3],[4,5,6],[7,8,9]],
                    index = ['index1', 'index2', 'index3'],
                    columns=['col1', 'col2', 'col3'])
print(df3)
 
 
 
 
 
 
 
 


#행 이름, 열 이름 변경하기

df3.index = ['행1', '행2', '행3']
df3.column = ['열1', '열2', '열3']

print(df3)

df3.rename(index={'행 1' : '첫 번째 행'}, inplace=True)

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05
파이썬 데이터 분석(1) 시리즈 Series  (1) 2023.12.05

pandas 패키지는

1차원 배열인 series와 
행과 열로 이루어진 2차원 배열인 dataframe을 통해 데이터 분석을 수행한다.
 
 
# 1. 시리즈(series) : 1차원 배열, 딕셔녀리와 비슷하게 인덱스와 값이 일대일 대응함.

import pandas as pd

dict_data = {'a':1, 'b':2, 'c':3} #딕셔너리를 먼저 만듦
series = pd.Series(dict_data) #Series 함수에 그 딕셔너리를 입력하면 시리즈 객체로 변환시켜 줌.



print(series)
결과:
a    1
b    2
c    3
dtype: int64




print(series.index)
#딕셔너리의 키==시리즈의 인덱스


결과:
Index(['a', 'b', 'c'], dtype='object')



print(series.values)
#딕셔너리의 밸류==시리즈의 값


결과:
[1 2 3]






# 딕셔너리 말고 리스트로 만들기
(위치를 나타내는 인덱스는 자동으로 지정되는데 0부터 시작한다.)

import pandas as pd

list_data = ['a', 'b', 'c']
series_2 = pd.Series(list_data)

print(series_2)

결과:
0    a
1    b
2    c
dtype: object




print(series_2.index)

결과:
RangeIndex(start=0, stop=3, step=1)




print(series_2.values)

결과:
['a' 'b' 'c']








#리스트를 통헤 시리즈를 만들고
index옵션에 인덱스 이름을 직접 입력하기

import pandas as pd

list_data = ['a', 'b', 'c']
series_3 = pd.Series(list_data, index=['index1', 'index2', 'index3'])

print(series_3)

결과:
index1    a
index2    b
index3    c
dtype: object






#원소 선택하기


import pandas as pd
capital = pd.Series({'Korea': 'Seoul',
                     'Japan': 'Tokyo',
                     'China': 'Beijing',
                     'India': 'New Deli',
                     'Taiwan': 'Taipei',
                     'Singapore': 'Singapore'
                     })

print(capital)

결과:
Korea            Seoul
Japan            Tokyo
China          Beijing
India         New Deli
Taiwan          Taipei
Singapore    Singapore
dtype: object




print(capital['Korea'])

결과:
Seoul




print(capital[['Korea', 'Taiwan']])
#값을 찾고 싶은 인덱스를 리스트 안에 입력하면 이에 해당하는 모든 원소가 선택된다.

결과:
Korea      Seoul
Taiwan    Taipei
dtype: object




print(capital[0])
결과: Seoul




print(capital[[0, 3]])
#이것도 리스트안의리스트에 적힌 모든 원소(코리아--서울, 인디아--뉴델리)가 출력된다.

결과:
Korea       Seoul
India    New Deli
dtype: object



print(capital[0:3])
#슬라이싱. 인덱스 0 이상, 3"미만"인 값들이 출력된다.

결과:
Korea      Seoul
Japan      Tokyo
China    Beijing
dtype: object






#시리즈의 사칙연산
series_1 = pd.Series([1,2,3])
series_2 = pd.Series([4,5,6])

print(series_1 + series_2)
결과:
0    5
1    7
2    9
dtype: int64




print(series_1*2)
결과:
0    2
1    4
2    6
dtype: int64

'파이썬 입문 > 데이터 분석 기초' 카테고리의 다른 글

파이썬 데이터 분석(6) 데이터프레임에 함수 적용하기  (1) 2023.12.05
파이썬 데이터 분석(5) 데이터 재구조화  (1) 2023.12.05
파이썬 데이터 분석(4) 데이터프레임 합치기  (1) 2023.12.05
파이썬 데이터 분석(3) 인덱스  (1) 2023.12.05
파이썬 데이터 분석(2) 데이터 프레임 Data Frame  (1) 2023.12.05

#코드를 일시정지하기

import datetime
import time

for i in range(3): #0부터 2까지 for문 내에서 i와 현재 시간을 출력함.

    print(i)
    print(datetime.datetime.now())

    print('---------------------')

    time.sleep(2) #루프 당 2초의 일시정지를 줌.

 

 

 

 

 

 

# for 문 진행 정도 확인하기 --- tqdm()


import time
from tqdm import tqdm

for i in tqdm(range(10)):

    time.sleep(0.1) #숫자가 커질수록 더디게 진행??
   
   
   
   
   

    

#매개변수가 여러 개인 함수에서 디폴트값 설정


def divide(x, n=2):

    res = x / n
    return (res)

print(divide(3))
#두번째 매개변수는 자동으로 2로 입력됨.---3나누기2= 1.5 출력.


 

 

 

# 람다 함수: return 없어도 결괏값을 반환한다.

# (함수명) = lambda 매개변수1, 매개변수2, ...:statement


divide_lam = lambda x, n: x/n

divide_lam(6,3) #==2.0

'파이썬 입문' 카테고리의 다른 글

파이썬 날짜와 시간 구하기, 날짜와 시간 연산  (2) 2023.12.02
<점프 투 파이썬>05-1 클래스  (0) 2023.08.11
<점프투파이썬> 04-2 사용자 입출력  (0) 2023.08.10
<점프 투 파이썬>04-1 함수  (0) 2023.08.10
<점프 투 파이썬> 03-3 for문  (0) 2023.08.05

#날짜와 시간 구하기

import datetime

 

var= datetime.datetime.now()

print(var)

결과 : 2023-12-02 12:23:58.974140

 

 

 

print(var.year)
결과: 2023
 
print(var.weekday()) #요일을 숫자로, 월요일이 0
결과: 5

print(var.date(), var.time())
결과: 2023-12-02 12:23:58.974140

print(var.strftime('%Y년 %b월 %j일 '))
결과: 2023년 Dec월 336일
 
 
"""
%y(소문자): 연도 뒤 두 자리만
%B(December전체), %b(Dec축약) : 영어(Locale) 월 표현
%j: 연중 일
"""

print(var.strftime("%H시 %M분 %S초 %X"))
결과: 12시 23분 58초 12:23:58
 
 
"""
%ㅣ: 12시간으로 시간표시
%P: 오전 오후 표시
%f: 마이크로초
%W: 연중 몇 번째 주인지(월요일 시작)
%U: 연중 몇 번째 주인지(일요일 시작)
%c: 영어로(Locale) 요일, 월, 날짜, 시간 나오는 거
%x: 영어로(Locale) 날짜
%X: 한글로(Locale) 시간
"""

 

 

 

#날짜와 시간 연산하기 -- 날짜와 초 단위

 
import datetime

dt1= datetime.datetime(2022, 12, 31)
dt2= datetime.datetime.now()

td= dt2 - dt1

print(td)
결과: 336 days, 12:23:58.974140
 
print(dt1+datetime.timedelta(days=1)) #1일 더하기
결과: 2023-01-01 00:00:00


 

 

#월 단위로 연산하기

 
import datetime
from dateutil.relativedelta import relativedelta
dt1= datetime.datetime(2022, 12, 31)

print(dt1+relativedelta(months=1))
결과: 2023-01-31 00:00:00


 

'파이썬 입문' 카테고리의 다른 글

파이썬 코드 일시정지하기, for문 진행 정도 확인(tqdm()), 람다함수 사용법  (0) 2023.12.02
<점프 투 파이썬>05-1 클래스  (0) 2023.08.11
<점프투파이썬> 04-2 사용자 입출력  (0) 2023.08.10
<점프 투 파이썬>04-1 함수  (0) 2023.08.10
<점프 투 파이썬> 03-3 for문  (0) 2023.08.05

+ Recent posts

티스토리툴바