[빅분기] 실기 유형 1 실습

In [1]:

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

In [52]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[52]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

Q1. mpg 변수를 제 1사분위수를 구하고 정수값으로 출력하시오

In [8]:

Q1 = df['mpg'].quantile(.25)
print(round(Q1))

15

Q2. mpg 값이 19 이상 21 이하인 데이터 수를 구하시오

In [11]:

Q2 = df.loc[df['mpg'].between(19,21)]
Q2

Out[11]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
9	Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4
24	Pontiac Firebird	19.2	8	400.0	175	3.08	3.845	17.05	0	0	3	2
29	Ferrari Dino	19.7	6	145.0	175	3.62	2.770	15.50	0	1	5	6

In [14]:

print(len(Q2))
print(Q2.shape[0])

5
5

Q3. hp 변수의 IQR 값을 구하시오

In [17]:

Q1 = df['hp'].quantile(.25)
Q3 = df['hp'].quantile(.75)

print(Q3 - Q1)

83.5

Q4. wt 변수의 상위 10개 값의 총합을 구하여 소수점을 버리고 정수로 출력하시오

In [53]:

top10 = df.sort_values('wt', ascending = False).head(10)

In [54]:

top10

Out[54]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
15	Lincoln Continental	10.4	8	460.0	215	3.00	5.424	17.82	0	0	3	4
16	Chrysler Imperial	14.7	8	440.0	230	3.23	5.345	17.42	0	0	3	4
14	Cadillac Fleetwood	10.4	8	472.0	205	2.93	5.250	17.98	0	0	3	4
11	Merc 450SE	16.4	8	275.8	180	3.07	4.070	17.40	0	0	3	3
24	Pontiac Firebird	19.2	8	400.0	175	3.08	3.845	17.05	0	0	3	2
23	Camaro Z28	13.3	8	350.0	245	3.73	3.840	15.41	0	0	3	4
13	Merc 450SLC	15.2	8	275.8	180	3.07	3.780	18.00	0	0	3	3
12	Merc 450SL	17.3	8	275.8	180	3.07	3.730	17.60	0	0	3	3
30	Maserati Bora	15.0	8	301.0	335	3.54	3.570	14.60	0	1	5	8
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4

In [56]:

int(sum(top10['wt'])) #반올림이 아닌 버림

Out[56]:

42

Q5. 전체 자동차에서 cyl가 6인 비율이 얼마인지 소수점 첫재짜리까지 출력하시오

In [37]:

print(round((len(df.loc[df['cyl'] == 6]) / len(df)),1))

0.2

Q6. 첫번째행부터 순서대로 10개를 뽑은 후 mpg 열의 평균값을 반올림하여 정수로 출력하시오

In [61]:

df1 = df.head(10)
df1

Out[61]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
5	Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
7	Merc 240D	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
8	Merc 230	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
9	Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4

In [62]:

df.iloc[ : 10]

Out[62]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
5	Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
7	Merc 240D	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
8	Merc 230	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
9	Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4

In [60]:

df1['mpg'].mean().round(1)

Out[60]:

20.4

Q7. 첫번째 행부터 순서대로 50%까지 데이터를 뽑아 wt 변수의 중앙값을 구하시오

In [64]:

df.shape

Out[64]:

(32, 12)

In [68]:

r50 = int(len(df)*0.5)

In [69]:

df.iloc[ : r50]

Out[69]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
5	Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
7	Merc 240D	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
8	Merc 230	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
9	Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4
10	Merc 280C	17.8	6	167.6	123	3.92	3.440	18.90	1	0	4	4
11	Merc 450SE	16.4	8	275.8	180	3.07	4.070	17.40	0	0	3	3
12	Merc 450SL	17.3	8	275.8	180	3.07	3.730	17.60	0	0	3	3
13	Merc 450SLC	15.2	8	275.8	180	3.07	3.780	18.00	0	0	3	3
14	Cadillac Fleetwood	10.4	8	472.0	205	2.93	5.250	17.98	0	0	3	4
15	Lincoln Continental	10.4	8	460.0	215	3.00	5.424	17.82	0	0	3	4

In [71]:

df50 = df.iloc[ : r50]
df50['wt'].median()

Out[71]:

3.44

Q8.결측값이 있는 데이터의 수를 구하시오

In [73]:

df.isnull().sum()

Out[73]:

model    0
mpg      0
cyl      0
disp     0
hp       0
drat     0
wt       0
qsec     0
vs       0
am       0
gear     0
carb     0
dtype: int64

In [76]:

print(df.isnull().sum().sum())

0

Q9. '판매수' 컬럼의 결측값을 판매수의 중앙값으로 대체하고 판매수의 평균값을 정수로 출력하시오

In [86]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', None, '20230127', '20220203', '20220205','20230210', '20230223','20230312','20220217','20220217','20220217']
   ,'제품' : ['A','B', None, 'B','A',None, 'A','B','A','B','A','A']
   ,'판매수' : [3, None, 5, 10, 10, 10, 15, 15, 20, None, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

In [82]:

Q2 = df['판매수'].median()
print(Q2)

12.5

In [85]:

df['판매수'] = df['판매수'].fillna(Q2)
print(round(df['판매수'].mean()))

15

Q10. 판매수 컬럼에 결측치가 있는 행을 제거하고,
첫번째 행부터 순서대로 50%까지의 데이터를 추출하여
판매수 변수의 Q1 값을 정수로 출력하시오

In [110]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', None, '20230127', '20220203', '20220205','20230210', '20230223','20230312','20220217','20220217','20220217']
   ,'제품' : ['A','B', None, 'B','A',None, 'A','B','A','B','A','A']
   ,'판매수' : [3, None, 5, 10, 10, 10, 15, 15, 20, None, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

In [114]:

df = df.dropna(subset = '판매수')

In [124]:

p50 = int(len(df)*0.5)
p50

Out[124]:

5

In [125]:

df['판매수'][ : 50].quantile(0.25)

Out[125]:

10.0

Q11. mtcars 데이터에서 cyl이 4인 자동차와 6인 자동차 그룹의 mpg 평균값 차이를 절대값으로 정수로 출력하시오

In [127]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[127]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [129]:

cyl4 = df.loc[df['cyl'] == 4]
cyl6 = df.loc[df['cyl'] == 6]

In [131]:

print(cyl4['mpg'].mean())
print(cyl6['mpg'].mean())

26.66363636363636
19.74285714285714

In [135]:

print(round(abs(cyl4['mpg'].mean() - cyl6['mpg'].mean())))

7

In [134]:

print(int(abs(cyl4['mpg'].mean() - cyl6['mpg'].mean())))

6

Q12. hp 변수에 대해 데이터 표준화(Z-score)를 진행하고, 이상치의 수를 구하시오
(단, 이상치는 Z 값이 1.5를 초과하거나 -1.5 미만인 값이다)

Z = (X - 평균)/ 표준편차

In [140]:

mean = df['hp'].mean()
std = df['hp'].std()

In [153]:

df['zcore'] = (df['hp'] - mean) / std
df[['hp', 'zcore']].head()

Out[153]:

	hp	zcore
0	110	-0.535093
1	110	-0.535093
2	93	-0.783040
3	110	-0.535093
4	175	0.412942

In [152]:

len(df.loc[(df['zcore'] < -1.5) | (df['zcore'] > 1.5)])

Out[152]:

2

Q13. mpg 컬럼을 최소최대 Scaling을 진행한 수 0.7보다 큰 값을 가지는 레코드 수를 구하라

(x - min) / (max - min)

In [159]:

#방식1
df['mpg_Scaling'] = MinMaxScaler().fit_transform(df[['mpg']])

In [160]:

df.head()

Out[160]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb	zcore	mpg_Scaling
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4	-0.535093	0.451064
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4	-0.535093	0.451064
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1	-0.783040	0.527660
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1	-0.535093	0.468085
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2	0.412942	0.353191

In [162]:

print(len(df.loc[ df['mpg_Scaling'] > 0.7]))

5

In [163]:

#방식2
min_mpg = df['mpg'].min()
max_mpg = df['mpg'].max()
df['mpg_scaling2'] = ( df['mpg'] - min_mpg) / (max_mpg - min_mpg)

In [164]:

df.head()

Out[164]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb	zcore	mpg_Scaling	mpg_scaling2
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4	-0.535093	0.451064	0.451064
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4	-0.535093	0.451064	0.451064
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1	-0.783040	0.527660	0.527660
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1	-0.535093	0.468085	0.468085
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2	0.412942	0.353191	0.353191

In [166]:

print(len(df.loc[ df['mpg_scaling2'] > 0.7]))

5

Q14. wt 컬럼에 대해 상자그림 기준으로 이상치의 개수를 구하시오

outlier : IQR * 1.5 이상

In [2]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[2]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [9]:

Q1 = df['wt'].quantile(0.25)
Q3 = df['wt'].quantile(0.75)
IRQ = Q3 -Q1 

upper = Q3 + 1.5 * IRQ
lower = Q1 - 1.5 * IRQ

print(len(df.loc[(df['wt'] < lower) | (df['wt'] > upper)]))

3

Q15. 판매수 컬럼의 결측치를 최소값으로 대체하고, 결측치가 있을 때와 최소값으로 대체했을 때 평균값의 차이를 절대값으로 정수형태로 출력해라

In [10]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', None, '20230127', '20220203', '20220205','20230210', '20230223','20230312','20230422','20220505','20230511']['20220103','20220105', None, '20230127', '20220203', '20220205','20230210', '20230223','20230312','20220217','20220217','20220217']
   ,'제품' : ['A','B', None, 'B','A',None, 'A','B','A','B','A','A']
   ,'판매수' : [3, None, 5, 10, 10, 10, 15, 15, 20, None, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

In [15]:

df['판매수'].fillna(df['판매수'].min()).mean()

Out[15]:

13.666666666666666

In [16]:

df['판매수'].mean()

Out[16]:

15.8

In [18]:

int(abs(df['판매수'].mean() - df['판매수'].fillna(df['판매수'].min()).mean()))

Out[18]:

2

Q16. vs 변수가 0이 아닌 차량 중에서 mpg 값이 가장 큰 차량의 hp 값을 출력하시오.

In [19]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[19]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [39]:

df.loc[(df['vs'] != 0)].sort_values('mpg', ascending = False)['hp'].iloc[0]

Out[39]:

65

Q17. gear 변수값이 3,4인 두 그룹의 hp 표준편차 값의 차이를 절대값으로 소수점 첫째자리 수로 출력하시오.

In [43]:

print(df.loc[df['gear'] == 3]['hp'].std())
print(df.loc[df['gear'] == 4]['hp'].std())

47.68927202911223
25.893137033865663

In [45]:

print(round(abs(df.loc[df['gear'] == 3]['hp'].std() - df.loc[df['gear'] == 4]['hp'].std()),1))

21.8

Q18. gear 변수의 값별로 그룹화하여 mpg 평균값을 산출하고, 평균값이 높은 그룹의 mpg 제 3분위수 값을 구하시오.

In [46]:

df.head()

Out[46]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [49]:

df1 = df[['gear','mpg']]

In [56]:

df1.groupby('gear').agg(['mean','sum','min','max'])

Out[56]:

	mpg
	mean	sum	min	max
gear
3	16.106667	241.6	10.4	21.5
4	24.533333	294.4	17.8	33.9
5	21.380000	106.9	15.0	30.4

In [58]:

df.loc[(df['gear'] == 4)]['mpg'].quantile(0.75)

Out[58]:

28.075

Q19. hp 항목의 상위 7번째 값으로 상위 7개 값을 변환한 후, hp가 150이상인 데이터를 추출하여 hp의 평균값을 반올림하여 정수로 출력하시오

In [71]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[71]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [73]:

#hp 기준으로 내림차순 정렬
df = df.sort_values('hp', ascending = False)
df.head()

Out[73]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
30	Maserati Bora	15.0	8	301.0	335	3.54	3.570	14.60	0	1	5	8
28	Ford Pantera L	15.8	8	351.0	264	4.22	3.170	14.50	0	1	5	4
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
23	Camaro Z28	13.3	8	350.0	245	3.73	3.840	15.41	0	0	3	4
16	Chrysler Imperial	14.7	8	440.0	230	3.23	5.345	17.42	0	0	3	4

In [77]:

df = df.reset_index(drop = True)

In [78]:

df['hp'].loc[6]

Out[78]:

205

In [80]:

#np.where 활용 : np.where(조건, true 일때 결과값, false 일때 결과값)
df['hp'] = np.where(df['hp']>=205, df['hp'].loc[6], df['hp'])
print(round(df.loc[df['hp'] >= 150]['hp'].mean()))

187

Q20. model 변수에 Merc 문구가 포홤된 자동차의 mpg 평균값을 정수로 출력하시오

In [81]:

df = pd.read_csv('mtcars.csv')
df.head()

Out[81]:

	model	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2

In [84]:

round(df.loc[df['model'].str.contains('Merc')]['mpg'].mean())

Out[84]:

19

Q21. '22년 1분기 메출액을 구하시오

In [114]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', '20230105', '20230127', '20220203', '20220205','20230210', '20230223','20230312','20230422','20220505','20230511']
   ,'제품' : ['A','B', 'A', 'B','A','B', 'A','B','A','B','A','A']
   ,'판매수' : [3, 5, 5, 10, 10, 10, 15, 15, 20, 25, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

df

Out[114]:

	날짜	제품	판매수	개당수익
0	20220103	A	3	300
1	20220105	B	5	400
2	20230105	A	5	500
3	20230127	B	10	600
4	20220203	A	10	400
5	20220205	B	10	500
6	20230210	A	15	500
7	20230223	B	15	600
8	20230312	A	20	600
9	20230422	B	25	700
10	20220505	A	30	600
11	20230511	A	40	600

In [115]:

df['new_date'] = pd.to_datetime(df['날짜'])
df

Out[115]:

	날짜	제품	판매수	개당수익	new_date
0	20220103	A	3	300	2022-01-03
1	20220105	B	5	400	2022-01-05
2	20230105	A	5	500	2023-01-05
3	20230127	B	10	600	2023-01-27
4	20220203	A	10	400	2022-02-03
5	20220205	B	10	500	2022-02-05
6	20230210	A	15	500	2023-02-10
7	20230223	B	15	600	2023-02-23
8	20230312	A	20	600	2023-03-12
9	20230422	B	25	700	2023-04-22
10	20220505	A	30	600	2022-05-05
11	20230511	A	40	600	2023-05-11

In [116]:

df['new_date'].dt.year

Out[116]:

0     2022
1     2022
2     2023
3     2023
4     2022
5     2022
6     2023
7     2023
8     2023
9     2023
10    2022
11    2023
Name: new_date, dtype: int32

In [117]:

df1 = df.loc[(df['new_date'].dt.year == 2022) & (df['new_date'].dt.quarter == 1)]

In [118]:

df1

Out[118]:

	날짜	제품	판매수	개당수익	new_date
0	20220103	A	3	300	2022-01-03
1	20220105	B	5	400	2022-01-05
4	20220203	A	10	400	2022-02-03
5	20220205	B	10	500	2022-02-05

In [119]:

(df1['판매수']*df1['개당수익']).sum()

Out[119]:

11900

Q22. '22년과 '23년의 총 매출액 차이를 절대값으로 구하시오.

In [165]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', '20230105', '20230127', '20220203', '20220205','20230210', '20230223','20230312','20230422','20220505','20230511']
   ,'제품' : ['A','B', 'A', 'B','A','B', 'A','B','A','B','A','A']
   ,'판매수' : [3, 5, 5, 10, 10, 10, 15, 15, 20, 25, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

df

Out[165]:

	날짜	제품	판매수	개당수익
0	20220103	A	3	300
1	20220105	B	5	400
2	20230105	A	5	500
3	20230127	B	10	600
4	20220203	A	10	400
5	20220205	B	10	500
6	20230210	A	15	500
7	20230223	B	15	600
8	20230312	A	20	600
9	20230422	B	25	700
10	20220505	A	30	600
11	20230511	A	40	600

In [166]:

df['총매출액'] = df['판매수'] * df['개당수익']
df

Out[166]:

	날짜	제품	판매수	개당수익	총매출액
0	20220103	A	3	300	900
1	20220105	B	5	400	2000
2	20230105	A	5	500	2500
3	20230127	B	10	600	6000
4	20220203	A	10	400	4000
5	20220205	B	10	500	5000
6	20230210	A	15	500	7500
7	20230223	B	15	600	9000
8	20230312	A	20	600	12000
9	20230422	B	25	700	17500
10	20220505	A	30	600	18000
11	20230511	A	40	600	24000

In [167]:

df['new_date'] = pd.to_datetime(df['날짜'])
df.head()

Out[167]:

	날짜	제품	판매수	개당수익	총매출액	new_date
0	20220103	A	3	300	900	2022-01-03
1	20220105	B	5	400	2000	2022-01-05
2	20230105	A	5	500	2500	2023-01-05
3	20230127	B	10	600	6000	2023-01-27
4	20220203	A	10	400	4000	2022-02-03

In [168]:

df['year'] = df['new_date'].dt.year
df.head()

Out[168]:

	날짜	제품	판매수	개당수익	총매출액	new_date	year
0	20220103	A	3	300	900	2022-01-03	2022
1	20220105	B	5	400	2000	2022-01-05	2022
2	20230105	A	5	500	2500	2023-01-05	2023
3	20230127	B	10	600	6000	2023-01-27	2023
4	20220203	A	10	400	4000	2022-02-03	2022

In [172]:

print(df.loc[(df['year'] == 2022)]['총매출액'].sum())
print(df.loc[(df['year'] == 2023)]['총매출액'].sum())

29900
78500

In [174]:

print(abs(df.loc[(df['year'] == 2023)]['총매출액'].sum() - df.loc[(df['year'] == 2022)]['총매출액'].sum()))

48600

Q23. '23년 총 매출액이 큰 제품의 23년 판매수를 구하시오.

In [175]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', '20230105', '20230127', '20220203', '20220205','20230210', '20230223','20230312','20230422','20220505','20230511']
   ,'제품' : ['A','B', 'A', 'B','A','B', 'A','B','A','B','A','A']
   ,'판매수' : [3, 5, 5, 10, 10, 10, 15, 15, 20, 25, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

df

Out[175]:

	날짜	제품	판매수	개당수익
0	20220103	A	3	300
1	20220105	B	5	400
2	20230105	A	5	500
3	20230127	B	10	600
4	20220203	A	10	400
5	20220205	B	10	500
6	20230210	A	15	500
7	20230223	B	15	600
8	20230312	A	20	600
9	20230422	B	25	700
10	20220505	A	30	600
11	20230511	A	40	600

In [181]:

df['new_date'] = pd.to_datetime(df['날짜'])
df['year'] = df['new_date'].dt.year
df.head()

Out[181]:

	날짜	제품	판매수	개당수익	new_date	year	총매출액
0	20220103	A	3	300	2022-01-03	2022	900
1	20220105	B	5	400	2022-01-05	2022	2000
2	20230105	A	5	500	2023-01-05	2023	2500
3	20230127	B	10	600	2023-01-27	2023	6000
4	20220203	A	10	400	2022-02-03	2022	4000

In [180]:

df['총매출액'] = df['판매수'] * df['개당수익']
df.head()

Out[180]:

	날짜	제품	판매수	개당수익	new_date	year	총매출액
0	20220103	A	3	300	2022-01-03	2022	900
1	20220105	B	5	400	2022-01-05	2022	2000
2	20230105	A	5	500	2023-01-05	2023	2500
3	20230127	B	10	600	2023-01-27	2023	6000
4	20220203	A	10	400	2022-02-03	2022	4000

In [185]:

df_23 = df.loc[df['year'] == 2023]
df_23

Out[185]:

	날짜	제품	판매수	개당수익	new_date	year	총매출액
2	20230105	A	5	500	2023-01-05	2023	2500
3	20230127	B	10	600	2023-01-27	2023	6000
6	20230210	A	15	500	2023-02-10	2023	7500
7	20230223	B	15	600	2023-02-23	2023	9000
8	20230312	A	20	600	2023-03-12	2023	12000
9	20230422	B	25	700	2023-04-22	2023	17500
11	20230511	A	40	600	2023-05-11	2023	24000

In [188]:

df_23.groupby('제품')['총매출액'].sum()

Out[188]:

제품
A    46000
B    32500
Name: 총매출액, dtype: int64

In [191]:

df_23.loc[df_23['제품'] == 'A']['판매수'].sum()

Out[191]:

80

Q24. 매출액이 4천원 초과, 1만원 미만인 데이터 수를 출력하시오. (매출액 = 판매수 * 개당수익)

In [2]:

df = pd.DataFrame({
    '날짜' : ['20220103','20220105', '20230105', '20230127', '20220203', '20220205','20230210', '20230223','20230312','20230422','20220505','20230511']
   ,'제품' : ['A','B', 'A', 'B','A','B', 'A','B','A','B','A','A']
   ,'판매수' : [3, 5, 5, 10, 10, 10, 15, 15, 20, 25, 30, 40]
   ,'개당수익' : [300, 400, 500, 600, 400 ,500, 500, 600, 600, 700, 600, 600]
})

df

Out[2]:

	날짜	제품	판매수	개당수익
0	20220103	A	3	300
1	20220105	B	5	400
2	20230105	A	5	500
3	20230127	B	10	600
4	20220203	A	10	400
5	20220205	B	10	500
6	20230210	A	15	500
7	20230223	B	15	600
8	20230312	A	20	600
9	20230422	B	25	700
10	20220505	A	30	600
11	20230511	A	40	600

In [3]:

df['매출액'] = df['판매수'] * df['개당수익']
df

Out[3]:

	날짜	제품	판매수	개당수익	매출액
0	20220103	A	3	300	900
1	20220105	B	5	400	2000
2	20230105	A	5	500	2500
3	20230127	B	10	600	6000
4	20220203	A	10	400	4000
5	20220205	B	10	500	5000
6	20230210	A	15	500	7500
7	20230223	B	15	600	9000
8	20230312	A	20	600	12000
9	20230422	B	25	700	17500
10	20220505	A	30	600	18000
11	20230511	A	40	600	24000

In [7]:

df.loc[(df['매출액'] > 4000) & (df['매출액'] < 10000)]

Out[7]:

	날짜	제품	판매수	개당수익	매출액
3	20230127	B	10	600	6000
5	20220205	B	10	500	5000
6	20230210	A	15	500	7500
7	20230223	B	15	600	9000

In [8]:

len(df.loc[(df['매출액'] > 4000) & (df['매출액'] < 10000)])

Out[8]:

4

Q25. 23년 9월 24일 16:00 ~ 22:00 사이에 전체 제품의 판매수를 구하시오.

In [9]:

df = pd.DataFrame({
    '물품' : ['A','B', 'A', 'B','A','B', 'A']
   ,'판매수' : [5, 10, 15, 15, 20, 25, 40]
   ,'개당수익' : [500, 600, 500, 600, 600, 700, 600]
})

time = pd.date_range('2023-09-24 12:25:00', '2023-09-25 14:45:30', periods= 7)
df['time'] = time
df = df[['time', '물품', '판매수', '개당수익']]
df

Out[9]:

	time	물품	판매수	개당수익
0	2023-09-24 12:25:00	A	5	500
1	2023-09-24 16:48:25	B	10	600
2	2023-09-24 21:11:50	A	15	500
3	2023-09-25 01:35:15	B	15	600
4	2023-09-25 05:58:40	A	20	600
5	2023-09-25 10:22:05	B	25	700
6	2023-09-25 14:45:30	A	40	600

In [14]:

#풀이1
(df['time'] >= '2023-09-24 16:00') & (df['time'] <= '2023-09-24 22:00')

Out[14]:

0    False
1     True
2     True
3    False
4    False
5    False
6    False
Name: time, dtype: bool

In [13]:

df.loc[(df['time'] >= '2023-09-24 16:00') & (df['time'] <= '2023-09-24 22:00')]['판매수'].sum()

Out[13]:

25

Q26. 9월 25일 00:00 ~ 12:00 까지의 B 물품의 매출액 총합을 구하시오. (매출액 = 판매수 * 개당수익)

In [58]:

df = pd.DataFrame({
    '물품' : ['A','B', 'A', 'B','A','B', 'A']
   ,'판매수' : [5, 10, 15, 15, 20, 25, 40]
   ,'개당수익' : [500, 600, 500, 600, 600, 700, 600]
})

df['time'] = pd.date_range('2023-09-24 12:25:00', '2023-09-25 14:45:30', periods= 7)
df = df[['time', '물품', '판매수', '개당수익']]
df = df.set_index('time', drop = True)
df

Out[58]:

	물품	판매수	개당수익
time
2023-09-24 12:25:00	A	5	500
2023-09-24 16:48:25	B	10	600
2023-09-24 21:11:50	A	15	500
2023-09-25 01:35:15	B	15	600
2023-09-25 05:58:40	A	20	600
2023-09-25 10:22:05	B	25	700
2023-09-25 14:45:30	A	40	600

In [50]:

df = df.reset_index()
df.set_index('time', drop = False)
df

Out[50]:

	time	물품	판매수	개당수익
0	2023-09-24 12:25:00	A	5	500
1	2023-09-24 16:48:25	B	10	600
2	2023-09-24 21:11:50	A	15	500
3	2023-09-25 01:35:15	B	15	600
4	2023-09-25 05:58:40	A	20	600
5	2023-09-25 10:22:05	B	25	700
6	2023-09-25 14:45:30	A	40	600

In [33]:

#문제 25번 풀이2 - 인덱스가 time일때 between_time 메소드 활용
df.between_time(start_time= '16:00', end_time= '22:00')

Out[33]:

	물품	판매수	개당수익
time
2023-09-24 16:48:25	B	10	600
2023-09-24 21:11:50	A	15	500

In [59]:

#풀이2

#매출액 변수 추가
df['매출액'] = df['판매수'] * df['개당수익']

#time 변수 추가, index 초기화
df = df.reset_index() #default - drop = False

# index 새로고침
df = df.set_index('time', drop= False)

# 데이터 타입 datetime으로 변경
df['time'] = pd.to_datetime(df['time'])

# 9월 25일 필터링 - df['변수].between( , )
df_after = df[df['time'].between('2023-09-25', '2023-09-26')] #26일은 미포함

# 시간 필터링 00:00 ~ 12:00 (주의 : 시간이 index에 위치해야 함)
df = df_after.between_time(start_time= '00:00', end_time= '12:00') #포함기준

# B 물품의 매출액 총합
df = df[df['물품'] == 'B']
print(df['매출액'].sum())

26500

In [29]:

#풀이1
df1 = df.reset_index()
df1['매출액'] = df1['판매수'] * df1['개당수익']
df1.loc[(df1['time'] >= '2023-09-25 00:00:00') & (df1['time'] <= '2023-09-25 12:00:00') & (df1['물품'] == 'B')]['매출액'].sum()

Out[29]:

26500

Q27. 9월 24일 12:00 ~ 24:00 까지의 A 물품의 매출액 총합을 구하시오. (매출액 = 판매수 * 개당수익)

In [60]:

df = pd.DataFrame({
    '물품' : ['A','B', 'A', 'B','A','B', 'A']
   ,'판매수' : [5, 10, 15, 15, 20, 25, 40]
   ,'개당수익' : [500, 600, 500, 600, 600, 700, 600]
})

df['time'] = pd.date_range('2023-09-24 12:25:00', '2023-09-25 14:45:30', periods= 7)
df = df[['time', '물품', '판매수', '개당수익']]
df = df.set_index('time', drop = True)
df

Out[60]:

	물품	판매수	개당수익
time
2023-09-24 12:25:00	A	5	500
2023-09-24 16:48:25	B	10	600
2023-09-24 21:11:50	A	15	500
2023-09-25 01:35:15	B	15	600
2023-09-25 05:58:40	A	20	600
2023-09-25 10:22:05	B	25	700
2023-09-25 14:45:30	A	40	600

In [63]:

#풀이1
df1 = df.reset_index()
df1['매출액'] = df1['판매수'] * df1['개당수익']
df1

Out[63]:

	time	물품	판매수	개당수익	매출액
0	2023-09-24 12:25:00	A	5	500	2500
1	2023-09-24 16:48:25	B	10	600	6000
2	2023-09-24 21:11:50	A	15	500	7500
3	2023-09-25 01:35:15	B	15	600	9000
4	2023-09-25 05:58:40	A	20	600	12000
5	2023-09-25 10:22:05	B	25	700	17500
6	2023-09-25 14:45:30	A	40	600	24000

In [64]:

df1.loc[(df1['time'] >= '2023-09-24 12:00:00') & (df1['time'] < '2023-09-25 00:00:00') & (df1['물품'] == 'A')]['매출액'].sum()

Out[64]:

10000