[Linux]부트캠프 - 파일 및 폴더 생성
파일 및 폴더 생성
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
# pandas 모듈 import
# 대부분의 코드에서 pandas를 pd 라는 별칭으로 사용
import pandas as pd
import numpy as np
pd.__version__
'1.1.3'
출처 : https://www.kdnuggets.com/2017/01/pandas-cheat-sheet.html
* seq_data : 리스트, 딕셔너리, 튜플 타입 데이터
: index는 기본적으로 0부터 자동적으로 생성
# pd.Series
s = pd.Series([1,2,3])
s
0 1
1 2
2 3
dtype: int64
# 정수값을 갖은 리스트로 시리즈 생성
s1 = pd.Series(np.arange(10,60,10))
s1
0 10
1 20
2 30
3 40
4 50
dtype: int32
# 문자열을 갖은 리스트로 시리즈 생성
s2 = pd.Series(['A', 'B', 'C'])
s2
0 A
1 B
2 C
dtype: object
# 문자열을 갖은 리스트로 시리즈 생성2
s2 = pd.Series('A B C'.split()) # 스플릿 사용
s2
0 A
1 B
2 C
dtype: object
# range()를 이용하여 정수범위 자료를 시리즈로 생성
s3 = pd.Series(range(10, 14))
s3
0 10
1 11
2 12
3 13
dtype: int64
# arange()를 이용하여 정수범위 자료를 시리즈로 생성
s4 = pd.Series(np.arange(5))
s4
0 0
1 1
2 2
3 3
4 4
dtype: int32
### pandas와 numpy 패키지는 import 해서 사용
# import numpy as np
s = pd.Series([1,2,3,np.nan,6,8])
s
# 인덱스 : 0부터 시작하는 정수값
0 1.0
1 2.0
2 3.0
3 NaN
4 6.0
5 8.0
dtype: float64
# 숫자 인덱스 지정
s1 = pd.Series([10,20,30], index=[1,2,3])
s1
1 10
2 20
3 30
dtype: int64
# 문자 인덱스 지정
s2 = pd.Series([95,100,88], index=['홍길동','이몽룡','성춘향'])
s2
홍길동 95
이몽룡 100
성춘향 88
dtype: int64
# 시리즈.index
s1.index
Int64Index([1, 2, 3], dtype='int64')
s2.index
Index(['홍길동', '이몽룡', '성춘향'], dtype='object')
s = pd.Series([9904312, 3448737, 289045, 2466052],
index = ['서울', '부산', '인천', '대구'])
s.index
# dtype = 'object' : datatype = '문자열객체'
Index(['서울', '부산', '인천', '대구'], dtype='object')
print(s.index.name)
s # None
None
서울 9904312
부산 3448737
인천 289045
대구 2466052
dtype: int64
s.index.name = '도시'
s # 도시라는 index 제목이 생김
도시
서울 9904312
부산 3448737
인천 289045
대구 2466052
dtype: int64
# 시리즈 값
s.values
array([9904312, 3448737, 289045, 2466052], dtype=int64)
# 시리즈의 name 속성 출력
print(s.name)
None
# 시리즈 name 속셩 변경
s.name = '인구수'
s # Name에 인구수가 생김
도시
서울 9904312
부산 3448737
인천 289045
대구 2466052
Name: 인구수, dtype: int64
원소접근
# 정수형 인덱스 접근
print(s.index)
s[0]
Index(['서울', '부산', '인천', '대구'], dtype='object', name='도시')
9904312
# 문자형 인덱스 접근
s['서울']
9904312
# 한 줄에 위치 인덱스와 문자 인덱스를 동시에 접근
s[2], s['인천']
(289045, 289045)
# 여러 개 접근
s[[1,2]]
도시
부산 3448737
인천 289045
Name: 인구수, dtype: int64
s[['서울','대구']]
도시
서울 9904312
대구 2466052
Name: 인구수, dtype: int64
# 인덱스를 문자값으로 지정한 시리즈
s.서울
9904312
# s1의 인덱스가 a,b,c
s1 = pd.Series(range(3), index=['a','b','c'])
s1
a 0
b 1
c 2
dtype: int64
s1.a, s1.b, s1.c # 각 인덱스에 해당하는 value들이 나온다.
(0, 1, 2)
# 값 2개 추출 - [1,2]
s[1:3]
도시
부산 3448737
인천 289045
Name: 인구수, dtype: int64
# 문자 인덱스를 이용한 슬라이싱
# 2~4번째 값 (3개값)
s['부산':'대구']
도시
부산 3448737
인천 289045
대구 2466052
Name: 인구수, dtype: int64
s
도시
서울 9904312
부산 3448737
인천 289045
대구 2466052
Name: 인구수, dtype: int64
# '서울' 데이터 변경
s.서울 = 10000000
# s['서울'] = 10000000
# s[0] = 10000000
s
도시
서울 10000000
부산 3448737
인천 289045
대구 2466052
Name: 인구수, dtype: int64
s1 = pd.Series(np.arange(4), s.index)
# value를 새로 적고 s의 인덱스를 불러옴
s1
도시
서울 0
부산 1
인천 2
대구 3
dtype: int32
# 시리즈와 스칼라의 합
pd.Series([1,2,3]) + 4
0 5
1 6
2 7
dtype: int64
# s시리즈의 값을 1/1000000로 변경
s/1000000
# s 시리즈의 모든 value에 대하여 각각 연산을 진행
# 실수형으로 반환
도시
서울 10.000000
부산 3.448737
인천 0.289045
대구 2.466052
Name: 인구수, dtype: float64
다중조건의 경우, &(and), | (or)를 사용하여 연결 가능 |
# 벡터화 인덱싱
# s 시리즈 값 중 2500000 보다 크고 5000000 보다 작은 원소를 추출
# 각 원소의 값 모두 각각 조건식을 확인 하여 결과가 True인 원소만 추출
s[(s > 2500000) & (s < 5000000)] # 반드시 ()해야함
# (s > 25e05) & (s < 50e05) : 데이터의 수가 너무 큰경우 이렇게 줄일 수 있다.
도시
부산 3448737
Name: 인구수, dtype: int64
s0 = pd.Series(np.arange(10), np.arange(10)+1)
s0
1 0
2 1
3 2
4 3
5 4
6 5
7 6
8 7
9 8
10 9
dtype: int32
# 5보다 큰가?
s0 > 5
1 False
2 False
3 False
4 False
5 False
6 False
7 True
8 True
9 True
10 True
dtype: bool
# 5보다 큰 요소 추출
s0[s0>5]
7 6
8 7
9 8
10 9
dtype: int32
# 짝수 추출
s0[(s0 % 2 == 0) & (s0 != 0)]
3 2
5 4
7 6
9 8
dtype: int32
s0
1 0
2 1
3 2
4 3
5 4
6 5
7 6
8 7
9 8
10 9
dtype: int32
# 인덱스가 5보다 큰가?
s0.index > 5
array([False, False, False, False, False, True, True, True, True,
True])
# 인덱스가 5이상인 요소 추출
s0[s0.index>=5]
5 4
6 5
7 6
8 7
9 8
10 9
dtype: int32
# 값이 5보다 크고 8보다 작은 요소 추출
s0[(s0 > 5) & (s0 < 8)]
7 6
8 7
dtype: int32
# 값이 7이상인 수들의 합
s0[s0 >= 7].sum()
24
# 값이 7 이상인 값들의 개수(True값들의 개수)
(s0 >= 7).sum()
3
num_s1 = pd.Series([1,2,3,4], index=['a','b','c','d'])
num_s1
a 1
b 2
c 3
d 4
dtype: int64
num_s2 = pd.Series([5,6,7,8], index=['b','c','d','a'])
num_s2
b 5
c 6
d 7
a 8
dtype: int64
동일한 인덱스는 연산을 진행하고 나머지 인덱스는 연산처리가 불가해 NaN값 처리
# 두 시리즈에 대한 + 연산
num_s1 + num_s2
a 9
b 7
c 9
d 11
dtype: int64
num_s3 = pd.Series([5,6,7,8], index=['e','b','f','g'])
num_s4 = pd.Series([1,2,3,4], index=['a','b','c','d'])
# 두 시리즈의 + 연산
num_s3 + num_s4 # 겹치는 인덱스인 b만 + 연산이 된 것을 확인
a NaN
b 8.0
c NaN
d NaN
e NaN
f NaN
g NaN
dtype: float64
# 두 시리즈의 -연산
num_s3 - num_s4
a NaN
b 4.0
c NaN
d NaN
e NaN
f NaN
g NaN
dtype: float64
# 두 시리즈 values 들 간의 - 연산
num_s3.values - num_s4.values
array([4, 4, 4, 4], dtype=int64)
s
도시
서울 10000000
부산 3448737
인천 289045
대구 2466052
Name: 인구수, dtype: int64
# 인덱스가 서울인 원소가 시리즈에 있는지
'서울' in s
True
# 인덱스가 대전인 원소가 시리즈에 있는지
'대전' in s
False
# 인덱스가 대전인 원소가 시리즈에 없는지
'대전' not in s
True
# 딕셔너리의 items()과 같은 함수가 시리즈에도 있음
s.items() # zip 객체
<zip at 0x23007690f00>
# list로 변환 후 확인
list(s.items())
[('서울', 10000000), ('부산', 3448737), ('인천', 289045), ('대구', 2466052)]
# 시리즈 각 원소 출력
for k, v in s.items():
print(f'{k}={v}')
서울=10000000
부산=3448737
인천=289045
대구=2466052
scores = {'홍길동':96, '이몽룡':100, '성춘향':88}
s = pd.Series(scores)
s
홍길동 96
이몽룡 100
성춘향 88
dtype: int64
city = {'서울':9631482, '부산':3393191, '인천':2632035, '대전':1490158}
s = pd.Series(city)
s
서울 9631482
부산 3393191
인천 2632035
대전 1490158
dtype: int64
# 딕셔너리 기반으로 생성한 시리즈 인덱스 설정
s = pd.Series(city, index = ['부산','인천','서울','대전'])
s
부산 3393191
인천 2632035
서울 9631482
대전 1490158
dtype: int64
s
부산 3393191
인천 2632035
서울 9631482
대전 1490158
dtype: int64
# s2 시리즈의 부산 인구 값을 1630000으로 변경
s.부산 = 1630000
s
부산 1630000
인천 2632035
서울 9631482
대전 1490158
dtype: int64
# 데이터를 삭제할 때도 딕셔너리처럼 del 명령을 사용
del s['부산']
s
인천 2632035
서울 9631482
대전 1490158
dtype: int64
# 시리즈에 새로운 값 추가
s['대구'] = 1875000
s
인천 2632035
서울 9631482
대전 1490158
대구 1875000
dtype: int64
s1 = pd.Series([1, 1, 2, 1, 2, 2, 2, 1, 1, 3, 3, 4, 5, 5, 7, np.NaN])
s1
0 1.0
1 1.0
2 2.0
3 1.0
4 2.0
5 2.0
6 2.0
7 1.0
8 1.0
9 3.0
10 3.0
11 4.0
12 5.0
13 5.0
14 7.0
15 NaN
dtype: float64
s1.size
16
len(s1)
16
s1.shape
# 결과가 튜플형태로 (차원, )
(16,)
s1.unique()
array([ 1., 2., 3., 4., 5., 7., nan])
s1.count()
15
s1.mean()
2.6666666666666665
# numpy의 1차원 데이터 생성하고 평균을 계산
a = np.array([2, 2, 2, 2, np.NaN])
a.mean() # 결측치를 포함해버림
nan
# 시리즈의 경우 평균은 NaN을 제외하고 계산
b = pd.Series(a) # numpy array 데이터를 시리즈로 변경
b.mean() # NaN 빼고 계산
2.0
# 각 원소들 그룹핑하여 개수를 셈(빈도계산)
s1.value_counts()
1.0 5
2.0 4
5.0 2
3.0 2
7.0 1
4.0 1
dtype: int64
# 날짜 인덱스를 이용하여 시리즈 만들기
# 날자 표시 : '년-월-일' 형태의 문자열로 표시
index_date = ['2021-10-07', '2021-10-08', '2021-10-09', '2021-10-10']
s = pd.Series([200,195, np.nan, 205], index=index_date )
s
2021-10-07 200.0
2021-10-08 195.0
2021-10-09 NaN
2021-10-10 205.0
dtype: float64
type(s.index[0]) # 문자열 형태
str
freq 옵션
# dtype = 'datetime64[ns] 데이트 타입 형태로 생성
date = pd.date_range(start='2021-10-01', end='2021-10-20')
date
# default로 D(일) 기준으로 생성된다.(freq='D')
DatetimeIndex(['2021-10-01', '2021-10-02', '2021-10-03', '2021-10-04',
'2021-10-05', '2021-10-06', '2021-10-07', '2021-10-08',
'2021-10-09', '2021-10-10', '2021-10-11', '2021-10-12',
'2021-10-13', '2021-10-14', '2021-10-15', '2021-10-16',
'2021-10-17', '2021-10-18', '2021-10-19', '2021-10-20'],
dtype='datetime64[ns]', freq='D')
type(date)
pandas.core.indexes.datetimes.DatetimeIndex
# 하루 주기로 '2022-01-07'에서 '2022-01-31' 사이의 일자 생성
pd.date_range(start='2022-01-07', end='2022-01-31', freq='D')
DatetimeIndex(['2022-01-07', '2022-01-08', '2022-01-09', '2022-01-10',
'2022-01-11', '2022-01-12', '2022-01-13', '2022-01-14',
'2022-01-15', '2022-01-16', '2022-01-17', '2022-01-18',
'2022-01-19', '2022-01-20', '2022-01-21', '2022-01-22',
'2022-01-23', '2022-01-24', '2022-01-25', '2022-01-26',
'2022-01-27', '2022-01-28', '2022-01-29', '2022-01-30',
'2022-01-31'],
dtype='datetime64[ns]', freq='D')
# '2022-01-07'에서 '2022-01-31' 사이의 3일 간격의 일자 생성
pd.date_range(start='2022-01-07', end='2022-01-31', freq='3D')
DatetimeIndex(['2022-01-07', '2022-01-10', '2022-01-13', '2022-01-16',
'2022-01-19', '2022-01-22', '2022-01-25', '2022-01-28',
'2022-01-31'],
dtype='datetime64[ns]', freq='3D')
# 2022-01-07을 기준으로 1주일씩 증가하는 4개의 1주 시작일(일요일)
# '2022-01-07'은 금요일
pd.date_range(start='2022-01-07', periods=4, freq='W')
DatetimeIndex(['2022-01-09', '2022-01-16', '2022-01-23', '2022-01-30'], dtype='datetime64[ns]', freq='W-SUN')
# 2022-01-07을 기준으로 1주일씩 증가하는 4개의 1주 시작일(일요일)
# '2022-01-07'은 금요일
pd.date_range(start='2022-01-07', periods=4, freq='W-SUN')
DatetimeIndex(['2022-01-09', '2022-01-16', '2022-01-23', '2022-01-30'], dtype='datetime64[ns]', freq='W-SUN')
# 2022-01-07을 기준으로 1주일씩 증가하는 4개의 1주 시작일(월요일)
# '2022-01-07'은 금요일
pd.date_range(start='2022-01-07', periods = 4, freq='W-MON')
# periods 로 월요일 4개 생성
DatetimeIndex(['2022-01-10', '2022-01-17', '2022-01-24', '2022-01-31'], dtype='datetime64[ns]', freq='W-MON')
# 2022-01-07을 기준으로 1주일씩 증가하는 4개의 1주 시작일(금요일)
# '2022-01-07'은 금요일
pd.date_range(start='2022-01-07', periods=4, freq='W-FRI')
DatetimeIndex(['2022-01-07', '2022-01-14', '2022-01-21', '2022-01-28'], dtype='datetime64[ns]', freq='W-FRI')
# 2022-01-07 기준으로 한 달 간격의 일자 4개 생성 : 월말 기준
pd.date_range(start='2022-01-07', periods = 4, freq='M')
DatetimeIndex(['2022-01-31', '2022-02-28', '2022-03-31', '2022-04-30'], dtype='datetime64[ns]', freq='M')
# 2022-01-07 기준으로 한 달 간격의 일자 4개 생성 : 월초 기준
pd.date_range(start='2022-01-07', periods = 4, freq='MS')
DatetimeIndex(['2022-02-01', '2022-03-01', '2022-04-01', '2022-05-01'], dtype='datetime64[ns]', freq='MS')
# 2022-01-07 기준으로 한 달 간격의 일자 4개 생성 : 업무 월말 기준
pd.date_range(start='2022-01-07', periods = 4, freq='BM')
DatetimeIndex(['2022-01-31', '2022-02-28', '2022-03-31', '2022-04-29'], dtype='datetime64[ns]', freq='BM')
# 2022-01-07 기준으로 세 달 간격의 일자 4개 생성 : 월말 기준
pd.date_range(start='2022-01-07', periods = 4, freq='3M')
DatetimeIndex(['2022-01-31', '2022-04-30', '2022-07-31', '2022-10-31'], dtype='datetime64[ns]', freq='3M')
# 2개월 월초주기로 12개의 월말 날짜 생성
pd.date_range(start='2022-01-07', periods = 12, freq='2MS')
DatetimeIndex(['2022-02-01', '2022-04-01', '2022-06-01', '2022-08-01',
'2022-10-01', '2022-12-01', '2023-02-01', '2023-04-01',
'2023-06-01', '2023-08-01', '2023-10-01', '2023-12-01'],
dtype='datetime64[ns]', freq='2MS')
# 2022-01-07 기준으로 분기 간격의 일자 4개 생성 : 분기 끝 날짜 기준
pd.date_range(start='2022-01-07', periods = 4, freq='Q')
DatetimeIndex(['2022-03-31', '2022-06-30', '2022-09-30', '2022-12-31'], dtype='datetime64[ns]', freq='Q-DEC')
# 2022-01-07 기준으로 업무 분기 간격의 일자 4개 생성 : 업무 분기 끝 날짜 기준
pd.date_range(start='2022-01-07', periods = 4, freq='BQ')
DatetimeIndex(['2022-03-31', '2022-06-30', '2022-09-30', '2022-12-30'], dtype='datetime64[ns]', freq='BQ-DEC')
# 2022-01-07 기준으로 분기 간격의 일자 4개 생성 : 분기 시작 날짜 기준
pd.date_range(start='2022-01-07', periods = 4, freq='QS')
DatetimeIndex(['2022-04-01', '2022-07-01', '2022-10-01', '2023-01-01'], dtype='datetime64[ns]', freq='QS-JAN')
# 2022-01-07일 이후 부터 일년 끝 날짜기준으로 4개의 날짜 생성
pd.date_range(start='2022-01-07', periods=4, freq='A')
DatetimeIndex(['2022-12-31', '2023-12-31', '2024-12-31', '2025-12-31'], dtype='datetime64[ns]', freq='A-DEC')
# 2022-01-07일 이후 부터 업무 일년 끝 날짜기준으로 4개의 날짜 생성
pd.date_range(start='2022-01-07', periods=4, freq='BA')
DatetimeIndex(['2022-12-30', '2023-12-29', '2024-12-31', '2025-12-31'], dtype='datetime64[ns]', freq='BA-DEC')
# 2022-01-07일 이후 부터 연초 기준으로 4개의 날짜 생성
pd.date_range(start='2022-01-07', periods=4, freq='AS')
DatetimeIndex(['2021-01-01', '2022-01-01', '2023-01-01', '2024-01-01'], dtype='datetime64[ns]', freq='AS-JAN')
# 2022-01-07일 08:00 부터 시간 기준으로 10개의 날짜 생성
pd.date_range(start='2022-01-07 08:00', periods=10, freq='H')
DatetimeIndex(['2022-01-07 08:00:00', '2022-01-07 09:00:00',
'2022-01-07 10:00:00', '2022-01-07 11:00:00',
'2022-01-07 12:00:00', '2022-01-07 13:00:00',
'2022-01-07 14:00:00', '2022-01-07 15:00:00',
'2022-01-07 16:00:00', '2022-01-07 17:00:00'],
dtype='datetime64[ns]', freq='H')
# 2022-01-07일 08:00 부터 업무시간 기준으로 10개의 날짜 생성
# 업무시간기준 9 to 5로 설정되어 있음
pd.date_range(start='2022-01-07 08:00', periods=10, freq='BH')
DatetimeIndex(['2022-01-07 09:00:00', '2022-01-07 10:00:00',
'2022-01-07 11:00:00', '2022-01-07 12:00:00',
'2022-01-07 13:00:00', '2022-01-07 14:00:00',
'2022-01-07 15:00:00', '2022-01-07 16:00:00',
'2022-01-10 09:00:00', '2022-01-10 10:00:00'],
dtype='datetime64[ns]', freq='BH')
# 30분 단위 : 30T로 해도 됨
pd.date_range(start='2022-01-07 08:00', periods=10, freq='30min')
DatetimeIndex(['2022-01-07 08:00:00', '2022-01-07 08:30:00',
'2022-01-07 09:00:00', '2022-01-07 09:30:00',
'2022-01-07 10:00:00', '2022-01-07 10:30:00',
'2022-01-07 11:00:00', '2022-01-07 11:30:00',
'2022-01-07 12:00:00', '2022-01-07 12:30:00'],
dtype='datetime64[ns]', freq='30T')
# 10초 단위로 증가
pd.date_range(start='2022-01-07 08:00', periods=10, freq='10S')
DatetimeIndex(['2022-01-07 08:00:00', '2022-01-07 08:00:10',
'2022-01-07 08:00:20', '2022-01-07 08:00:30',
'2022-01-07 08:00:40', '2022-01-07 08:00:50',
'2022-01-07 08:01:00', '2022-01-07 08:01:10',
'2022-01-07 08:01:20', '2022-01-07 08:01:30'],
dtype='datetime64[ns]', freq='10S')
파일 및 폴더 생성
파일 시스템 탐색
도움말(man -> manual)
명령어 기초
유닉스(Unix)
특정 코드 지연 실행 - DispatchQueue.main.asyncAfter(deadline: )
Naming Conventions
안드로이드 폰과 맥북에어 M1 USB 테더링 성공
Simulator 풀 스크린 사용 방법
10807번 - 개수 세기
프로그래머스 Lv.1 풀이 코드 모음
프로그래머스 Lv.1 풀이 코드 모음
11047번 - 동전 0
11659번 - 구간 합 구하기 4
14888번 - 연산자 끼워넣기
9184번 - 신나는 함수 실행
24416번 - 알고리즘 수업 - 피보나치 수 1
2580번 - 스도쿠
9663번 - N-Queen
15652번 - N과 M (4)
15651번 - N과 M (3)
15650번 - N과 M (2)
25305번 - 커트라인
25304번 - 영수증
3003번 - 킹, 퀸, 룩, 비숍, 나이트, 폰
15649번 - N과 M (1)
2004번 - 조합 0의 개수
1676번 - 팩토리얼 0의 개수
9375번 - 패션왕 신해빈
1010번 - 다리 놓기
11051번 - 이항 계수 2
11050번 - 이항 계수 1
3036번 - 링
2981번 - 검문
1934번 - 최소공배수
2609번 - 최대공약수와 최소공배수
1037번 - 약수
5086번 - 배수와 약수
1358번 - 하키
1004번 - 어린 왕자
1002번 - 터렛
3053번 - 택시 기하학
2477번 - 참외밭
4153번 - 직각삼각형
3009번 - 네 번째 점
1085번 - 직사각형에서 탈출
11478번 - 서로 다른 부분 문자열의 개수
1269번 - 대칭 차집합
1764번 - 듣보잡
10816번 - 숫자 카드 2
1620번 - 나는야 포켓몬 마스터 이다솜
14425번 - 문자열 집합
10815번 - 숫자 카드
18870번 - 좌표 압축
10814번 - 나이순 정렬
1181번 - 단어 정렬
11651번 - 좌표 정렬하기 2
11650번 - 좌표 정렬하기
1427번 - 소트인사이드
2108번 - 통계학
10989번 - 수 정렬하기 3
2751번 - 수 정렬하기 2
2750번 - 수 정렬하기
22.06.25 ~ 27 부산 먹부림 기록
1436번 - 영화감독 숌
1018번 - 체스판 다시 칠하기
7568번 - 덩치
2231번 - 분해합
2798번 - 블랙잭
11729번 - 하노이 탑 이동 순서
2447번 - 별 찍기 - 10
17478번 - 재귀함수가 뭔가요?
10870번 - 피보나치 수 5
10872번 - 팩토리얼
9020번 - 골드바흐의 추측
4948번 - 베르트랑 공준
1929번 - 소수 구하기
11653번 - 소인수분해
2581번 - 소수
1978번 - 소수 찾기
10757번 - 큰 수 A+B
2839번 - 설탕 배달
2775번 - 부녀회장이 될테야
10250번 - ACM 호텔
2869번 - 달팽이는 올라가고 싶다
1193번 - 분수찾기
2292번 - 벌집
1712번 - 손익분기점
1316번 - 그룹 단어 체커
2941번 - 크로아티아 알파벳
5622번 - 다이얼
2908번 - 상수
1152번 - 단어의 개수
1157번 - 단어 공부
2675번 - 문자열 반복
10809번 - 알파벳 찾기
11720번 - 숫자의 합
11654번 - 아스키 코드
1065번 - 한수
4673번 - 셀프 넘버
15596번 - 정수 N개의 합
4344번 - 평균은 넘겠지
8958번 - OX퀴즈
25083번 - 새싹
Spark Bigdata Pipeline
Spark 3일차
Spark 2일차
1546번 - 평균
Spark 1일차
Hadoop🐘
3052번 - 나머지
2577번 - 숫자의 개수
2562번 - 최댓값
10818번 - 최소, 최대
Linux
MongoDB 조회 문제
MongoDB
1110번 - 더하기 사이클
10951번 - A+B - 4
Oracle 3️⃣
ORACLE 연습용 문제 만들기 숙제
10952번 - A+B - 5
Oracle 2️⃣
2480번 - 주사위 세개
Oracle Day1️⃣
Tensorflow
Big Data
2525번 - 오븐 시계
10871번 - X보다 작은 수
2439번 - 별 찍기 - 2
2438번 - 별 찍기 - 1
11022번 - A+B - 8
11021번 - A+B - 7
2742번 - 기찍 N
2741번 - N 찍기
15552번 - 빠른 A+B
8393번 - 합
10950번 - A+B - 3
9️⃣ 2739번 - 구구단
2884번 - 알람 시계
14681번 - 사분면 고르기
⛏크롤링(Crawling)
2753번 - 윤년
Django 복습 4️⃣
Django 복습 3️⃣
💯 9498번 - 시험 성적
1330번 - 두 수 비교하기
✖ 2588번 - 곱셈
➗ 10430번 - 나머지
Django 복습 2️⃣
Django 복습 1
MySQL 복습!
⁉10926번 - ??!
🆎1008번 - A/B
👩🦲 18108번 - 1998년생인 내가 태국에서는 2541년생?!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🎈✨경 축✨🎈
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
선형 자료구조(1일차에 이어서)
🆎10998번 - A×B
🆎1001번 - A-B
🆎1000번 - A+B
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🐶10172번 - 개
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
🐱10171번 - 고양이
[해당 포스트는 유튜버 나동빈님의 영상을 참고했습니다.]
❤10718번 - We love kriii
🖐2557번 - Hello World
Today I Learned(TIL)📌 (2021.12.31)
Today I Learned(TIL)📌 (2021.12.30)
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
[noitce!!] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!