서윤로그

✅ 막대 그래프 (바 그래프)선 그래프 (Line Plot)matplotlib 메소드seaborn 메소드 •범주/카테고리에 따른 수량과 통계량을 살펴보기에 적합함•범주별 수치를 한눈에 대소비교 하기에 좋음plt.bar()sns.barplot()0️⃣  패키지 & 데이터프레임 불러오기예시가 될 데이터셋은 Kaggle에서 가져온 Flight Price Prediction 입니다. airline(비행편)에 따라 price(티켓가격) 평균이 어떻게 달라지는지, 막대 그래프로 살펴보고자 합니다.groupby 메소드로 평균값 데이터셋을 만든 다음 시각화를 진행해보겠습니다.# 패키지 불러오기import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimp..

1️⃣  배경과 눈금선 스타일  ::  set_style()set_style() 메소드로 white, whitegrid, dark, darkgrid, ticks 5가지 중 그래프 스타일을 정할 수 있습니다.스타일에 따라 아래와 같이 배경색이나 눈금선, 축 디자인이 달라집니다.import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns# sns 내장 데이터셋df = sns.load_dataset('penguins')sns.set_style('스타일 이름')sns.boxplot(data=df, x='species', y='body_mass_g')'white''whitegrid''dark''darkgrid''t..

✅ 선 그래프선 그래프 (Line Plot)matplotlib 메소드seaborn 메소드 •시간, 순서에 따른 변화를 살펴보기에 적합함•데이터의 증감을 파악할 수 있음plt.plot()sns.lineplot()0️⃣  패키지 & 데이터프레임 불러오기예시가 될 데이터셋은 Kaggle에서 가져온 Flight Price Prediction 입니다. days_left(출발까지 남은일수)에 따른 평균 price(티켓가격)의 변화를 선 그래프로 살펴보고자 합니다.groupby 메소드로 평균값 데이터셋을 만든 다음 시각화를 진행해보겠습니다.# 패키지 불러오기import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns#..

matplotlib (plt) 그래프에서 한글 깨질 때 대처방법✅  plt.rcParams[] 으로 전역 폰트 설정하기rcParams로 전역 폰트을 한번만 설정해주면, 그래프를 작성할 때마다 설정해줄 필요가 없습니다.rcParams는 차트의 다양한 꾸밈요소들을 모아놓은 딕셔너리라고 보면 되는데요, 글꼴뿐만 아니라 선이나 바탕색도 지정 가능해요.※ Document 참조 (https://matplotlib.org/stable/api/matplotlib_configuration_api.html#matplotlib.rcParams) 아래와 같이 plt.rcParams['font.family'] 를 불러서 value값을 바꿔주면해당 주피터노트북 파일 내에서 한글폰트 지정은 완료되므로, 다른 그래프를 그릴때 다시 ..

1️⃣  수치형 데이터간 상관계수  ::  corr()예시 데이터셋은 Kaggle에서 가져온 Flight Price Prediction 비행편 데이터셋입니다.  (캐글 데이터 다운로드: https://www.kaggle.com/datasets/shubhambathwal/flight-price-prediction)데이터프레임에 포함된 수치형 데이터간의 상관관계는 corr 메소드로 간단하게 살펴볼 수 있습니다.수치형만 적용 가능하므로 numeric_only = True 파라미터를 넣어줘야 합니다.# 변수들간 상관계수 살펴보기df.corr(numeric_only=True)이 데이터셋에 포함된 수치형 칼럼 3개 서로간의 상관계수들이 도출되었네요.duration(비행시간) - price(비행편 가격) 간 상관계수..

0️⃣  데이터프레임 생성예시가 될 데이터프레임 2개를 먼저 만들어 볼게요.import pandas as pdimport numpy as np# 병합할 데이터프레임 2개 생성df_customer = pd.DataFrame({ 'customer_id' : [1, 2, 3, 4, 5], 'name' : ['Kim', 'Lee', 'Park', 'Choi', 'Yoon'], 'grade' : ['Silver', 'Gold', 'Gold', 'Silver', 'Platinum']})df_orders = pd.DataFrame({ 'customer_id' : [1, 2, 2, 2, 3, 3, 5, 5, 5, 10], 'item_order' : ['pumpkin', 'potato', 'g..

0️⃣  데이터프레임 생성예시가 될 데이터프레임 2개를 먼저 만들어 볼게요.import pandas as pdimport numpy as np# 병합할 데이터프레임 2개 생성df_1 = pd.DataFrame({ 'product' : ['onion', 'carrot', 'cabbage', 'pumpkin', 'potato'], 'amount' : [100, 50, 70, 30, 80] })df_2 = pd.DataFrame({ 'product' : ['pumpkin', 'potato', 'garlic', 'corn', 'pepper'], 'amount' : [20, 60, 90, 80, 50]}, index = [3,4,5,6,7])1️⃣  칼럼 이름이 동일한 데이터프레임끼리 합치는..

0️⃣  데이터프레임 생성먼저 테스트를 위한 데이터프레임을 생성하겠습니다.import pandas as pdimport numpy as np# 테스트 데이터프레임 생성df = pd.DataFrame({ 'container_id' : ['con_1', 'con_1', 'con_1', 'con_2', 'con_2', 'con_2', 'con_3', 'con_3', 'con_3'], 'product' : ['monitor', 'pc', 'cable', 'monitor', 'pc', 'cable', 'monitor', 'pc', 'cable'], 'made' : ['korea', 'korea', 'korea', 'korea', 'korea', 'korea', 'china', 'china', 'c..