데이터프레임 중복행 제거하는 방법입니다. 이전 포스팅에서 컬럼이 같은 경우에서 중복데이터 병합하기 포스팅을 작성했었는데요. 그 내용 중에서 중복행 제거하는 방법을 언급했었습니다. 그렇지만 데이터 병합에 초점으로 쓴 글이라서 생략된 것이 꽤 있었습니다. 이번 포스팅에서는 drop_duplicates 그 자체에 초점을 맞출까 합니다. 중복행 제거하기 중복행을 제거하려면 drop_duplicates() 밖에 쓸 게 없습니다. 파라미터는 다음과 같습니다. 함수 실행 후 Return은 중복행 제거 후 데이터프레임으로 나타납니다. DataFrame.drop_duplicates(subset=None, *, keep='first', inplace=False, ignore_index=False) subset : colu..
데이터프레임 내에서 순위 구하는 방법입니다. 순위도 어찌보면 데이터 정렬을 하는 것입니다. 다만, 데이터를 순위로 변환하고 동점처리를 어떻게 할것인가에 따라 정렬이 달라집니다. 파라미터는 다음과 같습니다. df.rank(axis=0,method='average',ascending=True,..) axis : 0(defualt)는 행, 1은 열을 기준으로 함 method : 동점처리 기준, 방법은 average(defualt), min, max, first, dense 으로 5가지가 있음. ascending : True(default) 오름차순을 반영해 순위(가장 작은 값이 1위), False 내림차순을 반영해 순위(가장 큰 값이 1위) 동점 처리 순위를 하다보면 동점이 나오는 경우 어떻게 할지 정해야 합..
cheatsheet란 컨닝지라고 하는데 컨닝하는데 쓸 정도로 자주 사용하는 명령이나 기능을 쉽게 잘 정리한 인포그래픽을 말합니다. 일종의 요약본입니다. 코드는 특히나 자꾸 까먹습니다. 코드는 각각의 규칙들이 존재하고 그에 맞춰 써야하는데 양이 많기도 해서 다 외우기가 너무 어렵습니다. 그래서 cheatsheet를 만들어 한눈에 익히는데 도움을 주고자 만든 것들이 종종 있습니다. 판다스 cheatsheet 라고 코드를 한번에 요약해 놓은 인포그래픽이 나와서 공유하려고 합니다. 물론 판다스를 쓰는 기본적인 방법이나 경험들이 있어야 이해를 할 수 있을 것 같긴 합니다. 응용력을 가지고 있어야 하고 cheatsheet 말 그대로 문법을 정리만 해놓은 것입니다. 모든 문제가 해결되는 만능이 아님을 강조하고 또 강..
데이터 프레임을 리스트로 변환하는 방법입니다. 데이터 프레임도 굳이 리스트로 바꾸는 이유는 머신러닝이나 딮러닝을 할 때 리스트로 input 값을 넣어야 할 때가 있습니다. 근데 데이터 전처리는 판다스가 훨씬 효과적이기 때문에 전처리 후 리스트 형태로 바꾸어 input값으로 쓸 수 있습니다. 데이터프레임에서 column별로 가져오면 되지 않느냐?라고 반문할 수도 있지만 머신러닝이나 딮러닝 처리중 계산 때문에 불가할 수 있고 여러 클래스인경우 벡터화해서 계산하는 것이 훨씬 빠르기 때문에 ndarray로 바꾸는 게 용이합니다. 데이터프레임에서 리스트와 numpy 배열로 변환하는 방법을 알려드리겠습니다. 데이터는 머신러닝 연습용으로 많이 쓰는 꽃 분석 데이터인 iris로 하겠습니다. import pandas a..
pandas로만 box plot, area plot, scatter plot을 그려보겠습니다. 이전 포스팅에서는 막대그래프류인 bar,hist,density에 대해 그려보았었는데 이번 포스팅에서는 pandas로 그릴 수 있는 나머지 그래프에 대해 살펴보겠습니다. box plot box plot은 사분위범위를 기준으로 이상치가 어디에 있는지 한눈에 볼 수 있는 그래프입니다. import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(10,5)) df.boxplot(return_type='axes') 여러 컬럼이 있는 penguins이라는 데이터를 가져와 boxplot을 만들어보겠습니다. import seaborn as sns pengu..
matplotlib에서 특징이 있는 그래프를 그리곤 했었는데 pandas만으로도 여러가지 그래프를 그릴 수 있습니다. 이번 포스팅에서 다룰 그래프는 막대 그래프 종류만으로 구성해보았습니다. bar, histogram, density 세가지에 대해서 다루어 보겠습니다. bar plot 시리즈(Series) -0.5~0.5 사이의 랜덤한 숫자 10개를 bar plot으로 그려보겠습니다. plot 파라미터로 kind='bar' 를 입력합니다. np.random.seed(222) s = pd.Series(np.random.rand(10)-0.5) s.plot(kind='bar') 판다스에서 하는 것이기 때문에 시리즈나 데이터프레임만 가능합니다. numpy나 리스트는 matplotlib로 할 수 있습니다. 데이터..
판다스만으로 그래프를 그리는 방법입니다. 보통 matplotlib나 pylab을 import 해서 그래프를 그리곤 했는데 pandas만으로도 그릴 수 있습니다. 왠만한건 다 되는 것 같습니다. 기본 그래프 그리기 데이터가 시리즈나 데이터프레임 모양이면 plot() 메쏘드를 이용해 그래프를 생성할 수 있습니다. 시리즈(Series) np.random.seed(222) random_num = pd.Series(np.random.randn(1096),index=pd.date_range('2020-01-01','2022-12-31')) random_walk = random_num.cumsum() random_walk.plot() 데이터프레임(DataFrame) 위에 비슷하게 하되 컬럼을 하나 더 추가해 데이터프..
판다스에는 구간 나누는 기능이 있습니다. 그래서 카테고리를 만들 때 굉장히 편합니다. 물론 파이썬 자체에서도 가능하지만 제 생각에는 판다스로 하는게 편리하고 한눈에 볼 수 있어서 좋은 것 같습니다. 구간의 길이를 같게 할 것인지 구간안의 갯수를 같게 할 것인지 정하는 방법에 따라 구간을 나눌 수 있는데 판다스에서는 이 두개를 모두 할 수 있습니다. 구간 (-1,1) 사이의 숫자를 가지고 구간 나누기를 해보겠습니다. import pandas as pd import numpy as np np.random.seed(122) normal = np.random.normal(size=10000) normal 같은 길이로 구간 나누기(pd.cut) pd.cut을 이용하면 같은 길이로 구간을 나눌 수 있습니다. 값이 ..
apply를 이용하면 그룹화한 데이터프레임에 lambda함수를 쓸 수 있었습니다. 그런데 람다함수로 부등식을 적용하게 되면 bool값으로 처리가 될 것이지만 True,False를 알려고 전처리를 하진 않습니다. 실제로 True,False를 반영하여 값이 걸러져 나와주어야 합니다. 그룹화된 데이터프레임을 True, False로 분류하였는데 이를 반영하려면 어떻게 해야할까요? 바로 filter() 를 쓰면 됩니다. 데이터프레임의 group화를 한 상태에서 그룹화된 데이터프레임마다 True와 False로 구분할 수 있는데 이를 데이터프레임에 반영해줍니다. 'Learning Pandas'의 예제를 가져오겠습니다. import pandas as pd import numpy as np df = pd.DataFram..
데이터프레임의 apply로 람다함수를 적용할 수 있다는 것을 이전 포스팅에서 다루어보았는데 transform 메쏘드로 groupby 처리를 한 그룹화된 데이터프레임에 apply 처리를 하겠습니다. 그룹화되지 않은 데이터프레임에서는 apply를 적용을 했지만 그룹화된 데이터프레임에서는 apply와는 다른 것들을 할 수 있습니다. 즉, apply 대체로써 쓰는 것이 아니라 transform 만의 영역이 있습니다. 그 이유는 람다함수의 대상으로 쓰는 x의 단위로 볼 수 있는데 apply의 x는 행이나 열을 가르키고 transform에서의 x는 그룹화된 데이터프레임을 가르킵니다. 행이나 열에서 할 수 있는게 있고 데이터프레임을 대상으로 할 수 있는 게 다르기 때문에transform 만으로 할 수 있는 기능들을 ..
파이썬에서는 판다스로 주로 데이터 전처리를 합니다. 판다스에서 데이터 전처리의 중요한 요소인 재구조화(reshaping) 방법에는 pivot과 stack, unstack이 있고 melt라는 것도 있습니다. 앞선 포스팅에서 pivot,stack, unstack을 다뤘었고 이번 포스팅에서는 자주 쓰이는 재구조화 방법인 melt에 대해 알아보겠습니다. melt은 한번에 보기 편하게 특정 컬럼을 기준으로 특정 값을 정렬한다는 보면 됩니다. id에 해당하는 value_var를 선정해 variable 컬럼에 나열하여 value를 보여주는 형식입니다. 말로 설명하기가 참 어려운데 그림을 참고해주시기 바랍니다. Melt melt는 다음과 같은 파라미터를 가집니다. pd.melt(frame, id_vars=None, v..
정규표현식을 이용한 데이터프레임에서의 특수문자 제거하는 방법입니다. 데이터프레임에 있는 내용에 특수문자와 섞여서 코딩작업을 하기가 어려울 때가 있습니다. 이럴 때 특수문자만 제거를 한다면 작업을 하기 아주 편해질 것입니다. 하지만 특수문자 제거하는 메쏘드는 따로 없기에 정규표현식을 이용해 특수문자를 찾고 제거하는 방식으로 해야합니다. 다행히도 replace는 정규표현식을 인식할 수 있는 파라미터가 있어서 코딩은 그리 복잡하지는 않습니다. 특수문자 제거하기 먼저 아래와 같이 데이터프레임을 보면 특수문자가 있습니다. 데이터프레임은 유튜브 코딩을 쳐서 나오는 처음 페이지의 제목을 크롤링했습니다. df 데이터프레임에 정규표현식을 써야 하기 때문에 해당 항목을 문자열로 바꿔줘야 합니다. 그러기 위해서 데이터프레임..
pivot과 비슷하게 Series, DataFrame을 기준점에 맞게 변경하는 stack, unstack 함수 사용 방법입니다. 보통 한 묶음으로 stack, unstack을 쓰는데 그 이유는 stack은 컬럼을 인덱스로 가져오는 것이고 unstack은 인덱스를 컬럼으로 보내는 역할을 하기 때문입니다. stack,unstack이 pivot와 다른 점이 있다면 특정 순서가 있는 인덱스에 대해서도 쓸 수 있습니다. 설명이 약간 어려운데 예로 직접 하면서 stack,unstack 방법을 살펴보겠습니다. Stack stack은 컬럼을 인덱스로 보내는 역할을 하는데 stack의 뜻을 보면 쌓아올린 서류더미와 같은데 이 의미와 맞추어 보면 판다스 설계자는 인덱스 추가를 쌓아올린다라고 생각하는 것 같습니다. 판다스에..
데이터프레임에서 행 추가하는 방법입니다. 이전에 컬럼(column) 추가에 대해서 포스팅은 해놨는데 row 추가는 하지 않았더라고요 ㅎㅎ 데이터프레임에 row 추가방법 두가지에 대해 포스팅을 하겠습니다. loc로 행 추가하기 append로 행 추가하기 loc로 행 추가하기 컬럼에서 했던 방법 그대로 loc에서도 적용됩니다. 판다스는 일관성이 있어서 비슷비슷합니다. import pandas as pd sample = [('Json','34','Developer')] df = pd.DataFrame(sample,columns=['Name','Age','Job']) df 다음과 같이 만든 데이터 프레임에 행 추가를 해보겠습니다. df.loc[1]=['Harry','25','Analyst'] df 컬럼에 맞게 ..
데이터는 하나씩 쌓이는 형식으로써 저장됩니다. 보통 csv나 엑셀 파일, 데이터베이스 형태로 저장이 되는데 쌓이는 형식이다 보니 종종 내가 원하는 방식으로 규격화되지 않거나 컬럼은 다르지만 값은 중복하는 데이터가 저장되기 마련입니다. 그런데 중복데이터가 눈으로 봐도 전체 데이터의 카테고리 역할을 하는 컬럼이라면 카테고리 역할을 잘 할 수 있게 재배치를 하고 싶은 욕구가 생깁니다. 이럴 때 기준점을 새로 만들어 배치하는 방법이 있습니다. 바로 pivot()입니다. pivot을 이용해 세련되게 데이터를 바꿀 수 있습니다. pivoting 데이터프레임을 구성하려면 index, column, values 세 개의 역할이 반드시 필요합니다. pivoting은 원래 구성된 데이터의 컬럼의 역할 정하기로 볼 수 있습..