[Linux]부트캠프 - 파일 및 폴더 생성
파일 및 폴더 생성
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
# 모듈 설치
import pandas as pd
import numpy as np
import random
# output에 여러가지 결과가 나올 수 있도록 한다.
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity="all"
예제1
df1 = pd.DataFrame({'선수번호':[1,2,3,4,5,6,7],
'이름':['이운재','박지성','손흥민','차범근','김남일','홍명보','김민재']},
columns = ['선수번호','이름'])
df1
선수번호 | 이름 | |
---|---|---|
0 | 1 | 이운재 |
1 | 2 | 박지성 |
2 | 3 | 손흥민 |
3 | 4 | 차범근 |
4 | 5 | 김남일 |
5 | 6 | 홍명보 |
6 | 7 | 김민재 |
# 예제 df 생성 - 예금 정보 df
df2 = pd.DataFrame({'선수번호':[1, 1, 5, 6, 8, 1],
'연봉(억)':[10, 20, 30, 40, 200, 5]},
columns = ['선수번호','연봉(억)'])
df2
선수번호 | 연봉(억) | |
---|---|---|
0 | 1 | 10 |
1 | 1 | 20 |
2 | 5 | 30 |
3 | 6 | 40 |
4 | 8 | 200 |
5 | 1 | 5 |
merge 명령으로 두 데이터프레임을 병합하는 문법
merge(df1, df2, how, on, left_on, right_on, left_index, right_index)
inner join
방식을 사용
df1.head(1)
df2.tail(1)
선수번호 | 이름 | |
---|---|---|
0 | 1 | 이운재 |
선수번호 | 연봉(억) | |
---|---|---|
5 | 1 | 5 |
df1.merge(df2)
df1.merge(df2)
선수번호 | 이름 | 연봉(억) | |
---|---|---|---|
0 | 1 | 이운재 | 10 |
1 | 1 | 이운재 | 20 |
2 | 1 | 이운재 | 5 |
3 | 5 | 김남일 | 30 |
4 | 6 | 홍명보 | 40 |
pd.merge(데이터프레임1, 데이터프레임2)
# 왼쪽에 기준 데이터 프레임(df1)
pd.merge(df1,df2)
선수번호 | 이름 | 연봉(억) | |
---|---|---|---|
0 | 1 | 이운재 | 10 |
1 | 1 | 이운재 | 20 |
2 | 1 | 이운재 | 5 |
3 | 5 | 김남일 | 30 |
4 | 6 | 홍명보 | 40 |
merge( , how = ‘outer’)
pd.merge(df1, df2, how='outer')
선수번호 | 이름 | 연봉(억) | |
---|---|---|---|
0 | 1 | 이운재 | 10.0 |
1 | 1 | 이운재 | 20.0 |
2 | 1 | 이운재 | 5.0 |
3 | 2 | 박지성 | NaN |
4 | 3 | 손흥민 | NaN |
5 | 4 | 차범근 | NaN |
6 | 5 | 김남일 | 30.0 |
7 | 6 | 홍명보 | 40.0 |
8 | 7 | 김민재 | NaN |
9 | 8 | NaN | 200.0 |
pd.merge(df1, df2, how='left')
선수번호 | 이름 | 연봉(억) | |
---|---|---|---|
0 | 1 | 이운재 | 10.0 |
1 | 1 | 이운재 | 20.0 |
2 | 1 | 이운재 | 5.0 |
3 | 2 | 박지성 | NaN |
4 | 3 | 손흥민 | NaN |
5 | 4 | 차범근 | NaN |
6 | 5 | 김남일 | 30.0 |
7 | 6 | 홍명보 | 40.0 |
8 | 7 | 김민재 | NaN |
pd.merge(df1, df2, how='right')
선수번호 | 이름 | 연봉(억) | |
---|---|---|---|
0 | 1 | 이운재 | 10 |
1 | 1 | 이운재 | 20 |
2 | 1 | 이운재 | 5 |
3 | 5 | 김남일 | 30 |
4 | 6 | 홍명보 | 40 |
5 | 8 | NaN | 200 |
예제2. 데이터프레임 생성
# 예제 df 생성
# 열: 신발종류, 사이즈
df1 = pd.DataFrame({
'신발종류':['nike','nike','adidas','adidas'],
'사이즈':[240, 230, 250, 230]},
columns=['신발종류','사이즈'])
df1
신발종류 | 사이즈 | |
---|---|---|
0 | nike | 240 |
1 | nike | 230 |
2 | adidas | 250 |
3 | adidas | 230 |
# 열 : 신발종류, 가격(만원)
df2 = pd.DataFrame({
'신발종류': ['nike','adidas','adidas','puma'],
'가격(만원)':[7,5,6,6]},
columns=['신발종류','가격(만원)'])
df2
신발종류 | 가격(만원) | |
---|---|---|
0 | nike | 7 |
1 | adidas | 5 |
2 | adidas | 6 |
3 | puma | 6 |
#양쪽 데이터프레임에서 공통된 키만 표현
df1.head(1)
df2.head(1)
pd.merge(df1,df2)
pd.merge(df1,df2, how='left')
pd.merge(df1,df2, how='right')
pd.merge(df1,df2, how='outer')
신발종류 | 사이즈 | |
---|---|---|
0 | nike | 240 |
신발종류 | 가격(만원) | |
---|---|---|
0 | nike | 7 |
신발종류 | 사이즈 | 가격(만원) | |
---|---|---|---|
0 | nike | 240 | 7 |
1 | nike | 230 | 7 |
2 | adidas | 250 | 5 |
3 | adidas | 250 | 6 |
4 | adidas | 230 | 5 |
5 | adidas | 230 | 6 |
신발종류 | 사이즈 | 가격(만원) | |
---|---|---|---|
0 | nike | 240 | 7 |
1 | nike | 230 | 7 |
2 | adidas | 250 | 5 |
3 | adidas | 250 | 6 |
4 | adidas | 230 | 5 |
5 | adidas | 230 | 6 |
신발종류 | 사이즈 | 가격(만원) | |
---|---|---|---|
0 | nike | 240.0 | 7 |
1 | nike | 230.0 | 7 |
2 | adidas | 250.0 | 5 |
3 | adidas | 230.0 | 5 |
4 | adidas | 250.0 | 6 |
5 | adidas | 230.0 | 6 |
6 | puma | NaN | 6 |
신발종류 | 사이즈 | 가격(만원) | |
---|---|---|---|
0 | nike | 240.0 | 7 |
1 | nike | 230.0 | 7 |
2 | adidas | 250.0 | 5 |
3 | adidas | 250.0 | 6 |
4 | adidas | 230.0 | 5 |
5 | adidas | 230.0 | 6 |
6 | puma | NaN | 6 |
key
예제3.
# 예제 df
df1 = pd.DataFrame({
'고객명':['동준','동준','풍호'],
'날짜' : ['2022-01-14','2022-01-15','2021-01-14'],
'데이터':[1000, 2000, 30000]
})
df1
고객명 | 날짜 | 데이터 | |
---|---|---|---|
0 | 동준 | 2022-01-14 | 1000 |
1 | 동준 | 2022-01-15 | 2000 |
2 | 풍호 | 2021-01-14 | 30000 |
df2 = pd.DataFrame({
'고객명':['동준','풍호'],
'데이터':['여자','남자']
})
df2
고객명 | 데이터 | |
---|---|---|
0 | 동준 | 여자 |
1 | 풍호 | 남자 |
기준열을 직접 지정 : on=기준열 이름
pd.merge(df1, df2, on='고객명')
고객명 | 날짜 | 데이터_x | 데이터_y | |
---|---|---|---|---|
0 | 동준 | 2022-01-14 | 1000 | 여자 |
1 | 동준 | 2022-01-15 | 2000 | 여자 |
2 | 풍호 | 2021-01-14 | 30000 | 남자 |
키가 되는 기준열 이름이 두 데이터 프레임에서 다르게 나타나는 경우
예제4.
df1=pd.DataFrame({
'이름' :['동준','굿전','굿전'],
'성적' :[100,90,80]
})
df2 = pd.DataFrame({
'성명' :['동준','동준','굿전'],
'성적2':[95,85,90]
})
df1.head(1)
df2.head(1)
이름 | 성적 | |
---|---|---|
0 | 동준 | 100 |
성명 | 성적2 | |
---|---|---|
0 | 동준 | 95 |
pd.merge(df1, df2, left_on='이름', right_on='성명')
# 양쪽에서 기준이되는 열의 이름이 다르기 때문에 on인수를 두번사용
# 출력결과는 양쪽 필드 명이 다르기 때문에 기준열이 모두나타난다.
이름 | 성적 | 성명 | 성적2 | |
---|---|---|---|---|
0 | 동준 | 100 | 동준 | 95 |
1 | 동준 | 100 | 동준 | 85 |
2 | 굿전 | 90 | 굿전 | 90 |
3 | 굿전 | 80 | 굿전 | 90 |
: 일반 데이터 열이 아닌 인덱스를 기준으로 merge 할수도 있음
예제5. 데이터프레임의 인덱스를 기준열로 사용하는 경우
df1 = pd.DataFrame({
'도시': ['서울','서울','서울','부산','부산'],
'연도': [2000, 2005, 2010, 2000, 2005],
'인구': [9853972, 9762546, 9631482, 3655437, 3512547]
})
df2=pd.DataFrame(
np.arange(12).reshape((6,2)),
index=[['부산','부산','서울','서울','서울','서울'],
[2000, 2005, 2000, 2005, 2010, 2015]],
columns=['데이터1','데이터2']
)
df1
df2
도시 | 연도 | 인구 | |
---|---|---|---|
0 | 서울 | 2000 | 9853972 |
1 | 서울 | 2005 | 9762546 |
2 | 서울 | 2010 | 9631482 |
3 | 부산 | 2000 | 3655437 |
4 | 부산 | 2005 | 3512547 |
데이터1 | 데이터2 | ||
---|---|---|---|
부산 | 2000 | 0 | 1 |
2005 | 2 | 3 | |
서울 | 2000 | 4 | 5 |
2005 | 6 | 7 | |
2010 | 8 | 9 | |
2015 | 10 | 11 |
pd.merge(df1, df2, left_on=['도시','연도'], right_index = True)
도시 | 연도 | 인구 | 데이터1 | 데이터2 | |
---|---|---|---|---|---|
0 | 서울 | 2000 | 9853972 | 4 | 5 |
1 | 서울 | 2005 | 9762546 | 6 | 7 |
2 | 서울 | 2010 | 9631482 | 8 | 9 |
3 | 부산 | 2000 | 3655437 | 0 | 1 |
4 | 부산 | 2005 | 3512547 | 2 | 3 |
예제6. 두 데이터프레임의 key가 모두 인덱스인 경우
df1 = pd.DataFrame([[1.,2.],[3.,4.],[5.,6.]],
index=['a','c','e'],
columns=['서울','부산'])
df1
df2=pd.DataFrame([[7.,8.],[9.,10.],
[11.,12.],[13.,14.]],
index=['b','c','d','e'],
columns=['대구','광주'])
df2
서울 | 부산 | |
---|---|---|
a | 1.0 | 2.0 |
c | 3.0 | 4.0 |
e | 5.0 | 6.0 |
대구 | 광주 | |
---|---|---|
b | 7.0 | 8.0 |
c | 9.0 | 10.0 |
d | 11.0 | 12.0 |
e | 13.0 | 14.0 |
두 데이터프레임의 인덱스가 키로 사용될 경우
# 두 데이터프레임의 key가 모두 인덱스인 경우
pd.merge(df1, df2, how='outer', left_index=True, right_index=True)
서울 | 부산 | 대구 | 광주 | |
---|---|---|---|---|
a | 1.0 | 2.0 | NaN | NaN |
b | NaN | NaN | 7.0 | 8.0 |
c | 3.0 | 4.0 | 9.0 | 10.0 |
d | NaN | NaN | 11.0 | 12.0 |
e | 5.0 | 6.0 | 13.0 | 14.0 |
Dataframe1.join(Dataframe2. how=’left/right/inner/outer’, on=keys)
df1.join(df2, how = 'outer')
서울 | 부산 | 대구 | 광주 | |
---|---|---|---|---|
a | 1.0 | 2.0 | NaN | NaN |
b | NaN | NaN | 7.0 | 8.0 |
c | 3.0 | 4.0 | 9.0 | 10.0 |
d | NaN | NaN | 11.0 | 12.0 |
e | 5.0 | 6.0 | 13.0 | 14.0 |
pd.concat([left, right], axis=0, join=’outer’, ignore_index=False, keys=None)
keys : 계층적 index 사용하려면 keys 튜플 입력
예제1.
s1 = pd.Series([0,1], index = ['A','B'])
s1
s2 = pd.Series([2,3,4], index = ['A','B','C'])
s2
A 0
B 1
dtype: int64
A 2
B 3
C 4
dtype: int64
# 두 시리즈 연결 : 행방향으로 합침 (axis=0)
pd.concat([s1,s2])
A 0
B 1
A 2
B 3
C 4
dtype: int64
# 두 시리즈 연결 : 열방향으로 합침
pd.concat([s1,s2], axis=1)
0 | 1 | |
---|---|---|
A | 0.0 | 2 |
B | 1.0 | 3 |
C | NaN | 4 |
예제2.
# concat 연결
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']},
index=[0, 1, 2, 3])
df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
'B': ['B4', 'B5', 'B6', 'B7'],
'E': ['C4', 'C5', 'C6', 'C7'],
'F': ['D4', 'D5', 'D6', 'D7']},
index=[0, 1, 2, 3])
df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],
'B': ['B8', 'B9', 'B10', 'B11'],
'C': ['C8', 'C9', 'C10', 'C11'],
'D': ['D8', 'D9', 'D10', 'D11']},
index=[1,2,3,4])
df1
df2
df3
A | B | C | D | |
---|---|---|---|---|
0 | A0 | B0 | C0 | D0 |
1 | A1 | B1 | C1 | D1 |
2 | A2 | B2 | C2 | D2 |
3 | A3 | B3 | C3 | D3 |
A | B | E | F | |
---|---|---|---|---|
0 | A4 | B4 | C4 | D4 |
1 | A5 | B5 | C5 | D5 |
2 | A6 | B6 | C6 | D6 |
3 | A7 | B7 | C7 | D7 |
A | B | C | D | |
---|---|---|---|---|
1 | A8 | B8 | C8 | D8 |
2 | A9 | B9 | C9 | D9 |
3 | A10 | B10 | C10 | D10 |
4 | A11 | B11 | C11 | D11 |
데이터 프레임 행 결합
result = pd.concat([df1,df2])
result
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
0 | A0 | B0 | C0 | D0 | NaN | NaN |
1 | A1 | B1 | C1 | D1 | NaN | NaN |
2 | A2 | B2 | C2 | D2 | NaN | NaN |
3 | A3 | B3 | C3 | D3 | NaN | NaN |
0 | A4 | B4 | NaN | NaN | C4 | D4 |
1 | A5 | B5 | NaN | NaN | C5 | D5 |
2 | A6 | B6 | NaN | NaN | C6 | D6 |
3 | A7 | B7 | NaN | NaN | C7 | D7 |
pd.concat([df1,df2], join = 'outer') # 위 코드와 결과가 같음
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
0 | A0 | B0 | C0 | D0 | NaN | NaN |
1 | A1 | B1 | C1 | D1 | NaN | NaN |
2 | A2 | B2 | C2 | D2 | NaN | NaN |
3 | A3 | B3 | C3 | D3 | NaN | NaN |
0 | A4 | B4 | NaN | NaN | C4 | D4 |
1 | A5 | B5 | NaN | NaN | C5 | D5 |
2 | A6 | B6 | NaN | NaN | C6 | D6 |
3 | A7 | B7 | NaN | NaN | C7 | D7 |
인덱스가 중복된 경우 : 인덱싱을 수행하면?
# 인덱스가 중복 된 경우 인덱싱을 수행 하면 ?
result
result.iloc[0] # index가 0번째 위치에 있는 행 시리즈 반환
result.loc[0] # index가 0인 행들 전부 반환
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
0 | A0 | B0 | C0 | D0 | NaN | NaN |
1 | A1 | B1 | C1 | D1 | NaN | NaN |
2 | A2 | B2 | C2 | D2 | NaN | NaN |
3 | A3 | B3 | C3 | D3 | NaN | NaN |
0 | A4 | B4 | NaN | NaN | C4 | D4 |
1 | A5 | B5 | NaN | NaN | C5 | D5 |
2 | A6 | B6 | NaN | NaN | C6 | D6 |
3 | A7 | B7 | NaN | NaN | C7 | D7 |
A A0
B B0
C C0
D D0
E NaN
F NaN
Name: 0, dtype: object
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
0 | A0 | B0 | C0 | D0 | NaN | NaN |
0 | A4 | B4 | NaN | NaN | C4 | D4 |
인덱스가 중복되므로 기본 인덱스로 재설정
# 인덱스가 중복 되므로 기본 인덱스로 재 설정
# 인덱스 열은 제거
result.reset_index(drop=True)
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
0 | A0 | B0 | C0 | D0 | NaN | NaN |
1 | A1 | B1 | C1 | D1 | NaN | NaN |
2 | A2 | B2 | C2 | D2 | NaN | NaN |
3 | A3 | B3 | C3 | D3 | NaN | NaN |
4 | A4 | B4 | NaN | NaN | C4 | D4 |
5 | A5 | B5 | NaN | NaN | C5 | D5 |
6 | A6 | B6 | NaN | NaN | C6 | D6 |
7 | A7 | B7 | NaN | NaN | C7 | D7 |
공통된 열만 표현
# concat() : 행결합 - 행은 모두 표현
# join='inner' 이므로 열은 공통열만 표현
pd.concat([df1,df2], join = 'inner')
# df1, df2가 가진 공통열 A, B를 가져옴
A | B | |
---|---|---|
0 | A0 | B0 |
1 | A1 | B1 |
2 | A2 | B2 |
3 | A3 | B3 |
0 | A4 | B4 |
1 | A5 | B5 |
2 | A6 | B6 |
3 | A7 | B7 |
기존 인덱스 제거 후 제로베이스 인덱스 설정
# ignore_index = True : 기존 인덱스 제거 후 제로베이스 인덱스 설정
pd.concat([df1,df2], join = 'inner', ignore_index = True)
A | B | |
---|---|---|
0 | A0 | B0 |
1 | A1 | B1 |
2 | A2 | B2 |
3 | A3 | B3 |
4 | A4 | B4 |
5 | A5 | B5 |
6 | A6 | B6 |
7 | A7 | B7 |
상위 레벨 인덱스 설정
# keys 파라미터를 통해 상위레벨 인덱스 설정 가능
# 3개의 df이므로 각 df에 대응되는 상위 레벨 인덱스를 정의
dF1 = pd.concat([df1,df2,df3], keys=['df1','df2','df3'])
dF1
A | B | C | D | E | F | ||
---|---|---|---|---|---|---|---|
df1 | 0 | A0 | B0 | C0 | D0 | NaN | NaN |
1 | A1 | B1 | C1 | D1 | NaN | NaN | |
2 | A2 | B2 | C2 | D2 | NaN | NaN | |
3 | A3 | B3 | C3 | D3 | NaN | NaN | |
df2 | 0 | A4 | B4 | NaN | NaN | C4 | D4 |
1 | A5 | B5 | NaN | NaN | C5 | D5 | |
2 | A6 | B6 | NaN | NaN | C6 | D6 | |
3 | A7 | B7 | NaN | NaN | C7 | D7 | |
df3 | 1 | A8 | B8 | C8 | D8 | NaN | NaN |
2 | A9 | B9 | C9 | D9 | NaN | NaN | |
3 | A10 | B10 | C10 | D10 | NaN | NaN | |
4 | A11 | B11 | C11 | D11 | NaN | NaN |
# 다중 인덱싱 : . 연산자를 이용한 접근
dF1.loc['df3'].loc[1:4]
A | B | C | D | E | F | |
---|---|---|---|---|---|---|
1 | A8 | B8 | C8 | D8 | NaN | NaN |
2 | A9 | B9 | C9 | D9 | NaN | NaN |
3 | A10 | B10 | C10 | D10 | NaN | NaN |
4 | A11 | B11 | C11 | D11 | NaN | NaN |
pd.concat([df1,df2], axis=1, join=’inner/outer’)
예제3.
# 예제 df 생성
df1=pd.DataFrame(
np.arange(6).reshape(3,2),
index=['a','b','c'],
columns=['데이터1','데이터2']
)
df1
df2=pd.DataFrame(
5+np.arange(4).reshape(2,2),
index=['a','c'],
columns=['데이터2','데이터4']
)
df2
데이터1 | 데이터2 | |
---|---|---|
a | 0 | 1 |
b | 2 | 3 |
c | 4 | 5 |
데이터2 | 데이터4 | |
---|---|---|
a | 5 | 6 |
c | 7 | 8 |
pd.concat([df1,df2], axis=1)
# join ='outer'가 기본이므로 생략 가능
데이터1 | 데이터2 | 데이터2 | 데이터4 | |
---|---|---|---|---|
a | 0 | 1 | 5.0 | 6.0 |
b | 2 | 3 | NaN | NaN |
c | 4 | 5 | 7.0 | 8.0 |
# 행 결합
pd.concat([df1,df2])
데이터1 | 데이터2 | 데이터4 | |
---|---|---|---|
a | 0.0 | 1 | NaN |
b | 2.0 | 3 | NaN |
c | 4.0 | 5 | NaN |
a | NaN | 5 | 6.0 |
c | NaN | 7 | 8.0 |
pd.concat([df1,df2], axis=1, join='inner')
데이터1 | 데이터2 | 데이터2 | 데이터4 | |
---|---|---|---|---|
a | 0 | 1 | 5 | 6 |
c | 4 | 5 | 7 | 8 |
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!