[👩‍💻TIL 21일차 ] 유데미 스타터스 취업 부트캠프 4기

목차

 

[섹션7] 고급 매핑 기술 구현

 

시계열 데이터 분석 with 파이썬

[섹션2] 강의 Set up 및 Install

[섹션3] Numpy

[섹션4] Pandas 개요

[섹션5] Pandas를 사용한 데이터 시각화

 

---

[섹션7] 고급 매핑 기술 구현

다각형으로 모양 만들기

Polygon(다각형): 각이 많은 도형

• Points: X및 Y좌표
• Direction: 경로의 방향 
• Unique Identifier: 모양 ID

 

 

 

배경 지도

 

 

• 측정값으로 연결되어있는 Path를 차원으로 옮기기: 경로를 사용하여 계산을 수행하지 않을 것이라는 것을 알고 있기 때문에  
• 필터로 1, 2층 구분

 

📍 배경 이미지 넣기

 

➡️ 시각화된 자료에 따르면 대부분의 룸이 예약이 꽉 찬 것을 볼 수 있다. 

 

 

비즈니스 과제 해결하기

📍두 층 사이에 토글 스위치 추가하기

매개변수 만들기

📍두번째 배경 이미지 추가하기

➡️ 기본 데이터 원본에서 계산된 필드 만들기

 

📍예약된 사용률과 실제 사용률 살펴보기  

 

 

 

Tableau용 그리기 도구

 

Take Control of Your Tableau Workbooks - Power Tools for Tableau

 

 

지도의 사용자 지정 이미지

 

 

📍 아이콘 추가하는법 

모양 다시 로드 해주어야 나타남

 

 

거리 계산

 

괄호 지옥 

 

 

 

Mapbox로 지도 커스터마이즈 하기

Maps, geocoding, and navigation APIs & SDKs | Mapbox

카드 정보를 기입하라길래 왠지 찜찜해서 안했다🤔

그래도 지도를 사용할일이 있을때 유용하게 사용될 기능일 것 같다.

 

 

---

[섹션2] 강의 Set up 및 Install

 

아나콘다 파이썬 배포판과 주피터 설치 

📍 가상환경 생성 및 활성화 

가상환경: 활성화하기만하면 사용할 수 있는 많은 라이브러리들의 특정 버전 

➡️ tsa_course_env.yml을 다운로드 받은 후 conda env create -f tsa_course_emv.yml 입력

다운로드가 완료된 후 conda activate tsa_course을 입력하면 강좌의 환경 라이브러리가 활성화된다. 

 

강좌 노트 실행: jupyter notebook

---

[섹션3] Numpy

Numpy 배열 - Part 1 & 2

Numpy: 배열로 저장된 대용량 데이터를 효율적으로 처리할 수 있는 수치 처리 라이브러리 

 

• Numpy배열 만들기: 리스트를 직접 변환하여 배열을 만들 수 있다.
• 기본 제공 방법: 배열을 생성하는 다양한 기본 제공 방식이 있다. 
  • arange: 지정된 간격 내의 균등한 간격 값을 반환한다. 
  • zeros, ones: 0 또는 1의 배열을 생성한다.
  • linspace: 지정된 간격 동안 균등한 간격의 숫자를 반환한다. 
  • eye: 고유 행렬을 작성한다.
• 랜덤: Numpy는 난수 배열을 만드는 많은 방법을 가지고 있다. 
  • rand: 지정된 모양의 배열을 만들고 0~1에 걸쳐 균일한 분포의 랜덤 표본으로 채운다. 
  • randn: 표준 정규 분포(=1)에서 표본을 반환한다. 균일한 rand와 달리 0에 가까운 값이 나타날 가능성이 높다.
  • randint : 최소값(포함) ~ 최대값(제외)로 임의의 정수를 반환한다.
  • seed: 동일한 랜덤 결과를 재현할 수 있도록 상태를 설정하는데 사용한다.
• 배열 특성 및 방법
• Reshape: 동일한 데이터가 포함된 배열을 새 모양으로 반환한다. 
  • max, min, argmax, argmin: 최대값 또는 최소값을 찾거나 인덱스 위치를 찾는다.
• Shape: 모양은 배열이 갖는 속성이다. 
  • dtype: 배열에 있는 개체의 데이터 유형을 가져올 수 있다. 

 

 

Numpy 인덱싱과 선택

➡️ 배열에서 요소 또는 요소 그룹을 선택하는 방법에 대해 배웠다.

 

• 괄호 인덱싱 및 선택: 배열의 일부 요소를 선택하는 가장 간단한 방법은 파이썬 리스트와 매우 유사하다.
• 브로드캐스팅: Numpy 배열은 브로드캐스트 기능 때문에 일반 파이썬 리스트와 다르다. 리스트의 경우 크기와 모양이동일한 새 부분만 리스트에 재할당할 수 있다. Numpy 어레이를 사용하면 단일값을 더 큰 값 집합에 걸쳐 브로드캐스트 할 수 있다.
•  2차원 배열 인덱싱 (매트릭스): arr_2d[row][col] 또는 arr_2d[row,col]
• 추가 인덱싱 도움말
• 조건부 선택 : 불리언 배열을 필터로 원래 배열에 입력함으로써 조건부 선택을 수행할 수 있다.

 

 

Numpy 연산

• 산술 
• 범용 배열 함수 
• 배열에 대한 요약 통계 
• 축 논리: 2차원 배열(매트릭스)을 사용할 때는 행과 열을 고려해야 한다. 배열에서 축 0은 수직 축(행)이고, 축 1은 수평 축(열)이다.

 

---

[섹션4] Pandas 개요

Pandas

• 패널데이터
• Numpy를 기본으로 한다
• 네임드 인덱스로 데이터를 직접 불러올 수 있다.

 

시리즈

➡️ 시리즈는 Numpy 배열과 매우 유사하다. Numpy 배열이 시리즈와 다른 점은 시리즈가 축 레이블을 가질 수 있다는 것이다. 즉, 숫자 위치가 아닌 레이블로 인덱싱할 수 있다. 또한 숫자 데이터를 보유할 필요가 없으며 임의의 파이썬 객체를 보유할 수 있다.

 

• 시리즈 만들기: 리스트, Numpy 배열 또는 딕셔너리를 시리즈로 변환할 수 있다.
• 인덱스 사용하기 
  • 두 정수와 함께 Pandas나 Numpy를 사용하여 산술 연산을 실행하는 경우 부동 소수점으로 나타난다.

 

 

데이터프레임 Part 1 & 2

➡️ 데이터프레임은 동일한 인덱스를 공유하기 위해 여러 개의 시리즈 객체가 결합된 것으로 생각할 수 있다.

 

• 선택 및 인덱싱
  • 새로운 열 만들기
  • 열 삭제하기: drop
  • 행 선택하기
    • loc: 행 위치 기반 사용
    • iloc: 인덱스 위치 기반 사용
  • 행 및 열의 부분 집합 선택 
  • 조건부 선택: 대괄호 표기법 사용 
    • 두가지 조건에 대해 | 및 &를 괄호와 함께 사용할 수 있다. 
• 추가 인덱스 세부 정보 
• 데이터 프레임 요약 
  • df.describe()는 숫자 열에 대한 요약 통계량을 제공한다.
  • df.info 및 df.dtype은 모든 열의 데이터 유형을 표시한다. 

 

Pandas로 결측 데이터 다루는 법

➡️ Pandas에서 결측 데이터를 처리하는 편리한 방법 살펴보기

 

• 제거: dropna
  • axis =1: 열 제거
  • thresh = n: 임계값 지정 
• 채우기: fillna

 

 

Group By 연산

➡️ 그룹화를 통해 데이터의 행을 함께 그룹화하고 집계 함수를 호출할 수 있다.

• .groupby() 메서드를 사용하여 열 이름을 기준으로 행을 그룹화할 수 있다.

 

 

일반 연산

 

• 고유값에 대한 정보
  • unique: 고유값
  • nunique: 고유값의 수
  • value_counts(): 각 고유값의 개수
• 데이터 선택 
• 함수 적용하기
• 영구적으로 열 삭제하기: del 
• 열 및 인덱스 이름 가져오기: columns, index 
• 데이터 프레임 정렬: sort_values 

 

데이터 입력과 출력

➡️ pd.read_ 메서드를 사용하여 다양한 파일 형식을 읽을 수 있다.

 

• CSV: 쉼표를 필드 구분 기호로 사용하는 텍스트 파일이다.
  
  • 입력: pd.read_csv()
  • 출력: .to_csv()
•  Excel: 이미지 또는 매크로가 포함된 파일로 인해 메서드와 충돌을 일으킬 수 있으므로 수식이나 이미지가 아닌 데이터만 가져온다.
  • 입력: pd.read_excel(sheet_name)
  • 출력: .to_excel(sheet_name)
•  HTML: HTML에서 테이블 탭을 읽을 수 있다.
  • 입력: pd.read_html() → type: list 

---

[섹션5] Pandas를 사용한 데이터 시각화

 

Pandas를 사용한 데이터 시각화

 

• 플롯 유형: df.plot._
  df.plot(kind='area')와 같이 인수로 이름을 전달하여 특정 그래프를 호출할 수도 있다. 
  • Histgrams: 데이터를 동일한 너비의 bin으로 나누고, 각 bin에 들어가는 값의 수를 표시하여 연속 데이터의 분포를 설명한다.
    • 그래프 가장자리에 x축 및 y축 가져오기: autoscale → x, y, both, tight = True 
    • 그래프 테두리: edgecolor
  • Barplots: 이산 데이터를 처리하고 종종 여러 변수를 반영한다는 점을 제외하면 히스토그램과 유사하다. 
    • 누적: stacked = True
    • 가로: barh 
  • Line Plots: 둘 이상의 변수를 비교하는데 사용한다.
    • 선굵기: lw
  • Area Plots: 선 사이의 공간이 색상으로 강조된 누적된 선그림 
    • alpha: 0과 1사이의 투명도 값 전달
    • 혼합 면적 그림: stacked = False 
  • Scatter Plots: 두 변수를 빠르게 비교하고 추세를 찾는데 유용한 도구
    • colormaps: c를 사용하여 다른 열 값을 기준으로 각 마커에 색상을 지정할 수 있다. cmap을 사용하여 사용할 색상 맵을 지정한다. 
    • 다른 열을 기준으로 마커 크기를 나타낼 수 있다. s 매개 변수는 열 이름일 뿐만 아니라 배열이어야 한다. 
    • .apply(func)로 데이터에 함수를 적용할 수 있다.
  • BoxPlots: 데이터를 평균에 대한 사분위수로 나누어 데이터의 분포를 설명한다.
    • Groupby: 그룹을 기준으로 boxplots을 그리려면 먼저 열 목록을 정한 후 by = '열이름'을 적어준다. 
  • Kernal Density Estimation (KDE) Plot
  • Hexagonal Bin Plot: 산점도 대신 이변량 데이터에 유용하다.  
  • pie 

 

 

Pandas로 만든 플롯의 사용자 정의

➡️ 축 레이블과 범례의 위치, 모양을 제어하는 방법을 배운다.

 

• 색, 너비, 선 스타일:  .plot() 메서드는 선스타일, 색상, 너비 등을 제어할 수 있는 선택적 인수를 사용한다.

• 제목 및 축레이블 추가 
  • 객체 지향 플로팅: df.plot()을 호출하면 pandas는 matplotlib.axes.AxesSubplot을 반환한다.
• 범례 배치 플롯: 범례를 직접 배치하여 제어할 수 있고, 플롯 외부에 배치할 수도 있다. 이 작업은 .legend() 메서드를 통해 수행된다. (by 위치 코드, 위치 문자열)
  • loc를 통해 전달된 값을 anchor 포인트로 처리하고, 두 값 튜플을 기반으로 x축과 y축을 따라 범례를 배치하는 두번째 인수인 bbox_to_anchor을 전달할 수 있다. 
  • 그림 외부에 범례 배치: 범례를 그림의 오른쪽 바깥쪽에 배치하려면 1보다 크거나 같은 값을 튜플의 첫번째 항목으로 전달한다.

---

✍️ 마무리하며

 

태블로를 마무리하고 수료증까지 받았다🙌 고급은 특히 더 어려웠는데 수료증까지 받고 나니 뿌듯하다. 이번에 들은 강의를 기반으로 오프라인 강의 때는 더 꼼꼼하게 태블로를 되짚어봐야겠다.

파이썬은 에이블런에서 들은 강의와 아직까지 결은 비슷하지만 기본단계를 벗어나서 그런지 진행 속도도 빠르고 내용도 좀 더 심화된 것 같다. 시계열 분석도 열심히 해봐야겠다💪 

 

---

* 유데미 큐레이션 바로가기 : https://bit.ly/3HRWeVL

* STARTERS 취업 부트캠프 공식 블로그 : https://blog.naver.com/udemy-wjtb

📌 본 후기는 유데미-웅진씽크빅 취업 부트캠프 4기 데이터분석/시각화 학습 일지 리뷰로 작성되었습니다.