티스토리

Studyiseverywhere.zip

검색하기

블로그 홈

Studyiseverywhere.zip

hyun-tori.tistory.com/m

hyuniiie 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

CountVectorizer, Word2Vec, Autoencoder 모델 1. CountVectorizer특징빈도 기반: CountVectorizer는 텍스트 데이터에서 단어의 빈도를 계산해 벡터로 표현희소 행렬 생성: 각 단어가 전체 텍스트 내에서 얼마나 자주 등장하는지를 세어, 희소 행렬 형태로 표현고정된 벡터 크기: 전체 코퍼스(문서 집합)에 있는 고유한 단어 수만큼의 차원을 가지며, 각 단어는 벡터에서 고유한 인덱스를 차지문서 간 유사도 계산에 유리: 단순한 빈도 계산이므로, 문서 간의 코사인 유사도 등 간단한 연산으로 유사도 계산이 가능from sklearn.feature_extraction.text import CountVectorizerbox = []for i in data["서비스명"] + " " + data['소분류']: box.append(i)cv = .. 공감수 0 댓글수 0 2024. 11. 12.
뉴스기사 & 리뷰 (텍스트 데이터) 주가 예측 뉴스기사 & 리뷰 (텍스트 데이터) 주가 예측 → 뉴스 기사 수집Selenium과 BeautifulSoup을 사용하여 네이버 뉴스에서 특정 키워드와 관련된 뉴스 기사를 수집주식 키워드와 관련된 최신 뉴스 기사 제목 100개를 스크롤을 반복하면서 수집해, 리스트에 저장# 필요한 라이브러리 임포트import undetected_chromedriver as uc # 크롬 브라우저를 자동화하면서 탐지 방지 기능을 가진 드라이버from bs4 import BeautifulSoup # HTML을 파싱해 텍스트 추출import time # 일정 시간 지연을 위해 사용# 크롬 드라이버를 사용하여 브라우저 시작driver = uc.Chrome()# 뉴스 검색 페이지로 이동driver.get("https://sear.. 공감수 5 댓글수 3 2024. 10. 30.
RSI, 볼린저 밴드를 활용한 투자 전략 (EMA, finterstellar 라이브러리 사용) RSI (Relative Strength Index, 상대 강도 지수)주식, 외환, 암호화폐 등 금융 상품의 가격이 과매도 또는 과매수 상태에 있는지를 판단하는 지표로 사용 RSI ≥ 70: 과매수 상태를 나타내며, 가격이 고평가될 가능성 ↑. 이때 매도 신호로 해석RSI ≤ 30: 과매도 상태를 나타내며, 가격이 저평가될 가능성 ↑ . 이때 매수 신호로 해석 RSI 계산 과정변화량 계산: 특정 주기의 종가 변화를 구해 상승폭과 하락폭을 구한다.AU (Average Up): 일정 기간 동안의 평균 상승폭.DU (Average Down): 일정 기간 동안의 평균 하락폭.RSI 계산: import FinanceDataReader as fdrimport matplotlib.pyplot as pl.. 공감수 6 댓글수 3 2024. 10. 29.
강화학습 - 밴디트 알고리즘(슬롯 확률 시뮬레이션, 상승장 종목 찾기) 강화학습강화학습은 행동을 선택하여 주어진 환경에서 최대의 보상을 얻기 위해 학습하는 기계 학습에이전트(agent)가 환경(environment)과 상호작용하면서 보상(reward)을 받아, 이를 통해 최적의 정책(policy)을 학습에이전트는 다양한 상태(state)에서 가능한 행동(action)을 선택하고, 그 결과로 보상을 받아 다음 행동을 결정.밴디트 알고리즘밴디트 문제(Multi-Armed Bandit Problem)는 강화학습의 가장 기본적인 문제 중 하나로, 여러 개의 슬롯 머신(밴디트) 중에서 최적의 슬롯 머신을 선택하는 문제각 슬롯 머신은 서로 다른 확률로 보상을 주며, 에이전트는 한 번의 선택으로 보상을 최대화하기 위해 어떤 슬롯 머신을 선택할지 결정해야 함.에이전트는 탐험(Explora.. 공감수 5 댓글수 2 2024. 10. 24.
변동성 돌파 전략, 마켓 타이밍 전략 변동성 돌파 전략특정 조건이 만족되면 매수하고 종가에 매도하는 전략전일의 변동폭을 이용해 당일의 목표가를 설정하고, 목표가에 도달하면 매수 후 종가에 매도 1. 목표가 설정거래일의 시가에 전일 변동폭의 절반을 더한 값을 목표가로 설정 import FinanceDataReader as fdrimport numpy as np# 1. 코스닥 150 데이터 불러오기 ('229200'은 코스닥 150 ETF의 코드)df = fdr.DataReader('229200')# 2. 전일 변동폭 계산 (변동폭: 고가 - 저가)df['변동'] = df['High'] - df['Low']df['전일변동'] = df['변동'].shift(1) 2. 매수 조건거래일의 장 중 주가가 목표가를 돌파할 경우 매수# 3. 목표가 설정 .. 공감수 8 댓글수 4 2024. 10. 23.
주식 포트폴리오 분석을 위한 시뮬레이션 - 몬테카를로 시뮬레이션, 샤프지수, KOSPI 통계분석, 종목간 상관관계, 최대 낙폭, 할로윈 투자 전략 주식 포트폴리오 분석을 위한 시뮬레이션주식 포트폴리오의 수익률과 위험도를 계산하는 과정이를 기반으로 몬테카를로 시뮬레이션을 통해 다양한 비율로 포트폴리오를 구성하여 수익률과 위험도를 분석 몬테카를로 시뮬레이션:다양한 주식 비중으로 포트폴리오를 구성하고, 그에 따른 예상 수익률과 위험도를 계산무작위로 비중을 선택하여, 각 포트폴리오가 얼마나 수익을 낼 수 있는지 평가10,000번 반복하여 다양한 포트폴리오를 테스트 pct_change() 함수 : 각 주식의 일간 퍼센트 변동률을 계산cov() 함수 : 공분산 행렬을 계산하여, 각 주식 간의 변동성을 평가하는 데 사용 1. 데이터 불러오기 및 전처리'stocks.csv' 파일에서 날짜와 주식 종목 데이터를 불러와서 일간 수익률을 계산하는 기반을 마련impor.. 공감수 4 댓글수 2 2024. 10. 21.
금융 데이터 전처리 (주식 데이터월별, 분기별, 주별 데이터 집계, 거래량 변화 탐지, 모멘텀 전략 및 수익률 계산, 볼린저 밴드) import pandas as pddate = ["6/1", "6/2", "6/3", "6/4", "6/5"]high = pd.Series([42800, 42700, 42050, 42950, 43000], index = date)low = pd.Series([42150, 42150, 41300, 42150, 42350], index = date)# 변동폭diff = high - lowdiff 날짜 찾기diff.max() # 최대값diff.idxmax() # 가장 큰 값이 있는 날짜diff.idxmin() # 가장 작은 값이 있는 날짜 수익률 계산# 수익률profit = high / lowprofit 누적 수익률 계산# 누적수익률profit.cumprod().iloc[-1] 안에 있는 ' , ' 처리.. 공감수 4 댓글수 1 2024. 10. 21.
Okt 형태소 분석기(빈도기반), 워드클라우드, 상대빈도분석(오즈비 분석), TF-IDF 분석 한국어 데이터 : konlpykkma : 서울대, 최신 단어 반영 Xokt : 트위터에서 만든 형태소 분석기# 한국어 데이터 : konlpy# kkma : 서울대, 최신 단어 반영 X# okt : 트위터에서 만든 형태소 분석기, from konlpy.tag import Kkma, Oktokt = Okt()okt.nouns('아버지가방에들어가신다')→ okt.nouns() : 명사만 추출Okt 형태소 분석기 기반 - 연설문 빈도 분석#!pip install koreanize-matplotlibimport koreanize_matplotlibimport matplotlib.pyplot as pltimport pandas as pd# 빈도 분석(문재인, 박근혜 대통령 연설문)f = open('speech_mo.. 공감수 6 댓글수 1 2024. 10. 14.
자연어 처리(NLP) - 감성분석, OpenAI 텍스트 데이터를 딥러닝 모델에 넣을 수 있는 형식으로 변환 데이터 준비 from nltk.tokenize import word_tokenizefrom nltk.stem import WordNetLemmatizerfrom nltk.corpus import wordnet as wnimport nltkfrom nltk.corpus import stopwordsnltk.download("punkt")nltk.download('wordnet')nltk.download('stopwords')def penn_to_wn(tag): if tag.startswith("J"): return wn.ADJ elif tag.startswith("N"): return wn.NOUN elif.. 공감수 6 댓글수 6 2024. 10. 11.
자연어 처리 - 소문자 변환, 토큰화, 빈도 분석 자연어 처리가 어려운 이유같은 자연어가 두 개 이상의 의미를 가지는 경우한국어 자연어 처리 (교착어 : 어근에 붙은 접사에 따라 의미가 변하는 언어) - 접사와 조사 처리유연한 어순 {단어 : 빈도}로 텍스트 정제# 영어 데이터 : nltkimport nltknltk.download('punkt') # 마침표나 약어, 언어적 특성 같은걸 고려해줌TEXT = """After reading the comments for this movie, I am not sure whether I should be angry, sad or sickened. Seeing comments typical of people who a)know absolutely nothing about the military or b)who .. 공감수 14 댓글수 7 2024. 10. 10.
BeautifulSoup 웹 스크래핑 삼성전자 주식의 과거 거래일 및 거래 데이터 수집 (1~10페이지)from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.common.keys import Keysimport undetected_chromedriver as ucdriver = uc.Chrome()driver.get("https://finance.naver.com/item/sise_day.naver?code=005930")from bs4 import BeautifulSoupimport pandas as pdimport warningswarnings.filterwarnings('ignore')# driver.find_elem.. 공감수 6 댓글수 5 2024. 10. 8.
영화 추천 시스템, 동적 크롤링 영화 추천 시스템의 기본 원리 구현행렬 분해(Matrix Factorization) 기법을 사용하여 유저와 영화 간의 평점을 예측하는 방식 1. 행렬 A 정의 및 누락값 포함 A = np.array([[4,1,5,np.nan,1], [2,3,np.nan,2,3], [1,np.nan,4,1,3], [np.nan,2,4,np.nan,2], [1,np.nan,4,1,3]])A는 영화 추천 시스템에서 유저와 영화 간의 평점을 나타내는 행렬np.nan은 누락된 값(즉, 유저가 특정 영화에 대한 평점을 제공하지 않은 경우)을 나타냄. 2. 마스크 생성 mask = ~np.isnan(A)mask는 A의 각 요소가 누락값이.. 공감수 6 댓글수 3 2024. 10. 2.
시계열, RNN, Seq2Seq, 어텐션, ARIMA, CNN RNN : 만약 1일차, 2일차, 3일차 주가를 넣으면 2일차, 3일차 종가를 출력한다고 가정, 그러면 2일차 종가 정답값, 3일차 종가 정답값과의 각각 Loss 값을 계산할 수 있있지 않는가? 그러면 2일차 loss, 3일차 loss를 합쳐서 loss를 구해내어서 W값을 없데이트 한다. Seq2Seq: seq2seq는 인코더와 디코더 두가지 모듈로 구성컨텍스트 벡터 : 인코더는 입력 문장의 모든 단어들을 순차적으로 입력받은 뒤에마지막에 이 모든 단어 정보들을 압축해서 하나의 벡터로 만듦디코더는 컨텍스트 벡터(인코더에서 생성된 상태)를 받아서 번역된 단어를 하나씩 순차적으로 출력 1. Seq2Seq 모델 개념Seq2Seq는 두 개의 RNN으로 구성된다:인코더(Encoder): 입력 시퀀스를 읽어 정보를 .. 공감수 1 댓글수 0 2024. 9. 9.
오차역전파법, 미분과 체인룰, 브로드캐스팅, 텐서 조작 다층 퍼셉트론 오차역전파법을 수행할 때로스에 w를 바로 미분할 수 없기 때문에(예측값, 정답값 상수 취급되어 0으로 미분됨)그래서 '체인롤'(L 업데이트할 w사이의 전개)를 사용해서 접선의 기울기를 구한다 오차역전파법(Backpropagation)이란?오차역전파법은 신경망의 학습 과정에서,모델의 예측과 실제 정답 간의 오차(손실 또는 로스)를 기반으로 가중치 w를 업데이트하는 방법이 방법은 신경망의 각 가중치에 대해 손실 함수의 기울기(미분값)를 계산하고,이를 사용해 가중치를 조정하는 과정에서 매우 중요한 역할을 한다. 미분과 체인룰1. 미분:미분은 함수의 기울기, 즉 함수 값이 얼마나 변하는지를 나타낸다.신경망에서는 손실 함수 L을 가중치 w에 대해 미분하여,가중치가 변할 때 손실이 어떻게 변하는지.. 공감수 2 댓글수 2 2024. 9. 3.
AutoML, 퍼셉트론, 다층 퍼셉트론(MLP) AutoML (Auto Machine Learning)AutoML은 머신러닝 모델의 설계, 개발, 훈련, 평가, 배포 등 일련의 과정을 자동화하는 기술머신러닝 프로젝트는 데이터 전처리, 모델 선택, 하이퍼파라미터 튜닝, 모델 평가 등 다양한 단계가 필요하며,각 단계에서 많은 시간과 노력이 요구된다.AutoML은 이러한 과정에서 사람이 개입할 필요를 최소화하여, 머신러닝 모델을 더 빠르고 쉽게 개발할 수 있도록 도와줌 PyCaretPyCaret은 파이썬 기반의 오픈소스 AutoML 라이브러리로,데이터 사이언스와 머신러닝을 더 쉽게 접근할 수 있도록 설계되었다.PyCaret은 간단한 코드를 통해 데이터 전처리, 모델링, 평가, 하이퍼파라미터 튜닝, 모델 배포 등 다양한 작업을 수행 가능 PyCaret의 주요.. 공감수 13 댓글수 14 2024. 9. 2.
R^2, 부스팅, 퍼셉트론, 시그모이드, 소프트맥스 함수, 크로스엔트로피 손실, 신경망 모델 R^2 점수란?R^2 (결정계수)은 회귀 모델의 성능을 평가하는 지표로, 1에 가까울수록 더 좋은 성능을 의미 count 값을 예측하는 모델 최대한 r^2 값을 높게 만들어보기 부스팅의 기본 개념부스팅(Boosting)은 약한 학습기(Weak Learners)를 연속적으로 학습시켜 점차적으로 모델의 성능을 개선하는 방법각 단계에서 학습기는 이전 학습기들이 잘못 예측한 데이터에 대해 더 집중하여 학습한다.첫 번째 모델: 데이터를 학습하여 예측을 만듭니다. 틀린 데이터에 가중치를 더 부여한다.두 번째 모델: 첫 번째 모델이 틀린 데이터를 집중적으로 학습한다. 또다시 틀린 데이터에 가중치를 부여한다.세 번째 모델: 두 번째 모델이 틀린 데이터를 학습한다.최종 예측: 모든 모델의 예측을 결합하여 최종.. 공감수 2 댓글수 0 2024. 8. 27.
인공신경망, 지도학습, 회귀모델 분류 모델 공부시간으로 성적 예측np.array에 넣으면 행렬로 바껴서 각각의 리스트 원소에 더하기 가능해짐np.array로 행렬로 바꿔주기 a = a - a' 를 했을때 순간기울기가 0이 되는 지점이 생기는데0이 되는 지점에서는 더이상 학습해도 소용 없다는걸 알 수 있음그걸 대입하면 직선의 방정식 기울기를 알 수 있음 3000 번 학습시키기 오차를 출력하고 순간 기울기를 구하는 과정→ 파라미터(a1, b)의 기울기가 0에 가까워지면 손실 함수가 최적화된 상태 오차가 최소가 되는 지점(손실 함수의 값이 최소가 되는 지점, 평균 제곱 오차(MSE)) 를 확인할 수 있음.회귀선이 데이터 포인트와 가까울수록 손실 함수 값이 최소화되었다고 볼 수 있다. 두 개의 입력 특성 x1 (공부시간)과 x2 .. 공감수 0 댓글수 0 2024. 8. 20.
로지스틱 회귀, K-Fold 교차 검증, 비복원추출, 배깅(랜덤 포레스트), 부스팅(AdaBoost, Gradient Boosting), XGBoost 로지스틱 회귀(Logistic Regression) Iris 데이터셋을 사용하여 두 종(species) 간의 분류 문제→ 로지스틱 회귀(Logistic Regression) 모델을 적용→ 꽃잎의 길이를 기반으로 versicolor와 virginica 종을 분류 import seaborn as snsfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionimport sklearn.metrics as slt# Iris 데이터셋 로드iris_df = sns.load_dataset('iris')# Versicolor와 Virginica 종만 선택iris_df = iris_df[(i.. 공감수 0 댓글수 0 2024. 8. 12.
SVM, K-means 클러스터링, 의사결정나무, 로지스틱회귀 SVM ( Support Vector Machine )주로 분류(classification) 및 회귀(regression) 분석에 사용되는 강력한 기계 학습 모델.SVM은 데이터를 여러 차원에서 분리하는 가상의 경계선(초평면)을 설정하여 클래스 간의 경계를 최대화하는 방식새로운 데이터가 입력되면 해당 데이터가 속한 범주를 찾기 위해 대상이 된 집단의 범주를 설정하기 위한 작업 수행대상 집단을 구분 짓는 기준선을 결정하는 모델이 SVM SVM의 핵심 개념1. 가상의 경계선 (Hyperplane)SVM은 데이터를 두 개의 클래스로 분류하는 가상의 경계선(초평면)을 찾는다.이 경계선은 데이터 포인트 간의 거리를 최대화하여 분리. 즉, 클래스 간의 여유를 최대화하는 방향으로 설정됨.2. 마진 (Margin)마.. 공감수 1 댓글수 1 2024. 8. 12.
데이터 정규화, 표준화, 백분위수, 주성분 분석 (PCA), 회귀분석, 회귀 성능 평가(MAE, MSE, RMSE, R² 스코어) 정규화와 표준화1. 정규화 (Normalization)목적: 데이터를 특정 범위로 스케일링 (데이터의 스케일 차이를 줄이고, 분석 및 모델링 과정에서 특정 변수의 값이 다른 변수에 비해 과도한 영향을 미치는 것을 방지하는 것 일반적으로 [0, 1] 범위로 조정) 방법: Min-Max Scaling이 가장 일반적인 방법 -> 각 데이터 값을 0과 1 사이로 변환 사용 예: 신경망과 같은 머신러닝 알고리즘에서 입력 데이터를 동일한 범위로 조정하여 학습 속도와 성능을 향상시킴 2. 표준화 (Standardization)목적: 데이터를 평균 0, 표준 편차 1을 가지도록 변환주로 사용되는 방법: Z-score 표준화수식결과: 데이터가 평균이 0이고, 표준 편차가 1인 정규 분포 형태를 가집니다.장점: 각 변수.. 공감수 1 댓글수 0 2024. 8. 8.
통계적 공정관리 통계적 공정 관리 (SPC) S(Statistical) : 통계적 자료와 분석기법의 도움을 받아서P(Process) : 품질변동을 주는 원인과 프로세스의 능력상태를 파악하여C(Control) : 주어진 품질 목표를 달성할 수 있도록-> PDCA 사이클을 적용하며 지속적인 프로세스 개선이 이루어지도록 관리하는 활동 우연원인 : 통제할 수 없는것 (ex) 외부온도)이상원인 : 통제가 가능한 것 공정 능력 : 제조 공정이나 서비스 공정이 설정된 규격 내에서일관되게 제품이나 서비스를 제공할 수 있는 능력을 측정하는 지표 문제 해결 프로세스의 단계1. 이상요인 탐지2. 근본 원인 규명3. 수정 조치 실시4. 검증 및 모니터 관리도(컨트롤 차트)를 통한 공정 관리우연원인의 산포 속에서 이상원인의 출현을 감지해서 이.. 공감수 0 댓글수 0 2024. 7. 19.
통계의 이해(비율검정, 분산검정) 비율 검정모집단의 비율에 대한 가설을 검정하는 통계적 방법특정 비율이 주어진 값과 같은지 또는 두 비율이 동일한지 여부를 확인하는 데 사용비율검정은 주로 이항 분포를 기반으로 하며,여기서 성공 또는 실패와 같은 두 가지 가능한 결과만 있는 경우에 적용 1. 단일 비율 검정 (One-Proportion Z-Test)목적: 단일 모집단 비율이 특정 값과 다른지 확인 -> 한 집단의 비율이 특정 비율과 같은지 비교가설 수립:귀무 가설 (H0): 모집단 비율 p는 특정 값 p0와 같다.대립 가설 (H1): 모집단 비율 p는 특정 값 p0와 다르다 (양측 검정).검정 통계량:검정 통계량 Z는 다음과 같이 계산해석:계산된 Z 값과 표준 정규 분포를 사용하여 p 값을 구함p 값이 유의수준 (예: 0.05)보다 작.. 공감수 1 댓글수 0 2024. 7. 17.
통계의 이해(기술통계, 확률분포, 중심극한정리, 추론통계, 구간추정, 가설검정, 정규성검정, 평균검정) 통계의 구분기술(Descriptive) 통계 : 평균, 분산 등의 요약 통계량이나 그래프를 이용하여 정리, 요약추론(Inferential) 통계 : 표본에 포함된 정보로부터 모집단의 특성 파악 및 타당성 검토로 모수 추론, 미래 예측 모집단과 표본1. 모집단 (Population)모집단은 연구나 조사의 대상이 되는 전체 집단을 의미알고자 하는 모든 개체나 항목의 집합모평균, 모표준편차, 모분산, 모비율2. 모수 (Parameter)모수는 상수로 간주되는 값이며, 모집단의 특정 특성을 나타내는 대표값모집단 전체의 평균, 분산, 비율 등의 값이 값들은 고정되어 있으며, 모집단의 분포 특성을 요약하는 데 사용3. 표본 (Sample)표본분포는 모집단에서 무작위로 추출된 표본들의 통계량에 대한 분포이는 표본 .. 공감수 1 댓글수 0 2024. 7. 16.
데이터 수집 및 정제 (데이터 결합, 데이터 변환, 데이터 정제), 시각화 데이터 결합 병합(merge), 결합(join): 데이터프레임의 공통 열(column) 혹은 인덱스(index)를 기준으로 두 개의 데이터프레임 합침이 때 기준이 되는 열, 행을 key(키)라고 병합 merge비교 기준 항목이 같으면 결측치 없는게 일반적비교 기준이 되는 열(column) 이름이 서로 다를 경우, left_on과 right_on 매개변수를 사용하여 지정 결합 join기존 데이터에 추가로 결합 데이터 변환 pivot 데이터프레임의 특정 열들을 새로운 행 또는 열로 변환하여 데이터를 재구조화하는 데 사용 데이터 재구조화 (Reshape): index, columns, values 세 가지 인수를 사용하여 데이터를 재구성pivot 함수는 데이터를 재구성하여 더 쉽게 분석할 수 있.. 공감수 1 댓글수 0 2024. 7. 15.
파이썬 분석 도구 및 주요 함수의 이해, 데이터 수집 및 정제 (데이터 선택) 파이썬 분석 도구 및 주요 함수의 이해 상수와 변수 상수: 값이 변하지 않는 숫자, 문자, 문자열 같은 고정된 값데이터 분석에서 사용하지 않는다 변수: 변화된 값으로 들어있는게 데이터분석 대상매개변수 : 수치를 인수로 던지는 것 기본자료형 숫자형: 숫자로 이루어진 자료형정수, 실수, 8진수, 16진수 (색상 지정시 사용) 문자형문자열 포맷팅 % : 문자열 안에 어떤 값을 삽입하는 방법color = '파랑's = '나는 %s를 좋아합니다.' % color# %s에 color값을 대입 자유도 식의 구성:yyy: 종속 변수 (Dependent variable)β0: 상수항 (Intercept)β1: xxx에 대한 기울기 (Slope of xxx)β2: x^2에 대한 계수 (Coefficient o.. 공감수 1 댓글수 1 2024. 7. 12.
데이터베이스 윈도우 함수, 데이터 모델링 개요 및 정규화, Selenium 크롤링 윈도우 함수ROW_NUMBER(), RANK(), DENSE_RANK(), LEAD(), LAG() 등 sum()selecte.emp_no, e.name, e.dept_no, e.salary,sum(e.salary) over (partition by e.dept_no) as total_dept_sal,sum(e.salary) over (partition by e.dept_no order by e.emp_no) as emp_salfrom employee e; dense_rank()select e.emp_no, e.name, e.salary,dense_rank() over (order by e.salary desc) as dense_ranksfrom employee e; 데이터 모델링 개요 및 정규화 .. 공감수 1 댓글수 0 2024. 7. 11.
데이터베이스 DDL, 뷰, 인덱스 DDL : 데이터베이스 내에 테이블이나 인덱스, 뷰 등의 객체를 만들거나 수정, 삭제할 때 사용CREATE, ALTER, DROP CREATE: 데이터베이스나 테이블, 뷰, 인덱스 등 객체를 만들 때 사용CREATE TABLE 테이블명 (컬럼1 (데이터타입), 컬럼2 (데이터타입)) 문제 1. 다음 요구사항을 만족하는 MySQL 데이터베이스를 생성하고, 테이블을 만드세요.데이터베이스 이름: company_db테이블: test컬럼:id (INT, PRIMARY KEY, AUTO_INCREMENT)first_name (VARCHAR(50))last_name (VARCHAR(50))email (VARCHAR(100), UNIQUE)date_of_birth (DATE)date_of_joining (DATE)d.. 공감수 1 댓글수 1 2024. 7. 10.
데이터베이스 CTE, 상관 서브쿼리, 다중 컬럼 서브쿼리, DML CTE(Common Table Expression)CTE: 쿼리로 만든 임시 데이터셋으로 WITH절에서 정의함인라인 뷰와 마찬가지로 파생 테이블 처럼 사용 가능 부서명과 평균연봉 조회(단, 평균 연봉이 50000 이상인 부서만) 방법1)SELECT d.dept_name, stats.avg_salaryFROM department dJOIN ( SELECT dept_no, AVG(salary) AS avg_salary FROM employee GROUP BY dept_no) statsON d.dept_no = stats.dept_noWHERE stats.avg_salary >= 50000; 방법2) WITH절with dept_evg_sal as (select dept_no, avg(salar.. 공감수 0 댓글수 0 2024. 7. 9.
데이터베이스 SQL 집계함수, 조인, 서브쿼리 내부 조인(inner join): 두 개의 테이블에 대해 조건에 일치되는 데이터만 가져오는 조인select o.order_no, o.customer_no, product_no, order_quantityfrom orders oinner join order_details od on o.order_no = od.order_no; employee, deapartment 테이블을 조인해서 각 직원의 이름과 부서명 출력select e.name as 직원명, d.dept_name as 부서명from employee einner join department d on e.Dept_no = d.dept_no; 외부 조인(Outer Join): 두 테이블에서 한쪽에는 데이터가 있고 한쪽에는 데이터가 없는 경우데이터.. 공감수 0 댓글수 0 2024. 7. 8.
데이터베이스 SQL 기본 질의문, 연산자, 함수 및 단일행 함수 SQLUSE sakila;select actor_id, last_update from actor limit 10; limit 절limit 보여줄 데이터 수(행)limit는 변환되는 데이터의 개수를 지정할 때 사용select문의 가장 마지막에 추가 산술연산자select 5 + 3 as 덧셈, 20 - 3 as 뺄셈, 14 * 3 as 곱셈, 50 / 5 as 나눗셈; -> 하나의 행으로 출력됨 논리연산자select actor_id as aid, last_update as l_dfrom actor where not first_name = 'ED' or last_name = 'CHASE'order by aid; WHERE NOT : 특정 조건을 만족하지 않는 행을 선택 집합연산자UNION : 집합 연산자 .. 공감수 0 댓글수 1 2024. 7. 5.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.