[5주차] 데이터 전처리 문법 중급

이번 포스팅에서는 시계열 데이터 전처리에서 사용되는 문법을 다뤄본다.

 

# 파일 불러오기
import pandas as pd
df = pd.read_csv('gapminder.tsv', sep='\t')

 

1. Groupby

1주차에서 배운 Groupby() 함수는 시계열 데이터에서도 유용하게 사용한다.

# 바로 컬럼을 지정하여 통계치를 볼 수 있다.
df.groupby('year').lifeExp.mean()

오름차순 정렬됨

 

만약 컬럼을 2가지 이상 잡게 된다면?

df.groupby('year')[['lifeExp', 'pop']].mean()

마찬가지로 오름차순 정렬됨

 

1주차에서 groupby() 함수는 .agg() 함수와 자주 함께 사용된다는 것을 배웠다.

.agg() 함수는 내가 원하는 함수를 만들어서 넣을 수 있다는 것을 명심하자!

# 내가 원하는 함수를 만들어 넣을 수 있다
def my_mean(values):
	n = len(values)
    sum_1 = 0
    for value in values:
    	sum_1 += value
    return sum_1/n

df.groupby('year').lifeExp.agg(my_mean)

 

또, numpy 라이브러리를 이용해서 agg 함수에 추가할 수도 있다.

import numpy as np
df.groupby('year').lifeExp.agg([np.mean, np.std, np.count_nonzero])

numpy 라이브러리를 이용한 통계치 확인

 

 

2. merge

merge()함수는 기본적으로 데이터와 데이터를 합치는 경우에 사용한다.

데이터분석(DA) 영역에서는 SQL로 충분히 가능하지만,

데이터과학(DS) 영역 데이터셋을 정제하는 과정에서는 pandas를 많이 사용한다.

 

임의로 데이터를 만들어서 사용해보자

test1 = pd.DataFrame({'class':['파문기','데분기','데분중','데분고'],
                    '인원':[100,200,300,40]})
test2 = pd.DataFrame({'class':['파문기','데분기','데분중','데분고'],
                    '벌점평균':[5,6,7,3]})
                    
print(test1)
print(test2)

test1과 test2

class에 따라 인원, 벌점평균을 같이 볼 수 있는 테이블을 만드는 경우

join 개념을 통해 공통의 키로 가지고 가서 class를 잡고 병합을 한다.

# how : 조인의 방법 = left join, right join, inner join, outer join
# on : 공통의 컬럼
pd.merge(test1, test2, how='left', on='class')

merge 방법 중 left join 예시

 

3. concat

concat() 함수는 merge()와 합치는 개념은 같지만,

공통적인 키를 잡는 것이 아닌 테이블-테이블 or 덩어리-덩어리 두 개가 붙는 개념이다.

sp = pd.concat([test1, test2], axis=1) # 공통적인 컬럼을 지정하지 않는다.
print(sp)

두 개의 데이터가 그대로 합쳐진 결과

 

 

4. loc, iloc

데이터에 접근하는 방법 중 loc, iloc이 있다.

loc: 인덱스를 기준으로 데이터를 접근하는 방식, 컬럼의 이름 그대로 가져올 수 있다
iloc: 행의 순서에 따라 데이터를 접근하는 방식, 컬럼을 숫자로 대체해서 가져와야 한다

df_sp = df[0:100:2]

print(df.loc[0:100])
print(df.iloc[1])

loc과 iloc의 반환값

 

 

 

5. melt()

통계청 데이터들을 보면 컬럼들이 날짜로 나열되고 있고,

이 부분을 행으로 바꾸면 더욱 깔끔하게 데이터를 볼 수 있다.

 

이때 컬럼의 여러가지 의미가 있는 데이터의 경우 좀 더 깔끔하게 만드는 법이 있다.

 

pew = pd.read_csv('pew.csv')
pew

 

melt() 함수를 사용할 때는 기준을 잡는 설정이 존재한다.

# 기준
id_vars : 위치 그대로 유지할 열의 이름 지정
value_vars : 행으로 위치를 변경할 열의 이름
var_name value_vars : 위치로 변경한 열의 이름 지정
value_name var_name : 위치로 변경한 열의 이름지정

pd.melt(pew, id_vars='religion', var_name='income', value_name='count')

기준을 설정하여 melt 함수 사용

 

 

6. 피처 엔지니어링

위에서 살펴본 데이터처럼 컬럼의 여러가지 의미가 있는 데이터의 경우

컬럼을 나눠서 새로운 컬럼을 만들거나, 피처엔지니어링 개념으로 접근해서 파생변수를 만들 수 있다.

ebola = pd.read_csv('country_timeseries.csv')

# case 1: melt 함수 이용
ebola_pre = pd.melt(ebola, id_vars['Date', 'Day'])

# case 2: str 문법 중 split 함수를 이용해서 나눌 수 있다.
ebola_pre_sp = ebola_pre.variable.str.split('_')

# case 3: 각 행의 문자열에서 추출하여 새로운 열에 추가
ebola_pre['case']= ebola_pre_sp.str.get(0)
ebola_pre['country'] = ebola_pre_sp.str.get(1)

case1, 2

 

case 3