갭마인더 데이터 집합 불러오기¶

판다스는 데이터프레임과 시리즈라는 자료형과 데이터 분석을 위한 다양한 기능을 제공하는 파이썬 라이브러리

1) 데이터 프레임(df)¶

가로축과 세로축이 있는 엑셀과 유사한 데이터 구조
가로축: 로우(행) / 새로축 : 컬럼(열)
데이터프레임은 시리즈의 결합체

2) 시리즈¶

데이터 프레임의 컬럼은 모두 시리즈
시리즈는 데이터 가공 및 분석이 파이썬 리스트 보다 훨씬 쉬움

In [1]:

import pandas as pd

In [2]:

 
      df = pd.read_csv('../data/gapminder.tsv', sep='\t')
df

Out[2]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
1	Afghanistan	Asia	1957	30.332	9240934	820.853030
2	Afghanistan	Asia	1962	31.997	10267083	853.100710
3	Afghanistan	Asia	1967	34.020	11537966	836.197138
4	Afghanistan	Asia	1972	36.088	13079460	739.981106
...	...	...	...	...	...	...
1699	Zimbabwe	Africa	1987	62.351	9216418	706.157306
1700	Zimbabwe	Africa	1992	60.377	10704340	693.420786
1701	Zimbabwe	Africa	1997	46.809	11404948	792.449960
1702	Zimbabwe	Africa	2002	39.989	11926563	672.038623
1703	Zimbabwe	Africa	2007	43.487	12311143	469.709298

1704 rows × 6 columns

In [3]:

df.head()  # 데이터 처음 5개를 보여줌

Out[3]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
1	Afghanistan	Asia	1957	30.332	9240934	820.853030
2	Afghanistan	Asia	1962	31.997	10267083	853.100710
3	Afghanistan	Asia	1967	34.020	11537966	836.197138
4	Afghanistan	Asia	1972	36.088	13079460	739.981106

In [4]:

df.tail()  # 데이터 뒤에서 5개 보여줌

Out[4]:

	country	continent	year	lifeExp	pop	gdpPercap
1699	Zimbabwe	Africa	1987	62.351	9216418	706.157306
1700	Zimbabwe	Africa	1992	60.377	10704340	693.420786
1701	Zimbabwe	Africa	1997	46.809	11404948	792.449960
1702	Zimbabwe	Africa	2002	39.989	11926563	672.038623
1703	Zimbabwe	Africa	2007	43.487	12311143	469.709298

In [5]:

type(df)

Out[5]:

pandas.core.frame.DataFrame

In [6]:

 
      print(df.shape)  # 행, 열
print(df.shape[0])
print(df.shape[1])

(1704, 6)
1704
6

In [7]:

print(df.columns)

Index(['country', 'continent', 'year', 'lifeExp', 'pop', 'gdpPercap'], dtype='object')

In [8]:

print(df.dtypes)

country       object
continent     object
year           int64
lifeExp      float64
pop            int64
gdpPercap    float64
dtype: object

In [9]:

print(df.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1704 entries, 0 to 1703
Data columns (total 6 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   country    1704 non-null   object 
 1   continent  1704 non-null   object 
 2   year       1704 non-null   int64  
 3   lifeExp    1704 non-null   float64
 4   pop        1704 non-null   int64  
 5   gdpPercap  1704 non-null   float64
dtypes: float64(2), int64(2), object(2)
memory usage: 80.0+ KB
None

열 단위로 데이터 추출¶

In [10]:

 
      country_df = df['country']
type(country_df)

Out[10]:

pandas.core.series.Series

In [11]:

country_df

Out[11]:

0       Afghanistan
1       Afghanistan
2       Afghanistan
3       Afghanistan
4       Afghanistan
           ...     
1699       Zimbabwe
1700       Zimbabwe
1701       Zimbabwe
1702       Zimbabwe
1703       Zimbabwe
Name: country, Length: 1704, dtype: object

In [12]:

 
      print(country_df.tail())   # 뒤에 5개
country_df.head()   # 앞에 5개

1699    Zimbabwe
1700    Zimbabwe
1701    Zimbabwe
1702    Zimbabwe
1703    Zimbabwe
Name: country, dtype: object

Out[12]:

0    Afghanistan
1    Afghanistan
2    Afghanistan
3    Afghanistan
4    Afghanistan
Name: country, dtype: object

In [13]:

 
      subset = df[['country', 'continent', 'year']]
print(subset)
print(type(subset))

          country continent  year
0     Afghanistan      Asia  1952
1     Afghanistan      Asia  1957
2     Afghanistan      Asia  1962
3     Afghanistan      Asia  1967
4     Afghanistan      Asia  1972
...           ...       ...   ...
1699     Zimbabwe    Africa  1987
1700     Zimbabwe    Africa  1992
1701     Zimbabwe    Africa  1997
1702     Zimbabwe    Africa  2002
1703     Zimbabwe    Africa  2007

[1704 rows x 3 columns]
<class 'pandas.core.frame.DataFrame'>

In [14]:

 
      print(subset.head())
subset.tail()

       country continent  year
0  Afghanistan      Asia  1952
1  Afghanistan      Asia  1957
2  Afghanistan      Asia  1962
3  Afghanistan      Asia  1967
4  Afghanistan      Asia  1972

Out[14]:

	country	continent	year
1699	Zimbabwe	Africa	1987
1700	Zimbabwe	Africa	1992
1701	Zimbabwe	Africa	1997
1702	Zimbabwe	Africa	2002
1703	Zimbabwe	Africa	2007

3) loc 속성으로 행 단위 데이터 추출¶

loc은 데이터 프레임의 인덱스를 기준으로 데이터 추출
iloc은 데이터 순서를 의미하는 행 번호를 기준으로 데이터 추출

In [15]:

df.head()

Out[15]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
1	Afghanistan	Asia	1957	30.332	9240934	820.853030
2	Afghanistan	Asia	1962	31.997	10267083	853.100710
3	Afghanistan	Asia	1967	34.020	11537966	836.197138
4	Afghanistan	Asia	1972	36.088	13079460	739.981106

In [16]:

df.loc[0]

Out[16]:

country      Afghanistan
continent           Asia
year                1952
lifeExp           28.801
pop              8425333
gdpPercap     779.445314
Name: 0, dtype: object

In [17]:

df.loc[99]  # 100번째 데이터

Out[17]:

country      Bangladesh
continent          Asia
year               1967
lifeExp          43.453
pop            62821884
gdpPercap    721.186086
Name: 99, dtype: object

In [18]:

# df.loc[-1]  # 인덱스에 없는 값을 사용하면 오류 발생

In [19]:

 
      # 마지막 행의 인덱스 추출

number_of_rows = df.shape[0]    # 행 출력
print(number_of_rows)

last_row_index = number_of_rows - 1   # 인덱스는 0으로 시작하기 때문에 -1
print(df.loc[last_row_index])   # 마지막 인덱스 출력

1704
country        Zimbabwe
continent        Africa
year               2007
lifeExp          43.487
pop            12311143
gdpPercap    469.709298
Name: 1703, dtype: object

In [20]:

print(df.tail(n=1))

       country continent  year  lifeExp       pop   gdpPercap
1703  Zimbabwe    Africa  2007   43.487  12311143  469.709298

In [21]:

print(df.tail(3))

       country continent  year  lifeExp       pop   gdpPercap
1701  Zimbabwe    Africa  1997   46.809  11404948  792.449960
1702  Zimbabwe    Africa  2002   39.989  11926563  672.038623
1703  Zimbabwe    Africa  2007   43.487  12311143  469.709298

In [22]:

df.loc[[0,99,999]]

Out[22]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
99	Bangladesh	Asia	1967	43.453	62821884	721.186086
999	Mongolia	Asia	1967	51.253	1149500	1226.041130

4) tail 메서드와 loc 속성이 반환하는 자료형은 다름¶

In [23]:

 
      subset_loc = df.loc[0]
subset_tail = df.tail(n=1)
print(subset_loc)
print(subset_tail)
print(type(subset_loc))
print(type(subset_tail))
 
     

country      Afghanistan
continent           Asia
year                1952
lifeExp           28.801
pop              8425333
gdpPercap     779.445314
Name: 0, dtype: object
       country continent  year  lifeExp       pop   gdpPercap
1703  Zimbabwe    Africa  2007   43.487  12311143  469.709298
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>

5) iloc 속성으로 행 데이터 추출¶

In [24]:

df.head()

Out[24]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
1	Afghanistan	Asia	1957	30.332	9240934	820.853030
2	Afghanistan	Asia	1962	31.997	10267083	853.100710
3	Afghanistan	Asia	1967	34.020	11537966	836.197138
4	Afghanistan	Asia	1972	36.088	13079460	739.981106

In [25]:

print(df.iloc[1])

country      Afghanistan
continent           Asia
year                1957
lifeExp           30.332
pop              9240934
gdpPercap      820.85303
Name: 1, dtype: object

In [26]:

print(df.iloc[99])

country      Bangladesh
continent          Asia
year               1967
lifeExp          43.453
pop            62821884
gdpPercap    721.186086
Name: 99, dtype: object

In [27]:

 
      print(df.iloc[-1])   # iloc 속성은 음수를 사용해도 데이터를 추출 가능
                     # -1을 전달 마지막 행 데이터를 추출

country        Zimbabwe
continent        Africa
year               2007
lifeExp          43.487
pop            12311143
gdpPercap    469.709298
Name: 1703, dtype: object

In [28]:

 
      # iloc도 loc 속성처럼 원하는 데이터의 행 번호를 리스트에 담아 전달하면 됨
df.iloc[[0,99,999]]

Out[28]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
99	Bangladesh	Asia	1967	43.453	62821884	721.186086
999	Mongolia	Asia	1967	51.253	1149500	1226.041130

6) 데이터 추출하기¶

슬라이싱 구문
range 메서드

6-1) 슬라이싱 구문으로 데이터 추출하기¶

In [29]:

 
      # loc : 문자열 리스트 전달
subset = df.loc[:, ['year', 'pop']]
subset.head()

Out[29]:

	year	pop
0	1952	8425333
1	1957	9240934
2	1962	10267083
3	1967	11537966
4	1972	13079460

In [30]:

 
      # iloc : 정수 리스트 전달
subset = df.iloc[:, [2, 4, -1]]
subset.head()

Out[30]:

	year	pop	gdpPercap
0	1952	8425333	779.445314
1	1957	9240934	820.853030
2	1962	10267083	853.100710
3	1967	11537966	836.197138
4	1972	13079460	739.981106

6-2) range 메서드로 원하는 데이터 추출하기¶

In [31]:

 
      small_range = list(range(5))
print(small_range)

[0, 1, 2, 3, 4]

In [32]:

print(type(small_range))

<class 'list'>

In [33]:

 
      print(df.head())
subset = df.iloc[:, small_range]
print(subset)

       country continent  year  lifeExp       pop   gdpPercap
0  Afghanistan      Asia  1952   28.801   8425333  779.445314
1  Afghanistan      Asia  1957   30.332   9240934  820.853030
2  Afghanistan      Asia  1962   31.997  10267083  853.100710
3  Afghanistan      Asia  1967   34.020  11537966  836.197138
4  Afghanistan      Asia  1972   36.088  13079460  739.981106
          country continent  year  lifeExp       pop
0     Afghanistan      Asia  1952   28.801   8425333
1     Afghanistan      Asia  1957   30.332   9240934
2     Afghanistan      Asia  1962   31.997  10267083
3     Afghanistan      Asia  1967   34.020  11537966
4     Afghanistan      Asia  1972   36.088  13079460
...           ...       ...   ...      ...       ...
1699     Zimbabwe    Africa  1987   62.351   9216418
1700     Zimbabwe    Africa  1992   60.377  10704340
1701     Zimbabwe    Africa  1997   46.809  11404948
1702     Zimbabwe    Africa  2002   39.989  11926563
1703     Zimbabwe    Africa  2007   43.487  12311143

[1704 rows x 5 columns]

In [34]:

 
      small_range = list(range(3,6))
print(small_range)

[3, 4, 5]

In [35]:

 
      subset = df.iloc[:, small_range]
print(subset.head())

   lifeExp       pop   gdpPercap
0   28.801   8425333  779.445314
1   30.332   9240934  820.853030
2   31.997  10267083  853.100710
3   34.020  11537966  836.197138
4   36.088  13079460  739.981106

6-3) 0~5까지 2만큼 건너뛰는 제네레이터 생성¶

In [36]:

df.head()

Out[36]:

	country	continent	year	lifeExp	pop	gdpPercap
0	Afghanistan	Asia	1952	28.801	8425333	779.445314
1	Afghanistan	Asia	1957	30.332	9240934	820.853030
2	Afghanistan	Asia	1962	31.997	10267083	853.100710
3	Afghanistan	Asia	1967	34.020	11537966	836.197138
4	Afghanistan	Asia	1972	36.088	13079460	739.981106

In [37]:

 
      small_range = list(range(0,6,2))
print(small_range)
subset = df.iloc[:, small_range]
print(subset.head())

[0, 2, 4]
       country  year       pop
0  Afghanistan  1952   8425333
1  Afghanistan  1957   9240934
2  Afghanistan  1962  10267083
3  Afghanistan  1967  11537966
4  Afghanistan  1972  13079460

6-4) 슬라이싱, range 메서드 비교하기¶

In [38]:

 
      subset = df.iloc[:, :3]  # list(range(3))과 동일
print(subset.head())

       country continent  year
0  Afghanistan      Asia  1952
1  Afghanistan      Asia  1957
2  Afghanistan      Asia  1962
3  Afghanistan      Asia  1967
4  Afghanistan      Asia  1972

In [39]:

 
      subset = df.iloc[:, 0:6:2]  # list(range(0,6,2))과 동일
print(subset.head())

       country  year       pop
0  Afghanistan  1952   8425333
1  Afghanistan  1957   9240934
2  Afghanistan  1962  10267083
3  Afghanistan  1967  11537966
4  Afghanistan  1972  13079460

6-5) loc, iloc 속성 자유자재로 사용하기¶

In [40]:

 
      # 0, 99, 999행의 0, 3, 5번째 열 데이터 추출
print(df.iloc[[0,99,999], [0,3,5]])

         country  lifeExp    gdpPercap
0    Afghanistan   28.801   779.445314
99    Bangladesh   43.453   721.186086
999     Mongolia   51.253  1226.041130

In [41]:

 
      # 0, 99, 999행의 'country', 'lifeExp', 'gdpPercap' 열 데이터 추출
print(df.loc[[0,9,999], ['country', 'lifeExp', 'gdpPercap']])

         country  lifeExp    gdpPercap
0    Afghanistan   28.801   779.445314
9    Afghanistan   41.763   635.341351
999     Mongolia   51.253  1226.041130

In [42]:

 
      # 10~13 행의 'country', 'lifeExp', 'gdpPercap' 열 데이터 추출

print(df.loc[10:13, ['country', 'lifeExp', 'gdpPercap']])

        country  lifeExp    gdpPercap
10  Afghanistan   42.129   726.734055
11  Afghanistan   43.828   974.580338
12      Albania   55.230  1601.056136
13      Albania   59.280  1942.284244

7) 그룹화한 데이터 평균 구하기¶

7-1) lifeExp 열을 연도별로 그룹화하여 평균 계산하기¶

In [43]:

print(df.head(n=10))

       country continent  year  lifeExp       pop   gdpPercap
0  Afghanistan      Asia  1952   28.801   8425333  779.445314
1  Afghanistan      Asia  1957   30.332   9240934  820.853030
2  Afghanistan      Asia  1962   31.997  10267083  853.100710
3  Afghanistan      Asia  1967   34.020  11537966  836.197138
4  Afghanistan      Asia  1972   36.088  13079460  739.981106
5  Afghanistan      Asia  1977   38.438  14880372  786.113360
6  Afghanistan      Asia  1982   39.854  12881816  978.011439
7  Afghanistan      Asia  1987   40.822  13867957  852.395945
8  Afghanistan      Asia  1992   41.674  16317921  649.341395
9  Afghanistan      Asia  1997   41.763  22227415  635.341351

In [44]:

 
      print(df.groupby('year')['lifeExp'].mean())   # 연도에 따른 기대수명 평균

year
1952    49.057620
1957    51.507401
1962    53.609249
1967    55.678290
1972    57.647386
1977    59.570157
1982    61.533197
1987    63.212613
1992    64.160338
1997    65.014676
2002    65.694923
2007    67.007423
Name: lifeExp, dtype: float64

In [45]:

 
      grouped_year_df = df.groupby('year')
print(type(grouped_year_df))

<class 'pandas.core.groupby.generic.DataFrameGroupBy'>

In [46]:

 
      # 연도별로 그룹화한 데이터는 df 형태로 메모리 (0x~~)에 저장되어 있음
print(grouped_year_df)

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000027343CA5990>

In [47]:

 
      # 그룹화한 df에서 lifeExp 열을 추출하면 그룹화한 시리즈를 얻을 수 있음
grouped_year_df_lifeExp = grouped_year_df['lifeExp']
print(grouped_year_df_lifeExp)

<pandas.core.groupby.generic.SeriesGroupBy object at 0x0000027343CA4B50>

In [48]:

 
      mean_lifeExp_by_year = grouped_year_df_lifeExp.mean()
print(mean_lifeExp_by_year)

year
1952    49.057620
1957    51.507401
1962    53.609249
1967    55.678290
1972    57.647386
1977    59.570157
1982    61.533197
1987    63.212613
1992    64.160338
1997    65.014676
2002    65.694923
2007    67.007423
Name: lifeExp, dtype: float64

7-2) lifeExp, gdpPercap 열의 평균값을 연도, 지역별로 그룹화하여 계산¶

In [49]:

 
      multi_group_var = df.groupby(['year', 'continent'])[['lifeExp', 'gdpPercap']].mean()

In [50]:

multi_group_var

Out[50]:

		lifeExp	gdpPercap
year	continent
1952	Africa	39.135500	1252.572466
	Americas	53.279840	4079.062552
	Asia	46.314394	5195.484004
	Europe	64.408500	5661.057435
	Oceania	69.255000	10298.085650
1957	Africa	41.266346	1385.236062
	Americas	55.960280	4616.043733
	Asia	49.318544	5787.732940
	Europe	66.703067	6963.012816
	Oceania	70.295000	11598.522455
1962	Africa	43.319442	1598.078825
	Americas	58.398760	4901.541870
	Asia	51.563223	5729.369625
	Europe	68.539233	8365.486814
	Oceania	71.085000	12696.452430
1967	Africa	45.334538	2050.363801
	Americas	60.410920	5668.253496
	Asia	54.663640	5971.173374
	Europe	69.737600	10143.823757
	Oceania	71.310000	14495.021790
1972	Africa	47.450942	2339.615674
	Americas	62.394920	6491.334139
	Asia	57.319269	8187.468699
	Europe	70.775033	12479.575246
	Oceania	71.910000	16417.333380
1977	Africa	49.580423	2585.938508
	Americas	64.391560	7352.007126
	Asia	59.610556	7791.314020
	Europe	71.937767	14283.979110
	Oceania	72.855000	17283.957605
1982	Africa	51.592865	2481.592960
	Americas	66.228840	7506.737088
	Asia	62.617939	7434.135157
	Europe	72.806400	15617.896551
	Oceania	74.290000	18554.709840
1987	Africa	53.344788	2282.668991
	Americas	68.090720	7793.400261
	Asia	64.851182	7608.226508
	Europe	73.642167	17214.310727
	Oceania	75.320000	20448.040160
1992	Africa	53.629577	2281.810333
	Americas	69.568360	8044.934406
	Asia	66.537212	8639.690248
	Europe	74.440100	17061.568084
	Oceania	76.945000	20894.045885
1997	Africa	53.598269	2378.759555
	Americas	71.150480	8889.300863
	Asia	68.020515	9834.093295
	Europe	75.505167	19076.781802
	Oceania	78.190000	24024.175170
2002	Africa	53.325231	2599.385159
	Americas	72.422040	9287.677107
	Asia	69.233879	10174.090397
	Europe	76.700600	21711.732422
	Oceania	79.740000	26938.778040
2007	Africa	54.806038	3089.032605
	Americas	73.608120	11003.031625
	Asia	70.728485	12473.026870
	Europe	77.648600	25054.481636
	Oceania	80.719500	29810.188275

7-3) 그룹화한 데이터의 개수 세기¶

In [51]:

print(df.groupby('continent')['country'].nunique())  # 빈도수

continent
Africa      52
Americas    25
Asia        33
Europe      30
Oceania      2
Name: country, dtype: int64

7-4) 그래프 그리기¶

In [72]:

%matplotlib

Using matplotlib backend: QtAgg

In [73]:

 
      import matplotlib.pyplot as plt
aa = df.groupby('year')['lifeExp'].mean()
print(aa)

year
1952    49.057620
1957    51.507401
1962    53.609249
1967    55.678290
1972    57.647386
1977    59.570157
1982    61.533197
1987    63.212613
1992    64.160338
1997    65.014676
2002    65.694923
2007    67.007423
Name: lifeExp, dtype: float64

In [74]:

aa.plot()

Out[74]:

<Axes: xlabel='year'>

In [79]:

multi_group_var.plot()

Out[79]:

<Axes: xlabel='year,continent'>

[23.06.12] Python Series, DataFrame - 07(4) (0)	2023.06.12
[23.06.12] Python pandas - 07(3) (0)	2023.06.12
[23.06.12] Python pandas - 07(1) (0)	2023.06.12
[23.06.09] Python 객체 지향, 모듈 (야구 게임 만들기) - 06(2) (0)	2023.06.09
[23.06.09] Python 객체 지향, 모듈 - 06(1) (2)	2023.06.09

Woogi

[23.06.12] Python pandas - 07(2)

갭마인더 데이터 집합 불러오기¶

1) 데이터 프레임(df)¶

2) 시리즈¶

열 단위로 데이터 추출¶

3) loc 속성으로 행 단위 데이터 추출¶

4) tail 메서드와 loc 속성이 반환하는 자료형은 다름¶

5) iloc 속성으로 행 데이터 추출¶

6) 데이터 추출하기¶

6-1) 슬라이싱 구문으로 데이터 추출하기¶

6-2) range 메서드로 원하는 데이터 추출하기¶

6-3) 0~5까지 2만큼 건너뛰는 제네레이터 생성¶

6-4) 슬라이싱, range 메서드 비교하기¶

6-5) loc, iloc 속성 자유자재로 사용하기¶

7) 그룹화한 데이터 평균 구하기¶

7-1) lifeExp 열을 연도별로 그룹화하여 평균 계산하기¶

7-2) lifeExp, gdpPercap 열의 평균값을 연도, 지역별로 그룹화하여 계산¶

7-3) 그룹화한 데이터의 개수 세기¶

7-4) 그래프 그리기¶

'데이터분석' 카테고리의 다른 글

'데이터분석'의 다른글

티스토리툴바

[23.06.12] Python pandas - 07(2)

갭마인더 데이터 집합 불러오기¶

1) 데이터 프레임(df)¶

2) 시리즈¶

열 단위로 데이터 추출¶

3) loc 속성으로 행 단위 데이터 추출¶

4) tail 메서드와 loc 속성이 반환하는 자료형은 다름¶

5) iloc 속성으로 행 데이터 추출¶

6) 데이터 추출하기¶

6-1) 슬라이싱 구문으로 데이터 추출하기¶

6-2) range 메서드로 원하는 데이터 추출하기¶

6-3) 0~5까지 2만큼 건너뛰는 제네레이터 생성¶

6-4) 슬라이싱, range 메서드 비교하기¶

6-5) loc, iloc 속성 자유자재로 사용하기¶

7) 그룹화한 데이터 평균 구하기¶

7-1) lifeExp 열을 연도별로 그룹화하여 평균 계산하기¶

7-2) lifeExp, gdpPercap 열의 평균값을 연도, 지역별로 그룹화하여 계산¶

7-3) 그룹화한 데이터의 개수 세기¶

7-4) 그래프 그리기¶

'데이터분석' 카테고리의 다른 글

'데이터분석'의 다른글

관련글

티스토리툴바