• 알파벳을 바로 꺼내오는 방법

  import string
  

1. 알파벳을 바로 꺼내오는 방법

print(string.ascii_lowercase) print(string.ascii_letters) print(string.ascii_uppercase)

2. ord 연산(아스키 문자-> 숫자)

print(ord('a'), ord('A'), ord('@')) # 97 65 64

3. range

for i in range(10): print(i)

- 간단하게 아스키 코드 string을 이용하여 알파벳 index알아내는 방법
- 이 경우 for문을 한번 사용하기 때문에 시공간 복잡도가 O(n)이 됨
```python
def get_idx(word):
    # O(N)
    result = [-1]*len(string.ascii_lowercase)
    for i in range(len(word)):
        idx = ord(word[i]) - 97
        if result[idx] == -1:
            result[idx] = i
    return result

1주차 숙제- 문자열 팰린드롬

• 팰린드롬이란? 앞으로 읽어도 뒤로 읽어도 문자열이 똑같은것(ex> radar)
• 문자열을 받았을때 하나씩 list에 넣고, 이걸 반대로 넣은 리스트를 하나더 생성해서 같은지 아닌지 비교하는 형식으로 코드 작성
• list를 list[::-1]하면 거꾸로 정렬되는것과 같은 방식을 사용

  #1-1 팰린드롬
  

char = input() li = []

for i in char: li.append(i) li_re = li[::-1]

if li == li_re: print("True") else: print("False") ```

✏️회고록

• 코딩 공부를 너무 오랫동안 놔서 그런지 보는 문제마다 낯설고 이미 풀어봤던 문제들 같은데 잘 풀리지가 않아서 GPT의 도움을 계속 받고있다. 그래도 감이 슬슬 돌아오는 것 같아 조금씩은 도움을 받으면서 빨리빨리 훑어보고 다른 문제들을 풀어보는 방식도 좋을 것 같다.

• 백준의 경우 input을 써도 잘 돌아갔는데 프로그래머스에서는 sys.stdin.readline을 써야 테스트케이스가 돌아가고 통과된다.

• 미들러 문제 푸는것도 감을 찾는데 좋지만 지금 기초적인 문법도 조금씩 흔들리는 상화이라 비기너 문제와 기초문제를 보충적으로 하루에 5개10개씩 풀고 일단 미들러 수준의 문제는 23개로비율을 맞추는 것이 좋을 것 같다. 기본이 흔들리면 그 후에 문제푸는 방식도 제대로 틀이 안 잡힐 것 같기때문,,,

• 특히 함수정의와 enumerate, lambda 같은 함수에 익숙해지는게 중요!!

⭐미들러 문제는 문제 풀면서 해당 카테고리의 틀의 형식을 잘 익혀보는걸 중점적으로 공부하기

import sys


word = sys.stdin.readline()
def solution(word):
    vowels = ['A','E','I','O','U']
    weights = [781, 156, 31, 6, 1]

    answer = 0
    for i, char in enumerate(word):
        index = vowels.index(char)
        answer += index * weights[i] + 1

    return answer


print(solution(word))

• 아직 이분탐색에 대한 문제가 익숙하지 않아 저번 게임 문제에 이어 많이 버벅거렸다. 우선 쉬운 문제와 어려운 문제를 몇개씩 뽑아서 10문제 정도씩 풀면서 이분탐색 문제의 틀을 익히는게 중요할 것 같다. 몇 문제들을 풀면서 느끼는건 문제 유형은 좀 달라도 전체적인 틀이 살짝 잡혀있는 느낌이 들었다.

n,m = map(int, input().split())
tree = list(map(int, input().split()))


up, down = max(tree),0
result = 0

while down <= up:
  mid = (up+down) // 2
  cnt = 0

  for t in tree:
    if t > mid :
      cnt += t- mid

  if cnt >= m:
    result = mid
    down = mid + 1

  else:
    up = mid - 1

print(result)

• 이분 탐색 문제

• 처음 문제를 직면했을때 다른 방식으로 접근해 시간이 오래걸렸다. 우선, 단순히 z+1의 확률만 넘기면 된다고 생각하여 계산식으로 풀려고 했는데 그게 아니라 이분탐색으로 왼쪽 오른쪽의 수치를 비교해가면서 범위를 좁혀나가는 문제였다. 관련 이진탐색에 대해 깃헙에 개념을 정리해놓고, 관련 카테고리의 문제를 더 풀어야겠다.

import math

x,y = map(int,input().split())
z = y * 100 // x

if z >= 99:
  print(-1)

else:
  left, right = 1,x
  answer = 0
  while left <= right:
    mid = (left + right) //2
    z_new = (y+mid) * 100 // (x+mid)

    if z_new > z:
      answer = mid
      right = mid - 1
    else:
      left = mid + 1


  print(answer)

Tensorflow 소개

• 머신러닝을 위한 오픈소스 플랫폼- 딥러닝 프레임워크

• 구글이 주도저긍로 개발 - 구글 코랩에는 기본 장착
• 최근 2.x 버전이 발표
• Keras(텐서플로우를 사용하기 쉽게 만들어주는 아이,'간결함')라고 하는 고수준 API를 사용
• 파이토치와 함께 양대산맥
• Tensor: 벡터나 행렬을 의미
• Graph: 텐서가 흐르는 경로(혹은 공간)
• Tensor Flow: 첸서가 그래프를 통해 흐른다.

자연어 데이터 특징

• 이미지 : 이미지 안의 의미있는 정보는 위치에 무관/ convolution 연산은 위치에 무관한 지역적인 정보를 추출하기 좋은 연산
• 자연어 :문장을 구성하고 있는 단어들의 위치가 변해서는 안됨/ 단어들간의 관계가 중요하고 하나의 단어만 바뀌거나 추가되어도 전혀 다른 의미(index)를 가질 수 있음

자연어 데이터의 토큰화

• hugging face와 같은 대중적인 공유 라이브러리가 존재하기 전까지 연구자들이 각각 토큰화를 임의로 진행했음.
• 이에 따라서 모델을 다운받아 실행시킬 경우 전혀 다른 결과가 나타남.
• 즉, 자연어에서의 토큰처리 과정에 대해 아는 것은 매우 중요함.

자연어 처리 Task

• 하나의 문장을 여러 개로 나누고 나눈 토큰들의 결합분포로 문장에 대해서 확률을 계산

자연어 처리 Metrics(평가지표)

• BLEU(단어를 한번에 몇개 볼지 정함(n-gram))
• Rouge(BLEU보다 더 fluency를 고려)
• METEOR

세 지표 모두 길이에 의존적인지 아닌지 먼저 판단한다

• Human Based Measures : 사람에게 시켜서 직접 측정하게 하기도 한다. 이렇듯 전처리(특히 번역문)는 정량적인 분석이 어렵다. (감정분석도 마찬가지)

자연어 처리 모델 기존 연구들

• 어떤 한 문장을 분류하거나 혹은 이 문장을 내포하고 있는 어떤 벡터로 표현하고자 함

• 문장의 문맥을 하나의 벡터로 표현하기 위해서 인코딩

• 인코딩 전 tokenizing 진행

• 각 token을 숫자로 표현하고 벡터로 표현

• 각 token의 벡터를 encoding 시키면 n차원의 context vector가 됨.

• 문맥을 알아내는 Enconder를 학습했다면 다양한 Task에 적용이 가능하다.

• 문장은 순서를 가지고 있으니, 문장의 처음부터 끝까지 순서대로 입력을 받아서 최종적으로 벡터를 생성.

RNN

Recurent Neural Net: RNN, LSTM의 핵심 방법

• input x_t가 들어가면 output은 h_t와 다음 A에게 들어간다.
• 문장은 단어들이 순서를 가지고 있는데, 중요한 단어들이 처음 부분에 있다면 정보 손실이 발생할 수 있지 않을까?(정보손실) 에 대한 의문 제기 -> 각각의 단어에 대해서 Attention을 줄 수 있다면 좋겠다!
• 즉, I 를 번역할때는 "나는"에 attention score 줌.
• 아래에서 나는/ 사과를 / 좋아한다 h1,h2,h3를 h'_ j 와 각각 결합시켜 유사도 점수(attention score)를 구하고 softmax를 시켜 확률적 수치를 출력

HAR 데이터

Human Activity Recognition

• 인간의 몸에 디바이스를 부착해 값을 측정한 데이터

테이블/ 막대/ 라인

• 테이블
• 막대 (가운데 맞춤, 전체보기, 축 숫자 백만단위까지 표시)

• 차원을 먼저 선택하고 측정값을 그 다음에 선택하면 막대가 되고, 측정값을 먼저 선택하면 테이블이 된다.

• 라인
• 날짜 데이터를 넣으면 태블로에서 자동으로 시간별 추세를 보기 쉽게 라인으로 만들어준다. (평균 라인을 통해 평균 삽입 가능) (평균 라인을 선택 후 편집을 누른 뒤 값을 나타낼 수 있음)

파이/ 트리맵/ 누적막대

• 파이

• 비중 표시할때 유리 (매출을 각도 부분에 넣어주어야 제대로 비중 표시가 된다.) (구성비율을 선택하면 값이 비율로 표시된다.) (텍스트 수정을 통해 아래와 같이 시각적으로 보기 편하게 나타낼 수 있다.)

• 트리맵

• 전체를 기준으로 얼마만큼의 비중을 차지하는지 보여준다. (아래의 경우 분류할 가짓수가 많아지면 보기 어렵다. 트리맵은 이렇게 분류가 많을 경우 사용한다.)

• ctrl로 동시에 필드를 집고 표현 방식의 그래프를 선택한다.

• 누적막대 (고객세그먼트 드래그를 통해 순서를 바꾸거나 해당 정보만 강조해서 볼 수 있다.)

실무에서 쓴 경험은 거의 없으니 일단 참고하라고 하심

대시보드

대시보드: 다양한 데이터를 동시에 볼 수 있게 하는 여러 뷰의 모음.

• 대시보드를 누가 / 어떤 목적으로 사용할 것인지 / 전달하려는 정보가 뭔지 파악

• 디스플레이 환경이 태블릿인지 핸드폰인지 pc인지 파악

• 레이아웃 배치 - > 핵심 내용은 왼쪽 상단에 위치

• 대시보드 추가 버튼을 선택하여 생성

• 만든 시트들을 하나씩 가져와서 배치하기

분산형 차트만들기

분산형 차트: 측정값간의 관계를 파악하기 위해 사용. 2~4개의 측정값을 한번에 올린뒤 차원으로 나눠 정보를 세분화함. 추세선을 삽입해 알아보기 쉽게 할 수 있다.

• 전체 데이터 scatter형식으로 표현하고 색상표를 더블클릭해서 고급>> 기준값을 변경할 수도 있다.
• 추세선 삽입 가능

데이터 설명

• outlier가 왜 발생하게 되었는지 알아보기
• 저 버튼을 클릭해 데이터 가이드를 확인할 수 있고, 왜 낮은값이 발생하게 되었는지를 파악할 수 있다.

이중축 차트만들기

• 두개의 측정값을 사용하여 이중축을 만들어 더 효과적인 시각화 표현
• 많은 내용을 담고싶을때 이중축 사용
• 하나의 뷰 안에서 축을 이중으로 사용
• 제한된 공간에서 여러개의 데이터를 비교하기 위해 사용

콤비네이션/ 라인 + 영역

콤비네이션: 막대 + 라인차트

• 파이썬 시각화에서 hue값을 주는 것과 유사

• 콤비네이션을 사용하면 아래와 같이 매출은 증가하는데 수익은 감소한다는 등의 새로운 인사이트를 찾아낼 수 있다.
• 두개의 같은 차트를 만들어 하나는 라인 , 하나는 원을 만든다음 이중축을 사용해서 표현한다. 이때 축이 맞지 않으니 축 동기화를 통해 축을 맞춰주는 과정이 필요하다.

라인 + 영역

• 필드를 오른쪽 버튼을 누르고 가져와서 분기를 설정해줌.
• 필드의 퀵테이블 계산의 비율차이를 선택하면 전 분기 대비 성장세를 확인할 수 있다.
• 레이블로 수치 표시, 축동기화 후, 라인이 영역차트보다 앞에 있게 하기위해 맨 앞으로 이동을 선택한다.

응용차트/ 도넛

도넛 : 실무에서 많이 사용한다.

• 열에 숫자 0을 넣어서 축 생성
• 이상태로 만든 뒤 이중축 만들기
• 화면 뷰 우클릭을 통해 라인을 다 제거해준다.
• 도구설명 제거를 통해 아래의 0 값을 제거할 수 있다.

대시보드 만들기(레이아웃 중심)

• 대시보드를 만들어 "동작" 기능을 추가해, 해당하는 부분의 데이터만 강조해서 볼 수 있다.(필터와 하이라이트를 가장 많이 사용한다.)

다양한 기능 활용

그룹/ 집합/ 결합된 집합

• 만들기 부분을 통해 집합이나 그룹을 만들어서 아래와 같이 표시할 수 있음.
• 3개 이상으로 나눌 경우에는 그룹 으로 사용해야 함.
• 집합을 사용해서 필요한 데이터를 IN/OUT으로 표현 가능

계층/ 드릴다운

• 화면에서 드릴다운해서 값을 세부적으로 찾을 수 있음.
• 플러스 버튼이 드릴다운.
• 플러스 버튼이 생기면 계층이 잘 만들어진 것.
• 동일한 시군구가 있을 경우 에러가 생길 수 있으므로 계층을 이용하는 것이 좋음.
• 하위에 있을 필드를 상위에 있을 필드 위로 드래그하면 계층 생성이 가능함.
• 날씨나 시간필드의 경우 자동으로 계층이 생성됨.

맵 차트만들기

• 맵에서 계층을 사용하는 이유는 사용하지 않을 경우 일부 데이터가 누락될 수 있으므로 사용한다.
• 동일한 시군구의 이름을 시도에서 사용할 경우 에러 발생
• 세번째 그림과 같이 강서구의 경우 부산과 서울에 둘 다 존재

• 국가의 지리적 역할을 사용하여 위도 경도를 지도에 표시할 수 있다.

• 맵차트를 이용해 수익과 매출을 시각화 할 수 있음.

• 제품 대분류, 소분류에 대한 매출 시트를 새로 만들고, 도구설명에 시트를 삽입하면 아래와 같이 마우스 오버했을때 매출 정보가 같이 뜬다.

• 배경맵을 위성으로 만든 뒤, 필터를 설정하고 대시보드에 시트를 올림.

• 드롭다운, 부동 설정하기

• 지역별로 확인 가능

응용 차트만들기

워드 클라우드

• 동시에 두 필드를 잡아 마크에 내려놓기
• 제품 중분류에 대한 워드를 나타내고자 하므로 제품 중분류를 레이블에 가져가기
• 매출에 대한 크기를 알아야 하므로 매출 필드를 크기로 이동시킴
• 이 크기를 워드의 형태 크기로 알아야 하므로 그래프를 자동-> 텍스트로 변경
• 수익을 색상별로 표시해 같이 볼 수 있다.

달력형 히트맵

유용하게 사용될 수 있음

• 년단위의 주문일자를 주단위로 변경-> 행열 전환
• 매출을 텍스트에 올려놓고. 열에 주문일자를 우클릭으로 가져다 놓은 후 요일을 선택하기.
• 필터에 주문일자 필드를 넣어 달력형으로 나타내기
• 총계를 사용해 행별로 주차별 매출을 나타내고 사각형 그래프 모양과 색상을 사용해 효과적으로 시각화 함.
• 월을 하나씩 보고싶다면 필터 목록을 누르고 아래 세모표시에 슬라이더를 사용해 확인이 가능하다.

대시보드 만들기(동작)

필터, 하이라이트

• 상단의 대시보드에서 동작 클릭-> 동작추가
• ctrl로 복수개를 선택해 여러개의 값을 한번에 확인이 가능하다.
• esc로 선택 해제 가능

시트이동

• 연관 대시보드로의 클릭을 통해 이동이 가능
• 행 선반에 ""로 (만들 버튼의 제목)을 입력한다.
• 서식 부분에 들어가 음영부분 조절해주기
• 글자 색상 및 크기 조정
• 새로운 대시보드를 만들고 방금 만든 시트 넣어주기
• 부동을 선택하고 행 숨기기, 크기조절
• 메뉴를 눌러주고 이동할 대상 시트 선택
• 클릭하면 이동하게됨.

매개변수 변경

• 매개변수 표시를 하게 될 경우 단독으로 사용할 수 없고, 참조선 필드나 계산된 필드와 같이 사용이 가능
• 계산된 필드 만들기
• 드래그로 가져오기
• 간단한 함수 만들어주기 (매출을 누르면 매출 합계가 나온다는 뜻)
• 주문 일자별 매출, 수량, 수익
• 매개변수 동작 추가를 통해 각 매출, 수량, 수익을 누를때마다 추이가 변하는 것을 확인할 수 있다.

집합 값 변경

• 집합에 있는 값을 변경해 주는 것(인/아웃으로 표시해서 대상값을 표시해주는 것)
• IN/OUT으로 변경해 집합 동작을 추가하여 해당 집합을 선택했을 경우의 변화를 보여준다.

URL동작

• 미리 지정해놓은 외부 리소스로 연결시키는 방식
• 시각적 흐름이 깨지지 않는다는 점에서 효율적임.
• 상단의 지역을 선택할 경우 네이버에 해당 지역을 검색하는 동작을 만들고자 함.
• 개체 부분에 웹페이지를 클릭 후 QUERY부분 까지만 NAVER에서 복사해서 붙여넣기

개체

• 레이아웃을 변경시키는 기능, 이미지, 텍스트 또는 다운로드 할 수 있는 기능이 있다.
• 이번 강의에서는 탐색- 네비게이션 기능만 다룰 것임.
• 탐색부분을 대쉬보드에 드래그해 더블클릭
• 이동할 위치와 이미지 또는 텍스트를 입력한 뒤 ALT+CLICK을 하면 해당 시트로 이동하게됨.

레이아웃

• 레이아웃에는 바둑판 형식과 부동 형식이 있다.
• 바둑판형식이 기본값이며 겹치지 않고, 다른 시트의 크기에 따라 변화되며, 부동형식의 경우 겹치게 배치가 가능하며 다른 컨테이너에 영향을 받지 않기 때문에 지정한 사이즈가 그대로 유지된다.
• 부동의 경우 범례나 필터에 사용.

스토리 만들기

누계

이중축 review: 행에 두개의 비교하고자 하는 필드가 있을때 이중축을 사용하여 같은 표로 비교 표현 가능

차이

• 이전 분기와의 차이
• 2016년 이전의 값은 비교대상이 없으므로 null 값이 생김(숨기기로 숨기기 가능)
• 색상을 이용해 시각화 가능
• 테이블로도 차이 확인 가능
• 기준을 첫번째로 정하여 2016년 1월과 비교함
• 이때 기준이 각 년도의 1월과 비교하기 위해서는 패널 아래로를 선택하면됨

구성 비율

• 대분류의 차원을 해제하고 분석의 총계를 소계로 설정하면 다음과 같이 각 대분류별 비율을 확인할 수 있다.

순위

• 앞의 구성비율과 마찬가지로 공통부분인 대분류를 해제해주면 대분류 내의 순위가 매겨지게 된다.
• 측정값을 두개로 설정해 전체와 부분 순위 비교가 가능하다.
• 측정값을 원래 측정값 필드로 드래그해서 가져다 놓으면 이름 변경이 가능하다.

비율 차이

• 앞에 있는 데이터의(직전값) 증감을 알려줌
• 비율 차이가 차이보다 더 많이 쓰이긴 함

백분위수

• 필드의 합계 매출을 선택하면 내림차순 정렬이됨.
• 전체 고객중 가장 많이 차지하는 매출을 전체대비 퍼센트로 알려줌
• 일반적으로 상위 표현은 100%가 아닌 0.1%로 얘기하기 때문에 테이블 게산에서 계산 유형을 내림차순으로 바꿔준다.

이동 평균

성과에 대한 기준을 나타낼 수 있으며 이동평균선을 기준으로 위에 있으면 성과가 좋고, 아래 있으면 성과가 낮은 것을 시사할 수 있다.

• 평균을 구하는 기간을 설정하고, 그 기간의수를 나눠줌.
• 주식데이터에 주로 사용되고, 5/20/60/120일 주로 4가지로 나누어서 사용한다.
• 이런식으로 축 안에 매출을 드래그해서 넣어줌.
• 이전 2에서 0까지의 평균(즉, 현재 매출에서 전전 매출까지의 평균을 구한다.)
• 이동평균을 설정한 측정값의 테이블 계산 값을 바꿔주면 평균을 나눠주는 기간이 길어지게 된다.

YTD 총계

Year to Date: 해당년도 시작일부터 현재까지의 총계

-각 해마다 1월부터 12월까지의 누계를 보여줌

• 누계와 비슷하지만 누계의 경우 다음해까지의 누적까지 보여줌.

통합 성장률(연평균 성장률 CAGR)

연평균 성장률(Compound Annual Growth Rate): 여러 해 동안의 성장들을 평균으로 환산한 것으로, 매년 성장률을 산술평균이 아닌 기하평균으로 환산한다. $=(최종연도값/최소연도값)^(1/연도간격)-1$

계산된 필드

계산된 필드 구성요소

• 필드: 데이터 원본이 존재하는 필드를 활용해 새로운 필드를 만든다.
• 연산자: 함수, 필드, 매개변수 등을 연결하고 계산을 판단하는 요소이다.
• 매개변수: 상수 값을 동적인 값으로 변경해주는 변수이다.(최근1년, 최근3년 등)
• 함수: 새로운 계산식을 적용하기 위해 기존 데이터 원본의 필드에 유형 및 역할을 결정하는데 영향을 준다.

연산자

• 일반적으로 주문 건수는 테이블에 나타나지 않기 때문에 주문 번호로 계산해 주어야 하고, 중복이 겹치지 않도록 고유로 계산해 주어야 한다.(countd()함수 사용)
• 다음과 같이 함수를 사용해 계산 가능
• 수익과 주문 건당 수의 서식조건을 변경하고, 주문 일자를 변경해 다음과 같이 변경 가능하다.

논리함수

참/거짓 판단

• 태블로에서 if/case함수의 경우 로직을 만들고 꼭 end로 닫아 주어야 오류 발생하지 않음.

• '//' 으로 주석처리 가능

• 2억으로 구분

• 상수라인으로 추세선 추가 가능

• 편집으로 추세선 변경 가능

• iif 를 사용해 ','로 문장 길이를 줄일 간결하게 할 수 있다.

• True/False로 더 간결히 표시 가능(동일하게 나타남)

매개변수

계속 값을 변경해줘야 하는 경우라면 매개변수를 통해 동적으로 변경해주는게 효율적이다.

• 매개변수는 단독으로 사용할 수 없고 계산식이나 참조선이랑 같이 사용되어야 한다.

범위형

• 슬라이드 부분을 조정하면 그 금액에 맞춰 색상이 변경된다.
• 값이 계속 바뀌므로 이번에는 상수라인이 아니라 참조선으로 선을 만든다

목록형

실무에서 많이 사용/ 외국계 회사에서는 회계 단위가 다를 수 있기때문에 필수적으로 사용

• 우선 계산된 필드를 사용하여 USD를 만들어줌
• 매개변수 설정
• 드롭다운을 통해 환율을 선택할 수 있다.

날짜형

실무에서 대시보드를 만들때 많이 사용

• 매개변수 만들기(2개)
• 계산 필터 만들기
• 필터에 적용시키면 아래와 같이 날짜 주문 기간별로 매출이 나타남

복합 매개 변수

하나의 화면에서 다양한 각도로 분석해야할때 사용/ 여러개의 차원, 측정값을 보고자 할때

• 매개 변수를 많이 사용할 경우 퍼포먼스가 낮아질 수 있기 때문에 적절하게 사용해야한다.

• 두개의 매개변수를 만들고(화면표시) 계산된 필드 만들기

• 단위에 대한 계산 필드도 만들어 주기

테이블 계산 함수- PRIMARY함수

PRIMARY 함수: 함수 내에 다른 함수가 포함된 함수

• primary함수 내에는 반드시 집계된 값의 함수가 포함되어야 한다.

RUNNING

• 현재 식에서 주어진 식까지 누계해서 출력
• 누계와 같이 동일한 값을 출력해줌
• running avg(전체 평균) 와 이동평균(특정분기 기간의 평균)

TOTAL

총 합계를 구하는 함수

• sum의 경우 차원의 영향을 받지만 total은 차원의 영향 없이 총 합계를 나타내줌

LOCK UP

현재 행 기준으로 오프셋만큼 떨어진 곳의 주어진 식의 값을 반환한다.

• 현재 행으로부터 -1(바로 하나 전) 의 행을 가져오는 것
• 음수를 넣으면 이전, 양수를 넣으면 그 후의 값을 가져옴

WINDOW

현재 화면 내에서 해당 식을 반환

• 특정 범위를 지정할 수 있다는 점에서 running함수와 차이를 보인다.

• 현재부터 이전 3개 분기의 평균

• 이동평균의 분기 기준을 조정했을때의 값과 동일하다

문자열 함수

CONTAIN

문자열이 들어있는지 확인

• 계산된 필드 만들기
• 필터에 적용

SPLIT

문자열 분리

• 브랜드명만 가져오기

REPLACE

• 문자열 대체해서 가져오기

DATE 함수

시계열 분석할때 필수적인 함수

DATEPART

• 지정한 날짜의 부분을 정수로 반환
• 의도하지 않게 많이 사용 중이었음
• 텍스트 부분으로 이동시켜 표현 가능

DATETRUNC

• 지정한 날짜 부분을 기준으로 잘라내고 새 날짜를 반환

• DATEDIFF

• 날짜간의 차이를 구해줌
• 각 제품별 배송까지 걸린 기간 반환
• 이때 주문번호가 중복되는 경우 아래와 같이 제대로된 값이 나오지 않을 수 있으므로 제품명을 추가해줘야함

MTD: Month to date QTD: Quater to date YTD: Year to date

LOD 표현식

LOD: Level of Detail(세부 수준 식) {include [차원1],[차원2] : sum([측정값])}

• 반드시 중괄호 안에 써야 하고, 그 사이에 꼭 콜론이 있어야하고, 하나 이상의 집계값이 들어가야 한다.

include

화면에 포함되지 않은 특정 차원을 포함하여 결과를 계산

• 최대값 매출은 매출 중에 그냥 최대 값을 말하는 것이고, inlcude의 경우는 눈에 보이진 않지만 화면의 차원보다 큰 차원에 있는 값을 가져와서 집계해줌. 즉, 여기서는 대분류 차원 내에서 중분류들 중 가장 큰 매출을 보여준다.

exclude

화면에 포함된 특정 차원을 제외하여 결과를 계산

• 제품 중분류의 모든 합계를 가져와서 값이 다 동일하게 나옴

Fixed

화면에 상관 없이 특정 차원을 고정하여 결과를 계산

• include 와 exclude보다 많이 사용됨.

• include/ exclude/ fix간의 차이

태블로 작동 순서

📌참고

• 계산된 필드는 측정값 이름 옆에 델타(세모)표시가 나타난다.

학습 데이터 각각에 정답이 주어져 있는 학습을 지도학습 이라고 하며, 이 정답을 연속된 값으로 예측하는 것을 회귀라 한다.

• 학습 데이터 셋을 학습 알고리즘에 넣어 학습시킨뒤, 테스트하고자 하는 값을 이 알고리즘에 넣어 예측값을 얻어낸다.

OLS

Ordinary Linear Least Square (최소 제곱법)

• 주어진 데이터세트에서 종속 변수 y와 독립변수 x간의 선형관계를 모델링하는데 사용된다.
• 실제 관측값(y)과 예측값(y_hat) 간의 오차의 제곱합을 최소화하는 회귀선을 찾는 것이 목적이다.
• 데이터 전체에 대한 모든 행렬을 구하고 거기에 역행렬을 취하는 것.

Cost Function

가설이 얼마나 정확한지 판단하는 기준을 말하며, loss function 의 합, 평균 에러를 다룬다. 순간 마다의 loss를 판단할때는 loss function을 사용하고, 학습이 완료된 후에는 전체 데이터에 대한 cost function을 확인한다.

Cost Function과 Gradient Descent

• 실제 데이터는 너무 복잡해서 손으로 풀기 어렵기 때문에 평면상의 방정식이 아니라 다차원에서 고민해야할 때가 많음.
• 때문에 단순하게 한번의 시도로 cost function의 최소값을 구할 수 없을 때가 더 많다.
• 이를 위해 Gradient Descent를 사용하여 cost function이 최소값을 가지는 지점을 확인한다.

Gradient Descent

• 랜덤하게 임의의 점을 선택
• 임의의 점에서 미분(or편미분)한 값을 계산해서 업데이트
• 계산한 값을 원래 방정식의 $$x$$또는 $$\theta$$에 차감을 시켜 방정식을 업데이트 시킨다.

• 학습률이 크다면 최솟값을 찾으러 가는 간격이 크게 되고, 찾게 되어도 갱신횟수는 상대적으로 적을 수 있으나 수렴하지 않고 진동할 수도 있음.
• 따라서 학습률은 적당한 값을 찾아야 하는 hyper parameter이다.
• 다변수 데이터에 대한 회귀의 경우 Multivariate Linear Regression으로 해결한다.

• 하나의 sql문 안에 포함되어있는 또 다른 sql문을 말한다.

• 메인쿼리가 서브쿼리를 포함하는 종속적인 관계이다. (서브쿼리는 메인쿼리의 컬럼 사용 가능/ 메인쿼리는 서브쿼리의 컬럼 사용 불가)
• 서브쿼리는 괄호로 묶어서 사용.
• 단일 행 혹은 복수 행 비교 연산자와 함께 사용 가능
• 서브쿼리는 order by 사용x

Scalar Subquery

Inline View

(경찰서별로 가장 많이 발생한 범죄건수와 범죄 유형 조회)

Nested Subquery

single row

• 서브쿼리의 결과가 한 행을 출력하지 않으면 에러가발생.
• 괄호 꼭 써주기

multiple row

• IN (snl에 출연한 영화배우 조회)
• EXIST (범죄 검거 혹은 발생건수가 2000건 보다 큰 경찰서 조회)
• ANY

(snl에 출연한 적이 있는 출연자 조회)

• ALL: 서브쿼리를 모두 만족하면 출력(비교연산자 사용)

  multiple column

• 서브쿼리 내에 메인쿼리 컬럼이 같이 사용되는 경우

!

recall : 참인 데이터 중에서 참이라고 예측한 데이터의 비율 precision : 참이라고 예측한 데이터에서 실제 참인 데이터의 비율

• 실제 양성인 데이터를 음성이라고 판단하면 안되는 경우라면 recall이 중요하고(암환자 판별-threshold 0.30.4), 음성인 데이터를 양성이라고 판단하면 안되는 경우라면 precision이 중요하다.(스팸메일- threshold 0.80.9)

• F1score는 조화평균이라고도 함.

  from sklearn.metrics import (accuracy_score, recall_score,precision_score,f1_score, roc_auc_score, roc_curve)
  

print(f'acc:{accuracy_score(y_t, y_pred)}') print(f'recall:{recall_score(y_t, y_pred)}') print(f'precision:{precision_score(y_t, y_pred)}') print(f'auc:{roc_auc_score(y_t, y_pred)}') print(f'f1:{f1_score(y_t, y_pred)}')

## ROC/AUC
![](https://velog.velcdn.com/images/hey_roha/post/823208c8-99db-487a-a591-d03de05ac350/image.png)

- FPR = FALL-OUT(실제 양성이 아닌데, 양성이라고 잘못 예측한 경우)
- TPR = RECALL(SENSITIVITY)

![](https://velog.velcdn.com/images/hey_roha/post/17f3665a-d840-45e0-85f5-6a09852281ab/image.png)
- AUC는 ㄱROC곡선 아래의 면적을 의미

```python
import matplotlib.pyplot as plt
%matplotlib inline 

pred_proba = wine_tree.predict_proba(x_t)[:,1]

fpr, tpr, thres = roc_curve(y_t, pred_proba)

plt.figure(figsize=(10,8))
plt.plot([0,1],[0,1])
plt.plot(fpr, tpr)
plt.grid()
plt.show()

훈련용, 테스트용 데이터 분류양상 확인

import plotly.graph_objects as go

fig = go.Figure()
fig.add_trace(go.Histogram(x = x_tr['quality'], name = 'Train'))
fig.add_trace(go.Histogram(x = x_t['quality'], name = 'Test'))

fig.update_layout(barmode ='overlay')
fig.update_traces(opacity = 0.75)
fig.show()

Decision Tree Train

• 두 데이터셋의 성능은 비슷하다.

  from sklearn.metrics import accuracy_score
  

y_pred = wine_tree.predict(x_tr) y_pred_test = wine_tree.predict(x_t)

print(f'Train acc: {accuracy_score(y_tr, y_pred)}') print(f'Test acc: {accuracy_score(y_t, y_pred_test)}')

![](https://velog.velcdn.com/images/hey_roha/post/121e2dd9-ada6-4efa-a42a-06bfcba30ad7/image.png)

## 데이터 전처리
```python
fig = go.Figure()
fig.add_trace(go.Box(y = x['fixed acidity'],name = 'fixed acidity'))
fig.add_trace(go.Box(y = x['chlorides'],name = 'chlorides'))
fig.add_trace(go.Box(y = x['quality'],name = 'quality'))

fig.show()

• 일반적으로 머신러닝에서 컬럼간의 범위격차가 많이 나면 트레이닝이 잘 안 될 수.도. 있다.
• 이렇게 차이가 나는 경우 스케일링을 하는게 좋을 수 있는데, Decision scaler에서는 의미가 없음.(주로 cost function 을 최적화할때 유효하다.)

MinMaxScaler

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler

mms = MinMaxScaler()
ss = StandardScaler()

mms.fit(x)
ss.fit(x)

x_mms = mms.transform(x)
x_ss = ss.transform(x)

x_mms_pd = pd.DataFrame(x_mms, columns = x.columns)
x_ss_pd = pd.DataFrame(x_ss, columns = x.columns)

• 정확성 확인: 별 차이가 없긴 하지만 그래도 테스트 해봐야함.

x_tr,x_t,y_tr,y_t = train_test_split(x_mms_pd, y, test_size = 0.2, random_state= 0xC0FFEE)

wine_tree = DecisionTreeClassifier(max_depth = 2, random_state = 0xC0FFEE)
wine_tree.fit(x_tr,y_tr)

y_pred = wine_tree.predict(x_tr)
y_pred_test = wine_tree.predict(x_t)

print(f'Train acc: {accuracy_score(y_tr, y_pred)}')
print(f'Test acc: {accuracy_score(y_t, y_pred_test)}')

StandardScaler

• 정확성 확인: 차이 없음.

  x_tr,x_t,y_tr,y_t = train_test_split(x_ss_pd, y, test_size = 0.2, random_state= 0xC0FFEE)
  

wine_tree = DecisionTreeClassifier(max_depth = 2, random_state = 0xC0FFEE) wine_tree.fit(x_tr,y_tr)

y_pred = wine_tree.predict(x_tr) y_pred_test = wine_tree.predict(x_t)

print(f'Train acc: {accuracy_score(y_tr, y_pred)}') print(f'Test acc: {accuracy_score(y_t, y_pred_test)}')

![](https://velog.velcdn.com/images/hey_roha/post/12b112fb-1a2d-41d3-8a8e-ce9c3f40396d/image.png)


## 맛의 이진 분류
- 퀄리티의 지표가 몇 개 없으니 0,1로 taste 칼럼을 추가로 만들어 평가할 것.
```python
wine['taste'] = [1. if grade > 5 else 0. for grade in wine['quality']]
wine.head()

• 이 형태로 모델을 학습시킨뒤 정확성을 보았더니 1.0으로 나옴.

• 이걸 확인해보기 위해 트리 작성.(이 경우에서 feature_names 부분에 x.columns만 쓰면 오류가 나서 list로 묶어줌.)

• quality컬럼으로 taste컬럼을 만들었기 때문에 quality컬럼도 삭제 시켜주어야 학습이 잘 된다.

from sklearn import tree
import matplotlib.pyplot as plt
import sklearn.tree as tree

plt.figure(figsize=(12,8))
tree.plot_tree(wine_tree, feature_names = list(x.columns));

• 코드를 수정한 정확도는 아래와 같다.

  x = wine.drop(['taste','quality'],axis = 1)
  y = wine['taste']
  

x_tr, x_t, y_tr, y_t = train_test_split(x,y,test_size = 0.2, random_state = 0xC0FFEE)

wine_tree = DecisionTreeClassifier(max_depth = 2, random_state = 0xC0FFEE) wine_tree.fit(x_tr, y_tr)

![](https://velog.velcdn.com/images/hey_roha/post/dd0b47f1-f63e-46ce-9fb5-8c4ee2bd1102/image.png)
```python
#수정 후

plt.figure(figsize=(12,8))
tree.plot_tree(wine_tree, feature_names=list(x.columns),
               rounded = True,
               filled = True)

plt.show()

pipeline

• Jupyter Notebook 상황에서 데이터의 전처리와 여러 알고리즘의 반복 실행, 하이퍼 파라미터의 튜닝 과정을 번갈아 하다 보면 코드의 실행 순서에 혼돈이 있을 수 있다.
• 이런 경우 클래스(class)로 만들어서 진행해도 되지만, sklearn 유저에게는 꼭 그럴 필요없이 준비된 기능이 있다. → Pipeline

  from sklearn.pipeline import Pipeline
  from sklearn.tree import DecisionTreeClassifier
  from sklearn.preprocessing import StandardScaler
  

estimators = [ ('scaler',StandardScaler()), ('clf', DecisionTreeClassifier()) ] pipe = Pipeline(estimators)

![](https://velog.velcdn.com/images/hey_roha/post/7a761cb4-b114-4e44-97ba-a4b8852378f0/image.png)
- ```pipe.steps```:어떤 단계로 이루어지고, 뭐가 지정되어 있는지 알려준다.
- ```pipe.steps[1]```: 어느 위치에 뭐가 지정되어 있는지 알려준다.(스텝별로 객체 호출 가능)
- ```pipe.set_params(clf__max_depth = 2)```: pipe에 할당된 스탭에 언더바 두개 '__'로 속성 할당이 가능하다.

- pipeline을 통해 학습이 깔끔해져서 혼돈이 생기지 않게 된다.


## 교차검증
> - **과적합**: 모델이 학습 데이터에만 과도하게 최적화된 현상
- 이로 인해 일반화된 데이터에서는 예측 성능이 과하게 떨어지게 된다.
- 나에게 주어진 데이터에 적용한 모델의 성능을 정확히 표현하기 위해서도 사용이된다.

![](https://velog.velcdn.com/images/hey_roha/post/b8b6874c-f944-4bf9-871f-dd185ca8c8a6/image.png)
### 1. KFold사용
```python
import numpy as np
from sklearn.model_selection import KFold
#샘플 생성
x = np.array([
    [1,2],[3,4],[1,2],[3,4]
])

y = np.array([1,2,3,4])
#k-fold
kf = KFold(n_splits = 2)
print(kf.get_n_splits(x))
print(kf)

for train_idx, test_idx in kf.split(x):
    print(f'train:{train_idx}')
    print(f'test:{test_idx}')

• 실제 들어가있는 데이터가 뭔지 확인하기

  for train_idx, test_idx in kf.split(x):
    print(f'train:{train_idx}')
    print(f'test:{test_idx}')
    print('----train_data')
    print(x[train_idx])
    print('---validation_data') 
    print(x[test_idx])  

  

2. StratifiedFold사용

from sklearn.model_selection import StratifiedKFold

kf = KFold(n_splits = 5)
wine_tree_cv = DecisionTreeClassifier(max_depth = 2, random_state = 13)

cv_acc = []

for train_idx, test_idx_idx in kf.split(x):
    x_tr = x.iloc[train_idx]
    x_t = x.iloc[test_idx]
    y_tr = y.iloc[train_idx]
    y_t = y.iloc[test_idx]

    wine_tree_cv.fit(x_tr,y_tr)
    y_pred = wine_tree_cv.predict(x_t)

    cv_acc.append(accuracy_score(y_t, y_pred))

cv_acc

3. cross validation score 사용

from sklearn.model_selection import cross_val_score

kf = KFold(n_splits = 5)
wine_tree_cv = DecisionTreeClassifier(max_depth = 2, random_state = 13)

cross_val_score(wine_tree_cv, x, y, cv = kf)

• train score를 함께 보고싶다면 cross_validate사용

  from sklearn.model_selection import cross_validate
  

cross_validate(wine_tree_cv, x, y, cv =kf, return_train_score= True)

![](https://velog.velcdn.com/images/hey_roha/post/fd11e393-0bee-4aee-9426-8be4e0f7e108/image.png)

> **fit_time**: 모델을 학습(fit)하는 데 걸린 시간을 측정한 값
**score_time**: 모델이 예측을 수행하고 점수를 계산하는 데 걸린 시간을 측정한 값


## 하이퍼파라미터 튜닝
- 모델의 성능을 확보하기 위해 조정하는 값
![](https://velog.velcdn.com/images/hey_roha/post/d9d0ff8f-c28e-4ec0-a0b5-75896e1ba013/image.png)
```python
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier

params = {'max_depth': [2,4,7,10]}
wine_tree = DecisionTreeClassifier(max_depth = 2, random_state = 13)

gridsearch = GridSearchCV(estimator = wine_tree, param_grid = params, cv = 5)
gridsearch.fit(x,y)

• cv는 cross validation

  import pprint 
  

pp = pprint.PrettyPrinter(indent =4) pp.pprint(gridsearch.cv_results_)

![](https://velog.velcdn.com/images/hey_roha/post/4c6d3123-ef51-46e3-8c58-607d084e3e60/image.png)

> -```gridsearch.best_estimator_```, ```gridsearch.best_score_```,```gridsearch.best_params_```: 성능이 좋은 지표들을 출력해준다.

- 파이프라인과 연결

```python
from sklearn.pipeline import Pipeline
from sklearn.tree import DecisionTreeClassifier
from sklearn.preprocessing import StandardScaler

estimators = [
    ('scaler',StandardScaler()),
    ('clf', DecisionTreeClassifier())
]
pipe = Pipeline(estimators)

param_grid = [{'clf__max_depth': [2,4,6,8]}]

GridSearch = GridSearchCV(estimator = pipe , param_grid = param_grid, cv =5)
GridSearch.fit(x,y)

• 표로 정리

📌회고록

• pip install plotly로 plotly 모듈 불러오기 가능. (plotly는 대화형 그래프를 만들기 위한 라이브러리이고, 주로 사용하는 모듈은 graph_objs와 express가 있다.아래와 같이 수치가 나온다.)
• np.unique: 분리된 트레인,테스트 데이터가 어떻게 분리되었는지 확인할 수 있음.
• dict(zip(x_tr.columns,wine_tree.feature_importances_)): 중요한 영향을 끼치는 컬럼에 대해 확인할 수 있으며, max_depth를 증가시키면 저 수치에도 변화가 생긴다.
• 트리 그림에서 value는 두번째 층을 보았을때 총 2401개의 샘플 중에 1331개는 첫번째 클래스에 속하고, 1070은 두번째 클래스에 속하는 것을 의미한다.

Label Encoder

• 글자로 되어있는 컬럼을 숫자로 바꿔줌.
• 그 반대도 가능.
• 아래 코드를 통해 학습

  from sklearn.preprocessing import LabelEncoder
  

le = LabelEncoder() le.fit(df['A'])

- ```le.classes_``` : 클래스 확인
- ```le.transform(df['A'])``` : A컬럼의 문자를 숫자로 변환
- ```le.inverse_transform(df['le_A'])``` : 숫자를 글자로 변환


### min-max scaler(정규화)
![](https://velog.velcdn.com/images/hey_roha/post/ae8568da-6312-44b2-a516-709036cf35ae/image.png)
```python
from sklearn.preprocessing import MinMaxScaler

mms = MinMaxScaler()
mms.fit(df)

• mms.data_max_, mms.data_min_, mms.data_range_: 각 컬럼의 최대값, 최소값, 범위 나타냄.

• df_mms = mms.transform(df) : min-max scaler 로 변환

• mms.inverse_transeform(df_mms) : 변환시킨걸 다시 원래대로 되돌릴 수 있음.

standard scaler(표준화)

• sd.mean_, sd.scale_: 평균과 표준편차
• 표준화 시키면 아래와 같다

roburst scaler

• 사분위 데이터를 활용
• from sklearn.preprocessing import RobustScaler사용
• 사용법은 위의 scaler들과 같음

총 비교

📌회고록(오답노트)

• pip install scikit-learn: sklearn설치
• 머신러닝은 머신에게 데이터를 주고, 학습한 후,사용자가 질문한 내용에 대답할 수 있다.
• 머신러닝에서 예측은 꼭 미래에 대한 데이터를 의미하는건 아니다.
• 과적합이 발생하면 흔히들 모델이 일반화된 성능이 높지 않을 것이라 생각한다.

• 간단한 markdown문법

This is H1
====

This is H2
---

# This is H1
## This is H2
### This is H3
#### This is H4
##### This is H5
###### This is H6

#### BlockQuote
#### 블럭인용문자 사용(>)
> This is a first blockquote
>> This is a second blockquote
>>> This is a third blockquote
>>>

#### BlockQuote(혼합)
#### 블럭 내에서 다른  Markdown 요소를 포함할 수 있음.
> ### This is H3
> * List
>
#### 목록 - 순서가 있는 목록
##### 내림차순으로 자동 정렬됨.

1. 첫번째
2. 두번째
3. 세번째

#### 목록 - 순서가 없는 목록
* - +

* 빨강
  * 녹색
    * 파랑

+ 빨강
  + 녹색
    + 파랑

- 1단계
  - 2단계
    - 3단계

#### 코드블럭1
<pre><code>print('hello, world')</code></pre>
<code>print('this is readme file.txt')</code>

#### 코드블럭2
```code block```

#### 외부링크 
Link : [Google](https://google.com)

#### 강조
*이태리체*
_이태리체_
**강조**
__강조__
~~취소선~~

실습환경 만들기

• remote repository에 tag_project생성
• local에서 3번 커밋 후, remote에 push한 상황
• 아래는 commit 후의 git log

Git tag

-tag : 내가 커밋한 특정 버전에 태그를 달아놔서 필요할때마다 태그를 가져와서 사용하는 것.

• git tag (버전명) (해당 커밋의 고유번호-해시): 커밋의 태그 버전을 생성(해시값을 작성하지 않을 경우 마지막 커밋에 부여)

• git push origin (버전명): local에서 해당 버전을 지정한채로 push
• remote에서 확인해보면 tag의 숫자가 올라간 것을 확인할 수 있음.
• git tag: tag의 목록만 불러서 볼 수 있음.
• git show (태그이름): 해당 태그의 정보를 확인할 수 있음.
• git tag --delete (버전이름) : 해당 버전 삭제
• git push --delete origin (버전이름) : remote repository에서 해당 버전 삭제

Merge 실습환경 만들기

• remote에 merge_project 레파지토리 생성
• local에는 dev branch 생성 후 이동, text.txt파일 수정한 상황
• diff 와 유사하게 merge설정 추가

Merge

• 변경사항이 차이가 있는 두 파일을 합쳐주는 과정
• 현재 있는 branch를 기준으로 merge
• git merge (branch name a): main브랜치 기준으로 a라는 브랜치를 merge시켜준다.
• 두코드의 라인이 다르기 때문에 git이 자동으로 인식해 conflict가 생기지 않는 상황

Git Merge and Conflict

• main 과 dev2 의 branch가 둘 다 변경되어서 커밋된 상황에서 merge
• 충돌이 발생함
• 같은 라인에 있는 코드가 차이가 있어서 충돌이 발생.
• 이와 같은 경우는 직접 수정을 해줘야함.
• git mergetool사용
• 남기고자 하는 code외에 모두 삭제한 후 저장
• conflict상황을 해제하기 위해서 add를 한번씩 해줘야함
• 그 후 git commit 명령 후 뜨는 commit창을 저장해주기
• 다시 확인해보면 merge가 잘 되어있음

• mergetool 실행 후

📌회고록

• 로컬에서 repository를 만들면 master로 branch가 생기고, remote의 경우 main으로 생성된다.
• 겹치는 부분이 있으면 merge를 자동으로 수행해주지만 다르면 충돌이 생긴다.

Git Log 확인

• git bash에서code명령어를 통해 vscode를 실행시킨다.
• vscode에서 git graph를 찾은뒤 설치
• 아래의 화면이 나타나면 성공
• 커밋의 기록을 알 수 있음.

Git Log 실습환경 만들기

• 새로운 레파지토리를 remote에 만들어줌.
• log_project 레파지토리 안에 다음과 같이 설정해줌

Git Log

• git log: 깃의 로그 확인 가능
• 아래서부터 시작

Git Editor and Diff tool설정

• $ git config --global core.editor: 기본 문서 편집기가 무엇인지 확인(vim 이 떠야하는데 뜨지 않는다면 $ git config --global core.editor "vim" 으로 직접 설정
• vi (파일이름) : vim으로 파일 편집 가능.
• $ git config --global core.editor "code --wait": vim 말고 vscode로 수월하게 편집하기 위해서 기본 설정 바꿀 것임.(*wait 설정은 vscode를 종료할 때까지 bash창의 명령어를 입력하지 않도록 기다리겠다는 것. 불편하면 wait없이 'code'만 입력해도 됨.)

git config --global -e: vscode에서 gitconfiguration 열기

• 위의 gitconfid에 diff 설정 추가(추가하고 x눌러서 꺼줘야함)

Git Diff(local)

• get diff (브랜치1) (브랜치2): 각 브랜치간, 커밋간 들어가있는 내용이 다를 수 있는데 이를 확인할 수 있게 도와주는 것.

• get difftool (브랜치1) (브랜치2): vscode상에서 브랜치의 차이를 보여줌

• 커밋 번호를 통해서도 확인 가능

• head^는 head(마지막커밋)이전의 커밋을 말함

• get difftool HEAD: 마지막 커밋과 현재 수정사항의 비교

• 마지막 수정은 cat이었는데 , 현재는 pig로 변경되어있음을 나타냄.

Git Diff(remote)

• git difftool main origin/main: main은 local을 의미하고 origin은 remote에 연결되어있는 기본 레파지토리의 url을 말한다. local과 remote의 변동 내용을 비교

📌회고록

• cat >: 덮어쓰기
• cat >>: 붙여쓰기
• git checkout -b (브랜치이름): 해당 브랜치가 없는 경우에만 사용해야함

• 레파지토리를 만들때 git ignore설정을 하면 그 파일 안에 들어있는 확장자 명들은 다루지 않겠다는 것.

Default Branch

• branch의 기본 이름인 main을 master또는 다른걸로 변경가능
• main을 클릭후 아래 view all branches클릭
• 또는 프로필에서 환경설정의 repository로 들어가 디폴트로 생성되는 레파지토리의 브랜치 이름을 변경할 수 있다.

Remote Repository복제하기

• git clone (토큰,주소값)을 하면 local에서 변경된 내용을 한번에 가져올 수 있다.

📌회고록

• 만약 remote의 url을 잘못 설정했다면 git remote remove origin을 사용해 삭제할 수 있다.
• 파일명 앞에 '.'이 붙어있으면 숨김파일이므로 ls -all을 해서 찾아볼 수 있다.

Branch

Branch 조회

• Branch 조회> 생성> 이동> 삭제 (Local에서 작업을 하면 remote로 보내줘야함)

• git branch : local branch의 정보를 알려줌

• git branch -r: remote branch를 기준으로 어떤 정보가 담겨있는지 알려줌.

• git branch -a: local 과 remote branch의 정보를 같이 알려줌.

Branch 생성&이동

>local에서 작업

• git branch (생성할 브랜치 이름): 브랜치 생성

-git checkout (이동할 브랜치 이름): 해당 브랜치로 이동(master에서 바뀐것 확인 가능)

-$ git checkout -b (브랜치 이름): 해당 브랜치로 이동하는데 없으면 생성하고 이동

>remote에서 작업

• local에서 만든 branch를 remote에 적용시키는 과정
• git push origin (브랜치 이름): 해당 브랜치를 remote repository에 적용(아래 빨간색 부분이 remote)
• branch01이 생긴것 확인 가능
• branch02까지 적용 완료

Branch 삭제

>local에서 작업

• branch02 삭제작업

• 해당 branch가 활성화 되어있는 경우에는 삭제가 되지 않으므로 다른 branch로 checkout후에 삭제를 진행해야 한다.

• git branch -d (브랜치 이름): 해당 branch를 삭제

• 생성한 모든 브랜치를 지우고 확인하니 local에서는 삭제된게 remote에는 아직 남아있음.

• git push origin --delete (브랜치이름): 해당 브랜치를 삭제한걸 remote에 반영함.(마지막에는 다 적용되어 master만 남은 것을 확인할 수 있음)

1.첫번째 단계

• git 실습을 할 폴더(test_project) 생성
• git init을 통해 git이 폴더를 관리할 수 있도록 만듦
• working directory의 단계
• ls -all을 통해 git이 관리하는 숨김파일을 다 볼 수 있다.

2.두번째 단계

• $ touch (파일이름.txt): 텍스트 파일 생성
• git status: 현재 이 폴더 안에서 어떤 일들이 생겨나는지 확인 가능
• 텍스트파일을 git add (파일명) 후(index추가) git의 상태가 변화됨.

3.세번째 단계

• commit 을 통해 head로 올리는 단계
• $ git commit -m '(커밋에 대한 설명 메세지)' (적용시킬 파일명)

Remote Repository생성

1. remote repository 생성

• 인터넷에서 사용할 레파지토리
• github 홈페이지에 들어가서 새로운 레파지토리 생성
• 프로필의 setting에 들어가서 맨 아래 developers settings에서 token발급
• name작성,no expiration, repo로 선택

2. remote랑local 연결

• 연결 문법

• $ git remote add origin https://heyroha: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~@github.com/heyroha/test_project.git

• 연결된 remote repository확인

Remoite repository에 push하기

• Local repository(head)에 반영된 변경내용을 Remote 에도 반영하기 위해 push사용
• master가 안된다면 main으로 실행
• 커밋을 하고 깃헙페이지 새로고침하면 test.txt가 커밋된 것을 확인할 수 있다.
• 이 명령어에서 origin은 일반적으로 프로젝트의 원격 저장소를 의미한다. 여러개의 원격 저장소를 추가할 수 있지만 'origin'은 기본적으로 사용된다.
• origin은 원격 저장소를 지정하고, master는 브랜치를 지정한다.

Local repository에 pull하기

• git pull origin master를 통해 로컬에 있는 파일 pull 할 수 있다.
• readme 파일이 생긴 것을 확인할 수 있다.

📌회고록

• git 사용할때는 변화된 내용이 있을 수 있으므로 습관적으로 git status확인해주기!
• 폴더를 만들고 그 폴더 내에서 git init을 해줘야 git이 관리를 할 수 있음.
• 텍스트 파일을 확인해보고 싶으면 cat (파일명)을 사용해서 확인 가능
• 파일만들기> git add를 통해 index추가하기> 커밋하기> 리모트랑 로컬 연결하기 > push하기/pull하기
• cat > (파일명)을 통해 문서 수정가능( ctrl+D로 저장)