나를 찾아가는 길

seoul['date']=pd.to_datetime(seoul['날짜'],format='%Y-%m-%d') seoul['year'] = seoul.date.dt.year #연도 seoul['month'] = seoul.date.dt.month #월 seoul['day'] = seoul.date.dt.day #일 seoul['week'] = seoul.date.dt.day_name() # 요일

del data_frame['연봉'] #열삭제 data_frame.drop([24,25],inplace=True) #인덱스로 행삭제 data_frame.drop(columns='성별',axis=1,inplace=True) #컬럼명으로 열 삭제 data_iris.drop(index = outlierss, inplace=True) #인덱스로 행 삭제

3가지 fomatting 방법 정리 : 1. f-string 포매팅: a = 1 b = 2 result = a + b print(f'{a} + {b}의 합은 {result}입니다.') 출력결과 : 1 + 2의 합은 3입니다. 번외: 정렬: str1 = 'left' print(f'|{str1:10}|') # > 오른쪽정렬 중괄호 출력: a = 2 print(f'a is {{a}},{{{a}}}') 2. %포매팅: %s : string %d : 정수 %f : float a = 3 b = 5 str = '연산' add = a+b div = a/b print(' %s을 해보자! 합 : %d, 나눈 값: %.2f'%(str, add, div)) 3. str.format : a = 1 b = 2 result = a..

parameter : 모집단의 특성을 나타내는 모수. ( 파라미터를 매개변수라고 많이 부르는데 모수가 더 정확한 표현이라고 한다.) 평균값, 분산, 중앙값, weight coefficient (가중치), bias(편의) 등등→ 조정 불가 hyper parameter : epoch, learning rate 등 더 좋은 예측 결과를 위해 조정을 할 수 있는 파라미터. → 직접 조정 가능 보통 가중치(기울기) 변화를 주기 위해 하이퍼 파라미터를 조정 → 가중치 변화율 관찰 → 더 좋은 예측 결과 찾아내기의 여정. 학습하는 동안 적용할 규제의 양은 하이퍼파라미터가 결정한다. 하이퍼파라미터는 (모델이 아니라) 학습 알고리즘의 파라미터. 학습 알고리즘으로부터 영향을 받지 않으며, 훈련 전에 미리 지정되고, 훈련하..

Markdown cell에 # Table of Contents - [1. Data import](#1.-Data-import) - [2. Columns](#2.-Columns) - [2.1 hello](#2.1-hello) ## 1. Data import ## 2. Columns ## 2.1 hello 작성하면서 수작업으로 목차 생성하기 (짠내난다...) markdown toc 확장프로그램 설치하긴 했는데 어떻게 하는지 모르겠다...

Step 1. nbextensions라는 패키지를 설치 !pip install jupyter_contrib_nbextensions Step 2. notebook 확장자 jupyter 서버에 등록 !jupyter nbextensions_configurator enable --user

pd.options.display.float_format = '{:.5f}'.format

코딩 테스트 준비를 위해서 혼자 독학으로 알고리즘 공부를 해보려고 여기저기 찾아보던 찰나 유데미를 알게되었어요. 글로벌 최대 온라인 강의 플랫폼으로서 유데미에는 굉장히 다양한 영역의 강의들이 정말 많더라고요. 심지어 강의 내용도 고퀄이어서 듣는데 정말 많은 도움이 되었어요. 저렴한 비용으로 이렇게 양질의 강의를 들을 수 있다니...! 가성비 매우 좋음.bb 다양한 카테고리의 강의들을 보유한 유데미! 가성비 좋은 고퀄리티의 강의! 평생소장! 원하는 분야의 교육은 왠만하면 유데미에서 다 찾아볼 수 있을정도. 외국어면 외국어, 코딩이면 코딩, 마케팅, 시간관리, 음악, 디자인 등등 다양한 분야의 전문가들의 고퀄리티 강의 수강 가능!! PC+모바일앱에서 수강 가능하니까 언제 어디서든 수강이 가능하다는 장점이 있..

import pandas as pd df = pd.read_stata('파일경로/파일명.dta')

[통계학 복습 중] 머신러닝 할 때 기계가 이해할 수 있도록 모든 데이터를 수치로 변환해주는 전처리 작업 필수! 통계학에서는 더미변수화라고 칭하고, AI분야에서는 흔히 One-Hot Encoding이라고 부른다. **더미변수: 0과 1만을 값으로 가지고 어떤 특징이 있는지 없는지 표시. 계절, 연령대 등 범주형 데이터 처리 시 활용.) 수치형 데이터로 변환 (0,1,2,3,4) 가변수화 (더미변수 → 가변수화) 단순히 수치형 데이터로만 변환하게 되면 데이터 간의 관계성이 발생한다. 예를 들어, spring =0, summer =1 , autumn =2, winter = 3 이라고 수치형 데이터로 변환했을 때, 1+3 /2 = 2 라는 수치형 연산이 가능해짐. 하지만 summer와 winter의 평균이 a..