안녕하세요 복합명사 정제 처리 중 어려움이 있어 질문합니다. '신중년' 이라는 신생 복합명사로 데이터를 수집하고 신중 → 신중년 ('년' 삭제) 방식으로 정제를 하고 있습니다. 그런데 문장을 확인해 보니 '신중 판단' , '신중 모드' 와 같이 다른 뜻의 '신중' 이 포함되어 있는데 이럴 경우 어떻게 정제를 해야 하나요? 한글의 동음어 처리가 궁금합니다 (예: 먹는 배, 타는 배)
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 해당 문제에서 "Events컬럼이 '1'인경우 80%의 Salse값만 반영함" 이라는 조건을 실행하기 위해서 아래와 같은 함수를 만들었는데 'Events' Key error 가 나네요. 어느 부분을 수정하면 될까요? def calc(df) : if df['Events'] == 1 : return df['Sales']*0.8 else : return df['Sales'] df['events80'] = df.apply(calc)
마지막, 삭제 버튼 테스트 Q. 삭제 버튼을 누르면 TableRow가 사라지니까 queryByText('text').not.toBeInTheDocument() 를 사용해서 유무를 확인 하셨는데 getByText('text').not.toBeInTheDocument() 를 사용해서 해당 텍스트가 있는 요소가 없으면 에러가 나타나도록 유도해서 테스트 검증할 수도 있지 않나요?? 가능은 한건지, 권장이 되지 않는건지 질문 드립니다
As we all know both Google Workspace and Microsoft Office 365 are best cloud productivity tools. Businesses and Users are planning to move from Google Suite to Microsoft 365 for better collaboration and other features and applications. Migration can be performed manually with ease without much hassle. All you need to follow this guide on migrate from Google Workspace to Office 365 . It contains all the needed steps and instructions to perform the migration manually.
Are you looking for smooth transition from one tenant to another in Microsoft Office 365? If yes, then you should read this post till the end. Microsoft O365 Tenant to Tenant Migration is a process needed to perform to move mailboxes between two Microsoft 365 Tenants. It includes emails, contacts, calendars, tasks and notes. It can be performed manually by using Admin Center and Windows PowerShell. Also, you can approach third-party migration services providers with your migration requirements. For manual process, you can read this guide on O365 Tenant to Tenant Migration . It has all the steps and instructions for completing the migration.
class Node { constructor(value) { this.value = value; this.left = null; this.right = null; } } class BinarySearchTree { constructor() { this.root = null; } #insert(node, value) { if (node.value > value) { // 루트노드보다 작은 값이면 if (node.left) { this.#insert(node.left, value); } else { node.left = new Node(value); } } else { // 숙제 : 같은 값을 넣은경우 에러 처리 (alert, throw) if (node.value === value) throw new Error(`이미 해당 ${value}가 존재 합니다`); // 루트노드보다 큰 값이면 if (node.right) { this.#insert(node.right, value); } else { node.right = new Node(value); } } } insert(value) { if (!this.root) { this.root = new Node(value); } else { this.#insert(this.root, value); // 숙제 : 같은 값을 넣은경우 에러 처리 (alert, throw) } } search(value) {} remove(value) {} } const bst = new BinarySearchTree(); bst.insert(8); //bst.insert(8); // Error: 이미 해당 8가 존재 합니다 bst.insert(10); //bst.insert(10); // Error: 이미 해당 10가 존재 합니다 bst.insert(3); //bst.insert(3); // Error: 이미 해당 3가 존재 합니다 bst.insert(1); //bst.insert(1); // Error: 이미 해당 1가 존재 합니다 bst.insert(14); //bst.insert(14); // Error: 이미 해당 14가 존재 합니다 bst.insert(6); //bst.insert(6); // Error: 이미 해당 6가 존재 합니다 bst.insert(7); //bst.insert(7); // Error: 이미 해당 7가 존재 합니다 bst.insert(4); //bst.insert(4); // Error: 이미 해당 4가 존재 합니다 bst.insert(13); //bst.insert(13); // Error: 이미 해당 13가 존재 합니다 숙제 코드 정답일까요?
한국, 콘솔게임 주력한다. T1, LCK 경기 개최 에서 앞으로 몇 년한국이 콘솔 게임 분야에 중점을 두고 게임 사업을 살리고 강화하기 위한 새로운 전략을 발표할 예정이다. 문화체육관광부는 2028년까지 비디오게임 시장점유율을 높이기 위해 노력할 예정이다. 그들의 목표 중 하나는 가상 및 모바일 게임 플랫폼에 대한 의존도를 줄이는 것입니다. 한국의 게임 사업은 전 세계 콘솔 시장에서 1.5%의 점유율을 차지하고 있지만 매출 측면에서 전 세계 4위를 차지하고 있습니다. 이를 강화하기 위해 교육부는 국내 기업을 지원하고 이들이 마이크로소프트, 소니, 닌텐도 등 글로벌 대기업과 협력해 히트 게임을 만들 수 있도록 지원할 예정이다. 게임 산업은 교육부의 5개년 계획의 초점이지만 2024년에는 다른 콘텐츠에도 중점을 둘 것입니다. 게임, 영화, 만화, 웹툰 등 미디어 분야에도 1조7400억원의 자금 지원을 받았다. 심지어 비트코인 카지노 플레이어들은 이러한 콘텐츠 외에도 교육부가 콘솔뿐만 아니라 온라인 게임 분야의 발전도 포함하기를 바랍니다. 한국은 넥슨, 엔씨소프트, 넷마블 등 세계 최대 게임 기업의 본거지이지만, 플레이어는 호의 국내 중소기업. 모바일 롤플레잉 게임인 역삼국지가 2024년 4월 26일 Google Play 스토어 게임 순위 1위를 차지했습니다. 이는 넷마블이 출시한 '아스달 연대기: 쓰리 팩션'(아스달 연대기: 쓰리 팩션) 역시 1위 경쟁작이었던 것을 뛰어넘는 수치입니다. 국내 게임팬들은 대기업이 잘하고 있는데, 중소기업이 등장하는 모습이 보기 좋다며 만족감을 표시했다. T1, 레전드 챔피언스 코리아에서 홈 앤 어웨이 경기 개최 2024년 6월 29일, 한국관광공사와 한국 e스포츠 거대 기업 T1이 리그 오브 레전드 챔피언스 코리아(LCK)의 첫 홈 앤 어웨이 경기를 개최합니다. 이는 2023-24 한국 방문의 해 캠페인을 의미합니다. 한국에서 가장 많은 시청률을 자랑하는 e스포츠 리그인 LCK는 2012년 창립부터 국내 팀을 받아들이는 것을 거부해 왔습니다. 서울 종로구에 위치한 LCK 경기장인 LoL 파크에서는 정규 시즌 경기, 친선 경기, 특별 이벤트, LCK 결승전 등이 개최되며, 기타 행사도 서울 곳곳에서 열립니다. T1은 e스포츠 경험을 향상하고 한국 문화를 향상하며 더 많은 시청자를 유치하기 위해 'T1 홈 그라운드'라는 첫 번째 리그 오브 레전드 홈 경기 개최를 제안했습니다. T1의 상대팀인 LCK와 KT 롤스터의 경기는 2024년 6월 29일 경기도 고양 고양 소노 아레나에서 개최됩니다. LCK 2024 서머대회의 공식 경기 중 하나입니다. 홈팀 T1이 조직 경기가 진행되면 LCK 관계자와 심판이 경기를 감독하게 됩니다. T1은 경기장에 팬들과 선수들이 함께 어울릴 수 있는 '신나는 존'이 있을 것이라고 주장한다. 이번 행사에는 T1이 기획하고 있다. 에게 카드 스턴트와 거대한 군중 깃발 공개로 시청자를 즐겁게 합니다. 손님께서는 또한 T1 선물 가게를 둘러보실 수 있으며 최초의 T1 홈 게임을 기념하기 위해 제작된 독특한 아이템 중 일부를 구입하실 수 있습니다. SK가 콘솔 게임, LCK 경기 개최 등 게임 분야에 더 많은 노력을 기울이면서 비트코인 카지노 플레이어들은 전반적인 게임 산업이 개선되기를 바라고 있습니다. 그들은 이러한 중요한 조치가 국가의 게임 산업을 새로운 차원으로 발전시키고 세계에서 더 큰 수익을 창출할 것이라고 믿습니다. 앞으로 몇 년.
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 범주형 데이터라 카이제곱검정인것은 이해했습니다 다만, 카이제곱문제에서 적합도와 독립성은 어떻게 구분하나요? 제가 생각한바로는 카이제곱 검정인것은 동일하고 문제에서 독립인지 아닌지를 물어보는 제시문이 있으면 독립성 검정 그 외에는 다 적합도 검정으로 보면될까요 어떻게 제시문을 보고 구분 하는지 알려주시면 감사하겠습니다.
해당 문제 연습하는 도중에 train과 test 데이터셋에 총구매액이 0원보다 작은 데이터가 있습니다. 해당 데이터를 0원으로 채우는(변환) 방법을 알고 싶습니다. 결측치의 경우 fillna()로 쉽게 채울 수 있는데 결측치가 아닌 데이터의 조건에 따른 특정값으로 채우는 방법이 궁금합니다
cmake를 이용해서 build해둔 상태인데 계속 #include <ncurses.h>에 오류가 뜹니다. MinGW 다운 받을 때 libncurses등등 같이 다운받았고 환경변수 경로도 다 지정을 해주었는데 왜 못찾고 있는걸까요..? 환경변수나 경로 설정이 잘못되어 있는 것일까요..?
저번에 질문한 거 코드 수정 및 정리했습니다. 선생님 ※ 피쳐엔지니어링에서 train, test 셋을 분리( .copy() )해서 수치형은 스케일링하고 범주형은 인코딩 한 다음, 합치기 ( .concat() ) 하는 방식이 아니라 수치형 부분 칼럼을 변수(cols_n)로 받고, 범주형 부분을 변수(cols_c) 으로 받아서, 데이터셋을 수치와 범주형으로 분리하지 않은 상태에서 각각 스케일링, 인코딩을 적용하고 검증데이터셋 분리-> 모델 & 평가지표 불러오기 -> 예측(테스트셋 적용) -> df 생성 -> 제출 하는 방법에서 아래에 피쳐 엔지니어링 부분 코드 정리한거 확인 부탁드립니다. 경우 1. [train, test // 2개 데이터셋 제공시] # train셋엔 있고 test셋엔 없는 "target"에 해당하는 칼럼 분리 # "target" 데이터는 범주형이든 수치형이든 스케일링이나 인코딩을 하면 안되므로 제외시킴 target = train.pop(["target"]) cols_n = train.select_dtypes(exclude="O").columns cols_c = train.select_dtypes(include="O").columns ## 수치형 민맥스 스케일링 작업 from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() train[cols_n] = scaler.fit_transform(train[cols_n]) test[cols_n] = scaler.transform(test[cols_n]) ## 범주형 라벨 인코딩 작업 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() for col in cols_c: le = LabelEncoder() train[col] = le.fit_transform(train[col]) test[col] = le.transform(test[col]) ## or 범주형 원핫 인코딩 작업 시 # .get_dummies() 원핫 인코딩은 자동으로 범주형만 찾아서 인코딩 함 # 방법 1 train = pd.get_dummies(train) test = pd.get_dummies(test) ## 라벨 인코딩과 통일성을 원한다면 (방법 2) train = pd.get_dummies(train[cols_c]) test = pd.get_dummies(test[col_c]) # 다만 어차피 자동으로 찾아주니 이렇게 하지 말고 간편한 위의 방법 1 방식으로 하자 그 다음 검증데이터셋 분리 등 과정 이후 ~~~~~~~~~~~ 제출 경우 2. [X_train, y_train, X_test // 3개 데이터셋 제공시] cols_n = X_train.select_dtypes(exclude="O").columns cols_c = X_train.select_dtypes(include="O").columns ## 수치형(스케일링) 작업 ##민맥스 스케일링 from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() X_train[cols_n] = scaler.fit_transform(train[cols_n]) X_test[cols_n] = scaler.transform(test[cols_n]) ## 범주형(인코딩) 작업 ## 라벨 인코딩 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() for col in cols_c: le = LabelEncoder() X_train[col] = le.fit_transform(X_train[col]) X_test[col] = le.transform(X_test[col]) ## or 원핫 인코딩 시 # .get_dummies() 원핫 인코딩은 자동으로 범주형만 찾아서 인코딩 함 # 방법 1 X_train = pd.get_dummies(X_train) X_test = pd.get_dummies(X_test) ## 라벨 인코딩과 통일성을 원한다면 (방법 2) X_train = pd.get_dummies(X_train[cols_c]) X_test = pd.get_dummies(X_test[col_c]) # 다만 어차피 자동으로 찾아주니 이렇게 하지 말고 간편한 위의 방법 1 방식으로 하자 이후 검증데이터셋 분리 등 과정 이후 ~~~~~~~~~~~ 제출 이번 코딩엔 틀린게 없어야 할텐데..... 이거 제대로 한거 맞는지 확인 부탁드립니다. 선생님 여러 차례의 질문에 답변 해주셔서 감사합니다
