🌟 대한상공회의소 첨단산업 디지털 선도기업 아카데미 🌟― 멘토링 활동 수기 ―멘토링활동을 할 수 있도록 지원과 노력을 아낌없이 주신 대한상공회의소에 감사의 말씀을 전하며 수기를 시작하겠습니다. 멘토링을 하며 평생 기억에 남을만한 소중한 경험들을 하게 되었습니다. 취업 후 회사를 다니면서부터는 또래의 타IT분야 친구들과 네트워킹을 할 수 있는 기회가 없었는데, 멘토링을 통해 목적을 이뤄가면서 팀원들과 성장하고 끈끈해지게 되었습니다.팀원들과 커리어, 재태크, 연애 등 삶의 전반적인 이야기를 하면서 취준할때의 열정이 다시 불타올랐습니다.팀메이트가 더욱 활성화되어 IT분야에 도전하는 분들에게 많은 도움이 되었으면 좋겠네요. ☑️활동 기간2024.7.24 ~ 2024.12.20멘토링 여정의 시작 ― "럭키비키..
4회 기출 1.데이터 분할 df['A'] = df['A'].astype('str') df[' new '] = df['A'].str.split('_').str[0] 2.날짜 변경 및 추출 df['date'] = pd.to_datetime(df['date']) cond1 = df['date'].dt.year #년 찾기 cond2 = df['date'].dt.month #월 찾기
1.오름차순, 내림차순 a = df.sort_values('views', ascending=False).head(10) 오름차순 : 0, 1, 2 (기본) 내림차순: 10, 9, 8 (ascending=False) 2.기술통계 #mean() 평균 #var() 분산 #max 최대 #min 최소 #median 중앙값 #mode 최빈값 #std 표준편차 절댓값 abs 반올림 round( A, 2) 표본표준편차(판다스) 모표준편차(넘파이) np.std(df.f1) 3.이상치 Q1 = np.percentile(a, 25) Q3 = np.percentile(a, 75) IQR = Q3 - Q1 Q1 - 1.5*IQR, Q3 + 1.5*IQR 4.올림, 내림, 버림 #올림 m_ceil = np.ceil(a['age'..
시험에서의 인코딩은 Label Encoding으로 해결 가능 (순서가 있는 소수의 object면 혹시 모르겠지만) from sklearn.preprocessing import LabelEncoder encoder = LableEncoder() X_train['주구매상품'] = encoder.fit_transform(X_train['주구매상품']) X_test['주구매상품'] = encoder.transform(X_train['주구매상품']) #확인용 print(X_train.info()) print(X_test.info())
반드시 암기하도록 하자. 0.모델 사전평가 from sklearn.model_selection import train_test_split X_tr, X_val, Y_tr, Y_val = train_test_split(X_train, y_train, test_size=0.2) from sklearn.ensemble import RandomForestClassifier import numpy as np model = RandomForestClassifier() model.fit(X_tr,np.ravel(Y_tr)) pred = model.predict(X_val) 검증 from sklearn.metrics import accuracy_score print(accuracy_score(Y_val, pred)) ..
def ModelTrain(model, data): #1. X, Y 데이터 분리 Y = data['합격여부'] X = data.drop(columns = ['합격여부']) #2. 학습, 평가 데이터로 분리 x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size = 0.2, stratify = Y, random_state=0) #3. 분리된 데이터의 shape 출력 print([x.shape for x in [x_train, x_test, y_train, y_test]]) #4 학습 모델 선택, 학습 #model = LogisticRegression(max_iter=1000) model.fit(x_train, y_train) #5. 성능 평..
1.데이터 전처리 1) 결측치 확인 (+이상치) -기출에서는 나올확률 적긴함. - 1.너무 많은 결측치 : 컬럼 삭제 2.다른 값으로 채우기 - 범주형 (새로운 범주 생성) / 연속형(평균, 중앙값 사용) 2) 데이터 타입 확인 -데이터 타입은 int, float만 가능 -> object, datetime, timedelta64 등은 적절하게 변경 2.5) 문제지와 data.info()가 일치하는 지 확인 일치하지 않을 시 문제지에 맞추기 3) 데이터 인코딩, 단위 환산, 정규화 등 4) 추가 확인사항(작업형 1에 나올 가능성 有) invalid 값 처리 이상치 처리 데이터 변환(범주화, 정규화, Z-score 정규화, 로그 변환) 데이터 축소 샘플링 5) 분석 데이터셋 준비 (시험에서는 나눠주나 방법은..
1.상관관계확인 df.corr() 입력 변수끼리는 상관관계가 낮은 것이 좋고, 입출력간은 높은 것이 좋다.
1.데이터 전처리 1)데이터 타입 변경하기 데이터 대체 df.replace('\*', '', regex=True) 정수형 변경 df.astype('int64') #정수형으로 변경 날짜형 변경 df.astype('datetime64') # 날짜형으로 변경 pd.to_datetime(df[] , format = '%Y-%m-%d') 2)모든 컬럼의 dtype확인 머신러닝의 컬럼의 dtype은 int 또는 float이여야한다. -범주형 데이터는 LableEncoding 혹은 OnehotEncoding을 통해 수치형으로 변경 -날씨데이터는 dt사용 year, month, day, 등으로 분할하여 Feature로 사용 3.날짜 데이터처리 특정 데이터 뽑아서 컬럼 추가하기 df['year'] = df['daytim..
Label Encoding : 값의 일련번호로 변경 - 순서가 있을 때 유용 - 개수가 적을 때 유용 One Hot Encoding : 범주의 개수만큼 feature를 만들어냄 -순서가 없을 떄 - 개수가 많을 때 Label Encoding #replace가 편함 df[ 'B' ].replace(['남', '여', '아이' ], [0, 1, 2] ) 1.목록확인 df['B'].unique() One Hot Encoding b = pd.get_dummies( df[ 'A' ] )
