Hyungjun Kim

import pandas as pd import json def json_to_dataframe(json_file_path): with open(json_file_path, 'r') as json_file: data = json.load(json_file) # 데이터프레임으로 변환 dataframe = pd.DataFrame(data) return dataframe # 사용 예시 json_file_path = 'path/to/your/file.json' df = json_to_dataframe(json_file_path) # 데이터프레임 확인 print(df)

Streamlit은 데이터 과학 및 웹 애플리케이션을 빠르고 쉽게 개발할 수 있도록 도와주는 Python 라이브러리로, Streamlit을 사용하면 사용자 인터페이스(UI)를 생성하고 데이터 시각화 및 분석을 손쉽게 구축할 수 있음. 주요 특징 간편한 사용: Streamlit은 간단하고 직관적인 문법을 제공하여 사용자가 쉽게 웹 애플리케이션을 구축할 수 있음. 실시간 업데이트: 코드를 수정하면 자동으로 앱이 업데이트되므로 개발자는 반복적인 작업을 최소화하고 결과를 빠르게 확인할 수 있음. 대화형 위젯 제공: 사용자 인터페이스를 만들기 위해 다양한 위젯을 사용할 수 있고, 버튼, 슬라이더, 체크박스 등을 통해 사용자와 상호 작용할 수 있음. 데이터 시각화: Matplotlib, Plotly, Altair ..

random split import torch from torchvision import transforms from torch.utils.data import DataLoader, Dataset image_transform = { 'train': transforms.Compose([ transforms.Resize((IMAGE_SIZE,IMAGE_SIZE)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), # transforms.CenterCrop(IMAGE_SIZE), # transforms.RandomHorizontalFlip(), # transforms.RandomAffine(deg..

이미지 기반 딥러닝 모델을 만들다 보면 Label 이랑 Image 샘플을 보고싶을 때가 있는데, matplotlib 의 subplot으로 한번에 확인할 수 있는 코드 import matplotlib.pyplot as plt import cv2 %matplotlib inline %config InlineBackend.figure_format = 'retina' # check data (class 1~5) fig = plt.figure(figsize=(10,5)) # rows*cols 행렬의 i번째 subplot 생성 xlabels = classes rows = 1 cols = 4 for c in range(0, 4): sample_path = train_flist[ xlabels[c] ][0] img = ..

이미지 데이터셋 생성 from PIL import Image as Image from torch.utils.data import Dataset, DataLoader from torchvision import models, transforms class ImageDataset(Dataset): ''' dataset class overloads the __init__, __len__, __getitem__ methods of the Dataset class. Parameters : df: DataFrame object for the csv file. data_path: Location of the dataset. image_transform: Transformations to apply to the imag..

CUDA version check # Method1 $ nvcc --V # Method2 $ /usr/local/cuda/bin/nvcc --V # Method3 $ cat /usr/local/cuda/version.txt GPU 사용량 확인 # =n 뒤에는 몇 초에 한번 실시간으로 볼 것인지 설정 $ watch -n 1 -d nvidia-smi

Image 간의 사이즈 조절, Noramlization, 텐서화 등 전처리를 한번에 적용해 줄 수 있는 torchvision.transforms 를 활용할 수 있음. transforms 코드 예시 from torchvision import transforms image_transform = transforms.Compose([ transforms.Resize([512, 512]), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)) ]) transforms 코드 적용 (Dataset Class) import torch from torch.utils.data import Dataset, DataLo..

correlation heatmap 그리기 import seaborn as sns import matplotlib.pyplot as plt %matplotlib inline %config InlineBackend.figure_format = 'retina' corr_df = df[COLUMNS].corr() plt.figure(figsize=(8, 8)) sns.heatmap(corr_df, annot = True, # 실제 값 화면에 나타내기 cmap = 'RdYlBu_r', # Red, Yellow, Blue 색상으로 표시 vmin = -1, vmax = 1, #컬러차트 -1 ~ 1 범위로 표시 ) T-Test : Numeric 변수 단변량 비교 from scipy.stats import chi2_c..

# 현재 디레토리를 Git 레포지토리로 설정 git init # git add all git add . # commit git commit -m "MESSAGE" # REPOSITORY Clone git clone "Git 주소" # config 설정 git config --global user.name "NAME" git config --global user.email "EMAIL" # git 상태확인 git status # git add all git add . # commit git commit -m "MESSAGE" # push git push -u origin master

이미지 샘플 데이터 확인 import os, cv2 import matplotlib.pyplot as plt DATA_PATH = './' fig = plt.figure(figsize=(16,5)) fig.suptitle("Positive", size=22) img_paths = os.listdir(DATA_PATH) shuffle(img_paths)# shuffle images for i, image in enumerate(img_paths[:4]): img = cv2.imread(os.path.join(DATA_PATH, image)) plt.subplot(1, 4, i+1, frameon=False) plt.imshow(img) fig.show() Image Transform mean_nums = ..