1번. print("환영합니다.") # print문을 이용 print("파이썬의 세계에 오신 것을 환영합니다.") print("파이썬은 강력합니다.") 2번. 반갑습니다. 파이썬! # print문 그대로 출력 0.6 #2*6/10 의 수학적 결과 = 0.6 Hello World!!! # print문 그대로 출력 3번. print(7*24) # 일주이른 7일 , 하루는 24시간 그러므로 7*24 = 168시간 4번. import turtle as t #turtle 패키지 t로 정의해 사용 t.shape("turtle") #모양은 거북이 t.forward(100) #앞으로 이동 t.left(90) # 왼쪽 방향으로 본다. t.forward(100)#앞으로 이동 t.right(90)#오른쪽 방향으로 본다. t..

> 파이썬에서는 모든 것(부울,정수,실수,문자열,데이터구조,함수)이 객체로 구현됩니다. > 객체는 데이터가 담긴 투명한 박스와 같다. 객체는 데이터와 함께 무엇을 처리할 수있는지 결정하는 부울 혹은 정수와 같은 타입입니다. > 타입은 또한 박스에 포함된 데이터값을 변경할 수 있는 변수(가변)인지 혹은 변경할 수 없는 상수(불변)인지 판단할 수 있습니다.. >파이썬은 객체의 타입을 바꿀 수 없는 강타입(strong typing)입니다. 변수 > 파이썬에서 변수는 단지 이름일 뿐이다. 데이터가 담긴 객체(박스)에 단지 이름을 붙이는 것이다. 그이름은 객체 자신에 포함되는 것이라기보다는 객체의 참조입니다. > 파이썬에서 변수의 이름을 정할때 예약어는 쓰면 안됩니다. a = 7 print(a) 7 type(a)..

Series - 판다스의 기본 객체 중 하나. - numpy의 ndarray를 기반으로 인덱싱 기능을 추가하여 1차원 배열을 나타냄. import pandas as pd import numpy as np s1 = pd.Series([1,2,3]) #파이썬 enumerate 느낌 s1 0 1 1 2 2 3 s2 = pd.Series(['a','b','c']) s2 0 a 1 b 2 c s3 =pd.Series(np.arange(200)) s3 0 0 1 1 2 2 3 3 4 4 ... 195 195 196 196 197 197 198 198 199 199 다음과 같이 인덱스도 사용자 지정으로 바꿀 수 있습니다. s4 = pd.Series([1, 2, 3], ['a', 'b', 'c']) s4 a 1 b 2..

numpy는 리스트와 비슷합니다. 하지만 왜 리스트를 쓰지 않을가요? 넘파이는 다차원 배열을 좀 더 효율적으로 다룰 수 있고 C로 구현되어있어 list보다 빠른 속도를 가지고 있기 때문입니다. 또한 라이브러리에 구현되어있는 함수들을 이용해 짧고 간결한 코드를 작성할수 있다는 장점을 가지고 있습니다.! -실습 1차원,2차원 배열을 생성해보겠습니다. import numpy as np array1 = np.array([1,2,3]) array2 = np.array([[1,2,3]]) print(array1) print(array2) type(array1) #[1 2 3] #[[1 2 3]] #numpy.ndarray array1 과 array2의 차이는 무엇일까요? 1차원 배열인 array1는 3개의 데이터를..

객체 파이썬의 모든것은 객체입니다. 객체는 데이터(변수(속성)) , 코드(함수(메소드))를 모두 포함합니다. 객체를 생성하려면 클래스를 먼저 만들어야합니다.! 먼저 빈 클래스 하나를 만들어 볼까요? class Person(): pass someone = Person() 특별한 파이썬 객체 초기화 메소드 : __init__ class Person(): def __init__(self): #self는 객체 자신을 가리킨다. pass 이제 매개변수를 하나 추가해 봅시다.! 이제 name 매개변수에 문자열을 전달하여 Person클래스로부터 객체를 생성할 수 있습니다. class Person(): def __init__(self,name): self.name = name hunter = Person('Mr.Lee..

차원 축소 > 차원축소는 매우 많은 피처로 구성된 다차원 데이터 세트의 차원을 축소해 새로운 차원의 데이터 세트를 생성하는 것입니다. *차원의 저주 위 그림과 같이 차원이 증가할수록 해당 피처가 설명할수있는 비율이 감소합니다. 일반적으로 차원축소는 feature selection 과 feature extraction으로 나눌 수 있습니다. feature selection은 특정 피처에 종속성이 강한 불필요한 피처를 삭제하는 개념. fetaure extraction은 기존 피처를 저차원의 중요 피처로 압축해 추출하는 개념. - PCA PCA는 여려변수 간에 존재하는 상관관계를 이용해 이를 대표하는 주성분(Principal Component)을 추출해 차원을 축소하는 기법. 가장 높은 분산을 가지는 데이터의..