Pandas 데이터프레임에 무한대(infinity) 값이 포함되어 있는지 확인하려면 isinf() 메서드를 사용하면 됩니다. 무한대 값의 개수까지 세고 싶다면 여기에 sum()을 함께 사용하면 간단하게 처리할 수 있습니다.필수 라이브러리 임포트먼저 필요한 라이브러리를 별칭(alias)과 함께 가져옵니다.import pandas as pd import numpy as np무한대 값이 포함된 데이터 준비하기딕셔너리 형태의 리스트를 생성하고, NumPy의 np.inf를 사용해 무한대 값을 포함시킵니다.d = { Reg_Price: [70

Pandas DataFrame에 상수 값으로 새 열 추가하기데이터 분석 작업을 하다 보면 DataFrame의 모든 행에 동일한 값(상수)을 가진 새 열을 추가해야 하는 경우가 자주 발생합니다. Pandas에서는 대괄호([]), 즉 인덱스 연산자를 사용해 열 이름을 지정하고 값을 할당하는 것만으로 매우 간단하게 처리할 수 있습니다.1. 라이브러리 임포트먼저 필요한 라이브러리를 임포트합니다.import pandas as pd2. 샘플 DataFrame 생성4개의 열(Car, Cubic_Capacity, Reg_Price, Units_S

iloc는 Pandas에서 정수 위치(integer-location) 기반 인덱싱을 수행하는 메서드로, 행과 열의 위치를 기준으로 데이터를 선택하거나 수정할 수 있습니다. 이 글에서는 iloc를 활용해 DataFrame에 리스트를 행으로 추가하는 방법을 단계별로 살펴보겠습니다. 예제용 DataFrame 만들기 먼저 실습에 사용할 DataFrame을 생성합니다. 데이터는 팀 랭킹 정보를 담은 리스트 형태로 준비했습니다. # 팀 랭킹 데이터 (리스트 형태) Team = [[India, 1, 100], [Australia, 2, 85],

두 개의 Pandas DataFrame을 하나로 합치려면 merge() 함수를 사용하면 됩니다. 사용법은 매우 간단합니다. 병합하고 싶은 두 개의 DataFrame을 pd.merge() 함수의 인자로 전달하기만 하면 됩니다.특별히 기준 열(key)을 지정하지 않으면, 두 DataFrame에 공통으로 존재하는 열(여기서는 Car)을 기준으로 자동 조인(inner join)이 수행됩니다.1단계: 라이브러리 임포트먼저 필요한 라이브러리를 별칭 pd로 가져옵니다.import pandas as pd2단계: 첫 번째 DataFrame 생성차량

두 개의 Pandas DataFrame을 공통 열(컬럼)을 기준으로 병합하려면 merge() 함수를 사용하고, on 매개변수에 해당 열의 이름을 지정하면 됩니다. 이 방식은 SQL의 JOIN과 유사하게 동작하며, 기본적으로 양쪽 DataFrame에 모두 존재하는 값만 남기는 내부 조인(inner join)으로 처리됩니다. 1. Pandas 라이브러리 불러오기 먼저 pandas 라이브러리를 별칭(alias)과 함께 임포트합니다. import pandas as pd 2. 첫 번째 DataFrame 생성 차량 이름과 판매 대수를 담

두 개의 DataFrame에서 서로 공유하는 열(공통 컬럼)을 찾으려면 intersect1d() 메서드를 사용하면 됩니다. 이 메서드는 NumPy에서 제공되므로 Pandas와 함께 NumPy도 함께 임포트해야 합니다.먼저 필요한 라이브러리를 임포트합니다.import pandas as pd import numpy as np1. 두 개의 DataFrame 생성하기예제를 위해 서로 다른 열을 가진 두 개의 DataFrame을 만들어 보겠습니다. 첫 번째 DataFrame은 4개의 열을, 두 번째 DataFrame은 2개의 열을 가지고 있

Pandas에서 하위 집합(subset)을 기준으로 중복 값을 제거하고 마지막 항목만 표시하려면 drop_duplicates() 메서드에 keep 매개변수를 last 값으로 설정하면 됩니다. drop_duplicates() 메서드는 DataFrame에서 중복된 행을 삭제하는 데 사용됩니다.1. 예제용 DataFrame 생성하기먼저 3개의 열(Car, Place, UnitsSold)을 가진 DataFrame을 생성해 보겠습니다.import pandas as pd dataFrame = pd.DataFrame({ Car: [BM

Pandas DataFrame에서 다중 레벨(multi-level) 열을 쌓으려면 stack() 메서드를 사용합니다. stack()은 열(column)을 행(row) 아래쪽으로 회전시켜 와이드(wide) 형식의 데이터를 롱(long) 형식으로 변환해 주는 유용한 기능입니다. 1. 라이브러리 불러오기 먼저 필요한 라이브러리를 임포트합니다. import pandas as pd 2. 다중 레벨 열 생성하기 pd.MultiIndex.from_tuples()를 사용해 튜플 목록으로 다중 레벨 열을 만듭니다. 여기서는 최상위 레벨이 Maths

Pandas에서 두 개 이상의 DataFrame을 하나로 합치려면 concat() 메서드를 사용하면 됩니다. concat()은 여러 DataFrame을 리스트 형태로 전달받아 위아래(행 방향)로 순서대로 연결해 줍니다.1. 라이브러리 임포트먼저 필요한 라이브러리를 임포트합니다.import pandas as pd2. DataFrame 생성예제를 위해 세 개의 DataFrame을 만들어 보겠습니다.첫 번째 DataFramedataFrame1 = pd.DataFrame( { Col1: [10, 20, 30],

Pandas로 여러 CSV 파일 하나로 합치기 여러 개의 CSV 파일을 단일 Pandas DataFrame으로 병합하려면 read_csv와 pd.concat()을 조합하면 됩니다. 가장 먼저 필요한 Pandas 라이브러리를 임포트합니다. 이 글에서는 관례대로 pd라는 별칭(alias)을 사용합니다. import pandas as pd 1. 예제 CSV 파일 준비 이번 예제에서는 아래 두 개의 판매 데이터 CSV 파일을 사용합니다. Sales1.csv Sales2.csv 2. 파일 경로 설정하기 파일 경로를 문자열 형태로 지정

디렉토리 안에 있는 여러 개의 Excel 파일을 하나씩 열어 확인하는 것은 번거로운 작업입니다. Python에서는 Glob 모듈과 read_excel() 메서드를 함께 사용하면 특정 폴더 아래의 모든 Excel 파일을 자동으로 찾아 Pandas DataFrame으로 손쉽게 불러올 수 있습니다.예시 데이터 준비이번 예제에서는 데스크톱 폴더에 다음과 같이 두 개의 Excel 파일이 저장되어 있다고 가정하겠습니다.Sales1.xlsxSales2.xlsx1단계: 파일 경로 설정 및 파일 목록 가져오기먼저 Excel 파일들이 위치한 경로를

Seaborn 바이올린 플롯(Violin Plot)이란?Seaborn의 바이올린 플롯은 박스플롯(boxplot)과 커널 밀도 추정(Kernel Density Estimate)을 하나로 결합한 시각화 기법입니다. 이를 그릴 때는 seaborn.violinplot() 함수를 사용하며, order 매개변수를 활용하면 범주형 데이터의 표시 순서를 명시적으로 지정할 수 있습니다.이번 예제에서는 크리켓 선수 정보가 담긴 CSV 파일(Cricketers.csv)을 데이터셋으로 사용합니다.1. 필요한 라이브러리 가져오기import seaborn

Seaborn의 스웜 플롯(Swarm Plot)은 점들이 서로 겹치지 않도록 배치되는 범주형 산점도를 그리는 시각화 기법입니다. 이를 위해 seaborn.swarmplot() 함수를 사용하며, 두 개의 범주형 변수를 기준으로 스웜을 그룹화하려면 x, y, 그리고 hue 매개변수에 해당 변수들을 지정하면 됩니다.데이터셋 준비이번 예제에서는 CSV 파일 형태의 다음 데이터셋을 사용합니다: Cricketers2.csv1. 필요한 라이브러리 가져오기먼저 필요한 라이브러리를 임포트합니다.import seaborn as sb import pa

Seaborn의 스웜 플롯(Swarm Plot)은 서로 겹치지 않는 점들을 사용해 범주형 산점도(categorical scatterplot)를 그리는 데 활용되는 시각화 기법입니다. 이때 seaborn.swarmplot() 함수를 사용하며, order 매개변수에 원하는 카테고리 목록을 명시적으로 전달하면 데이터가 표시되는 순서를 자유롭게 제어할 수 있습니다.데이터 준비이번 예제에서는 CSV 파일 형태의 데이터셋인 Cricketers2.csv를 사용합니다. 먼저 필요한 라이브러리를 가져옵니다.import seaborn as sb im

Seaborn의 스웜 플롯(Swarm Plot)은 데이터 포인트가 서로 겹치지 않도록 배치되는 범주형 산점도(categorical scatterplot)를 그리는 데 사용되는 시각화 기법입니다. 이때 seaborn.swarmplot() 함수가 활용되며, seaborn.boxplot()으로 생성한 상자 그림 위에 관찰값들의 분포를 함께 표시하면 각 카테고리 내 개별 데이터의 위치까지 한눈에 파악할 수 있습니다.이번 글에서는 CSV 파일로 저장된 크리켓 선수 데이터셋(Cricketers2.csv)을 예시로 사용하여, 상자 그림 위에 스

Seaborn의 바이올린 플롯(Violin Plot)은 박스플롯(boxplot)과 커널 밀도 추정(kernel density estimate)을 하나의 그래프로 결합한 시각화 기법입니다. 데이터의 분포 모양을 직관적으로 파악할 수 있어 통계 분석에서 널리 활용됩니다.바이올린 플롯을 그릴 때는 seaborn.violinplot() 함수를 사용하며, inner 매개변수에 quartile 값을 지정하면 제1사분위수(Q1), 중앙값(Q2), 제3사분위수(Q3)가 점선 형태의 수평선으로 함께 표시되어 분포의 핵심 지표를 한눈에 확인할 수 있

Pandas에서 특정 폴더에 저장된 모든 CSV 파일을 한 번에 읽어 오려면 파이썬의 glob 모듈과 Pandas의 read_csv() 메서드를 함께 사용하면 됩니다. 예를 들어, 하나의 디렉터리에 여러 개의 CSV 파일이 들어 있다고 가정해 보겠습니다. 이 파일들을 일일이 열지 않고도 몇 줄의 코드로 자동화할 수 있습니다. 1단계: 파일 경로 설정하기 먼저 CSV 파일이 위치한 폴더 경로를 지정합니다. 여기서는 MyProject 폴더를 기준으로 진행하겠습니다. path = C:\\Users\\amit_\\Desktop\\MyPr

CSV 파일을 하나의 열(컬럼)을 기준으로 정렬하려면 pandas의 sort_values() 메서드를 사용하면 됩니다. sort_values() 메서드에 정렬 기준으로 사용할 열 이름을 지정해 주기만 하면 됩니다.1. CSV 파일 불러오기먼저 read_csv()를 이용해 SalesRecords.csv 파일을 DataFrame으로 읽어옵니다.dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesRecords.csv)2. 단일 열 기준으로 정렬하기Car(차량명) 열을 기준으로 오름차순 정렬

Pandas에서 특정 텍스트가 포함된 행을 필터링하고 원하는 열의 값을 추출하려면 str.contains() 메서드를 사용하면 됩니다. 이 글에서는 CSV 파일을 불러온 뒤, 특정 문자열을 포함하는 행만 골라내는 방법을 단계별로 살펴보겠습니다.1. 라이브러리 임포트먼저 Pandas 라이브러리를 별칭(alias)과 함께 가져옵니다.import pandas as pd2. CSV 파일 읽기read_csv() 함수를 사용해 CSV 파일을 DataFrame으로 불러옵니다. 여기서는 데스크톱에 저장된 파일을 예시로 사용합니다.dataFrame

Python Pandas에서 원하는 텍스트가 포함된 행을 반복하며 가져오려면 itertuples() 메서드와 find() 메서드를 함께 사용하면 됩니다. itertuples()는 DataFrame의 각 행을 튜플(namedtuple) 형태로 순회(iterate)하는 기능을 제공합니다.1. 라이브러리 임포트먼저 필요한 라이브러리를 별칭(alias)과 함께 임포트합니다.import pandas as pd2. CSV 파일 준비이 예제에서 사용할 CSV 파일은 데스크톱에 아래 경로로 저장되어 있습니다.C:\Users\amit_\Deskto