본문 바로가기
개발일지/임시카테고리

pandas 판다스 기초11 slice, upper, lower, title등 Series의 경우에 작동하는 문법

by 다니엘의 개발 이야기 2022. 7. 25.
320x100
# 원하는 결과값은 전체 출력이다.
# 전체출력은 원래 그냥 변수만 입력해주면 끝나지만,
# 다중 인덱스를 슬라이스해서 전체출력을 해주는 것이 유의미 할것같아서 시도해보고 싶었다.

# 시도 1
# titanic.loc[(slice(all), slice(all)), :]
# TypeError: '<' not supported between instances of 'builtin_function_or_method' and 'builtin_function_or_method'

# 시도 2
titanic.loc[(slice(None), slice(None)),:]

'''
	survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
    female	1	35.0	1	0	53.1000	S	C
    female	1	58.0	0	0	26.5500	S	C
    female	1	NaN	1	0	146.5208	C	B
    male	0	54.0	0	0	51.8625	S	E
...	...	...	...	...	...	...	...	...
3	male	0	21.0	0	0	8.0500	S	NaN
    male	0	NaN	0	0	7.8958	C	NaN
    male	0	NaN	0	0	8.0500	S	NaN
    male	0	NaN	1	0	15.5000	Q	NaN
    male	0	NaN	2	0	21.6792	C	NaN
50 rows × 7 columns

1

'''​
# apply(), map() and applymap()

# 먼저 짚고 넘어갈것이 있다.
# apply는 Series 처럼 1차원에서만 사용이 가능하며
# map은 DataFrame과 같이 다중 차원에서도 사용이 가능하다.

import pandas as pd
sales = pd.read_csv('sales.csv', index_col= 0)
sales

'''
	Mon	Tue	Wed	Thu	Fri
Steven	34	27	15	NaN	33
Mike	45	9	74	87.0	12
Andi	17	33	54	8.0	29
Paul	87	67	27	45.0	7
'''
sales.info()

'''
<class 'pandas.core.frame.DataFrame'>
Index: 4 entries, Steven to Paul
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Mon     4 non-null      int64  
 1   Tue     4 non-null      int64  
 2   Wed     4 non-null      int64  
 3   Thu     3 non-null      float64
 4   Fri     4 non-null      int64  
dtypes: float64(1), int64(4)
memory usage: 192.0+ bytes
'''
# axis = 0일 경우 '열'을 기준 한다.
sales.min(axis = 0)

'''
Mon    17.0
Tue     9.0
Wed    15.0
Thu     8.0
Fri     7.0
dtype: float64
'''
# axis = 1일 경우 '행'을 기준으로 한다.
sales.min(axis = 1)

'''
Steven    15.0
Mike       9.0
Andi       8.0
Paul       7.0
dtype: float64
'''
# 기본 내장 함수로는, 해당 행에 해당되는 사람이 일주일 동안 벌어들인 소득의 최대값과 최소값의 차이를 구하는 것이 없기때문에
# 이를 해결하기 위한 선언 함수를 만들어준다.

def range(series):
    return series.max() - series.min()
sales.apply(range, axis = 0)

'''
Mon    70.0
Tue    58.0
Wed    59.0
Thu    79.0
Fri    26.0
dtype: float64
'''
sales.min(axis = 1)
'''
Steven    15.0
Mike       9.0
Andi       8.0
Paul       7.0
dtype: float64
'''
def range(series):
    return series.max() - series.min()
    
sales.apply(range, axis = 1)

'''
Steven    19.0
Mike      78.0
Andi      46.0
Paul      80.0
dtype: float64
'''
sales.apply(lambda series: series.max() - series.min(), axis = 1)

'''
Steven    19.0
Mike      78.0
Andi      46.0
Paul      80.0
dtype: float64
'''
# 결과적으로 봤을때 선언 함수를 이렇게 써주는 것과 lambda의 구성 원리와 결과는 같다.

# 1 선언 변수 케이스

'''
def range(series):
    return series.max() - series.min()

sales.apply(lambda series: series.max() - series.min(), axis = 1)
'''

# 2 lambda 케이스

sales.apply(lambda series: series.max() - series.min())

'''
한 두번 쓰고 말꺼면 lambda가 더 낮다고 볼 수 있으나,
횟수가 거듭 된 수록 선언변수가 더욱 효율적이라고 할 수 있다.
다만 선언함수는 내 기준에서 좀 더 직관적으로 이해가 가진 않는다.
'''
summer = pd.read_csv('summer.csv')
summer.head()

'''
	Year	City	Sport	Discipline	Athlete	Country	Gender	Event	Medal
0	1896	Athens	Aquatics	Swimming	HAJOS, Alfred	HUN	Men	100M Freestyle	Gold
...	...	...	...	...	...	...	...	...	...
4	1896	Athens	Aquatics	Swimming	CHASAPIS, Spiridon	GRE	Men	100M Freestyle For Sailors	Silver
5 rows × 9 columns
'''
# Athlete 열에 들어있는 각 행의 첫번째 글자 표기
summer.Athlete.apply(lambda x: x[0])

'''
0        H
        ..
31164    L
Name: Athlete, Length: 31165, dtype: object
'''
summer.Athlete.map(lambda x: x[0])

'''
0        H
        ..
31164    L
Name: Athlete, Length: 31165, dtype: object
'''
summer.iloc[:,1:3].applymap(lambda x: x[0])

'''
	City	Sport
0	A	A
...	...	...
31164	L	W
31165 rows × 2 columns
'''
# 판매 이익률을 잡을때 이익률을 40%로 잡았다고 가정하면,
# 판매액에 40%를 곱해주고, 영업관리비용으로 고정적으로 지출되는 5원을 제외하고 생각해준다. 라는 개념이다.
sales.applymap(lambda x: x*0.4-5)

'''
Mon	Tue	Wed	Thu	Fri
Steven	8.6	5.8	1.0	NaN	8.2
...	...	...	...	...	...
Paul	29.8	21.8	5.8	13.0	-2.2
4 rows × 5 columns
'''
sales

'''

Mon	Tue	Wed	Thu	Fri
Steven	34	27	15	NaN	33
...	...	...	...	...	...
Paul	87	67	27	45.0	7
4 rows × 5 columns
'''

# 기본적으로 sales의 모습은 이러하며
sales*0.4-5

'''
	Mon	Tue	Wed	Thu	Fri
Steven	8.6	5.8	1.0	NaN	8.2
...	...	...	...	...	...
Paul	29.8	21.8	5.8	13.0	-2.2
4 rows × 5 columns
'''
# 이것도 위의 lambda를 쓴것과 같은 결과가 나오게 된다.
# Hierarchical Indexing (MultiIndex) Intro
# 계층적 인덱싱(멀티 인덱싱)

import pandas as pd
titanic = pd.read_csv('titanic.csv')
titanic.head()

'''
	survived	pclass	sex	age	sibsp	parch	fare	embarked	deck
0	0	3	male	22.0	1	0	7.2500	S	NaN
1	1	1	female	38.0	1	0	71.2833	C	C
2	1	3	female	26.0	0	0	7.9250	S	NaN
3	1	1	female	35.0	1	0	53.1000	S	C
4	0	3	male	35.0	0	0	8.0500	S	NaN
'''
# 50개의 행에 대해서만 titanic으로 재 변수처리
titanic = titanic.iloc[:50, :]

titanic.set_index('pclass')

'''
	survived	sex	age	sibsp	parch	fare	embarked	deck
pclass								
3	0	male	22.0	1	0	7.2500	S	NaN
1	1	female	38.0	1	0	71.2833	C	C
...	...	...	...	...	...	...	...	...
3	0	male	NaN	2	0	21.6792	C	NaN
3	0	female	18.0	1	0	17.8000	S	NaN
50 rows × 8 columns
'''
# set_index를 다중으로 잡아줄 경우
titanic.set_index(['pclass', 'sex'], inplace=True)

'''
	survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
3	male	0	22.0	1	0	7.2500	S	NaN
1	female	1	38.0	1	0	71.2833	C	C
...	...	...	...	...	...	...	...	...
3	male	0	NaN	2	0	21.6792	C	NaN
female	0	18.0	1	0	17.8000	S	NaN
50 rows × 7 columns
'''
titanic.sort_index()

'''
	survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
female	1	35.0	1	0	53.1000	S	C
...	...	...	...	...	...	...	...	...
3	male	0	NaN	1	0	15.5000	Q	NaN
male	0	NaN	2	0	21.6792	C	NaN
50 rows × 7 columns
'''
# 이 부분은 아주 흥미롭다.
# 기존에 기준하여 잡은 행이 pclass, sex 이렇게 2개의 컬럼으로 잡았다.
# 이 경우에 ascending 정렬을 둘다 동일하게 먹일경우 기존에 사용하던대로
# titanic.sort_index(ascending=True) or False로 하면 되지만
# 만약 각각 다른 정렬 기준을 적용하고자 한다면, pclass, sex의 순서일 경우
# pclass가 오름차순(True)을 원한다면 True, sex가 내림차순(False)를 원할 경우 이렇게 한다.

titanic.sort_index(ascending=[True, False])

'''
	survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	male	0	54.0	0	0	51.8625	S	E
male	1	28.0	0	0	35.5000	S	A
...	...	...	...	...	...	...	...	...
3	female	1	NaN	0	0	7.7500	Q	NaN
female	0	18.0	1	0	17.8000	S	NaN
50 rows × 7 columns
'''
titanic.sort_index(ascending=[True, True], inplace=True)
# 설정되어있는 컬럼의 기준값을 서로 변경해주는 것이다.
titanic.swaplevel()

'''
    survived	age	sibsp	parch	fare	embarked	deck
sex	pclass							
female	1	1	38.0	1	0	71.2833	C	C
1	1	35.0	1	0	53.1000	S	C
...	...	...	...	...	...	...	...	...
male	3	0	NaN	1	0	15.5000	Q	NaN
3	0	NaN	2	0	21.6792	C	NaN
50 rows × 7 columns
'''

# 만약, swap한대로 저장하고 싶다면
# 새 변수명 = 기존변수.swaplevel()
# 이라고 해주어야한다.
# 이유는 swaplevel의 경우에, inplace = True 기능이 없기 때문이다.
titanic.reset_index()

'''
	pclass	sex	survived	age	sibsp	parch	fare	embarked	deck
0	1	female	1	38.0	1	0	71.2833	C	C
1	1	female	1	35.0	1	0	53.1000	S	C
...	...	...	...	...	...	...	...	...	...
48	3	male	0	NaN	1	0	15.5000	Q	NaN
49	3	male	0	NaN	2	0	21.6792	C	NaN
50 rows × 9 columns
'''
# Hierarchical Indexing (MultiIndex) Part 2

import pandas as pd

titanic = pd.read_csv('titanic.csv')
titanic = titanic.iloc[:50,]
titanic

'''
	survived	pclass	sex	age	sibsp	parch	fare	embarked	deck
0	0	3	male	22.0	1	0	7.2500	S	NaN
1	1	1	female	38.0	1	0	71.2833	C	C
...	...	...	...	...	...	...	...	...	...
48	0	3	male	NaN	2	0	21.6792	C	NaN
49	0	3	female	18.0	1	0	17.8000	S	NaN
50 rows × 9 columns
'''
titanic.loc[1]

'''
survived    1
pclass      1
           ..
embarked    C
deck        C
Name: 1, Length: 9, dtype: object
'''
# 이것 자체로는 변경이 안된다.
# titanic.set_index(['pclass', 'sex']).sort_index(ascending=True)

# 이렇게 해줘야 변경이 된다
titanic = titanic.set_index(['pclass', 'sex']).sort_index(ascending=True)
titanic

'''
	survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
female	1	35.0	1	0	53.1000	S	C
...	...	...	...	...	...	...	...	...
3	male	0	NaN	1	0	15.5000	Q	NaN
male	0	NaN	2	0	21.6792	C	NaN
50 rows × 7 columns
'''
# pclas의 1에 해당하는 값만 선택
titanic.loc[1]
# pclass가 1이나 2에 해당하는 값을 리턴
titanic.loc[[1,2]]
# 1차 인덱스 중에서는 1에 해당되는 값 중에서 2차 인덱스는 female의 값을 가지는 값
titanic.loc[1,'female']

'''
    survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
female	1	35.0	1	0	53.1000	S	C
female	1	58.0	0	0	26.5500	S	C
female	1	NaN	1	0	146.5208	C	B
'''
# 첫번째 인덱스가 1에 해당하고, 두번째 인덱스가 female인것중에서 age만을 출력해주기
titanic.loc[(1,'female'), 'age']

'''
pclass  sex   
1       female    38.0
        female    35.0
        female    58.0
        female     NaN
Name: age, dtype: float64
'''
titanic.loc[(1,'female')]

'''
    survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
    female	1	35.0	1	0	53.1000	S	C
    female	1	58.0	0	0	26.5500	S	C
    female	1	NaN	1	0	146.5208	C	B
'''
# 만약 기준 인덱스값으로 잡아놓은것 중에서 특정값을 선택하고, 그 값에 해당하는 컬럼만 출력을 요구하는데, 2개 이상일경우는 이렇게 한다.
titanic.loc[(1,'male'), ['age', 'fare']]

'''
		age	fare
pclass	sex		
1	male	54.0	51.8625
    male	28.0	35.5000
    male	19.0	263.0000
    male	40.0	27.7208
    male	28.0	82.1708
    male	42.0	52.0000
'''
# 기준인덱스를 설정해주고, 그것에 해당하는 모든 컬럼값을 출력할 경우는

titanic.loc[(2,'female'), :]

'''
        survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
2	female	1	14.0	1	0	30.0708	C	NaN
    female	1	55.0	0	0	16.0000	S	NaN
    female	0	27.0	1	0	21.0000	S	NaN
    female	1	3.0	1	2	41.5792	C	NaN
'''
# 이부분은 정말 전혀 생각지도 못했던 부분이다.
# 내가 원하는 행동은 첫번째 기준인덱스 전부와 두번째 기준인덱스는 female에 해당하는값의 모든 열을 출력한다.라고 할 때

# 시도1
# titanic.loc[('female'), :]
# KeyError: 'female'

# 시도2
# titanic.loc[(:,'female'),:]
# SyntaxError: invalid syntax

# 시도3
# titanic.loc[(:,'female')]
# SyntaxError: invalid syntax

# 해답코드

# 첫번째 기준 인덱스는 슬라이스를 하지 않기 때문에 모든 값을 가져온다.
# 라는 부분이 이해해야하는 포인트 인것같다.
# 다중 인덱스를 조회할 때의 보편적인 방법이라고 한다.
titanic.loc[(slice(None), slice('female')), :]

'''
    survived	age	sibsp	parch	fare	embarked	deck
pclass	sex							
1	female	1	38.0	1	0	71.2833	C	C
    female	1	35.0	1	0	53.1000	S	C
    female	1	58.0	0	0	26.5500	S	C
    female	1	NaN	1	0	146.5208	C	B
2	female	1	14.0	1	0	30.0708	C	NaN
    ...	...	...	...	...	...	...	...	...
3	female	1	14.0	1	0	11.2417	C	NaN
    female	0	40.0	1	0	9.4750	S	NaN
    female	1	19.0	0	0	7.8792	Q	NaN
    female	1	NaN	0	0	7.7500	Q	NaN
    female	0	18.0	1	0	17.8000	S	NaN
25 rows × 7 columns
'''
# String Operations Intro / Refresher

type('Hello World')
# str
hello = 'Hello world'
hello
# 'Hello world'
# 문자열 소문자 만들기
hello.lower()
# 'hello world'
# 문자열 대문자 만들기
hello.upper()

# 'HELLO WORLD'
# 각 문자열 문장의 첫번째 글씨를 대문자로 전환
hello.title()

# 'Hello World'
# 공백을 기준으로 분리하여 각각의 리스트로 만들어 주는 기능
hello.split(' ')

# ['Hello', 'world']
# 내가 지정한 문자를 다른 문자로 바꿔주는 기능
hello.replace('Hello', 'Hi')
# 'Hi world'

# 그렇지만 완전히 변환되는건 아니고, 표시가 변환처럼 보이는 것이다.
# 심지어 inplace = True 기능도 내장되어있지 않은것으로 보이니
# 진정 변경을 원한다면
# hello = hell.replace('Hello', 'Hi') 로 변경해야 하는 것 같다.
# 여기에 더 나아가서 완전 개별적으로 관리하고 싶으면 메모리주소 변경을 위해서 .copy를 써주는것도 방법일 듯 하다.
import pandas as pd
summer = pd.read_csv('summer.csv')
summer.head()

'''

    Year	City	Sport	Discipline	Athlete	Country	Gender	Event	Medal
0	1896	Athens	Aquatics	Swimming	HAJOS, Alfred	HUN	Men	100M Freestyle	Gold
1	1896	Athens	Aquatics	Swimming	HERSCHMANN, Otto	AUT	Men	100M Freestyle	Silver
2	1896	Athens	Aquatics	Swimming	DRIVAS, Dimitrios	GRE	Men	100M Freestyle For Sailors	Bronze
3	1896	Athens	Aquatics	Swimming	MALOKINIS, Ioannis	GRE	Men	100M Freestyle For Sailors	Gold
4	1896	Athens	Aquatics	Swimming	CHASAPIS, Spiridon	GRE	Men	100M Freestyle For Sailors	Silver
'''
names = summer.loc[:9, 'Athlete'].copy()


'''
0            HAJOS, Alfred
1         HERSCHMANN, Otto
2        DRIVAS, Dimitrios
3       MALOKINIS, Ioannis
4       CHASAPIS, Spiridon
5    CHOROPHAS, Efstathios
6            HAJOS, Alfred
7         ANDREOU, Joannis
8    CHOROPHAS, Efstathios
9            NEUMANN, Paul
Name: Athlete, dtype: object
'''
names.dtypes
# dtype('O')
names[0]
# 'HAJOS, Alfred'
names.lower()
# AttributeError: 'Series' object has no attribute 'lower'
# 즉, names는 현재 Series 상태이므로, lower를 사용하기엔, Series엔 lower가 없다는 뜻이다.
# 따라서 방법을 달리해주어야한다.
names.str.lower()
# 이것을 연산하는 과정이 백터화 과정을 이용해서 진행 한 것이라고 한다.

'''
0            hajos, alfred
1         herschmann, otto
2        drivas, dimitrios
3       malokinis, ioannis
4       chasapis, spiridon
5    chorophas, efstathios
6            hajos, alfred
7         andreou, joannis
8    chorophas, efstathios
9            neumann, paul
Name: Athlete, dtype: object
'''
# String Operations in Pandas

import pandas as pd
summer = pd.read_csv('summer.csv')
summer.head()

'''

    Year	City	Sport	Discipline	Athlete	Country	Gender	Event	Medal
0	1896	Athens	Aquatics	Swimming	HAJOS, Alfred	HUN	Men	100M Freestyle	Gold
1	1896	Athens	Aquatics	Swimming	HERSCHMANN, Otto	AUT	Men	100M Freestyle	Silver
2	1896	Athens	Aquatics	Swimming	DRIVAS, Dimitrios	GRE	Men	100M Freestyle For Sailors	Bronze
3	1896	Athens	Aquatics	Swimming	MALOKINIS, Ioannis	GRE	Men	100M Freestyle For Sailors	Gold
4	1896	Athens	Aquatics	Swimming	CHASAPIS, Spiridon	GRE	Men	100M Freestyle For Sailors	Silver
'''
names = summer.Athlete[:9].copy()

names

'''
0            HAJOS, Alfred
1         HERSCHMANN, Otto
2        DRIVAS, Dimitrios
3       MALOKINIS, Ioannis
4       CHASAPIS, Spiridon
5    CHOROPHAS, Efstathios
6            HAJOS, Alfred
7         ANDREOU, Joannis
8    CHOROPHAS, Efstathios
Name: Athlete, dtype: object
'''
# 전체 다 대문자.
names.str.upper()

'''
0            HAJOS, ALFRED
1         HERSCHMANN, OTTO
2        DRIVAS, DIMITRIOS
3       MALOKINIS, IOANNIS
4       CHASAPIS, SPIRIDON
5    CHOROPHAS, EFSTATHIOS
6            HAJOS, ALFRED
7         ANDREOU, JOANNIS
8    CHOROPHAS, EFSTATHIOS
Name: Athlete, dtype: object
'''
# 전체 다 소문자.
names.str.lower()

'''
0            hajos, alfred
1         herschmann, otto
2        drivas, dimitrios
3       malokinis, ioannis
4       chasapis, spiridon
5    chorophas, efstathios
6            hajos, alfred
7         andreou, joannis
8    chorophas, efstathios
Name: Athlete, dtype: object
'''
# 각 문장의 첫번째 글씨만 대문자.
names.str.title()

'''
0            Hajos, Alfred
1         Herschmann, Otto
2        Drivas, Dimitrios
3       Malokinis, Ioannis
4       Chasapis, Spiridon
5    Chorophas, Efstathios
6            Hajos, Alfred
7         Andreou, Joannis
8    Chorophas, Efstathios
Name: Athlete, dtype: object
'''
summer.Event

'''
0                    100M Freestyle
1                    100M Freestyle
2        100M Freestyle For Sailors
3        100M Freestyle For Sailors
4        100M Freestyle For Sailors
                    ...            
31160                      Wg 84 KG
31161                      Wg 96 KG
31162                      Wg 96 KG
31163                      Wg 96 KG
31164                      Wg 96 KG
Name: Event, Length: 31165, dtype: object
'''
# 각 띄어쓰기마다 분리하여 리스트화 하기
summer.Event.str.split()
# 사실상 split()은 split(' ')과 동일한 기능으로 작동한다.

'''
0                      [100M, Freestyle]
1                      [100M, Freestyle]
2        [100M, Freestyle, For, Sailors]
3        [100M, Freestyle, For, Sailors]
4        [100M, Freestyle, For, Sailors]
                      ...               
31160                       [Wg, 84, KG]
31161                       [Wg, 96, KG]
31162                       [Wg, 96, KG]
31163                       [Wg, 96, KG]
31164                       [Wg, 96, KG]
Name: Event, Length: 31165, dtype: object
'''

# 이것은 생각해보니 in 혹은 not in을 사용하기 전에,
# 내용물을 확인하기 위한 용도로도 쓰일 수 있을것같다.
# summer.Event.str.contains
# <bound method StringMethods.contains of <pandas.core.strings.accessor.StringMethods object at 0x179ebf700>>

# in 과 같은 기능인것같다.
summer.Event.str.contains('100M')

'''
0         True
1         True
2         True
3         True
4         True
         ...  
31160    False
31161    False
31162    False
31163    False
31164    False
Name: Event, Length: 31165, dtype: bool
'''
# ' '는 공백을 기준으로 띄어주라는 소리고
# n은 왼쪽부터 시작하여 ' '처럼 주어진 기준을 n 만큼 분할해준다. 는 의미를 가지고 있다.
# 즉, 띄어쓰기가 3개있든 5개있든 왼쪽 가장 먼저되는것부터 2번해주고 그 다음은 하나의 문장으로써 남아있는다.
summer.Event.str.split(' ', n=1)

'''
0                    [100M, Freestyle]
1                    [100M, Freestyle]
2        [100M, Freestyle For Sailors]
3        [100M, Freestyle For Sailors]
4        [100M, Freestyle For Sailors]
                     ...              
31160                      [Wg, 84 KG]
31161                      [Wg, 96 KG]
31162                      [Wg, 96 KG]
31163                      [Wg, 96 KG]
31164                      [Wg, 96 KG]
Name: Event, Length: 31165, dtype: object
'''
# 당연한거지만, 띄어쓰기가 원래 1개가 있는것은 그냥 1번 분할되고 끝이다.
summer.Event.str.split(' ', n=2)

'''
0                     [100M, Freestyle]
1                     [100M, Freestyle]
2        [100M, Freestyle, For Sailors]
3        [100M, Freestyle, For Sailors]
4        [100M, Freestyle, For Sailors]
                      ...              
31160                      [Wg, 84, KG]
31161                      [Wg, 96, KG]
31162                      [Wg, 96, KG]
31163                      [Wg, 96, KG]
31164                      [Wg, 96, KG]
Name: Event, Length: 31165, dtype: object
'''
# 파라미터를 ' '와 n까지만 써주었을때는 기존의 행을 리스트화 하여서 관리하였다.
# 하지만 expand라는 파라미터를 하나 더 추가해주고 True값으로 주게 되면
# 앞의 파라미터들을 통해서 나누어진 값들이 모두 제각각 DataFrame화 되게 된다.
summer.Event.str.split(' ', n = 2, expand = True)

'''
	0	1	2
0	100M	Freestyle	None
1	100M	Freestyle	None
2	100M	Freestyle	For Sailors
3	100M	Freestyle	For Sailors
4	100M	Freestyle	For Sailors
...	...	...	...
31160	Wg	84	KG
31161	Wg	96	KG
31162	Wg	96	KG
31163	Wg	96	KG
31164	Wg	96	KG
31165 rows × 3 columns
'''
300x250

'개발일지 > 임시카테고리' 카테고리의 다른 글

pandas 판다스 기초 12 Matplotlib  (0) 2022.07.26
pandas 틀린부분 복기 5 apply, value_counts  (0) 2022.07.25
pandas 틀린부분 복기 4  (0) 2022.07.23
pandas 판다스 rank, unique, nunique, count, 평균, 표준편차(mean, std), 상관계수 corr  (0) 2022.07.23
Tableau 태블루 맵차트, 지역필터  (0) 2022.07.23

관련글

티스토리툴바