def factorial(n: int) -> int: if n==0: return 1 elif n > 0: return n * factorial(n-1) n = int(input('정수 입력: ')) factorial(n) 팩토리얼 문제. 수강생분이 짜주신거다. factorial 함수를 만들어서 n이 0이 되면 return은 1로 하고, 그렇지 않을 경우에는 n * n-1을 계속 하는 방식이다. 자기 자신을 계속 호출하면서 가져온 파라미터는 1씩 작아지는 것인데, 최종적으로는 밑에 return n* factorial(n-1)이 최종적으로 return 되는 값이 되는 것이고 그 때 까지는 이 메서드가 계속 연산이 진행되며 반환되는 것이다. 이렇게 하면 마지막은 1을 곱한것이니까 사실상 값은 안바뀌고 마무리..

예전에 배웠던 것들인데 가물가물~ 복습하는 느낌으로 간다. attribute : 클래스의 기본 속성. method : 어떤 행동 같은 것. 어떤 인스턴스를 통해 생성되는 것은 인스턴스 메소드. class Car: def drive(self): print('Driving Start!') #instance 생성 mycar = Car() #instance method mycar.drive() 우리가 흔히 쓰는 a = 123123 이런 것도 클래스를 사용한 것이다. a라는 인스턴스를 선언한 것이니까. print(isinstance(mycar, Car)) isinstance를 하면 mycar라는 오브젝트가 해당 클래스의 인스턴스인지를 True 혹은 False로 구분되어 나온다. 오늘 배운 __init__ 이거는 ..

https://www.kaggle.com/code/ekrembayar/store-sales-ts-forecasting-a-comprehensive-guide Store Sales TS Forecasting - A Comprehensive Guide Explore and run machine learning code with Kaggle Notebooks | Using data from Store Sales - Time Series Forecasting www.kaggle.com 이분 것 이어서 한다. 이분은 각 매장별 피벗 테이블을 만들었다. 살펴보면 거의 비슷한 가게라고 볼 수 있는데, 52번은 특히 뭔가 전문점? 같은 가게로 보여지고 20,21,22,35,42번 매장은 다른 매장들과 상관관계가 덜하다..

계속한다. https://www.kaggle.com/code/ekrembayar/store-sales-ts-forecasting-a-comprehensive-guide Store Sales TS Forecasting - A Comprehensive Guide Explore and run machine learning code with Kaggle Notebooks | Using data from Store Sales - Time Series Forecasting www.kaggle.com 이분 것 참고. 이거를 짜고 있는데 Oil 데이터에 NaN 값이 많기 때문이다. 이것을 interpolated로 처리했다. 근데 이분은 아래와 같은 방법으로 먼저 resample을 했다. oil_df.set_index(..

fdr.StockListing? 이렇게 메서드에 ?를 치면 인자값 같은 것이 나온다. https://jhy156456.tistory.com/entry/python-shift-pctchange-diff-rolling-resample [python] shift() , pct_change(), diff(), rolling(), resample() [python] shift() , pct_change(), diff(), rolling(), resample() shift() 인덱스에 연결된 데이터를 일정 간격으로 이동시키는 함수. default => period = 1, axis=0(row) axis=1을 하면 데이터가 오른쪽으로 이동하게 된다. mmm jhy156456.tistory.com 여러가지 계산법들이 ..

LogisticRegression(solver='liblinear') 이건 뭔지 모르겠는데..? from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) stratify를 쓰면 학습데이터와 트레이닝, 테스트의 분포가 원래 데이터와 동일하도록 학습시키는 것. 뭔가 치우친 데이터에 적용할 때 특히 유용하다. 임의로 20% 뽑았을 때 잘 안나올 수도 있으니까 이것을 사용한다. 과적합 : 트레이닝 데이터가 테스트에 비해 학습이 잘되긴 하는데, 새로운 값이 들어오면 잘 안맞는 경우가 있음. 앙상블..