[High Python] - 컴프리헨션과 제너레이터에 대해서 알아보자

Introduction 파이썬에서는 컴프리헨션(Comprehension) 이라는 특별한 구문을 사용해서 리스트, 딕셔너리, 집합 등의 데이터 타입을 간결하게 이터레이션하면서 원소로부터 파생되는 데이터 구조를 생성할 수 있습니다. 컴프리헨션 코딩 스타일은 제너레이터(Generator)를 사용하는 함수로 확장할 수 있습니다.  제너레이터는 함수가 점진적으로 반환하는 값으로 이뤄지는 스트림을 만들어줍니다. 이터레이터를 사용할 수 있는 곳이라면 어디에서나 제너레이터 함수를 호출한 결과를 사용할 수 있습니다. 제너레이터를 사용하면 성능을 향상시키고 메모리 사용을 줄이며 가독성을 높일 수 있습니다. 개인적으로 파이썬에 대해서 최소한의 이해를 하고 있다고 자신있게 말하기 위해서는 Iterable, Iterator, ..

• format_list_bulleted Python
• · 2024. 10. 22.

[Django] Apps & Admin - 애플리케이션 생성 및 Admin

Models Django의 프로젝트에서 app을 만들 때 기본적으로 터미널에서 다음과 같은 명령어를 실행합니다. 터미널 → python manage.py startapp houses houses라는 app이름을 가진 app을 만들어줍니다. 터미널 -> python manage.py startapp 앱이름 생성할 애플리케이션의 이름을 설정하고 위의 명령어를 실행시키면 아래의 그림과 같이 하나의 폴더가 생성됩니다. houses 앱 디렉토리 하위에 model.py 라는 파일이 생성되었습니다. 나중에 더 자세히 설명하겠지만, houses의 model은 houses 라는 app의 데이터 베이스의 모양을 의미합니다. 데이터 베이스의 모양이라는 말이 아직 와닿지 않겠지만 , 이후에 더 자세히 설명하겠습니다. 명령어를..

• format_list_bulleted Backend/Django
• · 2022. 10. 6.

[R] 차원 분석 - 주성분 분석 (PCA)

주성분 분석 개요 주성분 분석 ( Princial component analysis, PCA )은 서로 상관관계를 갖는 많은 변수를 상관관계가 없는 소수의 변수로 변환하는 차원 축소 기법입니다. 주의해야 할 점은 데이터 하나한에 대한 성분을 분석하는 것이 아닌 여러 데이터들이 모여 하나의 분포를 이룰 때, 이 분포의 주성분을 분석하는 것입니다. 주성분이란 그 방향으로 데이터들의 분산이 가장 큰 방향 벡터를 의미합니다. 변환에 사용되는 소수의 변수를 주성분(princial component) 또는 성분(component)이라고 합니다. 주성분 분석을 토대로 1. 회귀분석에서 설명 변수의 개수 결정 2. 인자분석의 전초작업 3. 군집분석의 전초작업으로 사용됩니다. 주성분 분석 모델 주성분 분석 모델에서 주성..

• format_list_bulleted Data science/R programming & 통계
• · 2022. 1. 25.

[R] 시계열 데이터 분석 - Time Series Analysis, part 2

지수예측모델 지수예측모델(exponential forecasting model)은 단순하면서도 비교적 우수한 단기예측 성능을 보입니다. 지수예측모델은 1. 단순지수평활법(simple exponential smoothing) : 수준 추정 2. 홀트지수평활법(Holt exponential smoothing) : 수준, 기울기 추정 3. 홀트-윈터스지수평활법(Holt-Winters exponential smoothing): 수준, 기울기, 계절 요인 추정 으로 구분할 수 있습니다. 모델을 선정할 때, 시계열의 핵심 성분 (추세, 계절성)과 이러한 성분이 평활법에 어떻게 들어갈지 감안해야 합니다. R 에서는 forcast::ets() 함수를 이용해 지수예측모델을 생성할 수 있는데요. 다음 그림을 보면 이해하기..

• format_list_bulleted Data science/R programming & 통계
• · 2022. 1. 20.

[R] 시계열 데이터 분석 - Time Series Analysis , part 1

시계열 분석 개요 - time series analysis 시계열분석(time series analysis)은 시간의 흐름에 따라 일정한 간격으로 사건을 관찰하여 기록한 데이터(=시계열 데이터)를 바탕으로 미래의 관측값을 예측(forecasting)하는 분석 기법입니다. 과거의 관측값을 분석하여 이를 모델링하고, 이 예측 모델을 바탕으로 미래의 관측값을 예측하는 것이지요. 시계열 데이터는 일반적으로 추세 성분(trend component), 계절 성분(seasonal component), 불규칙 성분(irregular component) 등으로 구성되며 이 성분들에 의해 변동된다고 가정합니다. 시계열 분석 절차 1. 시계열 데이터 생성 2. 탐색적 분석을 통해 데이터의 특성 이해 - 시각화(visuali..

• format_list_bulleted Data science/R programming & 통계
• · 2022. 1. 18.