전체 글226 [작업형3] 분산분석 개념 🟢분산분석🟢분산분석(ANOVA)분산분석(ANOVA)은 여러 집단(3개 이상)의 평균 차이를 통계적으로 유의미한지 검정일원 분산 분석 (One-way ANOVA): 하나의 요인(독립변수)에 따라 평균의 차이 검정 - 예를들어 식물의 성장(종속변수)이있을때 물의 양(독립변수) 에 따라 어떤 차이가 있는지?이원 분산 분석 (Two-way ANOVA): 두 개의 요인 (독립변수) 에 따라 평균의 차이 검정 - 예를들어 식물의 성장(종속변수)이있을때 물의 양(독립변수), 햇빛(독립변수)에 따라 어떤 차이가 있는지? 🟢 일원 분산 분석3개 이상의 집단 간의 평균의 차이가 통계적으로 유의한지 검정하나인 요인이고, 집단의 수가 3개 이상일 때 사용🟢기본가정독립성: 각 집단의 관측치는 독립적이다.정규성: 각 .. 2024. 11. 16. 판다스 라이브러리 사이트 팬더까지 10분 — Pandas 2.2.3 documentation 10 minutes to pandas — pandas 2.2.3 documentation10 minutes to pandas This is a short introduction to pandas, geared mainly for new users. You can see more complex recipes in the Cookbook. Customarily, we import as follows: In [1]: import numpy as np In [2]: import pandas as pd Basic data structures in ppandas.pydata.org 2024. 11. 14. [작업형3] 다선형회귀, 범주형이 섞여있다면? 😊 다중선형회귀를 예측해보고 싶습니다. 일단 간단한 데이터를 만들었습니다. 아래의 데이터로 최종예측까지 해보려고합니다.import pandas as pddf = pd.DataFrame({ '매출액': [300, 320, 250, 360, 315, 328, 310, 335, 326, 280, 290, 300, 315, 328, 310, 335, 300, 400, 500, 600], '광고비': [70, 75, 30, 80, 72, 77, 70, 82, 70, 80, 68, 90, 72, 77, 70, 82, 40, 20, 75, 80], '플랫폼': [15, 16, 14, 20, 19, 17, 16, 19, 15, 20, 14, .. 2024. 11. 14. [작업형3] 회귀분석-단순 선형 회귀 분석 (3) 💛 단순 선형 회귀 분석 주어진 키와 몸무게 데이터로 회귀모델을 구축하고 각 소문제의 값을 구하시오.키: 종속변수몸무게: 독립변수💛 시험에서는 물론 csv파일로 하나의 변수에 담기겠지만 일단 연습용으로 데이터를 구축했어요. import pandas as pddf = pd.DataFrame({ '키': [150, 160, 170, 175, 165, 155, 172, 168, 174, 158, 162, 173, 156, 159, 167, 163, 171, 169, 176, 161], '몸무게': [74, 50, 70, 64, 56, 48, 68, 60, 65, 52, 54, 67, 49, 51, 58, 55, 69, 61, 66, 53]}) 💛 최소제곱법인.. 2024. 11. 13. [작업형3] 회귀분석- 상관관계 (2) 🌚 이번에는 상관관계 데이터를 연습해보려고 합니다.상관관계는 말 그대로 그 둘사이의 관계 라고 생각하고있다.상관관계두 변수 간의 선형적인 관계두 변수 간의 선형 관계의 강도와 방향 (-1 ≤ r ≤ 1)여기서는 상관계수가 중요한데 (r)로 표현을 하고 r = 1: 강한 양의 선형관계r = 0: 선형 관계 없음r = -1: 강한 음의 선형관계1이면 강한 양의 선형, 0은 없음, -1은 음의 선형관계를 뜻합니다. 🌚 데이터 준비# 데이터import pandas as pddf = pd.DataFrame({ '키': [150, 160, 170, 175, 165], '몸무게': [42, 52, 75, 67, 56]}) 상관계수에 대한 t검정귀무가설: 두 변수 간에 상관관계가 없다.대립가설: 두 변.. 2024. 11. 12. [작업형3] 회귀분석(1) 회귀 분석(Regression)-수치형변수를 다루고 있음-독립,종속관계 예측할 때 사용함. 상관관계두 변수 간의 선형적인 관계두 변수 간의 선형 관계의 강도와 방향 (-1 ≤ r ≤ 1)상관계수 r = 1: 강한 양의 선형관계r = 0: 선형 관계 없음r = -1: 강한 음의 선형관계작업형 3 문제에서 상관계수를 구하라 하면 피어슨, 스이퍼만상관계수or 켄달타우 구하라 하면 각각 쓰기df.corr() #피어슨 (기본값)df.corr(method='spearman') #스피어맨df.corr(method='kendall') #켄달타우 상관계수에 대한 t검정귀무가설: 두 변수 간에 상관관계가 없다. 대립가설: 두 변수 간에 상관관계가 있다.stats.pearsonr(x, y) #피어슨stats.spearm.. 2024. 11. 11. [작업형3] 범주형 데이터 분석 - 적합도검정 범주형 데이터분석에는 카이제곱, 적합도, 독립성 검정 이렇게 3가지 가있습니다. 🔶 1. 적합도 검정 [문제] 지난 3년간 빅데이터 분석기사 점수 분포가 60점 미만: 50%, 60-70점 35%, 80점이상 15%로였다. 이번 회차부터 단답형을 제외하고, 작업형3을 추가하여 300명을 대상으로 적용한 결과 60점 미만: 150명, 60-70점: 120명, 80점이상: 30명이었다. 유의수준 0.05일 때, 새로운 시험문제 유형과 기존 시험문제 유형은 점수에 차이가 없는지 검정하시오.귀무가설(H0): 새로운 시험문제는 기존 시험문제 점수와 동일하다.대립가설(H1): 새로운 시험문제는 기존 시험문제 점수와 다르다.#관찰ob = [150, 120, 30]# 기대ex = [0.5*300, 0.35*300, .. 2024. 11. 9. [작업형3] 범주형 데이터 분석 - 카이제곱검정 범주형 데이터 분석 - 퇴근후딴짓적합도 검정관찰도수와 기대도수의 차이 12 탕수육찍먹부먹 부산60%40%기대값수원1,1,2,2,1관찰값빈도(count)로 변경 (관찰값, 기대값)↓ 사용방법scipy.stats.chisquare(observed, expected)observed: 관찰된 빈도 리스트expected: 기대 빈도 리스트 observed = 위 값으로 보면 [3,2] 이렇게 나옵 expected = [0.6*5 ,0.4*5]를 넣으면 됩니다.이렇게 넣으면 검정통계량, pvalue값을 뽑을 수 있습니다. 독립성 검정두 변수가 서로 독립적인지(연관성이 있는지) 확인교차표 테이블로 만들기문제에서 표로 주어졌을 때로우(원) 데이터가 주어졌을 때로우(원)데이터는 교차표 형태로 만들어주면됩니다.그 이후.. 2024. 11. 8. 딥러닝 시각화로 확인할 수 있는 사이트 텐서플로우에서 제공해줌https://playground.tensorflow.org Tensorflow — Neural Network PlaygroundTinker with a real neural network right here in your browser.playground.tensorflow.org 에포크 활성화함수는 알구요!Regularization : 오버핏을 억제하기 위한것 회귀, 분류도 나와있습니다. 좌측으로 보면테스터비율 확인할 수 있고손실률(loss)도 보여줍니다. loss가 확 떨어지는걸 볼 수 있습니다.좌측에 모델도 확인할 수 있습니다.선의 굵기에 커서를 대보면 weight값을 볼 수 있습니다. 2024. 11. 7. [작업형3] 독립표본검정 + 심화 💙독립표본검정을 공부했습니다. 두 그룹의 차이를 통계적으로 검증합니다.💙독립표본검정다음은 빅데이터 분석기사 실기 시험 점수이다. A그룹과 B그룹의 평균 점수가 차이가 있는지 유의수준 0.05하에서 가설 검정하시오. (데이터는 정규분포를 따르고 분산이 동일하다고 가정한다.)귀무가설(H0): 그룹별 시험 평균 점수는 차이가 없다. (μ1 = μ2)대립가설(H1): 그룹별 시험 평균 점수는 차이가 있다. (μ1 ≠ μ2)💙데이터는 아래와 같습니다.# 데이터A = [85, 90, 92, 88, 86, 89, 83, 87, 84, 50, 60, 39, 28, 48, 38, 28]B = [82, 82, 88, 85, 84, 74, 79, 69, 78, 76, 85, 84, 79, 89]여기서 A.. 2024. 11. 7. [작업형3] 대응표본검정 + 심화 💛 대응표본검정대응표본검정은 쌍체표본검정이라고도 이야기를 합니다.동일한 집단에서 두번 측정한 결과를 비교할때 사용하고있습니다! 시간차를 두고 두 번의 측정결과를 비교할때 사용합니다!대응표본검정 함수로 보자면 scipy.stats의 ttest_rel()을 사용합니다.ttest_rel(a,b, alternative='less,greater,two-sided')여기서 a는첫번째 모집단에서 뽑은 데이터를 의미하고 b는 두번째 모집단에서 뽑은 표본 데이터를 의미합니다.당연히 데이터 수는 같겠죠. 그럼 여기서 미래의 나에게 내는 문제!1. a,b는 집단이 총 몇개인가? -> 답은 1개!이유는 사전, 사후로 해서 a,b를 나눈것이기때문에 총 1개의 집단입니다~ 쨌든 다시 돌아와서그러면 alternative는 뭘 .. 2024. 11. 6. [작업형3] 단일표본검정 심화 # 데이터 (정규성에 만족하지 않게 일부 변경)import pandas as pddf = pd.DataFrame({ '무게':[219, 121, 121, 119, 125, 115, 121, 118, 117, 127, 123, 129, 119, 124, 114, 126, 122, 124, 121, 116, 123, 123, 127, 118, 122, 117, 124, 125, 123, 121],})💜이번에는 정규분포를 따르지않게 숫자 한개를 219로 굉장히 크게 바꿨습니다.이럴때는 어떻게 단일표본검정(ttest)를 해야할까요? 할 수 없쥬..그래서 정규분포를 따르는지 확인하고 따른다면 ttest진행해도 되지만 아니라면 윌콕으로 비모수 검정으로 대체합니다. 💜그래.. 2024. 11. 5. [작업형3] 단일표본검정 🟢 단일표본검정에 대해 공부했습니다. 문제는 이렇습니다.단일표본검정 나커피 유튜버는 최근 판매되는 "합격 원두(dark)" 상품의 실제 무게를 조사하였다. 제조사는 "합격 원두(dark)"의 무게를 120g라고 표기하였다. 나커피 유튜버는 이 주장이 사실인지 확인하기 위해 상품의 무게를 측정하였다. 다음은 30개의 상품 샘플의 무게 측정 결과다.이 측정 결과를 바탕으로 제조사의 주장인 상품의 무게(120g)가 사실인지 검정해보시오. (데이터는 정규분포를 따른다고 가정한다.) 귀무가설: μ = μ0, "합격 원두(dark)" 상품의 평균 무게는 120g이다.대립가설: μ ≠ μ0, "합격 원두(dark)" 상품의 평균 무게는 120g 아니다. μ(뮤): 현재 조사하려는 상품의 실제 평균 무게μ0(뮤 .. 2024. 11. 4. [작업형3] 가설검정 아 분명히 다 한번씩 어떻게하는지 봤던거같은데 막상 작업형 1,2를 하게되면 멍 하게 된다. 그래도 어쩌겠나 다시 열심히 해야지! adsp시험이 11월 3일인데 아직도 너무 간당간당하다.빅분기 필기는 정말 운이 너무 좋게 붙어버려서 실기와 adsp는 정말 피나는노력을 해야할것같다..가설검정 🟢 모집단과 표본- 모집단 : 전체 집단- 표본: 모집단의 일부 🟢 귀무가설과 대립가설- 귀무가설 : 기존에 알려진 사실, 효과나 차이가 없는것- 대립가설 : 연구자가 입증하려는 사실, 효과나 차이가 있음 🟢 검정결과- 검정통계량 : 주어진 데이터와 귀무가설 간의 차이를 통계적으로 나타내는 값- p-value (유의수준0.05)>> 유의수준보다작으면 귀무가설 기각, 대립가설 채택>> 유의수준보다 크면 귀무가설 기.. 2024. 10. 28. Format specifier missing precision Format specifier missing precision 이게뭐니? 에포크 50바퀴 다 돌려놓고 문자열 포맷팅이안돼서 오류가 났다...............사실 에포크 1바퀴만돌면 그대로 그냥 성고하고 나오는줄알았는데 전혀 아니였다니 충격의 도가니#얼마만큼의 시간이 흘렀는지 확인 time_elapsed = time() - since print(f'Training complete in {time_elapsed // 60:..0f}m {time_elapsed % 60:.0f}s') print(f'Best val Acc: {best_acc:.4f}') return [train_loss, valid_loss, train_acc, valid_acc] 여기서 문제인걸.. 2024. 10. 28. [논문] alexnet 알렉스넷 논문 위는 영어논문 아래는 한국어로 번역된 논문이다.ImageNet Classification with Deep Convolutional Neural Networks 개요우리는 ImeageNet LSVRC-2010대회에서 120만개의 고해상도 이미지를 1000개의 다른 클래스로 분류하기 위해 대규모의 심층 합성곱 신경망을 훈련했습니다. 테스트데이터에서 우리는 이전 최첨단 기술보다 상당히 나은 35.7%와 17.0%의 상위 1및 상위 5 오류율을 달성했습니다.6000만개의 매개변수와 650,000개의 뉴런을 가진 신경망은 5개의 합성곱계층으로 구성되어있으며 그 중 일부는 최대 풀링계층으로 이어지고 3개의 완전 연결 계층에는 최종 1000방향 SOFTMAX가 있습니다. 훈련을 더 빠르게 하기 위해 우리는 포화되지 .. 2024. 10. 16. [작업형2] 'tuple' object is not callable 'tuple' object is not callable 라는 오류는 왜 생겼는지 이미지로 기록해둬야 계속 볼것같아요..이거 한번에 왜 오류인지 아는사람? 스펠링부터 봤다면 ㄸㅐ ㅇ... 정답은 shape는 ()괄호가 들어가지 않습니다!!!!!!!!!!!!!!!괄호빼니까 이렇게 잘 나옵니다.. 2024. 10. 13. [작업형2] 데이터로드 & EDA 작업형 2유형은 2가지로 나뉜다.분류 / 회귀 는 아래와 같다유형종속변수(목표변수)가 무엇?성능평가분류남,여 / 생존,사망accuracy_score, fi_score, ROC_AUC_Score,confusion_metrics 등회귀수치형 / 가격RMSE, 결정계수 등문제에서 주어진 종속변수 형태 보고 우리모델의 성가지표를 보고 어떤 모델을 쓸 지 확인하고 모델을 선택해야함. 작업형 2유형 전체순서 1.데이터 로드 및 확인2.결측값 또는 라벨인코딩(문자열->수치형으로 변경)3. 모델링 및 학습4. 모델의 성능평가5. 테스트 모델 예측6. 테스트 결과 제출 및 확인빅데이터분석기사 실기 체험환경https://dataq.goorm.io/exam/3/%EC%B2%B4%ED%97%98%ED%95%98%EA%B8%.. 2024. 10. 12. [작업형2] 머신러닝+시험파일제출 +풀이과정 머신러닝 = ['지도학습', '비지도학습', '강화학습'] 이있고빅분기는 "지도학습"으로 진행됩니다. 지도학습은 분류 OR 회귀가있습니다.*피처(컬럼)라는 단어는 현업자들이 많이 사용하는것이니 꼭 익혀두기대략적으로 이렇게 진행됩니다.문제를 읽어보면서? 문제정의하기 분류인지? 회귀인지?예측해야하는 피처(컬럼)은?예측 결과?(확률, 0인지 1인지)평가방식? 최종 생성파일은?이런 부분들을 생각하면서 읽어야합니다. 그래야 작업내용에 오류가 없습니다.탐색적 데이터분석(EDA) 샘플데이터 확인(df.head(), df.info()등)데이터 크기컬럼(피처)타입결측치분류:타겟, 라벨 비율수치형인지 범주형인지 컬럼파악하기 ->왜냐면 datetime등으로 변환해야해서 시각화를 지원하지않다는점 알고있어야합니다!데이터 전처리.. 2024. 10. 11. [작업형1] TypeError: unsupported operand type(s) for +: 'NoneType' and 'NoneType' 작업형 1번문제index '2001' 데이터(행)의 평균보다 큰 값의 갯수와index '2003' 데이터(행)의 평균보다 작은 값의 갯수를 더하시오# 데이터 생성(먼저 실행해 주세요)import pandas as pdimport randomrandom.seed(2022)df = pd.DataFrame()for i in range(0, 5): list_box = [] for k in range(0, 200): ran_num = random.randint(1,200) list_box.append(ran_num) df[i+2000] = list_boxdf = df.Tdf.to_csv("data.csv", index=True)가 주어진 데이터였고 랜덤시드값을 고정해서 2.. 2024. 10. 10. [작업형1] TypeError: agg function failed [how->mean,dtype->object]간단하게 numeric_only=True 쓰세요 df = pd.read_csv('data.csv')df# 1개 인덱스 형태로 리셋# mean(numeric_only=True) 사용 필요df.groupby(['원두', '할인율']).mean()TypeError: agg function failed [how->mean,dtype->object] 라는 에러가 뜹니다.이걸 쳐보니까**수치형 데이터가 아닌 다른 데이터 타입(예: 문자열)**에서 평균(mean) 같은 수치 연산을 시도할 때 발생합니다.라고하는데 사실 이건 numeric_only=True을 해주면 해결되는 문제입니다. 코랩에서 실습을 하다보니 코랩에서 판다스 버전이 업데이트 되어서 numeric_only=True를 설정해주어야하고 이 설정은 df에서 숫자형태의데이터만 선택하도록 지정하는 역할을 합.. 2024. 10. 9. [DL] 모폴로지 처리, 도형이미지 구분하기 4. 모폴로지 처리- 영상의 밝은 영역이나 어두운 영역을 축소 또는 확대하는 기법을 말합니다. cv2.getStructuringElement(구조 요소의 모양, 사이즈) 구조 요소의 모양 * 직사각형(cv2.MORPH_RECT) - 단순한 형태로 모든 요소가 같은 값을 가지는 정사각형 또는 직사각형 - 팽창과 침식 연산에서 동일하게 작동 - 객체 가장자리를 따라 명확한 변화를 줄 때 유용 * 타원형(cv2.MORPH_ELLIPSE) - 가장자리 부분을 더 부드럽게 처리 - 객체의 둥근 모양을유지하면서 노이즈를 제거할 때 유용 * 십자형(cv2.MORPH_CROSS) / 많이 사용하지는 않음 - 중심을 .. 2024. 10. 8. [DL] 엣지검출(Canny) , 필터캠 엣지(edge) 검출- 물체의 윤곽선(경계선)이 해당- 영상에서 화소의 밝기가 급격하게 변하는 부분- 에지를 검출할 수 있으면 물체의 윤곽선을 알 수 있음- "케니 에지 검출"은 상당한 수준으로 에지를 신뢰성 있게 검출하는 방법 cv2.Canny(영상, 최소임계값, 최대임계값, 커널) 최소임계값, 최대임계갑:두개의 경계값(max, min)을 지정해서 경계에 있는 영역 픽셀을 찾음.import cv2import numpy as npimg = cv2.imread('./dog.jpg')med_val = np.median(img)lower = int(max(0, 0.7*med_val)) #95 #중앙값의 70%upper = int(min(255, 1.3 * med_val)) #176 #중앙값의 130.. 2024. 10. 7. [DL] 투시변환(persective), 명함을 이용한 사진 활용 투시변환(persective)- 직사각형 형태의 영상을 임의의 입체감 있는 사각형 형태로 변환- 원본 영상에 있는 직선은 결과 영상에서 그대로 유지되지않고 평행 관계가 깨질 수 있음- 투시 변환은 보통 3*3 실수 행렬로 표현 cv2.getPerspectiveTransform(영상, 4개의 결과 좌표점) -> 투시;변환 행렬 만들어짐 cv2.warpPerspectibe(영상, 투시변환행렬, 결과영상크기)예제로는 살짝 누워있는 이미지를 이용해서 그 이미지만 펴서 내가 변환할 사이즈에 맞춰서 변환해주는 예제를 활용했습니다.import cv2import numpy as npimg = cv2.imread('./pic.jpg')#변환할 크기를 설정한것w,h = 300,200#꼭지점 좌표#순서 : 왼.. 2024. 10. 6. [DL] 영상의 변환(이동), resize # 영상의 변환- 구성하는 픽셀의 배치 구조를 변경함으로 전체 영상의 모양을 바꾸는 작업이미지 이동(translate)하는 방법 애니메이션처럼이동하는것이 아니라 위치에서 살짝 이동하는 방식을 이야기함! 이미지를 이동할때는 변환행렬을 사용합니다. 변환행렬의 형태 [결과] M = | 1 0 a | x방향으로 a만큼 | 0 1 b | y방향으로 b만큼 실행시켜주는 함수 : cv2.warpaffine(영상, affine행렬, (0,0))(0,0)을 넣으면 입력 영상과 크기가 같은(=똑같은) 행렬을 반환합니다. 이 함수를 사용하게되면 변환행렬을 가지고 영상에 적용시켜주는 함수입니다. 예제는 아래와 같습니다.이 사진을 사용할겁니다. import cv2im.. 2024. 10. 5. [DL] 적응형이진화(cv2.adaptiveThreshold())+자동이진화 적응형, 가우시안 비교 #adaptive 5. 적응형 이진화- 영상을 여러 영역으로 나눈 뒤, 그 주변 픽셀 값만 활용하여 임계값을 구함- cv2.adaptiveThreshold() cv2.ADAPTIVE_THRESH_MEAN_C -이웃 픽셀의 평균으로 결정 - 선명하지만 잡티가 많아질 가능성이 있음 - 문서 스캔과 같이 이미지가 고르게 조명된 경우에 효과적 cv2.ADAPTIVE_THRESH_GAUSSIAN_C - 가우시안 분포에 따른 가중치의 합으로 결정 - 선명도는 조금 떨어지지만 잡티가 적음 - 조명이 불균일한 이미지나 디테일을 유지하고자 할 때 효과적import cv2import matplotlib.pyplot as pltimg = cv2.imread('./sudoku.jpg', c.. 2024. 10. 4. [작업형1] print(df) vs df 판다스를 이용해서 데이터를 불러오는것 vs print문을 이용해서 데이터 불러오기 # 학습 전 실행: csv파일 (data.csv) 생성import pandas as pdimport numpy as npdata = { "메뉴":['아메리카노','카페라떼','카페모카', '바닐라라떼', '녹차', '초코라떼', '바닐라콜드브루'], "가격":[4100, 4600, 4600, 5100, 4100, 5000, 5100], "할인율":[0.5, 0.1, 0.2, 0.3, 0, 0, 0], "칼로리":[10, 180, 420, 320, 20, 500, 400], "원두":['콜롬비아', np.NaN, '과테말라', np.NaN, '한국', '콜롬비아', np.NaN], "이벤트가".. 2024. 10. 3. [DL] 오츠의 이진화(스레숄드값을 자동으로 잡아주기) 이번에는 오츠의 이진화를 통해서 쓰레숄드값을 자동으로 잡아주려고합니다.이전예제인 이진화에서는 직접 100,150,200 등 찾아주었는데 이번같은경우는 오츠의 이진화를 통해서 자동으로 임계값을 구하게 만들어주려고합니다. 사용할 이미지는 위와 같습니다(rice)쌀. ## otus3. 오츠의 이진화 알고리즘( 오츠의이진화 = 자동 이진화를 하고싶을 때 사용하는 알고리즘)- 자동 이진화 알고리즘- 자동으로 임계값을 구해줌 (임계값을 구분하는 가장 좋은 방법으로 찾아줌)- cv2.threshold(영상, 임계값(암거나 넣어도 됨 0넣어도됨), 최대값, 플래그|cv2.THRESH_OTSH)- 임계값을 임의로 정해 픽셀을 두 부류로 나누고 두 부류의 명암 분포를 구하는 작업을 반복하여 모든 경우의 수 중에서 두 부류.. 2024. 10. 3. [DL]영상의 이진화(Binarization) 2. 영상의 이진화(Binarization)- 픽셀을 검은색 또는 흰색과 같이 두 분류의 값으로 나누는 작업- 영상에서 의미있는 관심 영역(ROI)과 비관심 영역으로 구분할 때 사용- 예) 배경과 객체를 둘로 나눌 때- 영상의 이진화 연산을 할 때 나누는 특정값을 임계값이라고 함- cv2.threshold(영상, 임계값, 최대값, 플래그) 플래그 cv2.THRESH_BINARY: 픽셀값이 임계값을 넘으면 최대값으로 지정하고 넘지 못하면 0으로 지정 예) 픽셀값 150, 임계값 120: 픽셀값은 255로 설정 cv2.THRESH_BINARY_INV: cv2.THRESH_BINARY의 반대이번에는 영상의 이진화를 해보는 작업을 하려고 합니다.사용할 사진은 아래와 같습니다.## binar.. 2024. 10. 2. [작업형1] drop 에러 이 데이터에 시즌이라고 해서 크리스마스 라떼를 넣었습니다.그리고 나서 sort를 하려고 하는데 str이라서 솔트가 안된다는거죠해결하기 위한 방법은 2개로 나뉠 수 있겠다 생각했습니다.1. 시즌-> 숫자로 바꾸는 방법2. 시즌->drop을 하는 방법 1)시도df.iloc[7] = {'시즌':8}df뭔가 더 복잡해질것같아서 2번 방법인 drop을 사용하려고 합니다.df.drop('시즌', 0)여기서 axis=0 은 행을 나타나고 axis=1은 열을 나타납니다.df.drop('시즌', axis=0)'성공했어요 2024. 10. 1. 이전 1 2 3 4 5 6 7 8 다음
