분류 전체보기 (86) 썸네일형 리스트형 휴대성과 안전성을 두루 갖춘 줄즈 에어플러스(AER+) 23년형 유모차 리뷰 최근에 16개월 된 아이를 위해 줄즈 에어플러스 23년형 유모차를 구매했습니다. 디럭스가 있었지만 너무 무겁고 휴대하기에는 단점이 워낙 뚜렷하다보니 고민고민 끝에 휴대용 유모차를 알아보았는데요. 이번 블로그에서는 제 경험과 후기를 토대로 줄즈 에어플러스 23년형 유모차에 대해 소개해드리고자 합니다. 이 유모차는 휴대성과 안전성을 두루 갖추고 있어 저희 가족에게 매우 만족스러운 제품이었습니다. 휴대성 : 줄즈 에어플러스 23년형은 가벼운 알루미늄 프레임으로 만들어져 있어 휴대하기 매우 편리합니다. 또한 한 손으로 손쉽게 접고 펼 수 있는 기능이 있어 여행이나 외출 시에도 편리하게 사용할 수 있었습니다. 제품의 무게도 가벼워서 이동이 편리하고 차에 넣거나 보관할 때도 불편함이 없었습니다. 안전성 : 제품은 .. 실전#5 미국의 대통령은 어떻게 뽑힐까(7) 드디어 마지막 강의! 모델 학습 및 결과를 해석해보자 이전까지는 로지스틱회귀모델과 XGBoost 모델만을 다루었는데 이번 강의에서는 lightgbm 패키지에 있는 LGBMRegressor을 활용하였다. 본 내용에 들어가기 전에 LGBMRegressor에 대해 조금 더 알아보도록 하자 LGBMRegressor는 LightGBM 라이브러리에서 제공하는 회귀 분석용 클래스로, Gradient Boosting Decision Tree 알고리즘을 기반으로 한 트리 기반의 앙상블 학습 방법 중 하나이다. LGBMRegressor는 데이터셋을 학습시켜 트리 기반 모델을 생성하고, 예측값을 출력하는데 이 때, 예측값은 입력된 데이터의 속성(feature)들을 기반으로 하여 계산된다. LGBMRegressor 클래스에서.. 실전#5 미국의 대통령은 어떻게 뽑힐까(6) 이번에는 전처리 과정으로 넘어가보자 앞에서 다양한 형태의 EDA와 데이터프레임 통합 과정을 거친 덕분에 전처리는 상대적으로 수월하게 진행 가능해졌다. 다루게 될 df_norm 데이터 형태부터 살펴보자 여기에서 결과에 해당되는 Pres_DEM, Pres_REP, Gov_DEM, Gov_REP는 입력에서 제외하고, 값이 NaN인 데이터들도 drop처리를 해주도록 하자 df_norm.dropna(inplace = True) X = df_norm.drop(['Pres_DEM', 'Pres_REP', 'Gov_DEM', 'Gov_REP'], axis = 1) y = df_norm['Pres_DEM'] 위 컬럼에서 보듯, 해당되는 모든 변수들이 수치형 데이터이기 때문에 표준화처리도 추가작업 없이 진행해주면 된다. .. 실전#5 미국의 대통령은 어떻게 뽑힐까(5) 이번 EDA는 Plotly에 대한 내용이다. 직관적인 이번 시간의 목표는 Pres_DEM에 대한 County별 현황을 아래와 같은 Geo정보를 활용한 Map 형태로 나타내는 것이다. 우선 위 예시는 plotly 관련 정보가 정리되어있는 https://plotly.com/python/county-choropleth/#the-entire-usa Usa Detailed examples of USA County Choropleth Maps including changing color, size, log axes, and more in Python. plotly.com 에서 참고한 예시이다. 관련 코드는 아래와 같고, plotly 중 figure_factory를 활용하였다. import plotly.figure_.. 실전#5 미국의 대통령은 어떻게 뽑힐까(4) 이번 EDA 의 주된 목적은 변수들간의 상관성을 찾는 것이다. 그럼 바로 Pearson`s correlation 시각화를 통해 데이터 변수들 간의 관계를 살펴보자 # DataFrame의 corr() 메소드와 Seaborn의 heatmap() 메소드를 이용하여 Pearson's correlation 시각화하기 plt.figure(figsize = (12,12)) sns.heatmap(df.corr()) 이 중 주 목적이 되는 변수 Pres_DEM과 Pres_REP에 대해서만 따로 살펴보도록 하자 plt.figure(figsize = (5,12)) sns.heatmap(df.corr()[['Pres_DEM', 'Pres_REP']], annot = True) 결과를 보면서 해석해나가다 보니, 데이터의 수준이.. 실전#5 미국의 대통령은 어떻게 뽑힐까(3) EDA 시작! 오늘의 주제는 County별 통계로 데이터프레임 구조 변경 및 통합하기 이다. 테이블 단위로 작업 과정을 하나씩 따라가보자 df_pres # Step1. 데이터 형태 확인 df_pres.head() # Step2. 공화당(DEM), 민주당(REP)만 남길 수 있도록 lambda 적용 확인 과정 df_pres['party'].apply(lambda s: str(s) in ['DEM','REP']) # Step3. Step2를 실제 data로 적용한 뒤, pivot_table을 활용하여 데이터프레임 구조 변경 data = df_pres.loc[df_pres['party'].apply(lambda s: str(s) in ['DEM','REP'])] table_pres = pd.pivot_tabl.. 이전 1 2 3 4 ··· 15 다음
