빅데이터 분석 실습형 수행평가 - 유력 문제 정리

기본 제공 코드 (시험지에 주어짐)

import pandas as pd

iphone_df = pd.read_csv('iphone.csv', index_col=0)

laptops_df = pd.read_csv('laptops.csv')

---

iphone.csv 데이터 구조

| (인덱스) | 출시일 | 디스플레이 | 메모리 | 출시 버전 | Face ID |

|---------------|-------------|-----------|--------|-----------|---------|

| iPhone 7 | 2016-09-16 | 4.7 | 2GB | iOS 10.0 | No |

| iPhone 7 Plus | 2016-09-16 | 5.5 | 3GB | iOS 10.0 | No |

| iPhone 8 | 2017-09-22 | 4.7 | 2GB | iOS 11.0 | No |

| iPhone 8 Plus | 2017-09-22 | 5.5 | 3GB | iOS 11.0 | No |

| iPhone X | 2017-11-03 | 5.8 | 3GB | iOS 11.1 | Yes |

| iPhone XS | 2018-09-21 | 5.8 | 4GB | iOS 12.0 | Yes |

| iPhone XS Max | 2018-09-21 | 6.5 | 4GB | iOS 12.0 | Yes |

laptops.csv 컬럼 (167행, 인덱스 없음 = 정수 인덱스)

brand, model, ram, hd_type, hd_size, screen_size, price, processor_brand, processor_model, clock_speed, graphic_card_brand, graphic_card_size, os, weight, comments

---

---

문제 1번 — 데이터프레임 조회하기 (p.7~9, 대상 값 변형)

핵심 개념: df.loc['행이름'], df['컬럼명'], df[['컬럼1','컬럼2']], df.loc[['행1','행2']]

유력 문제 1-1: 특정 행(Row) 조회

# Q: iPhone XS의 모든 정보를 조회하시오.

iphone_df.loc['iPhone XS']

출시일        2018-09-21

디스플레이             5.8

메모리               4GB

출시 버전        iOS 12.0

Face ID           Yes

Name: iPhone XS, dtype: object

유력 문제 1-2: 여러 행 조회

# Q: iPhone 8과 iPhone XS Max의 정보를 조회하시오.

iphone_df.loc[['iPhone 8', 'iPhone XS Max']]

                     출시일  디스플레이  메모리     출시 버전 Face ID

iPhone 8      2017-09-22    4.7  2GB  iOS 11.0      No

iPhone XS Max 2018-09-21    6.5  4GB  iOS 12.0     Yes

유력 문제 1-3: 특정 컬럼 조회

# Q: 메모리 컬럼만 조회하시오.

iphone_df['메모리']

유력 문제 1-4: 여러 컬럼 조회

# Q: Face ID와 출시일, 메모리 컬럼을 조회하시오.

iphone_df[['Face ID', '출시일', '메모리']]

⚠️ 주의 (수업에서 다룬 오류 패턴)

# ✗ 틀린 코드 — loc[행, 열] 구조에서 열 자리에 행 이름을 넣으면 오류

iphone_df.loc[['iPhone X'], ['iPhone 8']]   # KeyError 발생!

# ✓ 올바른 코드 — 두 행을 동시에 조회

iphone_df.loc[['iPhone X', 'iPhone 8']]

---

문제 2번 — 조건에 맞는 데이터프레임 조회 (p.10~11, Boolean 활용, 그대로)

핵심 개념: df[조건], &(AND), |(OR), Boolean(True/False) 필터링

유력 문제 2-1: 단일 조건 필터링

# Q: Face ID가 'Yes'인 제품만 조회하시오.

iphone_df[iphone_df['Face ID'] == 'Yes']

                     출시일  디스플레이  메모리     출시 버전 Face ID

iPhone X      2017-11-03    5.8  3GB  iOS 11.1     Yes

iPhone XS     2018-09-21    5.8  4GB  iOS 12.0     Yes

iPhone XS Max 2018-09-21    6.5  4GB  iOS 12.0     Yes

유력 문제 2-2: 복합 조건 필터링 (AND)

# Q: 출시일이 '2017-01-01'보다 크고, Face ID가 'Yes'인 제품을 조회하시오.

iphone_df[(iphone_df['출시일'] > '2017-01-01') & (iphone_df['Face ID'] == 'Yes')]

유력 문제 2-3: Boolean 시리즈 확인

# Q: 디스플레이가 5.5 이상인 제품의 Boolean 값을 확인하시오.

iphone_df['디스플레이'] >= 5.5

iPhone 7         False

iPhone 7 Plus     True

iPhone 8         False

iPhone 8 Plus     True

iPhone X          True

iPhone XS         True

iPhone XS Max     True

Name: 디스플레이, dtype: bool

유력 문제 2-4: laptops_df에서 조건 필터링

# Q: laptops_df에서 os가 'mac'이고 clock_speed가 2.9인 제품의 model과 price를 조회하시오.

laptops_df.loc[(laptops_df['os'] == 'mac') & (laptops_df['clock_speed'] == 2.9), ['model', 'price']]

---

문제 3번 — iloc + 슬라이싱 (p.15~18, 대상 값 변형)

핵심 개념: df.iloc[행번호], df.iloc[시작:끝], df.iloc[행, 열], 슬라이싱은 끝 번호 미포함

유력 문제 3-1: 단일 행 iloc 조회

# Q: iphone_df의 3번째 행(인덱스 2)을 조회하시오.

iphone_df.iloc[2]

출시일        2017-09-22

디스플레이             4.7

메모리               2GB

출시 버전        iOS 11.0

Face ID            No

Name: iPhone 8, dtype: object

유력 문제 3-2: 슬라이싱으로 범위 조회

# Q: iphone_df의 2번째~4번째 행을 조회하시오. (인덱스 1~3)

iphone_df.iloc[1:4]

                     출시일  디스플레이  메모리     출시 버전 Face ID

iPhone 7 Plus 2016-09-16    5.5  3GB  iOS 10.0      No

iPhone 8      2017-09-22    4.7  2GB  iOS 11.0      No

iPhone 8 Plus 2017-09-22    5.5  3GB  iOS 11.0      No

유력 문제 3-3: 행과 열 동시 슬라이싱

# Q: iphone_df의 0~2번째 행, 0~1번째 열을 조회하시오.

iphone_df.iloc[0:3, 0:2]

                     출시일  디스플레이

iPhone 7      2016-09-16    4.7

iPhone 7 Plus 2016-09-16    5.5

iPhone 8      2017-09-22    4.7

유력 문제 3-4: 특정 위치의 값 조회

# Q: iphone_df의 4번째 행, 3번째 열의 값을 조회하시오.

iphone_df.iloc[3, 2]

'3GB'

유력 문제 3-5: 역방향 슬라이싱

# Q: iphone_df의 마지막 3개 행을 조회하시오.

iphone_df.iloc[-3:]

---

문제 4번 — 컬럼 값 변경하기 (p.20, 그대로)

핵심 개념: df.loc['행', '열'] = 값, 조건 기반 값 변경

유력 문제 4-1: 특정 셀 값 변경

# Q: iPhone X의 출시일을 '2017-01-01'로, 디스플레이를 5.0으로, 메모리를 '4GB'로, 출시 버전을 'iOS 11.1.1'로 변경하시오.

iphone_df.loc['iPhone X'] = ['2017-01-01', 5.0, '4GB', 'iOS 11.1.1', 'Yes']

iphone_df

유력 문제 4-2: 조건에 맞는 행 전체 값 변경

# Q: 출시일이 '2017-01-01' 이후이고 Face ID가 'Yes'인 제품의 모든 값을 'V'로 변경하시오.

iphone_df[(iphone_df['출시일'] > '2017-01-01') & (iphone_df['Face ID'] == 'Yes')] = 'V'

iphone_df

---

문제 5번 — 새로운 인덱스(행) 추가하기 (p.26, 그대로)

핵심 개념: df.loc['새행이름'] = [값1, 값2, ...]

유력 문제 5-1

# Q: iPhone 11이라는 새로운 행을 추가하시오. (출시일: 2019-09-20, 디스플레이: 6.1, 메모리: 4GB, 출시 버전: iOS 13.0, Face ID: Yes)

iphone_df.loc['iPhone 11'] = ['2019-09-20', 6.1, '4GB', 'iOS 13.0', 'Yes']

iphone_df

---

문제 6번 — 새로운 컬럼 추가하기 (p.26, 그대로)

핵심 개념: df['새컬럼'] = 값 (모든 행에 동일 값 적용)

유력 문제 6-1

# Q: '제조사'라는 새로운 컬럼을 추가하고, 모든 값을 'Apple'로 설정하시오.

iphone_df['제조사'] = 'Apple'

iphone_df

---

문제 7번 — 기존 인덱스(행) 삭제하기 (p.27, 그대로)

핵심 개념: df.drop('행이름', axis='index', inplace=True/False)

• inplace=False → 원본 변경 안 됨 (결과만 반환)

• inplace=True → 원본 자체가 변경됨

유력 문제 7-1: 단일 행 삭제

# Q: iPhone 7 Plus 행을 삭제하시오. (원본 변경)

iphone_df.drop('iPhone 7 Plus', axis='index', inplace=True)

iphone_df

유력 문제 7-2: 여러 행 삭제

# Q: iPhone 7, iPhone 8, iPhone X 행을 삭제하시오. (원본 변경)

iphone_df.drop(['iPhone 7', 'iPhone 8', 'iPhone X'], axis='index', inplace=True)

iphone_df

---

문제 8번 — 기존 컬럼 삭제하기 (p.28, 그대로)

핵심 개념: df.drop('컬럼명', axis='columns', inplace=True/False)

유력 문제 8-1: 단일 컬럼 삭제

# Q: '출시 버전' 컬럼을 삭제하시오. (원본 변경 없이)

iphone_df.drop('출시 버전', axis='columns', inplace=False)

유력 문제 8-2: 여러 컬럼 삭제

# Q: '출시일'과 '출시 버전' 컬럼을 삭제하시오. (원본 변경)

iphone_df.drop(['출시일', '출시 버전'], axis='columns', inplace=True)

iphone_df

---

문제 9번 — 컬럼명 변경하기 (p.30, 그대로)

핵심 개념: df.rename(columns={'기존명': '새이름'}, inplace=True/False)

유력 문제 9-1

# Q: 'Face ID' 컬럼명을 '페이스ID'로 변경하시오.

iphone_df.rename(columns={'Face ID': '페이스ID'}, inplace=True)

iphone_df

유력 문제 9-2: 여러 컬럼명 동시 변경

# Q: '출시일'을 'release_date', '메모리'를 'memory'로 변경하시오.

iphone_df.rename(columns={'출시일': 'release_date', '메모리': 'memory'}, inplace=True)

iphone_df

---

문제 10번 — 특정 컬럼 기준 정렬 (p.36, 그대로)

핵심 개념: df.sort_values(by='컬럼명', ascending=True/False)

• ascending=True → 오름차순 (기본값)

• ascending=False → 내림차순

유력 문제 10-1: 오름차순 정렬

# Q: iphone_df를 디스플레이 기준 오름차순으로 정렬하시오.

iphone_df.sort_values(by='디스플레이', ascending=True)

유력 문제 10-2: 내림차순 정렬

# Q: iphone_df를 출시일 기준 내림차순으로 정렬하시오.

iphone_df.sort_values(by='출시일', ascending=False)

유력 문제 10-3: laptops_df 정렬

# Q: laptops_df를 price 기준 내림차순으로 정렬하시오.

laptops_df.sort_values(by='price', ascending=False)

---

문제 11-12번 - 비공개 문제 (p.34-41, 대상 값 변형)

핵심 개념 추정: p.34~41은 통계함수 / 데이터 탐색 범위로 추정됨.

수업 ipynb에서 해당 범위에서 다룬 내용: value_counts(), describe(), unique(), max(), min(), mean(), std(), count(), head(), tail()

유력 문제 11-1: value_counts()

# Q: laptops_df에서 brand 컬럼의 각 값별 개수를 확인하시오.

laptops_df['brand'].value_counts()

brand

HP           55

Acer         35

Dell         31

Lenovo       18

Asus          9

Apple         7

Alienware     6

Microsoft     6

Name: count, dtype: int64

유력 문제 11-2: unique()

# Q: laptops_df에서 brand 컬럼의 고유값(종류)을 확인하시오.

laptops_df['brand'].unique()

array(['Dell', 'Apple', 'Acer', 'HP', 'Lenovo', 'Alienware', 'Microsoft', 'Asus'], dtype=object)

유력 문제 11-3: describe()

# Q: laptops_df에서 brand 컬럼의 기술통계를 확인하시오.

laptops_df['brand'].describe()

count     167

unique      8

top        HP

freq       55

Name: brand, dtype: object

유력 문제 12-1: 수치 통계 함수

# Q: laptops_df에서 price 컬럼의 최대값, 최소값, 평균값을 구하시오.

print(laptops_df['price'].max())    # 226000

print(laptops_df['price'].min())    # 13872

print(laptops_df['price'].mean())   # 64132.898...

유력 문제 12-2: 복합 조건 + 통계

# Q: laptops_df에서 processor_model이 'i5'이고 hd_type이 'ssd'인 제품의 개수를 구하시오.

((laptops_df['processor_model'] == 'i5') & (laptops_df['hd_type'] == 'ssd')).value_counts()

False    149

True      18

Name: count, dtype: int64

유력 문제 12-3: 정렬 + head 조합

# Q: laptops_df를 price 기준 내림차순 정렬 후 상위 10개를 조회하시오.

laptops_df.sort_values('price', ascending=False).head(10)

유력 문제 12-4: ram별 개수

# Q: laptops_df에서 ram 컬럼의 각 값별 개수를 확인하시오.

laptops_df['ram'].value_counts()

ram

8     69

4     68

16    17

2     10

12     3

Name: count, dtype: int64

---

---

📌 핵심 정리 — 자주 혼동하는 포인트

loc vs iloc

| 구분 | loc | iloc |

|------|-----|------|

| 기준 | 이름(라벨) 기반 | 정수 위치(번호) 기반 |

| 예시 | df.loc['iPhone X'] | df.iloc[4] |

| 슬라이싱 끝값 | 포함 | 미포함 |

drop에서 axis 값

| axis 값 | 의미 |

|----------|------|

| axis='index' 또는 axis=0 | 행 삭제 |

| axis='columns' 또는 axis=1 | 열 삭제 |

inplace 매개변수

| inplace 값 | 의미 |

|-------------|------|

| inplace=False (기본값) | 원본 변경 안 됨, 결과만 반환 |

| inplace=True | 원본 자체가 변경됨 |

Boolean 조건 결합 연산자

| 연산자 | 의미 | 주의사항 |

|--------|------|----------|

| & | AND (둘 다 만족) | 각 조건을 ()로 묶어야 함 |

| \| | OR (하나만 만족) | 각 조건을 ()로 묶어야 함 |

sort_values ascending

| ascending 값 | 의미 |

|---------------|------|

| True (기본값) | 오름차순 (작은→큰) |

| False | 내림차순 (큰→작은) |

---

---

📎 출처 — 문제별 근거 ipynb 파일

| 문제 | 주제 | 출처 ipynb |

|------|------|-----------|

| 1번 | loc / df['컬럼'] 조회 | 20260331tue_0.ipynb, 20260401wed_0.ipynb |

| 2번 | Boolean 조건 필터링 | 20260519tue_0.ipynb |

| 3번 | iloc + 슬라이싱 | 20260414tue_0.ipynb, 20260421tue_0.ipynb |

| 4번 | 컬럼 값 변경 | 20260519tue_0.ipynb |

| 5번 | 새 행(인덱스) 추가 | 20260519tue_0.ipynb |

| 6번 | 새 컬럼 추가 | 20260519tue_0.ipynb |

| 7번 | 행 삭제 (drop, axis='index') | 20260519tue_0.ipynb |

| 8번 | 컬럼 삭제 (drop, axis='columns') | 20260519tue_0.ipynb |

| 9번 | 컬럼명 변경 (rename) | 20260526tue_0.ipynb |

| 10번 | 정렬 (sort_values) | 20260527wed_0.ipynb |

| 11번 | 비공개 - 통계함수 추정 (value_counts, unique, describe) | 20260527wed_0.ipynb |

| 12번 | 비공개 - 수치통계 추정 (max, min, mean, std, count) | 20260527wed_0.ipynb |

참고: 모든 유력 문제는 위 ipynb 수업 파일에서 실제로 실행된 코드만을 근거로 작성되었습니다. 수업에서 다루지 않은 내용은 포함하지 않았습니다.

---

Generated by Claude Opus 4.6 in Antigravity IDE