이 랩에서는 Pandas DataFrame 에서 ge() 메서드를 사용하여 요소별 비교를 수행하는 방법을 배웁니다. ge() 메서드는 각 요소가 다른 DataFrame 또는 스칼라 값의 해당 요소보다 크거나 같은지 여부를 나타내는 부울 값의 DataFrame 을 반환합니다.
VM 시작이 완료되면 왼쪽 상단을 클릭하여 Notebook 탭으로 전환하여 실습을 위해 Jupyter Notebook에 액세스하십시오.
때로는 Jupyter Notebook 이 로딩을 완료하는 데 몇 초 정도 기다려야 할 수 있습니다. Jupyter Notebook 의 제한 사항으로 인해 작업의 유효성 검사는 자동화할 수 없습니다.
학습 중에 문제가 발생하면 언제든지 Labby 에게 문의하십시오. 세션 후 피드백을 제공해주시면 문제를 즉시 해결해 드리겠습니다.
시작하려면 Pandas 와 NumPy 와 같은 필요한 라이브러리를 가져와야 합니다.
import pandas as pd
import numpy as np다음으로, 작업할 DataFrame 을 생성해 보겠습니다.
df = pd.DataFrame({'A': [200, 500], 'B': [60, 250], 'C': [150, 1]})
print("The DataFrame is:")
print(df)이렇게 하면 'A', 'B', 'C' 세 개의 열이 있는 DataFrame 이 생성됩니다. 데이터는 두 개의 행으로 구성됩니다.
이제 스칼라 값을 사용하여 비교를 수행해 보겠습니다. ge() 메서드를 사용하여 DataFrame 의 각 요소가 200 이상인지 확인합니다.
result = df.ge(200)
print("After applying ge function:")
print(result)ge() 메서드는 스칼라 값 200 과 함께 DataFrame df에 적용됩니다. 결과 DataFrame result는 df의 각 요소가 200 이상인지 여부를 나타내는 부울 값 (boolean values) 을 포함합니다.
다음으로, Series 를 사용하여 비교를 수행해 보겠습니다. 150, 200, 150 의 세 가지 값을 가진 Series 를 생성합니다. 그런 다음 ge() 메서드를 사용하여 DataFrame df와 이 Series 를 비교합니다.
series = pd.Series([150, 200, 150])
result = df.ge(series, axis=0)
print("After applying ge function:")
print(result)ge() 메서드는 Series series와 함께 DataFrame df에 적용됩니다. axis 매개변수는 0 으로 설정되어 df의 행을 series의 요소와 비교하려는 것을 나타냅니다. 결과 DataFrame result는 df의 각 요소가 series의 해당 요소보다 크거나 같은지 여부를 나타내는 부울 값 (boolean values) 을 포함합니다.
마지막으로, 다른 DataFrame 을 사용하여 비교를 수행해 보겠습니다. 다른 DataFrame df2를 생성하고 ge() 메서드를 사용하여 원래 DataFrame df와 비교합니다.
df2 = pd.DataFrame({'A': [200, 550], 'B': [65, 251], 'C': [100, 10]})
result = df.ge(df2)
print("After applying ge function:")
print(result)ge() 메서드는 DataFrame df에 DataFrame df2를 사용하여 적용됩니다. 결과 DataFrame result는 df의 각 요소가 df2의 해당 요소보다 크거나 같은지 여부를 나타내는 부울 값 (boolean values) 을 포함합니다.
이 랩에서는 Pandas DataFrame 에서 ge() 메서드를 사용하여 요소별 비교를 수행하는 방법을 배웠습니다. DataFrame 을 스칼라 값, Series 및 다른 DataFrame 과 비교하는 방법을 살펴보았습니다. ge() 메서드를 적용하여 비교 결과를 나타내는 부울 값 (boolean values) 의 DataFrame 을 얻었습니다. 이 메서드는 특정 조건을 기반으로 데이터를 필터링하는 등 다양한 데이터 분석 작업에 유용합니다.