2023.09.05 [ํ์์ผ]
๊ธ์ฃผ์ 2๏ธโฃS๐ญ ๋ง์ผ ์ผํ ๋ฆฌ์คํธ
๐ธ์น์์ ๋ณด๊ธฐ ๏ธณ๐๊ตฌ๋
ํ๊ธฐ
๐ป์คํ๊ต ์์ฅ๊ณผ ๊ฐ๊ฒฉ ๋จ์์ ํ์ด์ฌ์ ํ ์คํผ ๋ฃ์ด๋ณผ๊น?๐ฅ
3์ฐจ์ ์์
์ง๋์(ํ์ด์ฌ์ ํ์ฉํด ์๋ณ๋ก ๊ฐ์ฅ ๋ง์ด ์๋น๋ฅผ ํ ์๋น ์นดํ
๊ณ ๋ฆฌ ํ์ธํ๊ธฐ_ํ์ด์ฌ)
2์ฐจ์ ์์
์ถ์ถ๋ฌผ ํ์ฉ
์ค์ต_ํ์ด์ฌ์ ํ์ฉํด ์๋ณ๋ก ๊ฐ์ฅ ๋ง์ด ์๋น๋ฅผ ํ ์๋น ์นดํ
๊ณ ๋ฆฌ ํ์ธํ๊ธฐ
import pandas as pd
# CSV ํ์ผ์ ํ๋ค์ค๋ก ์ฝ์ด์ต๋๋ค.
df = pd.read_csv('/Users/ansoyoung/Desktop/elice/230721_์๋นํจํด/data2.csv')
print(df)
# '๋ ์ง' ์ด์ ๋ ์ง ํ์์ผ๋ก ๋ณํํฉ๋๋ค.
df['Date'] = pd.to_datetime(df['Date'], format='%Y.%m.%d')
print(df)
# '๋ ์ง' ์ด์ ๊ธฐ์ค์ผ๋ก ์๋ณ๋ก ๊ทธ๋ฃนํํฉ๋๋ค.
df['month'] = df['Date'].dt.strftime('%Y-%m')
grouped = df.groupby('month')
numeric_columns = ['Transportation', 'Finance', 'Leisure', 'Beauty', 'Life',
'Food', 'Online Shopping', 'Clinic', 'Dwelling', 'Snack', 'Shopping']
for col in numeric_columns:
df[col] = df[col].replace('[โฉ,]', '', regex=True).astype(int)
# Sum up the consumption amount of 'Beauty', 'Fashion', and 'Food' categories for each group.
monthly_expenses = grouped[numeric_columns].sum()
# ์๋ณ ์๋น๊ธ์ก์ด ๊ฐ์ฅ ๋ง์ ์นดํ
๊ณ ๋ฆฌ๋ฅผ ์ฐพ์ต๋๋ค.
max_category = monthly_expenses.idxmax(axis=1)
print(max_category)
ํ์๋ค์ด ์ฝ๋๋ฅผ ์
๋ ฅํ๋ฉด ์๋์ ๊ฐ์ด ์๋ณ๋ก ๊ฐ์ฅ ๋ง์ ์๋น๋ฅผ ํ ์๋น ์นดํ
๊ณ ๋ฆฌ๋ฅผ ํ์ธํ ์ ์์ต๋๋ค.
์ ์ฒด ์์
์ง๋์ ์ฐธ๊ณ
๋ด์ค๋ ํฐ๊ฐ ๋ง์์ ๋์
จ๋์? ๋ ๊ถ๊ธํ์ ์ ์ด ์๋ค๋ฉด ๐จ๋ฉ์ผ์ ๋ณด๋ด์ฃผ์ธ์!
์๊ฒฌ์ ๋จ๊ฒจ์ฃผ์ธ์