🔥알림🔥
① 테디노트 유튜브 - 구경하러 가기!
② LangChain 한국어 튜토리얼 바로가기 👀
③ 랭체인 노트 무료 전자책(wikidocs) 바로가기 🙌
④ RAG 비법노트 LangChain 강의오픈 바로가기 🙌
⑤ 서울대 PyTorch 딥러닝 강의 바로가기 🙌

10분만에 pandas 정복하기 - 대한민국 부동산 데이터 활용편

2019년 07월 26일 40 분 소요

Data 분석을 위해서는 pandas는 당연히 기본입니다.

문법이 어렵거나 하지 않아서 코딩을 전혀 해보지 않은 사람들도 pandas를 활용하여 손쉽게 데이터 분석을 할 수 있도록 만들어 놓은 library 입니다.

pandas의 기본 문법을 pandas에서 제공하는 10 minutes to pandas 따라서 해보면서 한 번 기초적인 분석을 해보도록 하겠습니다.

더욱 자세한 API Documentation 은 https://pandas.pydata.org/docs/reference/index.html에 있습니다.

데이터 준비하기

활용한 데이터는 전국 신규 민간 아파트 분양가격 동향이라는 공공데이터 포탈에서 .csv로 다운로드 받은 데이터 입니다. 자료는 언제든 최신 csv로 다운로드 받으실 수 있습니다.

여기서 간혹 csv파일을 못불러오는 에러가 뜨는 경우가 있는데, csv 파일 타입을 반드시 utf-8 csv 파일 타입으로 변경을 해야 제대로 pandas에서 불러올 수 있으며, excel로 먼저 파일을 여신 후에 “다른 이름으로 저장” -> UTF-8 CSV 로 저장하시면 제대로 불러올 수 있습니다.

pandas module import

import pandas as pd
import numpy as np

csv파일을 불러오기

df = pd.read_csv('./data/house_price_2019_03.csv')

살펴보기

df.head()

	지역명	규모구분	연도	월	분양가격(㎡)
0	서울	전체	2015	10	5841
1	서울	전용면적 60㎡이하	2015	10	5652
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721
4	서울	전용면적 102㎡초과	2015	10	5879

df.tail()

	지역명	규모구분	연도	월	분양가격(㎡)
3565	제주	전체	2019	3	3424
3566	제주	전용면적 60㎡이하	2019	3	3804
3567	제주	전용면적 60㎡초과 85㎡이하	2019	3	3504
3568	제주	전용면적 85㎡초과 102㎡이하	2019	3	3226
3569	제주	전용면적 102㎡초과	2019	3	2952

열의 이름 바꾸기

df=df.rename(columns={'분양가격(㎡)':'분양가'})

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841
1	서울	전용면적 60㎡이하	2015	10	5652
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721
4	서울	전용면적 102㎡초과	2015	10	5879

data type 보기

df.dtypes

지역명     object
규모구분    object
연도       int64
월        int64
분양가     object
dtype: object

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841
1	서울	전용면적 60㎡이하	2015	10	5652
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721
4	서울	전용면적 102㎡초과	2015	10	5879

df['분양가'] = df['분양가'].convert_objects(convert_numeric=True)

df.dtypes

지역명      object
규모구분     object
연도        int64
월         int64
분양가     float64
dtype: object

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

numpy array로 변환하기

arr = df.to_numpy()

arr

array([['서울', '전체', 2015, 10, 5841.0],
       ['서울', '전용면적 60㎡이하', 2015, 10, 5652.0],
       ['서울', '전용면적 60㎡초과 85㎡이하', 2015, 10, 5882.0],
       ...,
       ['제주', '전용면적 60㎡초과 85㎡이하', 2019, 3, 3504.0],
       ['제주', '전용면적 85㎡초과 102㎡이하', 2019, 3, 3226.0],
       ['제주', '전용면적 102㎡초과', 2019, 3, 2952.0]], dtype=object)

len(arr)

arr[0], arr[1]

(array(['서울', '전체', 2015, 10, 5841.0], dtype=object),
 array(['서울', '전용면적 60㎡이하', 2015, 10, 5652.0], dtype=object))

간단한 통계 보기

df.describe()

	연도	월	분양가
count	3570.000000	3570.000000	3273.000000
mean	2017.000000	6.500000	3130.001833
std	1.069195	3.634017	1141.740958
min	2015.000000	1.000000	1868.000000
25%	2016.000000	3.000000	2387.000000
50%	2017.000000	6.500000	2787.000000
75%	2018.000000	10.000000	3383.000000
max	2019.000000	12.000000	8191.000000

Transposing 하기 (축 변환하기)

# 갯수를 지정하여 출력
df.head(3)

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0

df.T.head()

	0	1	2	3	4	5	6	7	8	9	...	3560	3561	3562	3563	3564	3565	3566	3567	3568	3569
지역명	서울	서울	서울	서울	서울	인천	인천	인천	인천	인천	...	경남	경남	경남	경남	경남	제주	제주	제주	제주	제주
규모구분	전체	전용면적 60㎡이하	전용면적 60㎡초과 85㎡이하	전용면적 85㎡초과 102㎡이하	전용면적 102㎡초과	전체	전용면적 60㎡이하	전용면적 60㎡초과 85㎡이하	전용면적 85㎡초과 102㎡이하	전용면적 102㎡초과	...	전체	전용면적 60㎡이하	전용면적 60㎡초과 85㎡이하	전용면적 85㎡초과 102㎡이하	전용면적 102㎡초과	전체	전용면적 60㎡이하	전용면적 60㎡초과 85㎡이하	전용면적 85㎡초과 102㎡이하	전용면적 102㎡초과
연도	2015	2015	2015	2015	2015	2015	2015	2015	2015	2015	...	2019	2019	2019	2019	2019	2019	2019	2019	2019	2019
월	10	10	10	10	10	10	10	10	10	10	...	3	3	3	3	3	3	3	3	3	3
분양가	5841	5652	5882	5721	5879	3163	3488	3119	3545	3408	...	2877	2776	2855	3173	4303	3424	3804	3504	3226	2952

5 rows × 3570 columns

정렬

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

1. Index 정렬

# 내림차순 정렬
df.sort_index(axis=0, ascending=False)[:5]

	지역명	규모구분	연도	월	분양가
3569	제주	전용면적 102㎡초과	2019	3	2952.0
3568	제주	전용면적 85㎡초과 102㎡이하	2019	3	3226.0
3567	제주	전용면적 60㎡초과 85㎡이하	2019	3	3504.0
3566	제주	전용면적 60㎡이하	2019	3	3804.0
3565	제주	전체	2019	3	3424.0

# 오름차순 정렬
df.sort_index(axis=0, ascending=True)[:5]

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

2. Value 정렬

# 지역명 별로 정렬
df.sort_values(by='지역명')[:5]

	지역명	규모구분	연도	월	분양가
1831	강원	전용면적 60㎡이하	2017	7	2167.0
896	강원	전용면적 60㎡이하	2016	8	2073.0
895	강원	전체	2016	8	2098.0
215	강원	전체	2015	12	2171.0
216	강원	전용면적 60㎡이하	2015	12	2292.0

# 연도 별로 정렬
df.sort_values(by='연도')[:5]

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
162	경남	전용면적 60㎡초과 85㎡이하	2015	11	2322.0
163	경남	전용면적 85㎡초과 102㎡이하	2015	11	2980.0
164	경남	전용면적 102㎡초과	2015	11	3043.0
165	제주	전체	2015	11	2232.0

선택 (Selection)

1. Column 이름으로 선택

df['지역명'][:5]

  서울
  서울
  서울
  서울
  서울
Name: 지역명, dtype: object

df['연도'][:5]

  2015
  2015
  2015
  2015
  2015
Name: 연도, dtype: int64

2. Index 선택

# index 0 부터 5 미만까지 선택
# index 지정시 : 기준으로 왼쪽은 포함, : 기준으로 오른쪽은 미만
df[0:5]

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

# 끝에 5개 출력
df[-5:]

	지역명	규모구분	연도	월	분양가
3565	제주	전체	2019	3	3424.0
3566	제주	전용면적 60㎡이하	2019	3	3804.0
3567	제주	전용면적 60㎡초과 85㎡이하	2019	3	3504.0
3568	제주	전용면적 85㎡초과 102㎡이하	2019	3	3226.0
3569	제주	전용면적 102㎡초과	2019	3	2952.0

3. label로 선택

df.loc[:, ['지역명', '연도']][:5]

	지역명	연도
0	서울	2015
1	서울	2015
2	서울	2015
3	서울	2015
4	서울	2015

# (주의) 여기서는 :를 기준으로 우측에 있는 범위인 6을 포함하여 출력
df.loc[:6,['지역명', '연도']]

	지역명	연도
0	서울	2015
1	서울	2015
2	서울	2015
3	서울	2015
4	서울	2015
5	인천	2015
6	인천	2015

# 조건을 삽입 가능
df.loc[df.index > 5, ['지역명', '연도']][:10]

	지역명	연도
6	인천	2015
7	인천	2015
8	인천	2015
9	인천	2015
10	경기	2015
11	경기	2015
12	경기	2015
13	경기	2015
14	경기	2015
15	부산	2015

# 지역명 column의 값이 '인천'인 행의 '지역명', '연도' 출력
df.loc[df['지역명']=='인천',['지역명', '연도']][:10]

	지역명	연도
5	인천	2015
6	인천	2015
7	인천	2015
8	인천	2015
9	인천	2015
90	인천	2015
91	인천	2015
92	인천	2015
93	인천	2015
94	인천	2015

4. iloc을 활용한 인덱스 지정 선택

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

df.iloc[2, 1]

'전용면적 60㎡초과 85㎡이하'

# df.iloc과 동작방식은 동일하지만, 범위 지정은 불가
df.iat[2, 1]

'전용면적 60㎡초과 85㎡이하'

df.iloc[2, :]

지역명                   서울
규모구분    전용면적 60㎡초과 85㎡이하
연도                  2015
월                     10
분양가                 5882
Name: 2, dtype: object

df.iloc[:5, 1]

                 전체
         전용면적 60㎡이하
   전용면적 60㎡초과 85㎡이하
  전용면적 85㎡초과 102㎡이하
        전용면적 102㎡초과
Name: 규모구분, dtype: object

# iloc으로 인덱스 지정시 : 기준으로 왼쪽은 포함, : 기준으로 오른쪽은 미만
df.iloc[:5, 1:3]

	규모구분	연도
0	전체	2015
1	전용면적 60㎡이하	2015
2	전용면적 60㎡초과 85㎡이하	2015
3	전용면적 85㎡초과 102㎡이하	2015
4	전용면적 102㎡초과	2015

5. 범위 조건 지정 선택

df[df.index > 3565]

	지역명	규모구분	연도	월	분양가
3566	제주	전용면적 60㎡이하	2019	3	3804.0
3567	제주	전용면적 60㎡초과 85㎡이하	2019	3	3504.0
3568	제주	전용면적 85㎡초과 102㎡이하	2019	3	3226.0
3569	제주	전용면적 102㎡초과	2019	3	2952.0

5-a. df.연도 와 df[‘연도’] 의 column 지정방식은 동일하다

df[df.연도 == 2019][:5]

	지역명	규모구분	연도	월	분양가
3315	서울	전체	2019	1	7600.0
3316	서울	전용면적 60㎡이하	2019	1	7400.0
3317	서울	전용면적 60㎡초과 85㎡이하	2019	1	8105.0
3318	서울	전용면적 85㎡초과 102㎡이하	2019	1	6842.0
3319	서울	전용면적 102㎡초과	2019	1	7787.0

df[df['연도'] == 2019][:5]

	지역명	규모구분	연도	월	분양가
3315	서울	전체	2019	1	7600.0
3316	서울	전용면적 60㎡이하	2019	1	7400.0
3317	서울	전용면적 60㎡초과 85㎡이하	2019	1	8105.0
3318	서울	전용면적 85㎡초과 102㎡이하	2019	1	6842.0
3319	서울	전용면적 102㎡초과	2019	1	7787.0

Copy로 복사

df.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

copy = df.copy()

copy.head()

	지역명	규모구분	연도	월	분양가
0	서울	전체	2015	10	5841.0
1	서울	전용면적 60㎡이하	2015	10	5652.0
2	서울	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	서울	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	서울	전용면적 102㎡초과	2015	10	5879.0

값 지정

# 지역명 == 서울 인 지역만 선택
df.loc[df['지역명']=='서울','지역명'][:10]

   서울
   서울
   서울
   서울
   서울
  서울
  서울
  서울
  서울
  서울
Name: 지역명, dtype: object

# 지역명 == 서울 인 지역을 Seoul로 변경(값을 set)
df.loc[df['지역명']=='서울','지역명'] = 'Seoul'

df.head()

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0

reindex를 통한 지정 행과 새로운 열을 추가하여 새로운 dataframe으로 생성

df1 = df.reindex(index=df.index[:7], columns=list(df.columns) + ['extra'])

df1

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	NaN
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	NaN
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	NaN
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	NaN
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	NaN
5	인천	전체	2015	10	3163.0	NaN
6	인천	전용면적 60㎡이하	2015	10	3488.0	NaN

df1.loc[:4, 'extra'] = False

df1

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False
5	인천	전체	2015	10	3163.0	NaN
6	인천	전용면적 60㎡이하	2015	10	3488.0	NaN

빈 데이터 처리

df2 = df1.copy()

df2

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False
5	인천	전체	2015	10	3163.0	NaN
6	인천	전용면적 60㎡이하	2015	10	3488.0	NaN

1. NaN 값이 있는 행을 제거

df2.dropna(how='any')

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False

1-a 하지만 원본 데이터에는 반영이 안되어 있음

df2

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False
5	인천	전체	2015	10	3163.0	NaN
6	인천	전용면적 60㎡이하	2015	10	3488.0	NaN

1-b 원본 데이터에 반영을 시키기 위해서는 inplace=True를 적용

df2.dropna(how='any', inplace=True)

# NaN 값이 있는 행이 제거됨
df2

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False

2. NaN 값이 있는 행에 값을 채움

df2 = df1.copy()

df2

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False
5	인천	전체	2015	10	3163.0	NaN
6	인천	전용면적 60㎡이하	2015	10	3488.0	NaN

df2.fillna(value=True)

	지역명	규모구분	연도	월	분양가	extra
0	Seoul	전체	2015	10	5841.0	False
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	False
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	False
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	False
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	False
5	인천	전체	2015	10	3163.0	True
6	인천	전용면적 60㎡이하	2015	10	3488.0	True

3. NaN 값이 있는 데이터를 Boolean 값으로 출력

pd.isna(df2)

	지역명	규모구분	연도	월	분양가	extra
0	False	False	False	False	False	False
1	False	False	False	False	False	False
2	False	False	False	False	False	False
3	False	False	False	False	False	False
4	False	False	False	False	False	False
5	False	False	False	False	False	True
6	False	False	False	False	False	True

연산 (Operation)

df.head()

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0

열(column) 기준 평균

df.mean()

연도     2017.000000
월         6.500000
분양가    3130.001833
dtype: float64

행(row) 기준 평균

df.mean(1)[:5]

  2622.000000
  2559.000000
  2635.666667
  2582.000000
  2634.666667
dtype: float64

df.head()

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0

행을 2칸 뒤로 밀기

df.shift(2)[:5]

	지역명	규모구분	연도	월	분양가
0	NaN	NaN	NaN	NaN	NaN
1	NaN	NaN	NaN	NaN	NaN
2	Seoul	전체	2015.0	10.0	5841.0
3	Seoul	전용면적 60㎡이하	2015.0	10.0	5652.0
4	Seoul	전용면적 60㎡초과 85㎡이하	2015.0	10.0	5882.0

행을 2칸 당기기

df.shift(-2)[:5]

	지역명	규모구분	연도	월	분양가
0	Seoul	전용면적 60㎡초과 85㎡이하	2015.0	10.0	5882.0
1	Seoul	전용면적 85㎡초과 102㎡이하	2015.0	10.0	5721.0
2	Seoul	전용면적 102㎡초과	2015.0	10.0	5879.0
3	인천	전체	2015.0	10.0	3163.0
4	인천	전용면적 60㎡이하	2015.0	10.0	3488.0

Broadcasting을 이용한 subtract (빼기)

df1 = df[['연도', '월']]

df1.head()

	연도	월
0	2015	10
1	2015	10
2	2015	10
3	2015	10
4	2015	10

df1.shape

(3570, 2)

s = np.ones(df.shape[0])

s.shape

(3570,)

df1.head()

	연도	월
0	2015	10
1	2015	10
2	2015	10
3	2015	10
4	2015	10

array([1., 1., 1., ..., 1., 1., 1.])

df1.sub(s, axis=0).head()

	연도	월
0	2014.0	9.0
1	2014.0	9.0
2	2014.0	9.0
3	2014.0	9.0
4	2014.0	9.0

s = np.ones(df1.shape[1])

array([1., 1.])

df1.sub(s, axis=1).head()

	연도	월
0	2014.0	9.0
1	2014.0	9.0
2	2014.0	9.0
3	2014.0	9.0
4	2014.0	9.0

Apply

np.cumsum : cumulative sum의 함수형으로 누적 합을 구하는 함수

df1.apply(np.cumsum)[:10]

	연도	월
0	2015	10
1	4030	20
2	6045	30
3	8060	40
4	10075	50
5	12090	60
6	14105	70
7	16120	80
8	18135	90
9	20150	100

연도 column

x.max() 는 최대값인 2019년도의 2019 x.min() 은 최소값인 2015년도의 2015 2019 - 2015 = 4가 출력

월 column

x.max() 는 최대값인 12 x.min() 은 최소값인 1 12 - 1 = 11이 출력

df1.apply(lambda x: x.max() - x.min())

연도     4
월     11
dtype: int64

df1.head()

	연도	월
0	2015	10
1	2015	10
2	2015	10
3	2015	10
4	2015	10

값들의 종류별 출력

df1['연도'].value_counts()

  1020
  1020
  1020
   255
   255
Name: 연도, dtype: int64

데이터 합치기 (Data Merge)

df.head()

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0

left = df[['연도', '월']]

left.head()

	연도	월
0	2015	10
1	2015	10
2	2015	10
3	2015	10
4	2015	10

right = df[['지역명']]

right.head()

	지역명
0	Seoul
1	Seoul
2	Seoul
3	Seoul
4	Seoul

1. Concat

part_1 = pd.DataFrame(np.random.randn(3, 4))
part_2 = pd.DataFrame(np.random.randn(4, 4))
part_3 = pd.DataFrame(np.random.randn(5, 4))

part_1

	0	1	2	3
0	-0.528271	0.720859	-0.722125	-0.899108
1	-0.047759	-1.242737	0.365917	0.487562
2	0.704220	-1.756446	-0.115087	-0.553400

part_2

	0	1	2	3
0	1.238083	-0.430535	-0.676987	0.895199
1	1.286559	0.940526	-0.511938	0.821484
2	2.192235	0.472074	-0.302693	-0.353570
3	0.762386	-0.034152	0.778173	0.017409

part_3

	0	1	2	3
0	-2.012103	-0.190446	-0.316163	-1.409107
1	-1.895678	0.214685	-0.774698	-1.046805
2	1.441786	1.363821	0.234136	-0.427928
3	-1.298646	-0.715675	0.028136	0.929860
4	0.767976	1.208685	0.212538	2.206161

part = [part_1, part_2, part_3]

part

[          0         1         2         3
-0.528271  0.720859 -0.722125 -0.899108
-0.047759 -1.242737  0.365917  0.487562
0.704220 -1.756446 -0.115087 -0.553400,
           0         1         2         3
1.238083 -0.430535 -0.676987  0.895199
1.286559  0.940526 -0.511938  0.821484
2.192235  0.472074 -0.302693 -0.353570
0.762386 -0.034152  0.778173  0.017409,
           0         1         2         3
-2.012103 -0.190446 -0.316163 -1.409107
-1.895678  0.214685 -0.774698 -1.046805
1.441786  1.363821  0.234136 -0.427928
-1.298646 -0.715675  0.028136  0.929860
0.767976  1.208685  0.212538  2.206161]

pd.concat(part)

	0	1	2	3
0	-0.528271	0.720859	-0.722125	-0.899108
1	-0.047759	-1.242737	0.365917	0.487562
2	0.704220	-1.756446	-0.115087	-0.553400
0	1.238083	-0.430535	-0.676987	0.895199
1	1.286559	0.940526	-0.511938	0.821484
2	2.192235	0.472074	-0.302693	-0.353570
3	0.762386	-0.034152	0.778173	0.017409
0	-2.012103	-0.190446	-0.316163	-1.409107
1	-1.895678	0.214685	-0.774698	-1.046805
2	1.441786	1.363821	0.234136	-0.427928
3	-1.298646	-0.715675	0.028136	0.929860
4	0.767976	1.208685	0.212538	2.206161

2. Join

Join을 Column(열)을 기준으로 합칠 경우에 on=’합치고자하는 열의 이름’를 자주 사용하게 되는데, 값이 고유하지 않다면, 매우 혼란스러울 수 있다

예시1: key가 고유한 경우

left = pd.DataFrame({'연도': ['2015', '2016', '2017', '2018', '2019'], '월': ['1', '2', '3', '4', '5']})
left

	연도	월
0	2015	1
1	2016	2
2	2017	3
3	2018	4
4	2019	5

right = pd.DataFrame({'이름': ['홍길동', '김영희', '이철수', '방탄소년단', 'QUEEN'], '월': ['1', '2', '3', '4', '5']})
right

	이름	월
0	홍길동	1
1	김영희	2
2	이철수	3
3	방탄소년단	4
4	QUEEN	5

left.shape, right.shape

((5, 2), (5, 2))

매우 깔끔하게 합쳐진 것을 볼 수 있다

pd.merge(left, right, on='월')

	연도	월	이름
0	2015	1	홍길동
1	2016	2	김영희
2	2017	3	이철수
3	2018	4	방탄소년단
4	2019	5	QUEEN

예시2: 중복되는 key가 있을 때 합치려는 경우 (1월을 중복으로 넣어놨음)

left = pd.DataFrame({'연도': ['2015', '2016', '2017', '2018', '2019'], '월': ['1', '1', '3', '4', '5']})
left

	연도	월
0	2015	1
1	2016	1
2	2017	3
3	2018	4
4	2019	5

right = pd.DataFrame({'이름': ['홍길동', '김영희', '이철수', '방탄소년단', 'QUEEN'], '월': ['1', '1', '3', '4', '5']})
right

	이름	월
0	홍길동	1
1	김영희	1
2	이철수	3
3	방탄소년단	4
4	QUEEN	5

행이 2개가 더 추가로 합쳐진 모습이다.

pd.merge(left, right, on='월')

	연도	월	이름
0	2015	1	홍길동
1	2015	1	김영희
2	2016	1	홍길동
3	2016	1	김영희
4	2017	3	이철수
5	2018	4	방탄소년단
6	2019	5	QUEEN

3. Append

test = np.arange(0, 50)
test

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49])

# 1d -> 2d로 변환
test = test.reshape(10, 5)

test

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34],
       [35, 36, 37, 38, 39],
       [40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49]])

test_1 = test[:3]

test_1

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

test_2 = test[3:7]

test_2

array([[15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34]])

test_3 = test[7:10]

test_3

array([[35, 36, 37, 38, 39],
       [40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49]])

df1 = pd.DataFrame(test_1)
df1

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14

df2 = pd.DataFrame(test_2)
df2

	0	1	2	3	4
0	15	16	17	18	19
1	20	21	22	23	24
2	25	26	27	28	29
3	30	31	32	33	34

df3 = pd.DataFrame(test_3)
df3

	0	1	2	3	4
0	35	36	37	38	39
1	40	41	42	43	44
2	45	46	47	48	49

df1.append(df2)

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
0	15	16	17	18	19
1	20	21	22	23	24
2	25	26	27	28	29
3	30	31	32	33	34

index가 이상하게 출력되는 부분은 ignore_index=True로 해결할 수 있다

df1.append(df2, ignore_index=True)

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
3	15	16	17	18	19
4	20	21	22	23	24
5	25	26	27	28	29
6	30	31	32	33	34

그룹화 (Grouping)

df.head()

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0

df.shape

(3570, 5)

df.groupby(['지역명', '연도', '월'])['분양가'].agg('sum')

지역명    연도    월 
Seoul  2015  10    28975.0
             11    31977.0
             12    31392.0
       2016  1     31635.0
             2     31559.0
             3     32400.0
             4     33504.0
             5     33185.0
             6     33085.0
             7     33369.0
             8     33174.0
             9     33246.0
             10    34239.0
             11    32672.0
             12    33449.0
       2017  1     33413.0
             2     33202.0
             3     32526.0
             4     32519.0
             5     32536.0
             6     33637.0
             7     33285.0
             8     31812.0
             9     33788.0
             10    33160.0
             11        0.0
             12    33973.0
       2018  1     33772.0
             2     34315.0
             3     35647.0
                    ...   
충북     2016  10    11276.0
             11    11283.0
             12    11497.0
       2017  1     11588.0
             2     11367.0
             3     11327.0
             4     11136.0
             5     11387.0
             6     11309.0
             7     11309.0
             8     11323.0
             9     11332.0
             10    11343.0
             11        0.0
             12    11131.0
       2018  1     11131.0
             2     11435.0
             3     12212.0
             4     12961.0
             5     13028.0
             6     12552.0
             7     12506.0
             8     12506.0
             9     12494.0
             10    12494.0
             11    12425.0
             12    12425.0
       2019  1     12425.0
             2     12158.0
             3     12235.0
Name: 분양가, Length: 714, dtype: float64

분양가 column이 현재 int 타입이 아닌 object 타입으로 되어 있기 때문에 연산이 잘 이뤄지지 않음. 따라서 int 타입으로 변경

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3570 entries, 0 to 3569
Data columns (total 5 columns):
지역명     3570 non-null object
규모구분    3570 non-null object
연도      3570 non-null int64
월       3570 non-null int64
분양가     3273 non-null float64
dtypes: float64(1), int64(2), object(2)
memory usage: 139.5+ KB

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3570 entries, 0 to 3569
Data columns (total 5 columns):
지역명     3570 non-null object
규모구분    3570 non-null object
연도      3570 non-null int64
월       3570 non-null int64
분양가     3273 non-null float64
dtypes: float64(1), int64(2), object(2)
memory usage: 139.5+ KB

grouped = df.groupby(['지역명', '연도', '월']).sum()
grouped

			분양가
지역명	연도	월
Seoul	2015	10	28975.0
		11	31977.0
		12	31392.0
	2016	1	31635.0
		2	31559.0
		3	32400.0
		4	33504.0
		5	33185.0
		6	33085.0
		7	33369.0
		8	33174.0
		9	33246.0
		10	34239.0
		11	32672.0
		12	33449.0
	2017	1	33413.0
		2	33202.0
		3	32526.0
		4	32519.0
		5	32536.0
		6	33637.0
		7	33285.0
		8	31812.0
		9	33788.0
		10	33160.0
		11	0.0
		12	33973.0
	2018	1	33772.0
		2	34315.0
		3	35647.0
...	...	...	...
충북	2016	10	11276.0
		11	11283.0
		12	11497.0
	2017	1	11588.0
		2	11367.0
		3	11327.0
		4	11136.0
		5	11387.0
		6	11309.0
		7	11309.0
		8	11323.0
		9	11332.0
		10	11343.0
		11	0.0
		12	11131.0
	2018	1	11131.0
		2	11435.0
		3	12212.0
		4	12961.0
		5	13028.0
		6	12552.0
		7	12506.0
		8	12506.0
		9	12494.0
		10	12494.0
		11	12425.0
		12	12425.0
	2019	1	12425.0
		2	12158.0
		3	12235.0

714 rows × 1 columns

grouped.head()

			분양가
지역명	연도	월
Seoul	2015	10	28975.0
		11	31977.0
		12	31392.0
	2016	1	31635.0
	2016	2	31559.0

grouped.stack()

지역명    연도    월      
Seoul  2015  10  분양가    28975.0
             11  분양가    31977.0
             12  분양가    31392.0
       2016  1   분양가    31635.0
             2   분양가    31559.0
             3   분양가    32400.0
             4   분양가    33504.0
             5   분양가    33185.0
             6   분양가    33085.0
             7   분양가    33369.0
             8   분양가    33174.0
             9   분양가    33246.0
             10  분양가    34239.0
             11  분양가    32672.0
             12  분양가    33449.0
       2017  1   분양가    33413.0
             2   분양가    33202.0
             3   분양가    32526.0
             4   분양가    32519.0
             5   분양가    32536.0
             6   분양가    33637.0
             7   분양가    33285.0
             8   분양가    31812.0
             9   분양가    33788.0
             10  분양가    33160.0
             11  분양가        0.0
             12  분양가    33973.0
       2018  1   분양가    33772.0
             2   분양가    34315.0
             3   분양가    35647.0
                         ...   
충북     2016  10  분양가    11276.0
             11  분양가    11283.0
             12  분양가    11497.0
       2017  1   분양가    11588.0
             2   분양가    11367.0
             3   분양가    11327.0
             4   분양가    11136.0
             5   분양가    11387.0
             6   분양가    11309.0
             7   분양가    11309.0
             8   분양가    11323.0
             9   분양가    11332.0
             10  분양가    11343.0
             11  분양가        0.0
             12  분양가    11131.0
       2018  1   분양가    11131.0
             2   분양가    11435.0
             3   분양가    12212.0
             4   분양가    12961.0
             5   분양가    13028.0
             6   분양가    12552.0
             7   분양가    12506.0
             8   분양가    12506.0
             9   분양가    12494.0
             10  분양가    12494.0
             11  분양가    12425.0
             12  분양가    12425.0
       2019  1   분양가    12425.0
             2   분양가    12158.0
             3   분양가    12235.0
Length: 714, dtype: float64

group이 되어 있는 DataFrame을 unstack의 ‘레벨’을 조정하여 보여줄 수 있다. 위의 grouped에서 ‘도시’ = level 1, ‘연도’ = level 2, ‘월’

df.head(10)

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0
5	인천	전체	2015	10	3163.0
6	인천	전용면적 60㎡이하	2015	10	3488.0
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0
9	인천	전용면적 102㎡초과	2015	10	3408.0

stack & unstack을 활용한 column별 데이터 그룹핑

# level0: 열을 도시별로 출력
grouped.unstack(0)

		분양가
	지역명	Seoul	강원	경기	경남	경북	광주	대구	대전	부산	세종	울산	인천	전남	전북	제주	충남	충북
연도	월
2015	10	28975.0	10897.0	16679.0	12739.0	11027.0	7112.0	13147.0	9928.0	15518.0	13207.0	14156.0	16723.0	10400.0	10864.0	9614.0	11591.0	10455.0
	11	31977.0	10888.0	16494.0	12843.0	11472.0	7119.0	13358.0	9928.0	15846.0	13279.0	14212.0	16584.0	10252.0	10902.0	9614.0	11410.0	10085.0
	12	31392.0	10888.0	17104.0	12869.0	11429.0	7360.0	14490.0	9928.0	15806.0	13355.0	14212.0	16584.0	10252.0	10554.0	9685.0	11953.0	10500.0
2016	1	31635.0	10894.0	17104.0	12698.0	11406.0	7546.0	14805.0	9928.0	15929.0	13355.0	14220.0	16582.0	10252.0	10534.0	9685.0	12017.0	10518.0
	2	31559.0	9013.0	16831.0	12692.0	11420.0	7546.0	14759.0	9928.0	15982.0	13355.0	14220.0	16585.0	10281.0	10535.0	9685.0	12035.0	10518.0
	3	32400.0	9014.0	16958.0	12839.0	11532.0	7661.0	14896.0	9928.0	15915.0	13374.0	14445.0	16577.0	10280.0	10382.0	4628.0	11440.0	10463.0
	4	33504.0	8816.0	16848.0	13029.0	11526.0	14268.0	14923.0	7403.0	15886.0	13403.0	14364.0	18092.0	10275.0	10374.0	13651.0	11803.0	10430.0
	5	33185.0	8669.0	17932.0	13203.0	11534.0	14284.0	14965.0	7474.0	15828.0	13403.0	14387.0	17208.0	10279.0	10400.0	13569.0	11809.0	10476.0
	6	33085.0	8678.0	18269.0	13026.0	11828.0	14319.0	15266.0	7757.0	16167.0	13372.0	14330.0	16567.0	10549.0	10371.0	14122.0	12048.0	10681.0
	7	33369.0	8648.0	18315.0	12969.0	11828.0	14329.0	15295.0	7757.0	16409.0	13368.0	14330.0	16517.0	10550.0	10402.0	14122.0	12048.0	10788.0
	8	33174.0	8705.0	18250.0	12984.0	11798.0	14293.0	15573.0	7757.0	16594.0	13393.0	14153.0	16617.0	10546.0	10407.0	14211.0	12167.0	10881.0
	9	33246.0	8690.0	17479.0	12787.0	11812.0	13853.0	15573.0	7611.0	16611.0	13428.0	14153.0	16289.0	10563.0	10410.0	16407.0	12168.0	10886.0
	10	34239.0	10608.0	17852.0	12821.0	12070.0	13862.0	15573.0	16079.0	16489.0	13525.0	14681.0	16904.0	10648.0	10431.0	16407.0	12159.0	11276.0
	11	32672.0	10383.0	18362.0	12699.0	12076.0	14208.0	17464.0	14944.0	16427.0	13546.0	12571.0	16937.0	10901.0	10430.0	16461.0	12488.0	11283.0
	12	33449.0	10752.0	18254.0	12739.0	12141.0	14224.0	17854.0	14944.0	17100.0	13529.0	12567.0	16926.0	10996.0	10899.0	16510.0	12513.0	11497.0
2017	1	33413.0	10711.0	18260.0	12745.0	12185.0	14215.0	17917.0	14944.0	17082.0	13529.0	12567.0	16926.0	10996.0	10951.0	16490.0	12448.0	11588.0
	2	33202.0	10734.0	18571.0	12922.0	12183.0	14215.0	17992.0	15106.0	17080.0	13529.0	12572.0	17011.0	11033.0	10947.0	16453.0	12451.0	11367.0
	3	32526.0	10682.0	18838.0	12853.0	12215.0	14119.0	18486.0	15106.0	16971.0	13529.0	12572.0	17100.0	11021.0	11070.0	16412.0	12453.0	11327.0
	4	32519.0	10682.0	18849.0	12877.0	12311.0	14392.0	18137.0	15201.0	16970.0	13696.0	13210.0	17100.0	11053.0	11192.0	18250.0	12500.0	11136.0
	5	32536.0	10767.0	18200.0	12893.0	12468.0	12005.0	18137.0	15201.0	17252.0	13696.0	13210.0	17497.0	11171.0	11273.0	20348.0	12499.0	11387.0
	6	33637.0	11026.0	18379.0	13223.0	12513.0	12049.0	17782.0	15201.0	17374.0	13715.0	13217.0	17415.0	10938.0	11414.0	20762.0	12417.0	11309.0
	7	33285.0	11076.0	18630.0	13345.0	12512.0	12013.0	16024.0	15448.0	17479.0	13715.0	13217.0	17862.0	10939.0	11500.0	21366.0	12420.0	11309.0
	8	31812.0	11401.0	18853.0	13547.0	12864.0	12031.0	15961.0	15448.0	17782.0	13722.0	13217.0	18171.0	11074.0	11509.0	21366.0	12440.0	11323.0
	9	33788.0	11237.0	18872.0	14758.0	13166.0	11797.0	15190.0	15932.0	17697.0	13840.0	13217.0	18403.0	11074.0	8870.0	11752.0	12440.0	11332.0
	10	33160.0	11174.0	18806.0	13387.0	12922.0	14490.0	15190.0	11240.0	18048.0	13819.0	12438.0	18216.0	11660.0	8752.0	11752.0	12569.0	11343.0
	11	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	12	33973.0	11736.0	18825.0	13896.0	10165.0	11427.0	14134.0	11091.0	18943.0	12651.0	6324.0	18309.0	11923.0	11354.0	15454.0	9519.0	11131.0
2018	1	33772.0	12157.0	20740.0	13896.0	10268.0	11422.0	14236.0	11189.0	18943.0	12651.0	6324.0	18346.0	12124.0	11354.0	15557.0	9507.0	11131.0
	2	34315.0	12346.0	20954.0	13905.0	10268.0	11422.0	13793.0	11334.0	18967.0	12651.0	6348.0	18426.0	11798.0	11366.0	15862.0	9507.0	11435.0
	3	35647.0	12800.0	20861.0	13910.0	10174.0	11495.0	13860.0	11334.0	18782.0	12651.0	6348.0	18889.0	11982.0	11345.0	16055.0	9507.0	12212.0
	4	35662.0	12260.0	20891.0	13816.0	10121.0	11004.0	16635.0	11514.0	18874.0	15615.0	6348.0	18889.0	12024.0	12641.0	16055.0	9507.0	12961.0
	5	36217.0	12333.0	21368.0	13825.0	10574.0	11046.0	18482.0	11514.0	18924.0	15615.0	6348.0	18762.0	12026.0	12720.0	16055.0	9871.0	13028.0
	6	35161.0	12317.0	21249.0	13831.0	10619.0	11233.0	18445.0	11514.0	19043.0	15615.0	6250.0	13592.0	12026.0	12720.0	16055.0	12623.0	12552.0
	7	35595.0	12434.0	21708.0	13813.0	10702.0	11103.0	18767.0	8383.0	19496.0	15615.0	6250.0	13592.0	12029.0	12780.0	12906.0	12623.0	12506.0
	8	33783.0	12577.0	22203.0	13679.0	10500.0	11103.0	18790.0	8383.0	19514.0	15717.0	6250.0	13533.0	12029.0	12737.0	12906.0	12774.0	12506.0
	9	32407.0	12590.0	22170.0	14211.0	13177.0	11293.0	18901.0	14108.0	20655.0	15717.0	6250.0	13533.0	12074.0	12737.0	12906.0	12774.0	12494.0
	10	36028.0	12667.0	22191.0	14471.0	13401.0	9353.0	19194.0	14067.0	20683.0	15717.0	5780.0	16773.0	12100.0	12551.0	12906.0	12774.0	12494.0
	11	36199.0	12611.0	22352.0	14628.0	13492.0	9666.0	19106.0	14067.0	20213.0	15717.0	5780.0	18662.0	11930.0	12564.0	16675.0	12627.0	12425.0
	12	37073.0	12349.0	22557.0	15609.0	13492.0	9773.0	19469.0	12149.0	20269.0	15327.0	0.0	18629.0	12037.0	13114.0	16910.0	12603.0	12425.0
2019	1	37734.0	12618.0	22750.0	15609.0	13322.0	9831.0	20013.0	12243.0	20269.0	15327.0	0.0	18757.0	11972.0	13114.0	16910.0	12773.0	12425.0
	2	37592.0	12618.0	22879.0	15604.0	13430.0	9831.0	20022.0	12243.0	20269.0	15327.0	0.0	19151.0	12314.0	13229.0	16910.0	12994.0	12158.0
	3	37761.0	12706.0	22696.0	15984.0	13536.0	9831.0	19994.0	11718.0	20394.0	15327.0	0.0	19585.0	12236.0	13358.0	16910.0	13113.0	12235.0

# level1: 열을 연도별로 출력
grouped.unstack(1)

		분양가
	연도	2015	2016	2017	2018	2019
지역명	월
Seoul	1	NaN	31635.0	33413.0	33772.0	37734.0
	2	NaN	31559.0	33202.0	34315.0	37592.0
	3	NaN	32400.0	32526.0	35647.0	37761.0
	4	NaN	33504.0	32519.0	35662.0	NaN
	5	NaN	33185.0	32536.0	36217.0	NaN
	6	NaN	33085.0	33637.0	35161.0	NaN
	7	NaN	33369.0	33285.0	35595.0	NaN
	8	NaN	33174.0	31812.0	33783.0	NaN
	9	NaN	33246.0	33788.0	32407.0	NaN
	10	28975.0	34239.0	33160.0	36028.0	NaN
	11	31977.0	32672.0	0.0	36199.0	NaN
	12	31392.0	33449.0	33973.0	37073.0	NaN
강원	1	NaN	10894.0	10711.0	12157.0	12618.0
	2	NaN	9013.0	10734.0	12346.0	12618.0
	3	NaN	9014.0	10682.0	12800.0	12706.0
	4	NaN	8816.0	10682.0	12260.0	NaN
	5	NaN	8669.0	10767.0	12333.0	NaN
	6	NaN	8678.0	11026.0	12317.0	NaN
	7	NaN	8648.0	11076.0	12434.0	NaN
	8	NaN	8705.0	11401.0	12577.0	NaN
	9	NaN	8690.0	11237.0	12590.0	NaN
	10	10897.0	10608.0	11174.0	12667.0	NaN
	11	10888.0	10383.0	0.0	12611.0	NaN
	12	10888.0	10752.0	11736.0	12349.0	NaN
경기	1	NaN	17104.0	18260.0	20740.0	22750.0
	2	NaN	16831.0	18571.0	20954.0	22879.0
	3	NaN	16958.0	18838.0	20861.0	22696.0
	4	NaN	16848.0	18849.0	20891.0	NaN
	5	NaN	17932.0	18200.0	21368.0	NaN
	6	NaN	18269.0	18379.0	21249.0	NaN
...	...	...	...	...	...	...
제주	7	NaN	14122.0	21366.0	12906.0	NaN
	8	NaN	14211.0	21366.0	12906.0	NaN
	9	NaN	16407.0	11752.0	12906.0	NaN
	10	9614.0	16407.0	11752.0	12906.0	NaN
	11	9614.0	16461.0	0.0	16675.0	NaN
	12	9685.0	16510.0	15454.0	16910.0	NaN
충남	1	NaN	12017.0	12448.0	9507.0	12773.0
	2	NaN	12035.0	12451.0	9507.0	12994.0
	3	NaN	11440.0	12453.0	9507.0	13113.0
	4	NaN	11803.0	12500.0	9507.0	NaN
	5	NaN	11809.0	12499.0	9871.0	NaN
	6	NaN	12048.0	12417.0	12623.0	NaN
	7	NaN	12048.0	12420.0	12623.0	NaN
	8	NaN	12167.0	12440.0	12774.0	NaN
	9	NaN	12168.0	12440.0	12774.0	NaN
	10	11591.0	12159.0	12569.0	12774.0	NaN
	11	11410.0	12488.0	0.0	12627.0	NaN
	12	11953.0	12513.0	9519.0	12603.0	NaN
충북	1	NaN	10518.0	11588.0	11131.0	12425.0
	2	NaN	10518.0	11367.0	11435.0	12158.0
	3	NaN	10463.0	11327.0	12212.0	12235.0
	4	NaN	10430.0	11136.0	12961.0	NaN
	5	NaN	10476.0	11387.0	13028.0	NaN
	6	NaN	10681.0	11309.0	12552.0	NaN
	7	NaN	10788.0	11309.0	12506.0	NaN
	8	NaN	10881.0	11323.0	12506.0	NaN
	9	NaN	10886.0	11332.0	12494.0	NaN
	10	10455.0	11276.0	11343.0	12494.0	NaN
	11	10085.0	11283.0	0.0	12425.0	NaN
	12	10500.0	11497.0	11131.0	12425.0	NaN

204 rows × 5 columns

# level2: 열을 연도별로 출력
grouped.unstack(2)

		분양가
	월	1	2	3	4	5	6	7	8	9	10	11	12
지역명	연도
Seoul	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	28975.0	31977.0	31392.0
	2016	31635.0	31559.0	32400.0	33504.0	33185.0	33085.0	33369.0	33174.0	33246.0	34239.0	32672.0	33449.0
	2017	33413.0	33202.0	32526.0	32519.0	32536.0	33637.0	33285.0	31812.0	33788.0	33160.0	0.0	33973.0
	2018	33772.0	34315.0	35647.0	35662.0	36217.0	35161.0	35595.0	33783.0	32407.0	36028.0	36199.0	37073.0
	2019	37734.0	37592.0	37761.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
강원	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	10897.0	10888.0	10888.0
	2016	10894.0	9013.0	9014.0	8816.0	8669.0	8678.0	8648.0	8705.0	8690.0	10608.0	10383.0	10752.0
	2017	10711.0	10734.0	10682.0	10682.0	10767.0	11026.0	11076.0	11401.0	11237.0	11174.0	0.0	11736.0
	2018	12157.0	12346.0	12800.0	12260.0	12333.0	12317.0	12434.0	12577.0	12590.0	12667.0	12611.0	12349.0
	2019	12618.0	12618.0	12706.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
경기	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	16679.0	16494.0	17104.0
	2016	17104.0	16831.0	16958.0	16848.0	17932.0	18269.0	18315.0	18250.0	17479.0	17852.0	18362.0	18254.0
	2017	18260.0	18571.0	18838.0	18849.0	18200.0	18379.0	18630.0	18853.0	18872.0	18806.0	0.0	18825.0
	2018	20740.0	20954.0	20861.0	20891.0	21368.0	21249.0	21708.0	22203.0	22170.0	22191.0	22352.0	22557.0
	2019	22750.0	22879.0	22696.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
경남	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	12739.0	12843.0	12869.0
	2016	12698.0	12692.0	12839.0	13029.0	13203.0	13026.0	12969.0	12984.0	12787.0	12821.0	12699.0	12739.0
	2017	12745.0	12922.0	12853.0	12877.0	12893.0	13223.0	13345.0	13547.0	14758.0	13387.0	0.0	13896.0
	2018	13896.0	13905.0	13910.0	13816.0	13825.0	13831.0	13813.0	13679.0	14211.0	14471.0	14628.0	15609.0
	2019	15609.0	15604.0	15984.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
경북	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	11027.0	11472.0	11429.0
	2016	11406.0	11420.0	11532.0	11526.0	11534.0	11828.0	11828.0	11798.0	11812.0	12070.0	12076.0	12141.0
	2017	12185.0	12183.0	12215.0	12311.0	12468.0	12513.0	12512.0	12864.0	13166.0	12922.0	0.0	10165.0
	2018	10268.0	10268.0	10174.0	10121.0	10574.0	10619.0	10702.0	10500.0	13177.0	13401.0	13492.0	13492.0
	2019	13322.0	13430.0	13536.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
광주	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	7112.0	7119.0	7360.0
	2016	7546.0	7546.0	7661.0	14268.0	14284.0	14319.0	14329.0	14293.0	13853.0	13862.0	14208.0	14224.0
	2017	14215.0	14215.0	14119.0	14392.0	12005.0	12049.0	12013.0	12031.0	11797.0	14490.0	0.0	11427.0
	2018	11422.0	11422.0	11495.0	11004.0	11046.0	11233.0	11103.0	11103.0	11293.0	9353.0	9666.0	9773.0
	2019	9831.0	9831.0	9831.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...
인천	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	16723.0	16584.0	16584.0
	2016	16582.0	16585.0	16577.0	18092.0	17208.0	16567.0	16517.0	16617.0	16289.0	16904.0	16937.0	16926.0
	2017	16926.0	17011.0	17100.0	17100.0	17497.0	17415.0	17862.0	18171.0	18403.0	18216.0	0.0	18309.0
	2018	18346.0	18426.0	18889.0	18889.0	18762.0	13592.0	13592.0	13533.0	13533.0	16773.0	18662.0	18629.0
	2019	18757.0	19151.0	19585.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
전남	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	10400.0	10252.0	10252.0
	2016	10252.0	10281.0	10280.0	10275.0	10279.0	10549.0	10550.0	10546.0	10563.0	10648.0	10901.0	10996.0
	2017	10996.0	11033.0	11021.0	11053.0	11171.0	10938.0	10939.0	11074.0	11074.0	11660.0	0.0	11923.0
	2018	12124.0	11798.0	11982.0	12024.0	12026.0	12026.0	12029.0	12029.0	12074.0	12100.0	11930.0	12037.0
	2019	11972.0	12314.0	12236.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
전북	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	10864.0	10902.0	10554.0
	2016	10534.0	10535.0	10382.0	10374.0	10400.0	10371.0	10402.0	10407.0	10410.0	10431.0	10430.0	10899.0
	2017	10951.0	10947.0	11070.0	11192.0	11273.0	11414.0	11500.0	11509.0	8870.0	8752.0	0.0	11354.0
	2018	11354.0	11366.0	11345.0	12641.0	12720.0	12720.0	12780.0	12737.0	12737.0	12551.0	12564.0	13114.0
	2019	13114.0	13229.0	13358.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
제주	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	9614.0	9614.0	9685.0
	2016	9685.0	9685.0	4628.0	13651.0	13569.0	14122.0	14122.0	14211.0	16407.0	16407.0	16461.0	16510.0
	2017	16490.0	16453.0	16412.0	18250.0	20348.0	20762.0	21366.0	21366.0	11752.0	11752.0	0.0	15454.0
	2018	15557.0	15862.0	16055.0	16055.0	16055.0	16055.0	12906.0	12906.0	12906.0	12906.0	16675.0	16910.0
	2019	16910.0	16910.0	16910.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
충남	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	11591.0	11410.0	11953.0
	2016	12017.0	12035.0	11440.0	11803.0	11809.0	12048.0	12048.0	12167.0	12168.0	12159.0	12488.0	12513.0
	2017	12448.0	12451.0	12453.0	12500.0	12499.0	12417.0	12420.0	12440.0	12440.0	12569.0	0.0	9519.0
	2018	9507.0	9507.0	9507.0	9507.0	9871.0	12623.0	12623.0	12774.0	12774.0	12774.0	12627.0	12603.0
	2019	12773.0	12994.0	13113.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
충북	2015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	10455.0	10085.0	10500.0
	2016	10518.0	10518.0	10463.0	10430.0	10476.0	10681.0	10788.0	10881.0	10886.0	11276.0	11283.0	11497.0
	2017	11588.0	11367.0	11327.0	11136.0	11387.0	11309.0	11309.0	11323.0	11332.0	11343.0	0.0	11131.0
	2018	11131.0	11435.0	12212.0	12961.0	13028.0	12552.0	12506.0	12506.0	12494.0	12494.0	12425.0	12425.0
	2019	12425.0	12158.0	12235.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

85 rows × 12 columns

Pivot Table

Pivot Table이란?

다시 말해 피벗 테이블이란 여러 데이터 중에서 자신이 원하는 데이터만을 가지고 원하는 행과 열에 데이터를 배치하여 새로운 보고서를 만드는 기능이다.

df.head(10)

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0
5	인천	전체	2015	10	3163.0
6	인천	전용면적 60㎡이하	2015	10	3488.0
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0
9	인천	전용면적 102㎡초과	2015	10	3408.0

pd.pivot_table(df, values='분양가', index=['연도','지역명'], columns=['월'])

	월	1	2	3	4	5	6	7	8	9	10	11	12
연도	지역명
2015	Seoul	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	5795.000000	6395.40	6278.400000
	강원	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2179.400000	2177.60	2177.600000
	경기	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	3335.800000	3298.80	3420.800000
	경남	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2547.800000	2568.60	2573.800000
	경북	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2205.400000	2294.40	2285.800000
	광주	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2370.666667	2373.00	2453.333333
	대구	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2629.400000	2671.60	2898.000000
	대전	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2482.000000	2482.00	2482.000000
	부산	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	3103.600000	3169.20	3161.200000
	세종	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2641.400000	2655.80	2671.000000
	울산	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2831.200000	2842.40	2842.400000
	인천	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	3344.600000	3316.80	3316.800000
	전남	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2080.000000	2050.40	2050.400000
	전북	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2172.800000	2180.40	2110.800000
	제주	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2403.500000	2403.50	2421.250000
	충남	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2318.200000	2282.00	2390.600000
	충북	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2091.000000	2017.00	2100.000000
2016	Seoul	6327.000000	6311.800000	6480.000000	6700.800000	6637.000000	6617.000000	6673.800000	6634.800000	6649.20	6847.800000	6534.40	6689.800000
	강원	2178.800000	2253.250000	2253.500000	2204.000000	2167.250000	2169.500000	2162.000000	2176.250000	2172.50	2121.600000	2076.60	2150.400000
	경기	3420.800000	3366.200000	3391.600000	3369.600000	3586.400000	3653.800000	3663.000000	3650.000000	3495.80	3570.400000	3672.40	3650.800000
	경남	2539.600000	2538.400000	2567.800000	2605.800000	2640.600000	2605.200000	2593.800000	2596.800000	2557.40	2564.200000	2539.80	2547.800000
	경북	2281.200000	2284.000000	2306.400000	2305.200000	2306.800000	2365.600000	2365.600000	2359.600000	2362.40	2414.000000	2415.20	2428.200000
	광주	2515.333333	2515.333333	2553.666667	2853.600000	2856.800000	2863.800000	2865.800000	2858.600000	2770.60	2772.400000	2841.60	2844.800000
	대구	2961.000000	2951.800000	2979.200000	2984.600000	2993.000000	3053.200000	3059.000000	3114.600000	3114.60	3114.600000	3492.80	3570.800000
	대전	2482.000000	2482.000000	2482.000000	2467.666667	2491.333333	2585.666667	2585.666667	2585.666667	2537.00	3215.800000	2988.80	2988.800000
	부산	3185.800000	3196.400000	3183.000000	3177.200000	3165.600000	3233.400000	3281.800000	3318.800000	3322.20	3297.800000	3285.40	3420.000000
	세종	2671.000000	2671.000000	2674.800000	2680.600000	2680.600000	2674.400000	2673.600000	2678.600000	2685.60	2705.000000	2709.20	2705.800000
	울산	2844.000000	2844.000000	2889.000000	2872.800000	2877.400000	2866.000000	2866.000000	2830.600000	2830.60	2936.200000	3142.75	3141.750000
	인천	3316.400000	3317.000000	3315.400000	3618.400000	3441.600000	3313.400000	3303.400000	3323.400000	3257.80	3380.800000	3387.40	3385.200000
	전남	2050.400000	2056.200000	2056.000000	2055.000000	2055.800000	2109.800000	2110.000000	2109.200000	2112.60	2129.600000	2180.20	2199.200000
...	...	...	...	...	...	...	...	...	...	...	...	...	...
2018	경남	2779.200000	2781.000000	2782.000000	2763.200000	2765.000000	2766.200000	2762.600000	2735.800000	2842.20	2894.200000	2925.60	3121.800000
	경북	2567.000000	2567.000000	2543.500000	2530.250000	2643.500000	2654.750000	2675.500000	2625.000000	2635.40	2680.200000	2698.40	2698.400000
	광주	2855.500000	2855.500000	2873.750000	2751.000000	2761.500000	2808.250000	2775.750000	2775.750000	2823.25	3117.666667	3222.00	3257.666667
	대구	3559.000000	3448.250000	3465.000000	3327.000000	3696.400000	3689.000000	3753.400000	3758.000000	3780.20	3838.800000	3821.20	3893.800000
	대전	2797.250000	2833.500000	2833.500000	2878.500000	2878.500000	2878.500000	2794.333333	2794.333333	3527.00	3516.750000	3516.75	4049.666667
	부산	3788.600000	3793.400000	3756.400000	3774.800000	3784.800000	3808.600000	3899.200000	3902.800000	4131.00	4136.600000	4042.60	4053.800000
	세종	3162.750000	3162.750000	3162.750000	3123.000000	3123.000000	3123.000000	3123.000000	3143.400000	3143.40	3143.400000	3143.40	3065.400000
	울산	3162.000000	3174.000000	3174.000000	3174.000000	3174.000000	3125.000000	3125.000000	3125.000000	3125.00	2890.000000	2890.00	NaN
	인천	3669.200000	3685.200000	3777.800000	3777.800000	3752.400000	3398.000000	3398.000000	3383.250000	3383.25	3354.600000	3732.40	3725.800000
	전남	2424.800000	2359.600000	2396.400000	2404.800000	2405.200000	2405.200000	2405.800000	2405.800000	2414.80	2420.000000	2386.00	2407.400000
	전북	2270.800000	2273.200000	2269.000000	2528.200000	2544.000000	2544.000000	2556.000000	2547.400000	2547.40	2510.200000	2512.80	2622.800000
	제주	3889.250000	3965.500000	4013.750000	4013.750000	4013.750000	4013.750000	3226.500000	3226.500000	3226.50	3226.500000	3335.00	3382.000000
	충남	2376.750000	2376.750000	2376.750000	2376.750000	2467.750000	2524.600000	2524.600000	2554.800000	2554.80	2554.800000	2525.40	2520.600000
	충북	2226.200000	2287.000000	2442.400000	2592.200000	2605.600000	2510.400000	2501.200000	2501.200000	2498.80	2498.800000	2485.00	2485.000000
2019	Seoul	7546.800000	7518.400000	7552.200000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	강원	2523.600000	2523.600000	2541.200000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	경기	4550.000000	4575.800000	4539.200000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	경남	3121.800000	3120.800000	3196.800000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	경북	2664.400000	2686.000000	2707.200000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	광주	3277.000000	3277.000000	3277.000000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	대구	4002.600000	4004.400000	3998.800000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	대전	4081.000000	4081.000000	3906.000000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	부산	4053.800000	4053.800000	4078.800000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	세종	3065.400000	3065.400000	3065.400000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	인천	3751.400000	3830.200000	3917.000000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	전남	2394.400000	2462.800000	2447.200000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	전북	2622.800000	2645.800000	2671.600000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	제주	3382.000000	3382.000000	3382.000000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	충남	2554.600000	2598.800000	2622.600000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	충북	2485.000000	2431.600000	2447.000000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

84 rows × 12 columns

Categoricals

df.head(10)

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0
5	인천	전체	2015	10	3163.0
6	인천	전용면적 60㎡이하	2015	10	3488.0
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0
9	인천	전용면적 102㎡초과	2015	10	3408.0

df['분양가'].describe()

count    3273.000000
mean     3130.001833
std      1141.740958
min      1868.000000
25%      2387.000000
50%      2787.000000
75%      3383.000000
max      8191.000000
Name: 분양가, dtype: float64

df['평가'] = 0

df.head(10)

	지역명	규모구분	연도	월	분양가
0	Seoul	전체	2015	10	5841.0
1	Seoul	전용면적 60㎡이하	2015	10	5652.0
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0
4	Seoul	전용면적 102㎡초과	2015	10	5879.0
5	인천	전체	2015	10	3163.0
6	인천	전용면적 60㎡이하	2015	10	3488.0
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0
9	인천	전용면적 102㎡초과	2015	10	3408.0

가격대 별 평가

low: 25% = 2387 보다 싼 분양가

mid: 50% = 2387 ~ 3130

high: 75% = 3130 ~ 3383

very high: 75% ~ 100% = 3383 보다 비싼 분양가

np.select를 활용하여 조건에 맞는 값을 대입하기

conditions = [
    (df['분양가'] < 2387),
    (df['분양가'] >= 2387) & (df['분양가'] < 3130),
    (df['분양가'] >= 3130) & (df['분양가'] < 3383),
    (df['분양가'] >= 3383),
    (df['분양가'] == np.nan)
]
choices = ['저렴', '보통', '비쌈', '매우 비쌈', '-']
df['평가'] = np.select(conditions, choices, default=0)

df.head(20)

	지역명	규모구분	연도	월	분양가	평가
0	Seoul	전체	2015	10	5841.0	매우 비쌈
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	매우 비쌈
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	매우 비쌈
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	매우 비쌈
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	매우 비쌈
5	인천	전체	2015	10	3163.0	비쌈
6	인천	전용면적 60㎡이하	2015	10	3488.0	매우 비쌈
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0	보통
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0	매우 비쌈
9	인천	전용면적 102㎡초과	2015	10	3408.0	매우 비쌈
10	경기	전체	2015	10	3138.0	비쌈
11	경기	전용면적 60㎡이하	2015	10	3126.0	보통
12	경기	전용면적 60㎡초과 85㎡이하	2015	10	3239.0	비쌈
13	경기	전용면적 85㎡초과 102㎡이하	2015	10	3496.0	매우 비쌈
14	경기	전용면적 102㎡초과	2015	10	3680.0	매우 비쌈
15	부산	전체	2015	10	3112.0	보통
16	부산	전용면적 60㎡이하	2015	10	2950.0	보통
17	부산	전용면적 60㎡초과 85㎡이하	2015	10	2999.0	보통
18	부산	전용면적 85㎡초과 102㎡이하	2015	10	2957.0	보통
19	부산	전용면적 102㎡초과	2015	10	3500.0	매우 비쌈

df.groupby(by='평가').count()

	지역명	규모구분	연도	월	분양가
평가
0	297	297	297	297	0
매우 비쌈	819	819	819	819	819
보통	1285	1285	1285	1285	1285
비쌈	352	352	352	352	352
저렴	817	817	817	817	817

df.sort_values(by='분양가', ascending=False)[:10]

	지역명	규모구분	연도	월	분양가	평가
3487	Seoul	전용면적 60㎡초과 85㎡이하	2019	3	8191.0	매우 비쌈
3402	Seoul	전용면적 60㎡초과 85㎡이하	2019	2	8141.0	매우 비쌈
3317	Seoul	전용면적 60㎡초과 85㎡이하	2019	1	8105.0	매우 비쌈
2638	Seoul	전용면적 85㎡초과 102㎡이하	2018	5	8098.0	매우 비쌈
513	Seoul	전용면적 85㎡초과 102㎡이하	2016	4	8096.0	매우 비쌈
3232	Seoul	전용면적 60㎡초과 85㎡이하	2018	12	7890.0	매우 비쌈
1958	Seoul	전용면적 85㎡초과 102㎡이하	2017	9	7887.0	매우 비쌈
2553	Seoul	전용면적 85㎡초과 102㎡이하	2018	4	7823.0	매우 비쌈
2468	Seoul	전용면적 85㎡초과 102㎡이하	2018	3	7823.0	매우 비쌈
3319	Seoul	전용면적 102㎡초과	2019	1	7787.0	매우 비쌈

df.dtypes

지역명      object
규모구분     object
연도        int64
월         int64
분양가     float64
평가       object
dtype: object

df['평가'] = df['평가'].astype('category')

df.dtypes

지역명       object
규모구분      object
연도         int64
월          int64
분양가      float64
평가      category
dtype: object

df.head(10)

	지역명	규모구분	연도	월	분양가	평가
0	Seoul	전체	2015	10	5841.0	매우 비쌈
1	Seoul	전용면적 60㎡이하	2015	10	5652.0	매우 비쌈
2	Seoul	전용면적 60㎡초과 85㎡이하	2015	10	5882.0	매우 비쌈
3	Seoul	전용면적 85㎡초과 102㎡이하	2015	10	5721.0	매우 비쌈
4	Seoul	전용면적 102㎡초과	2015	10	5879.0	매우 비쌈
5	인천	전체	2015	10	3163.0	비쌈
6	인천	전용면적 60㎡이하	2015	10	3488.0	매우 비쌈
7	인천	전용면적 60㎡초과 85㎡이하	2015	10	3119.0	보통
8	인천	전용면적 85㎡초과 102㎡이하	2015	10	3545.0	매우 비쌈
9	인천	전용면적 102㎡초과	2015	10	3408.0	매우 비쌈

df['평가'].head()

  매우 비쌈
  매우 비쌈
  매우 비쌈
  매우 비쌈
  매우 비쌈
Name: 평가, dtype: category
Categories (5, object): [0, 매우 비쌈, 보통, 비쌈, 저렴]

df['평가'].cat.categories = ['해당없음', '개비쌈', '평균', '쫌비쌈', '쌈']

df['평가'].head()

  개비쌈
  개비쌈
  개비쌈
  개비쌈
  개비쌈
Name: 평가, dtype: category
Categories (5, object): [해당없음, 개비쌈, 평균, 쫌비쌈, 쌈]

Twitter Facebook LinkedIn

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
0	15	16	17	18	19
1	20	21	22	23	24
2	25	26	27	28	29
3	30	31	32	33	34

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
3	15	16	17	18	19
4	20	21	22	23	24
5	25	26	27	28	29
6	30	31	32	33	34

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
0	15	16	17	18	19
1	20	21	22	23	24
2	25	26	27	28	29
3	30	31	32	33	34

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
3	15	16	17	18	19
4	20	21	22	23	24
5	25	26	27	28	29
6	30	31	32	33	34