from pandas import Series, DataFrame
import pandas as pd
emp = pd.read_csv("C:\\data\\employees.csv")
emp.info()
| SELECT * FROM emp WHERE employee = 100 OR employee_id = 101; |
SELECT * FROM emp WHERE employee_id IN (100,101); |
| (emp['EMPLOYEE_ID'] == 100) or (emp['EMPLOYEE_ID'] == 101) # 오류 : series | |
| (emp['EMPLOYEE_ID'] == 100) | (emp['EMPLOYEE_ID'] == 101) # True or False | |
| emp[(emp['EMPLOYEE_ID'] == 100) | (emp['EMPLOYEE_ID'] == 101)] # 인덱스 | |
| emp[emp['EMPLOYEE_ID'].isin([100,101])] | |
isin() : SQL IN 연산자와 동일한 의미(== | ==)
| SELECT * FROM emp WHERE employee != 100 AND employee_id != 101; |
SELECT * FROM emp WHERE employee_id NOT IN (100,101); |
| emp[(emp['EMPLOYEE_ID'] != 100) & (emp['EMPLOYEE_ID'] != 101)] | |
| ~emp['EMPLOYEE_ID'].isin([100,101]) | |
| emp[~emp['EMPLOYEE_ID'].isin([100,101])] | |
~ isin() : SQL NOT IN 연산자와 동일한 의미(!= & !=)
~ : Not 의미
emp[(emp['JOB_ID'] == 'AD_VP') | (emp['JOB_ID'] == 'AD_PRES')] [['LAST_NAME','SALARY','JOB_ID']]
emp.loc[(emp['JOB_ID'] == 'AD_VP') | (emp['JOB_ID'] == 'AD_PRES'), ['LAST_NAME','SALARY','JOB_ID']]
emp.loc[emp['JOB_ID'].isin(['AD_VP','AD_PRES']), ['LAST_NAME','SALARY','JOB_ID']]
emp[(emp['JOB_ID'] != 'AD_VP') & (emp['JOB_ID'] != 'AD_PRES')] [['LAST_NAME','SALARY','JOB_ID']]
emp.loc[(emp['JOB_ID'] != 'AD_VP') & (emp['JOB_ID'] != 'AD_PRES'), ['LAST_NAME','SALARY','JOB_ID']]
emp.loc[~emp['JOB_ID'].isin(['AD_VP','AD_PRES']), ['LAST_NAME','SALARY','JOB_ID']]
emp.loc[(emp['COMMISSION_PCT'].notnull())&(emp['DEPARTMENT_ID'].isnull()),['EMPLOYEE_ID','COMMISSION_PCT','DEPARTMENT_ID']]
| [문제] DEPARTMENT_ID가 50,60 부서 사원들 중 SALARY가 5000 이상인 사원들의 LAST_NAME, DEPARTMENT_ID, SALARY 출력. |
| emp[((emp['DEPARTMENT_ID']==50) | (emp['DEPARTMENT_ID']==60)) & (emp['SALARY']>=5000)][['LAST_NAME', 'DEPARTMENT_ID', 'SALARY']] result = emp.loc[(emp['DEPARTMENT_ID'].isin([50,60]) & (emp['SALARY']>=5000)), ['LAST_NAME', 'DEPARTMENT_ID', 'SALARY']] result = result.sort_values(by=['DEPARTMENT_ID','SALARY'], ascending=[True,False]).reset_index(drop=True) # result.sort_values(부서ID 오름차순, 급여 내림차순).reset_index(열삭제) result |
from pandas import Series, DataFrame
import pandas as pd
import numpy as np
from numpy import nan as NA
■ null, 결측치(값)
s1 = Series([1,2,3,None,5])
s2 = Series([1,2,3,np.NaN,5])
s3 = Series([1,2,3,np.nan,5])
s4 = Series([1,2,3,NA,5])
# isnull() : NaN 체크
s1.isnull()
s2.isnull()
s3.isnull()
s4.isnull()
pd.isnull(s1)
s1[s1.isnull()]
# notnull() : NaN 아닌 체크
s1.notnull()
s2.notnull()
s3.notnull()
s4.notnull()
pd.notnull(s1)
s1[s1.notnull()]
# fillna() : NaN 채우는 방법
s1.fillna(0) # 결측치를 0으로 채운다
s2.fillna(method='ffill') # 앞의 있는값으로 채운다
s2.fillna(method='pad') # 앞에 있는 값으로 채운다
s2.fillna(method='bfill') # 뒤에 있는 값으로 채운다.
s2.fillna(method='backfill') # 뒤에 있는 값으로 채운다.
df = DataFrame(data = [[1,2,3],[1,None,np.NaN],[np.nan,NA,NA],[NA,2,3]], columns=['a','b','c'])
df
df.fillna(0) # NaN 값을 다른 값으로 채우기(미리보기)
df['a'].fillna(0)
df['b'].fillna(0)
df['c'].fillna(0)
df.fillna({'a':10, 'b':20, 'c':30})
# dropna() : NaN 제거
df.dropna(how='any', axis=0) # NaN이 하나라도 있으면 그 행은 삭제 (기본값)
df.dropna(how='all', axis=0) # NaN이 전부 있는 행만 삭제
df.dropna(how='any', axis=1) # NaN이 하나라도 있으면 그 열은 삭제
df.dropna(how='all', axis=1) # NaN이 전부 있는 열만 삭제
| [문제] COMMISSION_PCT 값이 NaN 인 사원중에 SALARY 값이 5000~10000인 사원의 정보 출력. |
| emp.loc[ (emp['COMMISSION_PCT'].isnull()) & ((emp['SALARY']>=5000) & (emp['SALARY']<=10000)) ] |
| def square(arg): return arg**2 |
lst = [1,2,3]
square(lst[0]) # 1
square(lst[1]) # 4
square(lst[2]) # 9
↓
[ square(i) for i in lst]
↓
list(map(square, lst))
# 메모리에서 lst값을 square 함수에 적용, 반복문보다 빠르다.
↓
list(map(lambda arg:arg**2, lst))
| s = Series([1,2,3]) | |
| square(s) | 0 1 1 4 2 9 dtype: int64 |
| list(map(square,s)) | [1, 4, 9] |
| Series(map(square,s)) | 0 1 1 4 2 9 dtype: int64 |
| Series(map(lambda arg:arg**2,s)) | 0 1 1 4 2 9 dtype: int64 |
| s.apply(square) | 0 1 1 4 2 9 dtype: int64 |
| s.apply(lambda arg:arg**2) | 0 1 1 4 2 9 dtype: int64 |
| df = DataFrame([[1,2,3],[4,5,6]]) | |
| df.apply(square) | 0 1 2 0 1 4 9 1 16 25 36 |
| square(df) | |
| df.apply(lambda arg:arg**2) | |
apply() : 함수를 적용한다
if comm = null :
salary * 12
else :
salary * 12 + comm
↓
emp['SALARY'] * 12 + emp['COMMISSION_PCT'].fillna(0)
| Series(1).isnull() | 0 False dtype: bool # bool이지만 Series(1차원배열) |
| Series(1).isnull().bool() | False # bool. 단일값 스칼라 타입 |
| pd.isnull(1) | False # bool |
| def nvl(arg): if Series(arg).isnull().bool(): return 0 else: return arg |
def nvl(arg): if pd.isnull(arg): return 0 else: return arg |
emp['SALARY'] * 12 + emp['COMMISSION_PCT'].apply(nvl)
'Smith'.startswith('S') # 대문자 S로 시작하는지 체크. 단일값
emp['LAST_NAME'].startswith('S') # 오류 : 시리즈타입으로 다수 값이 들어옴
emp['LAST_NAME'][0].startswith('S') # 인덱싱을 통해 단일값나오게 사용
emp['LAST_NAME'].apply(lambda arg:arg.startswith('S'))
emp[emp['LAST_NAME'].apply(lambda arg:arg.startswith('S'))]
∥
emp[emp['LAST_NAME'].apply(lambda arg:arg[0] == 'S')]
∥
emp[emp['LAST_NAME'].str.startswith('S')]
str : 판다스에서 사용가능한 문자함수
| s = Series([' big','data ',' big data ']) s |
0 big 1 data 2 big data dtype: object |
len('data') # 문자길이
s.apply(lambda arg:len(arg))
s.str.len() # 문자길이
s.str.strip() # 문자의 앞뒤 공백제거
s.str.strip().str.len()
s.str.lstrip() # 앞 공백 제거
s.str.rstrip() # 뒤 공백 제거
s.str.lower() # 전부 소문자로 변환
s.str.upper() # 전부 대문자로 변환
s.str.strip().str.capitalize() # 공백제거 후 -> 문장의 첫글자는 대문자, 나머지 소문자
s.str.title() # 단어별 첫글자만 대문자, 나머지 소문자
s.str.swapcase() # 소문자-대문자 반전
s.str.replace('big','BIG') # 문자 치환
s.str.index('a') # 문자의 위치반환, 찾는 문자가 없으면 오류
s.str.find('a') # 문자의 첫 위치반환, 없으면 -1
s.str.find('a',0) # 기본값
s.str.find('a', 2) # 두번째 자리부터 위치 검색
s.str.find('a', 2).values # 값만 확인 , array([-1, 3, 6], dtype=int64)
s.str.findall('a') # 문자를 찾아서 해당 문자열을 반환
s.str.startswith('b') # 문자열로 시작되는지 체크
s.str.endswith('a') # 문자열로 끝나는지 체크
s.str.contains('a') # 문자열이 포함되어 있는지 체크(위치무관)
s1 = s.str.replace('a','A')
s1.str.contains('a')
s1.str.contains('A')
s1.str.contains('a',case=True) # 대소문자 구분, 기본값
s1.str.contains('A',case=False) # 대소문자 구분하지않고 찾는다.
| [문제] a 글자가 두번 이상 나온 LAST_NAME을 출력해주세요. |
| emp[ emp['LAST_NAME'] .str.findall('a') .str.len() >= 2 ] ['LAST_NAME'] |
emp['LAST_NAME'].str.get(0) # 지정된 위치(인덱스)의 값을 반환하는 함수
emp['LAST_NAME'].str.get(1) == 'i' # 두번째 위치에 소문자 i가 있는가
emp[emp['LAST_NAME'].str.get(1) == 'i']['LAST_NAME']
emp[emp['LAST_NAME'].str.get(2).isin(['a','e'])]['LAST_NAME']
# 세번째 위치에 a 또는 e 가 있는가
emp['LAST_NAME'].str.slice(start=0,stop=2)
# 지정된 인덱스 사이값을 반환하는 함수
emp['LAST_NAME'].str.slice(start=2,stop=3) # 3번째 인덱스 값
emp[emp['LAST_NAME'].str.slice(start=2,stop=3).isin(['a','e'])]['LAST_NAME']
# 0,1,2 인덱스2번부터 3번째 값
| obj = Series(['big','big data']) obj.str.title() |
0 Big 1 Big Data dtype: object |
'B' + obj.str.slice(start=1) # 인덱스1에서부터 나머지
obj.str.slice_replace(start=0,stop=1,repl='B')
# 인덱스 사이값을 다른값으로 수정하는 함수
obj.str.pad(width=20, side='left', fillchar='_') # 왼쪽으로 정렬 후 오른쪽 나머지를 _ 채우기
obj.str.pad(width=20,side='right',fillchar='_') # 오른쪽으로 정렬 후 왼쪽 나머지를 _ 채우기
obj.str.center(width=20,fillchar='_') # 가운데 정렬 후 양쪽 나머지를 _ 채우기
# 지정된 길이 패딩
obj.str.ljust(width=20,fillchar='_') # 왼쪽 정렬 후 나머지 채우기
obj.str.rjust(width=20,fillchar='_') # 오른쪽 정렬 후 나머지 채우기
obj.str.rjust(width=20,fillchar='0')
obj.str.zfill(width=20) # 문자앞에 0으로 채우기
emp['SALARY'].str.zfill(width=15) # 문자함수라 숫자는 사용불가
emp['LAST_NAME'].str.zfill(width=15)
| obj = Series(['itwill@itwill.com','itwill']) obj |
0 itwill@itwill.com 1 itwill dtype: object |
| obj.str.split('@') obj.str.split('@',expand=False) # 기본값 # 문자를 기준으로 분리하는 함수 |
0 [itwill, itwill.com] 1 [itwill] dtype: object |
| obj.str.split('@',expand=True) | 0 1 0 itwill itwill.com 1 itwill None |
| obj.str.split('@',expand=True)[0] # 0번 열 확인 |
0 itwill 1 itwill Name: 0, dtype: object |
| obj.str.partition('@') # 기준으로 분리 후 왼쪽 정렬 |
0 1 2 0 itwill @ itwill.com 1 itwill |
| obj.str.rpartition('@') # 기준으로 분리 후 오른쪽 정렬 |
0 1 2 0 itwill @ itwill.com 1 itwill |
| obj = Series(['1/7','7','seven','SEVEN','Seven','seven7','칠','칠 7',' ','7#']) obj |
0 1/7 1 7 2 seven 3 SEVEN 4 Seven 5 seven7 6 칠 7 칠 7 8 9 7# dtype: object |
| obj[obj.str.isalnum()] # 한글, 알파벳, 숫자로만 구성여부 체크 |
1 7 2 seven 3 SEVEN 4 Seven 5 seven7 6 칠 dtype: object |
| obj[obj.str.isalpha()] # 한글, 알파벳만 구성여부 체크 |
2 seven 3 SEVEN 4 Seven 6 칠 dtype: object |
| obj[obj.str.isdigit()] # 숫자로만 구성여부 체크 |
1 7 dtype: object |
| obj[obj.str.isnumeric()] # 숫자로만 구성여부 체크 |
1 7 dtype: object |
| obj[obj.str.islower()] # 소문자 체크 |
2 seven 5 seven7 dtype: object |
| obj[obj.str.isupper()] # 대문자 체크 |
3 SEVEN dtype: object |
| obj[obj.str.istitle()] # 첫글자 대문자, 나머지 소문자 체크 |
4 Seven dtype: object |
| obj[obj.str.isspace()] # 공백여부 체크 |
8 dtype: object |
■ 그룹함수
obj = Series([2,3,4,5,6,None,100])
obj
obj.sum()
obj.sum(skipna=True) # NaN 먼저 제거 후 계산, 기본값
obj.sum(skipna=False)
obj.mean() # 평균
obj.median() # 중앙값
obj.var() # 분산. 편차제곱이라 단위가 커짐
obj.std() # 표준편차
obj.max() # 최대값
obj.min() # 최소값
obj.idxmax() # 최대값의 인덱스위치
obj.idxmin() # 최소값의 인덱스위치
obj.argmax() # 최대값의 인덱스
obj.argmin() # 최소값의 인덱스
obj = Series([2,3,100,4,5,6,None,100])
obj
obj.max()
obj.idxmax()
obj.argmax()
obj[obj == obj.max()].index # 최대값의 모든 위치
obj.cumsum() # 누적합
obj.cumprod() # 누적곱
obj = Series([80,10,2,3,100,4,5,1,None,100])
obj
obj.cummin() # 누적 최소값
obj.cummax() # 누적 최대값
obj.count() # 9, NaN 제외한 건수
len(obj) # 10, NaN 포함한 건수
df = DataFrame([[60,80,70],[100,80,90],[60,90,50]],
index=['홍길동','박찬호','손흥민'],
columns=['영어','수학','국어'])
df
df.sum()
df.sum(axis=0,skipna=True) # 열의 합 기본값
axis=0 # 행기준, 각 칼럼의 합
axis='rows'
df.sum(axis=1) # 행의 합
axis=1 # 열기준, 각 인덱스별 합
axis='columns'
skipna=True # NaN 무시
skipna=False # NaN 포함
# 추가
df.loc['제임스','영어'] = 100
df.loc['제임스','수학'] = None
df.loc['제임스','국어'] = 90
df
df['영어'].sum()
SELECT sum(salary) FROM emp;
emp['SALARY'].sum()
SELECT department_idsum(salary) FROM emp GROUP BY department_id;
emp['SALARY'].groupby(emp['DEPARTMENT_ID']).sum()
emp.groupby('DEPARTMENT_ID')['SALARY'].sum(0)
emp.groupby('DEPARTMENT_ID')['SALARY'].mean()
emp.groupby('DEPARTMENT_ID')['SALARY'].median()
emp.groupby('DEPARTMENT_ID')['SALARY'].var(0)
emp.groupby('DEPARTMENT_ID')['SALARY'].std()
emp.groupby('DEPARTMENT_ID')['SALARY'].max()
emp.groupby('DEPARTMENT_ID')['SALARY'].min()
SELECT department_id, sum(salary), avg(salary), max(salary), min(salary)
FROM emp
GROUP BY department_id;
emp['SALARY'].groupby(emp['DEPARTMENT_ID']).aggregate(['sum','mean','max','min'])
emp.groupby('DEPARTMENT_ID')['SALARY'].aggregate(['sum','mean','max','min'])
SELECT department_id, sum(salary), max(hire_date), min(hire_date)
FROM emp
GROUP BY department_id;
emp.groupby('DEPARTMENT_ID').aggregate({'SALARY':'sum','HIRE_DATE':['max','min']})
# DEPARTMENT_ID 결측값을 다른 값을 수정한 수 수행
emp.DEPARTMENT_ID = emp.DEPARTMENT_ID.fillna(999)
emp['SALARY'].groupby(emp['DEPARTMENT_ID']).sum()
emp = pd.read_csv("C:\\data\\employees.csv")
emp.info()
SELECT department_id, job_id, sum(salary)
FROM emp
GROUP BY department_id, job_id;
emp['SALARY'].groupby([emp['DEPARTMENT_ID'],emp['JOB_ID']]).sum()
x = emp['SALARY'].groupby([emp['DEPARTMENT_ID'].fillna(999),emp['JOB_ID']]).sum()
# fillna(999) : 부서아이디 1명 null값 -> 999 부여
type(x) # Series, 다중인덱스
x.index
y = x.reset_index()
y
type(y) # DataFrame
y.set_index('DEPARTMENT_ID')
y.set_index(['DEPARTMENT_ID','JOB_ID'])
x.unstack() # 가로 방향전환
x.unstack().fillna(0)
그룹별 출력
for name, group in emp.groupby('DEPARTMENT_ID'):
print(name)
print(group)
for name, group in emp.groupby('DEPARTMENT_ID')['LAST_NAME']:
print(name)
print(group)
for name, group in emp.groupby('DEPARTMENT_ID')[['LAST_NAME','SALARY']]:
print(name)
print(group)
for name, group in emp[['LAST_NAME','SALARY']].groupby('DEPARTMENT_ID'):
print(name)
print(group)
>> 'DEPARTMENT_ID'그룹기준이 앞에 없으면 오류
for name, group in emp[['LAST_NAME','SALARY','DEPARTMENT_ID']].groupby('DEPARTMENT_ID'):
print(name)
print(group)
dept = pd.read_csv("C:\\data\\dept.csv")
dept.info()
emp.info()
■ merge
- SQL에서 JOIN과 같다.
- 서로 다른 데이터프레임의 특정한 열을 기준으로 연결하는 방법
# EQUI JOIN(등가조인) , INNER JOIN, SIMPLE JOIN
SELECT * FROM emp, dept WHERE emp.department_id = dept.department_id;
# NATURAL JOIN : 양쪽 데이터프레임의 동일한 이름의 모든 컬럼을 조인조건 술어를 수행한다.
| SELECT * FROM emp NATURAL JOIN dept; |
| pd.merge(emp,dept) |
# JOIN USING : 기준칼럼을 지정해서 조인조건 술어를 수행한다.
pd.merge(emp,dept,on='DEPARTMENT_ID')
SELECT * FROM emp JOIN dept USING(department_id);
# JOIN ON : 조인조건술어를 직접 명시한다.
pd.merge(emp,dept, left_on='DEPARTMENT_ID', right_on='DEPARTMENT_ID')
x = pd.merge(emp,dept, left_on='DEPARTMENT_ID', right_on='DEPARTMENT_ID', how='inner')
# how='inner' : 기본값
SELECT * FROM emp JOIN dept ON emp.department_id = dept.department_id;
# OUTER JOIN : 키 값이 불일치되는 데이터를 출력하는 조인
# LEFT OUTER JOIN
| SELECT * FROM emp, dept WHERE emp.department_id = dept.department_id(+); |
| SELECT * FROM emp LEFT OUTER JOIN dept ON emp.department_id = dept.department_id; |
| pd.merge(emp, dept, left_on='DEPARTMENT_ID', right_on='DEPARTMENT_ID', how='left') |
# RIGHT OUTER JOIN
| SELECT * FROM emp, dept WHERE emp.department_id(+) = dept.department_id; |
| SELECT * FROM emp RIGHT OUTER JOIN dept ON emp.department_id = dept.department_id; |
| pd.merge(emp, dept, left_on='DEPARTMENT_ID', right_on='DEPARTMENT_ID', how='right') |
# FULL OUTER JOIN
| SELECT * FROM emp, dept WHERE emp.department_id(+) = dept.department_id UNION SELECT * FROM emp, dept WHERE emp.department_id = dept.department_id(+); |
| SELECT * FROM emp FULL OUTER JOIN dept ON emp.department_id = dept.department_id; |
| pd.merge(emp, dept, left_on='DEPARTMENT_ID', right_on='DEPARTMENT_ID', how='outer') |
dept.info()
dept.set_index('DEPARTMENT_ID')
dept
dept.set_index('DEPARTMENT_ID', inplace=True) # inplace=True 데이터프레임 바로 적용
dept
x = pd.merge(emp,dept, left_on='DEPARTMENT_ID', right_index=True, how='inner')
x[['LAST_NAME','DEPARTMENT_NAME']]
>> 오른쪽 데이터는 오른쪽
emp.set_index('DEPARTMENT_ID', inplace=True)
emp.info()
emp.index
x = pd.merge(emp,dept, left_index=True, right_index=True, how='inner')
x[['LAST_NAME','DEPARTMENT_NAME']]
x = pd.merge(emp,dept, left_index=True, right_index=True, how='left')
x[['LAST_NAME','DEPARTMENT_NAME']]
x = pd.merge(emp,dept, left_index=True, right_index=True, how='right')
x[['LAST_NAME','DEPARTMENT_NAME']]
x = pd.merge(emp,dept, left_index=True, right_index=True, how='outer')
x[['LAST_NAME','DEPARTMENT_NAME']]
emp.info()
emp.index
emp = emp.reset_index()
emp.reset_index(inplace=True)
emp
dept.reset_index(inplace=True)
dept
| [문제] 부서이름별 급여의 총액을 출력해주세요. |
| emp['SALARY'].groupby(emp['DEPARTMENT_ID']).sum() dept_sal = emp['SALARY'].groupby(emp['DEPARTMENT_ID']).sum() type(dept_sal) dept_sal.index result = pd.merge(dept_sal,dept,left_index=True,right_on='DEPARTMENT_ID') result[['DEPARTMENT_NAME','SALARY']] |
| [문제] 부서이름별 급여의 총액을 출력해주세요. 소속부서가 없는 사원들의 총액도 출력. |
| emp['SALARY'].groupby(emp['DEPARTMENT_ID']).sum() dept_sal = emp['SALARY'].groupby(emp['DEPARTMENT_ID'].fillna(999)).sum() type(dept_sal) dept_sal.index result = pd.merge(dept_sal,dept,left_index=True,right_on='DEPARTMENT_ID',how='left') result[['DEPARTMENT_NAME','SALARY']] emp['DEPARTMENT_ID'].fillna(999) : 부서ID 결측값에 999 대입 |
조인은 2개씩!
loc = pd.read_csv("C:\\data\\loc.csv")
job = pd.read_csv("C:\\data\\job.csv")
emp.info()
loc.info()
job.info()
x = pd.merge(dept,loc,on='LOCATION_ID')
x.info()
pd.merge(x,emp,on='DEPARTMENT_ID',how='right')[['EMPLOYEE_ID','DEPARTMENT_NAME','CITY']]
how='right' : 부서없는사람포함
# self join
SELECT w.employee_id, w.last_name, m.last_name
FROM emp w, emp m
WHERE w.manager_id = m.employee_id;
pd.merge(emp,emp,left_on='MANAGER_ID',right_on='EMPLOYEE_ID')[['LAST_NAME_x','LAST_NAME_y']]
현재 사원들의 관리자
pd.merge(emp,emp,left_on='MANAGER_ID',right_on='EMPLOYEE_ID',how='left')[['LAST_NAME_x','LAST_NAME_y']]
관리자 없는사람도 포함
# non equi join
SELECT e.employee_id, e.salary, j.grade_level
FROM emp e, job j
WHERE e.salary between j.LOWEST_SAL AND j.HIGHEST_SAL;
job.info()
job
job[(10000>=job.LOWEST_SAL)&(10000<=job.HIGHEST_SAL)]['GRADE_LEVEL'] # series
job[(10000>=job.LOWEST_SAL)&(10000<=job.HIGHEST_SAL)]['GRADE_LEVEL'].values[0]
...반복
grade = emp['SALARY'].apply(lambda arg:job[(arg>=job.LOWEST_SAL)&(arg<=job.HIGHEST_SAL)]['GRADE_LEVEL'].values[0])
DataFrame({'이름':emp['LAST_NAME'],'급여':emp['SALARY'],'급여등급':grade})
'PYTHON 3.11' 카테고리의 다른 글
| 33 PYTHON 그래프, CLASS (1) | 2023.11.22 |
|---|---|
| 32 PYTHON RANK, PANDAS, UNSTACK, PIVOT, MATPLOTLIB (3) | 2023.11.21 |
| 30 PYTHON WITH, CSV, Lambda, PANDAS, SERIES, DATAFRAME (0) | 2023.11.17 |
| 29 PYTHON Global Variable, Module, DATETIME, FILE (0) | 2023.11.16 |
| 28 PYTHON FOR, List Comprehension, FUNCTION (0) | 2023.11.15 |