์ผ | ์ | ํ | ์ | ๋ชฉ | ๊ธ | ํ |
---|---|---|---|---|---|---|
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 |
- Do it
- PYTHON
- ์ด์ง์ ๋ณํ
- ์ ํ ํฌ ํ์ด์ฌ
- ์์ด
- ํ๋ก๊ทธ๋๋จธ์ค
- 2BPerfect
- Do_it
- mysql
- dacon
- ๋ค์ต์คํธ๋ผ ์๊ณ ๋ฆฌ์ฆ
- ์ง ๊ฐ ์์ธก ๋ถ์
- matplotlib
- MacOS
- ๋ฐฑ์ค
- np.zeros_like
- DFS
- ์ฐธ์กฐ ๋ณ์
- jdbc
- Extended Slices
- ์ต์
- sql
- ๋ฐ์ค๊ทธ๋ํ
- ํฉํ ๋ฆฌ์ผ ์ง๋ฒ
- ํ์ ๋ณ์
- java
- BFS
- ๋ธ๋ผ์ฐ์ ์คํ
- ์๋ฐ
- ์ด๊ฒ์ด ์ทจ์ ์ ์ํ ์ฝ๋ฉํ ์คํธ๋ค
- Today
- Total
๋ชฉ๋ก๋ถ๋ฅ ์ ์ฒด๋ณด๊ธฐ (109)
๐ฆ ๊ณต๋ฃก์ด ๋์!
ํ๋ก์ด๋ ์์ฌ ์๊ณ ๋ฆฌ์ฆ ๋ชจ๋ ๋ ธ๋๋ฅผ ๋ฐฉ๋ฌธํ๋ ์ต๋จ๊ฒฝ๋ก # ์ ์ฒด์ ์ธ ์์๋ก์จ๋ง ์ฐธ๊ณ ! # ๋น์ฉ ๋ฐฐ์ด values=[2**31-1 for i in range(n)] # ๋ฌธ์ ์์ ๊ฐ์ ธ์จ ๋ฏ # ๋ฐฉ๋ฌธ ๋ฐฐ์ด visited =[False for i in range(n)] # 0๋ฒ ๋ ธ๋๋ฅผ ์์์ ์ผ๋ก ์ค์ start=0 visited[start]=True values[start]=0 # ๋ฐฉ๋ฌธํ์ง ์์ ๋ ธ๋๊ฐ ์๋ค๋ฉด while False in visited: # ๋ ธ๋ ์์ ํ์์ผ๋ก ๋น์ฉ ๋ฐ ๋ฐฐ์ด์ ๊ฑฐ๋ฆฌ ๊ฐ ์ต์ํ for i in costs:#?? ์ด๊ฑด ์ด๋์ ๋์์ง? ์ด๊ฒ๋ ์์ ๊ฐ ๋ ธ๋๋ณ ๋น์ฉ์ผ๋ก ์์์ด๋จ if(visited[i[1]]==False and i[0]==start): values[i[1]]=min(valu..
np.zeros(shape,dtype=float,order='C') 1) shape ์๋ก์ด array์ ๊ท๊ฒฉ, ํฌ๊ธฐ๋ฅผ ๋ฃ๋ ๋ถ๋ถ์ผ๋ก ์ด ์ฌ์ด์ฆ์ ๋ง๊ฒ array๊ฐ ํ์ฑ๋ฉ๋๋ค. 2) dtype zero๋ผ๊ณ ํ์ฌ ๊ทธ ์ซ์๊ฐ ๊ผญ float์ผ ํ์๊ฐ ์์ต๋๋ค. ์ด 0์ ์ ์์ผ ์๋ ์๊ณ ์ค์์ผ ์๋ ์๋ค๋ ์ ์ด๊ณ ์ด ๋ถ๋ถ์ dtype์ ํ์ ๋๋๊ธฐ๋ฅผ ์ฌ์ฉํ ๋ ์ฌ๋ฆผ์ด๋ ๋ด๋ฆผ์ ์ฌ์ฉํ ๋ ์ ์ฉํ๊ฒ ์ฐ์ผ ์ ์๋ parameter์ ๋๋ค. 3) order ๋ฉ๋ชจ๋ฆฌ์ ์ ์ฅํ ๋ ๋ค์ฐจ์์ ๋ฐ์ดํฐ ์์์ ๋ํ ๋ฐฉ์์ ๋ ผํ๋ parameter๋ก ๊ฒ๋ณด๊ธฐ์๋ ์ฐจ์ด๊ฐ ์์ด๋ณด์ ๋๋ค. 'C' ๋๋ 'F' ๋ง์ ๋ฃ์ ์ ์๋ optional parameter๋ก 'C'๋ row-major(C-style), 'F'๋ column-major..

์๊ด๊ด๊ณ ์๊ฐํ 1์ฅ ๋ถ๋ถ # ๋จผ์ ์๊ด๊ณ์ ๊ณ์ฐ์ ์ํด ํ ์คํธ ํ์์ ๋ฐ์ดํฐ๋ฅผ ์ซ์๋ก ๋ณํํด์ค. from sklearn.preprocessing import LabelEncoder # ๋ฅ ๋ณต์ฌ corr_df = data.copy() corr_df[corr_df.columns[corr_df.dtypes=='O']] = corr_df[corr_df.columns[corr_df.dtypes=='O']].astype(str).apply(LabelEncoder().fit_transform) corr_df['Exter Qual'].unique() ## ์๊ด๊ด๊ณ๋ฅผ ๋ถ์ํด๋ณด๋ฉด ๋ฐ๋น๋ก์ ์์๊ฐ ๋ง์ #์ด ๋ถ๋ถ์ sklearn์ ํตํด ์ ๋๋ก ๋ ์์นํ๊ฐ ์ด๋ฃจ์ด์ง์ง ์์๋ค๊ณ ์๊ฐํจ. corr_df.info() ๊ฐ์ ๋ ์ฝ๋..

์์นํ๋ฐ์ดํฐ ๋ฐ ๋ช ๋ชฉํ ๋ฐ์ดํฐ ์๊ฐํ #์์นํ ๋ฐ์ดํฐ numeric_feature = data.columns[(data.dtypes==int) | (data.dtypes== float)] # ์นดํ ๊ณ ๋ฆฌํ ๋ฐ์ดํฐ categorical_feature = data.columns[data.dtypes=='O'] import matplotlib.pyplot as plt %matplotlib inline plt.style.use("ggplot") feature = numeric_feature # Boxplot ์ ์ฌ์ฉํด์ ๋ฐ์ดํฐ์ ๋ถํฌ๋ฅผ ์ดํด๋ด ๋๋ค. plt.figure(figsize=(20,15)) plt.suptitle("Boxplots", fontsize=40) for i in range(len(feature))..
์ฒจ๋์ธก์ ์์ #์ฒจ๋ from scipy.stats import kurtosis quiz14={} quiz14={์ธก์ :round(air_all[air_all['์ธก์ ์๋ช '] == ์ธก์ ]['๋ฏธ์ธ๋จผ์ง(ใ/ใฅ)'].kurtosis(),3) for ์ธก์ in ์ธก์ ์} print(sorted(quiz14.items(),key=lambda x :-x[1])[-1][0],sorted(quiz14.items(),key=lambda x :-x[1])[0][0]) ๋ถ์ฐ ๊ทธ๋ํ # ๋ถ์ฐ ๊ทธ๋ํ sns.FacetGrid(air_all, row = '์ธก์ ์๋ช ').map(sns.distplot, '๋ฏธ์ธ๋จผ์ง(ใ/ใฅ)') ๋ฐ์ค ๊ทธ๋ํ ๋ฐ์ค ๊ทธ๋ํ ์ธก์ ๋ ์ง=air_all.์ธก์ ์ผ์.unique() ์ธก์ ์=air_all.์ธก์ ์๋ช .uniqu..
๊ทธ๋ํ ์ต์ (๊พธ๋ฏธ๊ธฐ) fmt='[color][line_style][marker]' ์ b ํ๋์ g ๋ น์ r ๋นจ๊ฐ c ์ฒญ๋ น m ์ํ y ๋ ธ๋ k ๊ฒ์์ w ํฐ์ ๋ผ์ธ ์คํ์ผ - ์ค์ -- ํ์ : ์ ์ -. ํ์ ์ ์ ํผํฉ์ ๋ง์ปค o ์ ^,v, ์ผ๊ฐ,์๋,์ผ,์ค๋ฅธ s ์ฌ๊ฐ p ์ค๊ฐ h,H ์ก๊ฐ 1 2 x, X x, ์ฑ์์ง X D,d ๋ค์ด์๋ชฌ๋, ์์ ๋ค์ด์๋ชฌ๋