티스토리

안녕하세요!
검색하기

블로그 홈

안녕하세요!

shinyfood.tistory.com/m

안녕하세요 shinyfood입니다! 좋은 시간 되시길 바랍니다.

구독자
15
방명록 방문하기
공지 안녕하세요 shinyfood의 개발일⋯ 모두보기

주요 글 목록

  • django 설치부터 웹까지 정리. 보호되어 있는 글입니다. 공감수 0 댓글수 0 2024. 2. 5.
  • 자카드, 코사인, 유클리디안, 피어슨 추천시스템을 활용하려다보니, 코사인 유사도니, 유클리디안 거리니 잘 모르는 개념들이 나와 알아봤다. 자카드 유사도 : 자카드 지수는 두 집합 사이의 유사도를 측정하는 방법 중 하나이다. 자카드 계수 또는 자카드 유사도라고도 한다. 자카드 지수는 0과 1 사이의 값을 가지며, 두 집합이 동일하면 1의 값을 가지고, 공통의 원소가 하나도 없으면 0의 값을 가진다. 코사인 유사도 : 코사인 유사도는 내적공간의 두 벡터간 각도의 코사인값을 이용하여 측정된 벡터간의 유사한 정도를 의미한다. 각도가 0°일 때의 코사인값은 1이며, 다른 모든 각도의 코사인값은 1보다 작다. 유클리디안 거리 : 유클리드 거리는 두 점 사이의 거리를 계산할 때 흔히 쓰는 방법이다. 이 거리를 사용하여 유클리드 공간을 정의할 수 있으며,.. 공감수 0 댓글수 1 2024. 2. 4.
  • 데이터 분석 ML/DL 프로젝트(4) 요 며칠 골머리를 썩이던 라벨링작업을 XML로 되어있는 파일을 구해 그대로 뽑아와서... 쉽게 처리했다 하자마자 yolo모델은 정확도가 매우 올라가는 모습을 보여줬고, 현재 20시간정도짜리 훈련을 시켜놓고 온 상태. 어제 약 8시간 돌려놓은 모델로 드론과 새를 테스트 해봤는데 웬만큼 잘 잡히는 모습을 보여줬다. 이후 전국 관광객 데이터 + 서울 방문 관광객 비율로 전처리 및 시각화를 했고, 해당 데이터 중 전국 관광객 데이터는 월별로 96년1월부터 2022년12월까지 되어있어, 시계열 예측까지 해보았다. 위의 과정에서 데이터 두개를 합치는시간이 생각보다 너무 오래걸려서 고생을 많이 했다. df = pd.read_csv("./data/korea_tourist.csv") df1 = pd.read_csv("... 공감수 0 댓글수 0 2024. 1. 25.
  • 데이터분석 ML/DL 프로젝트(3-1) https://shinyfood.tistory.com/110 데이터분석 ML/DL 프로젝트(3) 지난시간에 이어, UAM관련하여 보충해줄수있는 몇개의 자료를 찾았다. 전국 관광객자료, 서울 관광객자료, 항공 관광객 자료 정도를 모을 수 있었다. 또한 UAM 관련 법을 찾아봤다. https://www.shinkim. shinyfood.tistory.com 해당글에서 이야기했던건 맞았다.. 하지만 정규화를 풀어서사용하는게아닌 오히려 정규화를 해서 넣으면 자동으로 인식한다고한다.. 그래도 의문 해결... 결과는 오늘적용예정... 공감수 1 댓글수 0 2024. 1. 23.
  • 데이터분석 ML/DL 프로젝트(3) 지난시간에 이어, UAM관련하여 보충해줄수있는 몇개의 자료를 찾았다. 전국 관광객자료, 서울 관광객자료, 항공 관광객 자료 정도를 모을 수 있었다. 또한 UAM 관련 법을 찾아봤다. https://www.shinkim.com/kor/media/newsletter/2234 “도심항공교통 활용 촉진 및 지원에 관한 법률안” 공포 도심항공교통 활용 촉진 및 지원에 관한 법률(이하 “UAM법”) 제정안이 2023년 10월 6일 국회 본회의를 통과하여, 10월 24일 공포되었습니다. 본 제정안은 총 4장 31개 조문으로 구성되어 있으며, i) www.shinkim.com 해당 자료는 여기있으니 참고 바란다. 그리고 현재는 UAM이라는 것중에 공항으로의 수송만을 생각했지만, 관광으로도 눈을 돌리는게 가능할 것 같아.. 공감수 0 댓글수 1 2024. 1. 22.
  • 데이터분석 ML/DL 프로젝트(2) 오늘은 어제 박스쳤던 데이터들을 옆 팀원과 공유하며 시작했다. 해당하여 모델에 어떻게 훈련을 시켜줄지 생각해보기도 하고, 웹에 표현해주기 위해, 모니터에 드론영상을 띄우고 객체인식 하는 영상을 보여줘야 하기때문에 여러 코딩도 했다. 이는 추후 올리도록 하겠다. 이후 거의 데이터 분석을 위한... 자료수집의 날이였다. 자료수집... UAM... 아직 시행되지 않은 서비스... 그렇다면 무엇을 찾아야할까.. 1. UAM이 필요한 이유 2. UAM을 필요로하는 인구. 1번에 대한 분석을 위해 필요한 이유를 생각해 보려니 어느정도 압축이 됐다. 1-1. 기존 이동 수단 대비 빠른 속도(즉, 시간의 절약) 1-2. 기존의 빠른 이동수단(헬기) 대비 조용함. 1-3. 기존 이동수단들 중 환경 오염을 시키는 수단을 .. 공감수 0 댓글수 0 2024. 1. 19.
  • 데이터 분석 및 ML/DL 프로젝트 이번 프로젝트는 3번째 프로젝트이다. 이전 여러번의 프로젝트를 했으나.. 여태 제대로 남긴적이 없어 이번에는 한번 제대로 해보려고 한다. 이번 프로젝트의 취지는 웹서비스를 주축으로, 데이터분석 및 머신러닝/딥러닝을 같이 곁들이는 것이다. 이번 주제는 UAM으로 정해봤다. 현재 서비스되고있지는 않지만 근래에 될 것 같기도하고, 드론을 타고다닌다는 발상이 참 멋지기도 하고 말이다. 데이터분석은 아마도 UAM의 수요층 분석, 요금책정 등을 할 것 같고 오늘은 데이터 수집 및 UAM에서 사용될 기체에서 사고예방을 위한 객체인식 모델을 만들기위해 annotation 적용 작업을 해주려고한다. https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=.. 공감수 0 댓글수 0 2024. 1. 17.
  • 시계열분석 주식데이터 주가예측(2) https://shinyfood.tistory.com/105 시계열분석 주식데이터 주가예측(1) 오늘은 시계열 분석을 이용한 주식데이터 주가예측을 해보도록 하겠다. 전체적으로 하는게아니고 파이썬라이브러리 중 yfinance 에 등록된 구글, 마이크로소프트, 애플, 메타 중에 구글로 해보도 shinyfood.tistory.com 해당 글에서 이어집니다. 지난번 글에서는 모델까지 생성했기 때문에 이제 모델을 훈련시키고 주가 예측을 해 볼 일만 남았으니 한번 해보도록 하자. 우선 Best Model을 뽑아왔으니 잔차를 확인해보도록 하자. 검정 하는 함수 : summary(), plot_diagnostics() model.summary() 해당 내용 중, P>|z| = p-value값이다. 유의미 하냐 안하냐(.. 공감수 0 댓글수 2 2024. 1. 16.
  • 시계열 데이터 관련 다시보기 In [1]: """ 시간단위로 축적되는 데이터를 통한 분석 및 예측할때 사용된다. 향후의 추이를 예측할때 사용. "시""계열"/시간단위 데이터 축적 """ Out[1]: '\n시간단위로 축적되는 데이터를 통한 분석 및 예측할때 사용된다. 향후의 추이를 예측할때 사용.\n"시""계열"/시간단위 데이터 축적\n' 시간데이터 조작¶ In [2]: import pandas as pd In [3]: # [시간 유형] 데이터 만들기 dates = ["2020-01-01", "2020-03-01", "2021-09-01"] dates Out[3]: ['2020-01-01', '2020-03-01', '2021-09-01'] In [4]: """시간 유형의 문자열을 날짜 타입으로 변환하기(형변환)""" ts_date.. 공감수 0 댓글수 2 2024. 1. 16.
  • 시계열분석 주식데이터 주가예측(1) 오늘은 시계열 분석을 이용한 주식데이터 주가예측을 해보도록 하겠다. 전체적으로 하는게아니고 파이썬라이브러리 중 yfinance 에 등록된 구글, 마이크로소프트, 애플, 메타 중에 구글로 해보도록 하겠다. 우선 임포트부터 시작. import datetime import matplotlib.pyplot as plt import platform from matplotlib import font_manager, rc import pandas as pd import numpy as np 이후 OS별 한글설정을 해주도록 하자 # 마이너스 기호 사용 설정 plt.rcParams["axes.unicode_minus"] = False # OS별 한글 설정 if platform.system() == "Windows" : .. 공감수 1 댓글수 1 2024. 1. 16.
  • DNN으로 분류데이터 사용해보기 지난 게시물에서는 DNN을 이용한 회귀데이터를 사용해보았다. 이번 게시물에서는 분류데이터를 사용해보도록 하겠다. 임포트부터 시작하자. import pandas as pd import numpy as np import tensorflow as tf from tensorflow import keras from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklea.. 공감수 0 댓글수 0 2024. 1. 15.
  • DNN 회귀모델 사용해보기 DNN의 경우는 회귀와 분류 모두 사용할 수 있다. 지난 포스팅에서 YOLO와 CNN을 다뤘었지만, DNN부터 다시 보고자 한다. 회귀 모델의 경우는 데이터 전처리 → 완료된 데이터를 불러옴 → 정규화 → 훈련, 검증, 테스트 데이터로 분리 → 모델 생성 및 훈련 → 예측 → 평가 순으로 진행하면 된다. data = pd.read_csv("path") X = data.iloc[:,:-1] y = data["종속변수"] X.shape,y.shape # StandardScaler를 이용한 정규화 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split(X_scale.. 공감수 0 댓글수 1 2024. 1. 14.
  • 이미지를 이용하여 객체 인식 후 소리내기 이번 게시물에서는 이미지를 이용하여 객체를 인식하고, 인식된 객체가 맞는지 아닌지 인식이 됐다면, 맞는사람에 한해 소리를 내는 모델을 만들어보도록 하겠습니다. 여전히 임포트부터 시작합니다. import os import numpy as np import pandas as pd #OpenCV 라이브러리 import cv2 #이미지 증식 라이브러리 from tensorflow.keras.preprocessing.image import ImageDataGenerator #이미지를 numpy array(배열)로 변환하는 라이브러리 from tensorflow.keras.preprocessing.image import img_to_array # 특정 원본 이미지 폴더 내의 모든 이미지 파일을 읽어들여서 # - 이.. 공감수 13 댓글수 16 2024. 1. 11.
  • YOLO모델로 영상에서 객체 탐지 https://shinyfood.tistory.com/97 YOLO 함수화 및 여러 그림으로 확인해보기 https://shinyfood.tistory.com/96 YOLO 설치 및 객체탐지 YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 shinyfood.tistory.com 지난 글에서 YOLO를이용하여 이미지에서 객체들을 확인하고 바운딩 박스를 이용하여 해당 객체의 라벨링대로 출력 및 확률계산까지 해 보았다. 이미지에서 가능하다면 영상도 가능하지않을까? 그렇다 가능하다. 한번 해보도록 하자. 오늘도 임포트로 시작하겠다. import cv2 import numpy as np.. 공감수 1 댓글수 2 2024. 1. 11.
  • YOLO 함수화 및 여러 그림으로 확인해보기 https://shinyfood.tistory.com/96 YOLO 설치 및 객체탐지 YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 - 사각형)과 객체의 이름(사람, 고양이 등...)을 shinyfood.tistory.com 해당 글에서 이어집니다. 원본 이미지의 예측한 위치에 바운딩 박스와 레이블(이름), 정확도 출력하기 net = cv2.dnn.readNet("./yolo/config/yolov3.weights", "./yolo/config/yolov3.cfg") classes = [] # open(): 파일 열기, r: 읽기, w:쓰기, b가붙으면 바이너리 # f가 곧.. 공감수 0 댓글수 3 2024. 1. 11.
  • YOLO 설치 및 객체탐지 YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 - 사각형)과 객체의 이름(사람, 고양이 등...)을 표시해 주는 기능을 수행. YOLO 설치 방법 0. 파일관리 폴더 생성 - yolo/config 1. YOLO 가중치(weights) 파일 다운로드 받기 - https://pjreddie.com/media/files/yolov3.weights - https://pjreddie.com/media/files/yolov2-tiny.weights - config 폴더 안에 다운받은 2개 파일 위치시키기 2. YOLO 환경설정 파일 다운받기 - https://github.com/pjr.. 공감수 0 댓글수 2 2024. 1. 10.
  • DNN dropout, callback함수 https://shinyfood.tistory.com/93 심층훈련망 훈련(DNN) * 인공신경망(Artificial Neural Network, ANN) 계층이 1개인 경우 또는 은닉계층이 없는 경우. * 심층신경망(Deep Neural Network, DNN)\ 은닉계층을 가지고 있는 경우 . import pandas as pd import numpy as np from sklearn.mode shinyfood.tistory.com 이전 글에서 이어집니다. 이전 글에서 만들었던 함수를 이용하여 모델을 만든다. def model_fn(a_layer = None): model = keras.Sequential() # 입력층 추가하기 model.add(keras.layers.Flatten(input_sha.. 공감수 0 댓글수 2 2024. 1. 9.
  • 심층훈련망 훈련(DNN) * 인공신경망(Artificial Neural Network, ANN) 계층이 1개인 경우 또는 은닉계층이 없는 경우. * 심층신경망(Deep Neural Network, DNN)\ 은닉계층을 가지고 있는 경우 . import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from tensorflow import keras import tensorflow as tf 오늘도 임포트로 시작. 오늘은 keras에 있는 데이터셋을 사용해보도록 하겠다. ### 실행 결과를 동일하게 하기 위한 처리(완전 동일하지 않을 수도 있음) tf.keras.utils.set_random_seed(42) ### 연산 고정 .. 공감수 0 댓글수 0 2024. 1. 8.
  • 신경망계층_추가방법_및_성능향상방법(2) https://shinyfood.tistory.com/90 신경망 계층 추가법 및 성능향상법 (1) # 실행 결과를 동일하게 하기 위한 처리(완전 동일하지 않을 수도 있음) tf.keras.utils.set_random_seed(42) # 연산 고정 tf.config.experimental.enable_op_determinism() 375/375 [==============================] - 0s 564us/step - loss shinyfood.tistory.com 이전 글과 이어집니다. 지난글에서는 모멘텀을 적용하여 과대적합을 해소해주었다. 그렇다면 이제 model.compile을 이용하여 여러 옵티마이저로 최적의 알고리즘을 찾아보자. 알고리즘을 적용하는 두 가지 방식을 보도록 하자... 공감수 0 댓글수 4 2024. 1. 8.
  • deep learning / DNN 분류데이터 사용(실습) import pandas as pd import numpy as np import tensorflow as tf from tensorflow import keras from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklearn.metrics import recall_score from sklearn.metrics import f1_score from sklearn.metrics import confusion_m.. 공감수 0 댓글수 2 2024. 1. 5.
  • 신경망 계층 추가법 및 성능향상법 (1) # 실행 결과를 동일하게 하기 위한 처리(완전 동일하지 않을 수도 있음) tf.keras.utils.set_random_seed(42) # 연산 고정 tf.config.experimental.enable_op_determinism() 375/375 [==============================] - 0s 564us/step - loss: 1.2310 - accuracy: 0.8759 1.231040358543396 / 0.8759166598320007 #데이터 수집 (train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data() print(train_input.shape, test_i.. 공감수 1 댓글수 1 2024. 1. 4.
  • 데이터 분석에서의 violin plot violin plot이란? 데이터 분포를 시각화하는 데 사용되며, 주로 다양한 범주형 변수에 대한 분포를 비교하는 데 유용하다. 또한 데이터의 밀도 추정을 할때 중요하기 때문에, 데이터의 밀집도를 확인하는데 사용된다. 이상치나 분포의 극단적인 부분을 찾아내는 데 도움이 되기때문에, 밀도를 확인하면서 이상치와 극단적인 분포를 보고싶다면 사용하면 좋다. # 예시를 위한 가상의 데이터 불러오기 data = sns.load_dataset('tips') data import seaborn as sns import matplotlib.pyplot as plt #한글처리 plt.rc("font", family="Malgun Gothic") # 마이너스기호처리 plt.rcParams["axes.unicode_minus.. 공감수 0 댓글수 2 2024. 1. 3.
  • ML 앙상블모델(2) https://shinyfood.tistory.com/87 ML/ 앙상블 모델(1) 앙상블 모델 - tree구조(결정트리)를 기반으로 만들어진 모델 - 여러개의 트리 모델을 이용해서 훈련하는 모델을 앙상블 모델이라고 칭합니다. 앙상블 모델 분류 - 회귀와 분류에서 모두 사용한 shinyfood.tistory.com 기존 글에서 이어집니다. 성능 평가하기 기존의 성능평가는 MAE와 R^2로 진행했지만 이번엔 정확도, 정밀도, 재현율, F1-Score 값을 이용해서 진행한다. 재현율이 높고, F1-Score가 높은값이면 보통 선정된다고 볼 수 있다.(무조건은 아니다) 정확도, 정밀도, 재현율, F1-Score의 모든 값은 0~1 사이의 값을 가지며, 값이 높을수록 좋다. 해당 값들을 확인하기위해서는 오차행렬.. 공감수 0 댓글수 2 2023. 12. 28.
  • ML/ 앙상블 모델(1) 앙상블 모델 - tree구조(결정트리)를 기반으로 만들어진 모델 - 여러개의 트리 모델을 이용해서 훈련하는 모델을 앙상블 모델이라고 칭합니다. 앙상블 모델 분류 - 회귀와 분류에서 모두 사용한 모델들 입니다. - sklearn 패키지 모델은 모두 가능. 배깅(Bagging)과 부스팅(Boosting) 방식으로 나뉜다. 배깅(Bagging) - 사용되는 여러개의 모델(여러 트리)들은 서로 독립적으로 사용됨(연관성 없음) - 훈련 데이터는 여러 모델에 랜덤하게 적용되며, 중복되는 데이터가 있을 수도 있음. - 훈련데이터를 사용 후에는 반환하는 방식을 사용함. → 반환 후에 다시 랜덤하게 추출하여 여러 모델(여러 트리)에 적용합니다. - 대표적인 배깅 앙상블 모델은 RandomForest 모델이 있음. - 배.. 공감수 0 댓글수 2 2023. 12. 27.
  • 데이터 분류하기 2 https://shinyfood.tistory.com/85 머신러닝 training & test 훈련과 검증 테스트데이터 분류 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train_x, X_train : (훈련 종속변수) train_target, train_y, y_train - 검증 shinyfood.tistory.com 해당글과 이어집니다. print(fish_length, fish_weight) [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, .. 공감수 0 댓글수 0 2023. 12. 22.
  • 머신러닝 training & test 훈련과 검증 테스트데이터 분류 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train_x, X_train : (훈련 종속변수) train_target, train_y, y_train - 검증데이터 : 훈련 정확도(scroe)에 사용되는 데이터 : (훈련 독립변수) val_input, val_x, X_val : (훈련 종속변수) val_target, val_y, y_val - 테스트데이터 : 예측(predict)에 사용되는 데이터 : (테스트 독립변수) test_input, test_x, X_test : (테스트 종속변수) test_target, test_y, y_test 1. 훈련과 테스트 비율로 먼저 나누기 - 훈련과 테스트.. 공감수 0 댓글수 2 2023. 12. 22.
  • ML(machine learning)기초 머신러닝이란? 단어로 정의하기는 어렵지만 알고리즘을 이용하여 정보를 받아들여 스스로 생각하고 스스로 행동하는 인공지능을 만드는데 사용되는 것. 알고리즘(algorithms) : 어떠한 문제를 해결하기 위한 일 련의 절차나 방법 머신러닝(machine learning) : 기계가 패턴을 학습하여 자동화하는 알고리즘 패턴/ 규칙/ 학습 세가지가 제일 중요함. 리서치 / 분석예측 / CCTV 행위분석 리서치 : 탐색분석(EDA) 분석예측 : 데이터의 흐름 분석(위성데이터 등 날씨) CCTV 행위분석 : 시스템 분석 ICBMS가 세트가 되면 인공지능이 된다. 스스로 판단하고 행동하면 그것이 인공지능이다. (자율주행자동차) 앞으로 ML/DL 데이터나 모델들을 많이 듣게될거다. 라이브러리 = 모델 = 클래스 안드로.. 공감수 0 댓글수 0 2023. 12. 20.
  • 데이터분석 파이썬 원형 그래프, 워드 클라우드 https://shinyfood.tistory.com/77 데이터분석 교통데이터 시각화 import pandas as pd df_bus_card_tot = pd.read_csv("./01_data/all/df_bus_card_tot.csv") print("개수 : ", len(df_bus_card_tot)) df_bus_card_tot.head(1) 데이터를 다룰땐 결측치와 이상치(기초통계)를 확인해야한다. 해당 자료는 이 shinyfood.tistory.com 해당 글에서 사용했던 데이터를 이용하여 원형 데이터를 그려보도록 하자. fig, axs = plt.subplots(5, 2, figsize=(13,22)) axs = axs.flatten() # 긍정/부정/기타 색상 정의 colors = ["pi.. 공감수 3 댓글수 7 2023. 12. 5.
  • 데이터분석 교통데이터 시각화 import pandas as pd df_bus_card_tot = pd.read_csv("./01_data/all/df_bus_card_tot.csv") print("개수 : ", len(df_bus_card_tot)) df_bus_card_tot.head(1) 데이터를 다룰땐 결측치와 이상치(기초통계)를 확인해야한다. 해당 자료는 이상이 없으니 우선 넘어가자.(글이 길어진다) 데이터를 시각화하기위한 기본적인것들을 임포트해준다. ### 시각화 라이브러리 matplotlib는 둔탁한 시각화 seaborn은 파스텔톤의 부드러운 시각화 import matplotlib import matplotlib.pyplot as plt import seaborn as sns ### 그래프 내에 한글이 포함된 경우 폰트 .. 공감수 2 댓글수 4 2023. 12. 4.
  • 데이터분석 교통데이터 수집 및 가공(2) https://shinyfood.tistory.com/74 데이터분석 교통데이터 수집 및 가공(1) 이 게시물의 내용은 에서 데이터를 받아 사용했습니다. URL : 국가교통 데이터 오픈마켓 오늘도 시작은 pandas를 import하며 시작한다. import pandas as pd 위에 언급한것처럼 포항시 BIS 교통카드 사용내 shinyfood.tistory.com 지난시간에는 교통데이터 수집 가공을하여 합쳐보았다. 이를 이용하여 여러개로 나뉘어진 정보를 합쳐보고 시각화 해보도록 하겠다. df_bus_card_tot = df_bus_card.columns df_bus_card_tot 우선 컬럼들을 tot에 담도록 하자. result_data = df_bus_card.columns result_data 담.. 공감수 0 댓글수 0 2023. 12. 4.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.
    "); wcs_do();