huiyu's blog

1. 에너지의 개념과 대사 작용- 신체활동은 인체가 섭취한 에너지원이 화학적 에너지로, 다시 기계적 에너지로 변환되면서 이루어지는데 일부 에너지는 열로 바뀐다. 이러한 물질과 에너지의 변환과정 전체를 '대사' 라고 한다. - 근수축에 사용되는 직접적인 에너지는 ATP(아데노신삼인산), 음식물 섭취를 통해 얻는 영양소가 ATP로 전환된 후 이용된다. (1) 에너지 발생 과정과 형태 - ATP(화학에너지)는 인간 활동에 가장 중요한 에너지원이다. - 탄수화물, 지방, 단백질 형태로 음식물에 저장된 에너지-> 세포 내에서 분해되면서 40% ATP + 60% 열 에너지 방출 - 음식물은 탄소,수소,산소가 결합된 거대분자 형태로 세포 활동에 직접적으로 이용 못하고, 세포내에서 분해 될 때 나오는 ATP로 저장 후..

운동 생리학, 운동 생리학의 개관주요 용어 - 인체의 조직과 기관은 외부환경에 반응하여 일시적으로 '변화'하거나 혹은 장기적인 '적응'현상을 가진다. - 인체는 변화가 많은 외부 환경에 비해 안정적인 상태를 유지하게 되는데 이를 '항상성' 이라고 한다. - '항상성'을 통해 ['체온','혈압','산소','이산화탄소의 분압','혈당의 조절','산과 염기의 조절']이 유지된다.*운동 중의 항상성 조절 - 항상성 : 생명체가 비교적 안정된 내부 환경을 유지하는 상태를 의미한다. 생체는 고정된 상태가 아니며 자극으로부터 발생된 변화가 이에 상응하는 보상적인 생리적 반응에 의해 최소화되는 유동적인 상태이다. - 체온 조절 - 혈압 조절 - 산소/이산화탄소 분압 조절 - 체내의 산-염기 조절*인체의 항상성 조절 시..

import from sklearn.preprocessing import MinMaxScaler from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score MinMax Scaler scaler = MinMaxScaler() df_res_scaler = scaler.fit_transform(df_res) Kmeans & silhouette_score model = KMeans(n_clusters=k) model.fit_transform(df_res_scaler) model.labels_ sil = silhouette_score(df_res_scaler, model.labels_) sil.round(2)

import from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error import pandas as pd X, y X = y = train_test_split X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.2,random_state=123) MinMaxScaler() scaler = MinMaxScaler() x_train_scaler = s..

1. get_dummies() df_dum = pd.get_dummies(df_obj) df_dum 2. One-Hot Encoder from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder(handle_unknown='ignore') #명목형만 빼서, X_train_obj = ohe.fit_transform(X_train[col_cate]) X_test_obj = ohe.transform(X_test[col_cate]) 3. One-Hot Encoding 적용 후 합치기 (1) concat 사용 X = pd.concat([df_screen_rem, df_dum], axis=1) (2) sparse 사용 from scipy import sp..

Q1. 눈이 1부터 6까지 있는 주사위를 두 번 던질 때 나오는 수 중 3의 배수가 존재할 확률은? -> 1 - (3배수가 나오지 않을 확률 x 3배수가 나오지 않을 확률) = 1 - (4/6) x (4/6) = 1 - (16/36) = 20/36 = 5/9 Q2. 주사위를 5회 던졌다고 가정했을 때 주사위의 숫자 중 관심있는 숫자 5가 3회 이상 나타날 확률은? (소수 세째자리) *이항분포의 확률 공식 P(X) = (n,k)p^x(1-p)^n-x (n,k) = nCk => n개중 k개를 고르는 경우의 수 = n! / k!(n-k)! *파이썬을 이용하기 1) 팩토리얼도 파이썬으로 import math math.factorial(5) / (math.factorial(5) * math.factorial(0)..

import from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import f1_score train_test_split(X, y, test_size, random_state) seed = 123 #X

1. import RandomForestRegressor from sklearn.ensemble import RandomForestRegressor 2. 모델 생성 model = RandomForestRegressor() 3. 모델 학습 : fit model.fit(x_train, y_train) 4. 모델 검증 print(model.score(x_train, y_train)) print(model.score(x_test, y_test)) 5. 모델 예측 y_predict = model.predict(x_test) print(y_predict[0]) 6. 피쳐 중요도 확인 model.feature_importances_ ->feature_importances : 결정트리에서 노드를 분기할 때, 해당 피쳐..

변수명 재설정 : rename df1 = df1.rename(columns={'old_name':'new_name'}) df1 원하는 columns만 추출 col_name = ['A', 'B','C'] df1[col_name] apply 와 applymap ->lambda적용시 apply는 Series를 적용 합치기 concat, df의 'A', 'B' column을 df_origin의 'Res'와 합치기 df_result = pd.concat([df[['A','B']], df_origin['Res']], axis=1) df_result 'A' 값이 1인 'Res'의 평균, 'B'값이 1인 'Res'의 평균 mean_A = df_result.loc[df_result['A']==1,'Res'].mean()..

python def 함수 def is_ABC(x): if(x=='ABC'): return 1 else: return 0 df['is_ABC'] = df['ABC'].apply(is_ABC) if: elif: else: lambda로 변경 df['is_ABC'] = df['ABC'].apply(lambda x: 1 if x=='ABC' else 0) ABC인경우 1, DEF인경우 2, 나머지 3인경우로 바꾸기 df['is_ABC'] = df['ABC'].apply(lambda x: 1 if x=='ABC' else (2 if x=='DEF' else 3)) df 정규표현식 import re #휴대폰 번호 추출 pattern = re.compile("010-[0-9]{4}-[0-9]{4}") pattern...