2024년의 첫 눈이 오늘 11월 27일 쏟아졌다.사회에서 맞이하는 첫눈이라면 아름답게 볼 수 있었겠지만,군인은 아침부터 제설을 위해 강풍기를 등에 메고 눈을 정리했다.입대 시기상 작년에도 눈을 치웠기에 오늘 내리는 눈을 보니 전역이 얼마 남지 않았다는 것을 실감한다.군대 일과에 대해 이야기 하는 것은 예민한 부분이라 자세하게 기록하지는 못하지만누구나 생각하는 평범한 일과를 하고 있다. 눈 치우고, 운동하고 등등 군대 생활을 하는 동안 계속 다짐하는 말이 있다."너는 돌아갈 곳이 있어 너무 스트레스 받지 말자" 군대에 있으면 각기 다른 환경에서 자라온 사람들이 모이고 수준도 제각각이다.나의 행동 습관이 너무 깐깐하다고 생각하는 사람도 있고 당연하다고 생각하는 사람도 있다.당연히 사소한 마찰들이 많고 때로..

Pandas란?금융 데이터를 계량 분석하기 위해서 개발되었다.패널 데이터(panel data) 구조를 제공하기 위해 Numpy 위에 구성되도록 개발하였으며 넘파이에서 쉽게 사용할 수 있다.CSV, Excel, SQL 등 여러 형식의 데이터를 분석하고 처리할 수 있으며데이터 행과 열의 라벨로 데이터를 분석하고 처리할 수 있다. 특징● 대용량 데이터를 다루기 위해 사용하는 라이브러리● 여러 차원의 데이터를 다룰 수 있음● Numpy는 주로 숫자 정보를 다루는 용도로 사용되지만 Pandas는 다양한 타입의 데이터를 처리하기에 용이함● 각 Column의 이름을 만들거나 형태를 쉽게 변형할 수 있음 Series와 DataFrameSeries: 라벨이 있는 1차원 ArrayDataFrame: 라벨이 있는 2차원 d..

Numpy의 랜던 숫자 생성 기능은 데이터 분석, 시뮬레이션, 머신러닝 등에서 많이 사용된다.numpy.random 모듈을 활용하면 다양한 확률 분포에 따른 난수를 쉽게 생성할 수 있다.numpy.random 모듈은 통계학적 분포를 따르는 난수 뿐만 아니라 여러가지 유용한 랜덤 샘플링 기법을 제공한다.1. np.random.random()● 0 이상 1 미만의 균등분포에서 난수를 생성한다.● np.random.random(size)● size 파라미터로 생성할 배열의 크기를 지정할 수 있다.import numpy as nprand_arr = np.random.random(5)print(rand_arr) ## 출력[0.85737057 0.38114576 0.67098185 0.29898713 0.4312..

Boolean Masking: 조건에 따라 배열의 요소를 선택할 수 있는 Numpy의 기능데이터 분석과 처리에서 자주 사용되며, 특정 조건을 만족하는 요소들을 쉽게 필터링할 수 있다. Boolean mask: True와 False로 이루어진 배열mask 배열을 원본 배열에 적용하면 True에 해당하는 요소들만 선택되어 필터링 된다.element-wise로 대응해 처리하기 때문에 원본 배열과 masking배열의 shape은 같아야한다.import numpy as nparr = np.array([10, 15, 20, 25, 30])mask = arr > 20 # masking배열 생성newArr = arr[mask] # 원본 배열에 masking배열 적용print(newArr)## 출력[25,30] 다음..

1. 1차원 Array Indexing1) Indexing일반적인 파이썬에서 리스트를 인덱싱하는 방법과 동일하다크기가 N인 Array가 있다면 []를 활용해 0번 ~ N-1번까지 인덱싱 할 수 있다.반대로 뒤에서부터 인덱싱을 하고 싶다면 -1번 ~ -N번까지 인덱싱 할 수 있다.array_one = np.arange(1,11)print(f'array_one[0]: {array_one[0]}')print(f'array_one[5]: {array_one[5]}')print(f'array_one[9]: {array_one[9]}')print(f'array_one[-5]: {array_one[-5]}')print(f'array_one[-1]: {array_one[-1]}')## 출력array_one[0]: 1a..

다음의 세 가지 과정을 통해 Broadcasting에 대해 알아보자.1) 일차원 배열  + 스칼라2) 2차원 배열 + 일차원 배열3) Broadcasting 1. 1차원 배열 + 스칼라a = np.arange(4)s = 10b = a + sprint(a.shape)print(b.shape)## 출력(4,)(4,) 앞선 포스팅에서도 언급했지만 Vectorization을 통해 연산이 빠르게 수행된다. 2. 2차원 배열 + 1차원 배열a = np.arange(8).reshape(2,4)b = np.arange(4)c = a+bprint(f'a.shape:{a.shape}, b.shape:{b.shape}')print(f'c.shape:{c.shape}')## 출력a.shape:(2, 4), b.shape:(4..