char와 varchar 차이 : char : 고정길이 데이터형. 실제 문자열 길이에 상관없이 n byte의 저장 공간을 사용한다. char(10)이면 그 안에 문자가 2가 채워지든 10으로 채워지든 무조건 10에 해당 하는 byte가 저장이 되는 것이다. 짧은 경우에는 공백으로 채워짐. varchar : 가변길이 데이터형. DML(Data Manipulation Language) : Manipulation이 다루기, 조작이라는 뜻. 데이터 조작어. - SELECT, INSERT, UPDATE, DELETE가 있음. DDL(Data Definition Language) : 데이터 정의어. - CREATE, ALTER, DROP, RENAME, TRUNCATE. https://ko.wikipedia.org..

아니 좀 웃긴게 있는데.. GPT에 물어봐서 나오는 예제와 위키독스에서 쓰는 예제가 되게 비슷하다. 우연인가..? https://wikidocs.net/33841 e. 노드(Node) - 자료구조 기본 단위 ## 노드  관리… wikidocs.net 신기한 부분. 아무튼 오늘 제일 중요한 것은 Linked List라고 생각한다. 제일 앞은 Head, 뒤에는 Tail이라고 부른다. Head --> |data1|next|--->|data2|next|--->|data3|next|---> None 이렇게 되어있다. class Node: def __init__..

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..