DataFrame 정렬·탐색 심화형 5지선다 평가

평가 안내
각 문항은 실생활 DataFrame 코드와 출력결과를 보고 푸는 심화형 5지선다입니다. 채점 후 학번_이름_시각화_점수_응시시각.txt 파일이 자동 다운로드됩니다.

데이터 정렬 코드해석형

1. 1. 학생 성적 총점 기준 내림차순 정렬

핵심 개념: sort_values(), ascending=False, 여러 열 계산

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "국어": [88, 92, 75, 95, 81],
    "수학": [91, 85, 80, 90, 88],
    "영어": [84, 96, 78, 93, 86]
})

df["총점"] = df["국어"] + df["수학"] + df["영어"]
result = df.sort_values("총점", ascending=False)

print(result)

🖥️ 코드 실행 결과

이름  국어  수학  영어  총점
3  하은    95    90    93   278
1  서연    92    85    96   273
0  민준    88    91    84   263
4  도윤    81    88    86   255
2  지후    75    80    78   233

상세 설명
국어, 수학, 영어 점수를 합산해 총점 열을 만들고 총점이 높은 학생부터 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드의 실행 결과와 정렬 원리를 가장 정확하게 설명한 것은?

1총점이 높은 순서대로 정렬되며 하은이 첫 번째에 온다.2ascending=False이므로 총점이 낮은 지후가 첫 번째에 온다.3sort_values는 원본 df의 열 이름을 모두 삭제한다.4총점 열은 자동 생성되지 않고 수동 입력해야만 한다.5국어 점수만 기준으로 정렬된다.

정답: 1번
상세 풀이: 국어, 수학, 영어 점수를 합산해 총점 열을 만들고 총점이 높은 학생부터 정렬합니다.

데이터 정렬 개념판단형

2. 2. 상품 가격 오름차순 정렬

핵심 개념: sort_values(), 가격 비교

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "상품": ["노트", "볼펜", "파일", "형광펜", "스티커"],
    "가격": [2500, 900, 1800, 1200, 3000],
    "재고": [30, 80, 45, 60, 20]
})

result = df.sort_values("가격")

print(result)

🖥️ 코드 실행 결과

상품  가격  재고
1    볼펜   900    80
3  형광펜  1200    60
2    파일  1800    45
0    노트  2500    30
4  스티커  3000    20

상세 설명
가격이 낮은 상품부터 오름차순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

result = df.sort_values('가격')의 의미로 옳은 것은?

1가격 열을 기준으로 낮은 값부터 높은 값까지 정렬한다.2가격 열을 기준으로 높은 값부터 낮은 값까지 정렬한다.3재고가 많은 순으로 정렬한다.4상품 이름의 글자 수 기준으로 정렬한다.5가격 열을 문자열로 변환한다.

정답: 1번
상세 풀이: 가격이 낮은 상품부터 오름차순으로 정렬합니다.

데이터 정렬 원리이해형

3. 3. 병원 예약 시간 순서 정렬

핵심 개념: 문자열 시간 정렬, 예약표

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "환자": ["김철수", "이영희", "박민수", "최서아"],
    "진료과": ["내과", "치과", "안과", "피부과"],
    "예약시간": ["14:30", "09:20", "11:00", "10:10"]
})

result = df.sort_values("예약시간")

print(result)

🖥️ 코드 실행 결과

환자  진료과 예약시간
1  이영희    치과    09:20
3  최서아  피부과    10:10
2  박민수    안과    11:00
0  김철수    내과    14:30

상세 설명
HH:MM 형식은 문자열이어도 시간 순서대로 정렬될 수 있습니다.

🎯 코드 관련 심화형 5지선다형 문제

예약시간을 문자열로 정렬했는데도 순서가 맞는 이유로 가장 적절한 것은?

1HH:MM처럼 두 자리 시간 형식이면 앞에서부터 비교해도 시간 순서가 유지된다.2문자열은 항상 숫자보다 빠르게 정렬된다.3sort_values는 모든 문자열을 자동으로 datetime으로 변환한다.4예약시간 열은 정렬 기준으로 사용할 수 없다.509:20은 문자열이므로 항상 마지막에 온다.

정답: 1번
상세 풀이: HH:MM 형식은 문자열이어도 시간 순서대로 정렬될 수 있습니다.

데이터 정렬 결과분석형

4. 4. 도서 대출 횟수 기준 인기 도서 정렬

핵심 개념: 내림차순 정렬, 상위 인기 항목

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "도서명": ["수학의 정석", "어린 왕자", "파이썬 입문", "과학 콘서트", "한국사 이야기"],
    "분야": ["수학", "문학", "코딩", "과학", "역사"],
    "대출횟수": [42, 85, 73, 55, 60]
})

result = df.sort_values("대출횟수", ascending=False)

print(result)

🖥️ 코드 실행 결과

도서명  분야  대출횟수
1      어린 왕자  문학        85
2    파이썬 입문  코딩        73
4  한국사 이야기  역사        60
3    과학 콘서트  과학        55
0    수학의 정석  수학        42

상세 설명
대출횟수가 많은 책부터 정렬하여 인기 도서를 확인합니다.

🎯 코드 관련 심화형 5지선다형 문제

출력 결과의 첫 행에 대한 설명으로 옳은 것은?

1대출횟수 85인 어린 왕자가 첫 행에 온다.2대출횟수 42인 수학의 정석이 첫 행에 온다.3분야가 가나다순으로 먼저 정렬된다.4ascending=False는 오름차순을 의미한다.5도서명 열은 출력되지 않는다.

정답: 1번
상세 풀이: 대출횟수가 많은 책부터 정렬하여 인기 도서를 확인합니다.

데이터 정렬 활용판단형

5. 5. 음식 칼로리 낮은 순 정렬

핵심 개념: 건강 데이터, 오름차순 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "음식": ["김밥", "라면", "샐러드", "비빔밥", "떡볶이"],
    "칼로리": [420, 510, 180, 650, 480],
    "단백질": [12, 10, 8, 20, 9]
})

result = df.sort_values("칼로리", ascending=True)

print(result)

🖥️ 코드 실행 결과

음식  칼로리  단백질
2  샐러드     180       8
0    김밥     420      12
4  떡볶이     480       9
1    라면     510      10
3  비빔밥     650      20

상세 설명
칼로리가 낮은 음식부터 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드가 식단 관리에 유용한 이유로 가장 적절한 것은?

1칼로리가 낮은 음식부터 확인할 수 있기 때문이다.2단백질이 높은 음식부터 자동으로 정렬되기 때문이다.3샐러드가 항상 모든 DataFrame에서 첫 행이 되기 때문이다.4ascending=True는 결측치를 제거한다.5sort_values는 음식명을 모두 숫자로 바꾼다.

정답: 1번
상세 풀이: 칼로리가 낮은 음식부터 정렬합니다.

데이터 정렬 실생활연계형

6. 6. 버스 도착 예정 시간 정렬

핵심 개념: 교통 데이터, 분 단위 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "버스번호": ["101", "165", "72", "5001", "3-1"],
    "정류장": ["전북대", "전주역", "객사", "한옥마을", "시청"],
    "도착예정분": [12, 5, 18, 3, 9]
})

result = df.sort_values("도착예정분")

print(result)

🖥️ 코드 실행 결과

버스번호    정류장  도착예정분
3     5001  한옥마을           3
1      165    전주역           5
4      3-1      시청           9
0      101    전북대          12
2       72      객사          18

상세 설명
가장 빨리 도착하는 버스부터 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

실시간 버스 앱에서 이 코드와 가장 관련 깊은 기능은?

1가장 빨리 도착하는 버스를 위에 보여주는 기능2버스번호를 모두 삭제하는 기능3정류장 이름을 무작위로 섞는 기능4도착예정분을 모두 같은 값으로 만드는 기능5버스번호를 숫자로 더하는 기능

정답: 1번
상세 풀이: 가장 빨리 도착하는 버스부터 정렬합니다.

데이터 정렬 목적추론형

7. 7. 미세먼지 농도 높은 순 정렬

핵심 개념: 환경 데이터, 위험도 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "지역": ["서울", "전주", "부산", "대구", "광주"],
    "미세먼지": [42, 35, 29, 50, 38],
    "초미세먼지": [21, 18, 15, 27, 20]
})

result = df.sort_values("미세먼지", ascending=False)

print(result)

🖥️ 코드 실행 결과

지역  미세먼지  초미세먼지
3  대구        50          27
0  서울        42          21
4  광주        38          20
1  전주        35          18
2  부산        29          15

상세 설명
미세먼지 농도가 높은 지역부터 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

주의가 필요한 지역을 빠르게 찾기 위해 ascending=False를 사용한 이유는?

1미세먼지 값이 큰 지역을 위쪽에 두기 위해서이다.2지역명을 가나다순으로 정렬하기 위해서이다.3초미세먼지 열을 삭제하기 위해서이다.4모든 지역의 미세먼지를 평균으로 바꾸기 위해서이다.5결측치를 마지막에 보내기 위해서이다.

정답: 1번
상세 풀이: 미세먼지 농도가 높은 지역부터 정렬합니다.

데이터 정렬 다중조건형

8. 8. 두 조건 정렬: 학급과 점수

핵심 개념: 여러 열 정렬, ascending 리스트

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "학급": ["1반", "2반", "1반", "2반", "1반", "2반"],
    "이름": ["민준", "서연", "지후", "하은", "도윤", "유나"],
    "점수": [88, 95, 92, 85, 92, 95]
})

result = df.sort_values(["학급", "점수"], ascending=[True, False])

print(result)

🖥️ 코드 실행 결과

학급  이름  점수
2  1반  지후    92
4  1반  도윤    92
0  1반  민준    88
1  2반  서연    95
5  2반  유나    95
3  2반  하은    85

상세 설명
먼저 학급 오름차순, 같은 학급 안에서는 점수 내림차순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

ascending=[True, False]의 의미로 옳은 것은?

1학급은 오름차순, 점수는 내림차순이다.2학급과 점수 모두 오름차순이다.3학급과 점수 모두 내림차순이다.4학급은 내림차순, 점수는 오름차순이다.5두 열 중 하나만 정렬된다.

정답: 1번
상세 풀이: 먼저 학급 오름차순, 같은 학급 안에서는 점수 내림차순으로 정렬합니다.

데이터 정렬 자료형이해형

9. 9. 날짜 기준 지출 내역 정렬

핵심 개념: 날짜 변환, sort_values()

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "날짜": ["2026-05-03", "2026-05-01", "2026-05-04", "2026-05-02"],
    "항목": ["간식", "교통", "도서", "문구"],
    "금액": [8000, 3000, 15000, 5000]
})

df["날짜"] = pd.to_datetime(df["날짜"])
result = df.sort_values("날짜")

print(result)

🖥️ 코드 실행 결과

날짜  항목   금액
1 2026-05-01  교통   3000
3 2026-05-02  문구   5000
0 2026-05-03  간식   8000
2 2026-05-04  도서  15000

상세 설명
날짜 문자열을 datetime으로 변환한 뒤 날짜 순서대로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

pd.to_datetime(df['날짜'])를 사용하는 가장 중요한 이유는?

1날짜를 날짜형 데이터로 다루어 시간 순서 정렬을 안정적으로 하기 위해서이다.2금액을 문자열로 바꾸기 위해서이다.3항목 열을 삭제하기 위해서이다.4날짜를 모두 오늘 날짜로 바꾸기 위해서이다.5sort_values를 사용할 수 없게 만들기 위해서이다.

정답: 1번
상세 풀이: 날짜 문자열을 datetime으로 변환한 뒤 날짜 순서대로 정렬합니다.

데이터 정렬 결측치판단형

10. 10. 결측치가 있는 성적 정렬

핵심 개념: na_position, 결측치 정렬 위치

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "과제점수": [90, None, 75, 88, None]
})

result = df.sort_values("과제점수", ascending=False, na_position="last")

print(result)

🖥️ 코드 실행 결과

이름  과제점수
0  민준      90.0
3  하은      88.0
2  지후      75.0
1  서연       NaN
4  도윤       NaN

상세 설명
결측치가 있는 과제점수를 정렬하면서 NaN을 마지막에 배치합니다.

🎯 코드 관련 심화형 5지선다형 문제

na_position='last'가 필요한 상황으로 가장 적절한 것은?

1미제출 학생을 아래쪽에 두고 제출자 점수 순위를 먼저 보고 싶을 때2NaN을 가장 높은 점수로 처리하고 싶을 때3과제점수 열을 삭제하고 싶을 때4이름을 가나다순으로 정렬하고 싶을 때5모든 결측치를 0으로 채우고 싶을 때

정답: 1번
상세 풀이: 결측치가 있는 과제점수를 정렬하면서 NaN을 마지막에 배치합니다.

데이터 탐색 필터링이해형

11. 1. 점수 90점 이상 학생 찾기

핵심 개념: 조건 필터링, Boolean indexing

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "점수": [88, 95, 72, 91, 84],
    "반": ["1반", "1반", "2반", "2반", "1반"]
})

result = df[df["점수"] >= 90]

print(result)

🖥️ 코드 실행 결과

이름  점수   반
1  서연    95  1반
3  하은    91  2반

상세 설명
점수가 90점 이상인 행만 필터링합니다.

🎯 코드 관련 심화형 5지선다형 문제

df[df['점수'] >= 90]에 대한 설명으로 옳은 것은?

1점수 조건을 만족하는 행만 남긴다.2점수 열을 삭제한다.3점수를 모두 90으로 바꾼다.490점 미만 학생만 남긴다.5반 열 기준으로 정렬한다.

정답: 1번
상세 풀이: 점수가 90점 이상인 행만 필터링합니다.

데이터 탐색 정확일치형

12. 2. 특정 지역 날씨 데이터 찾기

핵심 개념: 문자열 일치 조건

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "지역": ["서울", "전주", "부산", "대구", "광주"],
    "기온": [21, 24, 22, 25, 23],
    "강수확률": [20, 40, 30, 10, 35]
})

result = df[df["지역"] == "전주"]

print(result)

🖥️ 코드 실행 결과

지역  기온  강수확률
1  전주    24        40

상세 설명
지역 열에서 값이 전주인 행만 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드의 탐색 조건으로 옳은 것은?

1지역 값이 정확히 전주인 행만 선택한다.2전주보다 기온이 높은 지역을 찾는다.3강수확률이 40보다 작은 지역만 찾는다.4지역명을 가나다순으로 정렬한다.5지역 열의 모든 값을 전주로 바꾼다.

정답: 1번
상세 풀이: 지역 열에서 값이 전주인 행만 찾습니다.

데이터 탐색 문자열탐색형

13. 3. 상품명에 특정 글자 포함 검색

핵심 개념: str.contains(), na=False

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "상품": ["사과주스", "바나나우유", "포도젤리", None, "딸기라떼"],
    "가격": [1800, 1500, 1200, 900, 2500]
})

result = df[df["상품"].str.contains("나", na=False)]

print(result)

🖥️ 코드 실행 결과

상품  가격
1  바나나우유  1500

상세 설명
문자열에 '나'가 포함된 상품을 찾습니다. na=False로 None을 안전하게 처리합니다.

🎯 코드 관련 심화형 5지선다형 문제

str.contains('나', na=False)에서 na=False의 역할로 옳은 것은?

1None 값은 조건 불만족(False)으로 처리하여 오류를 줄인다.2None 값을 자동으로 '나'로 바꾼다.3모든 상품을 선택한다.4가격 열을 기준으로 정렬한다.5문자열 검색을 비활성화한다.

정답: 1번
상세 풀이: 문자열에 '나'가 포함된 상품을 찾습니다. na=False로 None을 안전하게 처리합니다.

데이터 탐색 논리조건형

14. 4. 여러 조건으로 건강 데이터 탐색

핵심 개념: AND 조건, 괄호 사용

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "걸음수": [6500, 12000, 8500, 15000, 4000],
    "수면시간": [6.5, 7.5, 5.5, 8.0, 6.0]
})

result = df[(df["걸음수"] >= 8000) & (df["수면시간"] >= 7)]

print(result)

🖥️ 코드 실행 결과

이름  걸음수  수면시간
1  서연   12000       7.5
3  하은   15000       8.0

상세 설명
걸음수 8000 이상이면서 수면시간 7시간 이상인 사람을 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

여러 조건을 &로 연결할 때 괄호가 필요한 이유는?

1각 조건식을 먼저 계산한 뒤 논리 연산을 적용하기 위해서이다.2괄호가 없으면 DataFrame을 만들 수 없기 때문이다.3괄호는 출력 결과를 숨기는 기능이다.4&는 문자열 결합 연산자이기 때문이다.5괄호는 정렬 방향을 지정한다.

정답: 1번
상세 풀이: 걸음수 8000 이상이면서 수면시간 7시간 이상인 사람을 찾습니다.

데이터 탐색 범위탐색형

15. 5. 특정 범위 가격 상품 찾기

핵심 개념: between(), 범위 탐색

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "상품": ["노트", "가방", "필통", "이어폰", "USB"],
    "가격": [2500, 35000, 8000, 29000, 15000]
})

result = df[df["가격"].between(5000, 30000)]

print(result)

🖥️ 코드 실행 결과

상품   가격
2    필통   8000
3  이어폰  29000
4     USB  15000

상세 설명
가격이 5000원 이상 30000원 이하인 상품만 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

between(5000, 30000)의 의미로 옳은 것은?

15000 이상 30000 이하 범위의 값을 찾는다.25000 미만이거나 30000 초과인 값을 찾는다.3가격을 5000과 30000으로만 바꾼다.4가격을 내림차순으로 정렬한다.5상품명을 숫자로 변환한다.

정답: 1번
상세 풀이: 가격이 5000원 이상 30000원 이하인 상품만 찾습니다.

데이터 탐색 결측탐색형

16. 6. 결측치가 있는 행 찾기

핵심 개념: isna(), 결측치 탐색

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은"],
    "이메일": ["min@example.com", None, "ji@example.com", None],
    "연락처": ["010-1111", "010-2222", None, "010-4444"]
})

result = df[df["이메일"].isna() | df["연락처"].isna()]

print(result)

🖥️ 코드 실행 결과

이름          이메일    연락처
1  서연            None  010-2222
2  지후  ji@example.com      None
3  하은            None  010-4444

상세 설명
이메일 또는 연락처가 비어 있는 행을 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

조건에서 | 연산자를 사용한 이유로 옳은 것은?

1이메일이 비었거나 연락처가 비어 있는 행을 찾기 위해서이다.2두 열이 모두 숫자일 때만 쓰기 위해서이다.3조건을 모두 무시하기 위해서이다.4이메일과 연락처를 합치기 위해서이다.5결과를 정렬하기 위해서이다.

정답: 1번
상세 풀이: 이메일 또는 연락처가 비어 있는 행을 찾습니다.

데이터 탐색 결과예측형

17. 7. 인기 동영상 조회수 상위 조건 탐색

핵심 개념: 조건 필터링, 조회수

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "제목": ["과학실험", "수학풀이", "코딩입문", "역사이야기", "영어회화"],
    "조회수": [1200, 850, 3200, 600, 2500],
    "좋아요": [150, 90, 410, 45, 300]
})

result = df[df["조회수"] >= 2000]

print(result)

🖥️ 코드 실행 결과

제목  조회수  좋아요
2  코딩입문    3200     410
4  영어회화    2500     300

상세 설명
조회수가 2000 이상인 동영상을 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

출력 결과에 포함되는 동영상으로 옳은 것은?

정답: 1번
상세 풀이: 조회수가 2000 이상인 동영상을 찾습니다.

데이터 탐색 다중값탐색형

18. 8. isin으로 여러 값 한 번에 찾기

핵심 개념: isin(), 다중 값 탐색

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "학생": ["민준", "서연", "지후", "하은", "도윤"],
    "동아리": ["코딩", "과학", "축구", "코딩", "밴드"],
    "학년": [1, 2, 1, 3, 2]
})

result = df[df["동아리"].isin(["코딩", "과학"])]

print(result)

🖥️ 코드 실행 결과

학생 동아리  학년
0  민준   코딩     1
1  서연   과학     2
3  하은   코딩     3

상세 설명
동아리가 코딩 또는 과학인 학생을 찾습니다.

🎯 코드 관련 심화형 5지선다형 문제

isin(['코딩','과학'])의 장점으로 옳은 것은?

1여러 후보 값 중 하나에 해당하는 행을 간단히 찾을 수 있다.2동아리 값을 모두 코딩으로 바꾼다.3학년을 자동으로 정렬한다.4결측치를 모두 제거한다.5학생 이름을 숫자로 변환한다.

정답: 1번
상세 풀이: 동아리가 코딩 또는 과학인 학생을 찾습니다.

데이터 탐색 query해석형

19. 9. query를 이용한 간결한 조건 탐색

핵심 개념: query(), 조건식 문자열

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "지역": ["서울", "전주", "부산", "대구"],
    "기온": [21, 24, 22, 26],
    "습도": [60, 70, 75, 55]
})

result = df.query("기온 >= 23 and 습도 >= 60")

print(result)

🖥️ 코드 실행 결과

지역  기온  습도
1  전주    24    70

상세 설명
query()는 조건을 문자열로 작성해 데이터를 탐색합니다.

🎯 코드 관련 심화형 5지선다형 문제

query('기온 >= 23 and 습도 >= 60')의 결과로 전주만 남는 이유는?

1전주는 두 조건을 모두 만족하지만 대구는 습도가 60 미만이다.2서울이 가장 높은 기온을 갖기 때문이다.3부산은 습도가 낮기 때문이다.4query는 항상 첫 행만 남긴다.5and는 둘 중 하나만 만족하면 된다는 뜻이다.

정답: 1번
상세 풀이: query()는 조건을 문자열로 작성해 데이터를 탐색합니다.

데이터 탐색 loc활용형

20. 10. 특정 열만 선택해서 결과 보기

핵심 개념: loc, 조건 + 열 선택

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "점수": [88, 95, 72, 91, 84],
    "출석률": [98, 100, 85, 96, 92]
})

result = df.loc[df["점수"] >= 90, ["이름", "점수"]]

print(result)

🖥️ 코드 실행 결과

이름  점수
1  서연    95
3  하은    91

상세 설명
조건을 만족하는 행 중 이름과 점수 열만 선택합니다.

🎯 코드 관련 심화형 5지선다형 문제

loc 사용의 핵심 장점으로 가장 적절한 것은?

1행 조건과 열 선택을 동시에 지정할 수 있다.2DataFrame을 무조건 정렬한다.3모든 열을 삭제한다.4숫자형 열만 문자열로 바꾼다.5결측치를 자동 생성한다.

정답: 1번
상세 풀이: 조건을 만족하는 행 중 이름과 점수 열만 선택합니다.

정렬과 탐색 조합 순서판단형

21. 1. 90점 이상 학생을 점수 높은 순으로 정렬

핵심 개념: 필터링 후 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤", "유나"],
    "점수": [88, 95, 72, 91, 84, 98],
    "반": ["1반", "1반", "2반", "2반", "1반", "2반"]
})

filtered = df[df["점수"] >= 90]
result = filtered.sort_values("점수", ascending=False)

print(result)

🖥️ 코드 실행 결과

이름  점수   반
5  유나    98  2반
1  서연    95  1반
3  하은    91  2반

상세 설명
먼저 90점 이상 학생만 탐색하고, 그 결과를 점수 높은 순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드의 처리 순서로 옳은 것은?

190점 이상을 먼저 필터링한 뒤 점수 내림차순으로 정렬한다.2점수 정렬 후 90점 미만만 선택한다.3반을 기준으로 먼저 정렬한다.4이름순 정렬 후 모든 행을 출력한다.5점수를 모두 90으로 바꾼다.

정답: 1번
상세 풀이: 먼저 90점 이상 학생만 탐색하고, 그 결과를 점수 높은 순으로 정렬합니다.

정렬과 탐색 조합 제외이유형

22. 2. 3만원 이하 상품을 가격 낮은 순으로 정렬

핵심 개념: between() + sort_values()

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "상품": ["노트북가방", "필통", "이어폰", "USB", "마우스"],
    "가격": [42000, 8000, 29000, 15000, 26000],
    "재고": [10, 30, 15, 50, 20]
})

filtered = df[df["가격"].between(5000, 30000)]
result = filtered.sort_values("가격")

print(result)

🖥️ 코드 실행 결과

상품   가격  재고
1    필통   8000    30
3     USB  15000    50
4  마우스  26000    20
2  이어폰  29000    15

상세 설명
가격 범위 조건으로 상품을 찾은 뒤 가격 오름차순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드 결과에서 노트북가방이 제외되는 이유는?

1가격 42000원이 5000~30000 범위를 벗어나기 때문이다.2재고가 10개이기 때문이다.3상품명이 길기 때문이다.4sort_values가 첫 행을 항상 삭제하기 때문이다.5between은 문자열만 찾기 때문이다.

정답: 1번
상세 풀이: 가격 범위 조건으로 상품을 찾은 뒤 가격 오름차순으로 정렬합니다.

정렬과 탐색 조합 환경데이터형

23. 3. 미세먼지 35 이상 지역을 높은 순으로 정렬

핵심 개념: 환경 데이터 탐색 + 위험도 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "지역": ["서울", "전주", "부산", "대구", "광주", "인천"],
    "미세먼지": [42, 35, 29, 50, 38, 45],
    "초미세먼지": [21, 18, 15, 27, 20, 25]
})

filtered = df[df["미세먼지"] >= 35]
result = filtered.sort_values("미세먼지", ascending=False)

print(result)

🖥️ 코드 실행 결과

지역  미세먼지  초미세먼지
3  대구        50          27
5  인천        45          25
0  서울        42          21
4  광주        38          20
1  전주        35          18

상세 설명
주의가 필요한 지역만 먼저 찾고, 그중 미세먼지가 높은 지역부터 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

출력 결과에서 부산이 제외되는 이유는?

1미세먼지 29가 35 이상 조건을 만족하지 않기 때문이다.2초미세먼지가 15이기 때문에 항상 제외된다.3부산은 문자열이라 정렬할 수 없기 때문이다.4ascending=False가 부산만 삭제한다.5지역 열은 필터링할 수 없기 때문이다.

정답: 1번
상세 풀이: 주의가 필요한 지역만 먼저 찾고, 그중 미세먼지가 높은 지역부터 정렬합니다.

정렬과 탐색 조합 다중정렬조합형

24. 4. 코딩 동아리 학생을 학년순·이름순 정렬

핵심 개념: 조건 + 다중 열 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "학생": ["민준", "서연", "지후", "하은", "도윤", "유나"],
    "동아리": ["코딩", "과학", "코딩", "코딩", "밴드", "코딩"],
    "학년": [2, 1, 1, 3, 2, 1]
})

filtered = df[df["동아리"] == "코딩"]
result = filtered.sort_values(["학년", "학생"])

print(result)

🖥️ 코드 실행 결과

학생 동아리  학년
5  유나   코딩     1
2  지후   코딩     1
0  민준   코딩     2
3  하은   코딩     3

상세 설명
코딩 동아리 학생만 찾은 뒤 학년, 학생 이름 순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

sort_values(['학년','학생'])의 정렬 기준으로 옳은 것은?

1학년을 먼저 정렬하고 같은 학년 안에서 학생 이름을 정렬한다.2학생 이름만 정렬한다.3동아리 값을 먼저 가나다순으로 정렬한다.4학년은 내림차순으로만 정렬된다.5코딩이 아닌 학생만 남긴다.

정답: 1번
상세 풀이: 코딩 동아리 학생만 찾은 뒤 학년, 학생 이름 순으로 정렬합니다.

정렬과 탐색 조합 종합판단형

25. 5. 결측치 없는 회원만 최근 가입순 정렬

핵심 개념: notna(), 날짜 변환, 정렬

🐍 파이썬 코드

import pandas as pd

# Pandas 출력에서 한글/열 너비가 잘 보이도록 설정
pd.set_option("display.unicode.east_asian_width", True)
pd.set_option("display.width", 120)
pd.set_option("display.max_columns", 20)

df = pd.DataFrame({
    "이름": ["민준", "서연", "지후", "하은", "도윤"],
    "이메일": ["min@example.com", None, "ji@example.com", "ha@example.com", None],
    "가입일": ["2026-05-01", "2026-05-03", "2026-04-28", "2026-05-05", "2026-05-02"]
})

df["가입일"] = pd.to_datetime(df["가입일"])
filtered = df[df["이메일"].notna()]
result = filtered.sort_values("가입일", ascending=False)

print(result)

🖥️ 코드 실행 결과

이름           이메일     가입일
3  하은   ha@example.com 2026-05-05
0  민준  min@example.com 2026-05-01
2  지후   ji@example.com 2026-04-28

상세 설명
이메일이 있는 정상 회원만 탐색하고, 가입일이 최근인 순으로 정렬합니다.

🎯 코드 관련 심화형 5지선다형 문제

이 코드에 대한 설명으로 가장 적절한 것은?

1이메일이 있는 회원만 남기고 가입일이 최근인 순으로 정렬한다.2이메일이 없는 회원만 남긴다.3가입일을 문자열로 유지해야만 날짜 정렬이 가능하다.4ascending=False는 가장 오래된 날짜를 먼저 보여준다.5notna()는 모든 값을 NaN으로 만든다.

정답: 1번
상세 풀이: 이메일이 있는 정상 회원만 탐색하고, 가입일이 최근인 순으로 정렬합니다.