전체 글 (5) 썸네일형 리스트형 Streamlit 시작해 보기 1. git hub에서 새 저장소 생성 폴더명 : streamlit-mulcape 상세 설정 : Public / README.md / add.gitignore : Python/ 깃 주소 복사 2. (한글 없는 경로로) 저장소와 같은 이름의 폴더 생성 3. 폴더에서 git bash 실행 git clone + 복사한 주소 ls : 복사 됐는지 확인 virtualenv venv : 가상환경 생성 ls : 설치 확인 source venv/Scripts/activate : 가상환경 활성화 pwd : 현재 경로 확인 pip install streamlit : 가상환경에서 streamlit 설치 streamlit hello : 홈페이지 접속해보기 연결된 HELLO 화면 캐글 분석 캐글의 Binary Classification with a Bank Churn Dataset 자료를 이용해서 신용도를 구할 수 있는지 흥미가 생겨서 이를 분석주제로 삼고 분석을 실시 하였다. 1. 기본 검증 신용평가에 미치는 주요 요인을 분석하기 위해 실시하는 분석이므로 신용도를 종속변수로 하고, 관련 있을 것으로 추정하여 선정한 급여, 나이, 계좌 잔고를 독립변수로 하여 독립변수 t -검정을 실시하였다. 신용도와 각 변수와의 관계를 아래의 기본식으로 검증하였다. df = pd.read_csv('/kaggle/input/playground-series-s4e1/train.csv') sample1 = np.array(df['CreditScore']) sample2 = np.array(df['Estimate.. 통계적 가설검정 1 통계적 가설 검정 : 모집단의 모수에 관하여 두가지 가설을 세우고, 표본으로부터 계산되는 통계량을 이용하여 옳은 가설을 판단하는 통계적 방법. 다르게 부르면 '가설검정' 또는 '검정'이라고 한다. 위 의 두가지 가설을 자세히 말하면 '귀무가설(null hypothesis)' 과 '대립가설(alternative hypothesis)'이다. 귀무가설 : 대립가설과 반대이며, '모평균과 표본 평균이 차이가 없다.' 또는 '효과가 없다.' 라는 내용을 담는다. 대립가설 : 주장하고자 하는 가설로 '모평균과 표본 평균이 차이가 있다.' 또는 '효과가 있다' 라는 내용을 담는다. 두 가설은 귀무가설의 가정을 바탕으로 표본에 의한 계산된 통계량이 드문 값인지로 판단이 된다. 판단 표기는 ' 귀무가설을 기각한다' 와 .. 메서드(method) 정리 [M1] append() ==> concat() pandas 공식문서에 의하면 append()는 버전 1.4.0 이후로 더이상 사용되지지 않게(deprecated)되었다. 이에 append()는 두가지로 대체 되어야 한다. 1. pandas버전을 1.4.0 이하로 변경한다. 2. append()를 concat()으로 재코딩한다. 위 두가지 방법 중 대체 되는 메서드에 대해 먼저 알아보자. concat()는 특정 축을 따라 padas 개체를 연결한다. 사용방법은 [DataFrame_data1.concat([,ignore_index=True]) 이다. 'ignore_index=True' : 생성된 DataFrame 데이터에는 데이터 순서대로 새로운 index가 할당된다. [M2] join() 다른 데이터프레.. loc VS iloc 판다스(Pandas)의 데이터 프레임의 메서드 중 loc와 iloc를 정리해봤다. 먼저, 각 메서드의 공식 정의는 다음과 같다. loc : Access a group of rows and columns by label(s) or a boolean array. iloc : Purely integer-location based indexing for selection by position. 정의를 통해 기억해야 하는 가장 중요한 차이는 loc는 라벨(lable), iloc는 정수(index) 기반 이라는 것이다. 각 메서드의 사용 방법은 샘플코드를 통해 알아보자. loc : https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.loc.html#pand.. 이전 1 다음
