판다스(Pandas) 데이터 구조 알아보기

목차

판다스(Pandas) 데이터 구조 알아보기

---

판다스(Pandas)는 python으로 만들어진 데이터 처리 및 분석을 위한 라이브러리입니다.

 

판다스 데이터 구조를 알아보기 위해선 아래와 같이 모듈을 import 합니다.

import pandas as pd
import numpy as np

 

 

데이터 구조

---

Pandas에서 데이터를 저장하기 위한 객체로 DataFrame과 Series가 있습니다.

 

DataFrame

Pandas에서는 데이터 테이블을 DataFrame이라고 합니다.

column label(파란색 블록), row label(노란색 블록), data(회색 블록)

DataFrame은 column label과 row label(=index)를 가지고 있는 2차원 배열 구조입니다.

열에는 다양한 유형의 데이터(문자, 정수, 부동 소수점, 범주형 데이터 등)를 저장할 수 있습니다.

 

DataFrame을 생성하는 방법은 다음과 같습니다.

dictionary를 이용한 방식

d = {'col1': [1, 2], 'col2': [3, 4]}
df = pd.DataFrame(data=d)

df
# output
   col1  col2
0     1     3
1     2     4

• dict key는 칼럼 header가 되고, 각 list의 값은 DataFrame의 열로 사용됩니다.
• index와 columns를 지정해주지 않으면 0부터 시작하여 1씩 증가하는 인덱스가 사용됩니다.

numpy ndarray를 이용한 방식

d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
df2 = pd.DataFrame(data=d, index=[1,2,3], columns=['a', 'b', 'c'])

df2
# output
   a  b  c
1  1  2  3
2  4  5  6
3  7  8  9

• 데이터에 ndarray를 사용할 수 있습니다.
• 예제에는 index와 columns도 따로 지정해 주었습니다.

 

dtypes을 사용하여 각 칼럼의 type을 확인할 수 있습니다.

df.dtypes

# output
col1    int64
col2    int64
dtype: object

describe() 메서드를 사용하여 숫자 데이터에 대한 통계를 확인할 수 있습니다.

df2.describe()

# output
        a	  b	  c
count	3.0	3.0	3.0
mean	4.0	5.0	6.0
std	  3.0	3.0	3.0
min	  1.0	2.0	3.0
25%	  2.5	3.5	4.5
50%	  4.0	5.0	6.0
75%	  5.5	6.5	7.5
max	  7.0	8.0	9.0

Series

DataFrame의 각 열(column)을 Series라고 합니다.

row label(노란색 블록), data(회색 블록)

Series는 column label은 없고 row label(=index)만 있는 1차원 배열 구조입니다.

 

Series를 생성하는 방법은 다음과 같습니다.

DataFrame 조회를 통한 Series 생성

DataFrame에서 단일 칼럼의 조회 결과는 Series입니다.

• 조회하기 위해서는 대괄호([ ]) 사이에 column label을 사용하면 됩니다.
• 다음은 col1 칼럼을 조회하는 예입니다.

df['col1']

# output
0  1
1  2
Name: col1, dtype: int64

dictionary를 이용한 방식

d = {"b": 1, "a": 0, "c": 2}

pd.Series(d)

# output
b    1
a    0
c    2
dtype: int64

• dict의 key는 Series의 index가 됩니다.

 

d = {"a": 0.0, "b": 1.0, "c": 2.0}

pd.Series(d)

# output
a    0.0
b    1.0
c    2.0
dtype: float64

pd.Series(d, index=["b", "c", "d", "a"])

# output
b    1.0
c    2.0
d    NaN
a    0.0
dtype: float64

• index를 사용하면 index 레이블에 해당하는 데이터의 값이 추출됩니다.
• index에 해당하는 값이 없다면 NaN이 들어갑니다. NaN은 누락 데이터(missing data)를 의미합니다.

ndarray를 이용한 방식

s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])

s
# output 
a    0.469112
b   -0.282863
c   -1.509059
d   -1.135632
e    1.212112
dtype: float64

pd.Series(np.random.randn(5))
# output
0   -0.173215
1    0.119209
2   -1.044236
3   -0.861849
4   -2.104569
dtype: float64

• 데이터가 ndarray라면 index와 길이가 같아야 합니다.
• index를 지정해주지 않으면 기본적으로 0부터 시작하여 1씩 증가하는 인덱스가 사용됩니다.

Scalar value를 이용한 방식

pd.Series(5.0, index=["a", "b", "c", "d", "e"])

Out[12]: 
a    5.0
b    5.0
c    5.0
d    5.0
e    5.0
dtype: float64

• 데이터가 스칼라 값인 경우 인덱스를 반드시 사용해야 합니다.
• 인덱스 길이만큼 값이 반복됩니다.