이번 주에는 Python 기초 문법 파트를 끝내고, 데이터 분석 및 시각화 라이브러리인 Numpy, Pandas, Matplotlib, Seaborn을 배웠다.

데이터 분석 및 시각화 라이브러리는 모든 원리를 이해하거나 외우려고 하기보다는, 각 라이브러리별로 제공하는 기능을 파악해둔 뒤 필요에 따라 사용하는 게 좋을 것 같았다. 실습 몇 차례 하면 좀더 빠르게 감을 잡을 수 있을 것 같다.

이번 주 도중에 학원 같은 반에 코로나 확진자가 나오면서 비대면 수업이 시작되었다. 1차적으로 비대면 기간이 정해진 뒤 그 도중에 앞으로의 대책을 논의하겠다고 하는데, 매일매일 통근하는 일상이 익숙해져 가다가 하루아침에 뒤집히니까 타격이 꽤 크다.

부디 이전의 일상이 돌아왔으면 좋겠는데, 지켜보는 수밖에 없다.

월요일: 2022.07.18

배운 것

Python 클래스 & 객체, 객체변수 & 클래스 변수, 생성자 __init__ & self 활용, 매직 메소드, StaticMethod / ClassMethod, 상속, 은닉성

인상적인 코드

# 신짱구를 만들고, age라는 객체변수를 만드시고, show_age라는 메소드를 통해 나이를 출력할 수 있도록 해주세요.
# 쌤 최최종예시 & 설명
class Person:
    age = 7  # 클래스변수
    def __init__(self): # __init__에서 정한 애들은 처음에 인스턴스를 만들 때 물려줍니다 
        normal_taste = {'좋아하는색': '빨강', '음식':['김치', '요거트']}
        age = 7
        self.name = '사람이름'
        self.nation = 'Korea' # 인스턴스 변수
        self.wearing_cloths = True
        print('인스턴스를 만드셨군요')
    
    def say_hi():  # 클래스 메소드 - self가 안 들어간 때 : 클래스에서는 호출됨, 객체에서는 호출 안 됨
        print('안녕하세요.')

    def say_hi_instance(self): # 인스턴스 메소드 - self가 들어간 때 : 클래스에서는 호출 안 됨, 객체에서는 호출됨
        print(f'안녕하세요. {self.name}입니다.') # self.name -> 객체변수

    def show_age(self): # 인스턴스를 찍어낼 때 물려줄 게 있어서 self를 사용한다면 파라메터의 맨 앞에 위치시켜야 합니다
        print(f'{self.name}의 나이는 {Person.age}입니다. ') # Person.age - 클래스 변수, self.name - 인스턴스 변수

class Person:
    nation = 'Korea'

    def __init__(self, name, age):
        self.name = name
        self.age = age

    def method(self, a, b):
        return a+b

    @staticmethod # 고정된, 한번 만들어놓으면 자식 클래스에서도 같은 방식으로 동작
    def method1():
        return Person.nation

    @classmethod # 해당 클래스에 맞게 메서드가 다른 지점을 참조하여 동작
    def method2(cls):
        print('cls', cls)
        return cls.nation

기억할 것

• 객체변수: 클래스에서 만들어 놓은 객체별 속성 및 기능
  클래스변수: 클래스에서 미리 채워놓은 객체별 속성 및 기능
  둘을 분리해서 사용할 것.

• 함수도 기본 취급은 클래스임.

화요일: 2022.07.19

배운 것

상속, 은닉, StaticMethod/ClassMethod 다시 보기
NumPy 시작 - ndarray 만들기, 메소드, 브로드캐스팅
2차원 배열, 행벡터/열벡터, 인덱싱 & 슬라이싱

인상적인 코드

import numpy as np
test = np.array([15, 20, 25, 30])
type(test)
---> numpy.ndarray

# np.arange - ndarray 수열을 만들어주는 메소드
test1 = np.arange(15, 31, 5) # 시작점, 끝+1, 스텝, r이 1개!!
test1
---> array([15, 20, 25, 30])

# 리스트 여러개 겹친 ndarray
test = [1, 2, 4, 5, 6]
test2 = np.array([test, test, test])
test2
---> array([[1, 2, 4, 5, 6],
       [1, 2, 4, 5, 6],
       [1, 2, 4, 5, 6]])
       
a = np.array([[1, 2, 3], [4, 5, 6]], 'int8')    # (들어갈 자료, 들어갈 데이터 타입)


test2 = array([[1, 2, 4, 5, 6],
       [1, 2, 4, 5, 6],
       [1, 2, 4, 5, 6]])
test2.dtype
---> dtype('int64')

test2.strides   # 8byte * 5가 리스트 한조각당 걸리네..?
---> (40, 8)

a = 1 # 스칼라
b = np.array([1, 2, 3, 4]) # 행벡터: 1차원 배열
d = np.array([[1], [2], [3], [4]]) # 열벡터: 원소 1개짜리 1차원 배열 여러개
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) # 매트릭스


c = np.array([[1, 2, 3], [4, 5, 6]]) 
c.reshape(3, 2) # 이렇게 모양을 바꿀수가 있네?
---> array([[1, 2],
       [3, 4],
       [5, 6]])

a = np.insert(a, 1, 15) # insert(배열, 위치, 삽입할 값)
a = np.delete(a, -1) # np.delete(자료형, 삭제할 인덱스값)

np.random.rand(10)  # 0~1 사이에서 무작위 실수 10개
np.random.randint(0, 11, 10)    # 0~10 사이 정수 랜덤 10개 뽑아내기 (복원추출)

기억할 것

• NumPy: 연산을 위한 Python 라이브러리. 코어가 C로 작동하여 속도가 빠름. Pandas 등 데이터 분석 라이브러리가 NumPy 기반으로 작동함. (즉, Pandas 쓸때 NumPy와 함께 import 해야함)
• 메소드 필요할 때 잘 찾아 쓰기.

수요일: 2022.07.20

배운 것

NumPy 메소드 - concatenate 등
Pandas 배우기. DataFrame 자료형 이해, 메소드 알아두기

인상적인 코드

a1[:, 1:, 1] # 슬라이싱, 슬라이싱, 인덱싱
---> array([[14, 17],
       [24, 27],
       [34, 37]])
       
 b.transpose()   # 전치행렬: 행벡터 => 열벡터 (거꾸로!)

import numpy as np
import pandas as pd # numpy, pandas는 다 같이 써야 함.
data = { 'Name': ['S1', 'S2', 'S3'],
        'Age': [25, 28, 22],
        'Score': [95, 85, 75]}
data = pd.DataFrame(data)
type(data)
---> pandas.core.frame.DataFrame # 표 형태: DataFrame
type(data['Name'])
---> pandas.core.series.Series # 한 줄 데이터: series


series = pd.Series([10, 20, 30, 50])
---> 0    10
1    20
2    30
3    50
dtype: int64

df_copy1 = data
df_copy2 = data.copy()  # pd.copy(data)로 작용함. 파이썬에서는 copy()가 shallow copy 메소드였지만, 데이터프레임은 deepcopy()를 기본 복사방법으로 처리.

기억할 것

• Pandas: 다량의 데이터를 다루는 데에 최적화된 Python 라이브러리.
• 메소드 알아두기, DataFrame 자료형에 익숙해지기.

목요일: 2022.07.21

배운 것

Pandas 메소드: tail, head, info, describe, duplicated, nunique, isnull, to_csv 등 파일 만들기 메소드, groupby, melt, pivot 등

인상적인 코드

# 데이터프레임에 컬럼이 존재하지 않으면 새로 생성
df['지역'] = '서울'

# '지역' 컬럼 드랍
df2.drop(['지역'], axis=1, inplace=True)  # axis=0은 행을 의미하니까요...?
# inplace=True 로 동일변수에 재할당 가능.

# df 함수 쓰기
def add_one(x):
    return x+1
df['테스트점수'] = df['테스트점수'].apply(add_one)  # 아예 이래주면 되는 거였네.... apply 잘해주는게 관건이었다
df

# re 활용
df.filter(regex='지')   # 컬럼명에서 원하는 값 찾기

df[df['이름'].isin(['훈이'])]   # isin은 리스트를 파라메터로 가짐. 리스트 내 값 중 하나라도 존재하면 True, 아니라면 False
# '훈이'는 되지만 '훈'은 안됨.

df1.filter(regex='[a]') # [] 붙여주기. 이 함수는 대소문자를 구별함.

# 90점 이상인 사람 중 A나 B반 사람만 검색 (isin)
df1.loc[(df1['Score'] >= 90) & (df1['Class'].isin(['A', 'B']))]
# 해답: 리스트, 시리즈 등 형태를 앞뒤 동일하게 맞추고 리스트로 씌우는 것.

df1[df1['Name'].str.startswith('짱')]   # str.startswith: 시작하는 문자열 찾기
df1[df1['Name'].str.endswith('구')]   # str.endswith: 끝내는 문자열 찾기
df1[df1['Name'].str.contains('둥')] # str.contains: 위치 무관하게 존재하는 문자열 찾기

# groupby
df.groupby('Class').count()

df.groupby("묶음의 기준이 되는 컬럼명")["적용받는 컬럼"].적용받는 연산()

df1.pivot(index='product', columns='store', values='price')


# concatenate - 배열과 배열 합치기
df_vertical = pd.concat([df1, df1]) # axis=0이 기본

df12.drop(df12[df12['Name'].isin(['유리'])].index)

기억할 것

• Pandas 메소드 어느 정도 파악하고, 훗날 필요할 때 잘 찾아쓸 수 있게 하기.

금요일: 2022.07.22

배운 것

Pandas 복습
matplotlib - 기본 사용법, 그리려는 그래프 종류에 따른 명령어 사용법
seaborn - 기본 사용법, 그리려는 그래프 종류에 따른 명령어 사용법

인상적인 코드

# matplotlib
plt.plot(np.random.randn(30).cumsum(), linestyle='--', marker='^')  
plt.plot(np.random.randn(30).cumsum(), linestyle='--', marker='x')  
plt.plot(np.random.randn(30).cumsum(), linestyle='--')  # 색 자동변환

# 히스토그램 만들기
import matplotlib.pyplot as plt
import numpy as np

# Use numpy to generate a bunch of random data in a bell curve around 5.
n = 5 + np.random.randn(1000)

m = [m for m in range(len(n))]
plt.bar(m, n)
plt.title("Raw Data")
plt.show()

plt.hist(n, bins=20) # bins 히스토그램의 구간
plt.title("Histogram")
plt.show()

plt.hist(n, cumulative=True, bins=20) # cumulative - 누적그래프
plt.title("Cumulative Histogram")
plt.show()

# seaborn
sns.set_theme(style="ticks")
plt.figure(figsize=(20, 20))   # 그래프 크기
sns.lmplot(x="x", y="y", col="dataset", hue="dataset", data=df,  # hue : 컬럼명 기준으로 데이터 색깔 구분해줌
           col_wrap=2, ci=None, palette="muted", height=4, # col_wrap : 한 줄에 몇개의 그래프를 그릴지, palette: 색상 컨셉 지정
           scatter_kws={"s": 100, "alpha": 0.7}); # scatter_kws : 점의 색깔, 투명도 등 속성 지정
plt.show()
plt.savefig('lm.png') # 파일로 저장

기억할 것

• matplotlib: 과학 논문 등을 위한 그래프 그리기 라이브러리. Pandas(-NumPy) 기반으로 동작함.
• seaborn: 그래프 그리기 라이브러리. matplotlib보다 조금 더 편하게 예쁜 그래프를 뽑기 위한 목적.
• matplotlib, seaborn 메소드 어느 정도 파악하고, 훗날 필요할 때 원하는 그래프 종류별로 잘 찾아쓸 수 있게 하기.