[Linux]부트캠프 - 파일 및 폴더 생성
파일 및 폴더 생성
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
import numpy as np
import pandas as pd
# 2차원 리스틑로 데이터프레임 생성
df = pd.DataFrame([['a','b','c'],['a','a','g'],['a','a']])
df
0 | 1 | 2 | |
---|---|---|---|
0 | a | b | c |
1 | a | a | g |
2 | a | a | None |
자동으로 생성된 index와 column을 갖는 DataFrame 데이터
# 열방향 인덱스(문자) 행방향 인덱스(숫자)가 있는 데이터 프레임 생성
# 열 데이터를 dict 형태로 작성하는게 일반적
df1 = pd.DataFrame({'A':[90,80,70],
'B':[85,98,75],
'C':[88,99,77],
'D':[87,89,86]})
df1
A | B | C | D | |
---|---|---|---|---|
0 | 90 | 85 | 88 | 87 |
1 | 80 | 98 | 99 | 89 |
2 | 70 | 75 | 77 | 86 |
# 딕셔너리로 데이터 프레임 생성
data = {
"2015": [9904312, 3448737, 2890451, 2466052],
"2010": [9631482, 3393191, 2632035, 2000002],
"2005": [9762546, 3512547, 2517680, 2456016],
"2000": [9853972, 3655437, 2466338, 2473990],
"지역": ["수도권", "경상권", "수도권", "경상권"],
"2010-2015 증가율":[0.0283, 0.0163, 0.0982,0.0141]
}
# 열방향 인덱스 columns =
columns = ['지역','2015','2010','2005','2000','2010-2015 증가율']
# 행방향 인덱스 index =
index = ['서울','부산','인천','대구']
# DataFrame(데이터, index=, columns=)
df2 = pd.DataFrame(data, index = index, columns = columns)
df2
지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 | |
---|---|---|---|---|---|---|
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 0.0283 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 0.0163 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 0.0982 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.0141 |
a = pd.Series([100,200,300], ['a','b','d'])
b = pd.Series([101,201,301], ['a','b','k'])
c = pd.Series([110,210,310], ['a','b','c'])
pd.DataFrame([a,b,c], index = [100,101,102])
a | b | d | k | c | |
---|---|---|---|---|---|
100 | 100.0 | 200.0 | 300.0 | NaN | NaN |
101 | 101.0 | 201.0 | NaN | 301.0 | NaN |
102 | 110.0 | 210.0 | NaN | NaN | 310.0 |
# data 출처 : https://www.kaggle.com/hesh97/titanicdataset-traincsv/data
trainData = pd.read_csv('data/train.csv')
trainData.head() # head의 디폴트는 앞의 행 5개를 보여줌
PassengerId | Survived | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked | |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | NaN | S |
1 | 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Th... | female | 38.0 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
2 | 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26.0 | 0 | 0 | STON/O2. 3101282 | 7.9250 | NaN | S |
3 | 4 | 1 | 1 | Futrelle, Mrs. Jacques Heath (Lily May Peel) | female | 35.0 | 1 | 0 | 113803 | 53.1000 | C123 | S |
4 | 5 | 0 | 3 | Allen, Mr. William Henry | male | 35.0 | 0 | 0 | 373450 | 8.0500 | NaN | S |
read_csv() 함수 파라미터
trainData = pd.read_csv('data/train.csv',
index_col = 'PassengerId', # 인덱스로 사용하고 싶은 열을 설정ㅠ
usecols = ['PassengerId','Survived','Pclass','Name']) # 가져오고 싶은 열만 가져trainData
# 데이터프레임 열 인덱스
trainData.columns
Index(['Survived', 'Pclass', 'Name'], dtype='object')
df2
지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 | |
---|---|---|---|---|---|---|
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 0.0283 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 0.0163 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 0.0982 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.0141 |
# 열방향 인덱스 출력
df2.columns
Index(['지역', '2015', '2010', '2005', '2000', '2010-2015 증가율'], dtype='object')
# 행방향 인덱스 출력
df2.index
Index(['서울', '부산', '인천', '대구'], dtype='object')
행/열 인덱스 이름 지정
# 시리즈처럼 dataFrame에서도 각 방향 인덱스에 name 속성을 지정할 수있음
df2.index.name = '도시'
df2.columns.name = '특성'
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 0.0283 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 0.0163 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 0.0982 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.0141 |
데이터프레임의 값 접근 : values 속성
df2.values
# 반환 값은 array 형태
array([['수도권', 9904312, 9631482, 9762546, 9853972, 0.0283],
['경상권', 3448737, 3393191, 3512547, 3655437, 0.0163],
['수도권', 2890451, 2632035, 2517680, 2466338, 0.0982],
['경상권', 2466052, 2000002, 2456016, 2473990, 0.0141]], dtype=object)
info() 함수 : 데이터 타입, 각 아이템의 개수 등 출력
# DataFrame의 개요 출력
df2.info()
<class 'pandas.core.frame.DataFrame'>
Index: 4 entries, 서울 to 대구
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 지역 4 non-null object
1 2015 4 non-null int64
2 2010 4 non-null int64
3 2005 4 non-null int64
4 2000 4 non-null int64
5 2010-2015 증가율 4 non-null float64
dtypes: float64(1), int64(4), object(1)
memory usage: 224.0+ bytes
# DataFrame의 통계적 개요(기술통계) 출력 : 수치형 데이터에 대하여
df2.describe()
특성 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 |
---|---|---|---|---|---|
count | 4.000000e+00 | 4.000000e+00 | 4.000000e+00 | 4.000000e+00 | 4.000000 |
mean | 4.677388e+06 | 4.414178e+06 | 4.562197e+06 | 4.612434e+06 | 0.039225 |
std | 3.507776e+06 | 3.524531e+06 | 3.500545e+06 | 3.538749e+06 | 0.039809 |
min | 2.466052e+06 | 2.000002e+06 | 2.456016e+06 | 2.466338e+06 | 0.014100 |
25% | 2.784351e+06 | 2.474027e+06 | 2.502264e+06 | 2.472077e+06 | 0.015750 |
50% | 3.169594e+06 | 3.012613e+06 | 3.015114e+06 | 3.064714e+06 | 0.022300 |
75% | 5.062631e+06 | 4.952764e+06 | 5.075047e+06 | 5.205071e+06 | 0.045775 |
max | 9.904312e+06 | 9.631482e+06 | 9.762546e+06 | 9.853972e+06 | 0.098200 |
#(행,열)의 개수 출력
df2.shape
(4, 6)
pandas의 데이터 프레임은 전치를 포함해서 numpy 2차원 배열의 대부분 속성이나 메서드를 지원.
전치 : 행과 열을 바꾸는 기능
# df2 전치 : T 속성
dfT = df2.T
dfT
# 원본데이터를 변경하지 않는다.
도시 | 서울 | 부산 | 인천 | 대구 |
---|---|---|---|---|
특성 | ||||
지역 | 수도권 | 경상권 | 수도권 | 경상권 |
2015 | 9904312 | 3448737 | 2890451 | 2466052 |
2010 | 9631482 | 3393191 | 2632035 | 2000002 |
2005 | 9762546 | 3512547 | 2517680 | 2456016 |
2000 | 9853972 | 3655437 | 2466338 | 2473990 |
2010-2015 증가율 | 0.0283 | 0.0163 | 0.0982 | 0.0141 |
: 열 추가, 열 삭제, 내용 갱신
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 0.0283 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 0.0163 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 0.0982 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.0141 |
해당 열이 있으면 내용 갱신, 열이 없으면 추가
# 열 변경 : 증가율 퍼센트값으로 변경
df2['2010-2015 증가율']=df2['2010-2015 증가율']* 100
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 2.83 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 1.63 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 9.82 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 1.41 |
# 열 추가
df2['2005-2015 증가율'] = ((df2['2015']-df2['2005'])/df2['2005'] * 100).round(2)
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2010-2015 증가율 | 2005-2015 증가율 |
---|---|---|---|---|---|---|---|
도시 | |||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 2.83 | 1.45 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | 1.63 | -1.82 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 9.82 | 14.81 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 1.41 | 0.41 |
# 열삭제, del df[삭제열]
del df2['2010-2015 증가율']
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 1.45 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | -1.82 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 14.81 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.41 |
# 인덱스로 라벨값 1개 사용
df2['지역'] # 지역에 해당되는 값들 나옴
도시
서울 수도권
부산 경상권
인천 수도권
대구 경상권
Name: 지역, dtype: object
# 열 1개를 접근할 때는, 연산자 사용 가능 : df.컬럼명
df2.지역
도시
서울 수도권
부산 경상권
인천 수도권
대구 경상권
Name: 지역, dtype: object
# 지역 컬럼 데이터 유형 확인
type(df2['지역'])
pandas.core.series.Series
# 열을 추출할 때 df로 반환바독자 하면 []를 사용
# 리스트로 인덱싱 : df로 반환
df2[['지역']]
# []안에 [] 인덱싱 사용
# 데이터 프레임 형태로
특성 | 지역 |
---|---|
도시 | |
서울 | 수도권 |
부산 | 경상권 |
인천 | 수도권 |
대구 | 경상권 |
type(df2[['지역']])
pandas.core.frame.DataFrame
# 여러개 열을 추출
# []리스트 사용 : df으로 반환
df2[['2010','2015']]
특성 | 2010 | 2015 |
---|---|---|
도시 | ||
서울 | 9631482 | 9904312 |
부산 | 3393191 | 3448737 |
인천 | 2632035 | 2890451 |
대구 | 2000002 | 2466052 |
# 위치적으로 맨 처음 열을 반환받기 위해 위치 인덱스 사용
try :
df2[0] # keyerror 발생
except Exception as e :
print(type(e))
<class 'KeyError'>
# 예제 df3 생성
# numpy의 arange 함수를 이용해서 0~11범위의 정수 생성 후
# reshape 함수 이용해 3행 4열로 배치
df3 = pd.DataFrame(np.arange(12).reshape(3,4))
df3
0 | 1 | 2 | 3 | |
---|---|---|---|---|
0 | 0 | 1 | 2 | 3 |
1 | 4 | 5 | 6 | 7 |
2 | 8 | 9 | 10 | 11 |
# 컬럼명이 숫자로 되어 있는 df의 접근
df3[0]
0 0
1 4
2 8
Name: 0, dtype: int32
df3[[1,2]]
1 | 2 | |
---|---|---|
0 | 1 | 2 |
1 | 5 | 6 |
2 | 9 | 10 |
# 예제 데이터 프레임
df2
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 1.45 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | -1.82 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 14.81 |
대구 | 경상권 | 2466052 | 2000002 | 2456016 | 2473990 | 0.41 |
# 1행 추출 [:1] - 슬라이싱 사용
df2[:1]
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 1.45 |
# 1행 추출
df2[0:1]
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 1.45 |
# [시작값:끝값+1]
df2[1:3]
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | -1.82 |
인천 | 수도권 | 2890451 | 2632035 | 2517680 | 2466338 | 14.81 |
# 행 인덱스 '서울'부터 '부산'까지 추출
df2['서울':'부산']
특성 | 지역 | 2015 | 2010 | 2005 | 2000 | 2005-2015 증가율 |
---|---|---|---|---|---|---|
도시 | ||||||
서울 | 수도권 | 9904312 | 9631482 | 9762546 | 9853972 | 1.45 |
부산 | 경상권 | 3448737 | 3393191 | 3512547 | 3655437 | -1.82 |
df2['2015']['서울']
9904312
# 원소값의 형태가 출력 - 정수
type(df2['2015']['서울'])
numpy.int64
df2['2015']['서울':'부산']
도시
서울 9904312
부산 3448737
Name: 2015, dtype: int64
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!