티스토리

"Growth" Data를 쌓아가는 사람

검색하기

블로그 홈

"Growth" Data를 쌓아가는 사람

makinggrowthdata.tistory.com/m

공부기록 :D

구독자: 3

방명록 방문하기

주요 글 목록

[딥러닝]DNN: Loss, Optimizer, 딥러닝 모델구성 및 학습법 3️⃣ 딥러닝의 학습방법 딥러닝은 출력값과 실제값을 비교하여 그 차이를 최소화하는 가중치(weight)와 편향(bias)의 조합을 찾는다. 이때 가중치는 오차를 최소화하는 방향으로 모델이 스스로 탐색한다. 오차계산은 실제 데이터를 비교하며, 손실함수(오차의 정확도를 계산하는 수식, MAE/MSE 등)를 최소화하는 값을 탐색하며, 문제유형에 따라 알맞은 손실함수를 선정해야 한다. 모델을 컴파일 하는 부분에서 옵티마이저로 경사하강법의 원리를 이용하여 알맞은 손실함수를 찾아 최소화시키도록 학습한다. 👉 결국, 손실함수를 최소화하는 가중치와 편향을 찾는 방향으로 학습하는 것이 궁극적인 목표이다. 💡 손실함수 머신러닝 혹은 딥러닝 모델의 예측값과 실제값의 차이를 수치화해주는 함수이며, ‘오차가 작다’는 말은 ‘손.. 공감수 0 댓글수 0 2022. 12. 8.
[딥러닝] DNN: 정의, 순전파&역전파, 활성화함수, 기울기소실문제 Deep Learning 인공지능 스스로 일정 범주의 데이터를 바탕으로 공통된 특징을 도출하고, 그 특징으로 예측값을 출력함. : 머신러닝과의 가장 큰 차이점은 머신러닝은 사람이 특징을 추출하고 예측하지만, 딥러닝은 인공지능이 특징을 추출하고 예측한다는 인간의 개입여부가 가장 큰 차이점이다. 📍 ANN의 문제점 🛠️ 초기의 인공신경망 Perceptron 사람의 신경망을 모방했다. 각 노드의 가중치와 입력치를 곱한 것을 모두 합한 값이 활성함수에 의해 판단되는데, 그 값이 임계치보다 크면 뉴런이 활성화되고 결과값으로 1을 출력한다 하지만 단층이기 때문에 XOR(AND OR)연산이 불가능하다 → 단층을 다층 구조로 변경했다. 따라서 입력층-은닉층-출력층으로만 이뤄졌던 인공신경망은 입력층 - 은닉층 - 은닉층.. 공감수 0 댓글수 0 2022. 12. 8.
[머신러닝] Regression & Boosting Model(1): Linear Regression, Decision Tree, Random Forest, Extra Tree, GBM 1️⃣ 선형회귀모델(Linear Regression) 종속변수 y와 한개 이상의 독립변수(또는 설명변수) X와의 선형 상관 관계를 모델링하응 회귀분석 기법이다. 선형회귀는 선형 예측함수를 사용해 회귀식을 모델링하며, 알려지지 않은 파라미터는 데이터로부터 추정한다. 1-1. 주요 파라미터 from sklearn.linear_model import LinearRegression LinearRegression(fit_intercept=True, normalize='deprecated', copy_X=True, n_jobs=None, positive=False) 1-2. 특징 다른 모델에 비해 간단한 작동원리를 가진다 학습속도가 매우 빠르다 조정해 줄 파라미터가 적다 이상치에 영향을 크게 받는다 데이터가 수치형.. 공감수 0 댓글수 0 2022. 11. 24.
[머신러닝] Ensemble, Bagging, Boosting 1️⃣ Ensemble 앙상블 기법이란 내부적으로 여러 모델을 생성한 후 모델들을 종합해 최종 모델을 생성하는 방법론이다. 머신러닝에서는 여러 머신러닝 모델을 연결하여 더 강력한 모델을 만드는 기법으로 대표적인 모델로 랜덤포레스트와 그래디언트부스팅이 있다. 📍 랜덤포레스트 → 배깅의 대표적인 예시 조금씩 다른 결정트리의 묶음이다. 각각의 결정트리는 예측을 잘 할 수 있지만 데이터 일부에 과대적합된다 이런 과적합된 트리를 묶어 평균을 채택하면 과적합을 줄일 수 있다. 📍 그래디언트 부스팅 → 부스팅의 대표적인 예시 여러 결정트리의 묶음이다. 랜덤포레스트가 서로 다른 트리의 묶음이라면(배깅), 그라디언트는 순차적으로 결정트리를 만들며 이전 트리의 오차를 보완해간다(부스팅). 이것의 근본 아이디어는 얕은 트리.. 공감수 0 댓글수 0 2022. 11. 24.
[KMOOC-실습으로배우는머신러닝] 7.Ensemble Learning 1️⃣ Decision Tree Review 1-1. Decision Tree 분류와 회귀 작업 및 다중출력 작업도 가능한 다재다능한 머신러닝 방법론 IF-THEN 룰에 기반해 해석이 용이함 일반적으로 예측 성능이 우수한 랜덤포레스트 방법론의 기본구조 💡 CART(Classification And Regression Tree) 훈련 알고리즘을 이용해 모델을 학습함 데이터 공간의 순도가 증가되게끔 영역을 구분하는 방법 즉 순수도는 최대가 되고, 불순도는 최소가 되게끔 계속해서 훈련을 해나가는 알고리즘 한 번에 한개의 변수를 사용하여 정확한 예측이 가능한 규칙들의 집합을 생성 IF-THEN 규칙은 데이터 공간 상에서는 각 변수를 수직 분할한 것과 동일 아래의 data space에는 관측치가 존재하고, 이 관.. 공감수 0 댓글수 0 2022. 11. 22.
[KMOOC-실습으로배우는머신러닝] 5. Support Vector Machine 1️⃣ Support Vector Machine 1-1. Support Vector Machine 선형이나 비선형 분류, 회귀, 이상치탐색에도 사용할 수 있는 머신러닝 방법론 딥러닝 이전 시대까지 널리 사용된 방법론 복잡한 분류문제를 잘 해결함. 선형, 비선형 모두 잘 해결함 상대적으로 작거나 중간 크기를 가진 데이터에 적합함 최적화 모형으로 모델링 후 최적의 분류 경계 탐색 분류경계면을 찾을 때 Generalization(일반화)가 잘 이뤄지는지, 즉 다시 말해 Validation error가 최소인지를 확인해봐야 한다. (오른쪽그림)따라서 실선으로 된 분류경계선에 평행한 점선으로 된 가상 분류경계선을 고려하며, 이때 두 가상 분류 경계선 사이의 거리를 margin이라고 한다. 이 떄 가상 분류 경계선.. 공감수 0 댓글수 0 2022. 11. 22.
[KMOOC-실습으로배우는머신러닝]4. Machine Learning with Optimization: Gradient Descent, Learning rate, Stochastic Gradient Descent, Momentum 1️⃣ 최적화와 모형 학습 1-1. Machine Learning and Optimization Machine learning models optimize the function by minimizing the loss 머신러닝모델은 loss를 최소화함으로써 함수를 최적화한다. loss는 곧 실제값 - 예측값이다. 1-2. Linear Regression: 최적화의 중요성 알아보기 가장 기본적인 머신러닝 기법 및 통계적인 방법으로, input과 output사이가 선형관계임을 가정한다. loss function을 최소화함으로써 최적의 계수(coefficient, 베타를 결정한다. 👉 즉 linear regression함수의 구체적인 파라미터(베타)값을 부여해주려면 최적화과정이 필요하다. 1-3. Loss .. 공감수 0 댓글수 0 2022. 11. 22.
[KMOOC-실습으로배우는머신러닝]2. Machine Learning Pipeline 1️⃣ Data Science Process 1-1. Business Understanding 비즈니스에 대한 이해가 기본적으로 필요함. prior knowledge 1-2. Data Understanding 데이터 자체에 대한 이해가 필요하다 Prepare data Modeling data를 training data와 test data로 나눔 Building Model using Algorithms: training data를 모델이 넣어서 학습시킴 → 학습된 함수가 도출됨 Applying Model and performance evaluation: 유의미한 모델인디 test data(학습할 때 사용하지 않은 데이터여야함)로 검증함 검증은 정말 중요한 단계이므로, 모델학습에만 머물지 않고 꼭 검증을 하.. 공감수 0 댓글수 0 2022. 11. 21.
[KMOOC-실습으로배우는머신러닝] 1. Introduction to Machine Learning 1️⃣ 인공지능과 머신러닝 개요 1. Intro 💡 머신러닝: 인공지능을 구현하는 한가지 방법이다. 인공지능을 구현하는 방법은 여러가지가 있고, 머신러닝은 그 방법 중 하나이다. 결국 머신러닝은 유용한 함수를 학습시키는 것이다. 데이터 → 알고리즘을 컴퓨터에 입력 → 함수학습(컴퓨터가 스스로 데이터 안에 있는 유용한 패천을 찾아 함수를 학습) → 실제상황에서 함수를 사용해 유용한 output 도출 2. 과거 vs 현재 Traditional AI: Knowledge Engineering 일련의 로직들을 모두 사람의 지식을 그대로 모사하게끔 만들어 컴퓨터에 입력해 학습시킴 State of the Art: Machine Learning 데이터 입력 → 함수의 기본적인 형태를 알려줌 → 가장 유용한 학습을 컴퓨.. 공감수 0 댓글수 0 2022. 11. 21.
[머신러닝] Titanic 데이터를 사용한 분류: Feature Engineering(결측치 보간법) + 하이퍼파리미터튜닝(RandomizedSearchCV) ✅ Feature Engineering(결측치 보간법) + Random Forest + 하이퍼파리미터튜닝(RandomizedSearchCV) 1️⃣ 결측치 보간법 이전 값이나 다른 값으로 채울 수 있음 이런 방법은 대부분 시계열 데이터에서 데이터가 순서대로 있을 떄 사용함 예를 들어 일자별 주가 데이터가 있다고 가정할 때 중간에 빠진 날짜에 대한 데이터를 채울때 사용하거나, 순서가 있는 센서 데이터에서 수집이 누락되어 앞 뒤값에 영향을 받는 데이터를 채울 때 사용한다. train["Age_fill"] = train["Age"] train["Age_fill"] = train["Age"].fillna(method="ffill") train["Age_fill"] = train["Age"].fillna(meth.. 공감수 0 댓글수 0 2022. 11. 17.
[머신러닝] Titanic 데이터를 사용한 분류: Feature Engineering(파생변수 생성, 원핫인코딩,결측치 대체), Cross Validation ✅ Feature engineering(파생변수 + 원핫인코딩 + 결측치대체) + Cross validation 1️⃣파생변수 만들기 1. 가족의 수 == Parch + SibSp + 1(나) train["FamilySize"] = train["Parch"] + train["SibSp"] + 1 test["FamilySize"] = test["Parch"] + test["SibSp"] + 1 display(train[["Parch", "SibSp", "FamilySize"]].sample(3)) display(test[["Parch", "SibSp", "FamilySize"]].sample(3)) 2. 성별 train["Gender"] = train["Sex"] == "female" test["Gende.. 공감수 0 댓글수 1 2022. 11. 17.
[머신러닝] Titanic 데이터를 사용한 분류: Decision Tree, Binary Encoding, Entropy ⛴️ DATA: Titanic • https://www.kaggle.com/competitions/titanic 경진대회 파일이며 train, test 데이터가 나눠서 주어진다. test 파일에는 survived 컬럼이 존재하지 않는다. train = pd.read_csv("data/Titanic/train.csv", index_col="PassengerId") print(train.shape) #(891, 11) test = pd.read_csv("data/Titanic/test.csv", index_col="PassengerId") print(test.shape) #(418, 10) Int64Index: 891 entries, 1 to 891 Data columns (total 11 columns):.. 공감수 0 댓글수 0 2022. 11. 17.
[머신러닝] pima 데이터를 사용한 분류: Random Forest 3️⃣Random Forest ✏️ 다수의 결정크리들을 학습하는 앙상블 방법이다. ✏️ 머신러닝에서 랜덤 포레스트는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정트리로 부터 분류 또는 평균 예측치를 출력함으로써 동작한다. sklearn.ensemble 모듈에 무작위 결정트리를 기반으로 하는 두가지 평균 알고리즘 중 하나로 분류기 구성에 임의성을 도입하여 다양한 분류기 집합이 생성된다. 랜덤 포레스트는 다양한 트리를 결합하며 분산을 줄이며, 전반적으로 더 나은 모델을 생성할 수 있다. 실제로 개별 의사결정트리는 일반적으로 높은 분산을 나타내며 과적합되는 경향이 있다. 따라서 랜덤 포레스트의 무작위성은 예측 오류가 다소 분리된 의사결정트리를 생성하며, 이러한.. 공감수 0 댓글수 0 2022. 11. 17.
[머신러닝] pima 데이터를 사용한 분류: Decision Tree 🚫Data: pima • Pima Indians Diabetes Database | Kaggle Pima Indians Diabetes Database Predict the onset of diabetes based on diagnostic measures www.kaggle.com ✅ 데이터 구성 Pregnancies : 임신 횟수 Glucose : 2시간 동안의 경구 포도당 내성 검사에서 혈장 포도당 농도 BloodPressure : 이완기 혈압 (mm Hg) SkinThickness : 삼두근 피부 주름 두께 (mm), 체지방을 추정하는데 사용되는 값 Insulin : 2시간 혈청 인슐린 (mu U / ml) BMI : 체질량 지수 (체중kg / 키(m)^2) DiabetesPedigreeFunct.. 공감수 0 댓글수 0 2022. 11. 17.
[머신러닝] INTRO. 머신러닝프로젝트 주요단계(전처리, EDA, Feature Engineering, 교차검증, 하이퍼파라미터튜닝) 1️⃣ step1. 데이터 수집 → 전처리 → EDA Feature engineering을 위한 단계로 볼 수 있다. 1) 데이터 탐색 .info(), .select_dtypes()매서드를 이용해서 데이터프레임에 대한 요약정보 확인 이를 통해 범주형(Categorical) 및 수치형(Numeric) 변수(Features)가 얼마나 있는지 확인할 수 있음 2) 결측치(Missing Value) 탐색 결측치란, Feature가 적절한 값을 갖지 못하고 무의미한 값을 갖는 경우를 의미한다. None, Null, Nan, 공백 등 다양한 값으로 존재하며 잘 처리해줘야한다. .isnull().sum(), .isnul().sum().mean() 3) 이상치(Outlier) 이상치란 Feature에서 일반적인 값 분.. 공감수 0 댓글수 0 2022. 11. 17.
[머신러닝] INTRO. Definition, Tool, 알고리즘 유형 1. Definition 💡머신러닝 : A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, imporves with experiance E week AI를 구현하기 위한 하나의 수단이다. Strong AI: 강인공지능, 사람처럼 행동하는 것 Week AI: 하나의 목적을 위해 만들어진 AI(ex. 알파고) 경험을 통해 컴퓨터 프로그램을 imporve한다. 2. Tools(라이브러리) 1) 사이킷런(scikit-learn) GitHub에서 가장 인기 있는 .. 공감수 0 댓글수 0 2022. 11. 17.
시각화 총정리: plotly 국가 권역별 수출 수입에 대한 데이터를 시각화해보고자 한다. world = ['아시아', '중동', '유럽', '북미', '중남미', '아프리카', '오세아니아', '기타지역', 'EU(27)', 'OECD', 'ASEAN', 'LAIA', '선진국', 'OPEC', '개발도상국'] df_word = df[df["국가권역"].isin(world)] df_country = df[~df["국가권역"].isin(world)] px.histogram(df_country, x="달러", y="국가권역", histfunc="sum") plotly express histogram == seaborn의 barplot과 유사한 기능을 한다. seaborn의 estimate == plotly의 histfunc histfu.. 공감수 0 댓글수 1 2022. 10. 28.
시각화 총정리: seaborn 1. x = 범주형 변수, y = 수치형변수 일 때 barplot plt.figure(figsize=(12,8)) sns.barplot(data = df, x="연도", y="평당분양가격") pointplot plt.figure(figsize=(12,8)) sns.pointplot(data = df, x="연도", y="평당분양가격") boxplot plt.figure(figsize=(12,8)) sns.boxplot(data = df, x="연도", y="평당분양가격") violinplot plt.figure(figsize=(12,8)) sns.violinplot(data = df, x="연도", y="평당분양가격") swarmplot plt.figure(figsize=(12,8)) sns.swarmp.. 공감수 0 댓글수 0 2022. 10. 28.
Boolean Indexing 1. 여러 조건 비교하기 강남구에서 일요일에 확진된 데이터 df[(df["거주구"]=="강남구")&(df["요일명"]=="일")] 거주구가 강남구이며 여행력이 일본인 데이터의 접촉력과 퇴원현황 데이터 가져오기 df[(df["거주구"]=="강남구")&(df["여행력"]=="일본")]["접촉력","퇴원현황"] df.loc[(df["거주구"]=="강남구")&(df["여행력"]=="일본"),["접촉력","퇴원현황"]] 2. str.contains 활용하기 컬럼 대문자 만들기 df["접촉력_대문자"] = df["접촉력"].str.upper() pc방이 들어간 데이터를 찾고, 접촉력에 대한 빈도수 세기 df[df["접촉력_대문자"].str.contains("PC방")]["접촉력"].value_counts() df... 공감수 0 댓글수 0 2022. 10. 28.
[데이터 집계] pd.crosstab, pivot table, group by pd.crosstab 2개의 범주형변수에 대한 빈도수를 구할 때 사용한다. 연도, 퇴원현황 두개 변수에 대한 빈도수 구하기 pd.crosstab(index=df["연도"], column=df["퇴원현황"]) normalize=True를 사용한 빈도 비율 구하기 pd.crosstab(index=df["연도"], column=df["퇴원현황"], normalize=True)*100 pivot table 거주구, 해외유입에 대한 빈도수 하기 pd.pivot_table(data = df, index="거주구", columns="해외유입", aggfunc="count") 거주구, 해외유입에 대한 환자 빈도수 하기 pd.pivot_table(data = df, index="거주구", columns="해외유입", v.. 공감수 0 댓글수 0 2022. 10. 28.
빈 날짜 채우기, 누적 합 구하기 날짜 데이터를 가져올 경우 중간에 빠진 데이터가 생길 수 있다. 그 때 pd.date_range를 써서 날짜를 메꿔준다. 1. 첫 확진일과 마지막 확진일 찾기 last_day = day_cnt.index[-1] # = df["확진일"].max() #Timestamp('2021-12-26 00:00:00') first_day = day_cnt.index[0] # = df["확진일"].min() #Timestamp('2020-01-24 00:00:00') 2. date_range로 전체 기간 데이터 만들기 all_day = pd.date_range(start = first_day, end = last_day) all_day DatetimeIndex(['2020-01-24', '2020-01-25', '202.. 공감수 0 댓글수 0 2022. 10. 28.
시각화 총정리: pandas A. 판다스 API를 이용한 시각화 - 수치형 변수 1. 전체 수치변수에 대한 히스토그램 df.hist(bins=100, figsize=(12,8)) plt.show() 2. line year_month = df["연도월"].value_counts().sort_index(ascending=True) year_month.plot() 선 추가 day_cnt = df["확진일"].value_counts().sort_index() day_cnt.plot(title="일자별 확진수", figsize=(10, 3)) plt.axhline(1500, c="r", lw = 0.5, ls = "--") #1500에서, c: 색깔, lw: 선굵기, ls:선스타일 3. area year_month.area() 4. bar .. 공감수 0 댓글수 0 2022. 10. 28.
[PANDAS] 전처리 & EDA 총정리 A. 데이터 불러오기 1. 라이브러리 로드하기 import pandas as pd import numpy as np import matplotlib.pyplot as plt 2. 파일 불러오기 from glob import glob file_name = glob("seoul*.csv") #seoul로 시작하는 csv 파일을 찾아달라는 의미 # 파일 변수에 담기 df = pd.read_csv(file_name, encoding="cp949") B. 데이터 확인 및 요약하기 # 데이터 형태 보기 df.shape # 데이터 일부만 확인하기 df.head() df.tail() df.sample() # 컬럼별 타입 확인하기 df.dtypes # 데이터 유일값 확인하기 df[columns].unique() # 컬럼.. 공감수 0 댓글수 0 2022. 10. 27.
[시각화] Plotly plotly는 파이썬의 대표적인 인터랙티브 시각화도구이다. Plotly는 개인 및 공동 작업을 위한 온라인 그래프 작성, 분석 및 통계 도구와 Python , R, MATLAB, Perl, Julia, Arduino 및 REST 용 과학 그래프 라이브러리를 제공한다. Plotly Express: high-level interface for data visualization seaborn과 사용법이 비슷하며, plotly.graph_objectc에 비해 비교적 간단한 편이다. 가장 큰 장점은 한글폰트 설정이 따로 필요없다는 점이며, 인터페이스만 파이썬을 사용함을 알 수 있다. import plotly.express as px scatter([data_frame, x, y, color, symbol, …]).. 공감수 0 댓글수 0 2022. 10. 27.
[크롤링 & EDA] 메인 및 상세 페이지 수집 함수 만들기: 서울특별시 다산콜센터의 주요 민원 서울특별시 120 전체 페이지 목록에 포함된 번호, 제목, 생산일, 조회수와 더불어 상세페이지에서 알 수 있는 내용번호, 내용, 분류까지 불러오는 데이터프레임을 만드는 것이 목적이다. step1. 라이브러리로드 import pandas as pd import numpy as np import requests from bs4 import BeautifulSoup as bs import time from pandas.io.pytables import TableIterator from tqdm.notebook import tqdm step2. 메인페이지(목록 + 상세페이지로 이동가능한 내용번호가 포함된)를 불러오는 함수 def get_one_page(page_no): #1: page_no 마다 url이 변경되.. 공감수 0 댓글수 0 2022. 10. 26.
[크롤링] requests, BeautifulSoup, Json # 웹 데이터를 수집하는 방법 Web Scraping vs API 데이터 수집 과정은 reverse engineering 과정이다 # 네이버 금융 개별 종목 수집# # tqdm: 진행상황을 보여주는 라이브러리, trange라고 하면 범위내에서 진행상황을 알려줌 # pd.read_html의 오류 테이블테그가 없거나, 테이블코드가 있어도 url을 불러오지 못함 접근 권한을 막아놨기때문에, 브라우저를 정상적으로 요청하지 않았기 때문에 이런 경우 셀리니움으로 수집하기도 하나, 시간이 오래걸리는 단점이 있음. # requests 사람을 위해서 만들어진 http 통신 도구(HTTP for Humans), 크롬과 달리 소스코드만 보여줌 라이브러리, 작은 브라우저로 웹사이트를 읽어오는 목적 header에서 requet.. 공감수 1 댓글수 0 2022. 9. 29.
[크롤링] FinanceDataReader, 네이버금융 뉴스기사 크롤링 # FinanceDataReader 한국 주식 가격, 미국주식 가격, 지수, 환율, 암호화폐 가격, 종목 리스팅 등 금융 데이터 수집 라이브러리 데이터를 가져올 수 있는 방법을 제공하고 있음 !pip install -U finance-datareader import FinanceDataReader as fdr 한국거래소 상장종목 전체 가져오기 # KRX : KRX 종목 전체 df = fdr.StockListing("KRX") #요약, 기술통계, sorting등 데이터프레임형태로 가공할 수 있음 파일로 저장하고 읽어오기 # to_csv로 Dataframe을 데이터 저장용 파일인 CSV 파일로 바꿀 수 있습니다. df.to_csv("krx.csv",index = False, encoding = "cp949".. 공감수 2 댓글수 0 2022. 9. 28.
[EDA] 범주형데이터 기술통계 및 시각화 https://seaborn.pydata.org/index.html import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt df = sns.load_dataset("mpg") # 기술통계 범주형 변수에 대한 기술통계 df.describe(include = "object") : 범주형 데이터의 경우 데이터타입이 꼭 object가 아니라 int, float, bool일 수 있음 범주형, 수치형 모두 기술통계보기 df.describe(include = "all") df.describe(exclude = “”) df.describe(exclude = "object") # = df.describe() d.. 공감수 0 댓글수 0 2022. 9. 28.
[EDA] 추상화된 도구로 기술통계량 구하기, 수치형변수 시각화, 상관분석 및 상삼각으로 시각화 import pandas as pd import numpy as np import seaborn as sns # 0.11.0 버전에서 변화가 많으니 이 버전 이상을 사용해 주세요. !pip install seaborn --upgrade # 0.11.2 #seaborn에 내장되어 있는 데이터 셋을 가져옴 df = sns.load_dataset("mpg") df.head()와 df.tail()은 iloc[:5], iloc[-5:]로 작동함 주석처리 ctrl + / # 추상화된 도구를 통한 기술통계구하기 Pandas Profiling !pip install pandas-profiling==3.1.0 from pandas_profiling import ProfileReport profile = ProfileRe.. 공감수 0 댓글수 0 2022. 9. 28.
1주차 과제 뒷풀이: 인덱싱은 리스트나 문자열만! for i in range(1, 21): if i[-1] == 3: print("짝") else: print(i) 이렇게 출력하면 'int' object is not subscriptable 란 오류메시지가 뜨는데, 그 이유는 리스트나 어레이가 아니기 때문에 인덱싱 접근이 불가능하다는 뜻이다. 따라서 이를 해결하기위해 int(str(i)[-1]) 로 조건문을 바꿔줘야 한다. # 아래 for 문을 활용하여 위 출력과 같이 3, 6, 9에 "짝"이 출력되도록 해주세요! for i in range(1, 21): if int(str(i)[-1]) == 3: print("짝") elif int(str(i)[-1]) == 6: print("짝") elif int(str(i)[-1]) == 9: print("짝") .. 공감수 0 댓글수 0 2022. 9. 22.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.