워로디스

1. 입력: 함수에 무엇이 들어오는가Series.apply()df["a"].apply(func)func에는 df["a"]의 값 하나씩 들어온다.def func(x): # x = 개별 값 return ...예:df["a"].apply(lambda x: x * 2)a가 다음과 같다면:102030함수는 개념적으로 다음처럼 호출된다.func(10)func(20)func(30)DataFrame.apply(axis=1)df.apply(func, axis=1)func에는 행 하나씩 들어온다.각 행의 타입은 Series이다.def func(row): # row = 한 행 전체 return ...예:df.apply( lambda row: row["a"] + row["b"], axis=1)..

증상Unreal Editor를 사용할 때 화면이 깜박이는 문제가 발생했다.특이했던 점은 Unreal Editor 내부만 깜박이는 것이 아니라, Unreal에서 특정 작업을 할 때 다른 프로그램의 창까지 함께 깜박였다는 것이다.즉, 단순한 Unreal Viewport 렌더링 문제라기보다 Unreal Editor가 GPU/디스플레이 동작에 영향을 주면서 Windows의 화면 출력 전체에 문제가 생기는 형태였다.최종적으로 효과가 있었던 해결 방법NVIDIA Control Panel에서 UnrealEditor.exe에 대해서만 G-SYNC/가변 주사율 대신 Fixed Refresh를 사용하도록 설정했다.설정 경로:NVIDIA Control Panel 실행Manage 3D SettingsProgram Settin..

1. 결론머신러닝에서 X는 여러 feature를 가진 입력 행렬이기 때문에 대문자로, y는 각 샘플의 정답을 나타내는 벡터이기 때문에 소문자로 쓰는 것이 일반적인 관습입니다.Python 자체에서 X는 대문자, y는 소문자로 써야 한다는 규칙은 없습니다.이 표기법은 주로 수학, 통계학, 머신러닝에서 사용해 온 관습에서 비롯되었습니다.머신러닝 코드에서는 일반적으로 다음과 같이 사용합니다.X = df[["age", "income", "height"]]y = df["target"]X: 모델에 입력되는 특성(feature) 데이터y: 모델이 예측하려는 정답 또는 타깃(target)2. 왜 X는 대문자인가?수학에서는 일반적으로 행렬(matrix)을 대문자로 표현하는 경우가 많습니다.머신러닝에서 X는 보통 여러 개의..

1. 먼저 알아야 할 것1.1 Feature Scaling이란?머신러닝 데이터에는 서로 단위가 다른 Feature가 함께 들어가는 경우가 많다.예를 들어:age : 18 ~ 80income : 30,000,000 ~ 500,000,000experience : 0 ~ 40age와 experience는 수십 단위인데 income은 수억 단위다.숫자가 크다고 해서 더 중요한 Feature라는 뜻은 아니다.하지만 어떤 머신러닝 알고리즘은 실제로 숫자의 크기 차이에 영향을 받는다.Feature Scaling은 이런 문제를 줄이기 위해 Feature들의 크기나 범위를 조정하는 과정이다.1.2 왜 필요한가?거리 기반 알고리즘예를 들어 두 사람의 차이가 다음과 같다고 하자.나이 차이 : ..

1. 개요머신러닝에서 데이터를 학습용 데이터와 검증용 데이터로 나눈 뒤 스케일링할 때 다음과 같은 코드를 자주 사용한다.from sklearn.preprocessing import RobustScalerrs = RobustScaler()X_train = rs.fit_transform(X_train)X_valid = rs.transform(X_valid)이 코드의 핵심 목적은 학습 데이터에서 스케일링 기준을 계산하고, 그 기준을 검증 데이터에도 동일하게 적용하는 것이다.2. fit()의 역할fit()은 데이터를 실제로 변환하는 것이 아니라, 변환에 필요한 기준을 데이터로부터 계산하는 과정이다.RobustScaler의 경우 각 feature에 대해 주로 다음 값을 계산한다.중앙값(Median)1사분위수(Q1..

DataFrameGroupBy 객체는 그대로 출력해도 내부 데이터가 보이지 않습니다.grouped = df.groupby("지역")print(grouped)# 대신 그룹 구조를 볼지, 각 그룹의 실제 데이터를 볼지, 집계 결과를 볼지에 따라 확인 방법을 선택하면 됩니다.1. 그룹 이름과 행 위치 확인: .groupsgrouped.groups예를 들어:{ "부산": Index([2, 3], dtype="int64"), "서울": Index([0, 1], dtype="int64")}각 그룹에 어떤 원본 인덱스가 포함됐는지 확인할 수 있습니다.그룹 키만 보고 싶다면:grouped.groups.keys()list(grouped.groups)2. 각 그룹의 실제 데이터 확인: 반복문가장 확실한 방법입니..

stack() / unstack()은 행과 열의 계층을 서로 이동시키는 함수입니다. 특히 MultiIndex가 있는 데이터를 변형할 때 사용합니다.핵심적으로 보면:stack() : 열 → 행 인덱스unstack() : 행 인덱스 → 열1. stack()은 언제 쓰나?가로로 넓게 퍼진 데이터를 세로로 길게 바꿀 때 사용합니다.import pandas as pddf = pd.DataFrame({ "국어": [90, 80], "수학": [85, 95]}, index=["철수", "영희"])print(df) 국어 수학철수 90 85영희 80 95df.stack()철수 국어 90 수학 85영희 국어 80 수학 95dtype: int64즉, 과목이 열에 ..

Pandas 라이브러리에서 데이터프레임의 구조를 변환할 때 사용하는 pivot과 pivot_table 메서드의 핵심 원리와 차이점, 그리고 올바른 사용 기준을 정리합니다.1. 피벗(Pivot)의 기본 원리피벗은 세로로 길게 나열된 데이터(Long format)를 가로로 넓은 교차표 형태(Wide format)로 재구조화하는 작업입니다. 이 과정에서 기존 데이터프레임의 컬럼들은 다음과 같이 3가지 역할로 재배치됩니다.Index (행 인덱스): 지정한 컬럼의 고유 값들이 새로운 데이터프레임의 세로축(행 기준)이 됩니다.Columns (열 헤더): 지정한 컬럼의 고유 값들이 가로로 펼쳐져 새로운 데이터프레임의 가로축(컬럼 이름)이 됩니다.Values (데이터 값): Index와 Columns가 만나는 교차점(..