こんにちは!今日はインテリジェント人材開発院受講のPythonライブラリで!Numpy、Pandas、Matplotlibを整理してみましょう.では早速始めましょう!

🍇

Numpy :

高性能科学計算用データ分析ライブラリ

は、高速で効率的なベクトル演算の多次元アレイを提供する.(カレンダークラス)

を繰り返すことなく、データ・アレイ全体を計算できる標準数学関数
(sum()、sqrt()、mean()リスト、tupleは単純なリストで、演算できません!

線形代数は、乱数(乱数)を生成し、フーリエ変換に変換する.

シーケンス(index)

numpy.カレンダクラス

は、同じデータ型の値を配列形式で存在する.

n次元に設定できます.

各値

は正の整数にインデックスされます.

numpyでは、次元(dimension)をrank、axisと呼ぶ.

endarrayをarrayと略す.

条件フィルタ

ブール索引

true値は/false値を出力しません.

Tipデータを入力すると、サイズを知るのが基本です!
shape():サイズ、size():要素数、ndim():次元
Tip順があるのでインデックス、スライドができます!
インデックスとスクライブは、秩序あるデータソースからデータを取得する方法であり、それらの書き込み方法は同じです.
かっこでスタート!
Tip axis=0(垂直)/axis=1(水平)

n.関数

🥑

Pandas :

行と列からなる表形式のデータを処理および分析するためのライブラリ.
Numpyベースでpandas->を使用して計算可能!

2

Series Class:1 D{index+値}

値:検証値
index:インデックスのチェック
dtype:

データ型の検証

n.関数

名前を付ける

.name

.index.name

測定値確認

.isnull()

.notnull()

Tip

and = &

or = |

2

DataFrame Class:2 D

行および列と同様のテーブル.
異なるタイプのデータ型を格納できます.

値:検査値

index:インデックスのチェック(1次元のシリーズは値、インデックスのみ)

列:列をチェック(2 Dデータフレームから列へ!)

索引、スライド

:行と列を一度にインデックスし、関数/変数をスムーズにします.インデックス[行、列]

loc:インデックスの値(文字)を使用します.

iloc:インデックスの番号(整数)を使用します.(i=予告編!)

インデックス[行]:対応する行のデータ出力.

Q.人口実習

# 1. 파일 드랍하고 업로드 후, 데이터 불러오기. 인코딩해주고, 인덱스값을 바로 지정! 
population_number = pd.read_csv('population_number.csv', encodeing='euc-kr', index_col='도시')
# 2. 각 값이 나온 횟수 세기
# 2-1. 인덱싱하기
# 2.2 value_counts() 함수 이용

ツールバーの

sort index:インデックス値でソートします.昇順!
(降順ソートの場合、カッコ内の昇順=エラー!)

sort values:データ値でソートします.
by=カラム値ベース
リストを使用して複数の基準でソートできます.

population_number.sort_values(by=['지역', '2010'])
=> '지역'과 '2010'를 하나의 리스트로 묶어 정렬. 

Booleanインデックス

条件でのデータインポート=>インデックス

判別(ブール)->戻り論理値(真/偽)

条件に従ってデータ

をインポートする.
Q.2015年の人口が250万人を超えるデータを導入.

1. population_number['2015']
2. population_number['2015'] >= 2500000
3. population_number[population_number['2015']>=2500000

条件が2つを超える場合はカッコで囲みます!

population_number[(population_number['2015']>=2500000) & (population_number['2010']>=2500000)]

Q.合計、平均列を追加

score['합계'] = score_sum
score['평균'] = score.loc[:, :'4반'].mean(axis=1)

データフレームのマージ

concat

merge

Fillna(入力値指定):入力が欠落しています
drop:DataFrame列を削除する(出力のみ!元の値は変更しない)
axisを指定し、inplace=Trueを指定してデータを削除します.
Q.犯罪率の増減を求める
1.データをインポートし、「発生回数」のみ抽出
2.年度増減を探せ!
3.カラム名を変更!
途中でうまくいかなければ、そのままデータを再読み込みして行います!

# 데이터 가져오기 
df2015 = pd.read_csv('2015.csv', encoding='euc-kr', index_col='관서명')
df2016 = pd.read_csv('2016.csv', encoding='euc-kr', index_col='관서명')
df2017 = pd.read_csv('2017.csv', encoding='euc-kr', index_col='관서명')

# 광주지방경찰청은 2017년에만 있는 데이터여서 삭제 
df2017.drop('광주지방경찰청', axis=0, inplace=True)

# 총계(데이터 총합) 컬럼 추가
df2015_crime['총계'] = df2015_crime.sum(axis=1)
df2016_crime['총계'] = df2016_crime.sum(axis=1)
df2017_crime['총계'] = df2017_crime.sum(axis=1)

df2015_crime.loc[:, '살인':'폭력'].sum(axis=1)
df2016_crime.loc[:, '살인':'폭력'].sum(axis=1)
df2017_crime.loc[:, '살인':'폭력'].sum(axis=1)

t1 = df2015_crime['총계']
t2 = df2016_crime['총계']
t3 = df2017_crime['총계']

p1 = (t2-t1)/t1*100
p2 = (t3-t2)/t2*100

crime = pd.concat([t1, p1, t2, p2, t3], axis=1)

p1.name = '2015-2016 증감율'
p2.name = '2016-2017 증감율'

crime.columns = ['2015총계', '2015-2016 증감율', 
                '2016총계', '2016-2017 증감율', '2017총계']

🥕

Matplotlib :

2 Dグラフィックスで可視化可能なライブラリ

データの表示

大量に分散した資料をグラフやグラフに整理して、一目で見えるようにします.
ビジュアル化により、データの特徴を簡単に理解できます.
分析結果を効果的に相手に伝えることができます.
pyplot:非可視化の簡単な情報を入力するだけで印刷できます.(plt)
pylab:可視化+numpy




Q.毎週死亡交通事故の可視化

import pandas as pd
data=pd.read_csv("", encoding="euc-kr")

# 분석 시작 전 확인하기. 
data.shape() 
data.head()
data.tail()
data.info()

# 1. 요일 컬럼 가져오기
# .unique() : 중복없는 데이터 출력 함수. 
data['요일'].unique() 
# 요일별 사고 발생 건수 확인하고 temp에 담기
temp = data['요일'].value_counts()
# 요일 순서대로 가져와서 y에 담기 
# temp['월', '화'] 이런식으로 하면 오루! 대괄호 하나 더 써서 리스트화 시키기! 
y = temp[['월', '화', '수', '목', '금', '토', '일']]
x = y.index

# 2. barchart 그리기 
plt.bar(x, y)
plt.show() 
# 특정 구간만 확대해서 출력하기. 
plt.bar(x, y)
plt.ylim(500, 600)
plt.show()

/

この記事では、Pythonライブラリについて理解しました.データを取得して可視化するプロセスはとても面白いです.では次のポストで会いましょう!

インテリジェント人材開発院をもっと知りたいなら👆上の画像👆クリック!
#ビッグデータ専門家、#IT資格証明、#インテリジェント人材開発院、#SQL、#機械学習