Pandas의 기초4 - 데이터 가공(정렬, 그룹핑)

1. 정렬(Index 또는 특정 col의 값 기준으로)

1) 인덱스 기준(sort_index())

data.sort_index(ascending=True) # 오름차순(ascending 생략가능)
data.sort_index(ascending=False) # 내림차순

2) 특정 col의 값 기준(sort_values())

# "회사"컬럼만을 기준으로 정렬할때
data.sort_values("회사", ascending=True) # ascending은 생략가능

# "회사", "메뉴"순으로 정렬할때
data.sort_values(by=["가격","회사"], ascending=[True, False])

2. 그룹별 집계(Groupby())

data.groupby("가격").count() #.count()는 sum이나 mean 등 다른 집계방식으로 대체 가능

Nan값을 제외한 개수를 가격별로 분류한 모습

• ✨ 특정 컬럼들만을 집계 가능하다.( [컬럼 1개]는 시리즈, [[컬럼 N개(1개 가능)]]는 데이터프레임

data.groupby("가격")["메뉴"].count() # Series로 반환
data.groupby("가격")[["회사","메뉴"]].count() # Dataframe으로 반환
data.groupby(["가격","거리"])["회사"].count() # Series로 반환

갖가지 방식으로 그룹화된 형태

• ✨✨각종 내장함수 모음

df["가격"].mean() #평균
df["가격"].var() #분산
df["가격"].std() #표준편차
df["가격"].quantile(0.25) # 1분위수
df["가격"].median() #중앙값(2분위수)
df["가격"].quantile(0.75) # 3분위수
df["가격"].max() #최대값
df["가격"].min() #최소값
df["가격"].mod() #최빈값

3. 데이터 타입 가공(astype())

data["거리"] = data["거리"].str.replace("km","") # km문자열 제거
data["거리"] = data["거리"].astype(int) # 숫자형으로 변환
data

# 물론 아래와 같이 붙여서 함께 쓰는 것도 가능하다
data["거리"] = data["거리"].str.replace("km","").astype(int)

데이터의 모양과 데이터 타입이 변화된 모습