[todaycodes오늘코드] [4/7] 서울 구별 스타벅스 매장 분포와 밀집도를 GeoJSON을 활용하여 folium의 choropleth 와 CircleMarker 로 표현하기




소스코드 : https://github.com/corazzon/OpenDataW... 인용기사 : [[비즈&빅데이터]스타벅스 '쏠림' vs 이디야 '분산'](http://news.bizwatch.co.kr/article/co...) 공공데이터 포털에서 제공하고 있는 소상공인시장진흥공단 상가업소정보 데이터를 분석합니다. 대분류와 중분류 데이터를 Pandas, ggplot, folium으로 분석합니다. 구별로 매장수를 표현하기 위해 GeoJSON 파일 로드 방법소개 folium 사용법, http://colorbrewer2.org/ 을 통한 색상 팔렛트 선택법 folium의 choropleth를 통해 행정구역별로 스타벅스 매장 합계를 표현하기

댓글

댓글 쓰기

이 블로그의 인기 게시물

[todaycode오늘코드] [3/3] 파이썬 데이터 시각화 - seaborn lmplot과 regplot의 차이 신뢰구간의 의미와 hue 등 다양한 옵션 사용하기

이미지
describe로 데이터를 요약해보고 피어슨 상관 계수를 구해 본 결과를 시각화 해봅니다. 피어슨 상관 계수는 두 변수의 공분산을 표준 편차의 곱으로 나눈 값입니다. # 메소드의 괄호()안에서 Shift + tab키를 누르시면 문서를 보실 수 있습니다. # hue는 데이터의 종류에 따라 다른 색으로 그래프를 표현합니다. # ci == Size of the confidence interval for the regression estimate # ci는 신뢰구간을 의미하며 0부터 100까지의 값을 가집니다. 만약 95라면 양극단의 5%값을 제외한 95%구간의 값을 표현합니다. # 여기에서는 위에서 그린 신뢰구간을 제외하고 그리도록 했습니다. sns.lmplot(x="x", y="y", data=df, hue="dataset", col="dataset", ci=None) # height는 그래프의 높이를 의미합니다 # scatter_kws에서 s는 점의 크기를, alpha는 투명도를 의미합니다. sns.lmplot(x="x", y="y", data=df, hue="dataset", col="dataset", col_wrap=2, ci=None, palette="muted", height=4, scatter_kws={"s": 70, "alpha": 0.8}) # seaborn 사이트에 있는 예제의 그래프를 이해하기 위해 위에서는 옵션을 하나씩 그려봤습니다.
계속 읽기

[이수안컴퓨터연구소] 파이썬 레이싱 자동차 게임 만들기 Creating a Python Racing Car Game with pygame (한글자막)

이미지
파이썬과 pygame 라이브러리를 이용하여 중독성 있는 레이싱 게임을 만들어보기 강의 페이지: http://suanlab.com/youtube.html#PyCar 사용되는 소프트웨어 버전 Python 3.7.x pygame 1.9.4 SuanLab 이수안컴퓨터연구소 Web Site: http://suanlab.com Facebook: https://www.facebook.com/suanlab Slack: http://suanlab.slack.com
계속 읽기

인간 피드백을 통한 강화학습 RLHF, Reinforcement Learning from Human Feedback

이미지
   [ RLHF, Reinforcement Learning from Human Feedback ] ●  강화학습(Reinforcement Learning) - 학습 데이터가 주어진 상태에서 변화가 없는 정적인 환경에서 진행되는 지도 학습이나 비지도 학습과 달리 불확실한 환경과 상호작용을 통해 주어진 업무를 학습 - 어떤 환경 안에서 정의된 주체(agent)가 현재의 상태를 관찰하며 선택할 수 있는 행동(action) 중 최대의 보상(reward)을 가져다주는 행동이 무엇인지 학습 ● 강화학습의 동작 순서 - 정의된 주체(agent)가 주어진 환경(environment)의 현재 상태(state)를 관찰(observation)하여, 행동 (action) 수행 → 환경의 상태가 변화하면서 정의된 주체에게 보상(reward) → 보상을 기반으로 정의된 주체는 더 많은 보상을 얻을 수 있는 방향(best action)으로 행동 학습 ● 인간 피드백을 통한 강화학습(RLHF, Reinforcement Learning from Human Feedback) - 사람의 피드백(Human Feedback)을 통해 강화학습을 시킬 경우 인간적인 말투, 문화적인 요소 등을 반영할 수 있는데 ChatGPT는 RLHF를 적용함으로써 인간과 구별할 수 없을 정도로 자연스러운 문장 구사 가능 [ 출처 : NIA  "ChatGPT는 혁신의 도구가 될 수 있을까? : ChatGPT 활용 사례 및 전망"  중 ]
계속 읽기