우리는 겉으로보기에는 무한한 양의 접근 가능한 무료 자원이 항상 하나의 검색으로 어렴풋이 나타나고있는 세상에 살고 있습니다. 그러나 이것은 축복이 될 수도 있고 저주가 될 수도 있습니다. 효과적으로 관리하지 않으면 이러한 리소스에 대한 과도한 의존으로 인해 장기간에 걸친 빈약 한 습관이 생길 수 있습니다.

출처 : xkcd

개인적으로, 나는 다음 번에 코드를 스스로 재현 할 수 있도록 개념을 배우고 확고히하기보다는 여러 번 비슷한 토론 스레드에서 코드를 가져 왔습니다.

이 방법은 게으르며 단기적으로는 저항이 가장 적은 경로 일 수 있지만 궁극적으로 성장, 생산성 및 문법 (기침, 인터뷰 ) 을 회상 할 수 있습니다.

목표

최근 저는 Udemy에서 데이터 과학 및 기계 학습을위한 Python 이라는 온라인 데이터 과학 강좌를 진행했습니다 (오, 하느님, 나는 Youtube의 그 사람 처럼 들립니다 ). 이 시리즈의 초반 강연에서는 파이썬에서 데이터 분석을 수행 할 때 일관되게 간과하는 몇 가지 개념과 구문을 생각해 냈습니다.

이러한 개념에 대한 이해를 한층 강화하고 StackOverflow 검색을 두 번 저장하는 데 관심이 있으시다면 여기에 파이썬, NumPy 및 팬더로 작업 할 때 항상 잊고있는 것들이 있습니다.

간단한 설명과 예제를 각각 포함 시켰지만 귀하의 이익을 위해 각 개념을 더 깊이 탐구하는 비디오 및 기타 리소스에 대한 링크도 포함 할 것입니다.

한 줄 목록 이해력

일종의리스트를 정의 할 필요가있을 때마다 for 루프를 작성하는 것은 지루합니다. 운 좋게도 파이썬은 단 한 줄의 코드로이 문제를 해결할 수있는 내장 된 방법을 가지고 있습니다. 문법은 머리를 감싸기가 조금 힘들지만 일단이 기술에 익숙해지면 꽤 자주 사용하게 될 것입니다.

출처 : Trey Hunner

for 루프로리스트 comprehension을 수행하는 방법과 루프가 필요없는 간단한 라인으로리스트를 생성하는 방법에 대해서는 위와 아래의 예제를 참조하십시오.

x의 항목에 대해 x = [1,2,3,4]
out = []
:
out.append (항목 ** 2)
print (출력)

[1, 4, 9, 16]

# 대

x = [1,2,3,4]
out = [x 항목의 2 항목]
print (out)

[1, 4, 9, 16]

람다 함수

제한된 사용 사례를위한 함수 다음에 함수를 작성하는 것에 지친 적이 있습니까? 람다는 구출 기능을합니다! 람다 함수는 파이썬에서 작고, 일회성이고, 익명의 함수 객체를 만드는 데 사용됩니다. 기본적으로 함수 를 만들지 않고도함수 를 만들 수 있습니다 .

람다 함수의 기본 구문은 다음과 같습니다.

람다 인수 : 표현식

람다 함수는 단 하나의 표현식이있는 한 일반 함수가 할 수있는 모든 것을 할 수 있습니다. 아래의 간단한 예제와 곧 나오는 비디오를 통해 lambda 함수의 힘에 대해 더 잘 이해할 수 있습니다.

double = lambda x : x * 2
print (double (5))

지도 및 필터

람다 함수에 대해 파악한 후에는지도와 필터 함수를 조합하여 강력한 도구가 될 수 있습니다.

특히 맵은 각 요소에 대해 일종의 연산을 수행하여 목록을 가져와 새로운 목록으로 변환합니다. 이 예에서는 각 요소를 거치며 자체 결과 2를 새 목록에 매핑합니다. 리스트 함수는 단순히 출력을리스트 타입으로 변환합니다.

# map
seq = [1, 2, 3, 4, 5]
결과 = 목록 (map (lambda var : var * 2, seq))
print (결과)

[2, 4, 6, 8, 10]

필터 함수는지도와 마찬가지로 목록과 규칙을 사용하지만 각 요소를 부울 필터링 규칙과 비교하여 원래 목록의 하위 집합을 반환합니다.

# 필터
seq = [1, 2, 3, 4, 5]
결과 = 목록 (필터 (람다 x : x> 2, seq))
print (결과)

[3, 4, 5]

범위 및 Linspace

Numpy 배열을 쉽고 빠르게 생성하려면 대들보와 빈 공간 함수를 살펴보십시오. 각각은 특별한 목적을 가지고 있지만 범위를 사용하는 대신 여기에 호소하는 것은 NumPy 배열을 출력한다는 것입니다. NumPy 배열은 일반적으로 데이터 과학에서 사용하기가 더 쉽습니다.

Arange는 주어진 간격 내에서 고른 간격의 값을 반환합니다. 시작 및 중지 지점과 함께 필요한 경우 단계 크기 또는 데이터 유형을 정의 할 수 있습니다. 정지 점은 'cut-off'값이므로 어레이 출력에 포함되지 않습니다.

# np.arange (시작, 중지, 단계)
np.arange (3, 7, 2)

배열 ([3, 5])

Linspace는 매우 유사하지만 약간의 비틀어 짐이 있습니다. Linspace는 지정된 간격 동안 균등 한 간격의 숫자를 반환합니다. 그래서 시작과 중단 지점, 그리고 많은 값들과 함께, linspace는 NumPy 배열에서 당신을 위해 그것들을 고르게 배치 할 것입니다. 이는 특히 데이터 시각화 및 플로팅 할 때 축을 선언하는 데 유용합니다.

# np.linspace (시작, 정지, 숫자)
np.linspace (2.0, 3.0, num = 5)

배열 ([2.0, 2.25, 2.5, 2.75, 3.0])

축이 정말로 의미하는 것

Pandas에서 열을 삭제하거나 NumPy 행렬에서 값을 합산 할 때이 문제가 발생할 수 있습니다. 그렇지 않다면 반드시 언젠가는 가능할 것입니다. 지금 열을 삭제하는 예제를 사용합니다.

df.drop ( '열 A', 축 = 0)
df.drop ( '열 A', 축 = 1)

실제로 내가 왜 내가 축을 선언했는지 알기 전에이 코드 줄을 몇 번이나 썼는지 모르겠습니다. 위에서 언급 한 것처럼 추측 할 수 있듯이, 열을 처리하려면 축을 1로 설정하고 행을 원하면 0으로 설정하십시오. 근데 왜 이래? 내가 좋아하는 추론, 또는 적어도 내가 이것을 어떻게 기억하는지 :

df.shape

(행 수, 열 수)

Pandas 데이터 프레임에서 shape 속성을 호출하면 행 수를 나타내는 첫 번째 값과 열 수를 나타내는 두 번째 값이 포함 된 튜플이 반환됩니다. 파이썬에서 이것이 어떻게 인덱싱되는지 생각하면 행 값은 0이고 열 값은 1입니다. 우리가 축 값을 선언하는 것과 같습니다. 미친, 맞지?

CONCAT은 , 병합 및 가입

SQL에 익숙하다면 이러한 개념이 훨씬 쉽게 나타날 것입니다. 어쨌든,이 기능은 본질적으로 특정 방식으로 데이터 프레임을 결합하는 단지 방법입니다. 어떤 시간에 어느 것이 가장 사용하기 좋은지 추적하는 것은 어려울 수 있으므로 검토해 보겠습니다.

Concat을 사용하면 사용자가 축 정의 방법에 따라 하나 이상의 데이터 프레임을 아래 또는 옆에 서로 추가 할 수 있습니다.

Merge는 기본 키 역할을하는 특정 공통 열에 여러 데이터 프레임을 결합합니다.

조인은 병합과 마찬가지로 두 개의 데이터 프레임을 결합합니다. 그러나 지정된 열이 아닌 인덱스를 기준으로 조인합니다.

특정 문법과 더 구체적인 예는 물론 훌륭한 몇 가지 특수한 경우에 대한 훌륭한 판다 문서 를 확인하십시오 .

팬더 신청

적용을 맵 함수라고 생각하면 Pandas DataFrames 용으로, 더 구체적으로는 Series 용으로 만들어야합니다. 친숙하지 않다면 Series는 NumPy 배열과 거의 비슷합니다.

Apply는 지정한 내용에 따라 열 또는 행의 모든 요소에 함수를 보냅니다. 루프가 전혀 필요없이 전체 DataFrame 열에서 값의 형식을 지정하고 조작하는 경우 유용 할 수 있습니다.

마지막으로 피벗 테이블이 가장 중요합니다. Microsoft Excel에 익숙하다면 어떤면에서는 피벗 테이블에 대해 들어 보셨을 것입니다. Pandas에 내장 된 pivot_table 함수는 스프레드 시트 스타일 피벗 테이블을 DataFrame으로 만듭니다. 피벗 테이블의 수준은 결과 DataFrame의 인덱스와 열에있는 MultiIndex 개체에 저장됩니다.