pandas 배우기 1편 EDA : 빅분기 ADP 데이터분석 시험 요약

이번에는 빅분기 시험 공부, ADP 시험 준비 하며 필수적인 pandas 공부 요약 정리해보도록 한다.

 

목차

# pandas 라이브러리
import pandas as pd
import numpy as np

# 시각화 라이브러리
import matplotlib.pyplot as plt
import seaborn as sns

# 행 /열 최대로 보기
pd.set_option('display.max_rows',None)
pd.set_option('display.max_columns', None)

# 경고 무시
import warnings
warnings.filterwarnings("ignore")

 

0. 외부파일

불러오기

1) csv

pd.read_csv(" 이름.csv", header=?, index_col= ?)
index_col 이용해서, 특정열을 인덱스로 지정할 수 있음
 

2) excel

pd.read_excel("이름.xlsx", sheet_name=? , header= ?)
sheet_name 설정 가능
header 설정 가능
 

3) json

pd.read_json(" .json")
 

저장하기

pd.to_csv(".csv", index = ? , encoding=?)
- 인코딩
utf-8-sig  : UTF-8 인코딩에 BOM이 추가된 형식으로 윈도우와 엑셀 같은 프로그램과의 호환성을 위해 사용함
index : True/ False 기존 인덱스 가져갈지 말지 결정
 
 
 

1. Series

판다스에서 시리즈는 파이썬의 list와 같이, 데이터를 나열해 놓은 묶음이다. 
pandas는 Series 메소드를 사용해서 [1.2.3.4.5] 데이터를 보기 좋게 시각화 해준다.

create_seriese= pd.Series([1,2,3,4,5])

 
 

2. DataFrame

Frame은 사각형을 말한다. Series는 단순한 1차원이었다면, Frame은 2차원 이상의 차원이다. 
DataFrame에 데이터를 넣을 때는 특정 열, 행, 인덱스에 의미를 담아 넣는다. 
 

< 데이터 만들기 >

1) list()

Columns= list('ABCD")

 -> ['A', 'B', 'C', 'D']
 

2) date_range(시작날짜, 기간)

dates = pd.date_range("20220905", periods=3)

->DatetimeIndex(['2022-09-05', '2022-09-06', '2022-09-07'], dtype='datetime64[ns]', freq='D')
 

3) random.randn(a, b) 

정규분포를 따르는 무작위 수를 a*b차원 만큼 생성
 
 

< 데이터프레임 만들기 >

1) pandas.DataFrame(행, 인덱스, 열)

dataframe = pd.DataFrame(row, index = dates, columns= columns)

 

2) Dictionary -> DataFrame

 
 

3. 데이터보기

1) head() / tail()

앞/뒤 5개의 행만 보여준다. 
( ) 안에 숫자를 넣으면 원하는 개수만큼 볼 수 있다. 
head(10), tail(3) 등

 

2) index, columns

DataFrame의 index와 columns를 보여준다.

 

3) shape

DataFrame.shape
(Row, Column) 차원을 보여줌

(10,6) 
 
 

4) info()

기본 정보
클래스 유형 
행인덱스 개수 
열 이름, 개수, 널값, 타입
memory

 
 

5) dtypes

자료형 확인
series, dataframe 가능
원소 불가능 -- > type(원소)

	판다스	파이썬
정수형 데이터	int64	int
실수형 데이터	float64	float
문자열 데이터	object	string
시간 데이터	datetime64 timedelta64	없음 (datetime 라이브러리 활용)

 

 

6) describe()

기술통계정보
- count, mean, std, min, 4분위값, max

include="all"
include="O"

 
 

7) count()

각 열의 유효한 값의 개수 계산

 

8) value_counts()

각 열의 고유값이 갖는 개수를 센다.

 
기본적으로 null값은 제외하고 보여주는데, null값의 개수도 보여주게 하려면
.value_counts(dropna=False)

 

9) unique()

Series.unique()
각 열이 갖는 고유값을 보여준다.

 

10) 통계 함수

mean(), median(), max(), min(), std(), corr()
모든 열 또는 특정 열에서 사용 가능

 
 
 
 

4. 데이터 수정

1) rename

index, column 이름 변경

 

2) drop 

row, column 삭제
inplace=True 실제 값 수정
axis=1, axis=0 에 따라 열인지 행인지 기준 선택

 

3) loc, iloc

행, 열, 원소 선택
loc : 이름이 기준이 됨, 범위의 끝 포함

 
iloc : index 숫자 그 자체에 의미가 있음, 범위의 끝 제외

 
 

4) 추가

- 열추가

DataFrame['추가하려는 열 이름'] = 데이터값

 

- 행추가

DataFrame.loc['추가하려는 행 이름'] = 데이터값
* iloc은 안됨

 

5) 변경

loc / iloc

 
 

6) Transpose

행과 열 바꾸기
DataFrame.transpose() / DataFrame.T

 
 

7) 열 순서 바꾸기

- columns 대입하기

- 객체에 컬럼 지정하기
 

 

8) 열 분리 & 추출

가. 함수 이용

- 날짜 값인 date열에 주목

 

연월일(yyyymmdd형식)까지만 추출

연/월/일 추출

- lambda함수 이용

- get함수 이용
*우선 -로 연결된 날짜데이터생성

*문자열메소드인 split로 list 속성의 시리즈 만들기

*get() 함수로 값 추출하기

 

나. 정규표현식 regex 사용

* contains
해당 정규식이 포함되어 있는 행 추출
(1) 한국어 
[가-힣]

diff_location['region'].str.contains('부산광역시[가-힣]+')

# 여집합 추출
# 부산광역시라고 안붙어있는 모든 것 추출
~diff_location['region'].str.contains('부산광역시[가-힣]+')

 
 
(2) 영어
[A-Za-z]

 
 
(3) 숫자
[0-9]

 
 
*extract
해당 정규식이 포함되어 있는 값 추출
'(  )' 안에 넣어야 함
expand=True : 결과를 데이터프레임형태로 반환
expand=False : 결과를 시리즈 형태로반환

df['Make'].str.extract('(A[A-Za-z]+)')

 
*findall
문자열에 포함된 모든 정규식표현을 추출
리스트로 반환
- 한자리 숫자 : r'\d'
- 연속된 숫자 : r'\d+'
- 문자열에 있는 모든 숫자 리스트로 추출 : (r'\d+')

df['Make'].str.findall('[A-Za-z]+')

 
 

5. 인덱스 

1) set_index

특정 열을 행 인덱스로 설정
기존 인덱스는 삭제 

 

2) reindex()

행 인덱스 재배열
기존 DataFrame에 포함되지 않은 행인덱스는 NaN값으로 입력됨

 
 NaN값 채우려면 fill_value 넣기

 
 

3) reset_index

행인덱스 초기화 (0,1,2,3,4,,,)
기존의 행인덱스는 첫 번째 열로 이동

 
 

6. 정렬

1) sort_index(ascending=? )

행 인덱스 기준으로 데이터프레임 값 정렬 
ascending =True 오름차순
ascending = False 내림차순

 
 

2) sort_value(by =?, ascending=? )

특정 열을 기준으로 오름차순 /내림차순 정렬

 
 

7. 연산

원리
같은 것끼리 계산함
그러기 위해서
1단계 행/열 인덱스 기준으로 원소 정렬 
2단계 동일한 위치 원소끼리 1:1 대응 
3단계 연산처리

 

 
 
 

8. 필터링

1) mask 

- 비트연산자 & , | 

- ( ) 괄호 필수!
※ and/or 연산자는 두 개의 불린 값에서만 작용하기 때문에 안됨

mask = (df.Price>20) & (df.Price <30)
df[mask]

- loc 이용 가능

df.loc[mask, ['Type','Price']]

 

-  관계연산자 ==,  !=

mask1 = df['MPG.city']==25
mask2 = df['MPG.city'] == 20
mask3 = df['MPG.city']==22
df[mask1|mask2|mask3]

 
 

2) isin()

filter = df['MPG.city'].isin([25,20,22])
filter

 
 
 

pandas 요약 데이터분석 배우기 ADP 기본기 빅분기 기본기