°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
īī¿ÀÆäÀÌ 3,000¿ø
(īī¿ÀÆäÀÌ 5¸¸¿ø ÀÌ»ó °áÁ¦½Ã, 3/1~3/31 ±â°£ Áß 1ȸ)
»ï¼ºÄ«µå 6% (38,070¿ø)
(»ï¼ºÄ«µå 6% û±¸ÇÒÀÎ)
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (38,480¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (28,350¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄũīµå 20% (32,400¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

Pandas Cookbook 2/e : ÆÄÀ̽㠵¥ÀÌÅÍ °úÇÐ ±âÃÊ

¿øÁ¦ : Pandas 1.x Cookbook
¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

ÆÇ¸ÅÁö¼ö 368
?
ÆÇ¸ÅÁö¼ö¶õ?
»çÀÌÆ®ÀÇ ÆÇ¸Å·®¿¡ ±â¹ÝÇÏ¿© ÆÇ¸Å·® ÃßÀ̸¦ ¹Ý¿µÇÑ ÀÎÅÍÆÄÅ© µµ¼­¿¡¼­ÀÇ µ¶¸³ÀûÀÎ ÆÇ¸Å Áö¼öÀÔ´Ï´Ù. ÇöÀç °¡Àå Àß ÆÈ¸®´Â »óǰ¿¡ °¡ÁßÄ¡¸¦ µÎ¾ú±â ¶§¹®¿¡ ½ÇÁ¦ ´©Àû ÆÇ¸Å·®°ú´Â ´Ù¼Ò Â÷À̰¡ ÀÖÀ» ¼ö ÀÖ½À´Ï´Ù. ÆÇ¸Å·® ¿Ü¿¡µµ ´Ù¾çÇÑ °¡ÁßÄ¡·Î ±¸¼ºµÇ¾î ÃÖ±ÙÀÇ À̽´µµ¼­ È®Àνà À¯¿ëÇÒ ¼ö ÀÖ½À´Ï´Ù. ÇØ´ç Áö¼ö´Â ¸ÅÀÏ °»½ÅµË´Ï´Ù.
Close
°øÀ¯Çϱâ
Á¤°¡

45,000¿ø

  • 40,500¿ø (10%ÇÒÀÎ)

    2,250P (5%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • I-Point Àû¸³Àº Ãâ°í¿Ï·á ÈÄ 14ÀÏ À̳» ¸¶ÀÌÆäÀÌÁö¿¡¼­ Àû¸³¹Þ±âÇÑ °æ¿ì¸¸ Àû¸³µË´Ï´Ù.
Ãß°¡ÇýÅÃ
¹è¼ÛÁ¤º¸
ÁÖ¹®¼ö·®
°¨¼Ò Áõ°¡
  • À̺¥Æ®/±âȹÀü

  • ¿¬°üµµ¼­(55)

  • »çÀºÇ°(4)

Ã¥¼Ò°³

pandasÀÇ ¸ðµç ±â´ÉÀ» Ä£ÀýÇÑ ¿¹Á¦¿Í ¼³¸í, ½ÇÁ¦ ÆÄÀ̽ã Äڵ带 ÅëÇÑ ½Ç½À°ú ÇÔ²² ¼³¸íÇÑ´Ù. pandasÀÇ ÇÙ½É DataFrame°ú Series¸¦ ÁÖÃàÀ¸·Î ÇÔ¼ö, ¸Þ¼­µå, ¼Ó¼ºÀ» ¼³¸íÇϰí Àå´ÜÁ¡Àº ¹°·Ð ¸Þ¸ð¸® »ç¿ë·®°ú ó¸® ½Ã°£µµ ºñ±³ÇÑ´Ù. ±ÝÀ¶ µ¥ÀÌÅÍ¿¡¼­ °¡Àå Áß¿äÇÑ ½Ã°è¿­ ÀڷḦ ó¸®ÇÏ´Â ´Ù¾çÇÑ ¹æ¹ý°ú SQL µ¥ÀÌÅͺ£À̽º¿¡ ¿¬°áÇÏ´Â ¹æ¹ýµµ ¾Ë·ÁÁØ´Ù. ÇÑÆí pandas ¶óÀ̺귯¸®ÀÇ ±×·ìÈ­ ÇÔ¼ö¸¦ üÀÎ ±â´É°ú Áý°èÇÔ¼ö¸¦ °áÇÕÇØ »ç¿ëÇÒ ¶§ pandas ¶óÀ̺귯¸®ÀÇ °­·ÂÇÑ ÈûÀ» ´À³¥ ¼ö ÀÖ´Ù.
±×¸®°í Á¤µ·µÈ µ¥ÀÌÅÍ(tidy data)ÀÇ Á¤ÀÇ¿Í ÇÔ²² µ¥ÀÌÅÍ Á¤µ· ¹æ¹ý°ú ÀýÂ÷¸¦ ÀÚ¼¼È÷ ¾Ë¾Æº¸°í matplotlib, python plot, seabornÀ» ÀÌ¿ëÇÑ µ¥ÀÌÅÍ ½Ã°¢È­¿Í °¢°¢ÀÇ Àå´ÜÁ¡À» »ó¼¼È÷ ¼³¸íÇÑ´Ù.

ÃâÆÇ»ç ¼­Æò

¡Ú ÀÌ Ã¥¿¡¼­ ´Ù·ç´Â ³»¿ë ¡Ú

¡á ¸ðµç µ¥ÀÌÅͼÂÀ» Ž»öÇÒ ¼ö ÀÖ°Ô ÇØÁÖ´Â pandasÀÇ ±âº» Áö½Ä
¡á Äõ¸®¿Í ¼±ÅÃÀ¸·Î µ¥ÀÌÅÍ Áß ¿øÇÏ´Â ºÎºÐ¸¸ ºÎºÐÁýÇÕÀ¸·Î ÀûÀýÈ÷ °ñ¶ó³»´Â ¹æ¹ý
¡á µ¥ÀÌÅ͸¦ Á¾ÇÕÇϰųª °¢ ±×·ìÀ¸·Î º¯È¯Çϱâ Àü °³º° ±×·ìÀ¸·Î ºÐÇÒÇÏ´Â ¹æ¹ý
¡á µ¥ÀÌÅÍ ºÐ¼®°ú ½Ã°¢È­°¡ ¿ëÀÌÇϵµ·Ï µ¥ÀÌÅ͸¦ Á¤µ·µÈ Çü½ÄÀ¸·Î À籸¼ºÇϱâ
¡á º¹ÀâÇÑ ½ÇÁ¦ ȯ°æ µ¥ÀÌÅ͸¦ ¸Ó½Å·¯´×¿¡¼­ »ç¿ëÇÒ ¼ö ÀÖµµ·Ï ÁغñÇϱâ
¡á pandasÀÇ SQL À¯»ç ¿¬»ê ±â´ÉÀ¸·Î ¼­·Î ´Ù¸¥ ¼Ò½ºÀÇ µ¥ÀÌÅÍ º´ÇÕÇϱâ
¡á pandasÀÇ µ¶º¸ÀûÀÎ ½Ã°è¿­ µ¥ÀÌÅÍ Ã³¸® ´É·Â
¡á pandasÀÇ matplitlib³ª seabornÀ» »ç¿ëÇÑ ½Ã°¢È­ ±â´É

¡Ú ÀÌ Ã¥ÀÇ ´ë»ó µ¶ÀÚ ¡Ú

´Ü¼øÇÑ ¿¹Á¦¿¡¼­ °í±Þ ¿¹Á¦±îÁö °ÅÀÇ 100°¡Áö ¿¹Á¦¸¦ ´Ù·é´Ù. ¸ðµç ¿¹Á¦´Â °£´Ü¸í·áÇϰí ÃֽŠÆÄÀ̽㠹®¹ý°ú ±¸¹®À» »ç¿ëÇØ ÀÛ¼ºÇß´Ù. 'ÀÛµ¿ ¿ø¸®' Àý¿¡¼­´Â ¿¹Á¦ÀÇ º¹ÀâÇÑ °¢ ´Ü°è¸¦ »ó¼¼È÷ ¼³¸íÇϸç, Á¾Á¾ 'Ãß°¡ »çÇ×' Àý¿¡¼­ »õ·Î¿î ¿¹Á¦¿¡ ´ëÇÑ Á¤º¸¸¦ ¾òÀ» ¼ö ÀÖ´Ù.
óÀ½ 6°³ ÀåÀÇ ¿¹Á¦´Â °£´ÜÇÑ ¿¹Á¦·Î ±¸¼ºµÆÀ¸¸ç, ÀÌÈÄ 5°³ Àå¿¡ ºñÇØ ±âº»ÀûÀÌ°í ±Ùº»ÀûÀÎ pandas ¿¬»ê¿¡ ÁßÁ¡À» µÐ´Ù. ³ª¸ÓÁö 5°³ ÀåÀº °í±Þ ¿¬»ê°ú ÇÁ·ÎÁ§Æ® ¼º°ÝÀÌ °­ÇÑ ¿¹Á¦¸¦ ¼Ò°³ÇÑ´Ù. ³­À̵µ°¡ ±¤¹üÀ§ÇϹǷΠÃʺ¸ÀÚ³ª ¼÷·ÃÀÚ ¸ðµÎ¿¡°Ô À¯¿ëÇÏ´Ù. ³» °æÇè¿¡ ºñÃç ºÃÀ» ¶§ pandas¸¦ ÀÏ»óÀûÀ¸·Î »ç¿ëÇÏ´Â »ç¶÷µµ pandasÀÇ °ü¿ë±¸¿¡ Àͼ÷ÇÏÁö ¾Ê´Ù¸é ¸¶½ºÅÍÇÏÁö ¸øÇÒ °ÍÀÌ´Ù. ÀÌ´Â pandas°¡ ¹æ´ëÇÑ ¿µ¿ªÀ» ´Ù·ç±â ¶§¹®ÀÌ´Ù. ´ëºÎºÐ µ¿ÀÏÇÑ ¿¬»êÀ» ¼öÇàÇÒ ¼ö ÀÖ´Â ¹æ¹ýÀº ¿©·¯ °¡Áö°¡ Àֱ⠶§¹®¿¡ »ç¿ëÀÚ´Â ¿øÇÏ´Â °á°ú¸¦ ¾ò°íÀÚ ºñÈ¿À²ÀûÀÎ ¹æ¹ýÀ» »ç¿ëÇϰí ÀÖÀ» ¼öµµ ÀÖ´Ù. µ¿ÀÏÇÑ ¹®Á¦¸¦ ÇØ°áÇÏ´Â pandas ¼Ö·ç¼ÇÀÇ ¼Óµµ Â÷À̰¡ ¼ö½Ê ¹è ÀÌ»ó ´Ù¸¥ °æ¿ìµµ ºó¹øÇÏ´Ù.
Çʼö Áö½ÄÀº ¿ÀÁ÷ ÆÄÀ̽ã»ÓÀÌ´Ù. µ¶ÀÚ°¡ ¸®½ºÆ®(list), ÁýÇÕ(set), µñ¼Å³Ê¸®(dictionary), Æ©ÇÃ(tuple) µîÀÇ ÆÄÀ̽㠳»Àå µ¥ÀÌÅÍ ÀúÀå¼Ò¿¡ ¾î´À Á¤µµ Àͼ÷ÇÏ´Ù°í °¡Á¤ÇÑ´Ù.

¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú

1Àå, 'pandas ±âÃÊ'¿¡¼­´Â pandas µ¥ÀÌÅÍ ±¸Á¶¸¦ ÀÌ·ç´Â µÎ ±¸¼º ¿ä¼ÒÀÎ Series¿Í DataFrameÀ» ÇØºÎÇÏ°í ¿ë¾î¸¦ Á¤¸®ÇÑ´Ù. °¢ ¿­Àº µ¿ÀÏÇÑ µ¥ÀÌÅÍ Çü½ÄÀ» °¡Á®¾ß ÇÏ°í ¿ì¸®´Â °¢ µ¥ÀÌÅÍ Çü½ÄÀ» ¾Ë¾Æº»´Ù. À̸¦ ÅëÇØ Series¿Í DataFrameÀÇ ¸Þ¼­µå¸¦ È£ÃâÇÏ°í ¹Ù²Ù¸é¼­ µÎ ¿ä¼ÒÀÇ ÁøÁ¤ÇÑ ÈûÀ» ¹è¿ï ¼ö ÀÖ´Ù.
2Àå, '±âº» DataFrame ¿¬»ê'¿¡¼­´Â µ¥ÀÌÅÍ ºÐ¼®À» À§ÇØ °¡Àå Áß¿äÇÏ°í º¸ÆíÀûÀÎ ¿¬»êÀ» ¾Ë¾Æº»´Ù.
3Àå, 'DataFrame »ý¼º°ú À¯Áö'¿¡¼­´Â DataFrameÀ» »ý¼ºÇÏ°í °ªÀ» ³Ö´Â ´Ù¾çÇÑ ¹æ¹ýÀ» ¾Ë¾Æº»´Ù.
4Àå, 'µ¥ÀÌÅÍ ºÐ¼® ½ÃÀÛ'¿¡¼­´Â µ¥ÀÌÅ͸¦ ÀÐ¾î µéÀÎ ÈÄ, ÇØ¾ß ÇÒ ¹Ýº¹ ÀÛ¾÷¿¡ µµ¿òÀÌ µÇ´Â ³»¿ëÀ» ´Ù·é´Ù.
5Àå, 'Ž»öÀû µ¥ÀÌÅÍ ºÐ¼®'¿¡¼­´Â ¼öÄ¡¿Í ¹üÁÖ µ¥ÀÌÅ͸¦ ºñ±³ÇÏ´Â ±âº» ºÐ¼® ±â¹ýÀ» ´Ù·é´Ù. ¶ÇÇÑ ÀϹÝÀûÀÎ ½Ã°¢È­ ±â¹ýµµ ¾Ë¾Æº»´Ù.
6Àå, 'µ¥ÀÌÅÍÀÇ ºÎºÐÁýÇÕ ¼±ÅÃ'¿¡¼­´Â ¼­·Î ´Ù¸¥ ºÎºÐÁýÇÕ ¼±Åÿ¡¼­ ´Ù¾çÇϰí È¥µ¿µÇ´Â ºÎºÐ µî ¿©·¯ ÁÖÁ¦¸¦ ´Ù·é´Ù.
7Àå, 'Çà ÇÊÅ͸µ'¿¡¼­´Â ºÒ¸®¾ð Á¶°ÇÀ» ÀÌ¿ëÇØ µ¥ÀÌÅÍÀÇ ºÎºÐÁýÇÕÀ» ¼±ÅÃÇÏ´Â Äõ¸® ÇÁ·Î¼¼½º¸¦ ´Ù·é´Ù.
8Àå, 'À妽º Á¤·Ä'¿¡¼­´Â »ó´çÈ÷ Áß¿äÇϸ鼭µµ Á¾Á¾ À߸ø ÀÌÇØÇϰí ÀÖ´Â À妽º °´Ã¼¸¦ ´Ù·é´Ù. À妽º¸¦ À߸ø ´Ù·ç¸é ¸¹Àº À߸øµÈ °á°ú¸¦ ÃÊ·¡ÇÑ´Ù. ¿¹Á¦¿¡¼­ °­·ÂÇÑ °á°ú¸¦ ¾òÀ» ¼ö ÀÖ´Â ¿Ã¹Ù¸¥ »ç¿ë¹ýÀ» ¾Ë¾Æº»´Ù.
9Àå, '±×·ìÈ­¸¦ À§ÇÑ Áý°è, ¿©°ú, º¯È¯'¿¡¼­´Â µ¥ÀÌÅÍ ºÐ¼®¿¡ ÇÊ¿äÇÑ °­·ÂÇÑ ±×·ìÈ­ ±â´ÉÀ» ´Ù·é´Ù. µû¶ó¼­ ¸ñÀû¿¡ ¸Â´Â ±×·ì¿¡ Àû¿ëÇÒ »ç¿ëÀÚ Á¤ÀÇ ÇÔ¼ö¸¦ ±¸¼ºÇÒ ¼ö ÀÖ´Ù.
10Àå, 'Á¤µ·µÈ Çü½ÄÀ¸·Î µ¥ÀÌÅÍ À籸¼º'¿¡¼­´Â Á¤µ·µÈ µ¥ÀÌÅ͸¦ ¼³¸íÇϰí Áß¿äÇÑ ÀÌÀ¯¸¦ ¾Ë¾Æº¸°í ¼­·Î ´Ù¸¥ ÇüÅÂÀÇ µ¥ÀÌÅ͸¦ Á¤µ·ÇÏ´Â ¹æ¹ýÀ» ´Ù·é´Ù.
11Àå, 'pandas °´Ã¼ º´ÇÕ'¿¡¼­´Â DataFrame°ú Series¸¦ ¼öÁ÷°ú ¼öÆòÀ¸·Î º´ÇÕÇÏ´Â ¿©·¯ ¸Þ¼­µå¸¦ ¾Ë¾Æº»´Ù. ¶ÇÇÑ À¥ ½ºÅ©·¡ÇÎÀ¸·Î Æ®·³ÇÁ¿Í ¿À¹Ù¸¶ ´ëÅë·ÉÀÇ ±¹Á¤ ¼öÇà Æò°¡ Á¡¼ö¸¦ ºñ±³Çϰí À¥ ½ºÅ©·¡Çΰú SQL °ü°èÇü µ¥ÀÌÅͺ£À̽º ¿¬°áÀ» ½Ç½ÀÇØº»´Ù.
12Àå, '½Ã°è¿­ ºÐ¼®'¿¡¼­´Â °¡´ÉÇÑ ¸ðµç ½Ã°£ Â÷¿ø¿¡ µû¶ó ºÐÇØÇÒ ¼ö ÀÖ´Â ½Ã°è¿­ÀÇ °­·ÂÇÑ °í±Þ ±â´ÉÀ» ¾Ë¾Æº»´Ù.
13Àå, 'matplotlib, pandas, seabornÀ» ÀÌ¿ëÇÑ ½Ã°¢È­'¿¡¼­´Â pandas¿¡¼­ ¸ðµç µµ½ÄÈ­ÀÇ ±âº»ÀÌ µÇ´Â matplotlib ¶óÀ̺귯¸®¸¦ ¼Ò°³ÇÑ´Ù. ±×¸®°í pandas plot ¸Þ¼­µå¿Í seaborn ¶óÀ̺귯¸® µî pandas¿¡¼­ Á÷Á¢ Á¦°øÇÏÁö ¾Ê´Â ´Ù¾çÇÏ°í ½É¹ÌÀûÀÎ ½Ã°¢È­ ±â´ÉÀ» ¾Ë¾Æº»´Ù.
14Àå, 'pandas µð¹ö±ë°ú Å×½ºÆ®'¿¡¼­´Â DataFrame°ú pandas Äڵ带 Å×½ºÆ®ÇÏ´Â ¸ÞÄ¿´ÏÁòÀ» »ìÆìº»´Ù. »ý»ê ¶óÀο¡ pandas¸¦ ¹èÆ÷ÇÒ °èȹÀ̶ó¸é ÀÌ ÀåÀ» ÅëÇØ Äڵ带 ½Å·ÚÇÒ ¼ö ÀÖ°Ô µ½´Â´Ù.

¡Ú ÁöÀºÀÌÀÇ ¸» ¡Ú

pandas´Â ÆÄÀ̽ãÀ» »ç¿ëÇØ ±¸Á¶È­µÈ µ¥ÀÌÅ͸¦ ¸¸µé°í Á¶ÀÛÇϱâ À§ÇÑ ¶óÀ̺귯¸®´Ù. ±¸Á¶È­Çß´Ù´Â °ÍÀº ¹«½¼ ÀǹÌÀϱî? ±¸Á¶È­¶õ ½ºÇÁ·¹µå½ÃÆ®³ª µ¥ÀÌÅͺ£À̽º¿¡¼­¿Í °°ÀÌ Çà°ú ¿­ÀÇ Å×À̺í Çü½ÄÀ¸·Î µÈ µ¥ÀÌÅ͸¦ ÀǹÌÇÑ´Ù. µ¥ÀÌÅÍ °úÇÐÀÚ, ºÐ¼®°¡, ÇÁ·Î±×·¡¸Ó, ¿£Áö´Ï¾î µîÀº µ¥ÀÌÅ͸¦ Ȱ¿ëÇϰíÀÚ ÀÌ·± Çü½ÄÀÇ µ¥ÀÌÅ͸¦ Ȱ¿ëÇϰí ÀÖ´Ù.
pandas´Â 'ÀÛÀº µ¥ÀÌÅÍ'(´ÜÀÏ ½Ã½ºÅÛ ¸Þ¸ð¸®¿¡ µé¾î°¥ ¼ö ÀÖ´Â µ¥ÀÌÅÍ)¸¸ ´Ù·ê ¼ö ÀÖ´Ù. ±×·¯³ª pandasÀÇ ±¸¹®°ú ¿¬»êÀº PySpark, Dask, Modin, cuDF, Baloo, Dexplo, Tabel, StaticFrame µî ´Ù¸¥ ÇÁ·ÎÁ§Æ®¿¡ äÅõǰųª ¿µ°¨À» Áá´Ù. ÇÁ·ÎÁ§Æ®¿¡´Â ´Ù¾çÇÑ ¸ñÇ¥°¡ ÀÖÁö¸¸ ÀϺΠÇÁ·ÎÁ§Æ®´Â ºòµ¥ÀÌÅÍ·Î È®ÀåµÈ´Ù. µû¶ó¼­ pandas´Â ±¸Á¶È­µÈ µ¥ÀÌÅÍ¿Í »óÈ£ÀÛ¿ëÇϱâ À§ÇÑ »ç½Ç»ó Ç¥ÁØ API°¡ µÇ°í ÀÖÀ¸¹Ç·Î ÀÛµ¿ ¹æ½ÄÀ» ÀÌÇØÇÒ °¡Ä¡°¡ ÀÖ´Ù.
³» À̸§Àº ¸ÅÆ® ÇØ¸®½¼(Matt Harrison)ÀÌ¸ç ±â¾÷ ±³À°À» ¼öÇàÇÏ´Â ¸ÞŸ½º³×ÀÌÅ©(MetaSnake)¶ó´Â ȸ»ç¸¦ ¿î¿µÇÑ´Ù. ³»°¡ ÇÏ´Â ÀÏÀº ÆÄÀ̽ã°ú µ¥ÀÌÅÍ ±â¼úÀ» Çâ»ó½Ã۰íÀÚ ÇÏ´Â ´ë±â¾÷À» ÈÆ·ÃÇÏ´Â °ÍÀÌ´Ù. µû¶ó¼­ ¼ö³â µ¿¾È ¼öõ ¸íÀÇ ÆÄÀ̽ã°ú pandas »ç¿ëÀÚ¸¦ °¡¸£ÃÆ´Ù.
2ÆÇÀ» ¾µ ¶§ ³» ¸ñÇ¥´Â pandas¿Í °ü·ÃÇØ ¸¹Àº »ç¶÷ÀÌ È¥µ¿À» °Þ´Â ºÎºÐÀ» ¿­½ÉÈ÷ µ½´Â °ÍÀ̾ú´Ù. pandas´Â ¿©·¯ ÀÌÁ¡ÀÌ ÀÖÁö¸¸ ¾î·Æ°í È¥¶õ½º·¯¿î Á¡ÀÌ ÀÖ´Ù. µ¶ÀÚ ¿©·¯ºÐÀÌ ½ÇÁ¦ ȯ°æ¿¡¼­ ±×·¯ÇÑ ¹®Á¦Á¡À» ÇØ°áÇÒ ¼ö ÀÖµµ·Ï µ½°íÀÚ ÇÑ´Ù. ¶óÀÌºê ±³À°¿¡ °ü½ÉÀÌ ÀÖ´Ù¸é ¾ðÁ¦µçÁö ¹®ÀÇÇ϶ó(matt@metasnake).

¸ñÂ÷

1Àå. pandas ±âÃÊ

__pandas ÀÓÆ÷Æ®
__¼Ò°³
__pandas DataFrame
__DataFrame ¼Ó¼º
__µ¥ÀÌÅÍ Çü½Ä ÀÌÇØ
__¿­ ¼±ÅÃ
__Series ¸Þ¼­µå È£Ãâ
__Series ¿¬»ê
__Series ¸Þ¼­µå üÀÎ
__¿­ À̸§ º¯°æ
__¿­ÀÇ »ý¼º°ú »èÁ¦

2Àå. ±âº» DataFrame ¿¬»ê

__¼Ò°³
__¿©·¯ DataFrame ¿­ ¼±ÅÃ
__¸Þ¼­µå¸¦ »ç¿ëÇØ ¿­ ¼±ÅÃ
__¿­ À̸§ Á¤·Ä
__DataFrame ¿ä¾à
__DataFrame ¸Þ¼­µå üÀÎ
__DataFrame ¿¬»ê
__°áÃøÄ¡ ºñ±³
__DataFrame ¿¬»ê ¹æÇâ Àüȯ
__´ëÇÐ ÀÎÁ¾ ´Ù¾ç¼º Áö¼ö °áÁ¤

3Àå. DataFrame »ý¼º°ú À¯Áö

__¼Ò°³
__½ºÅ©·¡Ä¡¿¡¼­ DataFrame »ý¼º
__CSV ÀÛ¼º
__´ëÇü CSV ÆÄÀÏ Àбâ
__¿¢¼¿ ÆÄÀÏ »ç¿ë
__ZIP ÆÄÀÏ·Î ÀÛ¾÷
__µ¥ÀÌÅͺ£À̽º¿Í ÀÛ¾÷
__JSON ÆÄÀÏ Àбâ
__HTML Å×À̺í Àбâ

4Àå. µ¥ÀÌÅÍ ºÐ¼® ½ÃÀÛ

__¼Ò°³
__µ¥ÀÌÅÍ ºÐ¼® ·çƾ °³¹ß
__µ¥ÀÌÅÍ µñ¼Å³Ê¸®
__µ¥ÀÌÅÍ Çü½Ä º¯°æÀ¸·Î ¸Þ¸ð¸® Àý¾à
__ÃÖ´ë Áß¿¡ ÃÖ¼Ò ¼±ÅÃ
__Á¤·ÄÇØ °¢ ±×·ì¿¡¼­ °¡Àå Å« Ç׸ñ ¼±ÅÃ
__sort_values¸¦ »ç¿ëÇØ nlargest º¹Á¦
__ÃßÀû ÁöÁ¤°¡ ÁÖ¹® °¡°Ý °è»ê

5Àå. Ž»öÀû µ¥ÀÌÅÍ ºÐ¼®

__¼Ò°³
__¿ä¾à Åë°è·®
__¿­ Çü½Ä
__¿¹Á¦ ±¸Çö
__¹üÁÖÇü µ¥ÀÌÅÍ
__¿¬¼Ó µ¥ÀÌÅÍ
__¹üÁÖ °£ÀÇ ¿¬¼Ó °ª ºñ±³
__µÎ °³ÀÇ ¿¬¼Ó ¿­ ºñ±³
__¹üÁÖ °ª°ú ¹üÁÖ °ª ºñ±³
__pandas ÇÁ·ÎÆÄÀϸµ ¶óÀ̺귯¸® »ç¿ë

6Àå. µ¥ÀÌÅÍÀÇ ºÎºÐÁýÇÕ ¼±ÅÃ

__¼Ò°³
__Series µ¥ÀÌÅÍ ¼±ÅÃ
__DataFrame Çà ¼±ÅÃ
__DataFrame Çà°ú ¿­À» µ¿½Ã¿¡ ¼±ÅÃ
__Á¤¼ö¿Í ·¹ÀÌºí ¸ðµÎ·Î µ¥ÀÌÅÍ ¼±ÅÃ
__»çÀü½ÄÀ¸·Î ½½¶óÀ̽Ì

7Àå. Çà ÇÊÅ͸µ

__¼Ò°³
__ºÒ¸®¾ð Åë°è·® °è»ê
__´ÙÁß ºÒ¸®¾ð Á¶°Ç ±¸¼º
__ºÒ¸®¾ð ¹è¿­À» »ç¿ëÇÑ ÇÊÅ͸µ
__Çà ÇÊÅ͸µ°ú À妽º ÇÊÅ͸µ ºñ±³
__À¯ÀÏÇϰí Á¤·ÄµÈ À妽º¸¦ »ç¿ëÇÑ ¼±ÅÃ
__SQL WHERE Àý ÇØ¼®
__Äõ¸® ¸Þ¼­µå¸¦ »ç¿ëÇÑ ºÒ¸®¾ð À妽ÌÀÇ °¡µ¶¼º Çâ»ó
__.where ¸Þ¼­µå¸¦ »ç¿ëÇØ Series Å©±â À¯Áö
__DataFrame Çà ¸¶½ºÅ·
__ºÒ¸®¾ð, Á¤¼ö À§Ä¡, ·¹À̺íÀ» »ç¿ëÇØ ¼±ÅÃ

8Àå. À妽º Á¤·Ä

__¼Ò°³
__À妽º °´Ã¼ °Ë»ç
__µ¥Ä«¸£Æ® °ö »ý¼º
__À妽º Æø¹ß
__µ¿ÀÏÇÏÁö ¾ÊÀº À妽º·Î °ª ä¿ì±â
__´Ù¸¥ DataFrameÀÇ ¿­ ´õÇϱâ
__°¢ ¿­ÀÇ ÃÖ´ñ°ª °­Á¶
__¸Þ¼­µå üÀÎÀ¸·Î idxmax º¹Á¦
__¿­¿¡¼­ ÃÖ´ë °øÅë ÃÖ´ñ°ª ã±â

9Àå. ±×·ìÈ­¸¦ À§ÇÑ Áý°è, ¿©°ú, º¯È¯

__¼Ò°³
__Áý°è Á¤ÀÇ
__º¹¼ö ¿­°ú ÇÔ¼ö¸¦ »ç¿ëÇÑ ±×·ìÈ­¿Í Áý°è
__±×·ìÈ­ ÈÄ ´ÙÁß À妽º Á¦°Å
__»ç¿ëÀÚ Á¤ÀÇ Áý°è ÇÔ¼ö¸¦ »ç¿ëÇÑ ±×·ìÈ­
__*args¿Í **kwargs¸¦ »ç¿ëÇÑ Áý°è ÇÔ¼ö »ç¿ëÀÚ Á¤ÀÇ
__groupby °´Ã¼ °Ë»ç
__¼Ò¼ö ÀÎÁ¾ÀÌ °ú¹ÝÀÎ ÁÖ¸¦ ÇÊÅ͸µ
__üÁß °¨·® ³»±â¸¦ ÅëÇÑ º¯½Å
__apply¸¦ »ç¿ëÇØ ÁÖº° °¡Áß Æò±Õ SAT Á¡¼ö °è»ê
__¿¬¼Ó º¯¼ö¸¦ ±âÁØÀ¸·Î ±×·ìÈ­
__µµ½Ã °£ ÃÑ ºñÇà Ƚ¼ö °è»ê
__°¡Àå ±ä ¿¬¼Ó Á¤½Ã ºñÇà ã±â

10Àå. Á¤µ·µÈ Çü½ÄÀ¸·Î µ¥ÀÌÅÍ À籸¼º

__¼Ò°³
__½ºÅÃÀ» »ç¿ëÇØ º¯¼ö °ªÀ» ¿­ À̸§À¸·Î Á¤µ·
__melt¸¦ »ç¿ëÇØ º¯¼ö °ªÀ» ¿­ À̸§À¸·Î Á¤µ·
__¿©·¯ º¯¼öÀÇ ±×·ìÀ» µ¿½Ã¿¡ ½ºÅÃ
__½ºÅÃµÈ µ¥ÀÌÅÍ µÇµ¹¸®±â
__groupby Áý°è ÈÄ ¾ð½ºÅÃ
__groupby Áý°è·Î pivot_table º¹Á¦
__¼Õ½¬¿î À籸¼ºÀ» À§ÇÑ Ãà ·¹º§ À̸§ º¯°æ
__¿©·¯ º¯¼ö°¡ ¿­ À̸§À¸·Î ÀúÀåµÉ ¶§ÀÇ Á¤µ·
__¿©·¯ º¯¼ö°¡ ´ÜÀÏ ¿­·Î ÀúÀåµÉ ¶§ Á¤µ·
__µÑ ÀÌ»óÀÇ °ªÀÌ µ¿ÀÏ ¼¿¿¡ ÀúÀåµÉ ¶§ÀÇ Á¤µ·
__º¯¼ö°¡ ¿­ À̸§°ú °ªÀ¸·Î ÀúÀ嵯À» ¶§ÀÇ µ¥ÀÌÅÍ Á¤µ·

11Àå. pandas °´Ã¼ º´ÇÕ

__¼Ò°³
__DataFrame¿¡ »õ Çà Ãß°¡
__¿©·¯ DataFrameÀ» ÇÔ²² ¿¬°á
__concat, join, mergeÀÇ Â÷ÀÌÁ¡ ÀÌÇØ
__SQL µ¥ÀÌÅͺ£À̽º¿¡ ¿¬°á

12Àå. ½Ã°è¿­ ºÐ¼®

__¼Ò°³
__ÆÄÀ̽ã°ú pandas ³¯Â¥ µµ±¸ÀÇ Â÷ÀÌÁ¡ ÀÌÇØ
__½Ã°è¿­À» Áö´ÉÀûÀ¸·Î ½½¶óÀ̽º
__½Ã°£ µ¥ÀÌÅÍ·Î ¿­ ÇÊÅ͸µ
__DatetimeIndex¿¡¼­¸¸ ÀÛµ¿ÇÏ´Â ¸Þ¼­µå »ç¿ë
__ÁÖ°£ ¹üÁË ¼ö °è»ê
__ÁÖ°£ ¹üÁË¿Í ±³Åë»ç°í¸¦ º°µµ·Î Áý°è
__ÁÖº°, ¿¬µµº° ¹üÁË ÃøÁ¤
__timeIndex¸¦ »ç¿ëÇØ À͸í ÇÔ¼ö·Î ±×·ìÈ­
__Timestamp¿Í ´Ù¸¥ ¿­À» ±âÁØÀ¸·Î ±×·ìÈ­

13Àå. matplotlib, pandas, seabornÀ» ÀÌ¿ëÇÑ ½Ã°¢È­

__¼Ò°³
__matplotlib·Î ½ÃÀÛ
__matplotlib¿¡ ´ëÇÑ °´Ã¼ÁöÇâ °¡À̵å
__matplotlib·Î µ¥ÀÌÅÍ ½Ã°¢È­
__pandas¸¦ »ç¿ëÇÑ ±âº» µµ½ÄÈ­
__flights µ¥ÀÌÅͼ ½Ã°¢È­
__»õ·Î¿î °æÇâÀ» ¹ß°ßÇϱâ À§ÇÑ ´©Àû ¿µ¿ª Â÷Æ®
__seaborn°ú pandasÀÇ Â÷ÀÌÁ¡
__seaborn ±×¸®µå¸¦ »ç¿ëÇÑ ´Ùº¯·® ºÐ¼®
__seabornÀ¸·Î diamonds µ¥ÀÌÅͼÂÀÇ ½É½¼ ¿ª¼³ ¹ß°ß

14Àå. pandas µð¹ö±ë°ú Å×½ºÆ®

__µ¥ÀÌÅ͸¦ º¯È¯ÇÏ´Â ÄÚµå
__Apply ¼º´É
__Dask, Pandarell, Swifter µîÀ¸·Î apply ¼º´É Çâ»ó
__ÄÚµå °Ë»ç
__Jupyter¿¡¼­ÀÇ µð¹ö±ë
__Great Expectations¸¦ ÀÌ¿ëÇÑ µ¥ÀÌÅÍ ¹«°á¼º °ü¸®
__pandas¿Í ÇÔ²² pytest »ç¿ë
__Hypothesis¸¦ »ç¿ëÇØ Å×½ºÆ® »ý¼º

ÀúÀÚ¼Ò°³

¸ÅÆ® ÇØ¸®½¼ [Àú] ½ÅÀ۾˸² SMS½Åû ÀÛ°¡DBº¸±â
»ý³â¿ùÀÏ -
Ãâ»ýÁö -
Ãâ°£µµ¼­ 0Á¾
ÆÇ¸Å¼ö 0±Ç

2000³âºÎÅÍ ÆÄÀ̽ãÀ» »ç¿ëÇØ ¿Ô´Ù. ÆÄÀ̽ã°ú µ¥ÀÌÅÍ °úÇп¡ ´ëÇÑ ±â¾÷ ±³À°À» Á¦°øÇÏ´Â ¸ÞŸ½º³×ÀÌÅ©(MetaSnake)¸¦ ¿î¿µÇϰí ÀÖ´Ù.
¡ºMachine Learning Pocket Reference¡»(O'Reilly, 2019), º£½ºÆ®¼¿·¯ÀÎ ¡ºIllustrated Guide to Python 3¡»(2017), ¡ºLearning the Pandas Library¡»(2016) µî ¿©·¯ Ã¥ÀÇ ÀúÀÚ´Ù.

½Ã¾îµµ¾î ÆäÆ®·Î¿ì(Theodore Petrou) [Àú] ½ÅÀ۾˸² SMS½Åû ÀÛ°¡DBº¸±â
»ý³â¿ùÀÏ -
Ãâ»ýÁö -
Ãâ°£µµ¼­ 2Á¾
ÆÇ¸Å¼ö 85±Ç

µ¥ÀÌÅÍ °úÇÐÀÚÀÌÀÚ Å½»ö µ¥ÀÌÅÍ ºÐ¼®¿¡ ÁßÁ¡À» µÎ°í ÀÖ´Â ±³À° ȸ»ç ´ø´õ µ¥ÀÌÅÍ(Dunder Data)ÀÇ ¼³¸³ÀÚ´Ù. ¹ÌÆ®¾÷(Meetup) ±×·ìÀÎ ÈÞ½ºÅÏ µ¥ÀÌÅÍ °úÇÐÀÇ Çìµå·Î, ÀÌ ±×·ìÀº 2,000¿© ¸íÀÇ ¸â¹ö¸¦ °®°í ÀÖ°í °°Àº °ø°£¿¡¼­ µ¥ÀÌÅÍ °úÇÐÀ» ÇнÀÇϱâ À§ÇÑ °øµ¿Ã¼¸¦ Çü¼ºÇÏ´Â °ÍÀ» ÁÖ¸ñÀûÀ¸·Î Çϰí ÀÖ´Ù. ´ø´õ µ¥ÀÌÅ͸¦ ¼³¸³Çϱâ Àü¿¡´Â ´ë±Ô¸ð Á¤À¯ ȸ»çÀÎ ½¶·ëº£¸£°Å(Schlumberger)¿¡¼­ µ¥ÀÌÅÍ °úÇÐÀÚ·Î ±Ù¹«Çߴµ¥, ´ëºÎºÐÀÇ ½Ã°£À» µ¥ÀÌÅÍ ºÐ¼® ¾÷¹«¿¡ ÇÒ¾ÖÇß´Ù.
¿£Áö´Ï¾î ÅØ½ºÆ®·ÎºÎÅÍ ºÎǰ °íÀåÀÇ ±Ùº» ¿øÀÎÀ» ÆÄ¾ÇÇϴ Ÿ±êÈ­µÈ °¨Á¤ ºÐ¼®, Ä¿½ºÅ͸¶ÀÌÁîµÈ ´ë½Ãº¸µå ÀÀ

ÆîÃ帱â
(ÁÖ)Å©¶ó½º·¦ [¿ª] ½ÅÀ۾˸² SMS½Åû ÀÛ°¡DBº¸±â
»ý³â¿ùÀÏ -
Ãâ»ýÁö -
Ãâ°£µµ¼­ 0Á¾
ÆÇ¸Å¼ö 0±Ç

(ÁÖ)Å©¶ó½º·¦Àº ÀΰøÁö´ÉÀ» ±â¹ÝÀ¸·Î ´Ù¾çÇÑ ¿¬±¸¸¦ ¼öÇàÇϰí ÀÖÀ¸¸ç, ƯÈ÷ ±ÝÀ¶ ºÐ¼®°ú ÇÉÅ×Å©¿¡ ÁßÁ¡À» µÎ°í ÀÖ´Ù. KAIST Àü»êÇаú °è»êÀÌ·Ð ¿¬±¸½Ç Ãâ½ÅÀÇ À̺´¿í ´ëÇ¥°¡ À̲ø°í ÀÖ´Ù. À̺´¿í ´ëÇ¥´Â ºí·ÏüÀÎÀÇ ÃÖ°í Àü¹®°¡À̸ç, Àú¼­·Î´Â ¡ººñÆ®ÄÚÀΰú ºí·ÏüÀÎ, °¡»óÀÚ»êÀÇ ½Çü 2/e¡»(¿¡ÀÌÄÜ, 2020), ¡ººí·ÏüÀÎ ÇØ¼³¼­¡»(¿¡ÀÌÄÜ, 2019)°¡ ÀÖ°í, ±×Áß ¡ººí·ÏüÀÎ ÇØ¼³¼­¡»´Â ´ëÇѹα¹Çмú¿øÀÌ ¼±Á¤ÇÑ 2019 ±³À°ºÎ ¿ì¼öÇмúµµ¼­À̱⵵ ÇÏ´Ù.

ÀÌ »óǰÀÇ ½Ã¸®Áî

(ÃÑ 57±Ç / ÇöÀ籸¸Å °¡´Éµµ¼­ 55±Ç)

ÆîÃ帱â

ÄÄÇ»ÅÍ/ÀÎÅÍ³Ý ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

    ¸®ºä

    0.0 (ÃÑ 0°Ç)

    ±¸¸Å ÈÄ ¸®ºä ÀÛ¼º ½Ã, ºÏÇǴϾð Áö¼ö ÃÖ´ë 600Á¡

    ¸®ºä¾²±â

    ±â´ëÆò

    ÀÛ¼º½Ã À¯ÀÇ»çÇ×

    ÆòÁ¡
    0/200ÀÚ
    µî·ÏÇϱâ

    ±â´ëÆò

    0.0

    ±³È¯/ȯºÒ

    ±³È¯/ȯºÒ ¹æ¹ý

    ¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹Ýǰ/±³È¯/ȯºÒ¡¯ ¿¡¼­ ½ÅûÇÔ, 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¶Ç´Â °í°´¼¾ÅÍ(1577-2555) ÀÌ¿ë °¡´É

    ±³È¯/ȯºÒ °¡´É ±â°£

    °í°´º¯½ÉÀº Ãâ°í¿Ï·á ´ÙÀ½³¯ºÎÅÍ 14ÀÏ ±îÁö¸¸ ±³È¯/ȯºÒÀÌ °¡´ÉÇÔ

    ±³È¯/ȯºÒ ºñ¿ë

    °í°´º¯½É ¶Ç´Â ±¸¸ÅÂø¿ÀÀÇ °æ¿ì¿¡¸¸ 2,500¿ø Åùèºñ¸¦ °í°´´ÔÀÌ ºÎ´ãÇÔ

    ±³È¯/ȯºÒ ºÒ°¡»çÀ¯

    ¹ÝǰÁ¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óǰ È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡ÇÒ ¼ö ÀÖÀ½
    ¹è¼ÛµÈ »óǰÀÇ ºÐ½Ç, »óǰÆ÷ÀåÀÌ ÈÑ¼ÕµÈ °æ¿ì, ºñ´Ò·¦ÇÎµÈ »óǰÀÇ ºñ´Ò °³ºÀ½Ã ±³È¯/¹ÝǰÀÌ ºÒ°¡´ÉÇÔ

    ¼ÒºñÀÚ ÇÇÇØº¸»ó

    ¼ÒºñÀÚ ÇÇÇØº¸»óÀÇ ºÐÀïó¸® µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á±âÁØ(°øÁ¤°Å·¡À§¿øÈ¸ °í½Ã)¿¡ µû¶ó ºñÇØ º¸»ó ¹ÞÀ» ¼ö ÀÖÀ½
    ±³È¯/¹Ýǰ/º¸ÁõÁ¶°Ç ¹× ǰÁúº¸Áõ ±âÁØÀº ¼ÒºñÀڱ⺻¹ý¿¡ µû¸¥ ¼ÒºñÀÚ ºÐÀï ÇØ°á ±âÁØ¿¡ µû¶ó ÇÇÇØ¸¦ º¸»ó ¹ÞÀ» ¼ö ÀÖÀ½

    ±âŸ

    µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó ǰÀý/ÀýÆÇ µîÀÇ »çÀ¯·Î ÁÖ¹®ÀÌ Ãë¼ÒµÉ ¼ö ÀÖÀ½(ÀÌ °æ¿ì ÀÎÅÍÆÄÅ©µµ¼­¿¡¼­ °í°´´Ô²² º°µµ·Î ¿¬¶ôÇÏ¿© °íÁöÇÔ)

    ¹è¼Û¾È³»

    • ÀÎÅÍÆÄÅ© µµ¼­ »óǰÀº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óǰÀ» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù

    • Ãâ°í°¡´É ½Ã°£ÀÌ ¼­·Î ´Ù¸¥ »óǰÀ» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óǰÀ» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.

    • ±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÏ¿©, ÀÎÅÍÆÄÅ© ¿Ü Ÿ¾÷ü ¹è¼Û»óǰÀÎ °æ¿ì ¹ß¼ÛµÇÁö ¾ÊÀ» ¼ö ÀÖ½À´Ï´Ù.

    • ¹è¼Ûºñ

    µµ¼­(Áß°íµµ¼­ Æ÷ÇÔ) ±¸¸Å

    2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    À½¹Ý/DVD/ÀâÁö/¸¸È­ ±¸¸Å

    2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    µµ¼­¿Í À½¹Ý/DVD/ÀâÁö/¸¸È­/
    Áß°íÁ÷¹è¼Û»óǰÀ» ÇÔ²² ±¸¸Å

    2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    ¾÷üÁ÷Á¢¹è¼Û»óǰ ±¸¸Å

    ¾÷üº° »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë