파이썬 if ~ not in의 사용

파이썬 문법 중 if~in / if ~ not in 에 대한 내용이다. 항상 헷갈리는 부분이라서 정리해둔다.

 

(0) 기본적인 사용방법은 다음과 같다.

if A in B : B안에 A가 있으면 참(true)이다.

if A not in B : B안에 A가 없다면 참(true)이다.

B에는 리스트, 튜플, 문자열을 사용할 수 있다. (중요)

리스트 = [1,2,3,4,5]
if 9 not in 리스트:
    print('9가 없다')
else:
    print('9가 있다')

#### 출력 ####
9가 없다


문자열 = 'hello world'
if 'a' not in 문자열:
    print('a가 문자열안에 없다')
if 'e' in 문자열:
    print('e가 문자열안에 있다')

#### 출력 ####
a가 문자열안에 없다
e가 문자열안에 있다

 

for문과 if ~ not in을 같이 사용하면 리스트에서 특정 요소의 포함여부를 확인할 수 있다.

필터링의 기능으로 많이 사용한다.

 

(1) 리스트에서 특정문자열(kim)이 포함되어있지 않는 요소를 출력

df_list= ['kim_a', 'kim_b', 'kim_c', 'kim_k', 'seo_a', 'seo_b', 'seo_c', 'seo_s']
for col in df_list:
    if 'kim' not in col:
        print(col)    
        
#### 실행 ####
seo_a
seo_b
seo_c
seo_s

 

(2) 리스트에서 특정요소(kim_a, seo_a)를 제외한 요소를 출력 

df_list= ['kim_a', 'kim_b', 'kim_c', 'seo_a', 'seo_b', 'seo_c']
unselect_list= ['kim_a', 'seo_a']
for col in df_list:
    if col not in unselect_list:
        print(col)
        
#### 실행 ####
kim_b
kim_c
seo_b
seo_c

 

(3) 리스트에서 특정요소를 제외한 요소를 출력, 포함의 개념이 아니라 동일의 개념으로 필터링한다.

df_list= ['a','b','fecha_dato', 'fecha_dato_1','sexo', '1_sexo', 'se3xo']
unselect_list= ['fecha_dato', 'sexo']
for col in df_list:
    if col not in unselect_list: 
        print(col)
        
#### 실행 ####
a
b
fecha_dato_1
1_sexo
se3xo
        

 

(4) 리스트에서 특정문자열이 포함되어있지 않는 요소를 출력, 특정문자열이 '포함'된 요소를 제외시킨다.

df_list= ['a','b','fecha_dato', 'fecha_dato_1','fech2a_dato_1','sexo', '1_sexo', 'se3xo']
for col in df_list:
    if 'se' not in col: 
        print(col)

#### 출력 ####        
a
b
fecha_dato
fecha_dato_1
fech2a_dato_1

 

(5) 데이터분석에서 특정 특성들(feature)에 대해 제외시킨 후 전처리를 하거나 머신러닝을 실행할때 사용한다. 

그냥 리스트를 만들어 직접 특성들을 썼다 지웠다 할 수 있지만 테이블에 컬럼이 매우 많을 경우에는 이런 방법이 유용하다.

features=[]
# 제외할 컬럼
exclude_cols = ['future','open']
for col in stock_df1.columns: 
    if col not in exclude_cols: 
        features.append(col) #'future'와 'open' 컬럼을 제외한 컬럼리스트를 만든다.

# we scaled input data using min max scaler, 전처리 스케일링
from sklearn import preprocessing 
from sklearn.preprocessing import StandardScaler 

scaler = {}
for col in features:
    scaler[col] = StandardScaler()
    stock_df1[col] = scaler[col].fit_transform(stock_df1[col].values.reshape(-1,1))

 

 

마침.