[DS_study] pandas dataframe 조건식, 칼럼 추가, 수정, isin(), 제거, 함수 적용

이전 게시물에 이어서 정리합니다.

 

1.  조건식

 

df['A'] > 0            # 칼럼 A에서 0보다 큰 숫자인지 boolean으로 반환합니다.

 

df[df['A']>0]                # 마스킹한다라고 합니다. df의 A 열 중 0보다 큰 값을 반환합니다.

df[df>0]             #  df 안에서 0보다 큰 값을 반환합니다. 0보다 작은 값은 비워서 반환합니다.

 

 

2. 칼럼 추가, 수정

 

df['E'] = ["one","one","two","three","four","five"]          # 칼럼 E를 추가합니다.

 

 

df['E'] = ["one","one","two","three","four","new"]   # 수정

마치 리스트에서 요소 바꾸는거 같네요.

 

 

3. 특정 요소가 있는지 확인  (  isin()  )

 

df['E'].isin(["two"])              # 칼럼 E 안에 two가 있는지 봅니다.

 

df[["E"]].isin(['two'])            # 테이블을 만들어서 보여줍니다.

 

df['E'].isin(['two','four'])      # two 와 four 가 있는지 확인합니다.

 

df[df['E'].isin(['two','four'])]        # 조건식을 마스킹해주면, 조건에 해당하는 value를 반환합니다.

 

4. 특정 칼럼 제거 ( del, drop )

 

del df['E']            # E 열을 삭제 합니다.

* '' 로 해도 오류 안납니다. 잘못 알고 저렇게 써놨어요

 

#axis = 0 가로, axis = 1 세로 (axis = 0 이 default)
df.drop(["D"])         # 행에는 'D' 가 없기 때문에 오류가 납니다.

 

df.drop(['D'], axis=1)       # axis=1 이면 열 입니다. D 열을 제거 합니다.

 

 

df.drop("20210105")         # axis = 0 이 default, 01-05 행이 제거됩니다.

엥 근데 D가 제거가 안되어 있습니다. drop 은 비 파괴적 처리로, inplace = True를 넣어야 원본 데이터에 반영되는 모양입니다.

 

 

df.drop("20210105",inplace=True)               #원본 데이터에 반영
df

01-05 행이 사라져있습니다.

 

 

5. 함수 사용 (  apply()  )

apply() 는 데이터 프레임에 함수 기능을 적용해주는 메소드라고 합니다.

 

# 기본 내장 함수
df['A'].apply("sum")
df['A'].apply("mean")
df['A'].apply("max"), df['A'].apply("min")
df[["A","D"]].apply("sum")

 

 

# pandas가 numpy 기반으로 된 라이브러리이기 때문에 넘파이의 대부분 함수는 다 적용될 수 있다.
df['A'].apply(np.sum)
df.apply(np.sum)

df['A'].apply(np.mean)
df.apply(np.mean)

df['A'].apply(np.std)
df.apply(np.std)

 

 

# 함수를 만들어서 적용시킬 수도 있습니다.
def plusminus(num):
	return 'plus' if num>0 else 'minus'

df['A'].apply(plusminus)


# lambda도 물론 가능합니다.
df['A'].apply(lambda num : 'plus' if num>0 else 'minus')

 

 

 

🌮 배운 코드 정리

# 조건식
df['A'] > 0                  # 칼럼 A에서 0보다 큰 숫자인지 boolean으로 반환합니다.
df[df['A']>0]                # 마스킹한다라고 합니다. df의 A 열 중 0보다 큰 값을 반환합니다.
df[df>0]                     #  df 안에서 0보다 큰 값을 반환합니다. 0보다 작은 값은 비워서 반환합니다.

# 칼럼 수정 또는 추가
df['E'] = ["one","one","two","three","four","five"]        # 6행인 칼럼 E를 추가 또는 수정합니다.

# 칼럼 안에 요소가 있는지 확인
df['E'].isin(["two"])                   # 칼럼 E 안에 two가 있는지 봅니다.
df['E'].isin(['two','four'])            # two 와 four 가 있는지 확인합니다.
df[df['E'].isin(['two','four'])]        # 조건식을 마스킹해주면, 조건에 해당하는 value를 반환합니다.

# 칼럼 제거
del df['E']            # E 열을 삭제 합니다. (파괴적 처리)

# 칼럼 또는 행 제거
df.drop(["D"])  #<---------- 에러, 행에는 'D' 가 없기 때문에 오류가 납니다.
df.drop(['D'], axis=1)       # axis=1 이면, D 열을 제거 합니다.
df.drop("20210105")          # axis = 0 이 default 입니다. 01-05 행이 제거됩니다.
df.drop("20210105",inplace=True)         # inplace=True 가 있어야 원본 데이터에 반영됩니다.

# 기본 내장 함수 적용
df['A'].apply("sum")                                # A 열 합
df['A'].apply("mean")                               # A 열 평균
df['A'].apply("max"), df['A'].apply("min")          # A 열 최댓값, 최솟값
df[["A","D"]].apply("sum")                          # A 열 합, D 열 합

# pandas가 numpy 기반으로 된 라이브러리이기 때문에 넘파이의 대부분 함수는 다 적용될 수 있다.
df['A'].apply(np.sum)                # A 열 하나이기 때문에 A열 그대로 나온다.
df.apply(np.sum)                     # 각 열의 합

df['A'].apply(np.mean)               # A 열 하나이기 때문에 A열 그대로 나온다.
df.apply(np.mean)                    # 각 열의 평균

df['A'].apply(np.std)                # A 열 하나이기 때문에 표준편차는 0이다.
df.apply(np.std)                     # 각 열의 표준편차

# 함수를 만들어서 적용시킬 수도 있습니다.
def plusminus(num):
	return 'plus' if num>0 else 'minus'

df['A'].apply(plusminus)                                     # 각 value에 대해 함수 적용

# lambda도 물론 가능합니다.
df['A'].apply(lambda num : 'plus' if num>0 else 'minus')     # 각 value에 대해 함수 적용