ARAMDAUN

6. 일반 예측 모델 6.1 홀트-윈터스 계절성 기법을 활용한 예측 1) Train Test Split 시계열을 시간의 순서에 따라 오른쪽 방향으로 평행하게 늘어놓으면 첫 부분, 즉 더 큰 부분이 훈련 데이터가 되고 최근 데이터가 테스트 데이터가 된다. 따라서 예측 모델을 훈련 데이터에 피팅한 다음 훈련 데이터를 기반으로 테스트 데이터와 동일한 기간 만큼을 예측한다. 그리고 예측 결과를 이미 정답을 알고 있는 실제 테스트 데이터와 비교한 것을 통해 평가 지표를 얻을 수 있다. # 총 144행 중에 107행까지 train 데이터셋 train_data = df.iloc[:108] test_data = df.iloc[108:] 2) Fitting the Model from statsmodels.tsa.holt..

4. Pandas를 사용한 시계열 4.1 Datetime Index 1) Numpy Datetime Array - numpy의 데이터 유형 : datetime64 - Python에 내장된 datetime 객체와는 구별된다. - 3개의 날짜 형태의 문자열을 입력한 후, dtype='datetime64' 추가하면 datetime 형식으로 지정된다. - 'datetime64[D]' : D는 day(일)을 나타낸다. → 이를 통해 기본적으로 numpy가 일 수준의 날짜 정밀도를 적용했음을 알 수 있다. - 만약, 다른 수준의 날짜 정밀도를 적용하려면 [h], [Y]를 같이 입력하면 된다. np.array(['2016-03-15', '2017-05-24', '2018-08-09'], dtype='datetime6..

1. Numpy 배열로 저장된 대용량 데이터를 효율적으로 처리할 수 있는 수치 처리 라이브러리 1.1 numpy 내장 메소드 1) np.arange(start, stop, step size) - 마지막 값은 포함하지 않는다. - 출력 값은 정수(Integer)이다. import numpy as np np.arange(0, 11, 2) # [out] array([ 0, 2, 4, 6, 8, 10]) 2) np.zeros() / np.ones() - 단일 숫자나 튜플을 입력할 수 있다. - 이 메소드가 효과적인 이유는 numpy를 통해 배열에서 모든 단일 숫자로 연산할 수 있기 때문이다. ## 1. np.zeros() # 1차원 배열 출력 np.zeros(3) [out] array([0., 0., 0.]) ..

5. 애니메이션 5.1 과제 개요 📢 지난 50년동안 전 세계 국가의 인구가 어떻게 발전해왔는지 보여주는 애니메이션 대시보드를 제공해라. 특히 이 과제의 이해관계자는 출산율, 기대 수명 및 인구의 전반적인 추세를 확인하는 데에 관심이 있다. 전반적인 추세 이외에도 개별 국가로 볼 수 있기를 원한다. 5.2 데이터 조인은 하지 않고 혼합 (blending)할 예정이다. 혼합을 하기 위해서는 데이터 간의 관계를 설정해주어야 한다. → 데이터 > 혼합관계 편집 애니메이션을 위해서는 연도가 필요한데, 메타데이터에는 연도가 없기 때문에 우리는 메타데이터를 사용하지 않을 것이다. Country Code , Year 컬럼만 관계로 설정한다. (Country Name , Indicator Code, Name 은 동일한..

1. 활용 데이터 Advanced Tableau Course: Download Practice Datasets | Page | Art of Visualization You can download here all the Advanced Tableau course Practice Datasets files. www.artofvisualization.com 위의 사이트에 있는 데이터를 활용하여 태블로 강의가 진행된다. 2. 그룹, 집합 2.1 과제 개요 📢 벤처 캐피탈 펀드의 이사회는 현재 잠재적으로 흥미로운 1000개의 스타트업을 검토하고 그들이 투자할 스타트업을 결정하고 있다. 이 펀드에 대한 투자를 선택하는 기준은 높은 수익, 낮은 비용, 최고 성장이며, 모두 2015년 기준이다. (최고 성장이 전체에서..

7. 데이터 준비 심화 7.1 피벗 사람이 보기 편하게 작성해놓은 데이터는 컴퓨터가 이해하기 어렵다. 그래서 태블로에 '데이터 해석기 사용' 이라는 기능이 있으며, 이 기능을 사용하면 태블로 스스로가 파악하여 어느정도 데이터를 정리하여 불러온다. 하지만 태블로가 완벽히 정리할 수는 없으므로 간단하게 정리해보자. → Regions 열 추가 & 합계 행, 빈 행 제거 여전히 사람이 보기 편한 데이터로 컴퓨터가 인식하기 편한 데이터의 형식이 되려면 컬럼명인 연도가 열로 와야한다. 이를 해결하기 위해서는 피벗 기능을 사용하면 된다. → 피벗을 원하는 열을 드래그하여 선택 후 우클릭 > 피벗 7.2 메타데이터 그리드 메타데이터 그리드는 모든 열을 분리해서 보고 정보를 얻을 수 있게 해준다. 또한 열의 이름이나 열..

5. 조인, 블렌딩 5.1 데이터 블렌딩 ✅ 조인 - 행(row) 수준에서 데이터를 조합할 때 사용 ✅ 블렌딩 - 데이터 소스가 다른 세분화 수준을 가졌을 때 사용 → 이 상황에서 만약 조인을 하게 된다면 데이터 손실이 발생함 - 데이터 소스가 다른 시스템(ex. 엑셀, sql 등)에서 올 때 사용 → 데이터 블렌딩을 하려면, 기존 데이터에서 블렌딩할 데이터를 메인 화면에서 불러오면 된다. → 박스처리된 사슬 모양은 태블로가 이 데이터셋 사이에 Left Join을 수행하였다는 의미다. (Airline1과 Airline2의 데이터셋에서 Region 필드로 조인되었으며, 조인된 이유는 이름이 같기 때문이다.) Left Join 시 동일한 컬럼명 (Region)이 있으므로 Region이 공통 컬럼이 되어 Ai..

1. 활용 데이터 Tableau Course: Download Practice Datasets | Page | Art of Visualization Download the top first file if you are using Windows and download the second file if you are using Mac. Remember, to import CSV files into Tableau, select the “Text File” option (not Excel). www.artofvisualization.com 위의 사이트에 있는 데이터를 활용하여 태블로 강의가 진행된다. 2. 막대그래프 & 태블로 기본 기능 2.1 데이터 📌 P1-OfficeSupplies.csv 2.2 문제 정의..

1. DDDT 활동 ① 공감 → ② 문제 정의 → ③ 아이데이션 (아이디어 발산) → ④ 프로토타입 → ⑤ 피드백 & 개선 1) 아이데이션 (아이디어 발산) 지난주까지 이틀동안 우리는 ① 공감 → ② 문제 정의 단계까지 진행하였다. 그리고 특정 문제에 대한 여러가지 유사단어, 연관단어를 찾아 상관 분석을 진행하거나, 데이터를 확인하며 나의 추론도 중간중간에 해보면서 아이디어를 생각해보는 ③ 아이데이션 (아이디어 발산) 단계를 진행하였다. 📌 아이템 : 일회용컵이 많이 소비되며, 다회용컵의 사용을 유도하고 있으나 실효성에 대한 문제가 제기된다. 📌 페르소나 : 대중교통을 이용하고 하루에 2잔의 커피를 마시며 텀블러를 가지고 있는 직장인 (일회용컵을 사용하고 싶지는 않고, 그렇다고 텀블러를 들고 다니기에는 ..

1. DDDT 활동 1) 문제에 공감하기 DDDT 첫 날에도 강사님께서 말씀하셨듯이 가장 중요한 것은 '공감'이다. 문제에 공감을 하는 것이 중요하며, 유저의 행동에 공감하는 것이 중요하다. 문제에 공감하기 위해서는 총 3가지를 실행할 수 있다. '관찰, 체험, 인터뷰' ① 관찰 사람들이 스타벅스에 노트북을 들고 많이들 간다. 그렇기에 스타벅스에 들어와서 가장 많이 하는 행동이 허리를 숙여 콘센트가 있는 것을 확인하는 행동이었다. 이러한 행동들을 관찰해서 스타벅스에서는 콘센트를 자리마다 구비해두었다. ② 체험 할머니는 몸이 불편하신 경우가 많다. 하지만 많은 주방기기, 식기가 편리함보다는 디자인에 초점이 맞춰진 것이 많아 할머니가 부엌에서 요리를 하시는 것이 힘들다고 하셨다. 할머니와 같이 분장, 장비를..