[Pandas] Pandas 연습 문제 풀기 -6 🐼

 

 

 

 

 

 

 

Pandas 연습 문제 풀기 -6 🐼

 

 

 

 

필요한 라이브러리 임포트¶

In [1]:

import pandas as pd
import numpy as np

 

[데이터] 확인¶

• user_id 유저 아이디
• age 나이
• gender 성별
• occupation 직업
• zip_code 우편번호

 

파일 불러오기¶

read_csv를 통해 './data/users.csv'파일을 올바른 형태로 불러온 뒤 users에 저장해주세요.

user_id를 인덱스로 설정해주세요. 열을 구분하는 구분자는 '|'임

In [2]:

users = pd.read_csv("./data/users.csv", sep="|", index_col="user_id")
users

Out[2]:

	age	gender	occupation	zip_code
user_id
1	24	M	technician	85711
2	53	F	other	94043
3	23	M	writer	32067
4	24	M	technician	43537
5	33	F	other	15213
...	...	...	...	...
939	26	F	student	33319
940	32	M	administrator	02215
941	20	M	student	97229
942	48	F	librarian	78209
943	22	M	student	77841

943 rows × 4 columns

 

직업별 평균 연령을 구해서 occupatin_age_mean 변수에 대입해주세요.ㅣ¶

In [3]:

occupatin_age_mean = users.groupby("occupation").age.mean()
occupatin_age_mean

Out[3]:

occupation
administrator    38.746835
artist           31.392857
doctor           43.571429
educator         42.010526
engineer         36.388060
entertainment    29.222222
executive        38.718750
healthcare       41.562500
homemaker        32.571429
lawyer           36.750000
librarian        40.000000
marketing        37.615385
none             26.555556
other            34.523810
programmer       33.121212
retired          63.071429
salesman         35.666667
scientist        35.548387
student          22.081633
technician       33.148148
writer           36.311111
Name: age, dtype: float64

 

occupatin_age_mean을 reset_index로 데이터프레임으로 만들어주세요¶

In [4]:

occupatin_age_mean = occupatin_age_mean.reset_index()
occupatin_age_mean

Out[4]:

	occupation	age
0	administrator	38.746835
1	artist	31.392857
2	doctor	43.571429
3	educator	42.010526
4	engineer	36.388060
5	entertainment	29.222222
6	executive	38.718750
7	healthcare	41.562500
8	homemaker	32.571429
9	lawyer	36.750000
10	librarian	40.000000
11	marketing	37.615385
12	none	26.555556
13	other	34.523810
14	programmer	33.121212
15	retired	63.071429
16	salesman	35.666667
17	scientist	35.548387
18	student	22.081633
19	technician	33.148148
20	writer	36.311111

 

매개변수로 행을 받아서 메시지를 구성하는 함수를 정의하세요.¶

• 직업 administrator의 평균 나이는 38.74683544303797살 입니다.

In [5]:

def message(x):
    return "직업 administrator의 평균 나이는 {}입니다.".format(x)

 

occupation_age_mean데이터프레임에 위에서 정의한 함수를 적용하세요.¶

• 리턴된 결과값을 새로운 열인 'messge'를 만들어 대입하세요.
• 'message'열이 추가된 occupation_age_mean데이터프레임 내용을 확인해보세요.

In [6]:

occupatin_age_mean["message"] = occupatin_age_mean["age"].apply(message)

In [7]:

occupatin_age_mean

Out[7]:

	occupation	age	message
0	administrator	38.746835	직업 administrator의 평균 나이는 38.74683544303797입니다.
1	artist	31.392857	직업 administrator의 평균 나이는 31.392857142857142입니다.
2	doctor	43.571429	직업 administrator의 평균 나이는 43.57142857142857입니다.
3	educator	42.010526	직업 administrator의 평균 나이는 42.01052631578948입니다.
4	engineer	36.388060	직업 administrator의 평균 나이는 36.38805970149254입니다.
5	entertainment	29.222222	직업 administrator의 평균 나이는 29.22222222222222입니다.
6	executive	38.718750	직업 administrator의 평균 나이는 38.71875입니다.
7	healthcare	41.562500	직업 administrator의 평균 나이는 41.5625입니다.
8	homemaker	32.571429	직업 administrator의 평균 나이는 32.57142857142857입니다.
9	lawyer	36.750000	직업 administrator의 평균 나이는 36.75입니다.
10	librarian	40.000000	직업 administrator의 평균 나이는 40.0입니다.
11	marketing	37.615385	직업 administrator의 평균 나이는 37.61538461538461입니다.
12	none	26.555556	직업 administrator의 평균 나이는 26.555555555555557입니다.
13	other	34.523810	직업 administrator의 평균 나이는 34.523809523809526입니다.
14	programmer	33.121212	직업 administrator의 평균 나이는 33.121212121212125입니다.
15	retired	63.071429	직업 administrator의 평균 나이는 63.07142857142857입니다.
16	salesman	35.666667	직업 administrator의 평균 나이는 35.666666666666664입니다.
17	scientist	35.548387	직업 administrator의 평균 나이는 35.54838709677419입니다.
18	student	22.081633	직업 administrator의 평균 나이는 22.081632653061224입니다.
19	technician	33.148148	직업 administrator의 평균 나이는 33.148148148148145입니다.
20	writer	36.311111	직업 administrator의 평균 나이는 36.31111111111111입니다.

 

시리즈의 각 항목을 매개변수로 받아서 'M'->1, 'F'->0을 반환하는 함수를 적용하세요.¶

In [8]:

def sex(x):
    if x=="M": return 1
    elif x=="F": return 0

 

users의 'gender'열에 위에서 정의한 함수를 적용하세요.¶

• 리턴된 결과값을 새로운 열인 'gender_n'를 만들어 대입하세요.
• 'gender_n'열이 추가된 users데이터프레임 내용을 확인해보세요.

In [9]:

users["gender"].apply(sex)

Out[9]:

user_id
1      1
2      0
3      1
4      1
5      0
      ..
939    0
940    1
941    1
942    0
943    1
Name: gender, Length: 943, dtype: int64

In [10]:

users["gender_n"]=users["gender"].apply(sex)

In [11]:

users

Out[11]:

	age	gender	occupation	zip_code	gender_n
user_id
1	24	M	technician	85711	1
2	53	F	other	94043	0
3	23	M	writer	32067	1
4	24	M	technician	43537	1
5	33	F	other	15213	0
...	...	...	...	...	...
939	26	F	student	33319	0
940	32	M	administrator	02215	1
941	20	M	student	97229	1
942	48	F	librarian	78209	0
943	22	M	student	77841	1

943 rows × 5 columns

 

직업별 남성의 수를 구하세요.¶

• 'gender_n'에 남성일 경우 숫자 1이 있습니다. 이 데이터를 이용해서 구하세요.
• 구해진 결과는 occupation_man_count변수에 대입하세요.

In [12]:

occupation_man_count = users.groupby("gender_n").get_group(1).occupation.value_counts()

In [13]:

occupation_man_count

Out[13]:

student          136
other             69
educator          69
engineer          65
programmer        60
administrator     43
executive         29
scientist         28
technician        26
writer            26
librarian         22
entertainment     16
marketing         16
artist            15
retired           13
lawyer            10
salesman           9
doctor             7
none               5
healthcare         5
homemaker          1
Name: occupation, dtype: int64

In [14]:

# 동일식 ---> 정답에 있는 것 참고
# sum()의 경우에는 True가 1만 집계된것! 그래서 남자만 나올수 있었음!

occupation_man_count2 = users.groupby('occupation')['gender_n'].sum().sort_values(ascending=False)

In [15]:

occupation_man_count2

Out[15]:

occupation
student          136
other             69
educator          69
engineer          65
programmer        60
administrator     43
executive         29
scientist         28
technician        26
writer            26
librarian         22
marketing         16
entertainment     16
artist            15
retired           13
lawyer            10
salesman           9
doctor             7
none               5
healthcare         5
homemaker          1
Name: gender_n, dtype: int64

 

직업별 사람수를 구하세요¶

• 직업별 고유 데이터수와 같습니다.
• 결과를 occupation_total_count에 대입하세요.

In [16]:

occupation_total_count =  users.occupation.value_counts()
occupation_total_count

Out[16]:

student          196
other            105
educator          95
administrator     79
engineer          67
programmer        66
librarian         51
writer            45
executive         32
scientist         31
artist            28
technician        27
marketing         26
entertainment     18
healthcare        16
retired           14
lawyer            12
salesman          12
none               9
homemaker          7
doctor             7
Name: occupation, dtype: int64

 

직업별 남성 비율을 구한 뒤 내림차순으로 정렬해주세요¶

• 직업별 남성의 비율 : 직업별 남성의 수 / 직업별 총 사람의 수 * 100

In [21]:

(occupation_man_count/occupation_total_count *100).sort_values(ascending=False)

Out[21]:

doctor           100.000000
engineer          97.014925
technician        96.296296
retired           92.857143
programmer        90.909091
executive         90.625000
scientist         90.322581
entertainment     88.888889
lawyer            83.333333
salesman          75.000000
educator          72.631579
student           69.387755
other             65.714286
marketing         61.538462
writer            57.777778
none              55.555556
administrator     54.430380
artist            53.571429
librarian         43.137255
healthcare        31.250000
homemaker         14.285714
Name: occupation, dtype: float64

 

직업별로 나이의 최소값과 최대값을 구해주세요¶

In [22]:

users.groupby("occupation").age.agg([min,max])

Out[22]:

	min	max
occupation
administrator	21	70
artist	19	48
doctor	28	64
educator	23	63
engineer	22	70
entertainment	15	50
executive	22	69
healthcare	22	62
homemaker	20	50
lawyer	21	53
librarian	23	69
marketing	24	55
none	11	55
other	13	64
programmer	20	63
retired	51	73
salesman	18	66
scientist	23	55
student	7	42
technician	21	55
writer	18	60

 

직업과 성별로 나이의 최대값, 최소값을 구해주세요¶

In [23]:

users.groupby(["occupation","gender"]).age.agg([max,min])

Out[23]:

		max	min
occupation	gender
administrator	F	62	22
	M	70	21
artist	F	48	19
	M	45	20
doctor	M	64	28
educator	F	51	23
	M	63	25
engineer	F	36	23
	M	70	22
entertainment	F	38	24
	M	50	15
executive	F	49	39
	M	69	22
healthcare	F	53	22
	M	62	28
homemaker	F	50	20
	M	23	23
lawyer	F	51	28
	M	53	21
librarian	F	59	26
	M	69	23
marketing	F	50	24
	M	55	24
none	F	55	26
	M	33	11
other	F	55	18
	M	64	13
programmer	F	38	26
	M	63	20
retired	F	70	70
	M	73	51
salesman	F	33	18
	M	66	21
scientist	F	31	26
	M	55	23
student	F	38	13
	M	42	7
technician	F	38	38
	M	55	21
writer	F	56	18
	M	60	21

In [ ]:

 

 

 

 

 

🐼깃허브 코드 저장소는 👉: https://github.com/LIMSONA/KDT/blob/main/pandas/Day_3/%EC%97%B0%EC%8A%B506.ipynb

GitHub - LIMSONA/KDT: 한양대학교 PBL K-Digital Trainning