데이터 분석을 위한 Pandas: 4. 데이터 정렬 및 그룹핑

Pandas를 사용한 데이터 정렬 및 그룹핑은 데이터 분석에서 매우 중요한 작업입니다. 이를 통해 데이터를 체계적으로 구성하고 의미 있는 통찰을 얻을 수 있습니다.

 데이터 정렬

단일 열로 정렬

`sort_values()` 메서드를 사용하여 단일 열을 기준으로 데이터를 정렬할 수 있습니다:

# python
import pandas as pd

df = pd.DataFrame({'A': [3, 1, 2], 'B': [6, 4, 5]})
sorted_df = df.sort_values('A')
#

여러 열로 정렬

여러 열을 기준으로 정렬할 때는 열 이름의 리스트를 사용합니다:

# python
sorted_df = df.sort_values(['A', 'B'])
#

정렬 순서를 지정할 수도 있습니다:

# python
sorted_df = df.sort_values(['A', 'B'], ascending=[True, False])
#

인덱스로 정렬

`sort_index()` 메서드를 사용하여 인덱스를 기준으로 정렬할 수 있습니다:

# python
sorted_df = df.sort_index()
#

 데이터 그룹핑

기본 그룹핑

`groupby()` 메서드를 사용하여 데이터를 그룹화할 수 있습니다:

# python
grouped = df.groupby('A')
#

집계 함수 적용

그룹화된 데이터에 집계 함수를 적용할 수 있습니다:

# python
mean_values = grouped.mean()
sum_values = grouped.sum()
#

여러 열로 그룹핑

여러 열을 기준으로 그룹화할 수 있습니다:

# python
grouped = df.groupby(['A', 'B'])
#

사용자 정의 집계 함수

`agg()` 메서드를 사용하여 사용자 정의 집계 함수를 적용할 수 있습니다:

# python
def custom_func(x):
    return x.max() - x.min()

result = grouped.agg(custom_func)
#

여러 집계 함수 동시 적용

여러 집계 함수를 동시에 적용할 수 있습니다:

# python
result = grouped.agg(['mean', 'sum', 'count'])
#

열별로 다른 집계 함수 적용

각 열에 다른 집계 함수를 적용할 수 있습니다:

# python
result = grouped.agg({'C': 'sum', 'D': 'mean'})
#

 고급 그룹핑 기능

그룹 필터링

`filter()` 메서드를 사용하여 특정 조건을 만족하는 그룹만 선택할 수 있습니다:

# python
filtered = df.groupby('A').filter(lambda x: x['B'].mean() > 3)
#

그룹 변환

`transform()` 메서드를 사용하여 그룹별로 데이터를 변환할 수 있습니다:

# python
transformed = df.groupby('A').transform(lambda x: x - x.mean())
#

이러한 정렬 및 그룹핑 기능을 활용하면 복잡한 데이터셋에서도 의미 있는 패턴을 발견하고 효과적으로 분석할 수 있습니다.

#파이썬 #Python #데이터분석 #dataanalysis #데이터정렬 #데이터그룹핑 #pandas #sorting #groupby #aggregation