unoori 님의 블로그

위의 그룹화 및 평균 계산 결과는 seller_season(판매자가 속한 계절)과 customer_season(고객이 속한 계절)의 조합이 평균 배송 시간(delivery_time_day)에 미치는 영향을 보여줍니다. 이를 기반으로 몇 가지 주요 인사이트를 도출할 수 있습니다: 인사이트 1. 같은 계절일 때 배송 시간이 짧다: • seller_season과 customer_season이 동일한 경우(dry-dry, rainy-rainy), 평균 배송 시간이 상대적으로 짧음. • 이는 판매자와 고객이 동일한 기후 조건에 놓여 있을 때 물류 과정이 더 원활하게 진행될 가능성을 시사. 2. 다른 계절일 때 배송 시간이 길다: • seller_season과 customer_season이 다른 경우(dry-rai..

1. 질문: 셀러에게 주문량이 많으면 고객에게 배송하는 데 시간이 더 걸릴 수 있을까? 가설: 셀러의 주문량이 많아지면, 각 주문을 처리하고 배송하는 데 시간이 더 걸릴 가능성이 있음.근거: • 처리 용량 초과, 재고 관리 문제, 물류 지연, 우선순위 조정 등의 요인. • 이 가설을 검증하려면 주문량(total_orders)과 배송 시간(delivery_time) 간의 상관관계를 분석하고 비교. 결론: 데이터 분석을 통해 이 가설의 타당성을 확인할 필요가 있으며, 소규모 셀러나 특정 상황에서 영향이 클 가능성이 있음. 기준: 일단위 2. 질문: 배송 제한 시간 준수 여부를 나타내는 컬럼을 만들면 배송 시간 예측에 도움이 될까? 가설: 배송 제한 시간 준수 여부(0/1)를 나타내는 컬럼은 배송 시간 예측에..

1. 나의 일주일 돌아보기이번주도 달리기를 못했다.방전이 됐는지 주말에 재충전의 시간을 가짐2. 더 나은 다음주를 만들기 위해 어떤고민? 프로젝트 기간 팀원들과의 소통을 원할하게 하자!행동에는 대가가 따른다. 행동하자!

예측 모델링에서 범주형, 명목형, 수치형 데이터를 처리하는 방법과 특징 선택 요령, 모델링 종류, 그리고 최적의 모델 선정법을 다음과 같이 설명하겠습니다. 1. 데이터 유형별 처리 방법 (1) 범주형 데이터 • 정의: 데이터가 고정된 여러 값 중 하나를 가지는 경우. (예: “남성”, “여성”) • 처리 방법: 1. 인코딩 (Encoding): • Label Encoding: 각 범주를 숫자로 매핑 (e.g., “남성” → 0, “여성” → 1). • One-Hot Encoding: 각 범주를 이진 벡터로 변환 (e.g., “남성” → [1, 0], “여성” → [0, 1]). 2. 빈도 기반 인코딩 (Frequency Encoding): • 범주의 등장 빈도를 사용하여 숫자로 변환. 3. 임베딩 (Em..

qcc 7회차 3번문제_2번째 정답# 3번 정답2 둘다정답with running_time as ( select * ,lead(status_time) OVER (PARTITION BY server_id ORDER BY status_time) AS next_status_time ,lead(session_status) OVER (PARTITION BY server_id ORDER BY status_time) AS next_session_status from server_utilization ), server_uptime_second as ( SELECT server_id ,floor( sum(TIMESTAMPDIFF(SECOND, status_time, next_status_time)) / ..

qcc 7회차 3번문제# 3 정답1WITH running_time as( SELECT * ,lead(status_time) OVER (PARTITION BY server_id ORDER BY status_time) AS next_status_time ,lead(session_status) OVER (PARTITION BY server_id ORDER BY status_time) AS next_session_status FROM server_utilization )SELECT FLOOR(SUM(TIMESTAMPDIFF(SECOND, status_time, next_status_time) / 86400)) uptime_daysFROM running_timewhere session_status = ..

qcc 7회차 2번문제WITH o_max AS ( SELECT ticker ,date_format(date, '%Y%m') AS highest_mth ,OPEN AS highest_open ,rank() OVER (PARTITION BY ticker ORDER BY OPEN desc) max_rnk FROM stock_prices WHERE OPEN IS NOT NULL),o_min as( SELECT ticker ,date_format(date, '%Y%m') AS lowest_mth ,OPEN AS lowest_open ,rank() OVER (PARTITION BY ticker ORDER BY OPEN asc) min_rnk FROM stock_prices WHERE O..

qcc 7회차 1번문제SELECT p.page_idFROM pages pLEFT JOIN page_likes plON pl.page_id = p.page_idWHERE pl.page_id IS NULLORDER BY page_id;    1. pages 테이블과 page_likes 테이블의 LEFT JOIN • pages 테이블(p)의 모든 레코드와 page_likes 테이블(pl)을 조인합니다. • LEFT JOIN은 pages 테이블의 모든 행을 유지하면서, page_likes 테이블에서 일치하는 값이 없는 경우 NULL을 반환합니다. 2. 조건: WHERE pl.page_id IS NULL • 조인 후 page_likes 테이블에 일치하는 page_id가 없는 pages 테이블의 행만 선택합니다. ..

1. 나의 일주일 돌아보기새로운 팀원들과의 만남, 모두 너무 친절하시다.팀원들과 의견을 조율하면서 프로젝트에 다룰 데이터셋을 찾고 이해하는 시간이었다.개인적으로 데이터셋을 들여다 보며 전에 배운내용을 복습하는 시간을 가졌다.2. 더 나은 다음주를 만들기 위해 어떤고민?분석한 데이터를 실제로 태블로로 구현할 수 있을까 고민이 되는게 사실이다.다음주는 eda와 태블로 학습에 매진해야 겠다.미움받을 용기!

QCC6-3코호트 분석WITH cohort AS ( SELECT customer_id ,date_format(min(order_date), '%Y-%m-01') FIRST_ORDER_MONTH FROM customer_orders GROUP BY 1), acitve_orders as(SELECT ch.FIRST_ORDER_MONTH ,date_format(order_date, '%Y-%m-01') active_month ,co.CUSTOMER_ID FROM customer_orders coJOIN cohort chON co.CUSTOMER_ID = ch.customer_id), cohort_counts as( SELECT FIRST_ORDER_MONTH ,active_month ,C..