def solution(s):
a = s.split() # ⚠️ 문제 구간
for i in range(len(a)): # 문자열 쪼갠 리스트의 길이만큼 반복
n = ''
for j in range(len(a[i])): # i번째 인덱스의 길이만큼 반복
if j % 2 == 0: # 짝수 조건
n += a[i][j].upper() # i번째 인덱스의 j번째 문자를 대문자로 변환해서 n에 누적
else: # 홀수 조건
n += a[i][j].lower() # i번째 인덱스의 j번째 문자를 소문자로 변환해서 n에 누적
a[i] = n # 리스트 a의 i번째 인덱스를 조건문 거쳐 만들어진 n으로
return ' '.join(a) # 쪼개진 리스트를 문자열로 변환
실패!
왜 실패하는 건지 도저히 모르겠어서~ 젬선생 찬스
🤖 曰...
프로그래머스 '이상한 문자 만들기' 문제 풀고 있구나! 이거 일부 테스트 케이스에서 실패 뜨는 이유가 있어. 문제 조건 중에 엄청 중요한 통곡의 벽이 하나 숨어있거든? "각 단어는 하나 이상의 공백문자로 구분되어 있습니다." 이 말은 단어 사이에 공백이 2개, 3개일 수도 있고, 심지어 문자열 맨 앞이나 맨 뒤에 공백이 무더기로 들어있을 수도 있다는 뜻이야.
❌ 왜 실패가 떴을까? 네 코드에서 s.split()을 썼잖아? 파이썬에서 괄호 안에 아무것도 안 넣은 s.split()은연속된 모든 공백을 싹 다 무시하고 단어만 딱 골라내서 리스트로 만들어. 예를 들어 입력이 "try hello" (공백 2개) 라면: 1. s.split() 결과: ['try', 'hello'] (공백 사라짐)변환 결과: ['TrY', 'HeLlO']' '.join() 결과: "TrY HeLlO" (공백이 1개로 줄어듦 ❌) 2. 원래 입력에 있던 공백 개수가 그대로 유지되어야 하는데, split() 때문에 공백이 다 1개짜리로 초기화돼서 실패(틀림)가 뜨는 거야 ㅇㅇ.
🛠️ 정답 코드로 고치기 (split(' ') 쓰기) 공백을 한 칸짜리 모양 그대로 유지하면서 쪼개려면 괄호 안에 ' ' (공백 한 칸)을 명시해 줘야 돼! 그러면 공백이 여러 개 있어도 빈 문자열('')로 리스트에 살아남아서 원래 공백 자리를 지켜줘.
me :
' ' 면 한칸짜리 공백이잖아 근데 어떻게 두칸 세칸짜리 공백도 유지가 되는 거야?
🤖
이거 진짜 날카로운 질문이야 ㅇㅇ. 처음엔 다들 헷갈려 하는 게 당연해. 쉽게 이해할 수 있게 split()과 split(' ')이 문자열을 다루는 내부 방식을 비교해서 보여줄게.
💡 핵심은 "빈 문자열('')"을 남기느냐 마느냐의 차이 공백이 3칸 연속으로 있는 "A B"라는 문자열이 있다고 쳐보자. 컴파일러 눈에는 이게 "A" + " " + " " + " " + "B"로 보여.
1. split() (괄호 안에 아무것도 없을 때) "야, 공백(스페이스, 탭, 줄바꿈)은 전부 그냥 '벽'이야. 연속으로 있든 말든 무조건 다 합쳐서 단어만 골라내!"
- "A" 발견 ➡️ 리스트에 넣음 ['A'] - 공백 3칸 연속 발견 ➡️ "어, 공백더미네? 싹 다 무시하고 다음 글자 나올 때까지 넘겨!" - "B" 발견 ➡️ 리스트에 넣음 ['A', 'B'] -결과: ['A', 'B'] ➡️ 나중에 ' '.join() 하면 중간 공백이 1칸으로 줄어듦.
2. split(' ') (공백 한 칸을 기준으로 지정했을 때) "난 정확히 '공백 한 칸'을 만날 때마다 가위질을 할 거야. 그 사이에 아무것도 없어도 무조건 쪼개!"
여기서 가위질을 3번 세심하게 한다고 생각하면 편해. - "A" 뒤에 첫 번째 공백 발견 ➡️ 싹둑! ➡️ 왼쪽의 "A"가 리스트에 들어감. ['A'] - 두 번째 공백 발견 ➡️ 싹둑! ➡️ 첫 번째 공백과 두 번째 공백 사이에 아무 글자도 없지? 그래서 빈 방인 "" (빈 문자열)을 리스트에 집어넣음. ['A', ''] - 세 번째 공백 발견 ➡️ 싹둑! ➡️ 두 번째와 세 번째 사이에도 아무것도 없으니 또 ""를 넣음. ['A', '', ''] - 마지막 "B" 발견 ➡️ 리스트에 넣음. -결과: ['A', '', '', 'B'] ➡️ 공백 개수만큼 빈 문자열('') 자리가 방을 차지하고 살아남음!
🔄 다시 합칠 때 (' '.join()) 어떻게 복원될까? 파이썬에서 ' '.join(리스트)은 리스트의 요소들 사이에 공백 한 칸(' ')을 끼워 넣으면서 하나로 합치는 기능이야. 방금 split(' ')으로 쪼개진 ['A', '', '', 'B']를 다시 합쳐보면:
1. "A"를 쓴다. 2. 사이에 공백 한 칸 주입 ➡️ "A " 3. 두 번째 요소인 "" (빈 방)을 합친다. ➡️ "A " (아무것도 안 더해짐) 4. 사이에 공백 한 칸 주입 ➡️ "A " 5. 세 번째 요소인 "" (빈 방)을 합친다. ➡️ "A " 6. 사이에 공백 한 칸 주입 ➡️ "A " 7. 마지막 "B"를 합친다. ➡️ "A B"
결과적으로 처음에 있던공백 3칸이 완벽하게 그대로 유지되는 마법이 일어나 ㅇㅇ.
📜 요약 - split(): 공백이 몇 칸이든 다 무시하고 단어만 쏙 뽑아옴. - split(' '): 공백 한 칸 단위로 칼같이 쪼개서, 연속된 공백 자리에 '' (빈 문자열)을 남겨둠 ➡️ 이 빈 문자열들이 자리를 지켜줘서 원래 공백 개수가 유지!
def solution(s):
a = s.split(' ') # 젬선생 피드백 반영
for i in range(len(a)):
n = ''
for j in range(len(a[i])):
if j % 2 == 0:
n += a[i][j].upper()
else:
n += a[i][j].lower()
a[i] = n
return ' '.join(a)
002
오늘 학습한 내용
[ 머신러닝의 이해와 라이브러리 활용 기초 ]
선형회귀분석 실습 : 몸무게로 키 예측해보기
강의 들으면서 실습해봤는데, 그냥 따라가기만 하니까 지금 내가 뭘 하고 있는 건지 뭘 구하고 있는 건지 잘 모르겠어서... 정리해봤다.
1. 데이터 준비 및 시각화
weights, heights 리스트로 데이터프레임 만들고, Weight(x축) vs Height(y축)산점도로 두 변수 관계를 먼저 눈으로 확인
MSE는 낮을수록 좋은 것이나, (MSE = 예측값과 실제값 차이를 제곱해서 평균낸 것, 0이면 완벽하게 맞춘 거고 클수록 많이 틀린 것) 낮을수록 좋다는 거랑 별개로, MSE 자체의 절대값이 크고 작은지는 데이터 단위/스케일에 따라 완전히 달라져서 분야마다 "이 정도면 괜찮다"는 기준이 달라짐!
R²은 0~1 사이로 정규화돼 있어서 "이 모델이 데이터를 몇 % 설명하는지" 직관적으로 비교 가능 (1에 가까울수록 좋음)
6. model.predict()로도 같은 결과 나오는지 재확인
직접 만든 pred 컬럼 대신, 모델의 predict() 메서드로 예측한 값(pred2)으로도 MSE를 구해서 두 방식이 같은 결과를 내는지 최종적으로 확인
y_pred2 = model_lr.predict(body_df[['Weight']])
mean_squared_error(y_true, y_pred2) # 1.1436123348017704, 앞에서 구한 거랑 같다.
실습하면서 느낀 점...
코드 한 줄 한 줄은 이해가 되는데, 다음으로 뭘 해야 하는지 감이 잘 안 잡힘 (혼자서 백지 상태에서 해보라고 하면 못 함...;)
필요한 메서드가 뭔지 바로바로 안 떠오름...(당연한 거겠지) 그냥 강의 보고 무지성으로 따라가게 됨
다짐
전체 흐름(데이터 준비 → 학습 → 예측 → 평가)을 먼저 그려보고, 그 다음 각 단계에 어떤 메서드가 들어가는지 채워나가는 식으로 공부하기
[ 기초 통계학 - 마무리 ]
1. 재현 가능성
같은 실험 반복했을 때 결과가 똑같이 나오는지가 연구 신뢰성 확보에 중요!!
실험 조건 완벽히 재현 어려움
p해킹으로 p값 조작 가능 → 1종 오류 위험
유의수준 0.05 = 20번 중 1번은 틀려도 기각될 수 있다는 뜻
유의수준 낮추면 베타값(2종 오류) 커지는 트레이드오프 있음
2. p-해킹
유의미한 p값 나올 때까지 변수 바꿔가며 반복 분석하는 행위
XXX
여러 가설 반복 시도하다 p<0.05 나온 것만 보고
데이터 늘리다 우연히 좋은 시점에서 멈추기
결과 보고 가설을 사후에 다시 세우기 → 가설은 미리 세우고 검증할 것, 탐색적 분석이면 본페로니 보정 등 사용
3. 선택적 보고
유의미한 결과만 보고하고 나머지는 숨기는 행위 →분석 결과 왜곡, 신뢰성 저하
4. 자료 수집 중단 시점
언제 멈출지 미리 안 정하면 원하는 결과 나올 때까지 계속 모으게 됨 (예: 50명 → 결과 안 좋아서 100명까지 추가)
5. 데이터 탐색과 검증 분리
탐색해서 가설 세운 데이터 그대로 검증까지 하면 과적합 위험 →탐색용(train) / 검증용(test)나누고, 검증 데이터는 맨 마지막에만 볼 것 (머신러닝에서는 학습, 검증, 평가 데이터로 나누는 게 일반적)
