Python 소개, 제 2판

12장. 데이터 래글링 및 혼합

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

데이터를 충분히 고문하면 자연은 언제나 자백을 합니다.

로널드 코즈

지금까지는 데이터 유형, 코드 구조, 구문 등 Python 언어 자체에 대해 주로 이야기했습니다. 이 책의 나머지 부분에서는 이를 실제 문제에 적용하는 방법에 대해 설명합니다.

이 장에서는 데이터를 길들이기 위한 많은 실용적인 기술을 배우게 됩니다. 이를 데이터 뭉징이라고도 하고, 데이터베이스 세계에서 더 비즈니스에 가까운 ETL(추출/변환/로드)이라고도 합니다. 프로그래밍 책에서는 일반적으로 이 주제를 명시적으로 다루지 않지만, 프로그래머는 데이터를 목적에 맞는 모양으로 만들기 위해 많은 시간을 할애합니다.

데이터 과학 이라는 전문 분야는 지난 몇 년 동안 큰 인기를 끌었습니다. 하버드 비즈니스 리뷰의 한 기사에서는 데이터 과학자를 '21세기의 가장 섹시한 직업'이라고 불렀습니다. 수요가 많고 보수가 높다는 의미라면 좋지만, 그만큼 힘든 일도 많습니다. 데이터 과학은 데이터베이스의 ETL 요구 사항을 넘어서서 사람의 눈으로 볼 수 없었던 인사이트를 발굴하는 기계 학습을 포함하는 경우가 많기 때문이기도 합니다.

기본적인 데이터 형식부터 시작해서 데이터 과학에 가장 유용한 새로운 도구까지 살펴보겠습니다.

데이터 형식은 크게텍스트와 바이너리의 두 가지 범주로 나뉩니다. 텍스트 데이터에는 Python 문자열이 사용되며, 이 장에서는 지금까지 건너뛴 문자열 정보를 포함합니다:

• 유니코드 문자

• 정규식 패턴 일치.

그런 다음 바이너리 데이터와 Python의 기본 제공 유형 두 가지로 이동합니다:

• 불변 8비트 값의바이트

• 가변바이트열을 위한바이트열

텍스트 문자열: 유니코드

5장에서 Python 문자열의 기초를 살펴봤습니다. 이제 유니코드에 대해 자세히 알아볼 차례입니다.

Python 3 문자열은 바이트 배열이 아닌 유니코드 문자 시퀀스입니다. 이는 Python 2에서 가장 큰 언어 변경 사항입니다.

지금까지 이 책의 모든 텍스트 예제는 평범한 오래된 ASCII(미국 표준 정보 교환 코드)를 사용했습니다. ASCII는 숭어가 지구를 돌아다니기 전인 1960년대에 정의되었습니다. 당시 컴퓨터는 냉장고 크기였고 약간만 더 똑똑해졌을 뿐이었습니다.

컴퓨터 저장의 기본 단위는 바이트이며, 8비트에 256개의 고유 값을 저장할 수 있습니다. 여러 가지 이유로 ASCII는 대문자 26개, 소문자 26개, 숫자 10자리, 구두점 기호, 공백 문자, 비출력 제어 코드 등 7비트(고유 값 128개)만 사용했습니다.

안타깝게도 세상에는 ASCII가 제공하는 것보다 더 많은 문자가 있습니다. 식당에서 핫도그를 먹을 수는 있어도 카페에서 게뷔르츠트라미너(¹ 카페에서 핫도그를 먹을 수는 없습니다. 8비트에 더 많은 문자와 기호를 넣으려는 많은 시도가 있었고, 가끔 그런 시도를 볼 수 있습니다. 그 중 몇 가지를 소개합니다: ...