리스트 → 🍱 도시락 5개를 미리 만들어 놓음제너레이터 → 🍳 주문이 들어올 때마다 하나씩 만들어 줌1. 이터러블(Iterable)뜻반복 가능한 객체for문을 사용할 수 있는 객체예시 a = [1,2,3] for i in a: print(i) 대표적인 이터러블listtupledictsetstrrange()📌 특징__iter__() 있음iter()를 사용할 수 있음.2. 이터레이터(Iterator)뜻데이터를 하나씩 꺼내주는 객체생성 a = [1,2,3]it = iter(a) 사용 print(next(it))print(next(it))print(next(it)) 출력123 끝나면StopIteration 발생합니다.특징next() 사용 가능__next__() 있음값을 하나씩 반환한 번 읽으면 다시..

os - 운영 체제와 상호 작용하기 위한 함수들을 제공 os.getcwd() = 현재 작업 디렉토리를 반환 os.listdir() = 현재 작업 디렉토리 목록을 보여준다 os.chdir(dir) = 작업 디렉토리를 변경한다. sys - 파이썬 인터프리터와 관련된 정보와 기능을 제공한다. sys.modules - 현재 로딩되어있는 모듈들을 사전 형태로 나타낸다 sys.path - 모듈을 찾을 때 참조하는 경로를 나타낸다 sys.exit([arg]) - 프로세스를 종료시킨다 (arg가 0이면 정상종료) sys.getwindowsversion() - 현재 윈도우의 버전을 튜플로 반환 sys.copyright - 설치된 파이썬의 저작권을 나타낸다 sys.version - 설치된 파이썬의 버전을 나타낸다. shu..

# 1단계 Gropuing Gropuing - 끼리끼리 묵는 것 , 그룹화 하는 것 import numpy as np import pandas as pd df = pd.DataFrame({'학과' : ['컴퓨터', '철학', '컴퓨터', '철학', '컴퓨터'], '이름' : ['아이유', '김연아', '홍길동', '강감찬', '신사임당'], '학년' : [1, 2, 3, 2, 3], '학점' : [1.5, 2.7, 3.5, 1.9, 4.0]}) display(df) # dept = df['학점'].groupby(df['학과']) # 학점을 학과기준으로 묶는다 [학점을 알고싶은 상황] # display(dept) # computer = dept.get_group('컴퓨터') # 학점을 학과기준으로 묶은거 ..

# 이번에는 merge말고 연결(concat)에 대해서 알아보아요! merge는 연관성이 있는것끼리 연결, concat는 단순연결 concat(연결) # Series를 연결해 보아요! import numpy as np import pandas as pd s1 = pd.Series([0,1], index=['a','c']) s2 = pd.Series([4,3,2], index=['b','c','e']) s3 = pd.Series([5,6], index=['f','g']) print(s1) print(s2) print(s3) # s4 = pd.concat([s1,s2,s3], axis=0) # print(s4) result = pd.concat([s1,s2,s3], axis=1,sort=True) sort는..

# DataFrame의 merge(결합, 합병하다) # Database의 table의 join과 같은 개념. import numpy as np import pandas as pd data1 = {'학번': [1, 2, 3, 4], '이름': ['아이유','김연아','홍길동','강감찬'], '학과': ['철학', '경영', '컴퓨터', '물리']} data2 = {'학번': [1, 2, 4, 5], '학년': [2, 4, 3, 1], '학점': [1.5, 2.0, 4.1, 3.8]} df1 = pd.DataFrame(data1) df2 = pd.DataFrame(data2) display(df1) display(df2) # merge ( inner join ) - 연결점이 있는것만 연결해서 만든다 df3 ..

약간 수학적인 함수 import numpy as np arr = np.array([4,6,1,3,8,8]) print(arr.sum()) # 합 print(arr.mean()) # 평균 5 # 편차( deviation ) : 확률변수 X와 평균의 차이 # -1 1 -4 -2 3 3 # 편차의 합은 => 0 # 편차의 제곱의 평균을 이용 => variance(분산) # 1 1 16 4 9 9 tmp = np.array([1,1,16,4,9,9]) print(tmp.mean()) # 6.666666666666667 print(arr.var()) # 6.666666666666667 분산 # 표준편차(standard deviation) : 분산의 제곱근(루트 - 분산을 구하는과정에서 제곱을했기 때문에) prin..