20200323 - 파이썬 탐색적 데이터 분석 - 전처리, 그룹 연산

ml_pandas05_0323호지수-1.ipynb

0.04MB

ml_pandas06_0323호지수-2.ipynb

0.18MB

ml_탐색적 데이터 분석_평가_호지수.ipynb

0.04MB

ml_pandas05_0323호지수-1 - Jupyter Notebook.pdf

0.29MB

ml_pandas06_0323호지수-2 - Jupyter Notebook.pdf

0.56MB

ml_탐색적 데이터 분석_평가_호지수 - Jupyter Notebook.pdf

0.22MB

 

데이터프레임 병합

merge()함수는 sql의 join 명령과 비슷한 방식으로 어떤 기준에 의해 두 데이터프레임을 병합 하는 개념

기준이 되는 열이나 인덱스를 키라고 부름

키가 되는 열이나 인덱스는 반드시 양쪽 데이터프레임에 모두 존재함

In [12]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd df1 = pd.read_excel('stock price.xlsx') df2 = pd.read_excel('stock valuation.xlsx')   display(df1) display(df2) # eps : 주당 순이익 # per : 주가 수익비율로 주가를 주당 순이익(eps)으로 나눈 것 # bps : 기업의 현재 순자산을 총 발행주식수로 나눈 것 # pbr : 주가 / 주당순자산 (주당순자산 - (총자산-총부채) / 발행주식수)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가

열 너비 조절

행 높이 조절

	id	stock_name	value	price
0	128940	한미약품	59385.666667	421000
1	130960	CJ E&M	58540.666667	98900
2	138250	엔에스쇼핑	14558.666667	13200
3	139480	이마트	239230.833333	254500
4	142280	녹십자엠에스	468.833333	10200
5	145990	삼양사	82750.000000	82000
6	185750	종근당	40293.666667	100500
7	192400	쿠쿠홀딩스	179204.666667	177500
8	199800	툴젠	-2514.333333	115400
9	204210	모두투어리츠	3093.333333	3475

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가

열 너비 조절

행 높이 조절

	id	name	eps	bps	per	pbr
0	130960	CJ E&M	6301.333333	54068	15.695091	1.829178
1	136480	하림	274.166667	3551	11.489362	0.887074
2	138040	메리츠금융지주	2122.333333	14894	6.313806	0.899691
3	139480	이마트	18268.166667	295780	13.931338	0.860437
4	145990	삼양사	5741.000000	108090	14.283226	0.758627
5	161390	한국타이어	5648.500000	51341	7.453306	0.820007
6	181710	NHN엔터테인먼트	2110.166667	78434	30.755864	0.827447
7	185750	종근당	3990.333333	40684	25.185866	2.470259
8	204210	모두투어리츠	85.166667	5335	40.802348	0.651359
9	207940	삼성바이오로직스	4644.166667	60099	89.790059	6.938551

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [34]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 데이터프레임 합치기 - 교집합 # on = 'None', how='inner' 옵션이 기본값으로 적용 # on = 'None' 옵션은 두 데이터프레임에 공통으로 속하는 모든 열을 기준(키)로 병합한다는 의미 merge_inner = pd.merge(df1,df2)# 조건이 없으면 id를 기준으로 교집합처리한다. display(merge_inner)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	id	stock_name	value	price	name	eps	bps	per	pbr
0	130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068	15.695091	1.829178
1	139480	이마트	239230.833333	254500	이마트	18268.166667	295780	13.931338	0.860437
2	145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090	14.283226	0.758627
3	185750	종근당	40293.666667	100500	종근당	3990.333333	40684	25.185866	2.470259
4	204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335	40.802348	0.651359

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. df1, df2의 합집합 구한 후 출력

In [27]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 데이터프레임 합치기 - 왼쪽 데이터프레임 기준, 키 값 분리 # how_left : 왼쪽 df의 키 열에 속하는 데이터 값 기준으로 병합 # left_on, right_on : 좌우 df에 각각 다르게 키를 지정. id_x, id_y 구분하여 표시 merge_left = pd.merge(df1, df2, how='left', left_on='stock_name', right_on='name') display(merge_left.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가
• 10열 선택10열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	id_x	stock_name	value	price	id_y	name	eps	bps	per	pbr
0	128940	한미약품	59385.666667	421000	NaN	NaN	NaN	NaN	NaN	NaN
1	130960	CJ E&M	58540.666667	98900	130960.0	CJ E&M	6301.333333	54068.0	15.695091	1.829178
2	138250	엔에스쇼핑	14558.666667	13200	NaN	NaN	NaN	NaN	NaN	NaN
3	139480	이마트	239230.833333	254500	139480.0	이마트	18268.166667	295780.0	13.931338	0.860437
4	142280	녹십자엠에스	468.833333	10200	NaN	NaN	NaN	NaN	NaN	NaN

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [ ]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

merge_left = pd.merge(df1, df2, how='right', left_on='stock_name', right_on='name') display(merge_left.head(6))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

 

전송중...

사진 설명을 입력하세요.

In [36]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

price = df1[df1['price']<50000] display(price)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가

열 너비 조절

행 높이 조절

	id	stock_name	value	price
2	138250	엔에스쇼핑	14558.666667	13200
4	142280	녹십자엠에스	468.833333	10200
9	204210	모두투어리츠	3093.333333	3475

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. df2에서 per가 30보다 크고 pbr이 0.8보다 큰 데이터를 모두 출력하세요.

In [37]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pcon = df2[(df2.per>30) & (df2.pbr>0.8)] display(pcon)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가

열 너비 조절

행 높이 조절

	id	name	eps	bps	per	pbr
6	181710	NHN엔터테인먼트	2110.166667	78434	30.755864	0.827447
9	207940	삼성바이오로직스	4644.166667	60099	89.790059	6.938551

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

데이터프레임 결합

판다스 join() 메소드는 merge()함수를 기반으로 만들어졌기 때문에 기본 작동 방식이 서로 비슷

join() 메소드는 두 데이터프레임의 '행 인덱스'를 기준으로 결합하는 점에서 merge와 차이가 있으나 on=keys 옵션 설정하면 열을 기준으로 결합

In [41]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd # 주식 데이터를 가져와서 데이터프레임 만들기 df1 = pd.read_excel('stock price.xlsx', index_col='id') df2 = pd.read_excel('stock valuation.xlsx', index_col='id')   display(df1.head()) display(df2.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가

열 너비 조절

행 높이 조절

	stock_name	value	price
id
128940	한미약품	59385.666667	421000
130960	CJ E&M	58540.666667	98900
138250	엔에스쇼핑	14558.666667	13200
139480	이마트	239230.833333	254500
142280	녹십자엠에스	468.833333	10200

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가

열 너비 조절

행 높이 조절

	name	eps	bps	per	pbr
id
130960	CJ E&M	6301.333333	54068	15.695091	1.829178
136480	하림	274.166667	3551	11.489362	0.887074
138040	메리츠금융지주	2122.333333	14894	6.313806	0.899691
139480	이마트	18268.166667	295780	13.931338	0.860437
145990	삼양사	5741.000000	108090	14.283226	0.758627

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [42]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 데이터프레임 결합(join) # df1의 행 인덱스를 기준으로 결합하는 how='left' 옵션이 기본 적용 df3 = df1.join(df2) display(df3)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가
• 11행 선택11행 다음에 행 추가

열 너비 조절

행 높이 조절

	stock_name	value	price	name	eps	bps	per	pbr
id
128940	한미약품	59385.666667	421000	NaN	NaN	NaN	NaN	NaN
130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068.0	15.695091	1.829178
138250	엔에스쇼핑	14558.666667	13200	NaN	NaN	NaN	NaN	NaN
139480	이마트	239230.833333	254500	이마트	18268.166667	295780.0	13.931338	0.860437
142280	녹십자엠에스	468.833333	10200	NaN	NaN	NaN	NaN	NaN
145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090.0	14.283226	0.758627
185750	종근당	40293.666667	100500	종근당	3990.333333	40684.0	25.185866	2.470259
192400	쿠쿠홀딩스	179204.666667	177500	NaN	NaN	NaN	NaN	NaN
199800	툴젠	-2514.333333	115400	NaN	NaN	NaN	NaN	NaN
204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335.0	40.802348	0.651359

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

---

그룹 연산

복잡한 데이터를 어떤 기준에 따라 여러 그룹으로 나누어서 관찰할 수 있으며 이런 방식으로 분할 처리하는 것을 그룹 연산이라 함

그룹 연산은 데이터를 집계, 변환, 필터링하는데 효율적이며 판다스 groupby() 메소드를 사용함

그룹 객체 만들기(분할)

그룹 연산 메소드(적용-결합)

In [29]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import seaborn as sns   # titanic 데이터셋에서 age, sex 등 5개 열을 선택하여 데이터프레임 만들기 titanic = sns.load_dataset('titanic') df = titanic.loc[:,['age', 'sex', 'class', 'fare', 'survived']]   print('승객 수 :', len(df)) display(df.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

승객 수 : 891

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
0	22.0	male	Third	7.2500	0
1	38.0	female	First	71.2833	1
2	26.0	female	Third	7.9250	1
3	35.0	female	First	53.1000	1
4	35.0	male	Third	8.0500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [30]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# class 열을 기준으로 분할(1개 열을 기준) grouped = df.groupby(['class']) print(grouped) list(grouped)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002AD4F038788>

Out[30]:

[('First', age sex class fare survived 1 38.0 female First 71.2833 1 3 35.0 female First 53.1000 1 6 54.0 male First 51.8625 0 11 58.0 female First 26.5500 1 23 28.0 male First 35.5000 1 .. ... ... ... ... ... 871 47.0 female First 52.5542 1 872 33.0 male First 5.0000 0 879 56.0 female First 83.1583 1 887 19.0 female First 30.0000 1 889 26.0 male First 30.0000 1 [216 rows x 5 columns]), ('Second', age sex class fare survived 9 14.0 female Second 30.0708 1 15 55.0 female Second 16.0000 1 17 NaN male Second 13.0000 1 20 35.0 male Second 26.0000 0 21 34.0 male Second 13.0000 1 .. ... ... ... ... ... 866 27.0 female Second 13.8583 1 874 28.0 female Second 24.0000 1 880 25.0 female Second 26.0000 1 883 28.0 male Second 10.5000 0 886 27.0 male Second 13.0000 0 [184 rows x 5 columns]), ('Third', age sex class fare survived 0 22.0 male Third 7.2500 0 2 26.0 female Third 7.9250 1 4 35.0 male Third 8.0500 0 5 NaN male Third 8.4583 0 7 2.0 male Third 21.0750 0 .. ... ... ... ... ... 882 22.0 female Third 10.5167 0 884 25.0 male Third 7.0500 0 885 39.0 female Third 29.1250 0 888 NaN female Third 23.4500 0 890 32.0 male Third 7.7500 0 [491 rows x 5 columns])]

In [3]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 그룹 객체를 iteration 으로 출력 : head() 메소드로 첫 5행만을 출력 for key, group in grouped: print('* key:',key) print('* number:',len(group)) print(group.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: First * number: 216 age sex class fare survived 1 38.0 female First 71.2833 1 3 35.0 female First 53.1000 1 6 54.0 male First 51.8625 0 11 58.0 female First 26.5500 1 23 28.0 male First 35.5000 1 * key: Second * number: 184 age sex class fare survived 9 14.0 female Second 30.0708 1 15 55.0 female Second 16.0000 1 17 NaN male Second 13.0000 1 20 35.0 male Second 26.0000 0 21 34.0 male Second 13.0000 1 * key: Third * number: 491 age sex class fare survived 0 22.0 male Third 7.2500 0 2 26.0 female Third 7.9250 1 4 35.0 male Third 8.0500 0 5 NaN male Third 8.4583 0 7 2.0 male Third 21.0750 0

In [64]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 연산 메소드 적용 average = grouped.mean() display(average) # survived 의 0.~~ 은 생존확률을 의미 type(average)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
class
First	38.233441	84.154687	0.629630
Second	29.877630	20.662183	0.472826
Third	25.140620	13.675550	0.242363

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[64]:

pandas.core.frame.DataFrame

In [5]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

stat = grouped.max() stat2 = grouped.min() display(stat) display(stat2)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
class
First	80.0	male	512.3292	1
Second	70.0	male	73.5000	1
Third	74.0	male	69.5500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
class
First	0.92	female	0.0	0
Second	0.67	female	0.0	0
Third	0.42	female	0.0	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. 'Third' 그룹만을 선택해서 group3 이름으로 저장하고 통계요약표를 출력하세요.

In [65]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

group3 = grouped.get_group('Third') # Third 에 대한 그룹만 가져오기 display(group3.head()) type(group3)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
0	22.0	male	7.2500	0
2	26.0	female	7.9250	1
4	35.0	male	8.0500	0
5	NaN	male	8.4583	0
7	2.0	male	21.0750	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[65]:

pandas.core.frame.DataFrame

In [7]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

group3.describe()

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[7]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
count	355.000000	491.000000	491.000000
mean	25.140620	13.675550	0.242363
std	12.495398	11.778142	0.428949
min	0.420000	0.000000	0.000000
25%	18.000000	7.750000	0.000000
50%	24.000000	8.050000	0.000000
75%	32.000000	15.500000	0.000000
max	74.000000	69.550000	1.000000

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [8]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

group1 = grouped.get_group('First') display(group1.describe())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
count	186.000000	216.000000	216.000000
mean	38.233441	84.154687	0.629630
std	14.802856	78.380373	0.484026
min	0.920000	0.000000	0.000000
25%	27.000000	30.923950	0.000000
50%	37.000000	60.287500	1.000000
75%	49.000000	93.500000	1.000000
max	80.000000	512.329200	1.000000

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. class 열, sex 열을 기준으로 분할하여 grouped_two에 저장하세요.

In [9]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# class열, sex열을 기준으로 분할(여러 열을 기준으로 분할) grouped_two = df.groupby(['class', 'sex'])

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. grouped_two 그룹 객체를 for문을 사용, iteration으로 출력하세요

In [10]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# grouped_two 그룹 객체를 iteration 으로 출력 for key, group in grouped_two: print('* key:',key) print('* number:',len(group)) display(group.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('First', 'female') * number: 94

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
1	38.0	female	First	71.2833	1
3	35.0	female	First	53.1000	1
11	58.0	female	First	26.5500	1
31	NaN	female	First	146.5208	1
52	49.0	female	First	76.7292	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('First', 'male') * number: 122

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
6	54.0	male	First	51.8625	0
23	28.0	male	First	35.5000	1
27	19.0	male	First	263.0000	0
30	40.0	male	First	27.7208	0
34	28.0	male	First	82.1708	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('Second', 'female') * number: 76

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
9	14.0	female	Second	30.0708	1
15	55.0	female	Second	16.0000	1
41	27.0	female	Second	21.0000	0
43	3.0	female	Second	41.5792	1
53	29.0	female	Second	26.0000	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('Second', 'male') * number: 108

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
17	NaN	male	Second	13.0	1
20	35.0	male	Second	26.0	0
21	34.0	male	Second	13.0	1
33	66.0	male	Second	10.5	0
70	32.0	male	Second	10.5	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('Third', 'female') * number: 144

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
2	26.0	female	Third	7.9250	1
8	27.0	female	Third	11.1333	1
10	4.0	female	Third	16.7000	1
14	14.0	female	Third	7.8542	0
18	31.0	female	Third	18.0000	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

* key: ('Third', 'male') * number: 347

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
0	22.0	male	Third	7.2500	0
4	35.0	male	Third	8.0500	0
5	NaN	male	Third	8.4583	0
7	2.0	male	Third	21.0750	0
12	20.0	male	Third	8.0500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. grouped_two 그룹 객체에 연산 메소드 적용, 각 그룹의 평균값을 구한 후 출력하세요.

In [11]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

average_two = grouped_two.mean() display(average_two)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가

열 너비 조절

행 높이 조절

		age	fare	survived
class	sex
First	female	34.611765	106.125798	0.968085
	male	41.281386	67.226127	0.368852
Second	female	28.722973	21.970121	0.921053
	male	30.740707	19.741782	0.157407
Third	female	21.750000	16.118810	0.500000
	male	26.507589	12.661633	0.135447

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [12]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# Q grouped_two 그룹 객체에 연산 메소드 적용, 각 그룹의 평균값을 구한 후 출력하세요./ df=df.replace('male',1).replace('female',0).replace('First',1).replace('Second',2).replace('Third',3) df=df.corr() sns.clustermap(df, annot = True, # 실제 값 화면에 나타내기 cmap = 'RdYlBu_r', # Red, Yellow, Blue 색상으로 표시 vmin = -1, vmax = 1, #컬러차트 -1 ~ 1 범위로 표시 )

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

 

전송중...

사진 설명을 입력하세요.

Out[12]:

<seaborn.matrix.ClusterGrid at 0x2ad4e987b48>

Q. grouped_two 그룹 객체에서 ('Third',female) 그룹을 선택해서 group3f에 저장하고 처음 5개행을 출력하세요.

In [13]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

print(type(average_two))   #grouped_two 그룹 객체에서 개별 그룹 선택하기 group3f = grouped_two.get_group(('Third','female')) display(group3f)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<class 'pandas.core.frame.DataFrame'>

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가
• 11행 선택11행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
2	26.0	female	Third	7.9250	1
8	27.0	female	Third	11.1333	1
10	4.0	female	Third	16.7000	1
14	14.0	female	Third	7.8542	0
18	31.0	female	Third	18.0000	0
...	...	...	...	...	...
863	NaN	female	Third	69.5500	0
875	15.0	female	Third	7.2250	1
882	22.0	female	Third	10.5167	0
885	39.0	female	Third	29.1250	0
888	NaN	female	Third	23.4500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

144 rows × 5 columns

적용 - 결합

데이터 집계(agg), 변환(transform), 필터링(filter), 객체에 함수 매핑(apply)

In [14]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import seaborn as sns   # titanic 데이터셋에서 age, sex 등 5개 열을 선택하여 데이터프레임 만들기 df = titanic.loc[:,['age', 'sex', 'class', 'fare', 'survived']]   #class 열을 기준으로 분할 grouped = df.groupby(['class']) # list(grouped)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [15]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 각 그룹에 대한 모든 열의 표준편차를 집계하여 데이터프레임으로 변환 std_all = grouped.std() # 표준편차를 그룹으로 저장 display(std_all) print(type(std_all))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
class
First	14.802856	78.380373	0.484026
Second	14.001077	13.417399	0.500623
Third	12.495398	11.778142	0.428949

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<class 'pandas.core.frame.DataFrame'>

(Z = X-μ/σ) Z-score : 평균값에서 표준편차의 몇배 정도 떨어져 있다는 것을 평가하는 수치

분자 : 개별 데이터가 평균으로부터 얼마나 떨어져 있는가

Z-score : 그 떨어진 정도가 그 집단의 표준편차의 몇 배 인가

표준 정규분포로 환산했을 경우

표준편차 ±1(1시그마)배의 범위 내에 약 68% 데이터가 들어감

표준편차 ±2(2시그마)배의 범위 내에 약 95% 데이터가 들어감

표준편차 ±3(3시그마)배의 범위 내에 약 99% 데이터가 들어감

In [16]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 각 그룹에 대한 fare 열의 표준편차를 집계하여 시리즈로 반환 std_fare = grouped.fare.std() display(std_fare) print(type(std_fare))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

class First 78.380373 Second 13.417399 Third 11.778142 Name: fare, dtype: float64

<class 'pandas.core.series.Series'>

Q.최대값-최소값을 반환하는 사용자함수를 정의하고 agg() 함수에 인수로 전달하여 그룹별로 집계하여 agg_minmax 이름으로 저장 후 처음 5개 행을 출력하세요.

In [17]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

def min_max(x): return x.max() - x.min()   agg_minmax = grouped.agg(min_max) display(agg_minmax.head()) # 각 클래스(객실등급)별로 (최대값 - 최소값)의 결과 차이를 볼 수 있다.(분포 확인 가능)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
class
First	79.08	512.3292	1
Second	69.33	73.5000	1
Third	73.58	69.5500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [18]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 여러 함수를 각 열에 동일하게 적용하여 집계 agg_all = grouped.agg(['min','max']) display(agg_all.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age		sex		fare		survived
	min	max	min	max	min	max	min	max
class
First	0.92	80.0	female	male	0.0	512.3292	0	1
Second	0.67	70.0	female	male	0.0	73.5000	0	1
Third	0.42	74.0	female	male	0.0	69.5500	0	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. grouped 에 각 열마다 다른 함수를 적용하여 agg_sep이름으로 저장하고 출력하세요.

('fare'는 'min, max', 'age'는 'mean)

In [19]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 각 열마다 다른 함수를 적용하여 집계 agg_sep = grouped.agg({'fare':['min','max'], 'age':'mean'}) display(agg_sep.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	fare		age
	min	max	mean
class
First	0.0	512.3292	38.233441
Second	0.0	73.5000	29.877630
Third	0.0	69.5500	25.140620

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [61]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import seaborn as sns   #titanic 데이터셋에서 age, sex 등 5개 열을 선택하여 데이터프레임 만들기 titanic = sns.load_dataset('titanic') df = titanic.loc[:,['age','sex','class','fare','survived']]   #class 열을 기준으로 분할 grouped = df.groupby(['class']) display(grouped) display(grouped.count()) display(grouped.sum()) display(list(grouped))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002AD4F456888>

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
class
First	186	216	216	216
Second	173	184	184	184
Third	355	491	491	491

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
class
First	7111.42	18177.4125	136
Second	5168.83	3801.8417	87
Third	8924.92	6714.6951	119

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

[('First', age sex class fare survived 1 38.0 female First 71.2833 1 3 35.0 female First 53.1000 1 6 54.0 male First 51.8625 0 11 58.0 female First 26.5500 1 23 28.0 male First 35.5000 1 .. ... ... ... ... ... 871 47.0 female First 52.5542 1 872 33.0 male First 5.0000 0 879 56.0 female First 83.1583 1 887 19.0 female First 30.0000 1 889 26.0 male First 30.0000 1 [216 rows x 5 columns]), ('Second', age sex class fare survived 9 14.0 female Second 30.0708 1 15 55.0 female Second 16.0000 1 17 NaN male Second 13.0000 1 20 35.0 male Second 26.0000 0 21 34.0 male Second 13.0000 1 .. ... ... ... ... ... 866 27.0 female Second 13.8583 1 874 28.0 female Second 24.0000 1 880 25.0 female Second 26.0000 1 883 28.0 male Second 10.5000 0 886 27.0 male Second 13.0000 0 [184 rows x 5 columns]), ('Third', age sex class fare survived 0 22.0 male Third 7.2500 0 2 26.0 female Third 7.9250 1 4 35.0 male Third 8.0500 0 5 NaN male Third 8.4583 0 7 2.0 male Third 21.0750 0 .. ... ... ... ... ... 882 22.0 female Third 10.5167 0 884 25.0 male Third 7.0500 0 885 39.0 female Third 29.1250 0 888 NaN female Third 23.4500 0 890 32.0 male Third 7.7500 0 [491 rows x 5 columns])]

Q.데이터 개수가 200개 이상인 그룹만을 필터링하여 데이터프레임으로 반환하여 grouped_filter 이름으로 저장 후 처음 5개 행을 출력하세요

In [52]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

grouped_filter = grouped.filter(lambda x : len(x) >= 200) # 그룹의 길이가 200 이상인 것을 조건으로 filtering 하라는 의미 display(grouped_filter.head()) print(type(grouped_filter)) # list(grouped)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
0	22.0	male	Third	7.2500	0
1	38.0	female	First	71.2833	1
2	26.0	female	Third	7.9250	1
3	35.0	female	First	53.1000	1
4	35.0	male	Third	8.0500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<class 'pandas.core.frame.DataFrame'>

Q. age 열의 평균이 30보다 작은 그룹만을 필터링하여 데이터프레임으로 반환하여 age_filter 이름으로 저장 후 끝에서 5개 행을 출력하세요.

In [22]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

age_filter = grouped.filter(lambda x : x.age.mean() < 30) display(age_filter) print(type(age_filter))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가
• 11행 선택11행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
0	22.0	male	Third	7.2500	0
2	26.0	female	Third	7.9250	1
4	35.0	male	Third	8.0500	0
5	NaN	male	Third	8.4583	0
7	2.0	male	Third	21.0750	0
...	...	...	...	...	...
884	25.0	male	Third	7.0500	0
885	39.0	female	Third	29.1250	0
886	27.0	male	Second	13.0000	0
888	NaN	female	Third	23.4500	0
890	32.0	male	Third	7.7500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

675 rows × 5 columns

<class 'pandas.core.frame.DataFrame'>

Q. Class 각 그룹별 요약 통계정보를 집계 출력하세요

소스 : sns.load_dataset('titanic')

컬럼 선택 : ['age','sex','class','fare','survived']

In [23]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

titanic = sns.load_dataset('titanic') df = titanic.loc[:,['age','sex','class','fare','survived']] grouped = df.groupby(['class'])   # 집계 : 각 그룹별 요약 통계정보를 집계 agg_grouped = grouped.apply(lambda x : x.describe()) display(agg_grouped)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가
• 11행 선택11행 다음에 행 추가
• 12행 선택12행 다음에 행 추가
• 13행 선택13행 다음에 행 추가
• 14행 선택14행 다음에 행 추가
• 15행 선택15행 다음에 행 추가
• 16행 선택16행 다음에 행 추가
• 17행 선택17행 다음에 행 추가
• 18행 선택18행 다음에 행 추가
• 19행 선택19행 다음에 행 추가
• 20행 선택20행 다음에 행 추가
• 21행 선택21행 다음에 행 추가
• 22행 선택22행 다음에 행 추가
• 23행 선택23행 다음에 행 추가
• 24행 선택24행 다음에 행 추가
• 25행 선택25행 다음에 행 추가

열 너비 조절

행 높이 조절

		age	fare	survived
class
First	count	186.000000	216.000000	216.000000
	mean	38.233441	84.154687	0.629630
	std	14.802856	78.380373	0.484026
	min	0.920000	0.000000	0.000000
	25%	27.000000	30.923950	0.000000
	50%	37.000000	60.287500	1.000000
	75%	49.000000	93.500000	1.000000
	max	80.000000	512.329200	1.000000
Second	count	173.000000	184.000000	184.000000
	mean	29.877630	20.662183	0.472826
	std	14.001077	13.417399	0.500623
	min	0.670000	0.000000	0.000000
	25%	23.000000	13.000000	0.000000
	50%	29.000000	14.250000	0.000000
	75%	36.000000	26.000000	1.000000
	max	70.000000	73.500000	1.000000
Third	count	355.000000	491.000000	491.000000
	mean	25.140620	13.675550	0.242363
	std	12.495398	11.778142	0.428949
	min	0.420000	0.000000	0.000000
	25%	18.000000	7.750000	0.000000
	50%	24.000000	8.050000	0.000000
	75%	32.000000	15.500000	0.000000
	max	74.000000	69.550000	1.000000

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Z-score를 계산하는 사용자 함수 정의

In [66]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

def z_score(df): return (df-df.mean()) / df.std()   age_zscore = grouped.age.apply(z_score) #기본값 axis=0 print(age_zscore.head())   grouped.plot(kind='box',y='age') # 나이 시각적으로 보기

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

0 -0.251342 1 -0.015770 2 0.068776 3 -0.218434 4 0.789041 Name: age, dtype: float64

Out[66]:

class First AxesSubplot(0.125,0.125;0.775x0.755) Second AxesSubplot(0.125,0.125;0.775x0.755) Third AxesSubplot(0.125,0.125;0.775x0.755) dtype: object

In [67]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# zscore 구하기 # from scipy.stats import zmap # import numpy as np # test = np.array([-0.33, -0.31, 0.55, 0.05, 0.93]) # ctrl = np.array([[-0.65, 1.09, -1.67, -0.32, 1.26], # [0.39, 0.68, -0.28, -0.75, -0.72]]) # zmap(test,ctrl)   # test2 = np.expand_dims(test, axis=0) # test2 = np.concatenate((test2, ctrl)) # zmap(test2,ctrl) # # z = (x - x.mean(axis=0)) / x.std(axis=0)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [74]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 필터링 : age열의 데이터 평균이 30보다 작은 그룹만들 필터링하여 출력 age_filter = grouped.apply(lambda x : x['age'].mean() < 30) display(age_filter) # First 만 30보다 크기 때문에 False for x in age_filter.index: if age_filter[x]==True: age_filter_df = grouped.get_group(x) display(age_filter_df.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

class First False Second True Third True dtype: bool

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
9	14.0	female	30.0708	1
15	55.0	female	16.0000	1
17	NaN	male	13.0000	1
20	35.0	male	26.0000	0
21	34.0	male	13.0000	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	fare	survived
0	22.0	male	7.2500	0
2	26.0	female	7.9250	1
4	35.0	male	8.0500	0
5	NaN	male	8.4583	0
7	2.0	male	21.0750	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [77]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import seaborn as sns # titanic 데이터셋에서 age, sex 등 5개 열을 선택하여 데이터프레임 만들기 titanic = sns.load_dataset('titanic') df = titanic.loc[:, ['age','sex','class','fare','survived']]   # class 열, sex열을 기준으로 분할 grouped = df.groupby(['class','sex'])

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [81]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 그룹 객체에 연산 메서드 적용 print(type(grouped)) gdf = grouped.mean() #std, min, max 원하는 그룹별로 나눠서 사용 가능 display(gdf) # 6개의 그룹 출력 print(type(gdf))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<class 'pandas.core.groupby.generic.DataFrameGroupBy'>

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가

열 너비 조절

행 높이 조절

		age	fare	survived
class	sex
First	female	34.611765	106.125798	0.968085
	male	41.281386	67.226127	0.368852
Second	female	28.722973	21.970121	0.921053
	male	30.740707	19.741782	0.157407
Third	female	21.750000	16.118810	0.500000
	male	26.507589	12.661633	0.135447

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

<class 'pandas.core.frame.DataFrame'>

Q. class 값이 First인 행을 선택하여 출력하세요

In [88]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# class 값이 First인 행을 선택하여 출력 display(gdf.loc['First']) # display(gdf.loc['First','female']) 처럼 원하는 행만 선택 가능

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
sex
female	34.611765	106.125798	0.968085
male	41.281386	67.226127	0.368852

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. class 값이 First 이고, sex 값이 female 인 행을 선택하여 출력하세요

In [90]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

display(gdf.loc['First','female'])

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

age 34.611765 fare 106.125798 survived 0.968085 Name: (First, female), dtype: float64

Q. sex값이 male 인 행을 선택하여 출력하세요

In [96]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# sex 값이 male 인 행을 선택하여 출력 display(gdf.xs('male', level='sex')) # help(gdf.xs) #df.xs(('bird', 'walks'), level=[0, 'locomotion'])

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
class
First	41.281386	67.226127	0.368852
Second	30.740707	19.741782	0.157407
Third	26.507589	12.661633	0.135447

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

피벗

피벗 테이블을 구성하는 4가지 요소(행 인덱스, 열 인덱스, 데이터 값, 데이터 집계함수)에 적용할 데이터프레임의 열을 각각 지정하여 함수의 인자로 전달

In [99]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import seaborn as sns   # IPython 디스플레이 설정 변경 pd.set_option('display.max_columns',10) #출력할 최대 열의 개수 pd.set_option('display.max_colwidth',10) #출력할 열의 너비 # titanic 데이터셋에서 age, sex 등 5개 열을 선택하여 데이터프레임 만들기 titanic = sns.load_dataset('titanic') df = titanic.loc[:, ['age','sex','class','fare','survived']] display(df.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	sex	class	fare	survived
0	22.0	male	Third	7.2500	0
1	38.0	female	First	71.2833	1
2	26.0	female	Third	7.9250	1
3	35.0	female	First	53.1000	1
4	35.0	male	Third	8.0500	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [104]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# 행, 열, 값, 집계에 사용할 열을 1개씩 지정 - 평균 집계 pdf1 = pd.pivot_table(df, # 피벗할 데이터프레임 index='class', # 행 위치에 들어갈 열 columns='sex', # 열 위치에 들어갈 열 values='age', # 데이터로 사용할 열 aggfunc='mean') # 데이터 집계 함수   display(pdf1.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

sex	female	male
class
First	34.611765	41.281386
Second	28.722973	30.740707
Third	21.750000	26.507589

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. 값에 적용하는 집계 함수를 2개 이상 지정할 수 있다. mean, sum을 지정하여 출력하세요.

In [108]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf2 = pd.pivot_table(df, # 피벗할 데이터프레임 index='class', # 행 위치에 들어갈 열 columns='sex', # 열 위치에 들어갈 열 values='survived', # 데이터로 사용할 열 aggfunc=['mean','sum']) # 데이터 집계 함수   display(pdf2.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	mean		sum
sex	female	male	female	male
class
First	0.968085	0.368852	91	45
Second	0.921053	0.157407	70	17
Third	0.500000	0.135447	72	47

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. 행, 열, 값에 사용할 열을 2개 이상 지정할 수 있다. index, values, aggfunc에 각각 2개를 지정하여 출력하세요.

In [116]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3 = pd.pivot_table(df, # 피벗할 데이터프레임 index=['class','sex'], # 행 위치에 들어갈 열 columns='survived', # 열 위치에 들어갈 열 values=['age','fare'], # 데이터로 사용할 열 aggfunc=['mean','max']) # 데이터 집계 함수   display(pdf3)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가

열 너비 조절

행 높이 조절

		mean				max
		age		fare		age		fare
	survived	0	1	0	1	0	1	0	1
class	sex
First	female	25.666667	34.939024	110.60...	105.97...	50.0	63.0	151.55	512.3292
	male	44.581967	36.248000	62.894910	74.637320	71.0	80.0	263.00	512.3292
Second	female	36.000000	28.080882	18.250000	22.288989	57.0	55.0	26.00	65.0000
	male	33.369048	16.022000	19.488965	21.095100	70.0	62.0	73.50	39.0000
Third	female	23.818182	19.329787	19.773093	12.464526	48.0	63.0	69.55	31.3875
	male	27.255814	22.274211	12.204469	15.579696	74.0	45.0	69.55	56.4958

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [119]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pd.set_option('display.max_columns',10) display(pdf3)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가

열 너비 조절

행 높이 조절

		mean				max
		age		fare		age		fare
	survived	0	1	0	1	0	1	0	1
class	sex
First	female	25.666667	34.939024	110.60...	105.97...	50.0	63.0	151.55	512.3292
	male	44.581967	36.248000	62.894910	74.637320	71.0	80.0	263.00	512.3292
Second	female	36.000000	28.080882	18.250000	22.288989	57.0	55.0	26.00	65.0000
	male	33.369048	16.022000	19.488965	21.095100	70.0	62.0	73.50	39.0000
Third	female	23.818182	19.329787	19.773093	12.464526	48.0	63.0	69.55	31.3875
	male	27.255814	22.274211	12.204469	15.579696	74.0	45.0	69.55	56.4958

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q. pdf3에서 xs인덱서를 사용하여 다음사항을 수행 후 출력하세요.

행 인덱스가 First인 행을 선택

행 인덱스가('First','female')인 행을 선택

행 인덱스의 sex 레벨이 male인 행을 선택

Second, male이고, level=[0,'sex'] 행을 선택

열 인덱스가 mean인 데이터를 선택

열 인덱스가 ('mean','age')인 데이터 선택

survived 레벨이 1인 데이터 선택

In [134]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

# xs 인덱서 사용 - 행 선택(default:axis=0) pdf3.loc['First'] # 행 인덱스가 First인 행을 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[134]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	mean				max
	age		fare		age		fare
survived	0	1	0	1	0	1	0	1
sex
female	25.666667	34.939024	110.60...	105.97...	50.0	63.0	151.55	512.3292
male	44.581967	36.248000	62.894910	74.637320	71.0	80.0	263.00	512.3292

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [135]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3.loc['First','female'] #행 인덱스가('First','female')인 행을 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[135]:

survived mean age 0 25.666667 1 34.939024 fare 0 110.60... 1 105.97... max age 0 50.000000 1 63.000000 fare 0 151.55... 1 512.32... Name: (First, female), dtype: float64

In [136]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3.xs('male', level='sex') #행 인덱스의 sex 레벨이 male인 행을 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[136]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가

열 너비 조절

행 높이 조절

	mean				max
	age		fare		age		fare
survived	0	1	0	1	0	1	0	1
class
First	44.581967	36.248000	62.894910	74.637320	71.0	80.0	263.00	512.3292
Second	33.369048	16.022000	19.488965	21.095100	70.0	62.0	73.50	39.0000
Third	27.255814	22.274211	12.204469	15.579696	74.0	45.0	69.55	56.4958

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [138]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

display(pdf3.xs(('Second','male'), level=[0, 'sex']))# Second, male이고, level=[0,'sex'] 행을 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

		mean				max
		age		fare		age		fare
	survived	0	1	0	1	0	1	0	1
class	sex
Second	male	33.369048	16.022	19.488965	21.0951	70.0	62.0	73.5	39.0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [140]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3.xs('mean',axis=1) # 열 인덱스가 mean인 데이터를 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[140]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가

열 너비 조절

행 높이 조절

		age		fare
	survived	0	1	0	1
class	sex
First	female	25.666667	34.939024	110.60...	105.97...
	male	44.581967	36.248000	62.894910	74.637320
Second	female	36.000000	28.080882	18.250000	22.288989
	male	33.369048	16.022000	19.488965	21.095100
Third	female	23.818182	19.329787	19.773093	12.464526
	male	27.255814	22.274211	12.204469	15.579696

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [142]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3.xs(('mean','age'),axis=1) # 열 인덱스가 ('mean','age')인 데이터 선택

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[142]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가

열 너비 조절

행 높이 조절

	survived	0	1
class	sex
First	female	25.666667	34.939024
	male	44.581967	36.248000
Second	female	36.000000	28.080882
	male	33.369048	16.022000
Third	female	23.818182	19.329787
	male	27.255814	22.274211

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

In [169]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

pdf3.xs(1,level='survived',axis=1) # survived 레벨이 1인 데이터 선택(살아있는애들)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[169]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가

열 너비 조절

행 높이 조절

		mean		max
		age	fare	age	fare
class	sex
First	female	34.939024	105.97...	63.0	512.3292
	male	36.248000	74.637320	80.0	512.3292
Second	female	28.080882	22.288989	55.0	65.0000
	male	16.022000	21.095100	62.0	39.0000
Third	female	19.329787	12.464526	63.0	31.3875
	male	22.274211	15.579696	45.0	56.4958

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

---

훈련과정 : R·파이썬 기반 빅데이터 분석 전문가 양성과정

교과목 평가 : 탐색적 데이터 분석

성명 : 호지수

점수 :

Q1. titanic3.csv 데이터 셋을 불러와서 사용자 함수 transform_features()을 이용하여 필요한 전처리 작업을 수행한 후 아래 사항을 수행하세요. --- (30점)

'pclass','sex','age','fare','survived' 컬럼으로 이루어진 df1을 만들고 pickle을 이용해서 t3_df.pkl로 저장

t3_df.pkl을 df1이름으로 불러옴

In [1]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

import pandas as pd import numpy as np import seaborn as sns from sklearn.preprocessing import LabelEncoder import warnings warnings.filterwarnings('ignore') # Null 처리함수 def fillna(df): df['age'].fillna(df['age'].mean(), inplace=True) df['fare'].fillna(df['fare'].mean(), inplace=True) df['cabin'].fillna('N', inplace=True) df['embarked'].fillna('N', inplace=True) return df   #머신러닝 알고리즘에 불필요한 속성 제거(name, ticket, boat, body, home.dest) def drop_features(df): df.drop(['name', 'ticket', 'boat', 'body', 'home.dest'], axis=1, inplace=True) return df   # 레이블 인코딩 def format_features(df): df['cabin'] = df['cabin'].str[:1] features = ['cabin','sex','embarked'] for feature in features: le = LabelEncoder() le = le.fit(df[feature]) df[feature] = le.transform(df[feature]) return df   def transform_features(df): df = fillna(df) df = drop_features(df) df = format_features(df) return df   titanic_df = pd.read_csv('titanic3.csv') transform_features(titanic_df)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[1]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가
• 6열 선택6열 다음에 열 추가
• 7열 선택7열 다음에 열 추가
• 8열 선택8열 다음에 열 추가
• 9열 선택9열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가
• 8행 선택8행 다음에 행 추가
• 9행 선택9행 다음에 행 추가
• 10행 선택10행 다음에 행 추가
• 11행 선택11행 다음에 행 추가

열 너비 조절

행 높이 조절

	pclass	survived	sex	age	sibsp	parch	fare	cabin	embarked
0	1	1	0	29.000000	0	0	211.3375	1	3
1	1	1	1	0.920000	1	2	151.5500	2	3
2	1	0	0	2.000000	1	2	151.5500	2	3
3	1	0	1	30.000000	1	2	151.5500	2	3
4	1	0	0	25.000000	1	2	151.5500	2	3
...	...	...	...	...	...	...	...	...	...
1304	3	0	0	14.500000	1	0	14.4542	7	0
1305	3	0	0	29.881138	1	0	14.4542	7	0
1306	3	0	1	26.500000	0	0	7.2250	7	0
1307	3	0	1	27.000000	0	0	7.2250	7	0
1308	3	0	1	29.000000	0	0	7.8750	7	3

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

1309 rows × 9 columns

In [2]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

df1 = titanic_df.loc[:,['pclass', 'sex', 'age', 'fare', 'survived']] df1.to_pickle('t3_df.pkl') df1 = pd.read_pickle('t3_df.pkl') display(df1.head(2))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가

열 너비 조절

행 높이 조절

	pclass	sex	age	fare	survived
0	1	0	29.00	211.3375	1
1	1	1	0.92	151.5500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q2. df1을 pclass별 그룹핑하여 grouped 이름으로 저장하고 다음사항을 수행하세요. --- (10점)

pclass별 평균

pclass별 최대값, 최소값

In [15]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

grouped = df1.groupby(['pclass']) display(grouped[['age','fare','survived']].mean(),'평균') display(grouped.max(),'최대') display(grouped.min(),'최소')

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	age	fare	survived
pclass
1	38.039580	87.508992	0.619195
2	29.528333	21.179196	0.429603
3	26.302224	13.331087	0.255289

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

'평균'

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	sex	age	fare	survived
pclass
1	1	80.0	512.3292	1
2	1	70.0	73.5000	1
3	1	74.0	69.5500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

'최대'

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	sex	age	fare	survived
pclass
1	0	0.92	0.0	0
2	0	0.67	0.0	0
3	0	0.17	0.0	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

'최소'

Q3. pclass 열, sex 열을 기준으로 분할하여 g2에 저장 후 출력하세요. --- (5점)

In [4]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

g2 = df1.groupby(['pclass','sex']) display(g2.head(1))

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가

열 너비 조절

행 높이 조절

	pclass	sex	age	fare	survived
0	1	0	29.00	211.3375	1
1	1	1	0.92	151.5500	1
323	2	1	30.00	24.0000	0
324	2	0	28.00	24.0000	1
600	3	1	42.00	7.5500	0
603	3	0	35.00	20.2500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q4. g2에 연산 메소드를 적용해서 pclass, sex 별 age, fare, survived의 평균값을 출력하세요. --- (5점)

In [5]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

g2.mean()

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[5]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가

열 너비 조절

행 높이 조절

		age	fare	survived
pclass	sex
1	0	36.490920	109.412385	0.965278
	1	39.285429	69.888385	0.340782
2	0	27.566636	23.234827	0.886792
	1	30.744355	19.904946	0.146199
3	0	24.465569	15.324250	0.490741
	1	27.106925	12.457815	0.152130

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q5. g2에서 3(pclass), 0(female) 그룹을 선택해서 g3에 저장하고 처음 5개행을 출력하세요. --- (5점)

In [6]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

g3 = g2.get_group((3,0)) g3.head()

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[6]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	pclass	sex	age	fare	survived
603	3	0	35.0	20.2500	1
604	3	0	16.0	7.6500	1
607	3	0	18.0	7.2292	1
610	3	0	40.0	9.4750	0
612	3	0	18.0	9.3500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q6. 최대값 - 최소값을 반환하는 사용자 함수를 정의하고 아래사항을 수행하세요. --- (5점)

grouped 객체에 agg() 메소드를 적용 사용자함수를 인자로 전달하여 그룹별로 집계

In [7]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

def min_max(x): return x.max() - x.min()   agg_minmax = grouped.agg(min_max) display(agg_minmax)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가

열 너비 조절

행 높이 조절

	sex	age	fare	survived
pclass
1	1	79.08	512.3292	1
2	1	69.33	73.5000	1
3	1	73.83	69.5500	1

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q7. grouped 각 열마다 아래와 같이 상이한 함수를 적용하여 agg_sep 이름으로 저장하고 출력하세요. --- (10점)

{'fare':['min', 'max'], 'age':'mean'}

In [8]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

agg_sep = grouped.agg({'fare':['min','max'], 'age':'mean'}) display(agg_sep)

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	fare		age
	min	max	mean
pclass
1	0.0	512.3292	38.039580
2	0.0	73.5000	29.528333
3	0.0	69.5500	26.302224

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q8. t3_df.pkl을 불러와서 df1에 저장하고 pclass별 grouped 객체로 그룹핑하여 아래사항을 수행하세요. --- (10점)

age 열의 평균이 30보다 작은 그룹만을 필터링하여 데이터프레임으로 반환하여 age_fileter 이름으로 저장 후 5개행 출력

In [9]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

df1 = pd.read_pickle('t3_df.pkl') grouped = df1.groupby(['pclass']) age_filter = grouped.filter(lambda x : x['age'].mean() < 30) display(age_filter.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가
• 5열 선택5열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가

열 너비 조절

행 높이 조절

	pclass	sex	age	fare	survived
323	2	1	30.0	24.0	0
324	2	0	28.0	24.0	1
325	2	1	30.0	13.0	0
326	2	1	18.0	11.5	0
327	2	1	25.0	10.5	0

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Q9. grouped.age 컬럼의 Z-score를 계산하는 사용자 함수를 정의하고 함수 매핑하여 age_zscore 이름으로 결과를 출력하세요. --- (10점)

In [10]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

def zscore(df): return (df-df.mean()) / df.std()   age_zscore = grouped.age.apply(zscore) print(age_zscore.head())

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

0 -0.647040 1 -2.656964 2 -2.579659 3 -0.575461 4 -0.933354 Name: age, dtype: float64

Q10. t3_df.pkl을 불러와서 df1에 저장하고 pclass, sex 열을 기준으로 grouped 객체로 그룹핑하여 아래사항을 수행하세요. --- (10점)

grouped 객체에 연산 메서드를 적용 평균을 출력

In [11]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가

• 0행 선택0행 다음에 행 추가

열 너비 조절

행 높이 조절

df1 = pd.read_pickle('t3_df.pkl') grouped = df1.groupby(['pclass','sex']) grouped.mean()

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제

Out[11]:

셀 전체 선택

• 0열 선택0열 다음에 열 추가
• 1열 선택1열 다음에 열 추가
• 2열 선택2열 다음에 열 추가
• 3열 선택3열 다음에 열 추가
• 4열 선택4열 다음에 열 추가

• 0행 선택0행 다음에 행 추가
• 1행 선택1행 다음에 행 추가
• 2행 선택2행 다음에 행 추가
• 3행 선택3행 다음에 행 추가
• 4행 선택4행 다음에 행 추가
• 5행 선택5행 다음에 행 추가
• 6행 선택6행 다음에 행 추가
• 7행 선택7행 다음에 행 추가

열 너비 조절

행 높이 조절

		age	fare	survived
pclass	sex
1	0	36.490920	109.412385	0.965278
	1	39.285429	69.888385	0.340782
2	0	27.566636	23.234827	0.886792
	1	30.744355	19.904946	0.146199
3	0	24.465569	15.324250	0.490741
	1	27.106925	12.457815	0.152130

• 셀 병합
• 행 분할
• 열 분할
• 너비 맞춤
• 삭제