[빅분기] 작업형 제1유형 - 유형정리

작업형 제 1유형을 풀어나갈 때 자주 등장하는 것들을 정리해보았습니다!

 

그럼 시작!

1. 오름차순, 내림차순 정렬

 

데이터프레임을 다룰 때 오름차순이나 내림차순으로 정렬해야하는 경우가 자주 등장한다.

오름차순(작은수부터)으로 정렬하려면 특별한 옵션을 주지않아도 되지만 내림차순(큰수부터)으로 정렬하고 싶다면

ascending=False라는 옵션을 추가해주어야 한다.

# 데이터프레임명.sort_values('컬럼명', ascending=False, inplace=True)
# data의 'CRIM'을 내림차순으로 정렬하여라
data.sort_values('CRIM', ascending=False, inplace=True)

inplace=True 옵션을 추가하면 data(데이터프레임명)이 옵션에 맞게 바뀐다.

 

 

2. 평균/표준편차/중앙값/절댓값 구하기

 

이렇게 자주 등장하는 네가지는 기억하고 있는 것이 좋다.

# 평균
data.mean()

# 중앙값
data.median()

# 표준편차
data.std()

# 절댓값
data.abs()

 

3. 이상값

 

데이터의 특정 칼럼에서 변수에 대한 이상치 기준을 IQR로 한다는 문제가 등장했다면 바로 이 코드를 적용시킬 수 있다.

Q1=data['CRIM'].quantile(q=0.25)
Q3=data['CRIM'].quantile(q=0.75)
IQR=Q3-Q1

IQR을 구한 후에 IQR의 1.5배보다 큰 값과 작은 값을 제거해야한다.

data_IQR=data[(data['CRIM']>=Q1-1.5*IQR) & (data['CRIM'<=Q3+1.5*IQR)]
# 결측치 처리 후 데이터셋명 data_IQR

이렇게 데이터에서 조건에 따라 행을 추출할 수 있는 코드에 익숙해져야한다!!

 

4. 결측값 대치

 

.fillna(data['컬럼명'].mean())
data[['Ozone']]=data[['Ozone']].fillna(ozone_median)

- 특정열의 결측값 dropna
data.dropna(subset=['Solar.R'], inplace=True)

 

5. int변환

 

int(변수)를 넣어주면 실수가 정수로 출력된다.

예를들어 행 개수의 70%만 뽑아 train데이터로 사용해야하는 경우 행개수*0.7을 했을 때,

정수로 딱 떨어지는 것이 아니라 소수점으로 계산된다면 int(변수) 옵션을 주면 된다.

 

6. ~별로(groupby()함수)

 

mean=data.groupby('age').mean()

 

7. 값대체(replace함수) -> object를 숫자로 대체하기

 

# 데이터셋명.replace({"컬럼명":{"문자":"대체할문자"}}, inplace=True)
data.replace('loan_status':{'COLLECTION_PAIDOFF':4}}, inplace=True)

data['loan_status']=pd.to_numeric(데이터프레임명['컬럼명'])

 

8. value별로 개수 세기

group=data[['item_id']].value_counts()

 

설명은..나중에 차차 채우겠습니다..!

일단 여기까지!