■ DataFrame 클래스의 plot 메소드를 사용해 피벗 데이터로 LINE 차트를 그리는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd import matplotlib.pyplot as plt dataFrame1 = pd.read_csv("air_quality_long.csv", index_col = "date.utc", parse_dates = True) # 5272건 dataFrame2 = dataFrame1[dataFrame1["parameter"] == "no2"] # 3447건 dataFrame3 = dataFrame2.pivot(columns = "location", values = "value") dataFrame3.plot() plt.show() |
▶ requirements.txt
|
|
contourpy==1.3.0 cycler==0.12.1 fonttools==4.54.1 kiwisolver==1.4.7 matplotlib==3.9.2 numpy==2.1.2 packaging==24.1 pandas==2.2.3 pillow==11.0.0 pyparsing==3.2.0 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install
더 읽기
■ DataFrame 클래스의 pivot 메소드에서 columns/values 인자를 사용해 LONG 포맷 데이터에서 WIDE 포맷 데이터를 구하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
import pandas as pd dataFrame1 = pd.read_csv("air_quality_long.csv", index_col = "date.utc", parse_dates = True) # 5272건 dataFrame2 = dataFrame1[dataFrame1["parameter"] == "no2"] # 3447건 dataFrame3 = dataFrame2.sort_index() # 3447건 dataFrameGroupBy = dataFrame3.groupby(["location"]) dataFrame4 = dataFrameGroupBy.head(2) # location 컬럼 그룹별로 2개씩 표시한다. dataFrame5 = dataFrame4.pivot(columns = "location", values = "value") print(dataFrame5) """ location BETR801 FR04014 London Westminster date.utc 2019-04-09 01:00:00+00:00 22.5 24.4 NaN 2019-04-09 02:00:00+00:00 53.5 27.4 67.0 2019-04-09 03:00:00+00:00 NaN NaN 67.0 """ |
▶ requirements.txt
더 읽기
■ DataFrame 클래스의 groupby 메소드를 사용해 DataFrameGroupBy 객체를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
import pandas as pd dataFrame1 = pd.read_csv("air_quality_long.csv", index_col = "date.utc", parse_dates = True) # 5272건 dataFrame2 = dataFrame1[dataFrame1["parameter"] == "no2"] # 3447건 dataFrame3 = dataFrame2.sort_index() # 3447건 dataFrameGroupBy = dataFrame3.groupby(["location"]) dataFrame4 = dataFrameGroupBy.head(2) # location 컬럼 그룹별로 2개씩 표시한다. print(dataFrame4) """ city country location parameter value unit date.utc 2019-04-09 01:00:00+00:00 Antwerpen BE BETR801 no2 22.5 µg/m³ 2019-04-09 01:00:00+00:00 Paris FR FR04014 no2 24.4 µg/m³ 2019-04-09 02:00:00+00:00 London GB London Westminster no2 67.0 µg/m³ 2019-04-09 02:00:00+00:00 Antwerpen BE BETR801 no2 53.5 µg/m³ 2019-04-09 02:00:00+00:00 Paris FR FR04014 no2 27.4 µg/m³ 2019-04-09 03:00:00+00:00 London GB London Westminster no2 67.0 µg/m³ """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas 명령을
더 읽기
■ DataFrame 클래스의 sort_index 메소드를 사용해 인덱스를 기준으로 정렬하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 |
import pandas as pd dataFrame1 = pd.read_csv("air_quality_long.csv", index_col = "date.utc", parse_dates = True) # 5272건 dataFrame2 = dataFrame1[dataFrame1["parameter"] == "no2"] # 3447건 dataFrame3 = dataFrame2.sort_index() # 3447건 print(dataFrame3) """ city country location parameter value unit date.utc 2019-04-09 01:00:00+00:00 Antwerpen BE BETR801 no2 22.5 µg/m³ 2019-04-09 01:00:00+00:00 Paris FR FR04014 no2 24.4 µg/m³ 2019-04-09 02:00:00+00:00 London GB London Westminster no2 67.0 µg/m³ 2019-04-09 02:00:00+00:00 Antwerpen BE BETR801 no2 53.5 µg/m³ 2019-04-09 02:00:00+00:00 Paris FR FR04014 no2 27.4 µg/m³ ... ... ... ... ... ... ... 2019-06-20 20:00:00+00:00 Paris FR FR04014 no2 21.4 µg/m³ 2019-06-20 21:00:00+00:00 Paris FR FR04014 no2 24.9 µg/m³ 2019-06-20 22:00:00+00:00 Paris FR FR04014 no2 26.5 µg/m³ 2019-06-20 23:00:00+00:00 Paris FR FR04014 no2 21.8 µg/m³ 2019-06-21 00:00:00+00:00 Paris FR FR04014 no2 20.0 µg/m³ [3447 rows x 6 columns] """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas 명령을
더 읽기
■ DataFrame 클래스의 sort_values 메소드에서 by/ascending 인자를 사용해 특정 컬럼을 기준으로 정렬하는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1.sort_values(by = ["Pclass", "Age"], ascending = [True, False]) print(dataFrame2.head()) |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip
더 읽기
■ DataFrame 클래스의 sort_values 메소드에서 by 인자를 사용해 특정 컬럼을 기준으로 정렬하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1.sort_values(by = "Age") print(dataFrame2.head()) """ PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 803 804 1 3 Thomas, Master Assad Alexander male 0.42 0 1 2625 8.5167 NaN C 755 756 1 2 Hamalainen, Master Viljo male 0.67 1 1 250649 14.5000 NaN S 469 470 1 3 Baclini, Miss Helene Barbara female 0.75 2 1 2666 19.2583 NaN C 644 645 1 3 Baclini, Miss Eugenie female 0.75 2 1 2666 19.2583 NaN C 78 79 1 2 Caldwell, Master Alden Gates male 0.83 0 2 248738 29.0000 NaN S """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip
더 읽기
■ Series 클래스의 생성자에서 index 인자를 사용해 Series 객체를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
import pandas as pd series1 = pd.Series({"A" : 100, "B" : 200}) print(series1) """ A 100 B 200 dtype: int64 """ series2 = pd.Series([100, 200], index = ["A", "B"]) print(series2) """ A 100 B 200 dtype: int64 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ SeriesGroupBy 클래스의 count 메소드를 사용해 특정 항목 값에 대한 데이터 수를 구하는 방법을 보여준다. ※ count 메소드는 NaN 값을 제외한다. ▶
더 읽기
■ Series 클래스의 value_counts 메소드를 사용해 특정 항목 값에 대한 데이터 수를 구하는 방법을 보여준다. ※ value_counts 메소드는 dropna 인수를 사용하여 NaN
더 읽기
■ DataFrame 클래스에서 복수 항목별 그룹에 대해 특정 항목의 평균값의 피벗 데이터를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
import pandas as pd dataFrame = pd.read_csv("titanic.csv") dataFrameGroupBy = dataFrame.groupby(["Sex", "Pclass"]) seriesGroupBy = dataFrameGroupBy["Fare"] series = seriesGroupBy.mean() print(series) """ Sex Pclass female 1 106.125798 2 21.970121 3 16.118810 male 1 67.226127 2 19.741782 3 12.661633 Name: Fare, dtype: float64 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※
더 읽기
■ SeriesGroupBy 클래스의 mean 메소드를 사용해 평균값의 피벗 데이터를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
import pandas as pd dataFrame = pd.read_csv("titanic.csv") dataFrameGroupBy = dataFrame.groupby("Sex") seriesGroupBy = dataFrameGroupBy["Age"] series = seriesGroupBy.mean() print(series) """ Sex female 27.915709 male 30.726645 Name: Age, dtype: float64 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ DataFrameGroupBy 클래스에서 [] 연산자를 사용해 seriesGroupBy 객체를 구하는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd dataFrame = pd.read_csv("titanic.csv") dataFrameGroupBy = dataFrame.groupby("Sex") seriesGroupBy = dataFrameGroupBy["Age"] |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas 명령을
더 읽기
■ DataFrameGroupBy 클래스의 mean 메소드에서 numeric_only 인자를 사용해 평균값의 피벗 데이터를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrameGroupBy = dataFrame1.groupby("Sex") dataFrame2 = dataFrameGroupBy.mean(numeric_only = True) print(dataFrame2) """ PassengerId Survived Pclass Age SibSp Parch Fare Sex female 431.028662 0.742038 2.159236 27.915709 0.694268 0.649682 44.479818 male 454.147314 0.188908 2.389948 30.726645 0.429809 0.235702 25.523893 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip
더 읽기
■ DataFrameGroupBy 클래스의 mean 메소드를 사용해 평균값의 피벗 데이터를 만드는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1[["Sex", "Age"]] dataFrameGroupBy = dataFrame2.groupby("Sex") dataFrame3 = dataFrameGroupBy.mean() print(dataFrame3) """ Age Sex female 27.915709 male 30.726645 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ DataFrame 클래스의 groupby 메소드를 사용해 DataFrameGroupBy 객체를 만드는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1[["Sex", "Age"]] dataFrameGroupBy = dataFrame2.groupby("Sex") |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas 명령을
더 읽기
■ DataFrame 클래스의 agg 메소드를 사용해 통계 데이터를 구하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1.agg( { "Age" : ["min", "max", "median", "skew"], "Fare" : ["min", "max", "median", "mean"] } ) print(dataFrame2) """ Age Fare min 0.420000 0.000000 max 80.000000 512.329200 median 28.000000 14.454200 skew 0.389108 NaN mean NaN 32.204208 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas 명령을
더 읽기
■ DataFrame 클래스의 describe 메소드를 사용해 특정 컬럼들의 통계 값을 구하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1[["Age", "Fare"]] dataFrame3 = dataFrame2.describe() print(dataFrame3) """ Age Fare count 714.000000 891.000000 mean 29.699118 32.204208 std 14.526497 49.693429 min 0.420000 0.000000 25% 20.125000 7.910400 50% 28.000000 14.454200 75% 38.000000 31.000000 max 80.000000 512.329200 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install
더 읽기
■ DataFrame 클래스의 median 메소드를 사용해 중위 값을 구하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import pandas as pd dataFrame1 = pd.read_csv("titanic.csv") dataFrame2 = dataFrame1[["Age", "Fare"]] series = dataFrame2.median() print(series) """ Age 28.0000 Fare 14.4542 dtype: float64 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandans 명령을
더 읽기
■ Series 클래스의 mean 메소드를 사용해 특정 컬럼의 평균값을 구하는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd dataFrame = pd.read_csv("titanic.csv") series = dataFrame["Age"] float64 = series.mean() print(float64) """ 29.69911764705882 """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandans
더 읽기
■ DataFrame 클래스의 rename 메소드에서 columns 인자를 사용해 컬럼명을 모두 소문자로 변경하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 |
import pandas as pd dataFrame1 = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) dataFrame1["london_mg_per_cubic"] = dataFrame1["station_london"] * 1.882 dataFrame1["ratio_paris_antwerp"] = dataFrame1["station_paris"] / dataFrame1["station_antwerp"] dataFrame2 = dataFrame1.rename( columns = { "station_antwerp" : "BETR801", "station_paris" : "FR04014", "station_london" : "London Westminster" } ) dataFrame3 = dataFrame2.rename(columns = str.lower) print(dataFrame3) """ betr801 fr04014 london westminster london_mg_per_cubic ratio_paris_antwerp datetime 2019-05-07 02:00:00 NaN NaN 23.0 43.286 NaN 2019-05-07 03:00:00 50.5 25.0 19.0 35.758 0.495050 2019-05-07 04:00:00 45.0 27.7 19.0 35.758 0.615556 2019-05-07 05:00:00 NaN 50.4 16.0 30.112 NaN 2019-05-07 06:00:00 NaN 61.9 NaN NaN NaN ... ... ... ... ... ... 2019-06-20 22:00:00 NaN 21.4 NaN NaN NaN 2019-06-20 23:00:00 NaN 24.9 NaN NaN NaN 2019-06-21 00:00:00 NaN 26.5 NaN NaN NaN 2019-06-21 01:00:00 NaN 21.8 NaN NaN NaN 2019-06-21 02:00:00 NaN 20.0 NaN NaN NaN [1035 rows x 5 columns] """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip
더 읽기
■ DataFrame 클래스의 rename 메소드에서 columns 인자를 사용해 컬럼명을 변경하는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 |
import pandas as pd dataFrame1 = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) dataFrame1["london_mg_per_cubic"] = dataFrame1["station_london"] * 1.882 dataFrame1["ratio_paris_antwerp"] = dataFrame1["station_paris"] / dataFrame1["station_antwerp"] dataFrame2 = dataFrame1.rename( columns = { "station_antwerp" : "BETR801", "station_paris" : "FR04014", "station_london" : "London Westminster" } ) print(dataFrame2) """ BETR801 FR04014 London Westminster london_mg_per_cubic ratio_paris_antwerp datetime 2019-05-07 02:00:00 NaN NaN 23.0 43.286 NaN 2019-05-07 03:00:00 50.5 25.0 19.0 35.758 0.495050 2019-05-07 04:00:00 45.0 27.7 19.0 35.758 0.615556 2019-05-07 05:00:00 NaN 50.4 16.0 30.112 NaN 2019-05-07 06:00:00 NaN 61.9 NaN NaN NaN ... ... ... ... ... ... 2019-06-20 22:00:00 NaN 21.4 NaN NaN NaN 2019-06-20 23:00:00 NaN 24.9 NaN NaN NaN 2019-06-21 00:00:00 NaN 26.5 NaN NaN NaN 2019-06-21 01:00:00 NaN 21.8 NaN NaN NaN 2019-06-21 02:00:00 NaN 20.0 NaN NaN NaN [1035 rows x 5 columns] """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ DataFrame 클래스 : [] 연산자를 사용해 기존 컬럼에서 신규 컬럼 만들기 ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 |
import pandas as pd dataFrame = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) dataFrame["london_mg_per_cubic"] = dataFrame["station_london"] * 1.882 dataFrame["ratio_paris_antwerp"] = dataFrame["station_paris"] / dataFrame["station_antwerp"] print(dataFrame) """ station_antwerp station_paris station_london london_mg_per_cubic ratio_paris_antwerp datetime 2019-05-07 02:00:00 NaN NaN 23.0 43.286 NaN 2019-05-07 03:00:00 50.5 25.0 19.0 35.758 0.495050 2019-05-07 04:00:00 45.0 27.7 19.0 35.758 0.615556 2019-05-07 05:00:00 NaN 50.4 16.0 30.112 NaN 2019-05-07 06:00:00 NaN 61.9 NaN NaN NaN ... ... ... ... ... ... 2019-06-20 22:00:00 NaN 21.4 NaN NaN NaN 2019-06-20 23:00:00 NaN 24.9 NaN NaN NaN 2019-06-21 00:00:00 NaN 26.5 NaN NaN NaN 2019-06-21 01:00:00 NaN 21.8 NaN NaN NaN 2019-06-21 02:00:00 NaN 20.0 NaN NaN NaN [1035 rows x 5 columns] """ |
▶ requirements.txt
|
|
numpy==2.1.2 pandas==2.2.3 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ DataFrame 클래스의 plot 속성을 사용해 누적 AREA 차트를 그리는 방법을 보여준다. ▶ main.py
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
import pandas as pd import matplotlib.pyplot as plt dataFrame = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) plotAccessor = dataFrame.plot figure, axes = plt.subplots(figsize = (12, 4)) plotAccessor.area(ax = axes) axes.set_ylabel("NO$_2$ concentration") figure.savefig("no2_concentrations.png") plt.show() |
▶ requirements.txt
|
|
contourpy==1.3.0 cycler==0.12.1 fonttools==4.54.1 kiwisolver==1.4.7 matplotlib==3.9.2 numpy==2.1.2 packaging==24.1 pandas==2.2.3 pillow==11.0.0 pyparsing==3.2.0 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas
더 읽기
■ DataFrame 클래스의 plot 속성을 사용해 AREA 차트를 그리는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd import matplotlib.pyplot as plt dataFrame = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) plotAccessor = dataFrame.plot plotAccessor.area(figsize = (12, 4), subplots = True) plt.show() |
▶ requirements.txt
|
|
contourpy==1.3.0 cycler==0.12.1 fonttools==4.54.1 kiwisolver==1.4.7 matplotlib==3.9.2 numpy==2.1.2 packaging==24.1 pandas==2.2.3 pillow==11.0.0 pyparsing==3.2.0 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas matplotlib
더 읽기
■ DataFrame 클래스의 plot 속성을 사용해 BOX-PLOT 차트를 그리는 방법을 보여준다. ▶ main.py
|
|
import pandas as pd import matplotlib.pyplot as plt dataFrame = pd.read_csv("air_quality_no2.csv", index_col = 0, parse_dates = True) plotAccessor = dataFrame.plot plotAccessor.box() plt.show() |
▶ requirements.txt
|
|
contourpy==1.3.0 cycler==0.12.1 fonttools==4.54.1 kiwisolver==1.4.7 matplotlib==3.9.2 numpy==2.1.2 packaging==24.1 pandas==2.2.3 pillow==11.0.0 pyparsing==3.2.0 python-dateutil==2.9.0.post0 pytz==2024.2 six==1.16.0 tzdata==2024.2 |
※ pip install pandas matplotlib
더 읽기
