이 장에서는 왜 효율적인 코드가 중요한지, 그리고 특정/무작위 행과 열을 효율적으로 선택하는 방법을 살펴봅니다.

효율적인 코딩이 필요한 이유 I

time.time()은 무엇을 측정하나요?

시간 측정 I

시간 측정 II

행 선택하기: .iloc[]와 .loc[]

행 선택: loc[] vs iloc[]

열 선택: .iloc[] vs 이름으로 선택

무작위 행 선택하기

무작위 행 선택

무작위 열 선택

열과 행을 효율적으로 선택하기

이 장에서는 리스트와 딕셔너리를 사용해 하나 이상의 값을 바꾸는 replace() 함수의 활용법을 다룹니다.

replace()로 스칼라 값 바꾸기

스칼라 값 바꾸기 I

스칼라 값 바꾸기 II

리스트를 사용해 값 바꾸기

여러 값 바꾸기 I

여러 값 바꾸기 II

딕셔너리로 값 바꾸기

단일 값 바꾸기 I

단일 값 바꾸기 II

여러 값 바꾸기 III

스칼라 값 치환의 가장 효율적인 방법

DataFrame에서 값 바꾸기

이 장에서는 Pandas DataFrame을 반복 처리하는 여러 방법을 소개하고, 벡터화가 가장 효율적인 방법인 이유를 설명합니다.

.iterrows() 함수로 반복하기

pandas DataFrame용 제너레이터 만들기

반복을 위한 iterrows() 함수

apply() 함수로 반복 처리하기

.apply() 함수로 모든 셀에 적용하기

.apply()를 활용한 행 반복

pandas 시리즈에서의 벡터화

왜 pandas의 벡터화는 그렇게 빠를까요?

실전으로 보는 pandas 벡터화

.values()를 사용한 NumPy 배열 벡터화

가장 효율적인 벡터화 방법

DataFrame 반복을 위한 벡터화 방법

효율적인 반복 처리

이 장에서는 groupby() 함수와 이를 사용해 값을 제자리에서 변환하고, 결측치를 대체하며, 그룹별로 복잡한 함수를 적용하는 방법을 설명합니다.

groupby().transform을 사용한 데이터 변환

transform()을 사용한 최소-최대 정규화

값을 확률로 변환하기

정규화 검증

transform()을 언제 사용하나요?

transform()을 사용한 결측값 대치

결측값 식별하기

결측값 대치

filter() 함수로 데이터 필터링

필터링은 언제 사용할까요?

데이터 필터링

축하합니다!

.groupby()를 사용한 데이터 조작

Poker

Popular Baby Names

Restaurant

대규모 데이터셋을 효율적으로 다루고 가치 있는 정보를 추출하는 능력은 모든 예비 데이터 과학자에게 필수적인 도구입니다. 적은 양의 데이터로 작업할 때는 코드 실행이 얼마나 느릴 수 있는지 종종 체감하지 못합니다. 이 과정에서는 Python과 pandas 라이브러리에 대한 지식을 바탕으로, 작업을 더 빠르게 수행할 수 있는 pandas의 효율적인 내장 함수를 소개합니다. pandas의 내장 함수는 데이터에서 특정 항목과 열을 선택하는 가장 기본적인 작업부터, 그룹별로 함수를 적용하는 가장 복잡한 작업까지, 일반적인 Python 방식보다 훨씬 빠르게 처리할 수 있게 해줍니다. 과정을 마치면 특정 특성값에 따라 함수 적용하기, 대규모 데이터셋을 빠르게 반복 처리하기, 서로 다른 그룹에 속한 데이터를 효율적으로 조작하기가 가능해집니다. 포커 핸드나 레스토랑 팁처럼 다양한 실제 데이터셋에 이러한 방법을 직접 적용해 보게 됩니다.

Data Manipulation with pandas

파이썬 코드를 최적화하기 위해 판다스의 효율적인 기법을 배우세요.

pandas로 효율적인 코드 작성하기

파이썬 코드 최적화를 위한 판다스 효율적 기법 학습하기

PhD Researcher

효율적인 코딩의 필요성 I

시간은 어떻게 측정하나요?

for 루프 vs 리스트 컴프리헨션

for 루프 vs 리스트 컴프리헨션 II

시간이 중요한 곳 I

시간이 중요한 곳 II

직접 해봅시다!

열과 행을 효율적으로 선택하기 - 효율적인 코딩이 필요한 이유 I

효율적인 코딩이 필요한 이유 I

Create Your Free Account