Pandas 4. Dataframe Object - 1

Pandas 4. Dataframe Object 개요

판다스의 Dataframe은 행과 열이 있는 2차원 데이터 테이블이다. Series와 맟나가지로 판다스는 인덱스 레이블과, 인덱스 위치를 각 Dataframe 행에 할당하고, 각 열에 레이블과 위치를 할당한다.

생성

city_data = {
    "City" : ["New York City", "Paris", "Barcelona", "Rome"],
    "Country":["United States", "France", "Spain", "Italy"],
    "Population":pd.Series([86000000, 2141000, 5515000, 2873000])
}
cities = pd.DataFrame(city_data)
cities

보통은 딕셔너리로 생성한다. 이 때 키값은 컬럼의 인덱스레이블로 지정된다.
행의 인덱스 레이블은, 사용자가 임의의 인덱스를 정의하지 않았기 때문에, 0부터 시작하는 숫자 인덱스를 생성한다.

행과 열의 인덱스 레이블을 바꾸러면, transpose() 나 T 속성을 접근하면 된다.

cities.transpose()

Numpy의 ndarray로 Dataframe 생성하기

넘파이의 배열로 Dataframe을 생성할 수 있다.

random_data = np.random.randint(1, 101, [3, 5])

row_labels = [
    "Morning",
    "Afternoon",
    "Evening"
]

column_labels = [
    "Monday",
    "Tuesday",
    "Wednesday",
    "Thursday",
    "Friday"
]
temperatures = pd.DataFrame(
    data = random_data,
    index = row_labels,
    columns=column_labels
)

Dataframe은 넘파이의 배열로 생성하게 될 경우, 인덱스 레이블이 지정되어있지 않기 때문에 0부터 증가하는 숫자 레이블을 임의로 부여한다.

이때, index 파라미터와 column 파라미터를 이용해서 인덱스 레이블을 지정할 수 있다.

Series와 Dataframe의 유사점과 차이점

read_csv()

nba = pd.read_csv("../practice_library/nba.csv", parse_dates=["Birthday"])

파일을 읽어들이는 것도 동일하고, 날짜형태의 문자열을, 날짜 포맷으로 바꾸는 것도 가능하다.

dtypes

dtypes 는 , dtype 의 복수형이다. 왜냐하면 데이터프레임은 하나의 열만 가지고 있는게 아니라, 여러 행과 여러 행을 가지고 있기 때문이다.

nba.dtypes

여기서 같은 타입을 가진 컬럼의 개수를 찾으려면 count()를 하면 된다.

nba.dtypes.value_count()

max(), min()

최대값과 최소값의 경우 기본적으로는 맨 첫번째 열을 기준으로 계산한다. 이때 문자열의 경우 알파벳순으로 정렬된다. 즉, max는 Z, min은 A이다.

index, columns

nba.index

를 하게되면 행 인덱스의 구성값을 알 수 있다.

columns 를 하게되면 열 구성을 알 수 있다.

shape, size

shape 속성을 이용하면 가로 세로 크기가 얼마인지를 알 수 있다. size 는 전체 데이터 갯수를 반환한다. 이 때, NaN와 같은 결측값도 포함되는데, 이것을 제외시키기 위해서는 count() 를 사용한다.
count() 는 각각의 열에 몇 개의 데이터가 있는지를 알려준다. 모두 합치려면 count().sum() 을 사용한다.

head, tail, sample, nunique

Series에서 사용하는 방법과 똑같이 사용한다. nunique 메소드는 각각의 컬럼에 고유한 값들은 몇개가 있는지 확인할 수 있다.

nlargest, nsmallest

이것을 사용할 때는 n 파라미터로 몇개를 출력할 것인지를 지정하고, 다음 컬럼명을 지정해주면 해당 컬럼에서 제일 크거나 제일 작은 데이터 n개만큼 뽑을 수 있다.

nba.nlargest(n = 4, columns="Salary")

sum(), mean()

sum() 과 mean() 도 동작하는데, 이때 문자열의 경우는 해당 열의 문자열데이터를 모두 하나로 붙여버린다. 때문에 numeric_only=True 파라미터를 넣어 숫자형태의 데이터만 계산하도록 지정해야한다.

정렬

정렬은 sort_values() 로 할 수 있다. 이 때 정렬을 할 컬럼명을 넘겨주면 된다. 여러 컬럼을 기준으로 정렬하고자 한다면, 배열 형태로 넘겨주면 된다.

nba.sort_values(["Team", "Name"])

앞의 순서대로 Team 컬럼을 정렬한 다음, 해당 컬럼 내에서 다시 Name 컬럼 기준으로 옵션을 줄 수 있다.

정렬 순서도 ascending=[True, False] 등과 같이, 정렬하고자 하는 컬럼 갯수에 맞게 boolean 값을 넘겨주면 된다.

새 인덱스 설정

nba = nba.set_index("Name")

기존의 숫자인덱스가 아니라, 컬럼 중에서 설정하고자 한다면, set_index() 를 사용한다. 판다스는 중복되는 인덱스 레이블도 허용하지만, 가능하다면 중복이 없는 컬럼을 인덱스로 지정하는 것이 좋다.