2일차에서는 1일차에서 했던 행열 검색 및 입력을 잠깐 알아보고
index, 행, 열 추가 삭제, 정렬, NaN처리, 유용한 함수들에 대해서 살펴봤습니다.
DataFrame 행/열 검색
"""
DataFrame 행 검색
1) loc 함수 : index name
==> loc[인덱스 라벨]
2) iloc 함수 : index location
==> iloc[인덱스 위치] : 0부터
*행과 열 조합
df.loc[행, 열] ==> 인덱스 라벨 및 컬럼명 사용
-인덱싱, fancy, boolean, 슬라이싱 모드 가능
df.iloc[행, 열] ==> 인덱스 위치 및 컬럼 위치 사용
-인덱싱, fancy, boolean, 슬라이싱 모드 가능
.iloc requires numeric indexers, got ['a' 'b']
* loc 함수 또는 iloc 함수 사용한 색인값을 이용하여 값 변경이 가능하다.
df.loc[행, 열] = 값
df.iloc[행, 열] = 값
"""print("2. 변경 전 데이터 : ", df.loc[10, 'c']) # 2
print(df.iloc[0, 2]) # 2 df.loc[10, 'c'] = 100
print("3. 변경 후 데이터 : ", df.loc[10, 'c']) # 100 print("4. 변경 전 데이터 : \n", df.loc[ [10,20], ['a', 'b'] ])
# a b
# 10 4 6
# 20 6 3df.loc[[10,20], ['a', 'b']] = -100
print("5. 변경 후 데이터 : \n", df)
# a b c d e
# 10 -100 -100 100 12 25
# 20 -100 -100 3 23 34
# 30 7 2 4 64 42
# 40 7 2 1 41 15
# 50 5 55 2 28 52print("6. 변경 전 데이터 : \n", df.iloc[ [3,4], -1 ])
# 40 15
# 50 52
# Name: e, dtype: int64df.iloc[ [3,4], -1 ] = 1000
print("7. 변경 후 데이터 : \n", df)
# a b c d e
# 10 -100 -100 100 12 25
# 20 -100 -100 3 23 34
# 30 7 2 4 64 42
# 40 7 2 1 41 1000
# 50 5 55 2 28 1000
DataFrame 인덱스 생성
"""
DataFrame의 인덱스 생성 방법
1. 자동 생성
2. 명시적 생성
3. Int64Index 설정 ==> np.arange(정수)
4. Float64Index 설정 ==> np.arange(실수)
5. IntervalIndex 설정 ==> pd.IntervalIndex.from_breaks(범위 리스트)
6. DatetimeIndex 설정 (**)
"""1. index 자동생성
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]})
print("1. 자동 생성 방법 :\n", df)
# a b
# 0 4 6
# 1 6 3
# 2 7 22. index 명시적 지정
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]},
index = list('xyz'))
print("2. 명시적 지정 방법 :\n", df, list('xyz'))
# 2. 명시적 지정 방법 :
# a b
# x 4 6
# y 6 3
# z 7 2 ['x', 'y', 'z']3. numpy를 이용한 index 생성 (Int64)
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]},
index = np.arange(10, 13))
print("3. np.arange (Int64Index) :\n", df, np.arange(3), df.index)
# a b
# 10 4 6
# 11 6 3
# 12 7 2 [0 1 2] Int64Index([10, 11, 12], dtype='int64')4. numpy를 이용한 index 생성 (Float64)
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]},
index = np.arange(10.0, 13.0))
print("4. np.arange (Float64Index) :\n", df, df.index)
# a b
# 10.0 4 6
# 11.0 6 3
# 12.0 7 2 Float64Index([10.0, 11.0, 12.0], dtype='float64')5. pandas를 이용한 index 생성 (범위 리스트)
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]},
index = pd.IntervalIndex.from_breaks([0, 0.5, 1.0, 1.5]))
print("5. pd.IntervalIndex.from_breaks (IntervalIndex) :\n", df, df.index)
# a b
# (0.0, 0.5] 4 6
# (0.5, 1.0] 6 3
# (1.0, 1.5] 7 2 IntervalIndex([(0.0, 0.5], (0.5, 1.0], (1.0, 1.5]],
# closed='right',
# dtype='interval[float64]')
DatetimeIndex (날짜/시간)
1. 기본 DatetimeIndex Frame
가. 일자/월/년도
date = pd.date_range(start="01/01/2000", end="01/20/2000")
print(date)
# DatetimeIndex(['2000-01-01', '2000-01-02', '2000-01-03', '2000-01-04',
# '2000-01-05', '2000-01-06', '2000-01-07', '2000-01-08',
# '2000-01-09', '2000-01-10', '2000-01-11', '2000-01-12',
# '2000-01-13', '2000-01-14', '2000-01-15', '2000-01-16',
# '2000-01-17', '2000-01-18', '2000-01-19', '2000-01-20'],
# dtype='datetime64[ns]', freq='D')나. 년도/월/일자
date = pd.date_range(start="2000/01/01", end="2000/01/20")
print(date)
# DatetimeIndex(['2000-01-01', '2000-01-02', '2000-01-03', '2000-01-04',
# '2000-01-05', '2000-01-06', '2000-01-07', '2000-01-08',
# '2000-01-09', '2000-01-10', '2000-01-11', '2000-01-12',
# '2000-01-13', '2000-01-14', '2000-01-15', '2000-01-16',
# '2000-01-17', '2000-01-18', '2000-01-19', '2000-01-20'],
# dtype='datetime64[ns]', freq='D')2. 일자 변경 ( periods = (Default = 일자 변경) )
date = pd.date_range("2020/01/01", periods=8)
print("일자 변경, periods: \n", date)
# 일자 변경, periods:
# DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04',
# '2020-01-05', '2020-01-06', '2020-01-07', '2020-01-08'],
# dtype='datetime64[ns]', freq='D')3. 월 변경 ( periods = , freq = 'M")
date = pd.date_range("2020/01/01", periods=8, freq='M')
print("월 변경, periods, freq='M': \n", date)
# 월 변경, periods, freq='M':
# DatetimeIndex(['2020-01-31', '2020-02-29', '2020-03-31', '2020-04-30',
# '2020-05-31', '2020-06-30', '2020-07-31', '2020-08-31'],
# dtype='datetime64[ns]', freq='M')4. 시간 변경 ( periods = , freq = 'H")
date = pd.date_range("2020/01/01", periods=8, freq='H')
print("시간 변경, periods, freq='H': \n", date)
# 변경, periods, freq = 'H':
# DatetimeIndex(['2020-01-01 00:00:00', '2020-01-01 01:00:00',
# '2020-01-01 02:00:00', '2020-01-01 03:00:00',
# '2020-01-01 04:00:00', '2020-01-01 05:00:00',
# '2020-01-01 06:00:00', '2020-01-01 07:00:00'],
# dtype='datetime64[ns]', freq='H')5. 년도 변경 ( periods = , freq = 'A")
date = pd.date_range("2020/01/01", periods=8, freq='A')
print("년도 변경, periods, freq='A': \n", date)
# 년도 변경, periods, freq='A':
# DatetimeIndex(['2020-12-31', '2021-12-31', '2022-12-31', '2023-12-31',
# '2024-12-31', '2025-12-31', '2026-12-31', '2027-12-31'],
# dtype='datetime64[ns]', freq='A-DEC')pandas.date_range()를 이용해 index 생성
date = pd.date_range("2020/01/01", periods=10)
df = pd.DataFrame({"num":range(10)}, index=date)
print(df)
# num
# 2020-01-01 0
# 2020-01-02 1
# 2020-01-03 2
# 2020-01-04 3
# 2020-01-05 4
# 2020-01-06 5
# 2020-01-07 6
# 2020-01-08 7
# 2020-01-09 8
# 2020-01-10 9
원본 DataFrame
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2],
'key':list('ABC')})
print("1. 원본: \n", df)
# a b key
# 0 4 6 A
# 1 6 3 B
# 2 7 2 Cset_index: 기존 column을 index로 변경 (1, 복사본)
#1. 기존 column을 index로 변경 (복사본 생성): set_index(column)
df2 = df.set_index('key')
print("2. 기존 column을 index로 변경(복사본 생성) : \n", df2)
# a b
# key
# A 4 6
# B 6 3
# C 7 2set_index: 기존 column을 index로 변경 (2, 자신이 변경 inplace = True)
#2. 기존 column을 index로 변경 (자신이 변경): set_index(column, inplace=True)
df.set_index('key', inplace=True)
print("2. set_index(column, inplace=True) (자신이 변경) : \n", df)
# a b
# key
# A 4 6
# B 6 3
# C 7 2reset_index: 새로운 자동 index 추가
#3. 새로운 인덱스로 변경 (복사본) ==> reset_index()
df2 = df.reset_index() # 기존 인덱스를 컬럼으로 변경하고 새로운 인덱스 설정
print("3. 기존 index를 column으로 변경(복사본 생성) : \n", df2)
# key a b
# 0 A 4 6
# 1 B 6 3
# 2 C 7 2reset_index: 기존 index를 삭제(drop=True)하고 새로운 index 설정
#3. df.reset_index(drop=True, inplace=True)
df.reset_index(drop=True, inplace=True) #기존 인덱스를 삭제하고 새로운 인덱스 설정
print("4. df.reset_index(inplace=True) (자신이 변경) : \n", df)
# a b
# 0 4 6
# 1 6 3
# 2 7 2기존 index 순서 변경 : reindex(index = 리스트값)
1. 원본
#4. reindex(index=리스트값) ==> 기존 인덱스 순서 변경
df = pd.DataFrame({
'a' : [4,6,7],
'b' : [6,3,2]},
index =list('BAC'))
print("4.원본: \n", df)
# a b
# B 4 6
# A 6 3
# C 7 2
print("="*100)2. reindex (인덱스 순서 변경)
df = df.reindex(index = ['A', 'B', 'C'])
print("4. reindex: \n", df)
# a b
# A 6 3
# B 4 6
# C 7 23. reindex로 기존에 없던 인덱스를 지정하면, 요소값 = NaN
df = df.reindex(index = ['A', 'B', 'C2'])
print("4. reindex, 기존에 없던 인덱스 지정 : (NaN값 반환) \n", df)
# a b
# A 6.0 3.0
# B 4.0 6.0
# C2 NaN NaNconcat (DataFrame 병합)
df = pd.DataFrame({
'a' : [4,6,7]},
index=[1,2,3])
df2 = pd.DataFrame({
'a' : [40,60,70]},
index=[1,2,3])
new_df = pd.concat([df, df2])
print("6. 병합:\n", new_df)
# a
# 1 4
# 2 6
# 3 7
# 1 40
# 2 60
# 3 700~끝까지 인덱스 새로 병합, ignore_index=True
new_df = pd.concat([df, df2], ignore_index=True)
print("6. 병합 (ignore_index=True) :\n", new_df)
# a
# 0 4
# 1 6
# 2 7
# 3 40
# 4 60
# 5 70x축 기준으로 병합 (axis=0)
new_df = pd.concat([df, df2], axis=0)
print("x축 기준으로 포개기 :\n", new_df)
# a
# 1 4
# 2 6
# 3 7
# 1 40
# 2 60
# 3 70y축 기준으로 병합 (axis=1)
new_df = pd.concat([df, df2], axis=1)
print("y축 기준으로 나열하기 :\n", new_df)
# a a
# 1 4 40
# 2 6 60
# 3 7 70반응형
'SK 행복성장캠퍼스 > Pandas' 카테고리의 다른 글
| 20-10-06, Pandas_1일차 (0) | 2020.10.07 |
|---|
댓글