NAME이 찾고자 하는 값중에 있는지? SELECT NAME FROM TABLE WHERE NAME IN ("DAVE","PARK","SON","KIM")

1. 문제 위와 같은 데이터에서 "중성화" 속성을 새로 만들고 중성화 되어있으면(Neutered or Spayed) "O", 그렇지 않으면 "X"를 표시하라. 2. 코드 SELECT ANIMAL_ID,NAME, CASE WHEN SEX_UPON_INTAKE LIKE "Spayed%" or SEX_UPON_INTAKE LIKE "Neutered%" THEN "O" ELSE "X" END AS "중성화" FROM ANIMAL_INS ORDER BY ANIMAL_ID 3. 결과

1. 문제 입양간 동물들 중 보호소에 가장 오래있었던 동물의 아이디와 이름을 구하라. 아래와 같이 나와야 함. 2. 코드 SELECT OUTS.ANIMAL_ID, OUTS.NAME FROM ANIMAL_INS AS INS, ANIMAL_OUTS AS OUTS WHERE INS.ANIMAL_ID=OUTS.ANIMAL_ID ORDER BY OUTS.DATETIME-INS.DATETIME DESC LIMIT 2 *DATETIME 속성은 (-) 연산이 가능하다

1. 풀이 위의 데이터 테이블에서 DATETIME을 DATE형식으로 아래와 같이 변환하여 출력하라 2. 코드 SELECT ANIMAL_ID, NAME, DATE_FORMAT(DATETIME, "%Y-%m-%d") AS 날짜 FROM ANIMAL_INS ORDER BY ANIMAL_ID * 날짜 입력에 따른 출력형태​ --1 "%Y-%M-%D" --2 "%y-%m-%d" --1 2014-June-21st --2 15-01-29

후보키 유일성과 최소성을 만족하는 키 * 유일성 : 하나의 키값으로 하나의 튜플만을 식별하는 것 * 최소성 : 유일성을 만족시키는 꼭 필요한 속성만으로 구성될것 ex) 학반+번호, 주민번호+이름은 모두 유일성을 만족한다. 하지만 (주민번호+이름)는 이름 속성을 제외하더라도(주민번호만으로) 유일성을 만족하기 때문에 최소성에 위배된다고 볼 수 있다. 1. 주키,기본키(primary key) : 후보키중 선택한 키 * 개체 무결성 : 주키는 NULL값이나 중복된 값을 가질 수 없다 2. 대체키(alternate key) : 후보키중 주키를 제외한 나머지 키 ​ 슈퍼키 - 유일성만 만족하는 키(최소성은 만족하지 않는다) ​ 외래키 관계를 맺고잇는 두 릴레이션 A,B에 대하여 A 릴레이션의 주키를 참조하는 B 릴..

1. 외출여부 판단 퍼셉트론 함수 # 1. 신호의 총합과 외출 여부를 반환하는 Perceptron 함수를 완성하세요. def Perceptron(x_1,x_2,w_1,w_2): # bias는 외출을 좋아하는 정도로 -1로 설정되어 있습니다. bias = -1 # 입력 받은 값과 편향(bias)값을 이용하여 신호의 총합을 구하세요. output = w_1*x_1+w_2*x_2+bias # 지시한 Activation 함수를 참고하여 외출 여부(0 or 1)를 설정하세요. # 외출 안한다 : 0 / 외출 한다 : 1 if output>0: y = 1 else: y=0 return output, y # 값을 입력 받는 함수입니다. def input_func(): # 비 오는 여부(비가 온다 : 1 / 비가 오지..

1. 차원축소하기(pca) : 여러가지 att가 존재할 때 내가 원하는만큼 차원을 축소 # [차원축소하기 PCA] import sklearn.decomposition import matplotlib.pyplot as plt import numpy as np def main(): X, attributes = input_data() pca_array = normalize(X) pca, pca_array = run_PCA(X, 2) visualize_2d_wine(pca_array) def input_data(): f = open("data/attributes.txt", 'r') attributes = [] while True: line = f.readline().strip("\n") if not line: ..

파일 읽기 1. 기본 내장 함수 words = [] f = open("words.txt", 'r') while True: line = f.readline().strip("\n") if not line: break words.append(line) ''' 코드처리 ''' f.close() 2. 기본 내장 함수 (with이용) with open('경로/파일이름', 'r') as f: line = f.read() print(line) 3. 판다스(pandas) read_csv csv파일을 읽을 때 사용 import pandas as pd pd.read_csv("경로/파일이름") 파일 쓰기 1. 기본 내장 함수 f = open("경로/파일이름", 'w') for i in range(10): line = f"{i..

1. 하드 클러스터링 : 하나의 데이터가 정확히 하나의 군집에 할당하는 것 -> hierarchical clustering, k-means, dbscan, optics 2. 소프트 클러스터링 : 하나의 데이터가 다수의 군집에 할당하는 것 -> topic models, fcm, soft k-means

* 파일을 처음부터 읽으면 한줄씩 읽어진다. 이때 첫째줄은 목차가 나오므로 첫줄을 뛰어넘어야한다. next() 함수를 이용하여 첫줄을 뛰어넘을 수 있다. f = open("body.txt", 'r') next(f) #이부분!! while True: ''' 파일처리 ''' f.close() 위와같은 코드로 목차를 생략할 수 있다.

1. 이항분포 # [이항분포] import numpy as np import matplotlib.pyplot as plt import scipy as sp from scipy import stats # 이항분포 생성 n, p = 10, 0.3 stat_bin = sp.stats.binom(n, p) # 그리기 fig, ax = plt.subplots() #확률밀도함수 x_axis = np.arange(n + 1) plt.bar(x_axis, stat_bin.pmf(x_axis)) plt.show() fig.savefig("pmf_plot.png") #확률질량함수 x_axis = np.arange(n + 1) plt.bar(x_axis, stat_bin.cdf(x_axis)) plt.show() fig.s..

# [중복 순열] from itertools import product from itertools import combinations_with_replacement # 중복순열 re_per = list(product(['A', 'B','C','D','E'], repeat = 3)) re_per_num = len(re_per) print(re_per) print(re_per_num) # [중복 조합] from itertools import product from itertools import combinations_with_replacement # 중복조합 re_com = list(combinations_with_replacement(['A','B','C','D','E'], 3)) re_com_num = ..

# [백분위수 구하기] from statistics import variance, stdev import numpy as np coffee = np.array([202,177,121,148,89,121,137,158]) #백분위수 cf_quant_20 = np.percentile(coffee, 20) cf_quant_80 = np.percentile(coffee, 80) print("20 Quantiles : ", cf_quant_20 ) print("80 Quantiles : ", cf_quant_80 ) #IQR q75, q25 = np.percentile(coffee, [75, 25]) cf_IQR = q75-q25 print("Inter quartile range:",cf_IQR) 20 Quant..

# [도수분포표] import pandas as pd import numpy as np # drink 데이터 drink = pd.read_csv("drink.csv") # 전체 참석 횟수를 확인하는 도수분포표 drink_tab = pd.crosstab(index = drink["Attend"], columns = "count") print("전체 참석 횟수를 확인하는 도수분포표") print(drink_tab) #누가 몇 번 참석했는지 알 수 있는 도수분포표 drink_who = pd.crosstab(index = drink["Attend"], columns = drink["Name"]) print("누가 몇 번 참석했는지 알 수 있는 도수분포표") print(drink_who) # [원형 그래프] im..

1. 수치형 자료 : 실수로 측정이 가능한 자료형 (키, 몸무게, 시험점수, 나이) (1) 연속형 자료 : 원주율, 시간, 키, 몸무게 등.. (2) 이산형 자료 : 시험점수, 나이, 동영상 조횟수 등.. 2. 범주형 자료 (1) 명목형 척도(nominal) : 구분할 수 있는 척도 (ex 혈액형, 성별) (2) 서열 척도 (ordinal) : 순서 관계를 밝혀주는 척도 (등수, 직위, 학력) (3) 등간 척도 (interval) : 덧셈 뺄셈이 가능한 척도, 배는 불가능 (섭씨 화씨온도, 시간) (4) 비율척도 (ratio): 비율로도 계산이 가능한 척도 (절대온도, 성적, 키, 무게, 인구수, 길이 수량 등등)

1. 나이브 베이즈 확률 def main(): sensitivity = float(input()) prior_prob = float(input()) false_alarm = float(input()) print("%.2lf%%" % (100 * mammogram_test(sensitivity, prior_prob, false_alarm))) def mammogram_test(sensitivity, prior_prob, false_alarm): p_a1_b1 = sensitivity # p(A = 1 | B = 1) p_b1 = prior_prob # p(B = 1) p_b0 = 1-prior_prob # p(B = 0) p_a1_b0 = false_alarm # p(A = 1|B = 0) p_a1 = p..

1. 점찍기 x,y점들을 matplot라이브러리를 이용하여 점찍기 # [점그리기] import matplotlib.pyplot as plt import numpy as np # 1. x,y값 X = [8.70153760, 3.90825773, 1.89362433, 3.28730045, 7.39333004, 2.98984649, 2.25757240, 9.84450732, 9.94589513, 5.48321616] Y = [5.64413093, 3.75876583, 3.87233310, 4.40990425, 6.43845020, 4.02827829, 2.26105955, 7.15768995, 6.29097441, 5.19692852] plt.scatter(X, Y) # (x, y) 점그리기 plt.show(..

1. 깃 시작 (init) cmd창에서 프로젝트 디렉토리로 이동후 git에게 현재 디랙토리에서 힛 작업을 할 것이라고 알림. git init git init을 하면 .git파일이 생성됨 .git 파일 속에는 버전에 대한 정보가 저장되어 있음. 2. git이 버전을 추적할 파일 추가 (add) git add를 통해 수정한 파일을 커밋 대기상태로 만든다. 이를 "스테이지 상태에 있다"고 한다. 이후 commit을 수행하면 스테이지 상태에 있는 파일들이 커밋 되는것이다. git add {파일이름} (해당 디렉토리의 모든 파일을 추가하고 싶으면 git add .) (example) 1. git status 를 통해서 현재 어떤 파일들이 git이 추적하고 있는지를 확인할 수 있다. 2. f1.txt파일을 git ..