아미(아름다운미소)

데이터프레임의 컬럼 타입을 지정된 타입으로 변경합니다.예제1def change_column_types(df, column_types): """ 데이터프레임의 컬럼 타입을 지정된 타입으로 변경합니다. Args: df (pandas.DataFrame): 컬럼 타입을 변경할 데이터프레임 column_types (dict): 컬럼 이름과 타입을 매핑한 딕셔너리 """ for col in df.columns: if col in column_types: try: df[col] = df[col].astype(column_types[col]) except ValueError: ..

import multiprocessing as mpdef square_parallel(x): return x ** 2# 병렬 처리 사용start = time.time()with mp.Pool(processes=4) as pool: df['A_squared'] = pool.map(square_parallel, df['A'])print(f"병렬 처리 소요 시간: {time.time() - start:.2f} 초")

import pandas as pd# 데이터 타입을 지정하여 데이터프레임 생성df = pd.DataFrame({ 'column1': [1, 2, 3, 4, 5], 'column2': [1.1, 2.2, 3.3, 4.4, 5.5], 'column3': ['a', 'b', 'c', 'd', 'e']}, dtype={'column1': int, 'column2': float, 'column3': str})

import pandas as pd# DataFrame 생성df = pd.DataFrame({ 'date1': ['2025-11-11', '2024-05-17'], 'date2': ['2024-05-17', '2023-01-01']})# 날짜 데이터 변환df['date1'] = pd.to_datetime(df['date1'])df['date2'] = pd.to_datetime(df['date2'])# 분 단위 차이 계산df['minutes_diff'] = ((df['date1'] - df['date2']).dt.total_seconds() / 60).astype(int)# 결과 출력print(df)

fastapifrom typing import Listfrom fastapi import FastAPI, HTTPExceptionfrom pydantic import BaseModelfrom dbhelper import DBHelperapp = FastAPI()# DBHelper 인스턴스 생성db = DBHelper(host='localhost', user='your_username', password='your_password', database='your_database')db.connect()# 사용자 데이터 모델class User(BaseModel): id: int name: str email: str# CRUD 엔드포인트@app.get("/users", response_model..

from flask import Flask, jsonify, requestfrom dbhelper import DBHelperapp = Flask(__name__)# DBHelper 인스턴스 생성db = DBHelper(host='localhost', user='your_username', password='your_password', database='your_database')db.connect()# CRUD 엔드포인트@app.route('/users', methods=['GET', 'POST'])def users(): if request.method == 'GET': # 사용자 목록 조회 users = db.read('users').fetchall() re..

import mysql.connectorfrom mysql.connector import Errorclass DBHelper: def __init__(self, host, user, password, database): self.host = host self.user = user self.password = password self.database = database self.connection = None self.cursor = None def connect(self): try: self.connection = mysql.connector.connect( h..

pandas에서 lambda 함수를 사용하는 예제를 알려드리겠습니다.1. 데이터프레임의 열에 lambda 함수 적용하기import pandas as pd# 샘플 데이터프레임 생성df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# 열 'A'에 lambda 함수 적용하기df['C'] = df['A'].apply(lambda x: x * 2)print(df)출력: A B C0 1 4 21 2 5 42 3 6 62. 데이터프레임 정렬하기:import pandas as pd# 샘플 데이터프레임 생성df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# lambda 함수를 사용하여 데이터프레임 정렬하기df = ..

람다 함수를 사용하여 3개의 파라미터를 전달하는 방법은 다음과 같습니다:여기서 중요한 점은 람다 함수 내부에서 `my_function`을 호출할 때 4개의 인자를 전달해야 한다는 것입니다. 첫 번째 인자는 DataFrame의 각 행에 해당하는 값(`x`)이며, 나머지 3개의 인자는 `my_function`의 두 번째, 세 번째, 네 번째 파라미터에 해당하는 값들입니다.이렇게 하면 DataFrame의 각 행에 대해 `my_function`이 호출되며, 3개의 추가 파라미터도 함께 전달됩니다.만약 이 3개의 파라미터 값이 고정되어 있다면, 람다 함수 외부에서 미리 정의해두고 사용할 수 있습니다:이렇게 하면 코드의 가독성이 높아지고, 파라미터 값을 쉽게 변경할 수 있습니다.def my_function(x, p..

import pandas as pd# 데이터프레임 생성df = pd.DataFrame({'a': [1, 2, 2, 3, 3], 'b': [10, 20, 30, 40, 50]})# 'a' 컬럼을 기준으로 중복을 제거하면서 'b' 컬럼의 최대값을 남기기result = df.groupby('a')['b'].max().reset_index()print(result)import pandas as pd# 샘플 데이터프레임 생성df = pd.DataFrame({ 'a': [1, 2, 3, 1, 2, 3], 'b': [10, 20, 30, 15, 25, 35]})# a 열 기준으로 중복 제거, b 열 최대값 유지result = ( df.sort_values(by='b', ascending=False) ..