으노의 잡담방

InfluxDB란?

으노방 — Mon, 21 Nov 2022 15:57:51 +0900

InfluxDB 정의 및 특징

- 빠른 쓰기 및 읽기가 가능한 오픈소스

- 시간 경과에 따른 일련의 시계열 데이터를 저장하는 NoSQL 형태의 데이터베이스

- 사용자를 위한 자세한 문서 제공

- 간편하고 쉬운 설치

- Go, Java, Python, Node.js 등과 같은 클라이언트 지원

- 시간데이터에 대한 정밀도 지정(ex. 초 단위, 나노 초 단위)

- SQL 같은 질의어를 제공

- Schemaless Design(스키마 음슴)

- 데이터 보관 주기 설정 가능

- 플러그인 아키텍처 설계로 타자 제품과 통합하는데 용이

빅테이터 처리기술

으노방 — Mon, 21 Nov 2022 13:54:42 +0900

아파치 HBASE - NoSQL
HIVE - 데이터웨어하우스
Flume - 빅데이터 수집, 전송
oozie - 워크플로우
아파치 Spark - 하둡은 batch 처리부분이고 느린 부분이 있음 이런 부분을 좀 더 빠르게 메모리 기반화의 처리할 수 있게끔 다양 솔루션을 통합해 놓은 것

Pig - ETL을 할 때 이 솔루션을 통해 도움을 얻을 수 있음
Scooq - RDBMS(관계형DB)에서 HDFS(하둡분산파일시스템)으로 데이터를 옮기거나 HDFS에서 RDBMS로 데이터를 옮기고 싶을 때 중간에 gateway 역할하는 솔루션

우분투 디렉토리 Permission denied 해결

으노방 — Mon, 21 Nov 2022 13:29:25 +0900

해당 디렉토리로 들어가고 싶은데 권한이 거부 됐다고 안들어가진다^^

쉬운 해결책

chown {소유자:소유그룹} {파일or폴더}

sudo chown eunho:influxdb _internal/

이렇게 하니까 잘 들어가진다ㅎㅎ

이것 때문에 오전에 한참 해맸다....

윈도우10 우분투(Ubuntu) Error: 0x80070422 에러

으노방 — Mon, 21 Nov 2022 09:54:33 +0900

우분투에서 작업 하려고 하니까 갑자기 아래와 같은 에러가 떴다;; 얼탱무

이럴 때 cmd 창을 관리자 권한으로 열어서 다음 명령어를 입력한다.

sc config LxssManager start=auto

그러면 아래와 같이 잘 실행되는 것을 볼 수 있다!!

최종 mAP 몇 나왔는지 확인하는 방법

으노방 — Fri, 18 Nov 2022 09:35:35 +0900

딥러닝 학습 결과를 보면 최종 mAP가 뭔지 헷갈릴 수 있다.

mAP .5는 IoU가 0.5 이상일때
mAP .5~.95는 IoU가 0.5~0.95 사이일때

이렇게 확인하면 된다^<^

(작성중)Yolo 기초부터 정복하기

으노방 — Mon, 14 Nov 2022 16:31:43 +0900

YOLO

YOLO(You Only Look Once)란?

Object detection 분야에서 많이 알려진 모델이다. 처음으로 one-stage-detection방법을 고안해 실시간으로 Object Detection이 가능하게 만들었다.

(왼)Classification (오)Classification+Localization

1.Classification: 이미지가 주어졌을 때 Object를 분류하는 것(여러 Object 분류도 가능)

2.Localization: Object에 대해 위치를 찾는 것

3.Object Detection: Object에 대해 위치와 무엇인지까지 맞추는 것(=Classification+Localization)

4.Instance Segmentation: 이미지에 한 개 이상의 Object가 있을 때, 각각의 Object에 픽셀단위 위치와 무엇인지까지 맞추는 것

*Object Detetion은 Box 형태의 위치를 찾고, Segmentation(분할)은 픽셀단위의 위치를 찾는 차이가 있음

Object Detection은 크게 두 가지 방식으로 나뉜다.

Object Detection(객체 검출) 방식: 2-Stage 방식과 1-Stage 방식 비교하기

*resion proposal: 위치에 대한 정보를 제한 하겠다.

*feature extractor: 각각의 위치에 대해 feature를 추출 한다.

*classification: 분류

*regression: 위치에 대한 정보를 정확히 조절하는 과정(쉽게 bounding box를 예측하는 좌표라고 생각하라)

2-Stage object detection

- 물체의 ①위치를 찾는 ②문제(localization)와 분류(classification) 문제를 순차적으로 해결한다.

- Faster R-CNN

(1) 물체가 있을 법한 위치를 찾은 뒤에

(2) 각각의 위치에 대해서 class를 부여

1-Stage object detection

- 물체의 위치를 찾는 문제(localization)와 분류(classification) 문제를 한 번에 해결한다.

- 2-Stage object detection 방식 보다 빠르게 동작하지만 정확도는 더 낮다.

- 대표적인 1-Stage object detection 방식에는 YOLO가 있다.

- YOLO는 Faster R-CNN 보다 정확도는 낮지만 속도는 훨씬 빠르다는 장점이 있다.

이미지가 들어 왔을 때에 Conv Layer(Convolution layer)와 Fully Connected Layer를 거친 후 Output을 Resahpe해서 그림과 같이 Output tensor를 만들게 된다. 이후 어떠한 알고리즘을 중간에 적용해서 우리가 원하는 강아지라는 Class를 찾아내고, 또 이 강아지가 어디에 있는지 Bounding Box 위치까지 찾아내는 결과를 도출한다.

*Convolutional layer━~~"필터"는 이미지를 통과하여 한 번에 몇 Pixel(NxN)을 스캔하고 각 형상이 속하는 클래스를 예측하는 형상 맵을 만듭니다.~~(밑에 설명) 링크

*Fully Connected Layer-이미지를 분류/설명하는 데 가장 적합하게 예측.

Fully connected layer의 목적은 Convolution/Pooling 프로세스의 결과를 취하여 이미지를 정의된 라벨로 분류하는 데 사용하는 것입니다(단순한 분류의 예)(즉, 이전 계층의 모든 뉴런과 결합된 형태의 layer)

특징 추출 영역은 Convolution Layer와 Pooling Layer를 여러 겹 쌓는 형태로 구성된다. Convolution Layer는 입력 데이터에 필터를 적용 후 활성화 함수를 반영하는 필수 요소이다. Convolution Layer 다음에 위치하는 Pooling Layer는 선택적인 레이어입니다. CNN 마지막 부분에는 이미지 분류를 위한 Fully Connected 레이어가 추가된다.

Object Detection 주요 용어 정리

1. Bounding Box : 하나의 객체 전체를 포함하는 가장 작은 직사각형 의미

2. IoU(Intersection Over Union): 실제값(Ground Truth)와 모델이 예측한 값이 얼마나 겹치는지를 나타내는 지표

*실제 box와 예측한 box의 <교칩합/합집합>

3. Confidenc Score: 찾은 Bounding Box안에 물체가 있을 확률 의미

box가 객체를 포함하고 있을 가능성(objectness)과 boundary box가 얼마나 정확한지를 반영한다.

4.NMS(Non-Maximum Supperession)

NMS를 수행하는 이유는 동일한 물체를 가리키는 여러 박스의 중복을 제거하기 위함이다.

*NMS는 오른쪽 이미지처럼 각 물체별 가장 좋은 Box 한 개만 남기고 나머지는 다 지우는 역할

①특정 Confidence Score 이하의 Bounding Box 제거

②남은 Bounding Box들을 Confidence Socre 기준으로 내림차순 정렬

③맨 앞 박스 기준으로, 이 박스와 IoU가 특정 Threshold 이상인 박스들을 모두 제거

->그리고 ②와 ③을 반복

5.AP(Average Precision) & mAP(mean Average Precsion)::성능평가지표

앞서, 정밀도(Precision)와 재현율(Recall)이 무엇인지 먼저 알아야한다.

정밀도(Precision)는 모든 검출 결과 중 옳게 검출한 비율

재현율(Recall)은 검출해내야 하는 물체들 중 제대로 검출된 비율

*모델의 성능이 좋으려면 이 두 값 모두 높아야 할 것(일반적으로 정밀도와 재현울은 살짝 반비례관계가 있다.)

*AP는 precision과 recall을 그래프로 나타냈을 때의 면적이다.

*mAP:각 class마다 한 AP를 갖게 되는데 모든 class의 AP에 대해 평균값을 낸 것이 바로 mAP(mean AP)이다.

즉, 모든 class에 대하여 Precision/Recall의 값을 avg취한 것이라고 볼 수 있다.

이진 분류기의 성능 지표로 사용되는 정밀도와 재현율을 이용한 지표이며 객체 검출 알고리즘의 성능을 평가하는데 널리 사용합니다.

~~6.Dataset~~

~~Annotations: 각 이미지별 Label xml 파일(class, 이미지 size, Bounding box에 대한 정보 등)~~

~~ImageSets: 특정 클래스가 어떤 이미지에 있는지 등에 대한 정보를 포함하는 폴더~~

YOLO 특징

첫 번째 특징은 이미지 전체를 한번만 보는 것이다. YOLO 이전의 R-CNN은 이미지를 여러장으로 분할하고, CNN모델을 이용해 이미지를 분석했다. 그렇기 때문에 이미지 한장에서 Object Detection을 해도 실제로는 여러장의 이미지를 분석하는 것과 같았다. 하지만 YOLO는 이러한 과정 없이 이미지를 한 번만 보는 강력한 특징을 가지고 있다.

두 번째 특징은 통합된 모델을 사용하는 것이다. 기존 Object Detectin 모델은 다양한 전처리 모델과 인공 신경망을 결합해서 사용했다. 하지만 YOLO는 통합된 모델을 사용해 간단하다.

세 번째 특징은 실시간으로 객체를 탐지 할 수 있는 것이다. YOLO가 유명해진 이유는 높은 성능은 아니더라도 준수한 성능으로 실시간으로 Object Detection이 가능했기 때문이다. 기존의 Faster R-CNN보다 6배 빠른 성능을 보여준다.

YOLO와 기존의 Object Detection 모델과 비교 했을 때

첫 번째로 간단한 처리 과정으로 속도가 매우 빠르며 기존의 실시간 Object Detection 모델들과 비교하면 2배 정도 높은 mAP를 보인다.

두 번째는 이미지 전체를 한 번에 바라보는 방식을 이용하므로 class에 대한 맥락적 이해도가 다른 모델에 비해 높아 낮은 False-Positive(틀린 검출)를 보인다.

세 번째로 일반화된 Object 학습이 가능하여 자연 이미지로 학습하고 이를 그림과 같은 곳에 테스트 해도 다른 모델에 비해 훨씬 높은 성능을 보여준다. 하지만 다른 모델에 비해 낮은 정확도를 가지고 있다. 특히 작은 객체에 대해 정확도가 낮다.

2-Stage Detector 방식 예시--학습 중

1. R-CNN

이미지에 대하여 CPU 상에서 Selective Search를 진행한다. 그러면 물체가 존재할 법한 위치들을 찾고, 찾은 물체를 개별적으로 CNN-network에 넣어서 feature vector를 추출한다. 추출한 feature vector들에 대하여 SVM을 이용해서 classification을 진행하고 Regressor를 이용해서 정확한 물체의 위치가 어딘지 Bounding Box를 조절하여 예측할수 있도록 한다.

2. Fast R-CNN (기존 R-CNN보다 속도적인 측면에서 개선된 것)

feature맵을 뽑기 위해서 CNN을 한 번만 거친다. 이후에 Rol Layer(Rol Layer pooling)를 통해 각각의 resion에 대해서 각각의 feature에 대한 정보를 추출한다.

CNN 구조를 생각해 보면 feature map은 Input image에 대해서 각각의 위치에 대한 정보를 어느 정도 보존하기 있기 때문에 이러한 작업이가능하다.

기본적인 R-CNN은 여러 개의 클래스가 존재하는 상황에서 각각의 클래스에 대해서 바이너리 SVM을 사용하고

Fast R-CNN부터는 기본적인 CNN 네트워크를 이용하여 Softmax 레이어를 거쳐서 각각의 클래스에 대한 ~~problem~~ rateprobability를 구하도록 한다.

3. Faster R-CNN

R-CNN과 Fast R-CNN는 CPU에서 Resion Proposal을 진행한다. 이러한 과정에서 속도가 매우 느리기 때문에 모든 Resion Proposal 연산을 GPU 상에서 수행할 수 있도록 RPN(Resion Proposal Network)를 제한한다.

RPN도 딥러닝 모델이기 때문에 전부 gpu에 올려서 모델을 돌릴 수 있다. 정확히는 featrue맵을 보고 어느 곳에 물체가 있을 법한지 예측할 수 있도록한다. 즉 Selective Search의 시간적인 단점을 해결하는 대한이라고 보면 된다.

학습이 이루어지고 난 뒤에는 gpu상에서 한번의 forworiding(전송)만 수행하면 바로 어느 곳에 물체가 있을법한지 예측할 수 있기 때문에 훨씬 시간적 장점이 있다. 이후에 Faster R-CNN에서 사용하는 디텍션 네트워크 아키텍처를 사용해서 실질적으로 각각의 물체가 존재할법한 위치에 대해서 분류와 회귀를 진행한다.

Fast R-CNN 기존의 에서 Resion Proposal을 진행하는 Selective Search를 rpn 바궈서 모든 과정을 End to End 방식으로 학습할 수 있도록 아키텍쳐를 바꾼 구조라고 이해하라

Fast R-CNN과 Resion Proposal 합친것

CNN

<CNN 등장 배경>

Overffing

:train데이터에 너무 의존해서 test데이터가 들어왔을 때 맞출 수가 없음(한 마디로 융통성이 없음)

CNN이란? - Convolutional Neural Networks(합성곱 신경망) <알고리즘>

시각적 이미지 분석에 가장 일반적으로 사용되는 인공신경망의 한 종류로, 입력 이미지로부터 특징을 추출하여 입력 이미지가 어떤 이미지인지 클래스를 분류함

주로 이미지나 영상 데이터를 처리할 때 쓰이며, Convolution이라는 전처리 작업이 들어가는 Neural Network 모델이다.

예를들어 자동차 이미지가 있으면 이미지 전체를 학습하지 않고, 쪼개서 부분적으로 이미지 특성을 추출한다.

Feature Learning(특징 검출)과 Classification(분류) 단계로 구분

Feature Learning(특징 검출)

①컨벌루션+ReLU: 이미지 특징 분석

②Pooling:(할 수도 있고, 안 할 수도 있음) 어떤 출력된 값을 가지고 채널 수를 유지하면서 입력의 변화에 민감하지 않게끔 거치는 단계

①, ②과정이 반복하고 그 다음에

Classification(분류)

Flatten(평면화): 합성곱 신경망을 학습하고 나면 출력물이 행렬형태로 나타나는데 그것을 인공신경망을 적용할 수 있게 일열로 나열을하는 것

~~Fully Connected: flatten을 가지고 완전 연결망 통해 (아래와 이어짐)Softmax: 최종 분류를 함~~

*학습을 할 때에 ReLU function 사용

*분류할 때 Softmax function 사용

ANN & CNN 차이

ANN

*Affine: 기존에 단일 값, 혹은 단일 차원 배열로 넘겨주던 입력값을 행렬로서 받아들여 한 번에 처리하는 것

기존 신경망(Artificial Neural Network)구조

CNN

신경망 구조에서 합성곱 계층(Convolutional Layer)과 풀링 계층(Pooling Layer)이 추가 됨

*풀링 계층은 생략 가능함

*맨 마지막은 ANN과 똑같음

CNN구조

1. Convolutional Layer

~~(1) Color 이미지는 3D~~

이미지 데이터는 높이*너비*채널의 3차원 텐서(tensor)로 표현할 수 있다. 만약, 이미지의 색상이 RGB 코드로 표현되었다면, 채널의 크기는 3이 되며 각각의 채널에는 R,G,B 값이 저장된다.

(2) 합성곱 연산

*마스크=필터=커널 다 똑같은 말

합성곱 연산의 편향(bias)필터 적용 후 데이터에 편향이 더해짐- 가중합을 구할 때에 가중치를 필터라고 생각한다면 bias는 절편을 더하는 것 처럼 생각하라- 필터 적용 후 모든 원소에 더해짐- 합성곱 신경망을 통해 학습이 거듭되며 필터의 원소 값과 편향이 매번 갱신되는 것임- bias를 더하는 이유는 0이 되는 것을 방지하기 위함

(3) 패딩(Padding) 처리

- 입력 데이터와 출력 데이터의 크기를 맞추기 위해 사용됨

- 원래 입력 데이터가(4,4)였는데 필터링이 되면서 행렬이 점점 작아진다. 출력 데이터를 입력 데이터 크기와 동일시하기 위해서 주변에 패딩처리를 해준다. 주로 0을 사용한다.(Zero padding)

- 합성곱 연산을 여러 번 반복해야 하는 심층 신경망에서 출력 크기가 1이 되어버릴 수 있기 때문에 더 이상 합성곱 연산을 적용할 수 없게 되는 문제가 발생할 수 있다.

- 따라서, 출력 크기를 조정하기 위해 패딩을 사용함

(4) 스트라이드(Stride)

필터를 적용하는 위치의 간격을 말함

- 필터의 크기와 스트라이드 크기에 따라서 출력된 값의 크기가 커질 수도 있고, 작아질 수도 있다.

왜 CNN을 사용할까?

일반 DNN의 문제점에서부터 출발한다. 일반 DNN은 기본적으로 1차원 형태의 데이터를 사용한다. 예를들면 1028*1028같은 2차원 형태의 이미지가 입력되는 경우, 이것을 flatten 시켜서 한 줄 데이터로 만들어야 하는데 이 과정에서 이미지의 공간적/지역적(spatial/topological information) 정보가 손실되게 된다. 또한, 추상화 과정없이 바로 연산과정으로 넘어가 버리기 때문에 학습시간과 능률의 효율성이 저하된다.

이러한 문제점에서부터 고안한 해결책이 CNN이다. CNN은 이미지를 날것(raw input) 그대로 받음으로써 공간적/지역적 정보를 유지한 채 특성(fearture)들의 계층을 빌드업한다. CNN의 중요 포인트는 이미지 전체보다는 부분을 보는 것, 그리고 이미지의 한 픽셀과 주변 픽셀들의 연관성을 살리는 것이다.

*flatten

플래튼 레이어(Flatten Layer) :: 2차원 > 1차원

:CNN에서 컨볼루션 레어이와 풀링 레이어를 반복적으로 거치면 주요 특징만 추출된다. 추출된 주요 득징은 2차원 데이터로 이러져있지만, Dense와 같이 분류를 위한 학습 레이어에서 1차원 데이터로 바꾸어서 학습되어야 한다.

풀링 레이어(Pooling Layer)

풀링은 차례로 처리되는 데이터의 크기를 줄인다. 이과정으로 모델의 전체 매개변수의 수를 크게 줄일 수 있다.

-> 풀링에는 MaxPooling과 AveragePooling이 존재

MaxPooling은 해당 영역에서 최댓값을 찾는 방법이고, (위 그림이 MaxPooling의 예시이다.)
AveragePooling은 해당 영역의 평균값을 계산하는 방법이다.

*region proposal = bounding box

Region Proposal을 찾아내는 방법

- Sliding Window: 객체가 존재할 수 있는 모든 크기의 영역에 대해 모두 탐색하여 classification을 수행

- 과거에는 Sliding Window 방법을 사용하여 이미지의 전 영역에 대해 모두 탐색하였으나, search space 수가 너무 많아 연상이 오래 걸리는 비효울적인 방법이었음

- 이를 해결하기 위해 입력 영상에서 '객체가 있을 법한' 영역을 빠른 속도로 찾아내는 Selective Search 알고리즘이 개발 되었으며, 분류 성능 또한 기존의 Sliiding Window 보다 우수하였음

R-CNN(Region based on CNN)이란?

Resion Proposal + CNN 으로, 인공지능을 활용한 객체 검출 알고리즘에 기본적으로 사용되는 것

- R-CNN > SPP-net(2014) > Fast R-CNN(2015) > Faster R-CNN(2016) > Mask R-CNN(2017) > YOLO(오늘날)

1. 인풋이미지

2. resion 제한(bounding box처리된 부분이 resion)

3. CNN feature을 계산

4. 비행기냐=>no, 사람이냐=>yes, tv모티터냐=>no | 사전에 학습된 이미지와 지금 나온 이미지를 비교해서 사람인지 말인지를 분류

Mask R-CNN이란?

- 픽셀단위의 이미지 및 영상 분할 방법론으로 주어진 픽셀이 객체의 일부인지 아닌지를 나타내는 binary mask(객체 일부이면 1, 아니면 0으로 표기한 행렬)를 덮어씌어(mask) 출력함

- 이미지 내의 객체(class)마다 경계 상자(boundary box)의 mask를 생성하도록 하고 classification 및 cofidence score를 계산함

- 이미지 입력 > Classification > Boundary box > Masking & Confidenc Score

참고
https://www.youtube.com/watch?v=BfzUCEXmOm0  CNN합성곱신경망의 기본 개념
http://wiki.hash.kr/index.php/%ED%95%A9%EC%84%B1%EA%B3%B1_%EC%8B%A0%EA%B2%BD%EB%A7%9D 이미지
https://gaussian37.github.io/machine-learning-concept-bias_and_variance/ 바이어스
https://velog.io/@kim_haesol/CNN-%EA%B8%B0%EC%B4%88%EC%84%A4%EB%AA%85 CNN
https://davinci-ai.tistory.com/29  플래튼 레이어
https://underflow101.tistory.com/41  풀링레이어
https://wiserloner.tistory.com/455  Affine
https://rubber-tree.tistory.com/entry/%EB%94%A5%EB%9F%AC%EB%8B%9D-%EB%AA%A8%EB%8D%B8-CNN-Convolutional-Neural-Network-%EC%84%A4%EB%AA%85  Convolutional Layer
https://www.popit.kr/%EC%8B%A4%EC%B2%B4%EA%B0%80-%EC%86%90%EC%97%90-%EC%9E%A1%ED%9E%88%EB%8A%94-%EB%94%A5%EB%9F%AC%EB%8B%9D3-%EC%9D%B4%EA%B2%83%EB%A7%8C%EC%9D%80-%EA%BC%AD-%EC%95%8C%EC%95%84%EB%91%90%EC%9E%90/  bias
https://www.youtube.com/watch?v=1WZkMaYupcU&list=LL&index=1&t=64s R-CNN
https://www.youtube.com/watch?v=jqNCdjOB15s R-CNN, Fast R-CNN, Faster R-CNN
https://blog.naver.com/PostView.naver?blogId=intelliz&logNo=221709190464&parentCategoryNo=&categoryNo=&viewDate=&isShowPopularPosts=false&from=postView  Fully connected layer
https://byul91oh.tistory.com/321 욜로란, 장단점
https://artiiicy.tistory.com/25 mAP
http://taewan.kim/post/cnn/ cov, pooling, fully connetected 레이어
https://inspace4u.github.io/dllab/lecture/2017/11/07/Mean_Average_Precision.html  mAP

https://jeongminhee99.tistory.com/121 Conv layer

(작성중)yes24 책 리뷰 크롤링 하기

으노방 — Thu, 13 Oct 2022 17:27:14 +0900

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager
from time import sleep
import pandas as pd
import csv
import os
from selenium.webdriver.common.keys import Keys
import warnings
warnings.simplefilter(action='ignore', category=FutureWarning) # concat 쓰라는 경고 무시


try:
  URL = 'http://www.yes24.com/Product/Goods/112929848'

  chrome_options = webdriver.ChromeOptions()
  driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()), options=chrome_options)
  driver.get(url=URL)
  sleep(3)
  driver.find_element(By.XPATH, '''//*[@id="yDetailTabNavWrap"]/div/div[2]/ul/li[2]/a''').send_keys(Keys.ENTER) #리뷰 클릭

  df = pd.DataFrame(columns=['part','title','rating','text'])
  part = '경제/경영'
  title = '넘버스 스틱!'
  print('part: ', part)
  print('title: ', title)

  driver.implicitly_wait(time_to_wait=10)
  # for i in range(1,339):
  #   if i == 338:
  #     break
  cnt = 0
  for _ in range(35):
    for num in range(4,13):
      cnt+=1
      print(f">>{cnt} 페이지")
      for idx in range(1,7):
        try:
          rating_xpath = driver.find_element(By.XPATH, f'''//*[@id="infoset_oneCommentList"]/div[3]/div[{idx}]/div[1]/div[1]/span[2]''') # 별점
        except:
          rating_xpath = driver.find_element(By.XPATH, f'''//*[@id="infoset_oneCommentList"]/div[3]/div[{idx}]/div[1]/div[1]/span''') # 별점
        text_xpath = driver.find_element(By.XPATH, f'''//*[@id="infoset_oneCommentList"]/div[3]/div[{idx}]/div[1]/div[2]/span''') # 리뷰 글
        rating_str = rating_xpath.text
        rating = rating_str[2:-1]
        text = text_xpath.text
        print(rating)
        print(text)
        df = df.append({'part':part, 'title':title, 'rating':rating, 'text':text}, ignore_index=True)
        sleep(2.5)
      print("-------------next------------")
      page_bar = driver.find_elements(By.CSS_SELECTOR, f'#infoset_oneCommentList > div:nth-child(4) > div.rvCmt_sortLft > div > a:nth-child({num})')
      # pn = len(page_bar)
      # print("pn:: ", pn)
      page_bar[0].send_keys(Keys.ENTER)
    driver.find_element(By.XPATH, '''//*[@id="infoset_oneCommentList"]/div[2]/div[1]/div/a[12]''').send_keys(Keys.ENTER)
  # next_bar = driver.find_elements(By.CSS_SELECTOR, '#infoset_oneCommentList > div:nth-child(2) > div.rvCmt_sortLft > div > a.bgYUI.next')
  # page_bar[0].send_keys(Keys.ENTER)
    

  df.to_csv(f'./yes24_{title}.csv', encoding='utf-8-sig')
except Exception as e:
  df.to_csv(f'./yes24_{title}.csv', encoding='utf-8-sig')
  print("!!!---예외가 발생했습니다.--- : ", e, '-----!!!!')

[이것이 코딩 테스트다] 성적이 낮은 순서로 학생 출력하기

으노방 — Wed, 12 Oct 2022 21:59:01 +0900

n = int(input())
s = {}
for _ in range(n):
    name,score = input().split()
    score = int(score)
    s[name] = score
    
s_ = sorted(s.items(), key = lambda item: item[1])

for i in range(len(s_)):
    print(s_[i][0])

내가 만약에 "s.items(), key = lambda item: item[1]" 이걸 몰랐으면 어떻게 풀었을까?

한 번 list로 다시 풀어 보자

[이것이 코딩 테스트다] 위에서 아래로 Python

으노방 — Wed, 12 Oct 2022 21:57:02 +0900

완전 쉬운 문제;;;

n = int(input())
_list = []
for _ in range(n):
    _list.append(int(input()))
_list.sort(reverse=True)
for i in _list:
    print(i)

[이것이 코딩 테스트다] 상하좌우 Python

으노방 — Wed, 28 Sep 2022 21:21:20 +0900

내 풀이

n = int(input())
a = list(map(str,input().split()))
nm = [1,1]
for i in a:
    if i=='L':
        nm[1] = nm[1]-1
        if nm[1]<1:
            nm[1]+=1
    if i=='R':
        nm[1] = nm[1]+1
        if nm[1]>n:
            nm[1]-=1     
    if i=='U':
        nm[0] = nm[0]-1
        if nm[0]<1:
            nm[0]+=1
    if i=='D':
        nm[0] = nm[0]+1
        if nm[0]>n:
            nm[0]-=1
            
print(nm[0], nm[1])

L,R,U,D에 일일이 if문 만들어서 n 밖으로 빠져나가는 걸 if문으로 예외처리 시켰다.