티스토리

HanWool

검색하기

블로그 홈

HanWool

hwdata.tistory.com/m

나한울 님의 블로그입니다.

구독자: 2

방명록 방문하기

주요 글 목록

MediView 개발블로그..(4) - JavaScript Django를 활용한 웹개발 프로젝트 회고개발 과정사용자의 UX/UI의 경험을 조금 더 풍족하게 하기 위해 프론트엔드 쪽에서 TailwindCSS를 이용하여 가시성은 향상을 시켰지만 기능적으로 할 수 있는 일이 많지 않았다. 사용자가 입력이 없다면 자동으로 로그아웃을 어떻게 시킬까? 그냥 버튼 말고 유저 드롭다운 메뉴를 만들고 싶은데 어떻게 할 수 있을까? 그렇게 손을 한번 대어 본 것이 JavaScript였습니다. 도전과제와 해결책도전과제 : 사용자의 입력이 없을 시 자동 로그아웃 구현, 유저 드롭다운 메뉴 구현해결책 : JavaScript를 이용하여 프론트엔드 사이드에서 구현도전과제 1 : 자동으로 유저 로그아웃문제 : 웹 페이지의 runserver를 중지했다가 다시 실행해도 계속 유지되어 있는 로그.. 공감수 0 댓글수 1 2024. 6. 7.
MediView 개발 블로그..(3) - Input CSV Data Django를 활용한 웹개발 프로젝트 회고개발과정사용자 인증과 메인페이지, 각 기능별로의 이동을 구현한 후, 다음은 기능들을 구현하는 것이 목표였습니다. 기능들에 대한 백엔드를 구축하기 전에 각 기능들이 사용할 데이터들을 DB에 넣어야 했습니다. 그 때 기준으로 Django에서는 DB를 MYSQL로 선정하고 있었으며, 데이터는 CSV파일 형식으로 가지고 있었습니다. CSV파일의 크기는 적게는 50KB 정도에서 많게는 120MB 까지 많은 파일이 존재했습니다. 이런 파일들을 MYSQL에서 지원하는 Data Import Wizard를 사용하기에는 이식 속도가 너무 느리다는 문제점과 한글에 맞는 코덱이 존재하지 않는 문제점이 발생하였습니다. 도전과제와 해결책도전과제 : Data Import Wizard의 느린.. 공감수 0 댓글수 0 2024. 6. 7.
MediView 개발블로그..(2) - TailwindCSS Django를 활용한 웹개발 프로젝트 회고개발 과정로그인과 로그아웃등 사용자 인증에 대한 부분을 구현한 후, 그 다음은 사용자의 인증을 유지한 채 메인페이지, 기능을 구현할 페이지 등 다른 페이지에 로그인 세션을 유지한 채 리디렉션 하는 것이 목표였습니다. 우선 로그인을 하고 세션을 저장하고 페이지를 리디렉션 하는 것은 Django의 내장 기능 login과 redirect를 활용하여 쉽게 구현이 가능했습니다. . 하지만 이 부분을 구현하는 데 가장 시간을 많이 사용하게 된 문제점은 HTML, CSS 였습니다if user: login(request, user) return redirect('/main/main/') 도전과제와 해결책도전과제 : 부족한 (HTML,CSS 작성)능력, 부족한 시간, .. 공감수 0 댓글수 0 2024. 6. 6.
MediView 개발 블로그..(1) - 사용자 인증 Django를 활용한 웹개발 프로젝트 회고프로젝트 소개4월 23일 부터 보건의료빅데이터 창업 공모전을 위해 프로젝트를 시작했습니다. 목표는 약사들의 다제약물 관리에서 겪는 부담을 줄여주고, 보다 많은 환자들이 안전하게 약물을 관리받을 수 있도록 돕는 서비스를 웹으로 솔루션을 제공하는 것이었습니다. 사용한 기술 스택프론트엔드 : HTML, Tailwindcss, JavaScript백엔드 : Django데이터베이스 : MYSQL배포 : GCP기타 도구 : Git, Github개발 과정개발 초기 단계에서는 솔직히 Django에 익숙치 않은 상태이기 때문에 Django의 모델과 뷰 그리고 urls 연결에 많은 시간을 사용했습니다. 기존에 해봤던 pyburger 프로젝트도 책을 따라 다시 작성해보기도 하고, p.. 공감수 0 댓글수 0 2024. 6. 5.
[데이터베이스설계] Entity - RelationShip Model 1. Entity - Rleation Model (엔티티 - 관계 모델, 이하 E-R Model) E-R Model은 데이터베이스 구조를 개념적으로 표현하는데 사용되는 모델링 기법이다. 정보 시스템의 구조적인 설계나 데이터베이스의 논리적 설계를 위해서 널리 사용된다. 2. 구성 요소 엔티티(Entity) : 데이터베이스에 저장될 실체나 객체를 의미. 엔티티는 보통 명사로 표햔되며, 예를 들어 회원, 도서, 대출 등이 엔티티에 해당함. 관계형 DBMS 상에서 데이터 테이블 이름 속성(Attribute) : 엔티티를 구성하는 세부 정보로, 엔티티의 특성을 나타냄. 예를 들어 '회원'이라는 엔티티에는 이름, 회원ID, 성별 등의 속성을 가질 수 있음. 관계형 DBMS상에서는 테이블에 존재하는 컬럼 관계(Rea.. 공감수 0 댓글수 1 2024. 4. 16.
[ML] Gradient Descent 1. 경사하강법 경사하강법(Gradient Descent)는 함수의 최소값 또는 극소값을 찾기 위한 반복적인 최적화 알고리즘입니다. 쉽게 말하면, 산을 내려가는 가장 빠른 길을 찾는 방법이라고 생각할 수 있습니다. 여기서 산은 최소화하고자 하는 함수를 말합니다. 2. 경사하강법의 단계 임의의 시작점 선택 : 우선 함수의 그래프 상에서 임의의 점을 선택합니다. 이 점은 우리가 최적화를 시작하는 위치입니다. $x_0$ 경사 계산 : 선택한 점에서 함수의 기울기를 계산합니다. 여기서 기울기는 어떤 방향으로 이동하면 함수의 값이 가장 빠르게 감소하는지를 나타냅니다. $$x_{\text{current}}$$ 이동 : 계산된 경사의 반대 방향으로 작은 단계를 이동합니다. 경사가 급한 곳으로 이동하면 함수의 값이 빠.. 공감수 0 댓글수 0 2024. 2. 22.
[ML] Python Wrapper API & Scikit-Learn Wrapper API 오늘은 Python Wrapper API & Scikit-Learn Wrapper API 이 두가지에 대해서 알아보고자 합니다. 이 두가지를 이해하는 것은 파이썬에서 머신러닝에 대한 코드를 작성할 때 더 효율적으로 작업하고, 필요에 따라 적절한 도구를 선택하는데 도움이 됩니다. 1. Python Wrapper API Python Wrapper API는 머신러닝 라이브러리의 기본 Python 인터페이스를 의미합니다. 이 API는 라이브러리가 제공하는 원시적이고 강력한 기능에 직접 접근할 수 있게 해줍니다. 사용자는 라이브러리의 세부 설정을 자유롭게 조정할 수 있으며, 복잡한 모델과 알고리즘을 세밀하게 제어할 수 있습니다. 예를 들어, XGBoost 라이브러리의 Python Wrapper API를 사용하면,.. 공감수 0 댓글수 0 2024. 2. 21.
[데이터 분석]Confusion matrix 평가 지표 해석 + 생성 오늘은 학습 모델의 평가 지표로 사용되는 Confusion Matrix를 통해 얻을 수 있는 평가 지표들에 대해서 그리고 Python에서 어떻게 생성할 수 있는지 그리고 어떻게 해석할 수 있는지에 대해서 정리하고자 합니다. 1. Confusion Matrix Confusion Matrix, 혼동 행렬은 학습모델 중에서 지도학습 모델에 대한 이진분류 문제에서 많이 사용합니다. 혼동 행렬은 실제 값과 모델 예측 값을 기준으로 생성되며, 다음 네 가지 요소를 가지고 있습니다 참 양성(True Positive) : 실제 양성을 양성으로 올바르게 예측 거짓 양성(Flase Positive) : 실제 음성을 잘못하여 양성으로 예측 참 음성(True Negative) : 실제 음성을 음성으로 올바르게 예측 거짓 음성.. 공감수 0 댓글수 0 2024. 2. 20.
[가상환경] conda에서 pycaret설치 Pycaret은 머신러닝 워크플로우를 자동화할 수 있는 오픈소스 라이브러리입니다. 요즘 virtualenv 환경에서만 작업을 했기 때문에 conda 환경 다시 익숙하지 않아 졌는데 오늘은 conda로 환경을 설정해보겠습니다. + virtualenv 환경에서는 pycaret이 정상 작동을 안 할 수도 있다고 하기 때문에,,ㅎ 1. 폴더 생성 환경을 만들기 위한 폴더를 생성합니다. 저는 test라는 폴더를 생성했습니다. 2. 아나콘다 프롬프트 실행 후 폴더 찾기 아나콘다 프롬프트를 실행 한 후에 해당 폴더로 이동한다. cmd에서는 ls로 파일들을 조회했지만 conda에서는 dir을 통해서 조회한다. 이를 이용해서 만든 폴더에 접근합니다. 3. conda 가상환경 생성 및 접속 $ conda create --.. 공감수 0 댓글수 0 2024. 2. 15.
[시각화]plotly choropleth gis시각화 merge_gdf=gdf.merge(df,left_on='SIG_KOR_NM', right_on='SGG_NM') 오늘은 미니프로젝트 때 한번 간단하게 다뤄본 gis시각화에 대해서 정리해볼까 합니다. GIS는 지도를 이용한 시각화로 좌표 정보를 제공하는 geojson 파일이 필요하며, 해당 파일은 geopandas를 이용하여 읽을 수 있습니다. 읽어오는 코드는 아래와 같습니다. import geopandas as gpd gdf=gpd.read_file('FILE_PATH') 그럼 다음과 같은 혹은 비슷한 자역 코드, 지역 이름, 지역 좌표 등의 데이터가 저장되어 있습니다. 이것을 시각화하고 싶다면 시각화 하고자 하는 데이터를 지역이름 혹은 코드를 통해 조인트를 걸어주면 됩니다. 저는 서울열린데이터광장에서.. 공감수 0 댓글수 0 2024. 2. 5.
[Streamlit] st.col, st.tab 오늘은 streamlit에서 대시보드를 만들 때 조금 더 실용성있게 데이터를 넣을 수 있는 방법 두 가지를 가져왔습니다. col과 tab인데 col은 내용을 n등분한 공간에 넣을 수 있는 기능이고, tab은 완전히 새로운 페이지를 열 수 있는 방법입니다. 코드와 실행 결과를 통해 알아보겠습니다. streamlit의 기본적인 내용은 여기에 있습니다. https://hwdata.tistory.com/32 [streamlit] streamlit 배포 streamlit의 기본적인 사용법도 정리를 해야하는데,, 뭔가 순서가 꼬인 느낌,, 그래도 배포하는 방법 자체는 어렵지 않으니 이번에 그린 plotly 그래프를 stramlit에 배포를 해보겠습니다. 먼저 알아야 hwdata.tistory.com col의 사용방.. 공감수 0 댓글수 0 2024. 2. 4.
[시각화] plotly line 오늘은 plotly로 선 그래프에 그리는 것에 대해서 알아보겠습니다. 선 그래프는 비교적 단순한 그래프여서 어떻게 꾸며야할 지 잘 모르겠습니다,, 우선 필요한 라이브러리들을 호출합니다. import pandas as pd import numpy as np import plotly.graph_objects as go import plotly.express as px 그리고 이번에도 역시 비어있는 그래프를 만들고 add_trace를 통해 선 그래프를 그려넣겠습니다. 선 그래프는 go.Scatter(mode='lines')로 그릴 수 있습니다. x=np.arange(1,100) y=np.sin(x) fig=go.Figure() fig.add_trace( go.Scatter(x=x,y=y,mode='lines'.. 공감수 0 댓글수 0 2024. 2. 3.
[streamlit] st.slelctbox Streamlit에서는 여러가지 기능을 제공합니다. 그 중에서 이번에는 selectbox에 대해서 코딩해보고 간단하게 구현해볼까 합니다. 이번 시각화에서 사용하는 라이브러리는 plotly이고, 다른 데이터 셋이지만 저번에 그린 그래프와 똑같은 형태로 구현했습니다.https://hwdata.tistory.com/30 [시각화] plotly bar chart 오늘 교육에서 개인적으로 streamlit을 사용하여 대시보드 배포하는 것을 연습하면서, plotly를 이용해서 그래프를 그려보았는데 그 그래프 그리는 것들에 대한 것을 정리해볼까 합니다. 단계로는 s hwdata.tistory.com 우선 selectbox가 무엇이냐 하면 아래와 같은 것입니다. 우리는 이것을 사용해서 그래프를 원하는 변수를 선택해서 .. 공감수 0 댓글수 0 2024. 2. 2.
[가상환경] API키 관리 API키를 발급받고 작성한 프로그래밍 코드를 github 등에 올리는 것은 안좋은 행동입니다. 왜냐면 API키는 개인적인 것이기 때문에 나의 개인적인 API키를 다른 사람들에게 뿌리는 행동입니다. 그래서 API키를 관리를 해주어서 다른 사람들에게 공개를 하지 않지만 요청은 잘 실행될 수 있는 방법을 작성하겠습니다. 우선 가상환경에 접속해서 필요한 라이브러리를 설치합니다. 가상환경을 생성하는 방법, 접속하는 방법은 여기에 정리되어 있습니다. https://hwdata.tistory.com/3 [Virtualenv] 가상환경 설정하는 방법 1.Virtualenv 1-1. 필요한 프로그램 다운로드 - Windows 기준입니다. -필요한 프로그램으로 Visual Studio Code와 Git이 필요합니다. ht.. 공감수 0 댓글수 0 2024. 2. 1.
[Python] BeautifulSoup 오늘은 크롤링을 할 수 있는 방법 중 하나인 라이브러리 BeautifulSoup에 대해 다뤄볼까 합니다. 해당 라이브러리는 기본 라이브러리가 아니기 때문에 설치를 먼저 진행해야합니다. 그리고 HTTP 요청을 쉽게 보낼 수 있게 해주는 requests도 함께 사용하도록 하겠습니다. pip install beautifulsoup4 requests 이후 라이브러리를 불러오고 간단하게 응답 코드를 출력하는 코드를 작성해보겠습니다. import requests import bs4 from bs4 import BeautifulSoup import pandas as pd URL='https://www.naver.com/' req=requests.get(URL) print(req.status_code) 다음은 네이버 .. 공감수 0 댓글수 0 2024. 2. 1.
[streamlit] streamlit 배포 streamlit의 기본적인 사용법도 정리를 해야하는데,, 뭔가 순서가 꼬인 느낌,, 그래도 배포하는 방법 자체는 어렵지 않으니 이번에 그린 plotly 그래프를 stramlit에 배포를 해보겠습니다. 먼저 알아야 할 건 streamlit을 배포하면 github에 있는 것을 기준으로 배포가 되기 때문에 현재 진행 상황을 바로바로 업데이트를 할 수 없고, github에 push를 진행해야 적용이 됩니다. 즉, github랑 연동해야한다는 이야기입니다. 그래서 github에 레포지토리를 만들고 clone을 해오겠습니다. 해당 방법은 여기에 정리되어 있습니다. https://hwdata.tistory.com/21 [Linux] github에 Linux 명령어 기반으로 작업하기 저번글에서 다뤘던 Linux 기본.. 공감수 0 댓글수 0 2024. 1. 31.
[시각화] plotly bar chart 오늘 교육에서 개인적으로 streamlit을 사용하여 대시보드 배포하는 것을 연습하면서, plotly를 이용해서 그래프를 그려보았는데 그 그래프 그리는 것들에 대한 것을 정리해볼까 합니다. 단계로는 streamlit을 먼저 정리해야겠지만,, 그건 좀 더 익숙해질 필요가 있어 보입니다,, 이번에 사용한 데이터는 kaagle [https://www.kaggle.com/c/instacart-market-basket-analysis]에서 가져온 데이터이고, 데이터의 용량이 매우 크고 7개의 데이터 테이블이 있었기 때문에 제가 따로 joint를 하고 1만개의 데이터만 샘플링하여 진행했습니다. 먼저 사용된 데이터 컬럼만 설명을 하면 order_dow라는 컬럼은 Days of Week로 무슨 요일에 주문을 했는가? .. 공감수 0 댓글수 0 2024. 1. 30.
[Python] 데코레이터(Decorator) 1. 데코레이터(Decorator) 데코레이터(Decorator)는 함수나 메서드에 적용해, 해당 함수나 메서드의 기능을 확장하거나 변경하는 역할을 합니다. 데코레이터는 일반적으로 @기호로 시작하고, 함수 위에 위치합니다. 데코레이터는 기본적으로 함수를 인자로 받고, 또 다른 함수를 반환하는 고차 함수입니다. 아래는 데코레이터가 사용된 예시입니다. @st.cache_data # 데코레이터 def load_data(): #함수 선언 df=sns.load_dataset('iris') return df 2.데코레이터 작동 원리 작동원리에 코드는 '레벨업 파이썬' [https://wikidocs.net/160127] 을 참고했습니다. def hello(): print('hello') hello() 위와 같이 함.. 공감수 1 댓글수 0 2024. 1. 30.
[통계] $t$ 분포 $X_1,...,X_n$이 정규모집단 $N(\mu,\sigma^2)$으로부터의 확률표본일 때. 표본평균 $\overline{X}$에 대해서 $$\overline{X} \sim N(\mu,\frac{\sigma^2}{n}) , \frac{\overline{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1)$$ 이 성립하는데 $\mu$에 관한 통계적 추론에서 $\sigma$가 미지인 경우에는 $\sigma$ 대신에 표본표준편차 $S=\sqrt{\sum_{i=1}^{n}(X_i-\overline{X})^2/(n-1)}$을 대입하여 스튜던트화(studentized)된 확률변수 $$\frac{\overline{X}-\mu}{S/\sqrt{n}}$$ 의 분포를 필요로 하는 경우가 많다. 위와 같은 확.. 공감수 0 댓글수 1 2024. 1. 28.
[Linux] github에 Linux 명령어 기반으로 작업하기 저번글에서 다뤘던 Linux 기본 명령어와 함께 github에 작업한 파일들을 명령어 기반으로 처리하는 방법에 대해 정리해볼까합니다. 우선 연습할 repository를 하나 github에서 만들도록 하겠습니다. testrepo로 생성했습니다. 다음으로 git bash를 실행시켜줍니다. 바탕화면에서 빈 공간을 우클릭하면 git bash here이 뜹니다. 그리고 아까 만들었던 repository에 가서 링크를 복사해줍니다. 그리고 git bash에 git clone + 주소를 입력합니다. 그러면 repository에 있는 testrepo라는 디렉토리가 가장 상위 폴더에 생기며, 조회해보았을 때 아무것도 없는 github의 repository상태와 동일한 디렉토리가 생성됩니다. 이제 여기에 README.md.. 공감수 0 댓글수 0 2024. 1. 24.
[Linux] Linux 기본명령어 이 글에서는 리눅스의 기본적인 명령어에 대해서 다뤄볼까합니다. 1.pwd (Print Working Directiry) - 현재 디렉토리의 경로를 표시합니다. 2.cd (Change Directory) + 디렉토리 이름/ + ... - 디렉토리의 경로를 변경합니다. cd + 디렉토리이름/ 을 입력하면 디렉토리이름의 폴더로 경로를 이동합니다. cd ..을 입력하면 현재 디렉토리에서 상위 디렉토리로 이동이 가능합니다. 3.ls(List) - 현재 디렉토리에 존재하는 파일 목록을 조회한다. 추가 매서드 ls -a : 현재 디렉토리의 존재하는 파일 목록을 숨긴 파일을 포함하여 조회한다. ls 디렉토리이름: 디렉토리이름에 존재하는 파일을 조회한다. ls -l : 현재 디렉토리의 목록을 자세하게 조회한다.(읽고쓰기.. 공감수 0 댓글수 0 2024. 1. 23.
[통계] 정규모집단에서의 표본분포- 1.카이제곱분포 정규분포 $N(\mu,\sigma^2)$으로부터 확률표본을 $X_1,...,X_n)이라고 할 때, 표본분산 $$S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\overline{X})^2$$ 에 대한 표본분포는 $\sigma^2$의 추론에 유용하게 쓰인다. 이 때 표본분산 $S^2$에 관계되는 분포로 카이제곱분포(chi-square distribution)이 있다. 1.카이제곱분포 정의 카이제곱분포의 정의: 확률변수 $Z_1,...,Z_k$가 각각 표준정규분포 $N(0,1)$을 따르고 서로 독립일 때, $$Z_1^2,...,Z_k^2$$ 의 분포를 자유도 $k$인 카이제곱분포라고 한다. 이때 기호로서 $$ Z_1^2+...+Z_k^2~\chi^2(k)$$ 로 나타낸다. 2.카이제곱분포의 .. 공감수 0 댓글수 0 2024. 1. 22.
[데이터 분석]보건의료빅데이터분석 데이터 전처리 제가 학부생 4학년 1학기에 보건의료빅데이터분석이라는 강의를 들었습니다. 그 때 강의를 수강하는 학우들과 같이 특정 음료를 마시고 혈당, 혈압, 체온 등을 측정한 데이터입니다. 강의 때 잠깐 며칠 투자해서 수집한거기도 하고 그렇게 큰 데이터가 아니기 때문에 간단하게 이 데이터를 가지고 분석을 진행할 건데, 이 글에서는 전처리 단계까지 진행하겠습니다. 1. 데이터 읽어오기 먼저 데이터를 읽어오도록 하겠습니다. 해당 csv파일에는 전처리를 해봐야겠지만 encoding='cp949'로 설정해야 읽어 올 수 있습니다. df=pd.read_csv('/content/drive/MyDrive/보건의료/beverage.csv',encoding='cp949') df.head() 2. 데이터 설명 데이터 설명입니.. 공감수 0 댓글수 0 2024. 1. 19.
[데이터 분석] Kaggle Data Report 5조:김수현, 나한울, 정혜원, 한대희, 황유진 1.프로젝트 목표 최근 은행 고객 이탈률의 증가로 여러가지 문제들이 생겨났습니다. 고객의 이탈 최소화하고 고객 유지율 증가시키기 위해 여러가지 문제점들을 파악 후 해결하며 더 나아가서 신규 회원 유치까지 노려보려 합니다. 고객 이탈률 증가의 원인을 파악하기 위해서 여러가지 컬럼들을 분석하고 문제점을 파악하여 어느 부분에서 문제점이 있는지 파악하고 그 문제를 해결 및 보완하고자 합니다. 2.데이터 설명 및 확인 데이터의 수는 총 165034개의 데이터이며 , 13개의 컬럼으로 구성되어 있습니다. 컬럼의 내용은 아래와 같습니다 1 .Customer ID: 각 고객의 .. 공감수 0 댓글수 0 2024. 1. 16.
[통계] 표본 평균의 분포와 중심극한정리 1. 표본평균의 평균과 표준편차 $X_1,...,X_n$을 모평균 $\mu$, 모분산 $\sigma^2$인 모집단으로부터의 확률표본이라고 할 때, 이 확률표본으로부터의 표본평균 $\overline{X}= \sum_{i=1}^{n}X_i/n$을 생각해본다. 분포에 대한 성질을 알기 위해 표본평균의 기대값과 분산을 구해본다. 기대값의 가법성으로부터 표본평균의 기대값은 $$E(\overline{X})=\frac{1}{n}E(X_1+...+X_n)=\frac{1}{n}[(E(X_1)+...+E(X_n)]=\frac{1}{n}n\mu=\mu$$ 이고, $\overline{X}$의 분산은 $X_1,...,X_n$이 서로 독립이므로 분산의 가법성을 이용하여 $$Var(\overline{X})=\frac{1}{n^2}.. 공감수 0 댓글수 0 2024. 1. 15.
[데이터베이스설계] 데이터 정규화 오늘은 데이터베이스설계 데이터 정규화에 대해서 리마인드 하겠습니다. 학부생 3학년 1학기때 수강한 과목이라 생각이 많이 안나서 강의자료를 뒤져보면서 정리를 했습니다. 1. 데이터 정규화의 필요성 우선 왜 필요한가?에 대해서 알아야합니다. 데이터베이스설계에서 데이터를 정규화하는 이유는 크게 중복 제거, 쿼리 성능 향상, 데이터 품질 향상에 있습니다. 이런 이유에 대해서 삽입/갱신/삭제 시 발생할 수 있는 이상 현상을 방지하고 저장 공간 최소화, 데이터의 일관성 유지, 데이터 구조 최적화 등을 이뤄낼 수 있습니다. 저는 이런것들이 데이터 분석가에게도 많은 도움이 된다고 생각합니다. 2.정규화(Normal Forms) 정규화는 단계가 존재합니다. 지금부터 그 단계에 대한 정규화들의 전체적인 맥락을 정리한 다음.. 공감수 1 댓글수 0 2024. 1. 13.
[통계] 처음부터 다시하기 - 표본분포 최근 통계에 대해 수업을 들으면서 많은 것을 잊었다는 것을 알았습니다. 그래서 예전 전공 통계책을 꺼내서 다시 한번 정리하는 시간을 가지려고 합니다. 1. 확률표본(random sample) - 모집단의 분포와 확률표본 a) 미지인 모집단의 분포는 확률밀도함수 $f(x)$ 로 나타낸다. b) 모집단 $f(x)$로부터의 확률표본$X_1,...,X_n$이란 $f(x)$를 확률밀도함수로 갖는 서로 독립인 확률변수들을 뜻한다. 즉 어떤 회사에서 생산하는 전구의 수명시간에 대해 알기 위해, 100개의 전구를 표본으로 택해서 수명시간을 기록했다. 이 때 전구의 생산량이 무수히 많다고 가정한다면, 100개의 전구 표본은 모집단의 분포를 가지고, 분포에 대한 미지의 확률분포를 결정할 수 있다. 또한 100개의 샘플은 .. 공감수 0 댓글수 0 2024. 1. 12.
[시각화] plotly 기초 오늘은 plotly라는 시각화 라이브러리에 대해서 적어볼까 합니다. 학부시절 데이터 시각화, 빅데이터 분석 등 데이터 시각화를 배우는 강의에서 matplotlib, seaborn만 다뤄봤었고, plotly는 이번에 처음 접해봅니다. plotly와 다른 시각화 라이브러리의 차이점은 동적 시각화에 차이가 있습니다. 다른 라이브러리는 그래프를 일부 수정하거나 좀 더 중요한 부분을 줌인 하기위해서는 코딩을 다시 해야만하는데, plotly는 동적 시각화로 코딩을 다시 하지않고도 줌인 같은건 할 수 있으며, 특정 데이터 값의 확인, 표기 등과 같은 탐색적 데이터 분석에 도움을 주는 기능을 제공합니다. 1.plotly 이용하기 우선 라이브러리를 다운받고 불러오는거 먼저 하겠습니다. # virtualenv !pip i.. 공감수 0 댓글수 0 2024. 1. 11.
[시각화] matplotlib, seaborn BarChart 많은 시각화의 방법중에서 막대그래프를 그려보려고합니다. 막대그래프는 각 막대의 길이를 통해서 데이터의 상대적인 크기를 비교할 수 있으며 시계열 데이터에서도 시간별로 데이터의 추세,패턴 등을 쉽게 파악할 수 있는 장점이 있습니다. 1. matplotlib matplotlib로 막대그래프를 그리는 방법은 기본적으로 plt.bar(xaxis,yaxis)의 형태를 띄웁니다. month_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12] sold_list = [300, 400, 550, 900, 600, 960, 900, 910, 800, 700, 550, 450] fig, ax=plt.subplots(figsize=(15,5)) ax.bar(month_list,sold_list).. 공감수 0 댓글수 0 2024. 1. 10.
[Pandas] DataFrame 병합,연결,결합 오늘은 Pandas를 이용해서 데이터를 병합하는 방법에 대해서 리마인드 해볼까 합니다. 데이터를 병합하는 것은 중요합니다. 실제 회사의 데이터에는 여러가지 데이터 테이블이 있고, 한가지 테이블에서만 인사이트를 도출한다는 것은 드물다고 생각합니다. 학부 3학년 때 전사적자원관리라는 강의를 들었는데, ERP라는 프로그램을 통해 기업의 생산, 물류, 인사, 회계 이 4가지 모듈들의 데이터를 통합해서 관리하는 프로그램입니다. 여기서 사용되는 데이터 테이블은 정말 많습니다.. 그래서 이 데이터를 어떻게 병합할 수 있는지 리마인드 해보도록 하겠습니다. https://github.com/ghkstod/TIL/blob/main/ipynb/24-01-08pandasdatamerge.ipynb 1.pd.concat() 일.. 공감수 0 댓글수 1 2024. 1. 8.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.