[ML] 데이터 핸들링-pandas

9e0na·2023년 6월 22일
1

[머신러닝]

목록 보기
1/5
post-thumbnail

주제: Data Handling-pandas

파이썬 머신러닝 완벽 가이드[개정2판] pp.62-83 참고해서 내용 작성하였습니다.


0. Pandas 주요 데이터 타입

공통 데이터 형식Numpy/Pandas 객체Pandas 이름설명
Booleannp.boolbool단일 바이트
Integernp.intint64비트 정수
Floatnp.floatfloat64비트 소수
Complexnp.complexcomplex복소수
Objectnp.objectObject대게 문자열
Datetimenp.datetime64,
pd.Timestamp
datetime64나노초의 정밀도를 가진 시각
Timedeltanp.timedelta64,
pd.Timedelta
datetime64일부터 나노초 단위의 시간 간격
Categoricalnp.Categoricalcategorypandas에만 존재하는 범주형변수

1. Data Selection & Filtering & Sort

  • Numpy의 Data Handling도 Selection 및 Filtering을 할 수 있음.

    예를 들어, '[]' 연산자 내 단일값 추출 / 불린 인덱싱 / 슬라이싱

    • df[1:3]
  • 하지만 데이터 분석용으로 사용하기에는 편의성이 많이 떨어짐.
  • pandas의 ilocloc 연산자를 통해 간편하게 활용할 수 있음.

1.1. DataFrame의 [] 연산자

  • Numpy는 '[]' 연산자를 활용하여 슬라이싱 범위, 행&열의 위치를 지정해서 Data Selection 가능했음.
  • Pandas에서는 '[]' 연산자를 칼럼만 지정할 수 있는 '칼럼 지정 연산자'로 생각하면 쉬움.
    -> 예를 들어, DataFrame['칼럼1', '칼럼2', '칼럼3'] 으로 지정해야 됨.
tr_df[tr_df['Job']=='개발자'].head(5)

정리하면

  • DataFrame 바로 뒤의 [] 연산자는 Numpy의 []와 쓰임이 다름.
  • DataFrame 바로 뒤의 []연산자 내 입력값에는 칼럼 or 불린 인덱스 용도로만 사용 가능함.

1.1. DataFrame iloc[ ] 연산자

  • 위치 기반 인덱싱 방식임.
  • 행과 열 위치를 0을 출발점으로 하고 가로축, 세로축 좌표 정수값으로 지정하는 방식임.
    -> .iloc[] 연산자는 행과 열의 위치에 해당하는 값으로 슬라이싱, 정수형 값을 입력해줘야 함.
tr_df.iloc[9,29]
iloc[]연산 유형반환 값
tr_df.iloc[:]전체 DataFrame 반환
tr_df.iloc[0:2, 1:4]슬라이싱 범위의 첫번째에서 두번째 행의 1:4 슬라이싱
범위의 두번째부터 네번째 열 범위에 해당하는 DataFrame 반환
  • 자주 사용되는 표현은 아래 형태임.
    -> 처음부터 맨 마지막 피처를 제외한 모든 피처값들을 가져오게 됨.
tr_df.iloc[:,-1]

1.2. DataFrame loc[] 연산자

  • 명칭 기반 인덱싱 방식
  • DataFrame의 인덱스 값으로 행 위치를 / 칼럼의 명칭으로 열 위치를 지정하는 방식임.

    tr_df.loc['인덱스 값', '칼럼명']

  • 명칭 기반이기 때문에 숫자형을 사용할 수 없음. 그러므로 [] 연산자의 종료값은 -1이 아니라 종료값까지 포함하는 것임
loc[]연산 유형반환 값
tr_df.loc[:]모든 데이터 값
tr_df.loc['one':'five', 'Job':'개발자']인덱스 값 one부터 five까지 행의 Job부터
개발자 컬럼까지의 DataFrame 반환 값
tr_df.loc[tr_df.salary >= 300]loc[]는 인덱싱이 가능해서 salary 칼럼의 값이
300 이상인 모든 데이터를 불린 인덱싱으로 추출

1.3. iolc[], loc[] 정리

1. iloc[]는 위치 기반 인덱싱이며 행과 열 위치 값을 지정해 원하는 데이터를 반환함

  • 시작을 0부터 시작하여 좌표에만 의존하는 것

2. loc[]는 명칭 기반 인덱싱이며 행 위치에는 DataFrame 인덱스가 오고, 열 위치에는 Feature값들이 와서 원하는 데이터를 반환함.

  • DataFrame의 인덱스 또는 칼럼명으로 접근 하는 것
  • 슬라이싱을 '시작점':'종료점' 지정할 때 종료점이 -1이 아니라 종료점을 포함시킴.

3. 개별 또는 여러 값 전체를 추출한다고 하면 tr_df['job']와 같이 DataFrame['칼럼명]만으로 사용하는게 훨씬 좋음.

  • 행, 열을 전체적으로 추출하려면 iloc[] or loc[]을 사용하는 것이 간편함.

1.4. Boolean 인덱싱

  • iloc[], loc[] 연산자보다 Boolean 인덱싱을 더 많이 사용함.
  • []내에 자신이 가져오고 싶은 조건을 입력하면 자동으로 원하는 값을 필터링함.
  • and 조건일 때는 &
  • or 조건일 때는 |
  • Not 조건일 때는 ~
tr_df[(tr_df['salary'] > 500) & (tr_df['address']=='서울 성북구')]

1.5. DataFrame, Series의 정렬 - sort_values()

sort_values()

주요 파라미터는

  • by
    : 특정 칼럼을 입력하면 해당 칼럼으로 정렬을 수행함
  • ascending
    -ascending=True로 설정하면 오름차순으로 정렬
    -ascending=False로 설정하면 내림차순으로 정렬
    -> Default 값은 ascending=True
  • inplace
    -inplace=False로 설정하면 sort_values()를 호출한 DataFrame은 그대로 유지하며 정렬된 DataFrame으로 반환
    -inplace=True로 설정하면 호출한 DataFrame의 정렬결과를 그대로 적용함
    -> Default 값은 inplace=False
tr_df_sorted = tr_df.sort_values(by=['salary, 'Job'], ascending=False)

2. 함수

method인수return
mapSeriesSeries
applySeries, DataFrameSeries, DataFrame
applymapDataFrameDataFrame
# 사용할 함수 정의
def fiveFunc(x):
    return x*5

2.1. map

  • DataFrame의 특정 열에만 적용 가능함 (Series)
    -> DataFrame 적용시 에러 발생

  • 1차원 배열값에 대해 자신이 만든 함수를 적용하여 1차원 배열로 출력할 수 있음

2.2. apply

  • DataFrame
  • 특정 열에 대해 적용

2.3. applymap

  • 오직 DataFrame에만 적용 가능함


2.4. apply lambda

  • apply함수에 lambda식을 결합하여 DataFrame / Series 형태로 제공 가능

  • lambda x: x**2 에서 ':'로 입력 인자와 반환될 입력 인자의 계산식을 분리함.
  • : 왼쪽에 있는 x는 입력 인자를 가리킴.
  • : 오른쪽은 입력 인자의 계산식을 의미하며 반환 값임.
  • Pandas DataFrame의 lambda 식을 적용해보면
titanic_df['Child_Adult'] = titanic_df['Age].apply(lambda x: 'Child' if x <=15 else 'Adult')
titanic_df[['Age', 'Child_Adult']].head(8)

  • 위의 식과 같이 lambda 식은 if & else을 지원함.
    • 이때 주의할 점은 if식보다 반환 값을 먼저 기술해야 함.
      -> lambda식 : 오른쪽에 반환 값이 있어야 하기 때문
    • if,else만 지원하고 else if는 지원하지 않음.

  • 만약 else if를 사용하기 위해서는 else절을 ()로 내표해서 ()내에서 다시 if else를 적용해야 됨.
    -> 나이가 15세 이하면, Child,
    -> 15~60세 사이면, Adult,
    -> 61세 이상은 Elderly

라는 Feature를 생성해보면?

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()

  • 하지만 조건이 많아질수록 else if를 사용하는 것은 아무래도 부담스러움.
  • 그래서 별도의 함수를 만들어서 lambda에 집어넣는 방법이 있음.
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 = 'Ypimg Adult'
    else: cat = 'Elderly'
    
    return cat
# lambda 식에 위에서 생성한 함수를 반환값으로 지정함
titanic_df['Age_cat] = titanic_df['Age].apply(lambda x: get_category(x))
titanic_df[['Age', 'Age_cat']].head()


3. Groupby

  • 집단, 그룹별로 데이터를 집계 및 요약하는 방법을 의미함

    Split -> Apply Function -> Combine

groupby() - split

for k,v in abalone.iloc[:,:5].groupby(abalone['sex']):
	print('key: ', k)
    print('number: ', len(v))
    print(v)

get_group()

  • 그룹 안에 데이터를 확인하고 싶을 때 사용
abalone.iloc[:,:5].groupby('sex).get_group('M)


3.1. 집계함수

df.groupby('key')['column'].집계함수

  • 여기서 집계함수란 sum, mean, max, min, size, count 등을 의미함
abalone.groupby('sex')[['length','rings']].sum()

abalone.groupby('sex')[['height', 'diameter']].max()


3.2. filter

df.groupby('key').filter(조건식함수)

  • Group의 속성을 기준으로 Data를 Filtering할 때 사용

🤜 Input

abalone['rings'].mean()

🖥️ Output

9.933684462532918

🤜 Input

def filter_mean(x):
    return x['rings'].mean() > 9.933684462532918

🤜 Input

dabalone.groupby('sex').filter(filter_mean)

🖥️ Output


3.3. agg

df.groupby('key')['column].agg(매핑함수)

df.gorupby('key')['column'].aggregate(매핑함수)

  • 여러 개의 통계함수를 적용하고 싶을 때 사용

🤜 Input

abalone.groupby('sex')['whole_weight'].agg([('sex_총whole_weight', np.sum),
                                           ('sex_평균whole_weight', np.mean),
                                           ('sex_최소whole_weight', np.min),
                                           ('sex_최대whole_weight', np.max),
                                           ('sex_표준편차whoe_weight', np.std)])                                        

🖥️ Output


3.4. apply

df.groupby('key')['column'].apply(매핑함수)

  • lambda 표현식을 사용할 수 있음

🤜 Input

abalone.groupby('sex')[['rings']].apply(lambda x: x.rings.min())

🖥️ Output


4. Pivot_table

4.1. pivot

  • Pivot이란 데이터 테이블을 재비치하고 구조를 변경하는 것
  • 엑셀의 Pivot table과 매우 유사하며 이는 그래프, 테이블 요약 그리고 Group 연산을 위해 사용됨

  • index: index로 사용될 컬럼
  • columns: column으로 사용될 컬럼
  • values: value에 채우고자 하는 컬럼

4.2. pivot_table

  • pivot table이란 데이터의 요약된 정보를 출력해주는 것

🤜 Input

df.pivot_table(values='C', 
               index='A', 
               columns='B', 
               aggfunc='mean', 
               fill_value=None, 
               margins=False, 
               dropna=True, 
               margins_name='All')

🖥️ Output


5. Crosstab

  • Categorical Feature를 기준으로 개수 파악 또는 Numerical Feature를 넣어 계산할 때 사용
  • pivot_table과 많이 유사하고, pivot_table의 특수한 형태임.
  • 두 column의 교차 빈도, 덧셈, 비율 등을 구할 때 사용됨.

🤜 Input

pd.crosstab(values=df['score'],
            index=df['B'],
            columns=df['C'],
            aggfunc='mean')

🖥️ Output


6. 정리

사용이유
groupby특정 컬럼을 기준으로 그룹화하여 테이블에
존재하는 행들을 그룹별로 구분하기 위해
pivot_table다양한 요소들을 활용해 데이터를 빠르게 분석하기 위함
crosstab두 컬럼의 교차 빈도, 덧셈, 비율 등을 구할 때 사용


🎯 Summary

  • apply lambda 부분의 핵심은 lambda x**4 :을 기준으로 오른쪽 값이 반환값이라는 것이다. If절에서도 먼저 반환 값이 나오고 그 다음에 if절이 시작된다는 점을 유의하자!
  • 사실 지금까지 데이터분석하면서 제일 사용했던 것은 groupy('key')['column'].agg(매핑함수)였다. 이렇게 한번 정리를 하고나니 확실히 기억에 오래 남는거같다. 그리고 이제는 함수를 잘 만들어서 apply lambda에 적용함으로써 메모리 사용량도 신경쓰면서 하는 데이터분석가 되겠다! 오늘의 정리 끝!

📚 References

  • 권철민(2019),'파이썬 머신러닝 완벽 가이드[개정2판]', 위키북스, pp.62-83.
profile
디지털 마케터가 되기 위해 [a-zA-Z]까지 정리하는 거나입니다 😊

0개의 댓글