pandas는 고급 데이터 구조와 도구가 포함된 Numpy 기반의 데이터 분석 패키지입니다.
핵심이 ndarray인 Numpy와 유사하게 pandas도 Series와 DataFrame의 두 가지 핵심 데이터 구조를 중심으로 작동합니다. Series와 DataFrame은 각각 1차원 시퀀스와 2차원 테이블 구조에 해당합니다. pandas의 기존 import 방법은 다음과 같습니다.
from pandas import Series,DataFrame import pandas as pd
Series는 고정 길이 순서 사전으로 간주할 수 있습니다. 기본적으로 모든 1차원 데이터를 사용하여 시리즈 개체를 구성할 수 있습니다.
>>> s = Series([1,2,3.0,'abc']) >>> s 0 1 1 2 2 3 3 abc dtype: object
dtype:object
는 다양한 기본 데이터 유형을 포함할 수 있지만 항상 성능에 영향을 미칠 것 같아서 가장 좋습니다. 간단하게 유지하려면 dtype을 사용하세요. dtype:object
可以包含多种基本数据类型,但总感觉会影响性能的样子,最好还是保持单纯的 dtype。
Series 对象包含两个主要的属性:index 和 values,分别为上例中左右两列。因为传给构造器的是一个列表,所以 index 的值是从 0 起递增的整数,如果传入的是一个类字典的键值对结构,就会生成 index-value 对应的 Series;或者在初始化的时候以关键字参数显式指定一个 index 对象:
>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y']) >>> s a 1 b 3 x 5 y 7 dtype: int64 >>> s.index Index(['a', 'b', 'x', 'y'], dtype='object') >>> s.values array([1, 3, 5, 7], dtype=int64)
Series 对象的元素会严格依照给出的 index 构建,这意味着:如果 data 参数是有键值对的,那么只有 index 中含有的键会被使用;以及如果 data 中缺少响应的键,即使给出 NaN 值,这个键也会被添加。
注意 Series 的 index 和 values 的元素之间虽然存在对应关系,但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组,因此 Series 对象的性能完全 ok。
Series 这种使用键值对的数据结构最大的好处在于,Series 间进行算术运算时,index 会自动对齐。
另外,Series 对象和它的 index 都含有一个 name
属性:
>>> s.name = 'a_series' >>> s.index.name = 'the_index' >>> s the_index a 1 b 3 x 5 y 7 Name: a_series, dtype: int64
DataFrame 是一个表格型的数据结构,它含有一组有序的列(类似于 index),每列可以是不同的值类型(不像 ndarray 只能有一个 dtype)。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。
DataFrame 的构造方法与 Series 类似,只不过可以同时接受多条一维数据源,每一条都会成为单独的一列:
>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'], 'year':[2000,2001,2002,2001,2002], 'pop':[1.5,1.7,3.6,2.4,2.9]} >>> df = DataFrame(data) >>> df pop state year 0 1.5 Ohino 2000 1 1.7 Ohino 2001 2 3.6 Ohino 2002 3 2.4 Nevada 2001 4 2.9 Nevada 2002 [5 rows x 3 columns]
虽然参数 data 看起来是个字典,但字典的键并非充当 DataFrame 的 index 的角色,而是 Series 的 “name” 属性。这里生成的 index 仍是 “01234”。
较完整的 DataFrame 构造器参数为:DataFrame(data=None,index=None,coloumns=None)
,columns 即 “name”:
>>> df = DataFrame(data,index=['one','two','three','four','five'], columns=['year','state','pop','debt']) >>> df year state pop debt one 2000 Ohino 1.5 NaN two 2001 Ohino 1.7 NaN three 2002 Ohino 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN [5 rows x 4 columns]
同样缺失值由 NaN 补上。看一下 index、columns 和 索引的类型:
>>> df.index Index(['one', 'two', 'three', 'four', 'five'], dtype='object') >>> df.columns Index(['year', 'state', 'pop', 'debt'], dtype='object') >>> type(df['debt']) <class 'pandas.core.series.Series'>
DataFrame 面向行和面向列的操作基本是平衡的,任意抽出一列都是 Series。
Series 对象的重新索引通过其 .reindex(index=None,**kwargs)
方法实现。**kwargs
中常用的参数有俩:method=None,fill_value=np.NaN
:
ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c']) >>> a = ['a','b','c','d','e'] >>> ser.reindex(a) a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 >>> ser.reindex(a,fill_value=0) a -5.3 b 7.2 c 3.6 d 4.5 e 0.0 dtype: float64 >>> ser.reindex(a,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64 >>> ser.reindex(a,fill_value=0,method='ffill') a -5.3 b 7.2 c 3.6 d 4.5 e 4.5 dtype: float64
.reindex()
方法会返回一个新对象,其 index 严格遵循给出的参数,method:{'backfill', 'bfill', 'pad', 'ffill', None}
参数用于指定插值(填充)方式,当没有给出时,自动用 fill_value
填充,默认为 NaN(ffill = pad,bfill = back fill,分别指插值时向前还是向后取值)
DataFrame 对象的重新索引方法为:.reindex(index=None,columns=None,**kwargs)
。仅比 Series 多了一个可选的 columns 参数,用于给列索引。用法与上例类似,只不过插值方法 method
参数只能应用于行,即轴 0。
>>> state = ['Texas','Utha','California'] >>> df.reindex(columns=state,method='ffill') Texas Utha California a 1 NaN 2 c 4 NaN 5 d 7 NaN 8 [3 rows x 3 columns] >>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill') Texas Utha California a 1 NaN 2 b 1 NaN 2 c 4 NaN 5 d 7 NaN 8 [4 rows x 3 columns]
不过 fill_value
依然对有效。聪明的小伙伴可能已经想到了,可不可以通过 df.T.reindex(index,method='**').T
这样的方式来实现在列上的插值呢,答案是可行的。另外要注意,使用 reindex(index,method='**')
的时候,index 必须是单调的,否则就会引发一个 ValueError: Must be monotonic for forward fill
,比如上例中的最后一次调用,如果使用 index=['a','b','d','c']
的话就不行。
即删除 Series 的元素或 DataFrame 的某一行(列)的意思,通过对象的 .drop(labels, axis=0)
方法:
>>> ser d 4.5 b 7.2 a -5.3 c 3.6 dtype: float64 >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> ser.drop('c') d 4.5 b 7.2 a -5.3 dtype: float64 >>> df.drop('a') Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.drop(['Ohio','Texas'],axis=1) California a 2 c 5 d 8 [3 rows x 1 columns]
.drop()
返回的是一个新对象,元对象不会被改变。
就像 Numpy,pandas 也支持通过 obj[::]
>>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64Series 개체의 요소는 지정된 인덱스에 따라 엄격하게 구성됩니다. 즉, 데이터 매개변수에 키-값 쌍이 있는 경우 Series 개체에 포함된 키만 인덱스가 사용되며 데이터에 응답 키가 없으면 NaN 값이 제공되더라도 키가 추가됩니다. 🎜🎜시리즈의 인덱스와 값의 요소 사이에는 대응 관계가 있지만 이는 사전의 매핑과 다릅니다. 인덱스와 값은 실제로 여전히 독립적인 ndarray 배열이므로 Series 객체의 성능은 완전히 괜찮습니다. 🎜🎜Series 키-값 쌍을 사용하는 이 데이터 구조의 가장 큰 장점은 Series 간에 산술 연산을 수행할 때 인덱스가 자동으로 정렬된다는 것입니다. 🎜🎜또한 Series 개체와 해당 인덱스에는 모두
name
속성이 포함되어 있습니다. 🎜>>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.ix[:2,:2] Ohio Texas a 0 1 c 3 4 [2 rows x 2 columns] >>> df.ix['a','Ohio'] 0🎜🎜🎜DataFrame🎜🎜🎜DataFrame은 정렬된 열 집합을 포함하는 테이블 형식 데이터 구조입니다( index), 각 열은 서로 다른 값 유형일 수 있습니다(dtype이 하나만 있을 수 있는 ndarray와는 다름). 기본적으로 DataFrame은 동일한 인덱스를 공유하는 시리즈 컬렉션으로 생각할 수 있습니다. 🎜🎜DataFrame의 구성 방법은 여러 개의 1차원 데이터 소스를 동시에 수용할 수 있다는 점을 제외하면 Series와 유사하며 각 데이터 소스는 별도의 열이 됩니다. 🎜
>>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c'] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns] >>> df[:2] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns]🎜매개변수 데이터가 사전처럼 보이지만 사전의 키는 DataFrame 역할의 인덱스 역할을 하는 것이 아니라 시리즈의 "name" 속성 역할을 합니다. 여기서 생성된 인덱스는 여전히 "01234"입니다. 🎜🎜더 완전한 DataFrame 생성자 매개변수는 다음과 같습니다:
DataFrame(data=None,index=None,coloumns=None)
, 열은 "이름": 🎜>>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4] Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4] Texas California a 1 2 c 4 5 d 7 8 [3 rows x 2 columns]🎜마찬가지로 누락된 값은 채워집니다. NaN과 함께. 인덱스, 열 및 인덱스 유형을 살펴보세요. 🎜
>>> foo = Series({'a':1,'b':2}) >>> foo a 1 b 2 dtype: int64 >>> bar = Series({'b':3,'d':4}) >>> bar b 3 d 4 dtype: int64 >>> foo + bar a NaN b 5 d NaN dtype: float64🎜DataFrame 행 기반 작업과 열 기반 작업은 기본적으로 균형을 이루고 추출된 모든 열은 시리즈입니다. 🎜🎜객체 속성🎜🎜
.reindex(index=None,**kwargs)
메서드를 통해 구현됩니다. **kwargs
에는 일반적으로 사용되는 두 가지 매개변수가 있습니다: method=None,fill_value=np.NaN
: 🎜f = lambda x:x.max()-x.min() >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64🎜
.reindex()
메소드 will 지정된 매개변수를 엄격하게 따르는 인덱스가 있는 새 객체를 반환합니다. method:{'backfill', 'bfill', 'pad', 'ffill', None}
매개변수는 보간(채우기)을 지정하는 데 사용됩니다. 메소드가 지정되지 않은 경우 자동으로 fill_value
로 채워지며 기본값은 NaN입니다(ffill = pad, bfill = back fill, 각각 보간 중 앞으로 또는 뒤로 값을 나타냄) 🎜🎜DataFrame 객체 색인 생성 방법은 .reindex(index=None,columns=None,**kwargs)
입니다. 열을 인덱싱하는 데 사용되는 Series보다 선택적 열 매개 변수가 하나만 더 있습니다. 보간 방법 method
매개변수가 행, 즉 축 0에만 적용될 수 있다는 점을 제외하면 사용법은 위의 예와 유사합니다. 🎜>>> df.sort_index(by='Ohio') Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(by=['California','Texas']) Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(axis=1) California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7 [3 rows x 3 columns]🎜하지만
fill_value
는 여전히 유효합니다. 똑똑한 친구들은 df.T.reindex(index,method='**').T
를 통해 열에 대한 보간을 달성하는 것이 가능한지 이미 생각해 본 적이 있을 것입니다. 또한 reindex(index,method='**')
를 사용할 때 인덱스는 단조적이어야 합니다. 그렇지 않으면 ValueError: Must be monotonic for Forward Fill
을 트리거합니다. code>(예: 위 예의 마지막 호출)에서 index=['a','b','d','c']
를 사용하면 작동하지 않습니다. 🎜.drop(labels, axis=0)을 통해 Series의 요소 또는 DataFrame의 특정 행(열)을 삭제하는 것을 의미합니다.
메서드: 🎜>>> ser=Series([3,2,0,3],index=list('abcd')) >>> ser a 3 b 2 c 0 d 3 dtype: int64 >>> ser.rank() a 3.5 b 2.0 c 1.0 d 3.5 dtype: float64 >>> ser.rank(method='min') a 3 b 2 c 1 d 3 dtype: float64 >>> ser.rank(method='max') a 4 b 2 c 1 d 4 dtype: float64 >>> ser.rank(method='first') a 3 b 2 c 1 d 4 dtype: float64🎜
.drop()
은 새 개체를 반환하며 메타 개체는 변경되지 않습니다. 🎜obj[::]
를 통한 인덱싱 및 슬라이싱은 물론 부울 배열을 통한 필터링도 지원합니다. 🎜🎜단, 팬더 객체의 인덱스는 정수로 제한되지 않기 때문에 정수가 아닌 값을 슬라이스 인덱스로 사용하는 경우 최종적으로 포함된다는 점에 유의해야 합니다. 🎜>>> foo a 4.5 b 7.2 c -5.3 d 3.6 dtype: float64 >>> bar 0 4.5 1 7.2 2 -5.3 3 3.6 dtype: float64 >>> foo[:2] a 4.5 b 7.2 dtype: float64 >>> bar[:2] 0 4.5 1 7.2 dtype: float64 >>> foo[:'c'] a 4.5 b 7.2 c -5.3 dtype: float64
这里 foo 和 bar 只有 index 不同——bar 的 index 是整数序列。可见当使用整数索引切片时,结果与 Python 列表或 Numpy 的默认状况相同;换成 'c'
这样的字符串索引时,结果就包含了这个边界元素。
另外一个特别之处在于 DataFrame 对象的索引方式,因为他有两个轴向(双重索引)。
可以这么理解:DataFrame 对象的标准切片语法为:.ix[::,::]
。ix 对象可以接受两套切片,分别为行(axis=0)和列(axis=1)的方向:
>>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.ix[:2,:2] Ohio Texas a 0 1 c 3 4 [2 rows x 2 columns] >>> df.ix['a','Ohio'] 0
而不使用 ix ,直接切的情况就特殊了:
索引时,选取的是列
切片时,选取的是行
这看起来有点不合逻辑,但作者解释说 “这种语法设定来源于实践”,我们信他。
>>> df['Ohio'] a 0 c 3 d 6 Name: Ohio, dtype: int32 >>> df[:'c'] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns] >>> df[:2] Ohio Texas California a 0 1 2 c 3 4 5 [2 rows x 3 columns]
使用布尔型数组的情况,注意行与列的不同切法(列切法的 :
不能省):
>>> df['Texas']>=4 a False c True d True Name: Texas, dtype: bool >>> df[df['Texas']>=4] Ohio Texas California c 3 4 5 d 6 7 8 [2 rows x 3 columns] >>> df.ix[:,df.ix['c']>=4] Texas California a 1 2 c 4 5 d 7 8 [3 rows x 2 columns]
pandas 最重要的一个功能是,它可以对不同索引的对象进行算术运算。在将对象相加时,结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值,默认为 NaN。
>>> foo = Series({'a':1,'b':2}) >>> foo a 1 b 2 dtype: int64 >>> bar = Series({'b':3,'d':4}) >>> bar b 3 d 4 dtype: int64 >>> foo + bar a NaN b 5 d NaN dtype: float64
DataFrame 的对齐操作会同时发生在行和列上。
当不希望在运算结果中出现 NA 值时,可以使用前面 reindex 中提到过 fill_value
参数,不过为了传递这个参数,就需要使用对象的方法,而不是操作符:df1.add(df2,fill_value=0)
。其他算术方法还有:sub(), div(), mul()
。
Series 和 DataFrame 之间的算术运算涉及广播,暂时先不讲。
Numpy 的 ufuncs(元素级数组方法)也可用于操作 pandas 对象。
当希望将函数应用到 DataFrame 对象的某一行或列时,可以使用 .apply(func, axis=0, args=(), **kwds)
方法。
f = lambda x:x.max()-x.min() >>> df Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.apply(f) Ohio 6 Texas 6 California 6 dtype: int64 >>> df.apply(f,axis=1) a 2 c 2 d 2 dtype: int64
Series 的 sort_index(ascending=True)
方法可以对 index 进行排序操作,ascending 参数用于控制升序或降序,默认为升序。
若要按值对 Series 进行排序,当使用 .order()
方法,任何缺失值默认都会被放到 Series 的末尾。
在 DataFrame 上,.sort_index(axis=0, by=None, ascending=True)
方法多了一个轴向的选择参数与一个 by 参数,by 参数的作用是针对某一(些)列进行排序(不能对行使用 by 参数):
>>> df.sort_index(by='Ohio') Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(by=['California','Texas']) Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 [3 rows x 3 columns] >>> df.sort_index(axis=1) California Ohio Texas a 2 0 1 c 5 3 4 d 8 6 7 [3 rows x 3 columns]
排名(Series.rank(method='average', ascending=True)
)的作用与排序的不同之处在于,他会把对象的 values 替换成名次(从 1 到 n)。这时唯一的问题在于如何处理平级项,方法里的 method
参数就是起这个作用的,他有四个值可选:average, min, max, first
。
>>> ser=Series([3,2,0,3],index=list('abcd')) >>> ser a 3 b 2 c 0 d 3 dtype: int64 >>> ser.rank() a 3.5 b 2.0 c 1.0 d 3.5 dtype: float64 >>> ser.rank(method='min') a 3 b 2 c 1 d 3 dtype: float64 >>> ser.rank(method='max') a 4 b 2 c 1 d 4 dtype: float64 >>> ser.rank(method='first') a 3 b 2 c 1 d 4 dtype: float64
注意在 ser[0]=ser[3] 这对平级项上,不同 method 参数表现出的不同名次。
DataFrame 的 .rank(axis=0, method='average', ascending=True)
方法多了个 axis 参数,可选择按行或列分别进行排名,暂时好像没有针对全部元素的排名方法。
pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计,用于从 Series 中提取单个值,或从 DataFrame 的行或列中提取一个 Series。
比如 DataFrame.mean(axis=0,skipna=True)
方法,当数据集中存在 NA 值时,这些值会被简单跳过,除非整个切片(行或列)全是 NA,如果不想这样,则可以通过 skipna=False
来禁用此功能:
>>> df one two a 1.40 NaN b 7.10 -4.5 c NaN NaN d 0.75 -1.3 [4 rows x 2 columns] >>> df.mean() one 3.083333 two -2.900000 dtype: float64 >>> df.mean(axis=1) a 1.400 b 1.300 c NaN d -0.275 dtype: float64 >>> df.mean(axis=1,skipna=False) a NaN b 1.300 c NaN d -0.275 dtype: float64
其他常用的统计方法有:
##################### | ************************ *** ************************ |
count | NA가 아닌 값의 수 |
describe | 요약 통계 계산 Series 또는 DF 열의 경우 |
min , max | 최소값 및 최대값 |
argmin , argmax | 최소값 및 최대값의 인덱스 위치(정수) |
idxmin , idxmax | the 최소값과 최대값의 인덱스 값 |
Quantile | Sample Quantile(0~1) |
sum | Sum |
mean | mean |
median | 중앙값 |
mad | 평균으로부터 평균 절대 분산을 계산합니다 |
var | variance |
std | 표준 편차 |
skew | 왜곡(세 번째 순간) |
커트 | 값의 샘플 첨도(네 번째 순간) |
cumsum | 샘플 값의 누적 합계 |
cummin, cummax | 샘플 값의 누적 최대값 및 누적 최소값 |
cumprod | 샘플 값 누적 곱 |
diff | 첫 번째 차이 계산(시계열에 유용함) |
pct_change | 변화율 계산 |
팬더의 NA 주요 성능은 np입니다. nan 및 Python의 내장 None도 NA로 처리됩니다.
NA를 처리하는 방법에는 dropna, fillna, isnull, notnull
네 가지가 있습니다. dropna , fillna , isnull , notnull
。
这一对方法对对象做元素级应用,然后返回一个布尔型数组,一般可用于布尔型索引。
对于一个 Series,dropna 返回一个仅含非空数据和索引值的 Series。
问题在于对 DataFrame 的处理方式,因为一旦 drop 的话,至少要丢掉一行(列)。这里的解决方式与前面类似,还是通过一个额外的参数:dropna(axis=0, how='any', thresh=None)
,how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh,该参数的类型为整数,它的作用是,比如 thresh=3,会在一行中至少有 3 个非 NA 值时将其保留。
fillna(value=None, method=None, axis=0)
中的 value 参数除了基本类型外,还可以使用字典,这样可以实现对不同的列填充不同的值。method 的用法与前面 .reindex()
方法相同,这里不再赘述。
前面有个点一直没讲,结果整篇示例写下来发现还挺重要的。就是 Series 和 DataFrame 对象的方法中,凡是会对数组作出修改并返回一个新数组的,往往都有一个 replace=False
dropna(axis=0, How='any', thresh=None)
, How 매개변수의 선택적 값을 전달합니다. 전부 또는 전부. all은 모든 슬라이스 요소가 NA인 경우에만 행(열)을 삭제합니다. 또 다른 흥미로운 매개변수는 정수 유형인 thresh입니다. 이 매개변수의 기능은 예를 들어 thresh=3이며 연속적으로 NA가 아닌 값이 3개 이상 있을 때 유지됩니다. 🎜fillna(value=None, method=None, axis=0)
기본 유형 외에도 열의 값 매개변수는 다양한 값으로 채워집니다. 메소드의 사용법은 이전 .reindex()
메소드와 동일하므로 여기서는 자세히 설명하지 않겠습니다. 🎜🎜inplace 매개변수 🎜🎜🎜 앞서 언급하지 않은 점이 있는데, 전체 예제를 작성하고 나니 꽤 중요하다는 걸 깨달았습니다. Series 및 DataFrame 개체의 메서드 중 배열을 수정하고 새 배열을 반환하는 메서드에는 replace=False
라는 선택적 매개 변수가 있는 경우가 많습니다. 수동으로 True로 설정하면 원래 배열을 교체할 수 있습니다. 🎜위 내용은 팬더 기본 사항의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!