도전하는 프로그래머

DataFrame.drop_duplicates DataFrame의 drop_duplicates는 중복된 값을 가진 행을 제거하고 unique한 행만 남도록 해주는 기능을 제공합니다. drop_duplicates에 들어갈 수 인자 중 자주 쓰이는 것들은 같습니다. 1. subsetsubset에 명시한 컬럼들 기준으로 중복제거가 진행됩니다. 2. keepkeep='first' -> 중복된 컬럼 중 가장 위쪽의 행을 남기고 그 아래의 행들은 삭제 keep='last' -> 중복된 컬럼 중 가장 아래쪽의 행을 남기고 그 아래의 행들은 삭제 default값은 'first'입니다. 3. inplaceinplace=True -> 원본 DataFrame에 대해 중복 행 제거 inplace=False -> 원본 Data..

pandas의 empty는 Series 또는 DataFrame이 비어있으면 True를 return합니다. 반대로 비어있지 않으면 False를 return합니다. import pandas as pd dict_test = { } df_test = pd.DataFrame(dict_test) print(df_test) print(df_test.empty) -- Result Empty DataFrame Columns: [] Index: [] True 위 예시는 비어있는 DataFrame인 df_test를 만들고 df_test의 empty를 적용한 결과입니다. DataFrame에 column도 row도 아무것도 없으니 비어있죠. 따라서 True가 return됩니다. import pandas as pd dict_te..

Python pandas에는 duplicated라는 method가 있습니다. duplicated method는 DataFrame에 있는 행들 중 중복된 값을 가진 행이 뭔지 True, False의 형태로 알려줍니다. Syntax DataFrame.duplicated(subset=list/none, keep='first'/'last'/False) subset subset에는 중복값 테스트를 할 기준 column을 적습니다. 만약 subset을 적지 않으면 모든 컬럼의 데이터를 기준으로 중복값을 가진 row를 체크합니다. keep='first' --> 중복된 row 중에서 가장 위에 있는 row를 제외하고 나머지 row에 중복 flag(True)를 달아줍니다. keep='last' --> 중복된 row 중에..

Pandas의 isna method는 어떤 값이 NaN값인지 아닌지를 체크합니다. NaN값이라면 True, NaN값이 아니라면 False를 return합니다. 아래 예씨를 보시죠. import numpy as np import pandas as pd print(pd.isna(np.nan)) -- Result True isna method가 NaN값을 받으니 True값을 return하는 것을 볼 수 있습니다. 마치 아래 글에 있는 numpy의 isnan과 비슷한 기능을 하죠. https://cosmosproject.tistory.com/367 Python numpy : isnan (NaN값 다루기, None값 다루기, null값 다루기, NaN값 테스트, None값 테스트, nvl, coalesce 어느 ..

dropna function은 DataFrame에서 NaN value가 존재하는 행(row) 또는 열(column)을 제거해줍니다. dropna의 syntax는 다음과 같습니다. DataFrame.dropna(axis=0/1, how='any'/'all', subset=[col1, col2, ...], inplace=True/False) dropna에 들어갈 수 있는 parameter들은 더 많지만 일단 대표적인 것들만 보겠습니다. axis = 0/1 or 'index'/'columns' 0 or 'index' -> NaN 값이 포함된 row를 drop (default 값입니다.) 1 or 'columns' -> NaN 값이 포함된 column을 drop how = 'any'/'all' any -> ro..

DataFrame 인덱싱을 할때 이름이나 위치로 할수 있다 우선적으로는 기본형태를 알고 참고성으로 단축형태를 이해하면 좋을듯 합니다 이름으로 인덱싱하기 기본 형태 단축 형태 하나의 row 이름 df.loc["row4"] row 이름의 리스트 df.loc[["row4", "row5", "row3"]] row 이름의 리스트 슬라이싱 df.loc["row2":"row5"] df["row2":"row5"] 하나의 column 이름 df.loc[:, "col1"] df["col1"] column 이름의 리스트 df.loc[:, ["col4", "col6", "col3"]] df[["col4", "col6", "col3"]] column 이름의 리스트 슬라이싱 df.loc[:, "col2":"col5"] 위치로 인..