[실기] 빅데이터 분석 기사 작업형 3 정리 (Python)

빅데이터 분석 기사 실기 -  작업형 3 정리본

🚨 모든 코드는 파이썬 기준입니다.

작업형 3에 대한 정보는 정말 적고 7회 실기 시험을 보고 정리글을 작성하지만 아직까지 잘 모르겠다.

우선 정말 기본적으로 아래의 문제를 모두 익히고 약간의 응용이 가능하다면 부분 점수를 보려볼 순 있을 것 같다.

 

1. T검정

1) 쌍체표본

from scipy import stats
s , p = stats.ttest_rel(data['bp_post'], data['bp_pre'], alternative="less")
if (p > 0.05):
    result4 = 't'
else:
    result4 = 'f'
# 여기서 result4가 f로 나왔으므로 p값이 유의수준보다 낮음을 의미
# 즉 실험에 성공하였으니 대립가설이 채택되었다는 의미, 즉 귀무가설은 기각되었음

2) 독립표본

from scipy import stats
s, p = stats.ttest_ind(group1, group2)

# 결과가 t라면 유의수준보다 좋은 것 즉 실험에 실패함, 귀무가설 채택
# 결과가 f라면 유의수준보다 낮음, 실험에 성공, 대립가설 채택

3) 단일표본

from scipy import stats
mu = 75
s, p = stats.ttest_1samp(scores, mu, alternative='greater')

# greater 설정이므로 75보다 큰지 실험
# less라면 75보다 작은지

2. 일원배치, ANOVA F-검정

s , p= stats.f_oneway(groupA, groupB, groupC)

3. 샤피로윌크

# Shapiro-Wilk 검정을 사용하여 데이터가 정규 분포를 따르는지 검증하시오
# 귀무 가설(H0): 데이터는 정규 분포를 따른다.
# 대립 가설(H1): 데이터는 정규 분포를 따르지 않는다.
s , p =stats.shapiro(data)
# 0.9768090844154358 0.9676500558853149 T
# 결과가 T이므로 실험에 실패, 즉 대립가설 기각, 귀무가설을 채택한다.

 

 

4. 로지스틱회귀⭐️( 7회 작업형 3 제출됨 )

# C(Pclass): C()는 categorical 변수를 나타내며, Pclass 변수를 각 클래스(1, 2, 3)로 나누어 모델에 포함시킵니다.
# 이러한 변수들이 종속 변수 Survived에 어떤 영향을 미치는지를 통계적으로 분석하는 것이 로지스틱 회귀모형의 목적입니다. 
formula = "Survived ~ C(Pclass) + Gender + SibSp + Parch"

from statsmodels.formula.api import logit
model = logit(formula, data=df).fit()
print(model.params)

5. 카이제곱

# 1) 기본 예제
from scipy.stats import chisquare
s, p = chisquare(f_obs=observed_frequencies, f_exp=expected_frequencies)

# 2) 기대빈도
result = stats.chi2_contingency(df)
s = result.statistic
p = result.pvalue
dof = result.dof
expected = result.expected_freq[0][0]

6. 포아송분포

result = stats.poisson.pmf(5, cust) * 100
result2 = (1 - stats.poisson.cdf(1, cust)) * 100
# 포아송 분포의 누적 분포 함수 (CDF)는 특정 값보다 작거나 같은 값이 발생할 확률을 제공합니다. 
# 따라서 1 - stats.poisson.cdf(1, cust)은 2명 이상의 고객이 잡지를 구매할 확률을 구하는 것입니다.

7. 베르누이-이항분포

# [이항분포] 1번 문제에서 계산한 성공 확률을 사용하여, 
# 100번의 시도 중 정확히 60번 성공할 확률을 계산하시오.
total = len(df)
n = 100
t = 60
success = df['Success'].sum()
result = success/total
result2 = stats.binom.pmf(t, n, result)
# binom.pmf(t, n, result) 함수는 
# 이항 분포의 확률 질량 함수(Probability Mass Function, PMF)를 계산하는 데 사용됩니다.

 

Pixabay로부터 입수된 Pexels님의 이미지 입니다.

 

2023.11.29 - [📂.빅데이터분석기사] - 빅데이터분석기사 실기 임시 정리본

2023.12.01 - [📂.빅데이터분석기사] - [실기] 빅데이터 분석 기사 작업형 1 정리 (Python)

2023.12.03 - [📂.빅데이터분석기사] - [실기] 빅데이터 분석 기사 작업형 2 정리 (Python)