[빅데이터분석기사/실기] 제1유형. 판다스 실습 - 모의문제

제1유형의 모의문제 입니다.

다양한 문제를 많이 풀어보는 것이 시험에 가장 큰 도움이 되기에 아래 문제들도 꼭 풀어보시기 바랍니다.

 

 

 

---

 

[문제 1번]

① f1 컬럼의 결측치는 중앙 값으로 대체

② 나머지 결측치가 있는 데이터(행)을 모두 제거

③ 앞에서부터 70% 데이터 중 views 컬럼의 3사분위 수에서 1사분위 수를 뺀 값을 구하시오.

(단, 데이터 70% 지점은 정수형(int) 변환)

print(df1.shape)  # 데이터 개수 확인

print( df1.isnull().sum() )  # 결측치 확인

df1['f1'] = df1['f1'].fillna(df1['f1'].median())  # ①중앙값 대체

df1 = df1.dropna()  # ②결측치 삭제

print(df1.shape)  # 데이터 개수 확인

print( int(len(df1) * 0.7) )  # 70% 지점 데이터 개수 확인

df1 = df1[:int(len(df1) * 0.7)]  # 70% 데이터만 저장

IQR = df1['views'].quantile(0.75) - df1['views'].quantile(0.25)  # ③3사분위 수 - 1사분위 수

print(IQR)

 

(100, 10)
id             0
age            0
city           0
f1            31
f2             0
f3            28
f4             0
f5             0
subscribed     0
views          4
dtype: int64
(72, 10)
50
3261.0

 

 

 

[문제 2번]

① 주어진 데이터에서 결측치가 30% 이상인 컬럼을 A, 결측치가 30% 미만, 20% 이상인 컬럼을 B라고 가정
② A에 해당하는 컬럼은 결측치가 있는 데이터(행)를 삭제
③ B에 해당하는 컬럼은 결측치를 최빈값으로 대체
④ 'f3'컬럼의 'gold' 값을 가진 데이터 수를 구하시오.

print( df2.isnull().sum() )

print( len(df2) * 0.3 )  # 결측치가 30% 이상이 되는 값

# ①A = f1, B = f3

print(df2.shape)

df2 = df2.dropna(subset=['f1'])  # ②A의 결측치 데이터 삭제

print(df2.shape)

df2['f3'] = df2['f3'].fillna(df2['f3'].mode()[0])  # ③B의 결측치 최빈값으로 대체

print( df2.isnull().sum() )

print( sum(df2['f3'] == 'gold') )  # ④gold 데이터의 개수

 

id             0
age            0
city           0
f1            31
f2             0
f3            28
f4             0
f5             0
subscribed     0
views          4
dtype: int64
30.0
(100, 10)
(69, 10)
id            0
age           0
city          0
f1            0
f2            0
f3            0
f4            0
f5            0
subscribed    0
views         2
dtype: int64
56

 

 

 

[문제 3번]

① views 컬럼에 결측치가 있는 데이터(행)을 삭제
② f3 컬럼의 결측치는 0, silver는 1, gold는 2, vip는 3 으로 변환
③ f3 컬럼의 총 합을 정수형으로 출력하시오.

 

print(df3.shape)

df3 = df3.dropna(subset=['views'])  # ①views의 결측치 데이터 삭제

print(df3.shape)

 

import numpy as np

df3['f3'] = df3['f3'].replace(np.nan,0).replace('silver',1).replace('gold',2).replace('vip',3)  # ②f3의 값 변환

 

print( int(df3['f3'].sum()) )  # ③f3의 총 합

(100, 10)
(96, 10)
133

 

 

 

[문제 4번]

① 주어진 데이터에서 자료형(type)이 object인 컬럼은 삭제
② 결측치는 0으로 대체
③ 행 단위로 더하기
④ 그 값이 3000보다 큰 값의 데이터 수를 구하시오. ('age', 'f1', 'f2', 'f5', 'views'의 각 행별 합)

 

df4.info()

obj = df4.select_dtypes(include='object').columns  # object 유형인 컬럼명 저장

df4 = df4.drop(obj, axis=1)  # ①컬럼 삭제

df4.info()

 

df4 = df4.fillna(0)  # ②결측치 0으로 대체

 

df4 = df4.T  # 행열 변환

print( df4.sum() )  # ③행 단위로 더하기

print( sum(df4.sum() > 3000) )  # ④3000보다 큰 값의 데이터 개수

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 10 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   id          100 non-null    object 
 1   age         100 non-null    float64
 2   city        100 non-null    object 
 3   f1          69 non-null     float64
 4   f2          100 non-null    int64  
 5   f3          72 non-null     object 
 6   f4          100 non-null    object 
 7   f5          100 non-null    float64
 8   subscribed  100 non-null    object 
 9   views       96 non-null     float64
dtypes: float64(4), int64(1), object(5)
memory usage: 7.9+ KB
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   age     100 non-null    float64
 1   f1      69 non-null     float64
 2   f2      100 non-null    int64  
 3   f5      100 non-null    float64
 4   views   96 non-null     float64
dtypes: float64(4), int64(1)
memory usage: 4.0 KB
0     6913.297791
1     2674.339826
2     7418.252986
3      622.667078
4     1478.269869
         ...     
95    8909.297791
96    4534.667078
97    6854.886373
98    1062.429899
99    6235.381034
Length: 100, dtype: float64
73

 

 

 

[문제 5번]

IQR을 활용해 views 컬럼의 이상치를 찾고, 이상치 데이터 개수를 구하시오.

Q1 = df5['views'].quantile(0.25)

Q3 = df5['views'].quantile(0.75)

IQR = Q3 - Q1

outlier1 = Q1 - (1.5 * IQR)

outlier2 = Q3 + (1.5 * IQR)

print( sum(df5['views'] < outlier1) + sum(df5['views'] > outlier2) )

4

 

 

 

[문제 6번]

① 'age' 컬럼의 이상치(소수점 나이와 0과 음수 나이)를 제거
② 제거 전 후의 views 컬럼 표준편차를 더하시오.

(최종 결과 값은 소수 둘째자리까지 출력, 셋째자리에서 반올림)

 

s1 = df6['views'].std()

 

print(df6.shape)

outlier = df6['age'] > 0

df6 = df6[outlier]  # ①양수인 것

print(df6.shape)

 

outlier = df6['age'] != round(df6['age'],0)

df6 = df6[~outlier]  # ①소수점이 아닌 것

print(df6.shape)

 

s2 = df6['views'].std()

print( round(s1 + s2 , 2) )  # ②표준편차 합

(100, 10)
(96, 10)
(90, 10)
8420.69

 

 

 

[문제 7번]

① index '2001' 데이터(행)의 평균보다 큰 값의 개수
② index '2003' 데이터(행)의 평균보다 작은 값의 개수를 더하시오.

 

import pandas as pd

import random

random.seed(2022)

df = pd.DataFrame()

for i in range(0, 5):

    list_box = []

    for k in range(0, 200):

        ran_num = random.randint(1,200)

        list_box.append(ran_num)

    df[i+2000] = list_box

df = df.T

df.to_csv("data.csv", index=True)

df7 = pd.read_csv("data.csv", index_col="Unnamed: 0")

 

m2001 = sum(df7.loc[2001] > df7.loc[2001].mean())  # ①2001행의 평균보다 큰 값의 개수

m2003 = sum(df7.loc[2003] < df7.loc[2003].mean())  # ②2003행의 평균보다 작은 값의 개수

print( m2001 + m2003 )

202

 

 

 

[문제 8번]

① 결측 값을 가진 데이터는 바로 뒤에 있는 값으로 대체

(바로 뒤가 결측값이라면 뒤에 있는 데이터 중 가장 가까운 값)
② city와 f2 컬럼 기준으로 그룹합을 계산
③ views가 세번째로 큰 city(도시) 이름은?

 

df8.isnull().sum()

df8 = df8.fillna(method='bfill')  # ①결측치를 뒤에 있는 값으로 대체 (앞은 ffill)

 

df8.groupby(['city','f2']).sum()  # ②그룹합 계산

 

df8 = df8.groupby(['city','f2']).sum().reset_index()

df8 = df8.sort_values('views', ascending=False)  # views 기준 내림차순

print(df8.iloc[2,0])  # ③세번째로 큰 도시

대구

 

 

 

[문제 9번]

① 구독(subscribed)의 월별 데이터 개수
② 가장 작은 구독 수가 있는 월을 구하시오.

 

df9['subscribed'] = pd.to_datetime(df9['subscribed'])  # 형식 변경

df9['month'] = df9['subscribed'].dt.month  # 월만 추출

df9 = df9.groupby('month').count()  # ①월별 데이터 개수

 

df9.sort_values('subscribed').index[0]  # ②오름차순, 가장 작은 월 추출

11

 

 

 

 

 

 

 

[빅데이터분석기사/실기] 제1유형. 판다스 실습 - 날짜 변환

 

[빅데이터분석기사/실기] 제1유형. 판다스 실습 - 날짜 변환

 

[빅데이터분석기사/실기] 제1유형. 판다스 실습 - 조건필터, 결측치 처리, 통계분석, 데이터 개수

 

[빅데이터분석기사/실기] 제1유형. 판다스 기초 - 데이터 불러오기/추가/삭제/정렬, 인덱싱/슬라