numpy, pandas 기초

넘파이 ndarray ,파이썬 리스트, 딕셔너리 - > DataFrame 생성

---

1차원 형태의 데이터를 기반으로 DataFrame 생성

• 1차원 형태의 데이터를 기반으로 DataFrame을 생성하므로 칼럼명이 한개 필요.

import numpy as np
import pandas as pd
col_name1=['col1']
list1=[1, 2, 3]
array1= np.array(list1)
print('array1 shape:', array1.shape)

#리스트를 이용해 DataFrame 생성.
df_list1 = pd.DataFrame(list1, columns = col_name1)
print('\n',list1,'\n')
print('1차원 리스트로 만든 DataFrame:\n', df_list1)

#넘파이 ndarray를 이용해 DataFrame 생성
print('\n',array1,'\n')
df_array1 = pd.DataFrame(array1, columns=col_name1)
print('1차원 ndarray로 만든 DataFrame:\n' ,df_array1)

array1 shape: (3,)

 [1, 2, 3] 

1차원 리스트로 만든 DataFrame:
    col1
0     1
1     2
2     3

 [1 2 3] 

1차원 ndarray로 만든 DataFrame:
    col1
0     1
1     2
2     3

2차원 형태의 데이터를 기반으로 DataFrame 생성

• 2행 3열 형태의 리스트와 ndarray를 기반으로 DataFrame를 생성하므로 칼럼명 3개 필요

col_name2=['col1','col2','col3']
list2=[[1, 2, 3],
       [11,12,13]]
array2= np.array(list2)
print('array2 shape:', array2.shape)

#리스트를 이용해 DataFrame 생성.
df_list2 = pd.DataFrame(list2, columns = col_name2)
print('\n',list2,'\n')
print('2차원 리스트로 만든 DataFrame:\n', df_list2)

#넘파이 ndarray를 이용해 DataFrame 생성
print('\n',array2,'\n')
df_array2 = pd.DataFrame(array2, columns=col_name2)
print('2차원 ndarray로 만든 DataFrame:\n' ,df_array2)

array2 shape: (2, 3)

 [[1, 2, 3], [11, 12, 13]] 

2차원 리스트로 만든 DataFrame:
    col1  col2  col3
0     1     2     3
1    11    12    13

 [[ 1  2  3]
 [11 12 13]] 

2차원 ndarray로 만든 DataFrame:
    col1  col2  col3
0     1     2     3
1    11    12    13

딕셔너리 형태로 DataFrame 생성

• 일반 적으로 딕셔너리를 DataFrame로 변환시 딕셔너리의 Key 를 컬럼명, value 를 해당 하는 컬럼 데이터로 변환 .

# Key는 컬럼명으로 매핑, Value는 리스트 형(또는 ndarray)
dict = {'col1':[1, 11], 'col2':[2, 22], 'col3':[3, 33]}
df_dict = pd.DataFrame(dict)
print('딕셔너리로 만든 DataFrame:\n', df_dict)

딕셔너리로 만든 DataFrame:
    col1  col2  col3
0     1     2     3
1    11    22    33

key 값은 칼럼명, 각 value는 컬럼 데이터로 매핑 됐음을 알수 있음.

DataFrame을 넘파이 ndarray, 리스트, 딕셔너리로 변환하기

---

• 많은 머신러닝 패키지가 기본 데이터 형으로 넘파이 ndarray를 사용 따라서 데이터 핸들링은 DataFrame를 이용하더라도 머신런이 패키지의 입력 인자등에 적용하기 이해 다시 넘파이 ndarray로 변환하는 경우가 빈번하게 발생
• DataFrame를 넘파이 ndarray로 변환하는 것은 DataFrame 객체의 values를 이용해서 쉽게 가능

#DataFrame을 ndarray로 변환
array3 = df_dict.values
print('df_dic.values 타입 : \n', type(array3), ' df_dict.values shape : ', array3.shape)
print(array3)

df_dic.values 타입 : 
 <class 'numpy.ndarray'>  df_dict.values shape :  (2, 3)
[[ 1  2  3]
 [11 22 33]]

DataFramd 를 리스트 딕셔너리로 변환

• 리스트로의 변환은 values로 얻은 ndarray에 tolist()를 호출하면됨

• 딕셔너리로의 변환은 DataFrame 객체의 to_dict() 메서드를 호출하는데, 인자로 'List'를 입력 하면 딕셔너리 값이 리스트 형으로 반환됨.

#DataFrame을 리스트로 변환
list3 =  df_dict.values.tolist()
print('df_dict.values.tolist() 타입:', type(list3))
print(list3)

# DataFrame을 딕셔너리로 변환
dict3 = df_dict.to_dict('list')
print('\n df_dict.to_dict() 타입 : ', type(dict3))
print(dict3)

df_dict.values.tolist() 타입: <class 'list'>
[[1, 2, 3], [11, 22, 33]]

 df_dict.to_dict() 타입 :  <class 'dict'>
{'col1': [1, 11], 'col2': [2, 22], 'col3': [3, 33]}

DataFrame의 칼럼 데이터 셋 생성과 수정

---

• DataFrame의 칼럼 데이터 셋 생성과 수정은 [ ] 연산자를 통해 쉽게 가능

• DataFrame[ ] 내에 새로운 칼럼명을 입력하고 값을 할당해주면된다.

titanic_df=pd.read_csv('./excel/titanic_train.csv')

Series에 상숫값을 할당하면 Series의 모든 데이터 셋에 일괄적으로 적용됨

titanic_df['Age_0']=0
titanic_df.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_0
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	0
1	2	1	1	Cumings, Mrs. John Bradley ...	female	38.0	1	0	PC 17599	71.2833	C85	C	0
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2...	7.9250	NaN	S	0

기존 칼럼 Series의 데이터를 이용해 새로운 칼럼 Series 생성

titanic_df['Age_by_10']=titanic_df['Age']*10
titanic_df['Family_No'] = titanic_df['SibSp']+titanic_df['Parch']+1
titanic_df.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_0	Age_by_10	Family_No
0	1	0	3	Braund, Mr...	male	22.0	1	0	A/5 21171	7.2500	NaN	S	0	220.0	2
1	2	1	1	Cumings, Mrs...	female	38.0	1	0	PC 17599	71.2833	C85	C	0	380.0	2
2	3	1	3	Heikkinen, Miss...	female	26.0	0	0	STON/O2. ..	7.9250	NaN	S	0	260.0	1

titanic_df['Age_by_10']=titanic_df['Age_by_10']+100
titanic_df.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_0	Age_by_10	Family_No
0	1	0	3	Braund, Mr...	male	22.0	1	0	A/5 21171	7.2500	NaN	S	0	320.0	2
1	2	1	1	Cumings, Mrs...	female	38.0	1	0	PC 17599	71.2833	C85	C	0	480.0	2
2	3	1	3	Heikkinen, Miss..	female	26.0	0	0	STON/O2...	7.9250	NaN	S	0	360.0	1

기존 칼럼 Series를 가공해 새로운 칼럼 Series인 Age_by_10 과 Family_No 가 새롭게 추가됨을 알 수 있다.

DataFrame 데이터 삭제

---

DataFrame에서 데이터의 삭제는 drop()메서드를 이용한다. drop() 메서드의 원형은 다음과 같다.

df.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')

• labels 에 삭제 하려는 칼럼을 입력한다.

• axis 0 은 로우 방향 축 , axis 1은 칼럼 방향 축이다. drop() 메서드에 axis = 1을 입력하면 칼럼 축 방향으로 드롭을 수행하겠다는 의미이다.

• inplace = True 로 지정하면 데이터 프레임의 원형이 바뀐다. 기본값은 False이다.

'Age_0'칼럼을 제거해 보자.

titanic_df.drop(labels = 'Age_0',axis=1,inplace=True)
titanic_df.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_by_10	Family_No
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	320.0	2
1	2	1	1	Cumings, Mrs. John Bradley ...	female	38.0	1	0	PC 17599	71.2833	C85	C	480.0	2
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. .	7.9250	NaN	S	360.0	1

Index 객체

---

• Pandas 의 Index 객체는 RDBMS의 PK(primary key)와 유사하게 DataFrame, Series의 레코드를 고유하게 식별하는 객체이다.

• DataFrame, Series에서 Index객체만 추출하려면 DataFrame.index 또는 Series.index속성을 통해 가능하다.

#원본 파일 다시 로딩
titanic_df = pd.read_csv('./excel/titanic_train.csv')

#Index 객체 추출
indexes = titanic_df.index
print(indexes)

#Index 객체를 실제 값 array로 변환
print('Index 객체 array값 :\n', indexes.values)

RangeIndex(start=0, stop=891, step=1)
Index 객체 array값 :
 [  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17
  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35
  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53
  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71
  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89
  90  91  92  93  94  95  96  97  98  99 100 101 102 103 104 105 106 107
 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125
 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143
 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161
 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179
 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197
 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215
 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233
 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251
 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269
 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287
 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305
 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323
 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341
 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359
 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377
 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395
 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413
 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431
 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449
 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467
 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485
 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503
 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521
 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539
 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557
 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575
 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593
 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611
 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629
 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647
 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665
 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683
 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701
 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719
 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737
 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755
 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773
 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791
 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809
 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827
 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845
 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863
 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881
 882 883 884 885 886 887 888 889 890]

단일 값 반환및 슬라이싱

Index 객체는 식별성 데이터를 1차원 array로 가지고 있다. 또한 ndarray와 유사하게 단일 값 반환및 슬라이싱도 가능하다.

print(type(indexes.values))
print(indexes.values.shape)
print(indexes[:5].values)
print(indexes.values[:5])
print(indexes[6])

<class 'numpy.ndarray'>
(891,)
[0 1 2 3 4]
[0 1 2 3 4]
6

• 한 번 만들어진 DataFrame 및 Series의 Index 객체는 함부로 변경할 수 없다.

즉 다음과 같이 첫 번째 Index 객체의 값을 5로 변경하는 작업은 수행할 수 없다.

indexes[0]= 5

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-39-1ca2c2e93c04> in <module>
----> 1 indexes[0]= 5


C:\anaconda3\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
   3908 
   3909     def __setitem__(self, key, value):
-> 3910         raise TypeError("Index does not support mutable operations")
   3911 
   3912     def __getitem__(self, key):


TypeError: Index does not support mutable operations

• Series 객체는 Index 객체를 포함하지만 Series 객체에 연산 함수를 적용할 때 Index는 연산에서 제외된다. Index는 오직 식별용으로만 사용 됩니다.

series_fair = titanic_df['Fare']
print('Fair Series max 값:', series_fair.max())
print('Fair Series sum 값:', series_fair.sum())
print('sum() Fair Series:', sum(series_fair))
print('Fair Series + 3:\n',(series_fair + 3).head(3) )

Fair Series max 값: 512.3292
Fair Series sum 값: 28693.9493
sum() Fair Series: 28693.949299999967
Fair Series + 3:
 0    10.2500
1    74.2833
2    10.9250
Name: Fare, dtype: float64

reset_index()

• DataFrame 및 Series 에 reset_index() 메서드를 수행하면 새롭게 인덱스를 연속 숫자형으로 할당하며 기존 인덱스는 'index'라는 새로운 칼럼명으로 추가합니다.

• reset_index() 의 파라미터 중 drop=True로 설정하면 기존 인덱스는 새로운 칼럼으로 추가되지 않고 삭제(drop) 됩니다.

titanic_reset_df = titanic_df.reset_index(inplace=False)
titanic_reset_df.head(3)

	index	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	1	2	1	1	Cumings, Mrs. John Bradley...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2..	7.9250	NaN	S

print('### befroe reset_index ###')
value_counts = titanic_df['Pclass'].value_counts()
print(value_counts)
print('value_counts 객체 변수 타입: ', type(value_counts))
new_value_counts = value_counts.reset_index(inplace =False)
print('###After reset_index ###')
print(new_value_counts)
print('new_value_counts 객체 변수 타입 : ', type(new_value_counts))
print('### 기존 인덱스 drop ###')
drop_new_value_counts = value_counts.reset_index(drop=True,inplace =False)
print(drop_new_value_counts)

### befroe reset_index ###
3    491
1    216
2    184
Name: Pclass, dtype: int64
value_counts 객체 변수 타입:  <class 'pandas.core.series.Series'>
###After reset_index ###
   index  Pclass
0      3     491
1      1     216
2      2     184
new_value_counts 객체 변수 타입 :  <class 'pandas.core.frame.DataFrame'>
### 기존 인덱스 drop ###
0    491
1    216
2    184
Name: Pclass, dtype: int64

데이터 셀렉션 및 필터링

---

• 넘파이의 경우 ' [ ] ' 연산자 내 단일 값 추출, 슬라이싱, 팬시 인덱싱, 불린 인덱싱을통해 데이터를 추출 가능하다. 판다스의 경우 iloc[], loc[] 연산자를 통해 동일한 작업을 수행 한다.

• DataFrame 바로 뒤에 오는 [ ]는 칼럼만 지정할 수 있는 '칼럼 지정 연산자'로 이해하는게 편하다.

[ ] 연산자

• DataFrame 바로 뒤에 오는 [ ]는 칼럼만 지정할 수 있는 '칼럼 지정 연산자'로 이해하는게 편하다

• DataFrame['칼럼명'] : '칼럼명'에 해당하는 칼럼 데이터 추출

• DataFrame[['칼럼명1',..['칼럼명5']] : 칼렴명 리스트에 해당하는 모든 칼럼 의 데이터 추출

• DataFrame [0,0] : 오류 발생

print('단일 컬럼 데이터 추출:\n', titanic_df[ 'Pclass' ].head(3))
print('\n여러 컬럼들의 데이터 추출:\n', titanic_df[ ['Survived', 'Pclass'] ].head(3))
print('[ ] 안에 숫자 index는 KeyError 오류 발생:\n', titanic_df[0])

단일 컬럼 데이터 추출:
 0    3
1    1
2    3
Name: Pclass, dtype: int64

여러 컬럼들의 데이터 추출:
    Survived  Pclass
0         0       3
1         1       1
2         1       3



---------------------------------------------------------------------------

KeyError                                  Traceback (most recent call last)

C:\anaconda3\lib\site-packages\pandas\core\indexes\base.py in get_loc(self, key, method, tolerance)
   2645             try:
-> 2646                 return self._engine.get_loc(key)
   2647             except KeyError:


pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()


pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()


pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()


pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()


KeyError: 0


During handling of the above exception, another exception occurred:


KeyError                                  Traceback (most recent call last)

<ipython-input-48-db364dee1383> in <module>
      1 print('단일 컬럼 데이터 추출:\n', titanic_df[ 'Pclass' ].head(3))
      2 print('\n여러 컬럼들의 데이터 추출:\n', titanic_df[ ['Survived', 'Pclass'] ].head(3))
----> 3 print('[ ] 안에 숫자 index는 KeyError 오류 발생:\n', titanic_df[0])


C:\anaconda3\lib\site-packages\pandas\core\frame.py in __getitem__(self, key)
   2798             if self.columns.nlevels > 1:
   2799                 return self._getitem_multilevel(key)
-> 2800             indexer = self.columns.get_loc(key)
   2801             if is_integer(indexer):
   2802                 indexer = [indexer]


C:\anaconda3\lib\site-packages\pandas\core\indexes\base.py in get_loc(self, key, method, tolerance)
   2646                 return self._engine.get_loc(key)
   2647             except KeyError:
-> 2648                 return self._engine.get_loc(self._maybe_cast_indexer(key))
   2649         indexer = self.get_indexer([key], method=method, tolerance=tolerance)
   2650         if indexer.ndim > 1 or indexer.size > 1:


pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()


pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()


pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()


pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()


KeyError: 0

판다스의 인덱스 형태로 변환 가능한 표현 식은 [ ] 내에 입력할 수 있다.

titanic_df[ 0 : 2 ]

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley...	female	38.0	1	0	PC 17599	71.2833	C85	C

불린 인덱싱 표현

titanic_df[titanic_df['Pclass']==3].head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.250	NaN	S
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.925	NaN	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.050	NaN	S

data = {'Name': ['Chulmin', 'Eunkyung','Jinwoong','Soobeom'],
        'Year': [2011, 2016, 2015, 2015],
        'Gender': ['Male', 'Female', 'Male', 'Male']
       }
data_df = pd.DataFrame(data, index=['one','two','three','four'])
data_df

	Name	Year	Gender
one	Chulmin	2011	Male
two	Eunkyung	2016	Female
three	Jinwoong	2015	Male
four	Soobeom	2015	Male

DataFrame iloc [ ] 연산자

• iloc [] 는 위치 기반 인덱싱만 허용하기 때문에 행과 열 값으로 integer 또는 integer형의 슬라이싱 팬시리스트 값을 입력해줘야 합니다.

• 위 예제의 DataFrame의 첫 번째 행, 첫 번쨰 열읠 추출 하고자 한다면 다음과 같이 입력하면 됩니다

print(data_df)
data_df.iloc[0, 0]

           Name  Year  Gender
one     Chulmin  2011    Male
two    Eunkyung  2016  Female
three  Jinwoong  2015    Male
four    Soobeom  2015    Male





'Chulmin'

DataFrame loc[] 연산자

• loc[]는 명칭 기반으로 데이터를 추출합니다. 따라서 행위치에 DataFrame index 값을, 그리고 열 위치에는 칼럼명을 입력해 줍니다.

data_df.loc['one', 'Name']

'Chulmin'

정렬, Aggregation 함수, Groupby 함수

---

DataFrame , Series 의 정렬 - sort_values()

• DataFrame, Series의 정렬을 위해서는 sort_values() 메서드를 이용.

• sort_values()의 주요 파라미터는 by, ascending, inplace 가 있다.

• by 파라미터로 정렬을 수행할 칼럼 선택

• ascending 로 오름차순 내림차순 선택(ascending = True (기본값, 오름차순 정렬))

• inplace 원본 데이터 변경여부 선택 (inplace = False (기본값, 원본데이터 변경 x))

• titanic_df를 Name 칼럼으로 오름차순 정렬해 반환한다.

titanic_sorted = titanic_df.sort_values(by=['Name'], ascending= False)
titanic_sorted.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
868	869	0	3	van Melkebeke, Mr. Philemon	male	NaN	0	0	345777	9.5000	NaN	S
153	154	0	3	van Billiard, Mr. Austin Blyler	male	40.5	0	2	A/5. 851	14.5000	NaN	S
361	362	0	2	del Carlo, Mr. Sebastiano	male	29.0	1	0	SC/PARIS 2167	27.7208	NaN	C

• 여러 개의 칼럼으로 정렬하려면 by 에 리스트 형식으로 정렬하려는 칼럼을 입력.

import pandas as pd
titanic_df = pd.read_csv('./titanic_train.csv')
titanic_sorted = titanic_df.sort_values(by=['Pclass','Name'], ascending= False)
titanic_sorted.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
868	869	0	3	van Melkebeke, Mr. Philemon	male	NaN	0	0	345777	9.5	NaN	S
153	154	0	3	van Billiard, Mr. Austin Blyler	male	40.5	0	2	A/5. 851	14.5	NaN	S
282	283	0	3	de Pelsmaeker, Mr. Alfons	male	16.0	0	0	345778	9.5	NaN	S

Aggregation 함수 적용

• DataFrame에서 aggregation 함수의 적용은 SQL의 aggregaton 함수 적용과 유사하다.

• 다만 DataFrame의 경우 DataFrame에서 바로 aggregation을 호출 할 경우 모든 칼럼에 해당 aggregation을 적용한다는 차이가 있다.

아래의 예제는 titanic_df에 count()를 적용하면 모든 칼럼에 count() 결과를 반환한다.

titanic_df.count()

---------------------------------------------------------------------------

NameError                                 Traceback (most recent call last)

<ipython-input-6-7dd1b3707011> in <module>
----> 1 titanic_df.count().count()


NameError: name 'titanic_df' is not defined

• 특정 칼럼에 aggregation 함수를 적용하기 위해서는 DataFrame에 대상 칼럼들만 추출해 aggregation을 적용하면 된다.

titanic_df[['Age','Fare']].mean()

Age     29.699118
Fare    32.204208
dtype: float64

groupby() 적용

• DataFrame의 groupby()는 SQL의 group 키워드와 유사하면서도 다른 면이 있기 때문에 주의 가필요하다

• groupby() 사용 시 입력 파라미터 by에 칼럼을 입력하면 대상 칼럼으로 groupby 된다.

• DataFrame에 groupby()를 호출하면 DataFrameGroupby 라는 또 다른 형태의 DataFrame을 반한다.

titanic_groupby = titanic_df.groupby(by='Pclass')
print(type(titanic_groupby))
titanic_groupby

<class 'pandas.core.groupby.generic.DataFrameGroupBy'>





<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000027F4E392908>

SQL과 다르게 DataFrame에 groupby()를 호출해 반환된 결고에 aggregation 함수를 호출하면 groupby() 대상 칼럼을 제외한 모든 칼럼에 해당 aggregation 함수를 적용한다.

titanic_groupby = titanic_df.groupby('Pclass').count()
titanic_groupby

	PassengerId	Survived	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
Pclass
1	216	216	216	216	186	216	216	216	216	176	214
2	184	184	184	184	173	184	184	184	184	16	184
3	491	491	491	491	355	491	491	491	491	12	491

SQL의 경우 group by 적용 시 여러 개의 칼럼에 aggregation 함수를 호출하려면 대상 칼럼을 모두 Select 절에 나열해야하는데 DataFrameGroupby 는 객체에 해당 칼럼을 필터링한뒤 aggregation 함수를 적용한다.

다음 예제는 titanic_df.groupby(‘Pclass’)로 반환된
DataFrameGroupby 객체에 [[‘PassengerId’, ‘Survived’]] 로 필터링해 PassengerId와 Survived 칼럼에만 count()를 수행합니다.

titanic_groupby = titanic_df.groupby('Pclass')[['PassengerId','Survived']].count()
titanic_groupby

	PassengerId	Survived
Pclass
1	216	216
2	184	184
3	491	491

여러 개의 aggregation 함수명을 DataFrameGroupby 객체의 agg() 내의 인자로 입력해서 적용 가능

titanic_df.groupby('Pclass')['Age'].agg([max,min])

	max	min
Pclass
1	80.0	0.92
2	70.0	0.67
3	74.0	0.42

서로 다른 aggregation 함수를 groupby에서 호출하려면 agg() 내에 입력 값으로 딕셔너리 형태로 aggregation이 적용될 칼럼들과 aggregation 함수를 입력.

agg_format={'Age':'max', 'SibSp':'sum', 'Fare':'mean'}
titanic_df.groupby('Pclass').agg(agg_format)

	Age	SibSp	Fare
Pclass
1	80.0	90	84.154687
2	70.0	74	20.662183
3	74.0	302	13.675550

결측치 처리하기

---

• 결측치는 칼럼에 값이 없는 경우를 말하며 이를 넘파이의 NaN으로 표시한다.

• 기본적으로 머신런이 알고리즘은 NaN을 처리하지 않으므로 다른 값으로 대체해야함.

• NaN 값은평균,총합 등의 함수 연산시 제외됨. (100개 데이터중 10개가 NaN 일 경우, 이 칼럼의 평균 값은 90개 데이터에 대한 평균 값)

• isna() : NaN 여부를 확인, fillna() : NaN 값을 다른 값으로 대체

isna()

• DataFrame에 isna()를 수행하면 모든 칼럼 값이 NaN인지 아닌지를 True나 False 로 알려준다.

titanic_df.isna().head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	False	False	False	False	False	False	False	False	False	False	True	False
1	False	False	False	False	False	False	False	False	False	False	False	False
2	False	False	False	False	False	False	False	False	False	False	True	False

• 결손 데이터의 개수는 isna() 결과에 sum () 함수를 추가해 구할 수 있다.

• sum() 을 호출 시 True는 내부적으로 1로 ,False는 숫자 0으로 변환된다.

titanic_df.isna().sum()

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

fillna()

• fillna() 를 이용하면 결손 데이터를 편리하게 다른 값으로 대체 할 수 있다.

titanic_df['Cabin'].fillna('C000',inplace = True)
titanic_df.head(3)

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	C000	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	C000	S

• ‘Age’ 칼럼의 NaN 값을 평균 나이로, ‘Embarked’ 칼럼의 NaN 값을 ‘S’ 로 대체해 모든 결손 데이터를 처리.

titanic_df['Age'].fillna(titanic_df['Age'].mean(),inplace = True)
titanic_df['Embarked'].fillna('S',inplace = True)
titanic_df.isna().sum()

PassengerId    0
Survived       0
Pclass         0
Name           0
Sex            0
Age            0
SibSp          0
Parch          0
Ticket         0
Fare           0
Cabin          0
Embarked       0
dtype: int64

apply lambda 식으로 데이터 가공

---

• 판다스는 apply 함수에 lambda 식을 결합해 DataFrame이나 Series의 레코드 별로 데이터를 가공하는 기능을 제공한다.

• 칼럼에 일괄적으로 데이터가공을 하는 것이 속도 면에서 더 빠르나 복잡한 데이터 가공이 필요한 경우 어쩔 수 없이 apply lambda를 이용한다.

람다식 예제

• labmda x : x**2 에서 ' : ' 로 입력 인자와 반환될 계산식을 분리한다.

• ':' 의 왼쪽에 있는 x는 입력 인자를 가리키며, 오른쪽은 계산식이다.

• 오른쪽으 계산식은 결국 반환 값을 의미한다.

def get_square(a):
    return a**2

print('3의 제곱은 : ', get_square(3))

3의 제곱은 :  9

lambda_square = lambda x: x**2
print('3의 제곱은 :' ,lambda_square(3))

3의 제곱은 : 9

람다식을 이용할 때 여러 개의 값을 입력 인자로 사용해야할 경우 보통 map()함수로 결합하여 사용한다.

a = [1,2 ,3]
squares = map(lambda x :x**2 , a)
list(squares)

[1, 4, 9]

• DataFrame의 apply에 ambda 식을 적용해 데이터를 가공해보자

titanic_df['Name_len']= titanic_df['Name'].apply(lambda x:len(x))
titanic_df[['Name_len','Name']].head(3)

	Name_len	Name
0	23	Braund, Mr. Owen Harris
1	51	Cumings, Mrs. John Bradley (Florence Briggs Th...
2	22	Heikkinen, Miss. Laina

• 람다식에서 if else 절을 사용해 조금더 복잡한 가공을 진행해보자
• 람다식은 if else 는 지원하는데 if 절의 경우 if 식보다 반환 값을 먼저 기술해야한다.

titanic_df['Child_Adult'] = titanic_df['Age'].apply(lambda x : 'Child' if x <=15 else 'Adult')
titanic_df[['Child_Adult','Age']]

	Child_Adult	Age
0	Adult	22.000000
1	Adult	38.000000
2	Adult	26.000000
3	Adult	35.000000
4	Adult	35.000000
5	Adult	29.699118
6	Adult	54.000000
7	Child	2.000000
8	Adult	27.000000
9	Child	14.000000
10	Child	4.000000
11	Adult	58.000000
12	Adult	20.000000
13	Adult	39.000000
14	Child	14.000000
15	Adult	55.000000
16	Child	2.000000
17	Adult	29.699118
18	Adult	31.000000
19	Adult	29.699118
20	Adult	35.000000
21	Adult	34.000000
22	Child	15.000000
23	Adult	28.000000
24	Child	8.000000
25	Adult	38.000000
26	Adult	29.699118
27	Adult	19.000000
28	Adult	29.699118
29	Adult	29.699118
...	...	...
861	Adult	21.000000
862	Adult	48.000000
863	Adult	29.699118
864	Adult	24.000000
865	Adult	42.000000
866	Adult	27.000000
867	Adult	31.000000
868	Adult	29.699118
869	Child	4.000000
870	Adult	26.000000
871	Adult	47.000000
872	Adult	33.000000
873	Adult	47.000000
874	Adult	28.000000
875	Child	15.000000
876	Adult	20.000000
877	Adult	19.000000
878	Adult	29.699118
879	Adult	56.000000
880	Adult	25.000000
881	Adult	33.000000
882	Adult	22.000000
883	Adult	28.000000
884	Adult	25.000000
885	Adult	39.000000
886	Adult	27.000000
887	Adult	19.000000
888	Adult	29.699118
889	Adult	26.000000
890	Adult	32.000000

891 rows × 2 columns

• 람다식은 elif 문을 지원하지 않으므로 else 문 안에 if 문을 내포하여야한다.

titanic_df['Age_cat'] = titanic_df['Age'].apply(lambda x : 'Child' if x<=15 \
                                                else ('Adult' if x <= 60 else  'Elderly'))
titanic_df['Age_cat'].value_counts()

Adult      786
Child       83
Elderly     22
Name: Age_cat, dtype: int64

• elif 가 많이 나와야하는 경우에는 함수를 만드는 편이 덜 복잡하다.

# 나이에 따라 세분화된 분류를 수행하는 함수 생성. 
def get_category(age):
    cat = ''
    if age <= 5: cat = 'Baby'
    elif age <= 12: cat = 'Child'
    elif age <= 18: cat = 'Teenager'
    elif age <= 25: cat = 'Student'
    elif age <= 35: cat = 'Young Adult'
    elif age <= 60: cat = 'Adult'
    else : cat = 'Elderly'

    return cat

# lambda 식에 위에서 생성한 get_category( ) 함수를 반환값으로 지정. 
# get_category(X)는 입력값으로 ‘Age’ 컬럼 값을 받아서 해당하는 cat 반환
titanic_df['Age_cat'] = titanic_df['Age'].apply(lambda x : get_category(x))
titanic_df[['Age','Age_cat']].head()

	Age	Age_cat
0	22.0	Student
1	38.0	Adult
2	26.0	Young Adult
3	35.0	Young Adult
4	35.0	Young Adult