본문 바로가기

ALL257

MySQL CRUD(데이터생성,선택,값바꾸기,삭제) -- 연습할 테이블 생성을 위한 코드 insert into cats (name, breed, age) values ( 'Ringo', 'Tabby', 4 ), ( 'Cindy', 'Maine Coon', 10), ('Dumbledore', 'Maine Coon', 11), ('Egg', 'Persian', 4), ('Misty', 'Tabby', 13), ('George Michael', 'Ragdoll', 9), ('Jackson', 'Sphynx', 7); -- 테이블에 저장된 모든 데이터를 가져오시오. -- select 옆 자리는 컬럼의 자리입니다. -- 이 자리에 * 표가 있으면, 모든 컬럼을 다 가져오라는 뜻! select * from cats; -- 테이블에 저장된 데이터를 다 가져오되, --.. 2022. 12. 6.
MySQL 테이블 데이터값이 중복될때 구분하는 방법 판다스 프레임에서는 자동으로 인덱스가 부여되었지만, SQL은 그렇지 않음으로, 설정에서 해주면 된다. PK = 유니크한 번호 NN = NULL은 없게 UN = 양의정수만 AI = 자동 숫자 증가 ID 값이 유니크하게 부여된것을 확인 할 수 있어, 데이터가 중복되더라도 구분이 가능하다. = 인덱스 2022. 12. 6.
MySQL 테이블에 데이터 저장, 데이터 베이스 지정, 여러 데이터를 넣는방법, 특정 컬럼의 값만 데이터를 넣는방법 (간략) SELECT * FROM YHDB.cats; -- 테이블에 데이터를 저장하는 방법 insert into cats (name, age) values ("Mike",3) ; -- No database selected 에러 발생시 -- 데이터베이스를 지정해 달라는 뜻! use YHDB; -- 두번째 지정방법 YHDB. insert into YHDB.cats (age, name) values ( 4, '냥이' ); -- 여러 데이터를 넣는 방법 insert into cats (name, age) values ( 'Charlie' , 10 ), ('Sandy', 3) , ('Bear', 1); -- 특정 컬럼의 값만 데이터를 넣는 방법 insert into cats (name) values ('홍길동') ; 작업.. 2022. 12. 6.
MySQL에 테이블만들기 좌측 작업표시줄 adminstaration 옆 Schemas 를 누른다 => 빨간박스를 누른다=> Apply 를 누른다. Create Table utf8, utf8_general_ci column name입력 , datatype 문자는 보통 VARCHAR(글자수), favorites 는 숫자기 때문에 INT로 하였다. RK, NN은 체크해제 후 Apply 하면된다. 2022. 12. 5.
MySQL Workbench Failed to Connect to MySQL 에러 해결 MySQL Workbench 에서 새로운 연결을 시도할때 에러 호스트 네임부분은 데이터베이스의 내도메인 혹은 아이피를 입력한다. Username 부분은 데이터베이스 생성시 사용했던 아이디를 입력함. Default Schema 를 제외한 모든항목을 입력한다. 모두 완료되었다면 Test Connection 을 해본다. 이런 오류가 떴다면 방화벽에 걸린것이다. 방화벽에 인바운드규칙을 설정하는 방법은 다음과같다. RDS 데이터베이스 식별자 클릭 연결보안 탭에 VPC 보안그룹 default 클릭 아래로 스크롤 후 인바운드 규칙편집 새규칙 추가 - 유형에 mysql - 허용할 ip 를 설정 - 규칙저장 그리고 다시 MySQL Workbench로 돌아가 test connection 을 눌러보면 위와같은 성공 메세지를.. 2022. 12. 5.
AWS MySQL Free Tier 설치, MySQL Work Bench 설정 2022. 12. 5.
Machine [unsupervised{Clustering(Hierarchical)}] (계층적, 병합적 군집)agglomerative Hierarchical Clustering¶ Library 임포트¶ In [1]: import numpy as np import matplotlib.pyplot as plt import pandas as pd In [ ]: In [ ]: dataset 읽어오기¶ In [3]: df = pd.read_csv("../data/Mall_Customers.csv") In [4]: df Out[4]: CustomerID Genre Age Annual Income (k$) Spending Score (1-100) 0 1 Male 19 15 39 1 2 Male 21 15 81 2 3 Female 20 16 6 3 4 Female 23 16 77 4 5 Female 31 17 40 ... ... ... ... ..... 2022. 12. 5.
Machine [unsupervised{Clustering(K-means)}] (평할/분할 기반의 군집) In [1]: import numpy as np import pandas as pd import matplotlib.pyplot as plt # 비슷한 성향끼리 묶는작업 In [4]: df = pd.read_csv("../data/Mall_Customers.csv") In [5]: df.head() Out[5]: CustomerID Genre Age Annual Income (k$) Spending Score (1-100) 0 1 Male 19 15 39 1 2 Male 21 15 81 2 3 Female 20 16 6 3 4 Female 23 16 77 4 5 Female 31 17 40 In [6]: df.isna().sum() Out[6]: CustomerID 0 Genre 0 Age 0 Annua.. 2022. 12. 5.
Machine [supervised{Classification(Decision Tree)}], 인공지능을 서버에서 불러올때 간략 In [88]: # Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd In [89]: df = pd.read_csv('../data/Social_Network_Ads.csv') In [90]: df Out[90]: User ID Gender Age EstimatedSalary Purchased 0 15624510 Male 19 19000 0 1 15810944 Male 35 20000 0 2 15668575 Female 26 43000 0 3 15603246 Female 27 57000 0 4 15804002 Male 19 76000 0 ... ... ... ... ..... 2022. 12. 2.
Machine 유방암 데이터 분석 Grid search 활용, svm,corr(),heatmap In [26]: # import libraries import pandas as pd # Import Pandas for data manipulation using dataframes import numpy as np # Import Numpy for data statistical analysis import matplotlib.pyplot as plt # Import matplotlib for data visualisation import seaborn as sb # Statistical data visualization # %matplotlib inline In [2]: from sklearn.datasets import load_breast_cancer In [4]: cancer = load_bre.. 2022. 12. 2.
Machine [supervised{Classification(K-Nearest Neighbor)}] In [1]: import pandas as pd In [3]: df = pd.read_csv("../data/Social_Network_Ads.csv") In [4]: df Out[4]: User ID Gender Age EstimatedSalary Purchased 0 15624510 Male 19 19000 0 1 15810944 Male 35 20000 0 2 15668575 Female 26 43000 0 3 15603246 Female 27 57000 0 4 15804002 Male 19 76000 0 ... ... ... ... ... ... 395 15691863 Female 46 41000 1 396 15706071 Male 51 23000 1 397 15654296 Female 50 2.. 2022. 12. 2.
Machine [supervised{Classification(Support Vector Machine)}] In [3]: # Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd In [6]: # Importing the dataset df = pd.read_csv('../data/Social_Network_Ads.csv') In [7]: df Out[7]: User ID Gender Age EstimatedSalary Purchased 0 15624510 Male 19 19000 0 1 15810944 Male 35 20000 0 2 15668575 Female 26 43000 0 3 15603246 Female 27 57000 0 4 15804002 Male 19 76000 0.. 2022. 12. 2.

티스토리툴바