두 개의 DataFrame을 비교하다 보면 한쪽에만 존재하는 행, 즉 공통되지 않은(uncommon) 행을 찾아야 할 때가 있습니다. Pandas에서는 concat() 메서드와 drop_duplicates()를 조합하면 이 작업을 아주 간단하게 처리할 수 있습니다. 핵심 원리 방법은 크게 두 단계로 이루어집니다. pd.concat()으로 두 DataFrame을 위아래로 하나로 합칩니다. drop_duplicates(keep=False)를 적용해 중복된 행을 모두 제거합니다. 여기서 keep=False 옵션이 핵심입니다. 기본값

암호화 기술은 크게 대칭 키 방식과 비대칭 키 방식으로 나뉩니다. 두 방식의 핵심 개념과 차이점을 자세히 살펴보겠습니다.대칭 키 암호화(Symmetric Key Encryption)란?대칭 키 암호화는 암호학에서 하나의 동일한 키(비밀 키)를 통신 당사자 양쪽이 공유하여, 평문(plain-text)을 암호문(cipher-text)으로 암호화하고 다시 복호화하는 데 사용하는 알고리즘입니다. 양쪽의 키는 완전히 동일하거나, 서로 간단하게 변환될 수 있는 관계입니다.이 방식에서는 디피-헬만(Diffie–Hellman) 키 교환이나 다른

온라인 보안의 핵심 요소인 디지털 인증서와 디지털 서명. 두 가지 개념을 차례대로 살펴보겠습니다. 디지털 인증서(Digital Certificate)란? 디지털 인증서는 사용자의 신원을 확인하기 위해 디지털 방식으로 발급되는 증명서입니다. 메시지를 보내는 사람이 실제로 자신이 주장하는 당사자인지 검증하고, 아울러 수신자가 답장을 암호화할 수 있도록 필요한 수단을 제공하는 역할을 합니다. 암호화된 메시지를 주고받고자 하는 개인이나 기관은 인증기관(CA, Certificate Authority)에 디지털 인증서를 신청하여 발급받습니다

Pandas로 여러 열의 고유한 값 찾기여러 열에서 고유한(unique) 값을 추출하려면 unique() 메서드를 사용하면 됩니다. 예를 들어 직원 정보가 담긴 Pandas DataFrame에 EmpName(직원명)과 Zone(지역)이라는 두 개의 열이 있다고 가정해 보겠습니다.실제 데이터에서는 두 명 이상의 직원이 같은 이름을 가질 수 있고, 하나의 지역에 여러 명의 직원이 소속될 수 있기 때문에 이름과 지역 값은 중복될 수밖에 없습니다. 이런 상황에서 중복을 제거한 고유한 직원 이름이나 지역 목록이 필요하다면 DataFrame의

Pandas를 세트(Set)로 변환하기파이썬에서 Pandas의 열(Series) 데이터를 세트(Set) 자료형으로 변환하려면 내장 함수 set()을 사용하면 됩니다. 세트는 중복된 값을 자동으로 제거해 주기 때문에, 고유한 값만 추출하거나 집합 연산(합집합·교집합·차집합)을 수행할 때 매우 유용합니다.먼저 예제에 사용할 DataFrame을 생성해 보겠습니다.import pandas as pd # DataFrame 생성 dataFrame = pd.DataFrame( { EmpName: [John, Ted, Jacob

Pandas에서 이름과 지역처럼 두 개 이상의 정보를 담은 튜플 형태의 다중 인덱스(MultiIndex)를 사용하다 보면, 이를 하나의 문자열로 합쳐 단일 인덱스로 변환해야 할 때가 있습니다. 이 글에서는 Pandas와 NumPy를 활용해 다중 인덱스를 언더스코어(_)로 연결된 단일 인덱스로 바꾸는 과정을 단계별로 살펴봅니다. 핵심 원리는 간단합니다. 인덱스 객체에 map() 메서드를 적용하고, 문자열 조인 함수인 _.join을 전달하면 각 튜플의 요소들이 하나의 문자열로 연결됩니다. 1단계: 필요한 라이브러리 불러오기 먼저 Pa

Pandas에서 파이프라인을 생성하려면 pipe() 메서드를 사용합니다. 이 메서드를 활용하면 여러 데이터 처리 단계를 함수 형태로 연결하여 코드의 가독성과 재사용성을 크게 높일 수 있습니다.1. Pandas 라이브러리 임포트먼저 필요한 pandas 라이브러리를 별칭(alias)과 함께 임포트합니다.import pandas as pd2. DataFrame 생성다음으로 예제에 사용할 DataFrame을 만듭니다.dataFrame = pd.DataFrame( { Car: [BMW, Lexus, Audi, Mustang,

Pandas DataFrame에서 특정 열(column)의 평균값을 계산하려면 mean() 메서드를 사용하면 됩니다. 가장 먼저 필요한 Pandas 라이브러리를 임포트합니다. import pandas as pd 이제 두 개의 열을 가진 DataFrame을 생성해 보겠습니다. dataFrame1 = pd.DataFrame( { Car: [BMW, Lexus, Audi, Tesla, Bentley, Jaguar], Units: [100, 150, 110, 80, 110, 90] } ) mean() 메서드

Pandas에서 두 DataFrame의 특정 열이 서로 동일한지 확인하려면 equals() 메서드를 사용하면 됩니다. 이 메서드는 두 Series 또는 DataFrame의 요소가 완전히 같은지 비교하여 불리언 값(True/False)을 반환합니다.1. 첫 번째 DataFrame 생성먼저 두 개의 열(Car, Units)을 가진 DataFrame1을 생성합니다.dataFrame1 = pd.DataFrame( { Car: [BMW, Lexus, Audi, Mustang, Bentley, Jaguar], Uni

Pandas에서 두 데이터프레임(DataFrame) 사이의 공통 행을 찾으려면 merge() 메서드를 사용합니다. how=inner(내부 조인) 옵션을 지정하면 두 데이터프레임에 모두 존재하는 행만 결과로 반환됩니다.먼저 두 개의 열을 가진 첫 번째 데이터프레임을 생성해 보겠습니다.dataFrame1 = pd.DataFrame( { Car: [BMW, Lexus, Audi, Tesla, Bentley, Jaguar], Units: [100, 150, 110, 80, 110, 90] } )이어서 동일한

Pandas median() 메서드로 열 값의 중앙값 계산하기 DataFrame 열(column) 값의 중앙값(median)을 계산하려면 median() 메서드를 사용합니다. 중앙값은 데이터를 크기순으로 정렬했을 때 가운데 위치하는 값으로, 극단적인 이상치(outlier)에 평균보다 덜 영향을 받는 대표 통계량입니다. 먼저 필요한 Pandas 라이브러리를 임포트합니다. import pandas as pd DataFrame 생성 이제 두 개의 열을 가진 DataFrame을 만들어 보겠습니다. dataFrame1 = pd.DataFra

Pandas DataFrame에서 원하는 특정 행만 골라 합산하려면 loc() 메서드를 사용하는 것이 가장 간단합니다. : 연산자를 이용해 시작 행 인덱스와 끝 행 인덱스를 지정할 수 있고, loc() 안에서 포함할 열(column)까지 함께 선택할 수 있습니다. 합산 결과는 새로운 열에 저장해 한눈에 확인할 수 있습니다. 1. 예제용 DataFrame 생성 먼저 제품 정보와 함께 기초 재고(Opening_Stock), 기말 재고(Closing_Stock) 데이터를 담은 DataFrame을 만들어 보겠습니다. dataFrame =

Pandas에서 groupby() 연산을 수행하면 그룹화 기준이 된 열이 새로운 인덱스로 이동하게 됩니다. 그룹화 이후 인덱스를 원래 일련 번호 형태로 되돌리려면 reset_index() 메서드를 사용하면 됩니다. groupby() 후 인덱스 재설정 절차 먼저 필요한 라이브러리를 임포트합니다. import pandas as pd 두 개의 열(Car, Reg_Price)을 가진 DataFrame을 생성합니다. dataFrame = pd.DataFrame( { Car: [Audi, Lexus, Audi, Mercedes

Pandas DataFrame에서 특정 열(column)의 분산(variance)을 계산하려면 var() 메서드를 사용하면 됩니다. 이 글에서는 실제 예제를 통해 DataFrame 열 값의 분산을 구하는 방법을 단계별로 살펴보겠습니다.1. Pandas 라이브러리 임포트가장 먼저 필요한 Pandas 라이브러리를 임포트합니다.import pandas as pd2. DataFrame 생성예제에 사용할 두 개의 열(Car, Units)을 가진 DataFrame을 생성합니다.dataFrame1 = pd.DataFrame( {

Pandas에서 두 개의 DataFrame을 하나로 합치려면 merge() 함수를 사용합니다. how 매개변수에 inner 값을 지정하면 두 DataFrame 사이에 내부 조인(Inner Join)이 수행됩니다. 내부 조인은 양쪽 DataFrame에 공통으로 존재하는 키 값만 결과에 포함하고, 한쪽에만 있는 행은 제외하는 병합 방식입니다. 이번 글에서는 두 DataFrame의 공통 열인 Car를 기준으로 내부 조인을 구현해 보겠습니다. how = inner 구현 단계 1. pandas 라이브러리 불러오기 import pandas a

프로그래밍을 하다 보면 한 리스트가 다른 리스트에서 처음 나타나는 지점, 즉 두 리스트가 처음으로 겹치는 요소를 찾아야 하는 경우가 있습니다. 이럴 때 파이썬에서는 set(집합)과 next 메서드를 활용하면 간단하고 효율적으로 해결할 수 있습니다.예제 코드다음은 두 리스트에서 첫 번째로 일치하는 요소를 찾는 예제입니다.my_list_1 = [23, 64, 34, 77, 89, 9, 21] my_list_2 = [64, 10, 18, 11, 0, 21] print(The first list is :) print(my_list_1) p

문자열 리스트의 각 요소에 원하는 크기만큼 공백(스페이스) 패딩을 적용해야 하는 경우가 종종 있습니다. 이럴 때는 빈 리스트, 반복문(for), 그리고 append 메서드를 활용하면 간단하게 해결할 수 있습니다.예제 코드아래는 문자열 리스트의 앞과 뒤에 서로 다른 크기의 공백을 추가하는 예제입니다.my_list = [Python, is, great] print(원본 리스트 :) print(my_list) lead_size = 3 # 앞쪽에 추가할 공백 개수 trail_size = 2 # 뒤쪽에 추가할 공백 개수 my_re

문장에서 정확히 K번 등장하는 모든 단어를 찾아 출력해야 하는 경우가 종종 있습니다. 파이썬에서는 split() 메서드로 문자열을 단어 리스트로 분리하고, count() 메서드로 각 단어의 등장 횟수를 확인한 뒤, 조건에 맞는 단어를 출력하고 remove() 메서드로 리스트에서 제거해 중복 출력을 방지하는 방식으로 간단하게 구현할 수 있습니다.예제 코드다음은 전체 동작 과정을 보여주는 예제입니다.def key_freq_words(my_string, K): my_list = list(my_string.split( ))

리스트의 각 요소에 대한 세제곱 값을 구해야 할 때, 가장 기본적인 방법은 반복문과 append 메서드를 활용하는 것입니다. 이 방법은 코드가 직관적이고 이해하기 쉬워 파이썬 초보자에게도 적합합니다.예제아래는 실제 동작을 보여주는 예제입니다.my_list = [45, 31, 22, 48, 59, 99, 0] print(The list is :) print(my_list) my_result = [] for i in my_list: my_result.append(i*i*i) print(The resultant list is :

Python 프로그래밍을 하다 보면 하나의 리스트를 각 요소가 개별 리스트로 구성된 ‘리스트의 리스트(list of lists)’ 구조로 변환해야 하는 경우가 종종 있습니다. 이때 단계 값(step value)을 기준으로 데이터를 나누어 저장하면 이후 데이터 가공이나 그룹화 작업이 훨씬 수월해집니다.이 글에서는 간단한 반복문과 문자열의 split() 메서드, 그리고 append() 메서드를 활용하여 리스트를 리스트의 리스트로 변환하는 방법을 알아보겠습니다.예제 코드아래는 실제 동작을 확인할 수 있는 전체 예제입니다.def conve