01 형 변환 함수 / 매서드
-01 함수
-02 매서드
02 파이썬에서의 sql 사용 (SQLite사용)
03 DBMS (Oracle) 연동
-01 필요 라이브러리 설치 및 로딩
-02 target DB 정보 확인
-03 접속
04 array
-01 생성
-02 주요 매서드
-03 색인
-04 연산
-05 축별 연산
-06 행/열 결합
01 형 변환 함수 / 매서드
-01 함수
str, in, float
상수에만 적용 가능한 함수이다.
ex)
str(100)
float(100)
int('100')
str(100)
Out[33]: '100'
float(100)
Out[34]: 100.0
int('100')
Out[35]: 100
str(Series([100,200,300])) # 정상적인 출력이 진행되지 않는다.
-02 매서드
numpy, pandas에서 제공한다.
.astype(int)
Series([100,200,300]).astype(str)
Series([100,200,300]).astype('float')
Series([100,200,300]).astype(str)
Out[31]:
0 100
1 200
2 300
dtype: object
Series([100,200,300]).astype('float')
Out[32]:
0 100.0
1 200.0
2 300.0
dtype: float6402 파이썬에서의 sql 사용 (SQLite사용)
라이브러리 설치가 필요하며 cmd에서의 실행을 권고한다.
pip install pandasql 을 통해 pandasql 모듈을 설치한다.
▲ 설치가 완료되었다는 메시지가 출력된다.
import pandsql을 통해 모듈을 호출한다.
import pandasql
from pandasql import sqldf
ex) emp 테이블에서 10번 부서원의 이름, 급여, 부서번호 출력
import pandas as pd
emp = pd.read_csv('emp.csv')
dept = pd.read_csv('dept.csv')
emp.loc[emp['DEPTNO'] == 10, ['ENAME', 'SAL', 'DEPTNO']]
emp.loc[emp['DEPTNO'] == 10, ['ENAME', 'SAL', 'DEPTNO']]
Out[74]:
ENAME SAL DEPTNO
6 CLARK 2450 10
8 KING 5000 10
13 MILLER 1300 10
sqldf('select ename, sal, deptno from emp where deptno = 10')
sqldf('select ename, sal, deptno from emp where deptno = 10')
Out[76]:
ENAME SAL DEPTNO
0 CLARK 2450 10
1 KING 5000 10
2 MILLER 1300 10
▲ 대소문자를 구분하지 않는다.
ex) emp, dept 조인하여 각 직원의 이름, 급여, 부서명 출력
1) oracle 표준
# 오류가 발생한다.
# 테이블 별칭 선언이 불가능하다.
sqldf('''select e.ename, e.sal, d.dname
from emp e, dept d
where e.deptno = d.deptno''')
OperationalError: (sqlite3.OperationalError) no such table: dept
[SQL: select e.ename, e.sal, d.dname
from emp e, dept d
where e.deptno = d.deptno]
(Background on this error at: https://sqlalche.me/e/20/e3q8)
During handling of the above exception, another exception occurred:
PandaSQLException Traceback (most recent call last)
Cell In[102], line 1
----> 1 sqldf('''select e.ename, e.sal, d.dname
2 from emp e, dept d
3 where e.deptno = d.deptno''')
File ~\anaconda3\Lib\site-packages\pandasql\sqldf.py:156, in sqldf(query, env, db_uri)
124 def sqldf(query, env=None, db_uri='sqlite:///:memory:'):
125 """
126 Query pandas data frames using sql syntax
127 This function is meant for backward compatibility only. New users are encouraged to use the PandaSQL class.
(...) 154 >>> sqldf("select avg(x) from df;", locals())
155 """
--> 156 return PandaSQL(db_uri)(query, env)
File ~\anaconda3\Lib\site-packages\pandasql\sqldf.py:63, in PandaSQL.__call__(self, query, env)
61 result = read_sql(query, conn)
62 except DatabaseError as ex:
---> 63 raise PandaSQLException(ex)
64 except ResourceClosedError:
65 # query returns nothing
66 result = None
PandaSQLException: (sqlite3.OperationalError) no such table: dept
[SQL: select e.ename, e.sal, d.dname
from emp e, dept d
where e.deptno = d.deptno]
(Background on this error at: https://sqlalche.me/e/20/e3q8)
# oracle 표준 조인이 정상적으로 진행되었다.
sqldf('''select ename, sal, dname
from emp, dept
where emp.deptno = dept.deptno''')
sqldf('''select ename, sal, dname
from emp, dept
where emp.deptno = dept.deptno''')
Out[103]:
ENAME SAL DNAME
0 SMITH 800 RESEARCH
1 ALLEN 1600 SALES
2 WARD 1250 SALES
3 JONES 2975 RESEARCH
4 MARTIN 1250 SALES
5 BLAKE 2850 SALES
6 CLARK 2450 ACCOUNTING
7 SCOTT 3000 RESEARCH
8 KING 5000 ACCOUNTING
9 TURNER 1500 SALES
10 ADAMS 1100 RESEARCH
11 JAMES 950 SALES
12 FORD 3000 RESEARCH
13 MILLER 1300 ACCOUNTING
2) ansi 표준
# ansi 표준의 경우 테이블 별칭 선언이 가능하다.
sqldf('''select ename, sal, dname
from emp e
join dept d
on e.deptno = d.deptno''')
sqldf('''select ename, sal, dname
from emp e
join dept d
on e.deptno = d.deptno''')
Out[104]:
ENAME SAL DNAME
0 SMITH 800 RESEARCH
1 ALLEN 1600 SALES
2 WARD 1250 SALES
3 JONES 2975 RESEARCH
4 MARTIN 1250 SALES
5 BLAKE 2850 SALES
6 CLARK 2450 ACCOUNTING
7 SCOTT 3000 RESEARCH
8 KING 5000 ACCOUNTING
9 TURNER 1500 SALES
10 ADAMS 1100 RESEARCH
11 JAMES 950 SALES
12 FORD 3000 RESEARCH
13 MILLER 1300 ACCOUNTING
# ansi 표준 조인이 정상적으로 진행되었다.
sqldf('''select ename, sal, dname
from emp
join dept
on emp.deptno = dept.deptno''')
sqldf('''select ename, sal, dname
from emp
join dept
on emp.deptno = dept.deptno''')
Out[105]:
ENAME SAL DNAME
0 SMITH 800 RESEARCH
1 ALLEN 1600 SALES
2 WARD 1250 SALES
3 JONES 2975 RESEARCH
4 MARTIN 1250 SALES
5 BLAKE 2850 SALES
6 CLARK 2450 ACCOUNTING
7 SCOTT 3000 RESEARCH
8 KING 5000 ACCOUNTING
9 TURNER 1500 SALES
10 ADAMS 1100 RESEARCH
11 JAMES 950 SALES
12 FORD 3000 RESEARCH
13 MILLER 1300 ACCOUNTING
▶ 따라서 별칭 선언을 반드시 해야만하는 상황이라면 ansi 표준을 사용하는 것이 좋다.
ex) gogak, gift를 사용하여 모든 고객의 이름과 포인트 기준으로 받을 수 있는 상품명 하나씩을 출력
gogak = pd.read_csv('gogak.csv', encoding = 'cp949')
gift = pd.read_csv('gift.csv', encoding = 'cp949')
gogak.head()
gift.head()
gogak.head()
Out[109]:
GNO GNAME JUMIN POINT
0 20010001 서진수 7510231369824 980000
1 20010002 서재수 7502241128467 73000
2 20010003 이미경 7506152123648 320000
3 20010004 김재수 7512251063421 65000
4 20010005 박동호 7503031639826 180000
gift.head()
Out[110]:
GNO GNAME G_START G_END
0 1 참치세트 1 100000
1 2 샴푸세트 100001 200000
2 3 세차용품세트 200001 300000
3 4 주방용품세트 300001 400000
4 5 산악용자전거 400001 500000
sqldf('''select gogak.gname, point, gift.gname
from gogak, gift
where gogak.point between gift.g_start and gift.g_end''')
sqldf('''select gogak.gname, point, gift.gname
from gogak, gift
where gogak.point between gift.g_start and gift.g_end''')
Out[114]:
GNAME POINT GNAME
0 서진수 980000 양쪽문냉장고
1 서재수 73000 참치세트
2 이미경 320000 주방용품세트
3 김재수 65000 참치세트
4 박동호 180000 샴푸세트
5 김신영 153000 샴푸세트
6 신은경 273000 세차용품세트
7 오나라 315000 주방용품세트
8 김설희 542000 LCD모니터
9 임세현 265000 세차용품세트
10 최순규 110000 샴푸세트
11 정현영 99000 참치세트
12 안광훈 470000 산악용자전거
13 모병환 298000 세차용품세트
14 노정호 420000 산악용자전거
15 이윤나 598000 LCD모니터
16 안은수 625000 노트북
17 인영민 670000 노트북
18 김지영 770000 벽걸이TV
19 허우 730000 벽걸이TV
ex) emp에서 각 직원의 이름, 급여, 입사년도 출력 (단, hiredate는 문자컬럼)
emp = pd.read_csv('emp.csv', parse_dates = ['HIREDATE'])
sqldf('select ename, sal, substr(hiredate, 1, 4) as hyear from emp')
sqldf('select ename, sal, substr(hiredate, 1, 4) as hyear from emp')
Out[131]:
ENAME SAL hyear
0 SMITH 800 1980
1 ALLEN 1600 1981
2 WARD 1250 1982
3 JONES 2975 1981
4 MARTIN 1250 1981
5 BLAKE 2850 1981
6 CLARK 2450 1981
7 SCOTT 3000 1987
8 KING 5000 1981
9 TURNER 1500 1981
10 ADAMS 1100 1987
11 JAMES 950 1981
12 FORD 3000 1981
13 MILLER 1300 1982
sqldf("select ename, sal, to_char(hiredate), 'yyyy' as hyer from emp") # SQLite에는 to_char 함수가 없다.
PandaSQLException: (sqlite3.OperationalError) no such function: to_char
[SQL: select ename, sal, to_char(hiredate), 'yyyy' as hyer from emp]
(Background on this error at: https://sqlalche.me/e/20/e3q8)
sqldf("select ename, sal, strftime('%Y', hiredate) as hyer from emp")
sqldf("select ename, sal, strftime('%Y', hiredate) as hyer from emp")
Out[134]:
ENAME SAL hyer
0 SMITH 800 1980
1 ALLEN 1600 1981
2 WARD 1250 1982
3 JONES 2975 1981
4 MARTIN 1250 1981
5 BLAKE 2850 1981
6 CLARK 2450 1981
7 SCOTT 3000 1987
8 KING 5000 1981
9 TURNER 1500 1981
10 ADAMS 1100 1987
11 JAMES 950 1981
12 FORD 3000 1981
13 MILLER 1300 198203 DBMS (Oracle) 연동
Python에서 외부 DBMS(Oracle, SQL Server 등)에 접속해서 데이터를 불러오기 위해 사용한다.
Python에서 만든 객체(데이터프레임)를 DB에 새로운 테이블로 생성이 가능하다. (테이블 생성 권한 필요)
-01 필요 라이브러리 설치 및 로딩
pip install sqlalchemy # cmd에서 실행 권고
pip install cx_oracle # 에러발생
canda install -c anaconda cx_oracle
▲ 기본이 [y]로 되어있다. 엔터를 입력하면 설치가 진행된다.
import sqlalchemy
import cx_Oracle
▲ 설치할 때는 cs_oracle이었지만 import 시에는 cx_Oracle이다. (대소문자 오타 주의)
-02 target DB 정보 확인
1) ip : target DB가 설치된 서버 (PC)의 IP 주소 (python과 같은 위치에 설치된 경우 localhost)
2) port : target DB의 리스너 port 번호 (기본 : 1521)
3) SID : target DB 이름 (orci)
4) userid : 접속할 계정 이름
5) passwd : 게정 패스워드
* 2026.03.08 - [아이티윌_데이터 분석 55기/강의내용 필기_SQL] - #1) 1일차_오라클과 오렌지 설치하기, SELECT문
* target DB 정보 확인
cmd > isnrctl stauts (DB가 여러개 설치된 경우 path에서의 실행순서 변경이 필요하다.)
-03 접속
+) 생성 권한 및 방화벽에 대한 사항도 검토를 같이 해야한다.
from sqlalchemy import create_engine
1) DBMS 접속 정의
create_engine('oracle+cx_oracle://userid:passwd@ip:port/sid')
con1 = create_engine('oracle+cx_oracle://scott:oracle@localhost:1521/orcl')
2) 연동 및 데이터 불러오기
pd.read_sql('select sysdate from dual', con = con1)
pd.read_sql('select sysdate from dual', con = con1)
Out[147]:
sysdate
0 2026-05-15 12:04:52
pd.read_sql('select ename, dname from emp e, dept d where e.deptno = d.deptno', con = con1)
pd.read_sql('select ename, dname from emp e, dept d where e.deptno = d.deptno', con = con1)
Out[148]:
ename dname
0 SMITH OPERATIONS
1 ALLEN SALES
2 WARD SALES
3 JONES RESEARCH
4 MARTIN SALES
5 BLAKE SALES
6 CLARK ACCOUNTING
7 SCOTT RESEARCH
8 KING ACCOUNTING
9 TURNER SALES
10 ADAMS RESEARCH
11 JAMES SALES
12 FORD RESEARCH
13 MILLER ACCOUNTING
pd.read_sql("select ename, to_char(hiredate, 'yyyy') as hyear from emp", con = con1)
pd.read_sql("select ename, to_char(hiredate, 'yyyy') as hyear from emp", con = con1)
Out[149]:
ename hyear
0 SMITH 1980
1 ALLEN 1981
2 WARD 1981
3 JONES 1981
4 MARTIN 1981
5 BLAKE 1981
6 CLARK 1981
7 SCOTT 1987
8 KING 1981
9 TURNER 1981
10 ADAMS 1987
11 JAMES 1981
12 FORD 1981
13 MILLER 1982
SQLite를 사용해야하는 상황이었기에 사용이 불가능했던 to_char의 사용이 가능해졌음을 확인할 수 있다.
3) DBMS에 테이블 생성 (python 객체 -> DB 테이블 생성, 접속된 계정의 테이블 생성 권한 필요)
emp.to_sql(name, # 저장할 테이블명
con, # 연결정보 (create_engine으로 만든 정보명)
schema, # 테이블 소유자 (생략 시 접속한 계정 소유의 테이블 생성)
if_exists = 'fail' # replace(대체), append(삽입)
index = True) # 행번호 저장 여부
# 예) 새로운 데이터프레임 생성 후 DB에 테이블로 저장
from pandas import Series, DataFrame
df = DataFrame({'COL1':['A','B','C','D'], 'COL2' : [1,2,3,4]})
df.to_sql('python_tab1', con = con1, index = False)
df.to_sql('python_tab1', con = con1, index = False)
Out[153]: 4
▲ Orange에서도 새로운 데이터프레임을 조회할 수 있다.
04 array
numpy에서 제공하는 자료구조로 다차원 자료구조이다.
같은 데이터타입만 허용하며 주로 숫자들의 빠른 행렬곱을 위해 생성한다.
키구조가 아니기 때문에 DF처럼 키 별로 접근/생성하는 것은 어렵다.
-01 생성
import numpy as np
a1 = np.array([1,2,3,4])
a2 = np.array([1,2,3,4], dtype = float)
a3 = np.array([[1,2,3,4],[5,6,7,8]])
a1
a2
a3
a1
Out[166]: array([1, 2, 3, 4])
a2
Out[167]: array([1., 2., 3., 4.])
a3
Out[168]:
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
np.arange(1,13)
np.arange(1,13)
Out[192]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 층행렬 생성
a4 = np.arange(1,25).reshape(2,3,4) # 2층, 3행, 4열 구조
a4
in Python) 층 - 행 - 열 순서
in R) 행 - 열- 층 순서
* 순서에 차이가 존재하기에 이후 3차원 데이터를 다룰 시 해당 사항을 기억해두어야 한다.
a4
Out[194]:
array([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]])-02 주요 매서드
dir(a1) # numpy 객체가 호출 가능한 메서드 목록
a1.dtype # 데이터 타입 확인
a1.dtype # 데이터 타입 확인
Out[190]: dtype('int64')
a1.ndim # 차원 확인
a3.ndim # 차원 확인
a1.ndim
Out[170]: 1
a3.ndim # 차원 확인
Out[171]: 2
a1.shape # 크기(4,) -> 1차원이기 때문에 총 갯수만 출력되며 뒷 칸은 공란으로 출력된다.
a3.shape # 크기(2,4) -> 2행 4열 구조
a1.shape # 크기(4,)
Out[172]: (4,)
a3.shape
Out[173]: (2, 4)
a3.shape[0] # 행 크기
a3.shape[1] # 컬럼 크기
a3.shape[0]
Out[183]: 2
a3.shape[1]
Out[184]: 4
a4.shape[0] # 층 크기
a4.shape[1] # 행 크기
a4.shape[2] # 열 크기
a4.shape[0] # 층 크기
Out[197]: 2
a4.shape[1] # 행 크기
Out[198]: 3
a4.shape[2] # 열 크기
Out[199]: 4
2차원 데이터일 때와 3차원 데이터일 때 색인의 결과가 다르므로 아래 표를 참고하면 된다.
| 2차원 데이터 | 3차원 데이터 | |
| 0 | 행 | 층 |
| 1 | 컬럼 | 행 |
| 2 | X | 컬럼 |
a1.reshape(2,2) # 크기 변경 (행 우선 순위, C가 default)
a1.reshape(2,2, order = 'C') # 크기 변경 (C 순서 : 행 우선 순위) 와 동일하다.
+) a1.reshape(2,-1) # -1은 나머지 크기를 자동 계산
a1.reshape(2,2)
Out[174]:
array([[1, 2],
[3, 4]])
a1.reshape(2,2, order = 'F') # 크기 변경 (F 순서 : 컬럼 우선 순위)
a1.reshape(2,2, order = 'F') # 크기 변경 (F 순서 : 컬럼 우선 순위)
Out[181]:
array([[1, 3],
[2, 4]])
a3.reshape(8,) # 2차원 -> 1차원 평탄화
a3.flatten() # 2차원 -> 1차원 평탄화
a3.reshape(8,) # 2차원 -> 1차원 평탄화
Out[185]: array([1, 2, 3, 4, 5, 6, 7, 8])
a3.flatten() # 2차원 -> 1차원 평탄화
Out[186]: array([1, 2, 3, 4, 5, 6, 7, 8])
a3.flatten(order = 'C') # 2차원 -> 1차원 평탄화 (첫번째 행 배치 후 두번째 행 배치 순서)
a3.flatten(order = 'F') # 2차원 -> 1차원 평탄화 (첫번째 컬럼 배치 후 두번째 컬럼 배치 순서)
a3.flatten(order = 'C') # 2차원 -> 1차원 평탄화 (첫번째 행 배치 후 두번째 행 배치 순서)
Out[187]: array([1, 2, 3, 4, 5, 6, 7, 8])
a3.flatten(order = 'F') # 2차원 -> 1차원 평탄화 (첫번째 컬럼 배치 후 두번째 컬럼 배치 순서)
Out[188]: array([1, 5, 2, 6, 3, 7, 4, 8])-03 색인
a5 = np.arange(1,26).reshape(5,5)
a5
Out[208]:
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])
a5[0,0] # 정수 색인
a5[0:3, 0] # 슬라이스 색인
a5[0:3, [0,2,4]] # 리스트 색인
a5[0,0]
Out[204]: np.int64(1)
a5[0:3, 0]
Out[205]: array([ 1, 6, 11])
a5[0:3, [0,2,4]]
Out[206]:
array([[ 1, 3, 5],
[ 6, 8, 10],
[11, 13, 15]])
a5[:,0] >= 10
a5[:,0] >= 10
Out[207]: array([False, False, True, True, True])
a5[a5[:,0] >= 10, : ] # 조건 색인
a5[a5[:,0] >= 10, : ]
Out[209]:
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])
딥러닝 코드 사용 시 2차원의 형태로 데이터가 전달되어야하는 경우가 있다.
reshape 혹은 slice indexing을 통해 다음과 같이 차원 축소에 관련된 문제를 해결결할 수 있다.
# ** 차원 축소 발생! (특정 층, 행, 컬럼 선택 시 자동으로 저차원 데이터로 출력됨)
# 예) array
a5[0,:] # 1차원 array로 리턴
a5[:,3] # 1차원 array로 리턴
a5[0,:] # 1차원 array로 리턴
Out[215]: array([1, 2, 3, 4, 5])
a5[:,3] # 1차원 array로 리턴
Out[216]: array([ 4, 9, 14, 19, 24])
# ** 차원 축소 방지 => slice indexing 사용
a5[0:1, :]
a5[:, 3:4]
a5[0:1, :]
Out[219]: array([[1, 2, 3, 4, 5]])
a5[:, 3:4]
Out[220]:
array([[ 4],
[ 9],
[14],
[19],
[24]])# 예) DataFrame
emp.iloc[0,:] # Series로 리턴
emp.iloc[:,0] # Series로 리턴
emp.iloc[0,:] # Series로 리턴
Out[217]:
EMPNO 7369
ENAME SMITH
JOB CLERK
MGR 7902.0
HIREDATE 1980-12-17 00:00:00
SAL 800
COMM NaN
DEPTNO 20
Name: 0, dtype: object
emp.iloc[:,0] # Series로 리턴
Out[218]:
0 7369
1 7499
2 7521
3 7566
4 7654
5 7698
6 7782
7 7788
8 7839
9 7844
10 7876
11 7900
12 7902
13 7934
Name: EMPNO, dtype: int64
emp.loc[:, 'SAL'] # Series로 리턴
emp['SAL'] # Series로 리턴
emp.loc[:, 'SAL'] # Series로 리턴
Out[228]:
0 800
1 1600
2 1250
3 2975
4 1250
5 2850
6 2450
7 3000
8 5000
9 1500
10 1100
11 950
12 3000
13 1300
Name: SAL, dtype: int64
emp['SAL'] # Series로 리턴
Out[229]:
0 800
1 1600
2 1250
3 2975
4 1250
5 2850
6 2450
7 3000
8 5000
9 1500
10 1100
11 950
12 3000
13 1300
Name: SAL, dtype: int64
# ** 차원 축소 방지 => slice indexing 사용
emp.iloc[0:1,:] # Dataframe으로 리턴
emp.iloc[:,0:1] # Dataframe으로 리턴
emp.iloc[0:1,:] # Dataframe으로 리턴
Out[224]:
EMPNO ENAME JOB MGR HIREDATE SAL COMM DEPTNO
0 7369 SMITH CLERK 7902.0 1980-12-17 800 NaN 20
emp.iloc[:,0:1] # Dataframe으로 리턴
Out[225]:
EMPNO
0 7369
1 7499
2 7521
3 7566
4 7654
5 7698
6 7782
7 7788
8 7839
9 7844
10 7876
11 7900
12 7902
13 7934
# 문자 슬라이스의 경우 자기 자신으로 지정해주면 된다.
emp.loc[:, 'SAL':'SAL']
emp.loc[:, 'SAL':'SAL']
Out[226]:
SAL
0 800
1 1600
2 1250
3 2975
4 1250
5 2850
6 2450
7 3000
8 5000
9 1500
10 1100
11 950
12 3000
13 1300
# Slice indexing이 어려운 경우 다음과 같이 대괄호를 2번 사용하여 key indexing을 진행할 수 있다.
emp[['SAL']] # Dataframe으로 리턴
emp[['SAL']]
Out[230]:
SAL
0 800
1 1600
2 1250
3 2975
4 1250
5 2850
6 2450
7 3000
8 5000
9 1500
10 1100
11 950
12 3000
13 1300ex) 두번째, 다섯번째 행의 두 번째, 네 번째 컬럼 선택하기
array에서 둘 이상의 리스트를 사용하여 indexing을 하는 경우 특정 포인트를 찾는 방식으로 해석된다.
a5[[1,4], [1,3]]
a5[[1,4], [1,3]]
Out[240]: array([ 7, 24]) ▲ 2개의 값만 리턴되었음을 확인할 수 있다.
array에서 point indexing을 진행하는 경우 이러한 문제가 발생한다. (p(1,3), p(4,3)이 출력됨)
np.ix_를 통하여 해당 문제를 해결할 수 있다.
a5[np.ix_([1,4],[1,3])]
a5[np.ix_([1,4],[1,3])]
Out[241]:
array([[ 7, 9],
[22, 24]])▲ 두 번째, 다섯 번째 행의 두 번째, 네 번째 컬럼 선택이 가능해졌음을 확인할 수 있다.
-04 연산
a11 = np.arange(1,5).reshape(2,2)
a12 = np.arange(10,41,10).reshape(2,2)
a13 = np.arange(10,61,10).reshape(3,2)
a11
Out[250]:
array([[1, 2],
[3, 4]])
a12
Out[251]:
array([[10, 20],
[30, 40]])
a13
Out[252]:
array([[10, 20],
[30, 40],
[50, 60]])
a11 + a12 # 같은 크기의 array끼리 연산이 가능하다.
a11 + a12
Out[253]:
array([[11, 22],
[33, 44]])
a11 + a13 # error가 발생했다.
a11 + a13 # error가 발생했다.
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Cell In[254], line 1
----> 1 a11 + a13 # error가 발생했다.
ValueError: operands could not be broadcast together with shapes (2,2) (3,2)
# ** array의 broadcast 기능
a15 = np.arange(1,3).reshape(2,1)
a11 + a15
작은 쪽의 array가 적어도 같은 위치(행 or 열)에 있는 shape과 같은 수를 공유해야하며, 다른 쪽은 1이어야 한다.
a11 + a15
Out[262]:
array([[2, 3],
[5, 6]])
ex) 1~12까지 값을 가지는 3,4 array 생성 (a1), 10,20,30 값을 가지는 array 생성 (a2), 10, 20, 30, 40 을 가지는 array 생성(a3)
이후 a1 + a2, a1 + a3이 가능하도록 연산
a1 = np.arange(1,13,1).reshape(3,4)
a2 = np.arange(10,31,10).reshape(3,1)
a3 = np.arange(10,41,10).reshape(1,4)
a1 + a2
a1 + a2
Out[277]:
array([[11, 12, 13, 14],
[25, 26, 27, 28],
[39, 40, 41, 42]])
a1 + a3
a1 + a3
Out[280]:
array([[11, 22, 33, 44],
[15, 26, 37, 48],
[19, 30, 41, 52]])
# 문제풀이
a1 = np.arange(1,13,1).reshape(3,4)
a2 = np.array([10,20,30])
a3 = np.array([10,20,30,40])
a1 + a2.reshape(3,1)
a1 + a3
-05 축별 연산
import numpy as np
arr1 = np.arange(1,17).reshape(4,-1)
arr1
Out[7]:
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[13, 14, 15, 16]])
arr2 = np.arange(1,25).reshape(2,3,4) # 2층 3행 4열
arr2
Out[8]:
array([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]])
* keepdimps 옵션 : 차원축소를 피하고 싶을 때 True로 적용하면 된다.
# ** 2차원에서의 계산
arr1.sum(axis=0) # 서로 다른 행끼리 연산 (세로방향)
arr1.sum(axis=1) # 서로 다른 행끼리 연산 (가로방향)
arr1.sum(axis=0) # 서로 다른 행끼리 연산 (세로방향)
Out[12]: array([28, 32, 36, 40])
arr1.sum(axis=1) # 서로 다른 행끼리 연산 (가로방향)
Out[13]: array([10, 26, 42, 58])
# ** 3차원 (층 : 0, 행 : 1, 열 : 2)
arr2.sum(axis=0) # 서로 다른 층끼리 연산
arr2.sum(axis=1) # 서로 다른 축끼리 연산
arr2.sum(axis=2) # 서로 다른 컬럼끼리 연산 (가로방향)
arr2.sum(axis=0) # 서로 다른 층끼리 연산
Out[18]:
array([[14, 16, 18, 20],
[22, 24, 26, 28],
[30, 32, 34, 36]])
arr2.sum(axis=1) # 서로 다른 축끼리 연산
Out[19]:
array([[15, 18, 21, 24],
[51, 54, 57, 60]])
arr2.sum(axis=2) # 서로 다른 컬럼끼리 연산 (가로방향)
Out[20]:
array([[10, 26, 42],
[58, 74, 90]])
-06 행/열 결합
- np.vstact(), np.hstack()
arr3 = np.arange(1,9).reshape(2,4)
arr3
Out[28]:
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
arr4 = np.arange(10,81,10).reshape(2,4)
arr4
Out[29]:
array([[10, 20, 30, 40],
[50, 60, 70, 80]])
np.vstack([arr3, arr4]) # 수직방향 결합 (행추가)
np.hstack([arr3, arr4]) # 수평방향 결합 (컬럼추가)
np.vstack([arr3, arr4]) # 수직방향 결합 (행추가)
Out[30]:
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[10, 20, 30, 40],
[50, 60, 70, 80]])
np.hstack([arr3, arr4]) # 수평방향 결합 (컬럼추가)
Out[31]:
array([[ 1, 2, 3, 4, 10, 20, 30, 40],
[ 5, 6, 7, 8, 50, 60, 70, 80]])
np.concatenate([arr3, arr4], axis=0) # 수직방향 결합 (행추가)
np.concatenate([arr3, arr4], axis=1) # 수직방향 결합 (열추가)
np.concatenate([arr3, arr4], axis=0) # 수직방향 결합 (행추가)
Out[46]:
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[10, 20, 30, 40],
[50, 60, 70, 80]])
np.concatenate([arr3, arr4], axis=1) # 수직방향 결합 (열추가)
Out[47]:
array([[ 1, 2, 3, 4, 10, 20, 30, 40],
[ 5, 6, 7, 8, 50, 60, 70, 80]])'아이티윌_데이터 분석 55기 > 강의내용 필기_Python' 카테고리의 다른 글
| #7 7일차_논리연산자/포함연산자, pandas index 설정, pandas 정렬, 벡터화 내장된 문자열 메서드, idxmax / idxmin (0) | 2026.05.19 |
|---|---|
| #6 6일차_pd의 행·열 결합 / 수학 및 통계 함수·메서드 / 결측치 처리 (0) | 2026.05.18 |
| #4 4일차_사용자 정의함수, groupby 연산, 조인 (0) | 2026.05.14 |
| #3 3일차_조건문, 반복문 (0) | 2026.05.13 |
| #2 2일차_문자열 매서드, pandas 자료구조(Series, DataFrame), 적용함수 (0) | 2026.05.12 |