LeeHyunjoo

##와인 데이터 가져오기 import pandas as pd wine=pd.read_csv("https://bit.ly/wine-date") wine ##문제지와 정답지 나누기 data=wine[['alcohol','sugar','pH']].to_numpy() target=wine['class'].to_numpy() ##일정한 비율로 데이터 나누기 from sklearn.model_selection import train_test_split train_input,test_input,train_target,test_target=train_test_split(data,target,test_size=0.2) ##데이터 전처리하기 from sklearn.preprocessing import StandardSca..

##농어 데이터 저장하기 import numpy as np perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5, 27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0, 39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5, 44.0]) perc..

K-최근접 이웃 회귀 모델 #K-최근접 이웃 회귀 모델: 길이만 가지고 무게 예측하기 ##농어 데이터 저장하기 perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5, 27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0, 39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, ..

#요인 늘려 기계학습 시키기 ##공부시간(x1)만으로 성적을 예측해보았다면, 문제집 푼 개수(x2)의 요인을 추가하여 성적을 예측해보자. from mpl_toolkits import mplot3d x1=np.array([2,4,6,8]) #공부시간 x2=np.array([1,2,1,3]) #문제집 푼 개수 y=np.array([65,85,70,95]) ax=plt.axes(projection='3d') ax.scatter(x1,x2,y) plt.show() #기계학습 시키기 import numpy as np import matplotlib.pyplot as plt x1=np.array([2,4,6,8]) #공부시간 x2=np.array([1,2,1,3]) #문제집 푼 개수 y=np.array([65,85..

#간단한 머신러닝 모델 만들어보기 ##공부시간이 성적에 영향을 미칠까??예를 들어 4명의 학생이 있고 4명의 공부시간과 성적은 아래와 같다고 가정하자. 2시간 공부한 학생의 성적=654시간 공부한 학생의 성적=856시간 공부한 학생의 성적=708시간 공부한 학생의 성적=95이 값들을 하나의 직선으로 표현 한다면 어떤 직선을 그려야 할까??먼저, 정확하진 않지만 예측선을 그려본다.양 끝 두 점을 이어 예측선을 그려본다.예측값이 있다면 실제값이 있고 이 둘 사이에는 차이값, 즉 오차가 존재한다.이때, 인공지능은 오차값을 줄여나가는 과정에서 오차가 0인 값을 찾는게 아니라 오차가 가장 적은 값을 찾는 과정이기 때문에 오차 값을 구할때 제곱의 합을 구해도 상관 없다.(절댓값도 사용 가능)오차제곱의 그래프 형태를..

#파일 저장하고 가져오기 import pandas as pd pew=pd.read_csv("pew.csv") pew ##pew 데이터는 종교에 따른 소득 데이터 ##위 표는 비효율적이다. 성격이 비슷한 돈에 관한 열이 금액 별로 있어 불필요하게 많다. 돈에 관한 열을 하나로 만든다면 보기에도 좋고 머신러닝 관점에서 봤을 때 데이터가 더 늘어나기 때문에 좋다.(학습시키기에 좋다.) ##같은 성격을 가지고 있는 열들을 하나의 열로 만드는 게 필요하다. #melt 함수를 이용하여 열을 행으로 내리기 pew2=pd.melt(pew,id_vars='religion',var_name='income',value_name='count') pew2 ##melt 함수 : 열을 행으로 내려주는 함수 id_vars 고정할 열..

#seaborn : 파이썬 시각화 라이브러리 #데이터 시각화가 필요한 이유 : 수치로 되어있는 데이터보다 별도의 분석 없이 빠르고 직관적인 이해가 가능 #seaborn라이브러리에 저장된 데이터 가져오기 import seaborn as sns anscombe=sns.load_dataset("anscombe") anscombe ##anscombe는 seaborn 라이브러리에 저장되어있는 데이터 집합 ##anscombe외에 tips라는 데이터 집합도 있음. #특정 열에 접근하기 anscombe[anscombe['dataset']=='I'] ##ansscombe의 dataset열이 I인 값에만 접근 #데이터 저장하고 데이터별로 평균값 구하기 >data1=anscombe[anscombe['dataset']=='I..

#csv파일과 tsv파일의 차이점 csv(Comma-separated values) 데이터를 , (콤마) 로 구분 tsv(Tab-separated values) 데이터를 \n (탭)으로 구분 #pandas를 이용하여 csv파일 불러오기 import pandas as pd df=pd.read_csv('concat_1.csv',sep=',') df #pandas로 tsv 파일 불러오기 df=pd.read_csv('gapminder.tsv',sep='\t') df #head() 함수 df.head() #첫 다섯 줄 불러옴 # tail함수 df.tail() #마지막 다섯줄 불러옴 #columns 함수 >df.columns #컬럼명 출력 Index(['country', 'continent', 'year', 'li..

#네이버금융 홈페이지의 데이터크롤링이 필요한 이유 :현재 네이버금융 페이지의 코스피,코스닥 안에서는 특정한 키워드 검색이 불가능하기 때문에 크롤링을 통해 데이터를 가져온다면 키워드를 검색하거나 오름차순,내림차순 정렬 등이 가능하여 원하는 데이터에 더 쉽게 접근할 수 있음. #코스닥 메뉴의 첫페이지 데이터 가져오기 >import requests >from bs4 import BeautifulSoup >import pandas as pd > >url=requests.get("https://finance.naver.com/sise/sise_market_sum.nhn?sosok=0&page=1") >html=BeautifulSoup(url.text) > >table=html.select('table.type_2..

#url 가져올 때 메인창에서 검색을 해야하는 이유 : 어떤 키워드를 검색하고 메인 창이 아닌 창에서 연속으로 다른 키워드를 검색할 경우, url에 기록 남음. 깔끔한 url 을 가져오기 위해 메인 창에서 검색해야 함. #로또 현재 회차 데이터 가져오기 >import requests >from bs4 import BeautifulSoup >import pandas as pd > > >url=requests.get("https://search.naver.com/search.naver?where=nexearch&sm=top_hty&fbm=1&ie=utf8&query=%EB%A1%9C%EB%98%90") >html=BeautifulSoup(url.text) #text로 번역 >html.select('a._lo..