[실기] 빅데이터 분석기사 python - pandas 100제 문제

 

2025/06/21 시행한 시험 합격했어요!

 

일단 저는 컴퓨터 공학을 전공했고 데이터에 아예 무지한 상태는 아니였어요.

웹 개발 프로젝트 중 사용자 로그를 수집하여 분석하는 과제를 맡았었는데

그 때 빅데이터에 대한 관심이 생겨서 취득하게 되었습니다 : )

코테를 준비중이라 파이썬은 어느정도 익숙한 상태에서 시작하였고 실기 공부는 2주 정도 한 것 같습니다.

 

저는 2유형 제일 먼저 공부하시고 3유형 후 1유형을 하는 것을 추천 드리고 싶어요.

3유형은 아직 기출이 많이 없어 기출 위주로 핵심 내용만 익히고 갔는데 실수로 한문제 틀렸지만 다 풀 수 있겠더라구요!

 

또, 제 1유형은 python을 원래도 쓰실 수 있으시다면 크게 어려울 것 같지 않아요

help 와 dir을 이용하여서 기억 안나는 함수도 사용할 수 있기에 너무 걱정 안하셔도 될 거 같아요!

pandas 100제 문제 푸는 것이 python와 pandas를 처음 익히고 익숙해 지기에 너무 좋은 거 같아요

그치만 시험 대비로 생각한다면 약간 난이도가 있는거 같아서

다 완벽하게 풀지 못하여도 이런 함수가 있구나 정도만 익히시고 넘어가도 괜찮을 거 같습니다!

 

다들 화이팅입니다 :)

 

---

판다스 100제 헷갈리던 문제 복기

출처: 유튜브 - 데이터 분석 캠퍼스

 

46번:  .apply(lambda x:)  + re 정규표현식

숫자 0~3을 *로 마스킹하기

import pandas as pd
import re

emp = pd.read_csv("content/emp.csv")

# sal 컬럼의 숫자 0~3을 *로 대체
emp['sal_star'] = emp.sal.astype(str).apply(lambda x: re.sub('[0-3]', '*', x))
emp[['ename','sal_star']]

 

73번:  pd.qcut 으로 등급 나누기

나이를 5등급으로 나누어 ‘등급’ 컬럼 만들기

emp20 = pd.read_csv("content/emp20.csv", encoding="euckr")

# 나이 기준으로 내림차순 순위 매기기
emp20['순위'] = emp20['age'].rank(method="dense", ascending=False).astype(int)

# 5등급으로 등급 나누기
emp20['등급'] = pd.qcut(emp20.순위, q=5, labels=range(1, 6))
emp20[['ename','age','등급']].sort_values(by='등급')

 

 

75번: 결측치 처리 후  rank

Age 결측치를 평균으로 채우고 나이순 순위 부여

tit = pd.read_csv('content/train.csv')

# Age 결측치 평균으로 대체
tit['Age'] = tit['Age'].fillna(tit['Age'].mean())

# Age 기준 내림차순 순위
tit['순위'] = tit['Age'].rank(ascending=False).astype(int)

tit[['Age','순위']].sort_values(by='순위')

 

 

78번:  shift(-1) 로 이전 행 출력

이름, 입사일, 다음 행의 입사일(shift 사용)

emp = pd.read_csv("content/emp.csv")

# 다음 행의 hiredate 값을 가져오기
emp['lag_hiredate'] = emp['hiredate'].shift(-1).fillna('x')
emp[['ename','hiredate','lag_hiredate']]

 

 

80번:  pivot_table 로 집계

직업 + 부서번호 기준 월급 합계 피벗

emp = pd.read_csv("content/emp.csv")

# 직업별, 부서별 월급 합계 출력
emp.pivot_table(columns='deptno', index='job', values='sal', aggfunc='sum')

 

 

 

82번: 피벗 테이블에서  aggfunc='count'

주소 앞 3자리로 인원수 카운트 (가로 형태)

emp = pd.read_csv("content/emp20.csv", encoding="euckr")

# 주소 앞 3자리 추출
emp['address_front_3'] = emp.address.str.slice(0, 3)

# 주소 앞 3자리별 인원 수 계산
emp.pivot_table(columns='address_front_3', values='empno', aggfunc='count')

 

 

96번:  intersect & minus

두 데이터프레임의 차집합 구하기

emp = pd.read_csv("content/emp.csv")
emp_old_backup = pd.read_csv("content/emp_old_backup.csv")

x1 = emp[['ename','sal','deptno']]
x2 = emp_old_backup[['ename','sal','deptno']]

# x1에만 있고 x2에는 없는 데이터 출력 (차집합)
x1[~x1.ename.isin(x2.ename)]

 

 

 

100번: 사라진 편의점 수

2017년에는 있었지만 2022년에 없는 편의점 수 구하기

# 조건에 맞는 편의점만 필터링
x1 = market_2017[market_2017['상권업종소분류명'] == '편의점'][['상가업소번호']]
x2 = market_2022[market_2022['상권업종소분류명'] == '편의점'][['상가업소번호']]

# x1에는 있고 x2에는 없는 상가업소번호만 필터링
x3 = x1[~x1.상가업소번호.isin(x2.상가업소번호)]

# 사라진 편의점 수
x3[['상가업소번호']].count()

 

---

100제 중 헷갈리는 문제 복습 및 정리