우리 FISA AI엔지니어링 3주차 과정

Monday (01.13)

오늘의 점심

 

별점 ⭐️ ⭐️ ⭐️

구내식당에서 먹었다.

5500원... 그냥 먹자

https://map.naver.com/p/entry/place/18808775?placePath=%252Fhome%253Fentry%253Dpll&searchType=place&lng=126.8858948&lat=37.5847261

네이버 지도

 

정보처리기사 필기 시험 신청

14시에 수강신청처럼 준비해서 하였다.

CS 공부할 때 테스트를 위해 4회정도 풀어봤었는데, 단순 암기 빼고는 풀만 한것 같아서, "있으면 좋고" 라는 마인드로 시험을 쳐 보려고 한다.

Adsp도 봐야해서 시간이 겹치긴 하지만, 충분히 볼 수 있을 것 같다. 바쁘게 살자

 

오늘은 EDA에 대한 수업 진행

 

Exploratory Data Analysis (EDA)

 

데이터를 처음 접할 때 그 특성을 탐색하는 과정으로, 데이터를 이해하고 더 나은 분석을 위해 준비하는 단계

기술 통계나 시각화 방법을 활용하여 데이터를 다각도로 분석하고 문제를 정의하는 데 중요한 역할

• 통계학: 수집된 자료에 대한 분석 → 과거
• 머신러닝: 들어올 자료에 대한 추론 → 미래

원시데이터를 가지고 데이터의 특징,구조로부터 정보를 얻어서 이를 바탕으로 통계모형을 만드는 분석방법

몰랐던 주요 용어 

• 일화적 증거 (Anecdotal Evidence): 과학적 연구에 의해 수집되지 않은, 우연히 얻은 증거
• 단적 연구 (Cross-sectional Study): 특정 시점에 데이터를 수집하는 연구
• 횡단적 연구 (Longitudinal Study): 시간에 따라 데이터를 추적하며 반복적으로 수집하는 연구
• 오버샘플링 (Oversampling): 표본 크기가 작은 경우 오류를 방지하기 위해 사용하는 방법
• 재코드 (Recode): 데이터를 다른 방식으로 수정하거나 계산하여 새로운 데이터를 생성하는 과정
• 자료 정제 (Data Cleaning): 데이터의 오류를 수정하고, 적절한 형태로 변환하여 분석에 적합한 데이터를 만드는 과정

EDA 프로세스

• 문제 정의: 분석의 목표와 문제를 명확히 설정
• 데이터 수집: 문제 해결에 필요한 데이터 수집
• 데이터 전처리: 데이터를 정리하고, 결측값 처리, 이상치 탐지 수행
• 데이터 모델링: 데이터를 바탕으로 모델을 만들고 분석
• 시각화 및 탐색: 데이터의 패턴을 시각적으로 탐색

EDA는 이 5단계를 한 번에 완료하는 것이 아니라, 부족한 단계가 있으면 반복적으로 돌아가면서 개선해나가는 방식으로 진행

확증적 데이터 분석 (CDA) vs. 탐색적 데이터 분석 (EDA)

• 확증적 데이터 분석 (CDA): 기존에 설정한 가설을 검증하는 분석 방법 가설을 설정하고 데이터를 수집하여 추정하거나 평가하는 방법(추론통계)
• 탐색적 데이터 분석 (EDA): 데이터를 처음부터 끝까지 탐색하여 패턴이나 관계를 발견하는 분석 방법(기술 통계)
• 빅데이터 모델링: 새로 들어오는 데이터를 얼마나 잘 설명할 수 있는지가 중요한 목표 -> 기술 통계가 빅데이터 분석에 적합 

고려해야 할 점

• 상관관계 vs. 인과관계: 상관관계가 반드시 인과관계를 의미하지 않음
  • 상관관계는 두 변수 간의 관계를 보여주지만, 항상 인과관계를 의미하지 않으므로 이를 구분하여 분석해야 함
• 이상치 탐지: 분석에서 중요한 요소로, 이상치는 결과에 큰 영향 미칠 수 있음
• 3차원 시각화는 원금감으로 인지에 대한 오차가 생기는 문제 존재. 미적 아름다움보다 데이터 이해에 걸리는 시간단축을 중시
• 대시보드 : 다양한 데이터를 동시에 비교할 수 있게 해 주는 여러 뷰의 모음

데이터의 종류에 따른 분류

• 질적변수: 명목형(순서에 의미부여 불가), 순서형(순서에 의미부여 가능)
  • 명목형 : 성별, 혈액형, 지역
  • 순서형 : 학년, 고객등급
• 양적변수: 이산형, 연속형
  • 이산형 : 학생 수, 주문 수
  • 연속형: 몸무게, 키

데이터 시각화

• 시간 시각화: 시계열 데이터를 시각적으로 표현하여 시간에 따른 변화
  • 시계열 데이터: 시간 순서에 따른 데이터
  • 분절형 데이터: 이산형 데이터로 특정 시점을 나타냄
• 분포 시각화
  • 원그래프: 적은 수의 항목을 퍼센트와 함께 보여주는 것이 좋음
  • 트리맵: 영역 기반 시각화,계층적인 구조를 표현할 때 사용
  • 누적 연속 그래프: 시계열 데이터를 누적하여 표현할 때 사용
• 관계 시각화
  • 산점도 (Scatter Plot): 두 변수 간의 관계를 시각적으로 나타냄. 양의 상관관계, 음의 상관관계, 관계없음
  • 버블 차트: 산점도에 각 요소별 비중을 더함으로써 세가지 요소 상관관계 포현, 가로축변수,세로축변수,버블크기, 원의 지름을 보고 판단
  • 히스토그램: 평균과 중앙값의 차이를 명확히 알 수 있다. 평균은 극단값 영향받음, 중앙값은 극단값 영향받지 않음
• 비교 시각화
  • 히트맵 (Heatmap): 각 칸의 색상으로 데이터 값을 표현
  • 다차원척도법: 유사도를 기반으로 데이터를 시각화
  • 공간 시각화 (Geocoding): 위치 기반 데이터를 지도에 시각화하여 패턴 분석

https://markets.hankyung.com/marketmap/kospi

주식창은 히트맵이면서 트리맵이다.

 

Matplotlib

 

Matplotlib은 Python에서 데이터를 시각화하는데 사용되는 강력한 라이브러리

데이터의 분포, 관계, 변화 등을 직관적으로 보여주기 위해 다양한 그래프를 생성할 수 있다. 

그래프 생성 시 도화지와 축을 설정하여 그래프를 그릴 수 있는 환경을 마련하고, plt.plot(), plt.bar(), plt.hist() 등의 함수로 데이터를 시각화 한다.

도화지와 축 객체 생성

• 도화지 객체 (figure): 도화지 객체는 그래프를 그리기 위한 기본 캔버스를 제공
  • plt.figure(figsize=(x, y)): 도화지 크기를 설정. x는 가로 크기, y는 세로 크기 
• 축 객체 (axes): 축 객체는 도화지 위에 표시되는 그래프의 축을 의미
  • plt.axes(): 기본 축 객체 생성

import matplotlib.pyplot as plt
import numpy as np

# 1) 도화지 객체 생성
plt.figure(figsize=(6, 4))

# 2) 제목 추가
plt.title('테스트: 한글 폰트 확인')

# 3) 그래프 그리기
plt.plot([1, 2, 3], [4, 5, 6])

# 4) 그래프 출력
plt.show()

 

그래프의 축 제한 설정

• xlim(): x축의 범위를 설정
• ylim(): y축의 범위를 설정

plt.figure(figsize=(6, 4))
x = [0, 2, 4, 6, 8]
y = [1, 2, 3, 4, 5]

plt.plot(x, y)

# x축과 y축의 범위 제한
plt.xlim(-5, 5) # x축 limit 좌 우
plt.ylim(-5, 50) # y축 limit 상하

plt.show()

 

xlim(-5, 5)와 ylim(-5, 50)으로 축의 범위를 제한하여, 설정된 영역 밖의 데이터는 보이지 않음

레이블 및 범례 설정

• plt.xlabel()과 plt.ylabel(): 각각 x축과 y축에 레이블을 추가
• plt.title(): 그래프에 제목을 추가
• plt.legend(): 범례를 추가 

plt.plot(np.random.randn(30).cumsum(), 'g-.x', label='2023년')
plt.plot(np.random.randn(30).cumsum(), 'b-.x', label='2024년')

# 축 레이블과 제목 설정
plt.title('3월 매출')
plt.xlabel('시간(단위: 일)')
plt.ylabel('매출(단위: 억원)')

# 범례 설정
plt.legend(loc='upper right', frameon=False)

# 그래프 출력
plt.show()

• label='2023년'과 label='2024년'을 사용해 범례를 추가, plt.legend(loc='upper right')로 범례의 위치를 설정
• frameon=False로 범례의 배경 삭제

이를 토대로

Bar plots, histograms, scatter plots, stack plots,  pie charts,  fill_between and alpah, 

3d scatter plots, subplotting using subplot2grid 등을 쓸 수 있다.

다 비슷하다.

(1) Bar plot (막대그래프)

x = ['A', 'B', 'C', 'D']
y = [3, 5, 2, 4]
plt.bar(x, y)
plt.show()

(2) Histogram (히스토그램)

data = np.random.randn(1000)
plt.hist(data, bins=30, alpha=0.7, color='blue')
plt.show()

(3) Scatter plot (산점도)

x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y, alpha=0.5)
plt.show()

(4) Stack plot (누적 그래프)

x = np.arange(1, 6)
y1 = [1, 2, 3, 4, 5]
y2 = [2, 3, 4, 5, 6]
y3 = [3, 4, 5, 6, 7]
plt.stackplot(x, y1, y2, y3, labels=['A', 'B', 'C'], alpha=0.7)
plt.legend(loc='upper left')
plt.show()

(5) Pie chart (원형 차트)

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.show()

(6) Fill_between (영역 채우기)

x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.fill_between(x, y, alpha=0.5)
plt.show()

(7) 3D Scatter plot

from mpl_toolkits.mplot3d import Axes3D

# 3D 도화지 생성
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 랜덤 데이터 생성
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)

# 3D 산점도
ax.scatter(x, y, z)
plt.show()

(8)  Subplot2Grid 을 사용한 서브플롯 생성 -> 복잡한 그리드 레이아웃 생성

fig = plt.figure(figsize=(8, 6))

# 전체 5x2 그리드에서 (0, 0)부터 시작, 1행 2열
ax1 = plt.subplot2grid((5, 2), (0, 0), rowspan=1, colspan=2)

# 그래프 추가
ax1.plot([1, 2, 3], [4, 5, 6])
ax1.set_title('서브플롯 예시')

plt.show()

전체 5x2 그리드 중 첫 번째 행(rowspan)의 두 칸(colspan)을 차지하는 서브플롯이 생성

 

Seaborn

 

Matplotlib을 기반으로 동작하며, 다양한 시각화 기능을 추가하여 통계적 차트를 쉽게 그릴 수 있도록 도와주는 파이썬 라이브러리

Matplotlib을 사용할 때보다 더 직관적이고, 다양한 색상 테마와 스타일을 제공

공식사이트: https://seaborn.pydata.org/

공통 함수

plt.savefig()
# 모든 Seaborn 플롯은 Matplotlib 기능을 사용하여 파일로 저장 가능
# ex) plt.savefig('figure.png')

plt.show()
# 플롯을 화면에 표시

 

(1) lmplot (Logistic Model Plot):선형 회귀(또는 로지스틱 회귀) 모델을 시각화하는 함수

• hue 인자를 사용하여 각 범주를 색상으로 구분

import seaborn as sns
import matplotlib.pyplot as plt

# 데이터 불러오기
sns.set(style="whitegrid")
df = sns.load_dataset('tips')

# lmplot 예시
sns.lmplot(data=df, x='total_bill', y='tip', hue='sex', col='time', palette='muted')
plt.show()

 

(2)Barplot

sns.barplot(x='day', y='total_bill', data=df, palette='Blues')
plt.show()

(3)서브플롯 (FacetGrid / FacetPlot): FacetGrid는 하나 이상의 변수에 따라 여러 개의 작은 플롯을 그릴 수 있게 해줍니다. col이나 row로 플롯을 나누어 그립니다.

g = sns.FacetGrid(df, col="sex", row="time")
g.map(sns.scatterplot, "total_bill", "tip")
plt.show()

(4) Despine (축/테두리 제거)

sns.set(style="whitegrid")
sns.barplot(x='day', y='total_bill', data=df)
sns.despine()
plt.show()

(5) Lineplot

sns.lineplot(x="size", y="tip", data=df)
plt.show()

 

(6) ScatterPlot

sns.scatterplot(x="total_bill", y="tip", data=df, hue="time", style="sex")
plt.show()

(7) CountPlot

sns.countplot(x='day', data=df)
plt.show()

(8) Distplot

sns.distplot(df['total_bill'], kde=True, bins=30)
plt.show()

(9) Kdeplot: 커널 밀도 추정(KDE)을 통해 데이터의 밀도를 시각화

sns.kdeplot(df['total_bill'], shade=True)
plt.show()

(10) Boxplot: 데이터의 분포와 이상치를 시각화하는 상자 그림

• 사분위수와 중앙값을 보여줍니다.

sns.boxplot(x='day', y='total_bill', data=df)
plt.show()

(11) Violin Plot

sns.violinplot(x='day', y='total_bill', data=df)
plt.show()

(12) Heatmap

correlation = df.corr()
sns.heatmap(correlation, annot=True, cmap='coolwarm')
plt.show()

(13) PairPlot: 여러 변수 간의 관계를 한 번에 시각화할 수 있는 함수

• 각 변수 간의 산점도와 히스토그램을 그림

sns.pairplot(df, hue="sex")
plt.show()

 

Tuesday (01.14)

오늘의 점심

 

별점 ⭐️ ⭐️ ⭐️ ⭐️

육전국밥 10000원...

맛있다! 육전 자체가 비싼데, 돈없을때 육전먹고 싶으면 먹으면 딱이다!

https://naver.me/GtU3ugRf

네이버 지도

 

 

판다스에서 열 이름 변경하는 법

https://docs.kanaries.net/ko/topics/Pandas/pandas-rename-column

 

Plotly

• 인터렉티브 그래프 생성
• dict형식으로 명령어 작성
• JSON 형식으로 저장
• 다양한방식으로 Export

 

px.data.tips() # Plotly Express에서 제공하는 내장 데이터셋 불러오는 함수

# include='all'을 사용하여 수치형 데이터뿐만 아니라 범주형 데이터에 대한 요약 통계도 출력
tips.describe(include='all') 
tips.info()
tips.day.unique() # day 컬럼의 고유한(unique) 값들을 반환
tips['size'] # tips 데이터프레임에서 size 컬럼 선택

 

gapminder = px.data.gapminder()

# 산점도 생성
fig = px.scatter(
    gapminder,              # 데이터 이름 (데이터프레임 형식이어야 함)
    x='gdpPercap',          # x축에 표시할 데이터 컬럼 (1인당 GDP)
    y='lifeExp',            # y축에 표시할 데이터 컬럼 (평균 기대 수명)
    color='continent',      # 대륙별 색상 구분
    size='pop',             # 원의 크기로 인구를 표시
    hover_name='country',   # 마우스 오버 시 표시될 최상단 정보 (국가 이름)
    log_x=True,             # x축 로그 스케일 적용
    title='Life Expectancy vs GDP Per Capita - Scatter Plot', # 그래프 제목
    labels={'gdpPercap': 'GDP Per Capita', 'lifeExp': 'Life Expectancy'}, # 축 레이블 변경
    width=800,              # 그래프의 가로 크기
    height=600              # 그래프의 세로 크기
)

# 그래프 출력
fig.show()

이번에는 iris 데이터

px.data.iris()

iris.describe(include='all') #  species_id: 질적변수(문자열, 범주형 - setosa, versicolor, virginica)
gapminder.describe(include='all').T # 행열 전치

iris.columns #컬럼 확인
# 컬럼명 변경
# inplace=True: 원본 데이터프레임을 직접 수정 -> 새로운 데이터프레임을 생성하지 않고 기존 객체 자체가 변함
iris.rename(columns={'sepal_length':'꽃받침길이', 'sepal_width':'꽃받침너비','petal_length':'꽃잎길이','petal_width':'꽃잎너비'},inplace=True)

1) Scatter Plot

facet_row: 지정 컬럼 기준으로 subplot을 그림

fig = px.scatter(tips, x='total_bill', y='tip', color='sex', facet_row='day')

from sklearn.datasets import load_iris

iris = load_iris()
print(iris.DESCR) # 아이리스 데이터셋에 대한 설명을 포함하는 속성

# 대륙별로 색깔을 정함
px.scatter(gap2007, x='gdpPercap', y='lifeExp', color='continent')

#x축을 로그 스케일, 데이터를 기반으로 회귀선 추가 lowess: 로컬 회귀선
px.scatter(gap2007,log_x=True, title='2007년의 대륙별 기대수명', trendline='lowess')

 

2) 산점도 매트릭스(Scatter Matrix): 여러 변수 간의 관계를 한 번에 보기 위해 산점도 매트릭스를 생성하는 함수

각 변수 간의 scatter plot과 대각선 상의 히스토그램을 함께 그려줌

# px.scatter_matrix는 seaborn의 pairplot과 매우 유사한 기능을 수행
px.scatter_matrix(gap2007): gap2007의 모든 변수를 기준으로 산점도 매트릭스를 그린다
px.scatter_matrix(gap2007, ['year', 'pop', 'lifeExp', 'gdpPercap']): 인자를 사용하여 산점도 매트릭스를 그릴 변수들을 지정

3) Line Chart

각 아시아 국가의 기대수명이 시간이 흐름에 따라 어떻게 변화하는지를 보여주는 라인 차트

px.line(gapAsia, x='year', y='lifeExp', color='country')

4) 시계열 그래프

<전체기간>

import plotly.express as px
import yfinance as yf

# 삼성전자의 주식 데이터 다운로드
samsung = yf.download('005930.KS', start='2020-01-13', end='2025-01-13')

# 데이터 리셋 및 컬럼 이름 조정
samsung = samsung.reset_index()

# 컬럼의 멀티 인덱스를 1차원으로 변경: 컬럼 이름이 멀티 인덱스(pandas에서 한 열에 두개 이상 인덱스) 형태로 되어 있을 때, 
두 번째 레벨의 인덱스를 제거하여 컬럼 이름을 1차원으로 만드는 작업
samsung.columns = samsung.columns.droplevel(1)  

# 전체 기간에 대한 시계열 그래프
fig = px.line(samsung, x='Date', y='Close', title='Samsung Stock Closing Price Over Time')
fig.show()

<특정기간: range_x>

# 특정 기간(2022년 12월 31일부터 2024년 1월 31일까지)의 시계열 그래프
fig2 = px.line(samsung, x='Date', y='Close', range_x=['2022-12-31', '2024-01-31'], title='Samsung Stock Closing Price from Dec 2022 to Jan 2024')
fig2.show()

'''
Date        Time    Price
2022-05-12 Open    6500.0
2022-05-12  Close   6590.0
2022-05-13  Open    6540.0
2022-05-13  Close   6540.0
'''
# melt(얇고 뚱뚱한 df를 가늘고 길게), pivot(가늘고 긴 df를 얇고 뚱뚱하게), groupby(특정 기준으로 열을 새로 추림) 등등 사용하셔서 samsung1

# sort_values() # 정렬

samsung1 = samsung.melt(id_vars='Date', value_vars=['Open', 'Close'], var_name='Time', value_name='Price')\
.sort_values(by=['Date', 'Time'], ascending=[True, False])  # ['Date', 'Time'] 1차 정렬기준-오름, 2차 정렬기준-내림

melt(): 데이터의 열을 행으로 변환하는 역할을 합니다. 원래 데이터프레임에서 각 날짜별로 Open과 Close 가격을 하나의 열로 묶어서 표현하게 됩니다.
id_vars='Date': 이 변수는 변경하지 않고 그대로 두는 열입니다. Date는 그대로 남기고, Open과 Close 값들을 한 열로 합칠 것입니다.
value_vars=['Open', 'Close']: Open과 Close 열을 긴 형태로 합쳐서 하나의 열로 만듭니다.
var_name='Time': Open, Close 컬럼이 하나의 열로 변환되면서 새로운 열 이름을 **'Time'**으로 지정합니다.
value_name='Price': 새로운 열에 해당하는 값들을 **'Price'**라는 이름의 열에 저장합니다


카테고리형 데이터: # 문자열로 보이지만 순서가 정해져있은 명목형 변수들에 사용됩니다.(목금토일, 시가종가)

# category 타입으로 타입 캐스팅
samsung1['Category'] =samsung1['Time'].astype('category')
samsung1.info()
samsung1['Category'] = samsung1['Category'].cat.reorder_categories(['Open', 'Close']) # 카테고리 순서 변경

astype('category')는 pandas에서 범주형 데이터를 표현할 때 사용하는 메서드입니다. 범주형 데이터는 반복되는 값이 많고, 데이터 크기를 줄여야 할 때 유용합니다. 예를 들어, Time 열에 있는 Open과 Close 값들은 범주형 데이터로 처리할 수 있습니다. 
category 타입으로 변환하면 메모리 사용량을 줄이고 데이터 처리가 빨라지는 장점이 있습니다.
cat.reorder_categories()는 범주형 데이터의 순서를 바꾸는 데 사용됩니다. pandas에서 범주형 데이터는 특정한 순서를 가질 수 있습니다.

samsung1.sort_values(['Date', 'Category'], ascending=True) # 우리가 reorder한 정렬순서대로 정렬이 적용되는 것

Bar Charts -> 범주형 자료에 대한 카운팅, 순위형 자료에 대한 카운팅, 여러 범주형 변수에 대한 overlay확인가능
Bar Charts는 범주형 변수에 대한 카운팅을 시각화하거나, 순위형 자료나 여러 범주형 변수의 관계를 비교할 때 사용됩니다. 아래의 코드와 설명은 Plotly Express를 사용하여 다양한 종류의 막대그래프를 그리는 예시입니다.

canada = gapminder[gapminder['country']=='Canada']

fig = px.bar(canada,
              x="year",
              y="pop",
              title='Life expectancy in Canada', hover_data=['gdpPercap', 'lifeExp']
              )
fig.show()


# 모든 년도의 모든 국가의 값의 총합
fig = px.bar(gapminder,
              x="continent",
              y="pop",
              ) 
fig.show()


fig = px.histogram(gapminder,
              x="continent",
              y="pop",        # y축은 'pop' (인구)
              animation_frame='year',  # 연도별 애니메이션 처리
              range_y=[1, 4000000000],  # y축 범위 설정
              log_y=True       # y축을 로그 스케일로 설정
              )
fig.show()

Count Plot
각 카테고리 값별로 데이터가 얼마나 있는지 표시
데이터프레임에만 사용
Count Plot은 각 카테고리 값별로 데이터의 개수를 시각화하는 그래프입니다. 보통 범주형 데이터를 시각화할 때 사용됩니다.
예를 들어, store 컬럼에 대해 각 상점마다 제품이 몇 개 있는지 확인하려는 경우, Count Plot을 사용하여 각 상점별 데이터의 개수를 시각화할 수 있습니다.
하지만, 위 코드에서는 Count Plot이 아닌 Bar Plot을 사용하고 있습니다. Bar Plot은 범주별 데이터의 값을 나타내는 데 사용되며, Count Plot은 
범주별로 데이터의 개수를 세는 것입니다.

import pandas as pd
import plotly.express as px

# 데이터프레임 생성
df1 = pd.DataFrame({
    'store': ['Costco', 'Costco', 'Costco', 'Lotte Mart', 'Lotte Mart', 'Lotte Mart', 'E-mart', 'E-mart', 'E-mart'],
    'product': ['Potato', 'Onion', 'Cucumber', 'Potato', 'Onion', 'Cucumber', 'Potato', 'Onion', 'Cucumber'],
    'price': [3000, 1600, 2600, 3200, 1200, 2100, 2000, 2300, 3000],
    'quantity': [25, 31, 57, 32, 36, 21, 46, 25, 9]
})

# df1 데이터프레임 출력
print(df1)

# 바 그래프: 'store' 별로 'price' 값 시각화, 'product'에 따라 색상 구분
fig = px.bar(df1, x='store', y='price', color='product')
fig.show()

# 'product' 별로 'store'에 대해 'price' 값 비교, barmode='group'으로 그룹별로 시각화
fig = px.bar(df1, x='store', y='price', color='product', barmode='group')
fig.show()

# df1 데이터프레임에서 'product'를 index로, 'store'를 columns로, 'price' 값을 값으로 설정하여 피벗 테이블 생성
df3 = df1.pivot(index='product', columns='store', values='price')
print(df3)

# df1을 복사하여 'melt' 함수로 데이터를 길게 변형
df2 = df1.copy()
df2 = df2.melt(id_vars=['product', 'store'], var_name='product_info', value_name='product_value')
print(df2)

# 피벗 데이터프레임과 melt된 데이터프레임을 시각화 (피벗 데이터프레임을 그래프로 시각화 할 수 있습니다)

---

streamlit을 사용해보자

• 가상환경(파이썬) -> 외출용 가방, 여행용 가방 처럼 모든걸 싸들고 가는게 아니라, 목적에 맞는 패키지들만 따로 만들어놓은 임의의 가상환경.
• 이를 파이썬 위에서 돌림

import streamlit as st

# text를 입력하는 검색창 하나 만들기
# anly_list에 있는 글자가 일부라도 들어가면 
# 이미지 리스트에 있는 검색창을 하나 만들어주세요

word= st.text_input("검색하실 애니메이션을 입력하세요")
ani_list = ['짱구는못말려', '몬스터','릭앤모티']
img_list = ['https://i.imgur.com/t2ewhfH.png', 
            'https://i.imgur.com/ECROFMC.png', 
            'https://i.imgur.com/MDKQoDc.jpg']
dict={}
for i in range(len(ani_list)):
    dict[ani_list[i]] = img_list[i]

if not word:
    st.text("No title")
else:
    for ani in ani_list:
        if word in ani:
            st.image(dict[ani], width=1000)

https://share.streamlit.io/

 

 

Wednesday(01.15)

 

Thursday(01.16)

 

 

Friday(01.17)