Pandas Series, 레이블과 인덱스, Operations

PYTHON PROGRAMMING FUNDAMENTALS¶

Pandas 의 장점¶

• Allows the use of labels for rows and columns
• 기본적인 통계데이터 제공
• NaN values 를 알아서 처리함. (not a number, 비어있는 데이터)
• 숫자 문자열을 알아서 로드함.
• 데이터셋들을 merge 할 수 있음. (합친다)
• It integrates with NumPy and Matplotlib

In [2]:

import pandas as pd

Pandas Series 데이터 생성하기¶

In [3]:

index = ['eggs', 'apples', 'milk', 'bread']
data = [30, 6, 'Yes', 'No']

In [5]:

# 용어 암기는 필수 
# 판다스의 1차원 데이터를 => 시리즈(Series) 라고 부른다

In [9]:

x = pd.Series(data = data)

In [ ]:

# 판다스 배우기 전까지는,
# 인덱스?? = > 컴퓨터가 자동으로 매기는 0부터 시작하는 숫자

# 판다스에서는 인덱스라는 용어가 따로 존재한다
# 따라서, 이제부터 판다스를 다루면서 
# 인덱스 라는 용어를 사용하면, 판다스의 인덱스라고 생각

# "컴퓨터가 매기는 인덱스" vs "인덱스"

# 판다스의 인덱스는, 왼쪽에 행부분에 붙어있는 글자

In [10]:

x

Out[10]:

0     30
1      6
2    Yes
3     No
dtype: object

In [11]:

x.index

Out[11]:

RangeIndex(start=0, stop=4, step=1)

In [14]:

x.values

Out[14]:

array([30, 6, 'Yes', 'No'], dtype=object)

In [ ]:

In [16]:

groceries = pd.Series(data = data , index = index)

In [17]:

groceries

Out[17]:

eggs       30
apples      6
milk      Yes
bread      No
dtype: object

In [19]:

# 인덱스를 확인
groceries.index     # object 는 판다스에선 문자열이라는 의미.

Out[19]:

Index(['eggs', 'apples', 'milk', 'bread'], dtype='object')

In [20]:

# 데이터를 확인
groceries.values # 판다스는 넘파이를 사람용으로만든거기 때문에 자동으로 넘파이로 된다

Out[20]:

array([30, 6, 'Yes', 'No'], dtype=object)

In [22]:

# shape 확인
groceries.shape

Out[22]:

(4,)

In [23]:

# 차원 확인
groceries.ndim

Out[23]:

1

In [24]:

# 데이터 갯수
groceries.size

Out[24]:

4

In [28]:

# 저장된 데이터의 타입을 확인
groceries.dtype     # object = O = 숫자와 문자가 짬뽕 되었다는 의미

Out[28]:

dtype('O')

In [29]:

# 'apples' 가 groceries 안에 들어있나 ?
'apples' in groceries

Out[29]:

True

In [30]:

# "Yes"가 groceries 안에 들어있나 ?

In [31]:

"Yes" in groceries

Out[31]:

False

In [32]:

"Yes" in groceries.values

Out[32]:

True

Accessing and Deleting Elements in Pandas Series - 레이블과 인덱스¶

In [33]:

groceries

Out[33]:

eggs       30
apples      6
milk      Yes
bread      No
dtype: object

In [36]:

groceries[0]

Out[36]:

30

In [37]:

groceries["eggs"]

Out[37]:

30

In [44]:

groceries[ ['eggs','bread'] ]

Out[44]:

eggs     30
bread    No
dtype: object

In [45]:

groceries[1:]

Out[45]:

apples      6
milk      Yes
bread      No
dtype: object

In [46]:

groceries[ 'apples' :]

Out[46]:

apples      6
milk      Yes
bread      No
dtype: object

In [47]:

groceries

Out[47]:

eggs       30
apples      6
milk      Yes
bread      No
dtype: object

In [48]:

groceries[:3]

Out[48]:

eggs       30
apples      6
milk      Yes
dtype: object

In [51]:

groceries[ 'eggs':'milk']

Out[51]:

eggs       30
apples      6
milk      Yes
dtype: object

Arithmetic Operations on Pandas Series¶

In [61]:

index = ['apples', 'oranges', 'bananas']
data = [10, 6, 3,]

In [62]:

fruits = pd.Series(data = data , index = index)

In [63]:

fruits

Out[63]:

apples     10
oranges     6
bananas     3
dtype: int64

In [65]:

# 전체 5개씩 증가 되었다.
fruits = fruits + 5

In [66]:

fruits

Out[66]:

apples     15
oranges    11
bananas     8
dtype: int64

In [67]:

# 오렌지가 2개 팔렸다.
fruits["oranges"]-2

Out[67]:

9

In [69]:

fruits["oranges"] = fruits["oranges"]-2

In [70]:

fruits

Out[70]:

apples     15
oranges     9
bananas     8
dtype: int64

In [73]:

# 사과랑 바나나가 3개씩 팔렸다.
fruits[ ['apples','bananas']]

Out[73]:

apples     15
bananas     8
dtype: int64

In [74]:

fruits[ ['apples','bananas']] -3 

Out[74]:

apples     12
bananas     5
dtype: int64

In [75]:

fruits[ ['apples','bananas']] = fruits[ ['apples','bananas']] -3

In [76]:

fruits

Out[76]:

apples     12
oranges     9
bananas     5
dtype: int64

실습¶

import pandas as pd

1. 다음과 같은 레이블과 값을 가지는 Pandas Series 를 만드세요. 변수는 dist_planets 로 만드세요.¶

distance_from_sun = [149.6, 1433.5, 227.9, 108.2, 778.6]¶

planets = ['Earth','Saturn', 'Mars','Venus', 'Jupiter']¶

dist_planets =¶

3. 거리를 빛의 상수 c( 18 ) 로 나눠서, 가는 시간이 얼마나 걸리는 지 계산하여 저장하세요.¶

time_light =¶

3. Boolean indexing을 이용해서 가는 시간이 40분보다 작은것들만 셀렉트 하세요.¶

close_planets =¶

In [77]:

distance_from_sun = [149.6, 1433.5, 227.9, 108.2, 778.6]
planets = ['Earth','Saturn', 'Mars','Venus', 'Jupiter']

In [79]:

dist_planets = pd.Series(data =  distance_from_sun , index = planets )

In [80]:

dist_planets

Out[80]:

Earth       149.6
Saturn     1433.5
Mars        227.9
Venus       108.2
Jupiter     778.6
dtype: float64

In [81]:

dist_planets / 18

Out[81]:

Earth       8.311111
Saturn     79.638889
Mars       12.661111
Venus       6.011111
Jupiter    43.255556
dtype: float64

In [82]:

time_light = dist_planets / 18

In [83]:

time_light

Out[83]:

Earth       8.311111
Saturn     79.638889
Mars       12.661111
Venus       6.011111
Jupiter    43.255556
dtype: float64

In [84]:

time_light[time_light < 40]

Out[84]:

Earth     8.311111
Mars     12.661111
Venus     6.011111
dtype: float64

In [85]:

close_planets = time_light[time_light < 40]

In [86]:

close_planets

Out[86]:

Earth     8.311111
Mars     12.661111
Venus     6.011111
dtype: float64

In [87]:

dist_planets

Out[87]:

Earth       149.6
Saturn     1433.5
Mars        227.9
Venus       108.2
Jupiter     778.6
dtype: float64