IT에 관련된 카테고리 입니다.
데이터 분석 프로젝트를 진행하다 보면 전체 데이터셋에서 우리가 원하는 특정 조건에 부합하는 데이터만 선별하여 추출해야 하는 상황을 끊임없이 마주하게 됩니다. 예를 들어 “연령대가 30대이면서 구매 금액이 100만 원 이상인 우수 고객군”을 추출하거나, “특정 기간 동안 매출이 감소한 매장”을 필터링하는 작업 등입니다. 파이썬(Python) 판다스(Pandas) 라이브러리에서 이처럼 조건에 맞는 데이터를 필터링하는 대표적인 방법이 바로 불리언 인덱싱(Boolean Indexing)과 … 더 읽기
파이썬(Python) 판다스(Pandas)를 활용한 데이터 분석 과정에서 데이터프레임을 구축하고 구조를 파악했다면, 그다음으로 가장 많이 수행하는 작업은 특정 조건이나 위치에 맞는 데이터를 선택하고 추출하는 것입니다. 수많은 행과 열 중에서 분석에 필요한 부분만 골라내는 인덱싱(Indexing)과 슬라이싱(Slicing)은 전처리 작업의 기본이자 핵심입니다. 판다스에서 데이터를 선택하는 방법은 다양하지만, 실무와 빅데이터분석기사(빅분기) 실기 시험에서 가장 핵심이 되는 도구는 바로 loc와 iloc 속성입니다. 두 … 더 읽기
공공데이터 포털에서 다운로드한 파일이나 기업 내부 데이터베이스에서 추출한 자료를 다룰 때, 가장 먼저 접하는 데이터 포맷은 대개 CSV와 엑셀(Excel) 파일입니다. 파이썬(Python) 기반 데이터 분석 라이브러리인 판다스(Pandas)는 이러한 외부 파일을 효율적으로 불러오고 저장할 수 있는 다양한 함수를 제공합니다. 이번 글에서는 판다스의 핵심 파일 입출력 함수인 read_csv, read_excel, to_csv, to_excel의 사용법을 살펴보고, 현업 비즈니스 환경과 빅데이터분석기사(빅분기) 실기 … 더 읽기
파이썬(Python)을 활용한 데이터 분석과 전처리 과정에서 가장 먼저 마주하는 난관은 바로 “데이터를 어떤 형태로 담아서 다룰 것인가?”입니다. 판다스(Pandas) 라이브러리는 이 문제를 해결하기 위해 강력한 두 가지 핵심 자료구조인 시리즈(Series)와 데이터프레임(DataFrame)을 제공합니다. 현업의 비즈니스 데이터 분석가나 빅데이터분석기사(빅분기) 실기 시험을 준비하는 수험생이라면 이 두 자료구조의 개념과 차이점을 완벽하게 이해해야 합니다. 단순히 코드를 외우는 것을 넘어, 자료구조의 뼈대를 … 더 읽기
데이터 분석을 본격적으로 시작하기 전, 가장 먼저 거쳐야 할 관문은 바로 분석 환경을 구축하는 것입니다. 파이썬(Python) 기반의 데이터 분석에서 가장 핵심이 되는 라이브러리가 바로 판다스(Pandas)이며, 이 판다스를 가장 직관적이고 효율적으로 다룰 수 있는 도구가 주피터 노트북(Jupyter Notebook)입니다. 특히 빅데이터분석기사(빅분기) 실기 시험을 준비하거나 현업에서 데이터 전처리를 수행해야 하는 분들이라면 환경 설정과 기본 도구 사용법을 완벽히 숙지해야 … 더 읽기
데이터는 이제 모든 기업의 핵심 자산입니다. 은행, 카드사, 제조업, 유통업, 이커머스, 공공기관까지 데이터를 활용해 의사결정을 내리는 시대가 되었습니다. 하지만 데이터가 많다고 해서 자동으로 가치가 만들어지는 것은 아닙니다. 데이터를 읽고, 정리하고, 분석하여 의미 있는 정보를 도출해야 비로소 비즈니스 경쟁력을 높일 수 있습니다. 이러한 데이터 분석을 가장 쉽고 효율적으로 수행할 수 있도록 도와주는 Python 라이브러리가 바로 Pandas(판다스)입니다. … 더 읽기
1. 데이터 분석 그릇을 채우는 마지막 단계: DML의 완성 19화에서 우리는 테이블을 완전히 제거하는 DROP과 구조는 남겨둔 채 내부 데이터만 즉시 초기화하여 저장 공간을 효율적으로 회수하는 TRUNCATE 명령어의 기능적 차이와 데이터 생명주기 관리의 중요성을 살펴보았습니다. 테이블의 구조를 설계하고 비우는 DDL(데이터 정의어) 단계를 정복하고 나면, 데이터 분석가는 드디어 비어 있는 데이터 그릇에 실질적인 비즈니스 데이터를 집어넣고 … 더 읽기
1. 데이터 생명주기의 마감: 정리와 공간 회수의 필요성 18화에서 우리는 원천 데이터베이스에 대한 DDL 쓰기 권한이 통제되는 상황 속에서도 IT 부서의 승인 절차 없이 나만의 독립된 가상 분석판을 구성하고 조인 연산의 효율성을 극대화해 주는 Volatile Table (휘발성 임시 테이블) 생성 문법과 활용법을 살펴보았습니다. 이처럼 목적에 맞는 개인 분석 테이블이나 마트를 설계하여 분석 작업을 완벽하게 끝마치고 … 더 읽기
1. 나만의 데이터 분석 그릇 만들기: DDL의 시작 17화에서 우리는 별도의 복잡한 서브쿼리나 무거운 셀프 조인 구조를 완전히 걷어내고, 현재 행 옆으로 전월 데이터(LAG)나 미래 데이터(LEAD)를 즉시 소환하여 전월 대비 증감률(MoM) 및 트렌드 분석 지표를 계산해 내는 전후 행 참조 함수의 필수 문법을 살펴보았습니다. 지금까지 1화부터 17화에서는 기존 테이블의 데이터를 조회하고 가공하는 조회(SELECT) 중심의 SQL(DQL)을 … 더 읽기
1. 시계열 트렌드 분석의 당면 과제: 이전 행/다음 행 데이터를 참조하기 16화에서 우리는 상세 행 구조를 파괴하지 않으면서도 행 간의 경계를 넘어 실시간 시계열 누적치나 요약 통계를 유연하게 산출하는 집계 윈도우 함수의 기초 문법과 비즈니스 대시보드 리팩토링 사례를 살펴보았습니다. 실시간 누적치 가공을 정복하고 나면, 데이터 분석가는 시계열 흐름 속에서 ‘현재 행을 기준으로 바로 전 행의 … 더 읽기
