±¹³»µµ¼
ÄÄÇ»ÅÍ/ÀÎÅͳÝ
IT Àü¹®¼
ÇÁ·Î±×·¡¹Ö ¾ð¾î
2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.
Á¤°¡ |
45,000¿ø |
---|
40,500¿ø (10%ÇÒÀÎ)
2,250P (5%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼(55)
»çÀºÇ°(4)
ÀÌ»óǰÀÇ ºÐ·ù
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鼵µ 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, '±×·ìȸ¦ 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. ±×·ìȸ¦ 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
»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.
»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
¿ë, ÆÇ¸Å »óǰ °¡°Ý »êÁ¤ ¿À·ù¸¦ ¸·±â À§ÇÑ ½Ç½Ã°£ À¥ ¼ºñ½º µîÀÇ ÇÁ·ÎÁ§Æ®¸¦ ¼öÇàÇß´Ù. ¶óÀ̽º(Rice) ´ëÇп¡¼ Åë°èÇÐÀ¸·Î ¼®»ç ÇÐÀ§¸¦ ¹Þ¾Ò°í, µ¥ÀÌÅÍ °úÇÐÀÚ°¡ µÇ±â Àü¿¡´Â ºÐ¼® ±â¼úÀ» ÀÌ¿ëÇØ Á÷¾÷ Æ÷Ä¿ °ÔÀÓÀ» Çϱ⵵ ÇßÀ¸¸ç, ¼öÇÐÀ» °¡¸£Ä¡±âµµ Çß´Ù. ½Ç½ÀÀ» ÅëÇÑ ÇнÀÀ» °Á¶ÇÏ¸ç ½ºÅà ¿À¹öÇ÷ο¡¼ Pandas °ü·Ã ´äº¯À» ÀÚÁÖ Çϰï ÇÑ´Ù.
»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.
¿ªÀÚÀÇ ´Ù¸¥Ã¥
Àüüº¸±âÅÙ¼Ç÷Π2¿Í Äɶ󽺷Π±¸ÇöÇÏ´Â µö·¯´× 2/...
ÁÖ°£·©Å·
´õº¸±â»óǰÁ¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
ÀÌ »óǰÀÇ ½Ã¸®Áî
(ÃÑ 57±Ç / ÇöÀ籸¸Å °¡´Éµµ¼ 55±Ç)
ÄÄÇ»ÅÍ/ÀÎÅÍ³Ý ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
¸®ºä
±¸¸Å ÈÄ ¸®ºä ÀÛ¼º ½Ã, ºÏÇǴϾð Áö¼ö ÃÖ´ë 600Á¡
±â´ëÆò
±â´ëÆò
±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 |
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 |
±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/ |
2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û) |
¾÷üÁ÷Á¢¹è¼Û»óǰ ±¸¸Å |
¾÷üº° »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë |