주식의 본질과 시장의 성적표 '주가 지수' 완벽 가이드

주식의 본질은 회사의 주인(주주)이 되는 권리임.- 동업의 원리 : 친구가 기가 막힌 카페 사업 아이템이 있는데 돈이 부족하다고 합니다. 이때 여러분이 1,000만 원을 빌려주는 게 아니라 '투자'를 하고 그 대가로 전체 지분의 10%를 받았다면, 여러분은 그 카페의 '주식 10%'를 보유한 주주가 된 것입니다.- 주주의 권리시세차익 : 카페가 유명해져서 기업 가치가 1억에서 10억이 되면 내 지분의 가치도 10배가 됨배당금 : 카페가 매달 버는 순 이익의 일부를 '주인님 감사합니다' 하고 나눠줌의결권 : 회사의 중요한 결정에 내 목소리를 낼 수 있음주가 지수는 시장의 평균 온도계수천 개의 상장 기업 주가를 일일이 확인하기는 불가능. 그래서 시장 전체가 어제보다 성장했는지, 퇴보했는지를 수치화한 것이 지..

Basic English 2

3형식 = 주어 + 타동사 + 목적어 - 목적어는 6개만이 올 수 있음. (1) 명사 (2) 대명사 (3) 동명사 (4) to부정사 > 명사, 형용사, 부사 역할을 하지만 명사 역할로 사용. (5) 의문 to부정사 > why, when, where, how, what + to부정사 why to help a friend why to be happy why to eat an apple how to be perfect how to teach english I know how to run i know how to study math (6) 절 - Examples ..

Basic English 1

1. 영어는 동사가 지배함. 2. 동사는 두가지로 나눠짐. - be 동사 : 상태 > I am happy, I am sick - 일반 동사 : 동작 > I go, I run 3. 일반 동사는 2가지로 구분됨. 자동사와 타동사 모두 해당되는 동사가 있고, 자동사만 되는 동사, 타동사만 되는 동사가 있음.* Ex) Eat 은 자동사, 타동사 모두 해당. - 자동사 : 자동사 뒤에는 목적어가 오지 않음 > i eat for lunch - 타동사 : 타동사 뒤에는 목적어가 옴 > I eat taco 4. 영어문장은 4개의 뼈대로 구성됨. 각 뼈대에 단어(품사)를 집어 넣음으로써 문장을 만듬. - 주어 - 동사 - 목적어 - 보어* 하지만 예외가 있음. 부사, 전치사는 단어(품사)지만 뼈대에 속하지 않음. 즉, ..

📌 개요이번 글에서는 Titanic 데이터로 연속형/범주형 분포를 더 깊게 보는 시각화를 정리합니다.특히 초보자들이 자주 헷갈리는 포인트인Violin plot이 “히스토그램 + 박스플롯” 느낌인 이유Box plot이 4분위를 어떻게 보여주는지Subplots에서 ax를 넘겨 여러 그래프를 한 번에 그리는 법Scatterplot으로 관계(패턴) 확인상관관계를 Heatmap으로 한 번에 보는 법을 한 번에 정리합니다.✅ 요청하신 대로 코드는 한 줄도 줄이지 않고 그대로 포함합니다.1️⃣ Violin Plot (바이올린 플롯)✅ 개념/목적Violin plot은 **연속형 값의 분포(밀도)**를 “대칭 형태”로 보여줍니다.히스토그램처럼 분포 모양을 보여주고Box plot처럼 중앙 경향(중앙값, 사분위 등) 정보..

📌 개요데이터 분석에서 범주형 변수(Category Data)는 매우 자주 등장합니다.좌석 등급성별연령대제품 카테고리이러한 범주형 데이터를 시각화할 때 가장 많이 사용하는 함수가 바로:countplot()barplot()이번 글에서는 Titanic 데이터를 활용하여countplot의 의미barplot의 평균/총합 표현confidence interval 제거hue를 활용한 그룹 비교stackedbar를 흉내 낸 방식까지 모두 정리합니다.1️⃣ countplot : 범주별 건수 표현countplot은 **카테고리 값의 빈도수(건수)**를 표현합니다.X축: 범주형 변수Y축: 해당 범주의 개수#countplot : 카테고리 값에 대한 건수를 표현 , x축이 카테고리값, y축이 해당 카테고리값에대한 건수sns...

📌 개요데이터 시각화는 단순히 그래프를 그리는 것이 아니라,데이터의 차원과 변수 유형에 맞는 차트를 선택하는 과정입니다.이번 글에서는 다음을 정리합니다.주요 차트 유형과 변수 차원 이해각 차트가 적합한 데이터 구조Seaborn의 Axes-level / Figure-level 구조 차이Titanic 데이터로 히스토그램 실습1️⃣ 차트 유형과 데이터 차원✔ 1. 히스토그램 (Histogram)연속형 값의 도수 분포를 시각화합니다.X축: 연속형 값의 구간(bin)Y축: 해당 구간의 빈도수📌 예시나이, 요금, 점수, 가격 등 분포 확인👉 데이터의 분포 모양, 왜도, 이상치 여부를 파악할 수 있습니다.✔ 2. 바이올린 플롯 (Violin Plot)특정 범주별 연속형 값의 분포를 시각화합니다.분포 + 밀도 +..

📌 개요Matplotlib에서 하나의 그래프만 그리는 것은 시작에 불과합니다.실무에서는 다음과 같은 작업이 매우 중요합니다.하나의 Axes 안에 여러 개의 그래프 겹쳐 그리기서로 다른 그래프 유형(Line + Bar) 함께 표현하기Axes 객체를 직접 제어하기여러 개의 Subplots을 구성하여 대시보드 형태로 시각화하기1차원 / 2차원 axes 배열 구조 이해하기이 글에서는 위 내용을 실전 코드 기반으로 완전 정리합니다.1️⃣ 하나의 Axes에 여러 개의 Plot 그리기✔ 동일 Axes에 Line 여러 개 그리기x_value_01 = np.arange(1,100)y_value_01 = 2 * x_value_01y_value_02 = 4 * x_value_01plt.plot(x_value_01, y_v..

데이터 분석에서 시각화는 선택이 아니라 필수 과정입니다.특히 Python에서는 matplotlib, seaborn, pandas, plotly가 가장 많이 활용됩니다.이 글에서는 다음을 정리합니다.통계적 시각화 vs 업무 분석 시각화 차이Matplotlib 구조 (Figure & Axes)pyplot 인터페이스 이해실전 코드 기반 기본 설정 방법축, 틱, 범례, 제한 범위 설정 방법기초이지만 반드시 정확히 이해해야 할 내용입니다.1. Python 주요 시각화 라이브러리✅ Python librarymatplotlibseabornpandasplotly📊 통계적인 시각화 (Statistical)히스토그램, 바차트, 분위, 상관히트맵, 산포도→ 주로 SeabornSeaborn 특징Matplotlib 보다 쉽고..

Matplotlib · Seaborn · 기본 차트 유형 완전 요약데이터 분석에서 시각화는 선택이 아니라 필수입니다.모델링 이전에 데이터의 구조, 분포, 관계를 이해하는 과정이 반드시 필요하기 때문입니다.이번 글에서는 Python 데이터 시각화의 핵심 라이브러리인 Matplotlib과 Seaborn의 차이,그리고 상황별로 어떤 차트를 써야 하는지를 한 번에 정리합니다.1️⃣ Matplotlib vs Seaborn 차이✔ MatplotlibPython의 기본 시각화 라이브러리저수준(low-level) API 제공세밀한 제어 가능다만 코드가 다소 복잡✔ SeabornMatplotlib 기반의 통계 시각화 특화 라이브러리데이터프레임 기반 자동 처리기본 스타일이 세련됨범주형·통계 요약 시각화에 강점👉 정리하면..

1. 개요Mercari Price Suggestion 문제는 상품의 텍스트 정보와 메타 데이터를 활용하여상품 가격을 예측하는 회귀(Regression) 문제입니다.이 문제의 핵심 난이도는 다음과 같습니다.데이터 규모가 매우 큼 (약 148만 건)텍스트 피처(name, description) 비중이 큼범주형 피처가 매우 고차원평가 지표가 RMSLE로, 로그 변환이 필수본 글에서는전처리 → 희소 행렬 기반 피처 엔지니어링 → Ridge / LightGBM → 앙상블까지의 전체 파이프라인을 정리합니다.2. 데이터 로딩 및 타깃 분포 확인mercari_df = pd.read_csv('./mercari/train.tsv', sep='\t')print(mercari_df.shape)총 데이터 수: 1,482,535..

1. 개요토픽 모델링(Topic Modeling)은 여러 문서 집합에 잠재되어 있는 공통된 주제(Topic)를 자동으로 추출하는 비지도 학습 기법입니다.문서 군집화나 문서 유사도 분석과 비슷해 보일 수 있으나, 토픽 모델링은 다음과 같은 차별적인 특징을 가집니다.문서마다 여러 토픽이 어떤 비율로 섞여 있는지(문서-토픽 분포) 를 제공함각 토픽이 어떤 단어들로 구성되어 있는지(토픽-단어 분포) 를 제공함즉, “이 문서는 A 토픽 70%, B 토픽 20%, C 토픽 10%로 구성되어 있다” 와 같은 해석이 가능함2. 토픽 모델링의 주요 계열토픽 모델링은 크게 행렬 분해 기반과 확률 기반으로 나눌 수 있습니다.2.1 행렬 분해 기반LSA (Latent Semantic Analysis)pLSA (probabil..