DataFrame 구조
DataFrame 정보 확인하기
Copy df.head(n)
df.tail(n) 첫 n행과 마지막 n행을 출력하고 내용과 구조를 살펴볼 수 있다. 이때 n을 입력하지 않으면 default 5행을 출력한다.
Copy >>> print(df.head(6))
mpg cylinders displacement horsepower weight acceleration model year origin name
0 18.0 8 307.0 130.0 3504 12.0 70 1 "chevrolet chevelle malibu"
1 15.0 8 350.0 165.0 3693 11.5 70 1 "buick skylark 320"
2 18.0 8 318.0 150.0 3436 11.0 70 1 "plymouth satellite"
3 16.0 8 304.0 150.0 3433 12.0 70 1 "amc rebel sst"
4 17.0 8 302.0 140.0 3449 10.5 70 1 "ford torino"
5 15.0 8 429.0 198.0 4341 10.0 70 1 "ford galaxie 500"
Copy >>> print(df.tail())
mpg cylinders displacement horsepower weight acceleration model year origin name
393 27.0 4 140.0 86.00 2790 15.6 82 1 "ford mustang gl"
394 44.0 4 97.0 52.00 2130 24.6 82 2 "vw pickup"
395 32.0 4 135.0 84.00 2295 11.6 82 1 "dodge rampage"
396 28.0 4 120.0 79.00 2625 18.6 82 1 "ford ranger"
397 31.0 4 119.0 82.00 2720 19.4 82 1 "chevy s-10" 요약 정보 확인하기
df에 저장된 DataFrame의 크기(행의 개수, 열의 개수)를 확인할 수 있다.
Copy >>> df.shape
(398, 9) 클래스 유형, 행 인덱스의 구성, 열 이름의 종류와 수, 각 열의 자료형과 개수, 메모리 할당량에 대한 기본 정보를 출력한다.
Copy >>> df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 398 entries, 0 to 397
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 mpg 398 non-null float64
1 cylinders 398 non-null int64
2 displacement 398 non-null float64
3 horsepower 398 non-null object
4 weight 398 non-null int64
5 acceleration 398 non-null float64
6 model year 398 non-null int64
7 origin 398 non-null int64
8 name 398 non-null object
dtypes: float64(3), int64(4), object(2)
memory usage: 28.1+ KB
Copy df.dtypes
df.colum명.dtypes
Copy >>> df.dtypes
mpg float64
cylinders int64
displacement float64
horsepower object
weight int64
acceleration float64
model year int64
origin int64
name object
dtype: object
>>> df.mpg.dtypes
dtype('float64') 산술 데이터를 갖는 열에 대한 주요 기술 통계 정보(평균, 표준편차, 최대값, 최소값, 중간값 등)를 요약 출력한다.
Copy >>> df.describe()
mpg cylinders displacement weight acceleration model year origin
count 398.000000 398.000000 398.000000 398.000000 398.000000 398.000000 398.000000
mean 23.514573 5.454774 193.425879 2970.424623 15.568090 76.010050 1.572864
std 7.815984 1.701004 104.269838 846.841774 2.757689 3.697627 0.802055
min 9.000000 3.000000 68.000000 1613.000000 8.000000 70.000000 1.000000
25% 17.500000 4.000000 104.250000 2223.750000 13.825000 73.000000 1.000000
50% 23.000000 4.000000 148.500000 2803.500000 15.500000 76.000000 1.000000
75% 29.000000 8.000000 262.000000 3608.000000 17.175000 79.000000 2.000000
max 46.600000 8.000000 455.000000 5140.000000 24.800000 82.000000 3.000000 만약 산술 데이터가 아닌 열에 대한 정보를 포함하고 싶을 떄는 include='all' 옵션을 추가하면된다.
Copy >>> df.describe(include='all')
mpg cylinders displacement horsepower weight acceleration model year origin name
count 398.000000 398.000000 398.000000 398 398.000000 398.000000 398.000000 398.000000 398
unique NaN NaN NaN 94 NaN NaN NaN NaN 305
top NaN NaN NaN 150.0 NaN NaN NaN NaN "ford pinto"
freq NaN NaN NaN 22 NaN NaN NaN NaN 6
mean 23.514573 5.454774 193.425879 NaN 2970.424623 15.568090 76.010050 1.572864 NaN
std 7.815984 1.701004 104.269838 NaN 846.841774 2.757689 3.697627 0.802055 NaN
min 9.000000 3.000000 68.000000 NaN 1613.000000 8.000000 70.000000 1.000000 NaN
25% 17.500000 4.000000 104.250000 NaN 2223.750000 13.825000 73.000000 1.000000 NaN
50% 23.000000 4.000000 148.500000 NaN 2803.500000 15.500000 76.000000 1.000000 NaN
75% 29.000000 8.000000 262.000000 NaN 3608.000000 17.175000 79.000000 2.000000 NaN
max 46.600000 8.000000 455.000000 NaN 5140.000000 24.800000 82.000000 3.000000 NaN 문자열 데이터가 들어가 있는 열의 unique(고유값 개수), top(최빈값), freq(빈도수) 정보가 추가된다.
데이터 개수 확인
각 열이 가지고 있는 데이터 개수를 Series 객체로 반환한다. 이때 유효한 값의 개수만을 계산하는 점을 주의해야한다.
Copy >>> df.count()
mpg 398
cylinders 398
displacement 398
horsepower 398
weight 398
acceleration 398
model year 398
origin 398
name 398
dtype: int64
Copy df.["열 이름"].value_counts() Series 객체의 고유값 개수를 세는데 사용한다.
dropna=True 옵션을 설정하면, 데이터 값 중에서 NaN을 제외한 개수를 계산한다.
Copy >>> df['origin'].value_counts()
1 249
3 79
2 70
Name: origin, dtype: int64 통계 함수
평균값
Copy df.mean() # 모든 열의 평균값
df["열 이름"].mean() # 특정 열의 평균값
Copy >>> df.mean()
mpg 23.514573
cylinders 5.454774
displacement 193.425879
weight 2970.424623
acceleration 15.568090
model year 76.010050
origin 1.572864
dtype: float64
>>> df['mpg'].mean()
23.514572864321607 중간값
Copy df.median() # 모든 열의 중간값
df['열 이름'].median() # 특정 열의 중간값
Copy >>> df.median()
mpg 23.0
cylinders 4.0
displacement 148.5
weight 2803.5
acceleration 15.5
model year 76.0
origin 1.0
dtype: float64
>>> df['mpg'].median()
23.0 최대값
Copy df.max()
df["열 이름"].max() 산술 데이터를 가진 열에 대해서는 가장 큰 숫자를 찾아서 최대값으로 반환한다. 문자열 데이터를 가진 열에 대해서는 문자열을. ASCII 숫자로 변환해 크고 작음을 비교한다.
Copy >>> df.max()
mpg 46.6
cylinders 8
displacement 455
horsepower ?
weight 5140
acceleration 24.8
model year 82
origin 3
name "vw rabbit"
dtype: object
>>> df['mpg'].max()
46.6 최소값
Copy df.min()
df["열 이름"].min() 산술 데이터를 가진 열에 대해서는 가장 작은 숫자를 찾아서 최소값으로 반환한다. 문자열 데이터를 가진 열에 대해서는 문자열을. ASCII 숫자로 변환해 크고 작음을 비교한다.
Copy >>> df.min()
mpg 9
cylinders 3
displacement 68
horsepower 100.0
weight 1613
acceleration 8
model year 70
origin 1
name "amc ambassador brougham"
dtype: object
>>> df['mpg'].min()
9.0 표준편차
Copy df.std()
df["열 이름"].std() 산술 데이터를 갖는 열의 표준편차를 계산해 Series 객체로 변환한다.
Copy >>> df.std()
mpg 7.815984
cylinders 1.701004
displacement 104.269838
weight 846.841774
acceleration 2.757689
model year 3.697627
origin 0.802055
dtype: float64
>>> df['mpg'].std()
7.815984312565782 로 정의된다.
표준 편차는 자료의 산포도를 나타내는 수치로, 분산의 양의 제곱근으로 정의한다.
위키피디아
상관계수
Copy df.corr()
df[열 이름 리스트].corr() corr()는 두 열 간의 상관계수를 계산한다. 산술 데이터를 갖는 모든 열에 대해 2개씩 서로 짝을 짓고, 각각의 경우에 대해 상관계수를 계산한다.
Copy >>> df.corr()
mpg cylinders displacement weight acceleration model year origin
mpg 1.000000 -0.775396 -0.804203 -0.831741 0.420289 0.579267 0.563450
cylinders -0.775396 1.000000 0.950721 0.896017 -0.505419 -0.348746 -0.562543
displacement -0.804203 0.950721 1.000000 0.932824 -0.543684 -0.370164 -0.609409
weight -0.831741 0.896017 0.932824 1.000000 -0.417457 -0.306564 -0.581024
acceleration 0.420289 -0.505419 -0.543684 -0.417457 1.000000 0.288137 0.205873
model year 0.579267 -0.348746 -0.370164 -0.306564 0.288137 1.000000 0.180662
origin 0.563450 -0.562543 -0.609409 -0.581024 0.205873 0.180662 1.000000
>>> df[['mpg','weight']].corr()
mpg weight
mpg 1.000000 -0.831741
weight -0.831741 1.000000 상관계수란? 두 변수 x,y 사이의 상관관계의 정도를 나타내는 수치이다.
상관계수의 절대값의 크기는 직선관계에 가까운 정도를 나타내고, 부호는 직선관계의 방향을 나타낸다. 상관계수의 절대값이 클수록, 즉 상관계수의 값이 1 또는 -1에 가까울 수록 두 변수 사이의 연관성이 크고, 0에 가까울 수록 매우 약함을 의미한다.
r > 0 - 양의 상관관계 : 산점도에서 점들이 우상향방향으로 띠를 형성한다. 즉, 한 변수의 값이 작으면 다른 변수의 값도 작고, 한 변수의 값이 크면 다른 변수의 값도 크다. 이러한 경향을 하나의 직선으로 나타냈을 때 그 직선의 기울기는 양수가 된다.
r < 0 - 음의 상관관계 : 산점도에서 점들이 우하향방향으로 띠를 형성한다. 즉, 한 변수의 값이 작으면 다른 변수의 값은 크다. 이러한 경향을 하나의 직선으로 나타냈을 때 그 직선의 기울기는 음수가 된다.
r = +1 : 모든 점이 정확히 기울기가 양수인 직선 위에 위치한다.
r = -1 : 모든 점이 정확히 기울기가 음수인 직선 위에 위치한다.
상관계수의 단위는 없다. 따라서 단위가 다른 여러 쌍의 변수에서 직선관계의 정도를 비교할 수 있다.
내장 그래프 도구
그래프를 이용한 시각화 방법은 데이터의 분포와 패턴을 파악하는데 크게 도움이 된다. Pandas는 matplotlib 라이브러리의 기능을 일부 내장하고 있어, 별도로 import를 하지 않고도 간단한 그래프를 그릴 수 있다.
Series 혹은 DataFrame 객체에 plot() 메소드를 적용해 그래프를 그릴 수 있으며, kind 옵션으로 그래프 종류를 선택할 수 있다.
kind option
설명
kind option
설명
선 그래프
mac terminer에서 plot() 으로 그래프를 그려도 다음과 같이 보여지지 않는다.
Copy >>> df_ns.plot()
<matplotlib.axes._subplots.AxesSubplot object at 0x10e9c5710> 이때는 matplotlib.pyplot 을 import하고 show()메소드로 보이게 할 수 있다.
Copy import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_excel('./korea_20200506120515.xlsx')
df_ns = df.iloc[[1,2],3:]
df_ns.index = ['North','South']
df_ns.columns = df_ns.columns.map(int)
print(df_ns.tail())
df_ns.plot()
plt.show() 시간의 흐름에 따른 연도별 발전량 변화 추이를 보기 위해서는 연도 값을 x축에 표시하는 것이 적절하다. 행렬을 전치하여 변경할 수 있다.
Copy tdf_ns = df_ns.T
>>> print(tdf_ns.head())
North South
1992 247 1310
1993 221 1444
1994 231 1650
1995 230 1847
1996 213 2055
>>> tdf_ns.plot()
<matplotlib.axes._subplots.AxesSubplot object at 0x114a61eb8>
>>> plt.show() 막대 그래프
Copy tdf_ns.plot(kind='bar')
plt.show() 히스토그램
히스토그램의 x축은 발전량을 일정한 간격을 갖는 여러 구간으로 나눈 것이며, y축은 연간 발전량이 x축에서 나눈 발전량 구간에 속하는 연도의 수를 빈도로 나타낸 것이다.
산점도
Copy import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('./auto-mpg.csv')
df.columns = ['mpg', 'cylinders', 'displacement', 'horsepower', 'weight', 'acceleration', 'model year', 'origin', 'name']
df.plot(x='weight', y='mpg', kind='scatter')
<matplotlib.axes._subplots.AxesSubplot object at 0x11a76c358>
plt.show() x축(weight)과 y축(mpg)의 관계는 차량의 무게가 클수록 mpg(연비)가 전반적으로 낮아지는 경향을 보이며, 역 상관관계를 갖는다고 해석할 수 있다.
박스 플롯
박스 플롯은 특정 변수의 데이터 분포와 분산 정도에 대한 정보를 제공한다.
Copy >>> df[['mpg','cylinders']].plot(kind='box')
<matplotlib.axes._subplots.AxesSubplot object at 0x11a7ecb70>
>>> plt.show() 각 변수들의 데이터가 퍼져있는 정도를 확인할 때 사용한다.
참고
