새로운 인사이트 발견하기

🌟 새로운 값 계산하기

• 새로운 컬럼을 통해 인사이트 얻기
  • 각 방송사들의 연간 총 시청률
  • 각 행의 합을 구한다

df.sum(axis='columns')

df['Total'] = df.sum(axis='columns')
df

• 그래프로 결과 확인하기
  • 해마다 시청률이 점점 떨어지고 있다

df.plot(y='Total')

• 지상파 vs. 종편
  • 해마다 종편의 시청률이 오르고 있다
    • 종편에서 제작하는 드라마나 예능이 인기가 있다

df['Group1'] = df.loc[:, 'KBS':'SBS'].sum(axis='columns')
df['Group2'] = df.loc[:, 'TV CHOSUN':'MBN'].sum(axis='columns')

df

df.plot(y=['Group1', 'Group2'])

🌟 문자열 필터링

• 장르 컬럼만 추출하기

df['Genre'].unique()

• 특정 값을 포함한 결과만 필터링
  • [df['Genre']=='Blues']

df[df['Genre']=='Blues'] # Boolean_Series >> df

• 특정 문자열을 포함한 결과 필터링
  • .str.contains('Blues')
  • 앞글자가 특정 문자열인 경우만 필터링
    • .str.startswith('Blues')

df[df['Genre'].str.contains('Blues')]

df[df['Genre'].str.startswith('Blues')]

• 새 컬럼으로 추가하기
  • 특정 문자열을 포함하고 있는지를 불린값으로 표현

df['Contains Blues'] = df['Genre'].str.contains('Blues')
df

🌟 문자열 분리

• 문자열 분리
  • str.split
  • 공백을 기반으로 단어들을 분리한 후, 리스트 생성

df['소재지도로명주소'].str.split()

# 첫번째 공백만 분리

df['소재지도로명주소'].str.split(n=1)

# DataFrame 생성

df['소재지도로명주소'].str.split(n=1, expand=True)

• 기존 DataFrame에 새로운 열로 추가하기

adress = df['소재지도로명주소'].str.split(n=1, expand=True)

# adress의 0번 인덱스 값을 관할구역 column의 값으로 지정

df['관할구역'] = adress[0]
df

🌟 카테고리로 분류

• map
  • 특정 값을 지정 값으로 변경하기
  • 파라미터: 지정 값(변경할 값)

# 사전형을 통해 df의 값에 대응하는 새로운 값 지정

brand_nation = {
    'Dell': 'U.S.',
    'Apple': 'U.S.',
    'Acer': 'Taiwan',
    'HP': 'U.S.',
    'Lenovo': 'China',
    'Alienware': 'U.S.',
    'Microsoft': 'U.S.',
    'Asus': 'Taiwan'
}

df['brand'].map(brand_nation)

df['brand_nation'] = df['brand'].map(brand_nation)
df

🌟 Groupby

• 카테고리별 분석하기
  • groupby 메소드
    • 파라미터: 그룹으로 묶을 column
    • 결과 자료형: DataFrameGroupBy

nation_groups = df.groupby('brand_nation')
type(nation_groups)

pandas.core.groupby.generic.DataFrameGroupBy

• 각 국가별 column에 있는 값의 수 비교

nation_groups.count()

• 각 국가별 column의 최댓값 비교
  • pandas 1.0.0 버전에서 지원X
  • 문자열의 경우, 사전상 가장 마지막 순서의 단어

nation_groups.max()

• 각 국가별 column의 평균 비교

nation_groups.mean()

• 각 국가별 첫번째 행, 마지막 행의 값

nation_groups.first()
nation_groups.last()

• Groupby 그래프

nation_groups.plot(kind='box', y='price')

nation_groups.plot(kind='hist', y='price')

🌟 데이터 합치기

• Price
  
• Quantity
  
• 데이터 합치기
  
  • merge 메소드
    • inner join
    • left outer join
    • right outer join
    • full outer join

• inner join
  • 두 DataFrame에서 겹치는 부분에 대해서만 합치는 join
  • 기준: Product
    • 야채 가격, 야채 수량 모두 가지고 있는 column
    • Potato, Onion, Avocado

pd.merge(price_df, quantity_df, on='Product')

• left outer join
  • 왼쪽 DataFrame에 존재하는 것들을 합치는 join
  • 오른쪽 DataFrame에 없더라도 포함
  • 왼쪽과 오른쪽에 중복으로 있는 Product
  • 없는 값은 공백(NaN)

pd.merge(price_df, quantity_df, on='Product', how='left')

• right outer join
  • 오른쪽 DataFrame에 존재하는 것들을 합치는 join
  • 왼쪽 DataFrame에 없더라도 포함

pd.merge(price_df, quantity_df, on='Product', how='right')

• full outer join
  • 양쪽에 있는 모든 데이터를 합치는 join
  • 없는 값은 공백
    • 수량이 비거나 가격이 비거나

pd.merge(price_df, quantity_df, on='Product', how='outer')

* 출처: 코드잇 - 데이터 사이언스 입문