zapoong 님의 블로그

1. 단순 성형 회귀- 하나의 독립변수(X)와 하나의 종속변수(Y)간의 관계를 직선으로 모델링 한 것import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_squared_error, r2_score# 예시 데이터 생성np.random.seed(0)X = 2 * np.random.rand(100, 1)y = 4 + 3 * X + np.random.randn(100, 1)# 데이터 분할X_train, X_t..

통계 라이브 세션O T검정1개 또는 2개의 집단 평균(정규 기반 추정량) 비교할 때 사용하는 대표적인 모수 검정법 O 검정의 전제t검정은 모수검정(parametric test)에 속함모수검정 : 모집단이 특정 분포(ex.정규분포)를 따른다는 가정을 바탕으로 진행하는 통계 검정보통 정규분포에서 나온 데이터라는 전제를 가짐 → 정규성→ 전제가 어긋날 경우 비모수검정(non-parametric test)을 고려해야 함독립된 두 집단의 평균을 비교하는 경우, 분산이 같다는 등분산성을 가정하는 경우가 많음등분산성이 기각되면 Welch t검정을 사용O t-검정의 종류단일표본 t검정 (One-Sample t-test)한 집단의 평균이 기준값과 다른지 확인연구 맥락에 따라 의미 있는 기준값을 설정하는 것이 중요예 : ..

[if문]ex) age = 20if age >= 18: print("성인")elif age >= 13: print("청소년")else: print("어린이")출력 결과 : 성인# 60점 이상이 합격이고, 합격한 학생들 중 90점 이상이 A, 나머지는 Bif score >= 90: print("A") elif score >= 60: print("B") else: print("F")# 조건문(조건이 두개 이상인 경우) -> 논리연산자age = 25is_student = Falseif age print("학생 할인")if age print("학생 할인")# and: 앞에 뒤에 다 맞는 경우에 조건문 안으로 ..

통계수많은 데이터(개별적인 사실)를 일관된 기준이나 하나의 체계로 모아 전체적인 흐름이나 규모를 파악하는 행위모집단과 표본모집단 : 통계학에서 알고자 하는 대상 전체 ⇒ 모집단의 모든 데이터를 얻을 수 없기 때문에, 우리는 가진 데이터를 통해 모집단을 ‘추정’하게 된다!모집단을 추정하는 방법전수 조사 : 모집단에 포함된 모든 요소를 조사하는 방법 (분석할 데이터 = 모집단)표본 조사 : 모집단의 일부를 분석하여 모집단 전체의 성질을 추정하는 방법표본 = 모집단의 일부표본 추출 : 모집단에서 표본을 뽑는 것표본 크기 : 표본에 포함된 요소의 개수 (=샘플 수)기술 통계 (Descriptive Statistics)중심 경향치 : 평균, 중앙값, 최빈값 평균 중앙값 최빈값모든 값을 합하여 개수로 나눈 값으..

이상치와 결측치의 구분 🚩 이상치: 전체 데이터 범위에서 벗어난 아주 작은 값이나 큰 값( 예를 들어 자치도민의 평균 나이를 구한다 가정, 1000세같이 이상수치)🚩 결측치: 데이터 수집 과정에서 측정되지 않거나 누락된 데이터 데이터의 이상이 생겼을때 평균\최빈값 등으로 바꾸는 행위를 데이터 클리닝(정제)라고 한다. 결측치결측치는 말 그대로 데이터의 누락된 부분을 의미합니다.데이터는 가장먼저 서버를 통해 수집되게 되는데요, 아래 그림과 같이 컴퓨터가 많습니다 - 결측치 제거# 컬럼별 결측치 식별 df3.isnull().sum()# 결측치 제거1 - 열 제거하기 df3 = df3.drop('Unnamed: 4', axis=1)# 결측치 제거2 - 결측치가 있는 행들은 모두 제거df3.dropna()# ..

데이터 병합on: 조건 컬럼이 한개인지 여러개인지how: 어떤 조인 방식을 사용할 것인지 (inner, outer, left, right)집합 예시inner : A와 B의 교집합outer : A의 B의 합집합 left,right : A-B/B-A left on / right on : 열기준 병합 시 기준으로 할 열의 양측 이름이 다르다면, 각각 어떤 열을 기준으로 할 지 지정합니다.sort: 병합 후 인덱스 정렬 여부(True/False)suffixes: 중복된 컬럼 이름의 처리indicator: True 로 할 경우, 마지막 열에 병합 정보를 출력해줍니다.# 기본 작성구문으로, 디폴트값은 inner join# 공통컬럼값은 합쳐져 하나의 컬럼으로 출력merge_df = pd.merge(df2,df3)..

- 오늘 배운 것데이터 전처리 - 그래프 자료 유형1) Line(선 그래프)ex) import seaborn as snsdata=sns.load_dataset('flights') # 데이터 가공data_grouped=data[['year','passangers']].groupby('year').sum().reset_index()data_grouped plt.plot(data_grouped['year'],data_grouped['passengers'])plt.xlabel('year')plt.ylabel('passengers')plt.show() 2)bar(막대 그래프)ex)from matplotlib import rcrc('font', family='AppleGothic') plt.rcParams['ax..

- 오늘 배운 것 : # replace : 특정 문자를 다른 문자로 찍기기본 구조 : replace(바꿀 컬럼, 현재 값, 바꿀 값) ex) 식당 명의 'Blue Ribbon'을 'Pink Ribbon'으로 바꾸기select restaurant_name "원래 상점명"replace(restaurant_name,'Blue','Pink') "바뀐 상점명"from food_orderswhere restaurant_name like '%Blue Ribbon%' 주소의 '문곡리'를 '문가리'로 바꾸기select addr "원래주소",replace(addr,'문곡리','문가리')"바뀐 주소"from food_orderswhere addr like '%문곡리%' # substring : 원하는 문자만 남기기기본 구조..

- 오늘 배운것논리 연산의 종류AND그리고OR또는NOT~이 아닌 SUM합계AVG평균COUNT컬럼의 데이터 갯수DISTINCT몇개의 값을 가지고 있는지 구할 때 GROUP BY : 여러번의 QUERY 없이, 카테고리를 지정하여 수식함수로 연산할 수 있다.기본 구조 Select 카테고리 컬럼(원하는 컬럼) sum(계산컬럼)fromgroup by 카테고리 컬럼(원하는 컬럼) 예시) 각국의 주문가격 합계 구하기select cuisine_type sum(price) sum_of_pricefrom food_ordersgroup by cuisine_type 음식점별 주문금액 최댓값 조회Select restaurant_name max(price)"최대 주문 금액"fr..

오늘 배운 것 : SQL 기초 명령문들을 배웠다.SELECT : 데이터를 가져오는 기본 명령어로, 데이터를 조회하는 모든 Query 에 사용됨FROM : 데이터를 가져올 테이블을 특정해주는 문법: 모든 컬럼을 가져와준다는 의미* : 모든 컬럼을 가져온다.- 별명(별칭)을 지을 때 유의사항별명에 영어나 언더바로만 구성되는 경우 : 따옴표 없이 사용 가능하다.별명에 한글이나 이외의 특수문자가 구성되어 있는 경우 : 큰 따옴표를 사용하여 입력한다. - WHERE 특정 조건을 필터링 할때 사용되며, 영어를 사용해야할 때에는 작은 따옴표를 붙여 사용하면 된다.- 비교 연산자비교연산자 의미 예시=같다age=21gender=’female’ 같지 않다 (다르다)age21gender’female’ >크다age>21..