26. Pandas

학습 주제

• Level 0에서 Pandas 따라하기

주요 학습 내용
- jupyter note북에 더 자세히 정리했습니다.

• DataFrame
  
  • df
  • 타입확인
    - type(df)
  • 데이터프레임 구성 확인
    - df.info()
  • 앞쪽 뒤쪽 데이터 확인하기
    - 앞쪽 : df.head(개수)
    - 뒤쪽 : df.tail(개수)
• Row(행) 데이터를 선택(조회)하기 - index, slice, loc, iloc
  • series로 인덱스 레이블 선택(조회)하기
    - df.loc[[1]]
  • 여러 행 조회하기
    - df.loc[[3, 6, 9] , ["이름", "체중"] ]
  • 범위로 조회하기
    - df.loc[3:7, "이름" : "체중"] 
  • 슬라이싱 기법으로 조회하기
    - df.loc[3:8:2]
    - [3부터 8까지 2단계]
  • 슬라이싱 기법으로 조회하기 2
    - df.loc[:, ['이름', '포지션', '소속', '리바운드']
    - [모든행 선택, ['이름', '포지션', '소속', '리바운드'] <= 선택하고자 하는 열의 이름들]
  • index, location으로 조회하고 싶다면 = iloc
    - df.iloc[3:7, 0:6]
• Series가 중요한 이유
  - 단일 열 '이름' 조회하기 -> 시리즈 -> 1차원 데이터
  - 조건에 따라 특정 데이터만 조회할 때 시리즈를 사용한다.
  
  • 딘일 열 조회
    - df['이름']
  • 타입확인
    - type(df.;loc[1]), type(df['이름'])
  • 기술 통계 
    - df.describe() : 간단하게 살펴볼 수 있다.
    - df.describe(include= 'all')
    - 한글 =>가장 많은것 들중 위에서 부터 먼저 발견된것 
    
    
• 문자 탐색
  
  • str- 문자열 메소드 활용가능
    - df['이름'].str
  • str.contains
    - df['이름'].srt.contains('정')
    - 정을 포함한 값 T/F로 나온다.
  • sum
    - sum(df['이름'].str.contains('정'))  / df['이름'].str.contains('정').sum()  - 둘다 가능하다.
  • 체인형을 지향
    - df['이름'].str.contains('정').sum()
  •  T/F로 이루어진 boolean형 시리즈 또는 배열로 True에 해당하는 값들만 조회할 수 있다.
    - df[df[ 이름'].str.contains('정').sum() ]
• 특정 위치 인덱스만 탐색
  • 정씨 인가? T/F로 이루어진 시리즈 생성
    - df['이름'].str[0] == '정'
  • 정씨에 해당하는 데이터프레임 생성
    - df[df['이름'].str[0] == '정']]
  • .str.lower()  .str.upper()  .str.startwith() .str.endwith() 처럼 문자열 메소드를 활용할 수 있다.
    - df[df['이름'].str[0] == '정', ['이름', '포지션', '신장', '체중']]
  • 검색한 것을 기준으로 특정 열만 확인하려면
• 수치 탐색
  • 180보다 큰 사람인 T/F시리즈 만들기
    - df['신장'] > 180
  • 180보다 큰 사람 DataFrame 만들기
    - df[df['신장'] > 180]
• 데이터프레임 산술연산
  • 모든 선수 신장 100 추가하기
    - df['신장'] + 100
• 별도의 Dataframe 생성
  • 포지션이 센터에 해당되는 사람만 가진 경우
    - df['포지션'] == '센터'
    - 데이터로 저장하고 싶을 시
      : df_center = df[df['포지션'] == '센터']
  • 이름, 신장, 체중, 패스만 가진 경우
    - df_power = df[['이름', '신장', '체중', '패스']]
• 연산 후 새로운 데이터프레임 생성
  • df_power 신장을 늘린 시리즈 만들기
    - df_power['신장'].apply(lambdas x : x + 100)
  • 기존 체이블에서 신장 늘린 시리즈를 교체하기
    - df_power = df_power['신장'].apply(lambdas x : x + 100)
  • 패스 능력치 별 평가
    - def check_skill_pass(x):
           if x >= 90:
                 return : '우수'
           elif x >= 70 :
                 return : '보통'
            return ' 미흡;
    
    
  • 함수 적용하여 새로운 열 추가하기
    - df_power['패스평가'] =  df_power['패스'].apply(check_skill_pass)
  • 파이썬에서 for과 원본데이터를 조작할 때 의도치 않은 상황
    - numbers = [0, 1, 2, 3, 4, 5]
      for n in numbers:
            print(n)
            numbers.remove(n)
  • 파이썬에서 for을 이용한 유사한 상황 - .copy()나 [:]로 해결
    - numbers = [0, 1, 2, 3, 4, 5]
      for n in numbers.copy()
            print(n)
            numbers.remove(n)
• 열(col) 삭제
  • del df['열이름'] -> Series
• 행(Row)삭제
  • drop()으로 삭제 -> 비파괴적인 처리
    - df_power_new.drop(0).head()
  • 비파괴적인 처리기 때문에 1. 저장이 필요
    - df_power_new.drop = df_power_new.drop(0).head()
  • 파괴적인 처리를 위한 2. inplace=True
    - df_power_new.drop(0, inplace = True)
• 열 이름 변경
  • 비파괴적인 처리 - 원본은 바뀌지 않는다
  • 파괴적인 처리를 위해 inplace=True
• 정렬
  • 값 정렬 + 비파괴적 처리
    - df_power_new.sort_values(by = '키')
  • 값 정렬 + 파괴적 처리
    - df_power_new.sort_values(by = '키', inplace = True)
  • 값 정렬(내림차순) + 파괴적 처리
    - df_power_new.sort_values(by = '키', inplace = True, ascending = False)
  • index 정렬 + 파괴적 처리
    - df_power_new.sort_values(inplace = True)
• 얕은 복사 (Shallow Copy) vs 깊은 복사(Deep Copy)
  • 피봇으로 만든 데이터프레임 조회
    - pivot_df_shallow = pivot_df
  • 1. 얕은 복사 2. 깊은 복사
    - 1. pivot_df_shallw = picot_df
    - 2. pivot_df_copy = pivot_df.copy()
  • 얕은 복사는 변경이 일어나면 원본도 변경됨
  • 얕은 복사는 변경이 일어나면 원본도 변경됨 - 메모리 주소 공유, 사실상 변수명만 다른 것
  • 깊은 복사는 별개의 df기에 원본에 영향을 주지 않음
  • deep copy의 변경을 시켜보면 pivot_df_copy는 변했지만
  • pivot_df는 변하지 않는다.

 

학습하면서 어려웠던 내용

• 주피터 노트북은 처음써보는데 파이썬과 비슷한 것 같아 다행이면서도 쓰는 양식이라등 새로 익힐 것이 많다