[Linux]부트캠프 - 파일 및 폴더 생성
파일 및 폴더 생성
[Noitce] 고쳐야하거나 틀린 것이 있으면 말씀해주세요!
흠.. 솔직히 이번 정리는 너무 빠진 부분이 많다. 추론 통계 부분은 간단하고 빠르게 넘어가셔서 이 정리보다는 책을 보는게 더 나을 것 같지만 그래도 올려보겠다.👴
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%precision 3
%matplotlib inline
df = pd.read_csv('./data/ch4_scores400.csv')
scores = df['score']
scores[:10]
0 76
1 55
2 80
3 80
4 74
5 61
6 81
7 76
8 23
9 80
Name: score, dtype: int64
# 복원 추출 : 동일한 숫자가 추출 될 수 있음.
np.random.choice([1,2,3],3)
array([3, 3, 1])
# 비복원 추출 : 동일한 숫자가 추출 X
np.random.choice([1,2,3],3, replace=False)
array([2, 3, 1])
np.random.seed(123)
np.random.choice([1,2,3],3)
array([3, 2, 3])
# scores 데이터에서 sample 추출
np.random.seed(0)
sample = np.random.choice(scores, 20)
# 표본 평균
sample.mean()
70.4
# 전체 데이터의 평균
scores.mean()
69.530
for i in range(5):
sample = np.random.choice(scores, 20)
print(f'{i+1}번째 무작위 추출로 얻은 표본평균 {sample.mean()}')
1번째 무작위 추출로 얻은 표본평균 72.45
2번째 무작위 추출로 얻은 표본평균 63.7
3번째 무작위 추출로 얻은 표본평균 66.05
4번째 무작위 추출로 얻은 표본평균 71.7
5번째 무작위 추출로 얻은 표본평균 74.15
# 불공정한 주사위의 확률분포를 구하는 실험
# 확률 변수에 필요한 변수가 취할 수 있는 값 : dice
dice = [1,2,3,4,5,6]
# 그 값이 나올 수 있는 확률 : prob
prob=[1/21,2/21,3/21,4/21,5/21,6/21]
prob
[0.048, 0.095, 0.143, 0.190, 0.238, 0.286]
np.random.choice(dice, p=prob)
1
num_trial = 100
sample = np.random.choice(dice, num_trial, p=prob)
sample
array([4, 6, 4, 5, 5, 6, 6, 3, 5, 6, 5, 6, 6, 2, 3, 1, 6, 5, 6, 3, 4, 5,
3, 4, 3, 5, 5, 4, 4, 6, 4, 6, 5, 6, 5, 4, 6, 2, 6, 4, 5, 3, 4, 6,
5, 5, 5, 3, 4, 5, 4, 4, 6, 4, 4, 6, 6, 2, 2, 4, 5, 1, 6, 4, 3, 2,
2, 6, 3, 5, 4, 2, 4, 4, 6, 6, 1, 5, 3, 6, 6, 4, 2, 1, 6, 4, 4, 2,
4, 1, 3, 6, 6, 6, 4, 5, 4, 3, 3, 4])
freq, _ = np.histogram(sample, bins=6, range=(1,7))
pd.DataFrame({'frequency':freq,
'rel.freq': freq/num_trial},
index = pd.Index(np.arange(1,7), name = 'dice'))
frequency | rel.freq | |
---|---|---|
dice | ||
1 | 5 | 0.05 |
2 | 9 | 0.09 |
3 | 13 | 0.13 |
4 | 27 | 0.27 |
5 | 19 | 0.19 |
6 | 27 | 0.27 |
# 100번의 시도는 정해져 있는 확률과는 차이가 있다.
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111)
ax.hist(sample, bins=6, range=(1, 7), density=True, rwidth=0.8)
# 실제의 확률분포를 가로선으로 표시
ax.hlines(prob, np.arange(1, 7), np.arange(2, 8), colors='gray')
# 막대 그래프의 [1.5, 2.5, ..., 6.5]에 눈금을 표시
ax.set_xticks(np.linspace(1.5, 6.5, 6))
# 주사위 눈의 값은 [1, 2, 3, 4, 5, 6]
ax.set_xticklabels(np.arange(1, 7))
ax.set_xlabel('dice')
ax.set_ylabel('relative frequency')
plt.show()
# 10000번 시도
num_trial = 10000
sample = np.random.choice(dice, size=num_trial, p=prob)
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111)
ax.hist(sample, bins=6, range=(1, 7), density=True, rwidth=0.8)
ax.hlines(prob, np.arange(1, 7), np.arange(2, 8), colors='gray')
# ax.set_xticks(np.linspace(1.5, 6.5, 6))
# ax.set_xticklabels(np.arange(1, 7))
ax.set_xlabel('dice')
ax.set_ylabel('relative frequency')
plt.show()
시도할수록 실제 확률 분포에 가까워진다.
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111)
ax.hist(scores, bins=100, range=(0, 100), density=True)
ax.set_xlim(20, 100)
ax.set_ylim(0, 0.042)
ax.set_xlabel('score')
ax.set_ylabel('relative frequency')
plt.show()
사진 출처 : https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=tjgml1343&logNo=221979604865
import numpy as np
import pandas as pd
from scipy import stats
%precision 3
np.random.seed(1111)
import matplotlib.pyplot as plt
참고. 정규분포 관련 함수들
문제1
표준정규분포로부터 표본을 뽑아 95% 신뢰구간을 구하는 것을 20번 반복했을 때, 몇 개의 신뢰구간이 모평균을 포함할지 확인
# 성적 데이터
df = pd.read_csv('./data/ch4_scores400.csv')
scores = np.array(df['score'])
# 성적데이터 모집단의 평균과 분산 계산
p_mean = np.mean(scores)
p_var = np.var(scores)
p_mean, p_var
(69.53, 206.6691)
# 모집단의 분포
xs = np.arange(101)
rv = stats.norm(p_mean, np.sqrt(p_var))
plt.plot(xs, rv.pdf(xs), color='gray') # 평균 69.53, 부산 206.67인 정규분포
plt.hist(scores, bins=100, range = (0, 100), density=True)
plt.show()
# sample 데이터 생성
n_sam = 10000
n = 20
samples = np.random.choice(scores, (n_sam, n))
samples[:5]
array([[68, 75, 91, 60, 76, 70, 59, 56, 77, 54, 77, 60, 67, 86, 70, 54,
52, 72, 57, 59],
[97, 55, 61, 89, 80, 85, 70, 67, 77, 81, 48, 67, 56, 74, 94, 64,
83, 65, 73, 71],
[78, 67, 43, 63, 79, 46, 89, 79, 86, 85, 70, 57, 55, 63, 49, 83,
83, 76, 62, 71],
[74, 62, 48, 73, 45, 67, 58, 83, 49, 83, 67, 59, 66, 52, 54, 53,
78, 80, 81, 57],
[63, 83, 67, 75, 74, 73, 77, 78, 66, 86, 82, 67, 78, 54, 65, 92,
64, 91, 61, 57]], dtype=int64)
rv = stats.norm()
rv.isf(0.025)
1.9599639845400545
# 모분산을 아는 경우 95% 신뢰구간 : 정규분포를 이용
rv = stats.norm()
n_samples = 20
n = 20
plt.vlines(p_mean, 0, 21)
for i in range(n_samples):
sample_ = samples[i]
s_mean = np.mean(sample_)
lcl = s_mean - rv.isf(0.025) * np.sqrt(p_var/n)
ucl = s_mean + rv.isf(0.025) * np.sqrt(p_var/n)
# ucl = s_mean - rv.isf(0.975) * np.sqrt(n_var/20)
if lcl <= p_mean <= ucl:
plt.scatter(s_mean, n_samples-i, color='gray')
plt.hlines(n_samples-i, lcl, ucl, color='gray')
else:
plt.scatter(s_mean, n_samples-i, color='b')
plt.hlines(n_samples-i, lcl, ucl, color='b')
plt.xticks([p_mean])
plt.xlabel('population mean')
plt.show()
# 모분산을 모르는 경우 95% 신뢰구간 : t-분포를 이용
n = 20
alpha = 0.025
sample_ = samples[0]
s_mean = np.mean(sample_)
s_var = np.var(sample_)
rv = stats.t(df=n-1) #자유도 = n-1
lcl = s_mean - rv.isf(alpha) * np.sqrt(s_var/n)
ucl = s_mean + rv.isf(alpha) * np.sqrt(s_var/n)
lcl, ucl
(61.94197882534913, 72.05802117465088)
n_samples = 20
n = 20
rv = stats.t(df = n-1)
alpha = 0.025
plt.vlines(p_mean, 0, 21)
for i in range(n_samples):
sample_ = samples[i]
s_mean = np.mean(sample_)
lcl = s_mean - rv.isf(alpha) * np.sqrt(s_var / n)
ucl = s_mean + rv.isf(alpha) * np.sqrt(s_var / n)
# ucl = s_mean - rv.isf(0.975) * np.sqrt(n_var / 20)
if lcl <= p_mean <= ucl:
plt.scatter(s_mean, n_samples-i, color = 'gray')
plt.hlines(n_samples - i, lcl, ucl, color = 'gray')
else:
plt.scatter(s_mean, n_samples-i, color = 'b')
plt.hlines(n_samples - i, lcl, ucl, color = 'b')
plt.xticks([p_mean])
plt.xlabel('population mean')
plt.show()
문제2
만 7세 어린이 중 부모의 동의를 얻은 학생 중 10명을 표본으로 추출.
머리 둘레를 측정한 결과를 기준으로 모평균을 95% 신뢰수준에서 신뢰구간을 추정하시오.
# 표본 데이터
data = [520, 498, 481, 512, 515, 542, 520, 518, 527, 526]
s_mean = np.mean(data)
s_var = np.var(data)
print(s_mean, s_var)
n = len(data)
print(n)
# t-분포를 이용한 경우
alpha = 0.025 # 신뢰수준
rv = stats.t(df=n-1) #자유도 = n-1
lcl = s_mean - rv.isf(alpha) * np.sqrt(s_var/n)
ucl = s_mean + rv.isf(alpha) * np.sqrt(s_var/n)
lcl, ucl
515.9 249.89000000000001
10
(504.59170283295526, 527.2082971670446)
# 정규분포를 이용한 경우
rv = stats.norm() #자유도 = n-1
alpha = 0.025
lcl = s_mean - rv.isf(alpha) * np.sqrt(s_var/n)
ucl = s_mean + rv.isf(alpha) * np.sqrt(s_var/n)
lcl, ucl
(506.10233627489055, 525.6976637251095)
문제(p.294)
감자튀김 무게가 평균 130g으로 알려져있다.
# 감자 무게 측정데이터
df = pd.read_csv('./data/ch11_potato.csv')
sample = np.array(df['무게'])
sample
array([122.02, 131.73, 130.6 , 131.82, 132.05, 126.12, 124.43, 132.89,
122.79, 129.95, 126.14, 134.45, 127.64, 125.68])
# 표본 평균 확인
s_mean = np.mean(sample)
s_mean
128.4507142857143
# 표본 분산 확인
s_var = np.var(sample)
s_var
14.735449489795883
# 모분산 = 9
rv = stats.norm(130, np.sqrt(9/14))
rv.isf(0.95)
# 평균이 130이였을 때, 0.95부분이 128.6811831...
# 하지만 표본의 평균이 128.45 이므로 감자튀김의 평균 무게가 130g이라는 주장에 반대할 수 있다.
128.68118313069039
# 검정 통계량 Z
Z = (s_mean - 130) / np.sqrt(9/14)
Z
# 검정 통계량 = -1.9322..
-1.932298779026813
# p-value
rv.cdf(Z)
0.0
rv=stats.norm()
rv.isf(0.95) # isf 는 확률에 대한 x값을 계산
-1.6448536269514722
# 검정 통계량
Z = (s_mean - 130) / np.sqrt(9/14)
Z
-1.932298779026813
# 양측검정, 임계값 : 표준 정규분포의 95% 구간에 따라 구할 수 있음
rv=stats.norm()
rv.interval(0.95) # 유의수준 0.95에 양쪽의 기각역의 위치라고 생각하면 될듯
(-1.959963984540054, 1.959963984540054)
# 양측검정의 p값
rv.cdf(Z)*2 #cdf는 x가 주어지면 y값을 반환
0.05332263904625327
# 모분산을 아는 경우 모평균에 대한 양측검정을 위한 함수
# 정규분포를 기반
def pmean_test(sample, mean0, p_var, alpha=0.05):
s_mean = np.mean(sample)
n = len(sample)
rv = stats.norm()
interval = rv.interval(1-alpha)
z = (s_mean - mean0) / np.sqrt(p_var/n)
if interval[0] <= z <= interval[1]:
print('귀무가설을 채택')
else:
print('귀무가설을 기각')
if z < 0:
p = rv.cdf(z) * 2
else:
p = (1 - rv.cdf(z)) * 2
print(f'p값은 {p:.3f}')
# 양측검정, t-분포를 이용
def pmean_test(sample, mean0, alpha=0.05):
s_mean = np.mean(sample)
u_var = np.var(sample, ddof=1)
n = len(sample)
rv = stats.t(df=n-1)
interval = rv.interval(1-alpha) # 임계값 계산
t = (s_mean - mean0) / np.sqrt(u_var/n)
if interval[0] <= t <= interval[1]:
print('귀무가설을 채택')
else:
print('귀무가설을 기각')
if t < 0:
p = rv.cdf(t) * 2 # p-value
else:
p = (1 - rv.cdf(t)) * 2
print(f'p값은 {p:.3f}')
pmean_test(sample, 130)
귀무가설을 채택
p값은 0.169
# scipy.stats에 구현
t, p = stats.ttest_1samp(sample,130)
t, p # 통계량, p-value
(-1.4551960206404198, 0.16933464230414275)
# 대응표본 샘플데이터
data = pd.read_csv('./data/ch11_training_rel.csv')
print(data.shape)
data.head()
(20, 2)
전 | 후 | |
---|---|---|
0 | 59 | 41 |
1 | 52 | 63 |
2 | 55 | 68 |
3 | 61 | 59 |
4 | 59 | 84 |
# 기술 통계
data.describe()
전 | 후 | |
---|---|---|
count | 20.000000 | 20.000000 |
mean | 52.850000 | 58.250000 |
std | 4.295346 | 11.964311 |
min | 45.000000 | 37.000000 |
25% | 50.500000 | 51.750000 |
50% | 52.000000 | 58.500000 |
75% | 55.500000 | 65.750000 |
max | 61.000000 | 84.000000 |
# 데이터의 시각화 : 상자그림표
import matplotlib.pyplot as plt
plt.boxplot(data)
plt.show()
# 정규성 검정
stats.shapiro(data.전)
ShapiroResult(statistic=0.9670043587684631, pvalue=0.6907904148101807)
stats.shapiro(data.후)
ShapiroResult(statistic=0.9786623120307922, pvalue=0.9156785011291504)
diff = data.전 - data.후
diff
0 18
1 -11
2 -13
3 2
4 -25
5 8
6 -5
7 -3
8 -19
9 -18
10 -6
11 -8
12 3
13 13
14 -2
15 -6
16 -16
17 -16
18 -2
19 -2
dtype: int64
stats.shapiro(diff)
ShapiroResult(statistic=0.9785391688346863, pvalue=0.9138697981834412)
plt.boxplot(diff)
plt.show()
stats.ttest_1samp(data.전-data.후, 0)
Ttest_1sampResult(statistic=-2.204154108716127, pvalue=0.04004419061842953)
=> 귀무가설을 기각하므로, 근력운동이 집중력에 영향이 있다고 볼 수 있다.
대립가설 : 두 집단의 평균은 차이가 있다.
예제 데이터
data = pd.read_csv('./data/ch11_training_ind.csv')
data.shape
(20, 2)
data.head()
A | B | |
---|---|---|
0 | 47 | 49 |
1 | 50 | 52 |
2 | 37 | 54 |
3 | 60 | 48 |
4 | 39 | 51 |
data.describe()
A | B | |
---|---|---|
count | 20.000000 | 20.000000 |
mean | 48.750000 | 52.050000 |
std | 6.711145 | 5.020746 |
min | 37.000000 | 41.000000 |
25% | 44.750000 | 49.000000 |
50% | 48.500000 | 52.000000 |
75% | 53.000000 | 54.250000 |
max | 64.000000 | 64.000000 |
plt.boxplot(data)
plt.show()
1. 정규성 검정
# 정규성 검정
stats.shapiro(data.A)
ShapiroResult(statistic=0.9685941338539124, pvalue=0.7249506711959839)
stats.shapiro(data.B)
ShapiroResult(statistic=0.9730017781257629, pvalue=0.8165717720985413)
=> 두 학급의 데이터는 모두 정규성을 만족
2. 등분산성 검정
stats.levene(data.A, data.B)
LeveneResult(statistic=2.061573118077718, pvalue=0.15923550057222613)
=> p값이 0.05보다 크므로 귀무가설을 기각하지 않는다. 즉, 두 집단의 분산은 같다.(등분산)
3. 독립표본 t-검정
# equal_var는 분산이 같니? 안같니?
# False로 지정된 경우 웰치 방법 사용
stats.ttest_ind(data.A, data.B, equal_var=True)
Ttest_indResult(statistic=-1.7608157246524712, pvalue=0.08631600572195147)
=> 귀무가설 채택 : 두 집단의 집중력 차이가 없다.
stats.ttest_ind(data.A, data.B, equal_var=False)
Ttest_indResult(statistic=-1.760815724652471, pvalue=0.08695731107259361)
# 앞의 20명 학생의 집중력 테스트 대응표본 데이터
stats.wilcoxon(diff)
WilcoxonResult(statistic=49.5, pvalue=0.03623390197753906)
# 두 학급의 학생들의 집중력 테스트 데이터(독립표본)
stats.mannwhitneyu(data.A, data.B)
MannwhitneyuResult(statistic=130.0, pvalue=0.02974305583063662)
독립성 검정
# 모듈들 호출!!
import numpy as np
import pandas as pd
from scipy import stats
%precision 3
np.random.seed(1111)
# 예제 데이터
data = pd.read_csv('./data/ch11_ad.csv')
data.shape # 데이터 크기 확인
(1000, 2)
data.head()
광고 | 구입 | |
---|---|---|
0 | B | 하지 않았다 |
1 | B | 하지 않았다 |
2 | A | 했다 |
3 | A | 했다 |
4 | B | 하지 않았다 |
# 교차표 생성
cross = pd.crosstab(data.광고, data.구입)
cross
구입 | 하지 않았다 | 했다 |
---|---|---|
광고 | ||
A | 351 | 49 |
B | 549 | 51 |
# 카이제곱 독립성검정
stat, p, df, exp_tab = stats.chi2_contingency(cross, correction = False)
stat # 통계량
3.75
p # p-value
0.052807511416113395
df # 자유도
1
exp_tab
array([[360., 40.],
[540., 60.]])
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!