【数据分析】matplotlib、numpy、pandas速通

教程链接：【python教程】数据分析——numpy、pandas、matplotlib
资料：https://github.com/TheisTrue/DataAnalysis

1 matplotlib

官网链接：可查询各种图的使用及代码

对比常用统计图
在这里插入图片描述

1.1 折线图

（1）引入

from matplotlib import pyplot as plt

（2） 示例

x = range(2, 26, 2) # 2到25，步长2
y = [15, 13, 14.5, 17, 20, 25, 26, 26, 24, 22, 18, 15]

（3） 设置图片大小

figsize： 图片的 (长, 宽)
dpi： 每英寸像素点的个数，例如选定为 80 （图像模糊时可传入dpi参数使图片年更清晰）

fig = plt.figure(figsize = (20, 8), dpi = 80)

（4） 绘图

plt.plot(x, y)
# plt.plot(x, y, label="day01") # 和后续plt.legend()一起使用
# 这里可添加参数改变图形的样式

（5） 设置刻度

注： 这里绘图和设置刻度的先后顺序影响不大

① 常规

plt.xticks(x)

② range范围

plt.xticks(range(2,25))

③ 增加步长
range无法设置步长，采用列表生成式 [expression for item in iterable if condition]

expression 表示新列表中的元素表达式，item 是迭代器 iterable 中的每个元素，condition 是要应用的筛选条件（可选）

xtick_labels = [i/2 for i in range(4, 49)]
plt.xticks(xtick_labels[::3])              # 在xtick_labels的基础上再设置3的步长（注：这里步长以0.5为准，因为前面是i/2）xtick_labels = ["hour{}".format(i) for i in range(1,13)]
#plt.xticks() 第一个参数是 x 轴上的位置列表，第二个参数是标签列表
plt.xticks(x,xtick_labels) # 若x为字符串型，则要转换为range(len(x))plt.yticks(range(min(y1), max(y1)+1))

（6） 添加描述信息

plt.xlabel("Time")                     # 设置 x 轴标签
plt.ylabel("Temperature/℃")           # 设置 y 轴标签
plt.title("Temperature Distribution")  # 设置标题

（7） 绘制网格

plt.grid()

（6）保存

可保存为 svg 矢量图格式，则在缩放过程中不会有锯齿

plt.savefig("./sig_size.png")

（7）展示

plt.show()

补充1 占位符
str.format() 占位符{}

name = "Alice"
age = 25
print("My name is {}, and I am {} years old.".format(name, age))
# 输出：My name is Alice, and I am 25 years old.

注： 这里省略了一个例子，例子包含处理中文显示，可到原视频中学习

补充2 设置中文

plt.rcParams['font.family'] = ['sans-serif'] # 设置默认字体为sans-serif
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置sans-serif采用SimHei，SimHei 是一种常用的中文字体

汇总


# 1 引入
import matplotlib
from matplotlib import pyplot as pltmatplotlib.rc# 2 示例
x = range(2, 26, 2) # 2到25，步长2
y1 = [15, 13, 14.5, 17, 20, 25, 26, 26, 24, 22, 18, 15]  # day01
y2 = [14, 16, 15, 13, 18, 21, 27, 28, 26, 21, 13, 13]    # day02
# 3 设置图片大小
# figsize：图片的 (长, 宽)
# dpi：每英寸像素点的个数，例如选定为 80 （图像模糊时可传入dpi参数使图片年更清晰）fig = plt.figure(figsize = (20, 8), dpi = 80)# 4 绘图plt.plot(x, y1, label="day01")
plt.plot(x, y2, label="day02")
# 5 设置刻度
# 注：这里绘图和设置刻度的先后顺序影响不大#plt.xticks(x)
#plt.xticks(range(2,25))# range无法设置步长，采用列表生成式 [expression for item in iterable if condition]
# expression 表示新列表中的元素表达式，item 是迭代器 iterable 中的每个元素，condition 是要应用的筛选条件（可选）#xtick_labels = [i/2 for i in range(4, 49)]
#plt.xticks(xtick_labels[::3])        # 在xtick_labels的基础上再设置3的步长（注：这里步长以0.5为准，因为前面是i/2）xtick_labels = ["hour{}".format(i) for i in range(1,13)]
#plt.xticks() 第一个参数是 x 轴上的位置列表，第二个参数是标签列表
plt.xticks(x,xtick_labels)	    # 若x为字符串型，则要转换为range(len(x))
plt.yticks(range(min(y1), max(y1)+1))# 6 添加描述信息
plt.xlabel("Time")                     # 设置 x 轴标签
plt.ylabel("Temperature/℃")           # 设置 y 轴标签
plt.title("Temperature Distribution")  # 设置标题# 7 绘制网格
plt.grid()# 8 添加图例 - 即将label显示到图中
# 默认0是寻找最佳位置，此外还有1~10，可自行定义位置 通过ctrl+B两次查看源码
plt.legend()# 7 保存
# plt.savefig(String pathName)：用于保存图片至指定的路径下（可保存为 svg 矢量图格式，则在缩放过程中不会有锯齿）
plt.savefig("./sig_size.png")# 8 展示
plt.show()

在这里插入图片描述

1.2 绘制其他图形

# 1 散点图
plt.scatter(x,y)# 2 条形图
plt.bar(x,y)
plth.bar(x,y) #横着的条形图# 3 直方图
a = [15, 13, 14.5, 17, 20, 25, 26, 26, 24, 22, 18, 15] 
# a是列表 num表将数据分成num组，即num个竖条 
# num的计算公式：极差 / 组距
d = 1    #组距，组距应尽量选择能按公式整除
num = (max(a)-min(a))//d
plt.hist(a,num)   # 纵坐标表每组的组频 可添density=True参数改为频率图

1.3 其他绘图工具

echarts
echarts官网实例
echarts-pink教程

plotly
可视化工具中的github，相比于matplotlib更为简单，图形更漂亮，同时兼容natplotlib和pandas，使用简单，照着文档写即可
plotly文档地址

seaborn
实现略优于Matplotlib的功能，更为方便
seaborn官网

2 numpy

2.1 创建数组

import numpy as npt1 = np.array([1, 2, 3])
print("t1 =", end=" ")
print(t1)
print(type(t1))
print("="*30)t2 = np.array(range(10))
print("t2 =", end = " ")
print(t2)
print(type(t2))
print("="*30)t3 = np.arange(10)
print("t3 =", end = " ")
print(t3)
print(type(t3))

# 输出
t1 = [1 2 3]
<class 'numpy.ndarray'>
==============================
t2 = [0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>
==============================
t3 = [0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>

2.2 指定数据类型

（1）初始化数据类型
array(obj, dtype=)，其中dtype

  • int8 或 i1
  • float16或f2
  • c8：即 8 字节的复数 complex64
  • bool：存储 True 或 False 值
    在这里插入图片描述
t4 = np.array(range(10), dtype="i1")
print("t4 = ", t4)
print(t4.dtype)
print("="*50)t5 = t4.astype("bool")
print("t5 =", end = " ")
print(t5)
print(t5.dtype)

（2）修改数据类型

t4 = np.array(range(10), dtype="i1")
t5 = t4.astype("bool")  # 修改成bool类型
# np.round(b,2) 保留2位小数

（3）生成随机数数组
np.array([rd.random() for i in range(6)]) 注意要有方括号
np.round(obj, bit) ： 至多保留 bit 位小数

import random as rdrandArray = np.array([rd.random() for i in range(6)])
print("randArray =", end=" ")
print(randArray)roundedRandArray = np.round(randArray, 2)
print("roundedRandArray =", end=" ")
print(roundedRandArray)

（4）修改数组形状

# 注：以下方法都不会修改到原t
t = np.arrange(12)
t.shape()    # 查看数组形状
t.ashape(12,) # 改成一维数组  t.ashape(1,12) 是1行12列，本质是二维数组
t.ashape(3,4) # 改成二行三列数组
t.ashape(2,2,3) # 改成两块二行三列数组
# 注：ashape中有几个数就是几维数组，数的乘积等于元素个数 如t有12个元素，所以2*2*3=12t.flatten() # 将数据展开为 1 维的数组

t + 2 # t中的每个元素值都+2，加减乘除都可行
t + t1 # 同维数组对应位置元素可相加减乘除
# 此外不同维度下一些特殊情况也可进行计算，见下图

在这里插入图片描述

（5）轴（Axis）

  • 在numpy中可以理解为方向,使用0,1,2…数字表示,对于一个一维数组，只有一个0轴，对于2维数组(shape(2,2))，有0轴和1轴,对于三维数组(shape(2,2, 3)),，有0,1,2轴
  • np.arange(0,10).reshape((2,5)) reshpe中2表示0轴长度(包含数据的条数)

2.3 数组的索引和分片

（1）numpy读取数据

CSV： Comma-Separated Value,逗号分隔值文件
显示： 表格状态
源文件： 换行和逗号分隔行列的格式化文本，每一行的数据表示一条记录
由于csv便于展示，读取和写入，所以很多地方也是用csv的格式存储和传输中小型的数据，为了方便教学，我们会经常操作csv格式的文件，但是操作数据库中的数据也是很容易的实现的

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

注： unpack就是转置
在这里插入图片描述
（2）numpy的转置

# 三个方法任选一个
t.T
t.transpose()
t.swapaxes()

（3）numpy的索引和切片

# coding=utf-8
# coding=utf-8
import numpy as np# 下两个csv文件在git的day03中
# us_file_path = "./US_video_data_numbers.csv"
# uk_file_path = "./GB_video_data_numbers.csv"# t1 = np.loadtxt(us_file_path,delimiter=",",dtype="int",unpack=True)
# t2 = np.loadtxt(us_file_path,delimiter=",",dtype="int")
t2 = np.array([[1, -5, 12, 9],[6, -1, -5, 3],[0, 12, 32, 8],[1,  2,  3, 4],[12,22, 13,24]])
# print(t1)
print(t2)print("*"*100)# 取行
print(t2[2]) # 取第3行
print(t2[1,:])    # 取第2行# 取连续的多行
print(t2[2:]) #从第3行开始取所有行# 取不连续的多行
print(t2[[0,1,3]])  # 取1,2,4行
print(t2[[1,3,4],:]) # 取第2,4,5行# 取列
print(t2[:,0])  # 取第1列# 取连续的多列
print(t2[:,2:])  # 取第3列开始的所有列# 取不连续的多列
print(t2[:,[0,2]]) # 取第1，3列# 取i行i列的某个值
a = t2[2,3] # 取第3行，第四列的值
print('a=',a)
print(type(a))# 取多行和多列，取第3行到第5行，第2列到第4列的结果
# 取的是行和列交叉点的位置
b = t2[2:5,1:4]  #注：索引取到下标为5的前一个位置，即下标为4的位置，也即第5行
print('b=',b)# 取多个不相邻的点
# 选出来的结果是（0，0） （2，1） （2，3）
c = t2[[0,2,2],[0,1,3]]
print('c=',c)

（4）numpy中数值的修改

在这里插入图片描述

（5）numpy中布尔索引

在这里插入图片描述
（6）numpy中三元运算符
np.where(t<10,0,10) 小于10的替换成0，大于10的替换成10

在这里插入图片描述
（7）numpy中的nan和inf
nan(NAN,Nan)：not a number表示不是一个数字
什么时候numpy中会出现nan： 当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)
inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷
什么时候回出现inf：包括（-inf，+inf） 比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）
（8）numpy中的clip(裁剪)
t.clip(10,18)小于10的替换成10，大于18的替换成18
在这里插入图片描述

2.4 数组常用方法

2.4.1 数组的拼接

（1）数组的拼接
在这里插入图片描述
（2）数组的行列交换

import numpy as np
t = np.arange(12, 24).reshape(3, 4)
t[[0, 1, 2], :] = t[[1, 0, 2], :]

原：

array([[12, 13, 14, 15],[16, 17, 18, 19],[20, 21, 22, 23]])

后：

array([[20, 21, 22, 23],[12, 13, 14, 15],[16, 17, 18, 19]])

（3）数组的其他操作

  • 获取最值
    np.min()
    np.max()

  • 获取最大值最小值的位置
    np.argmax(t,axis=0)
    np.argmin(t,axis=1)

  • 创建一个全0的数组: np.zeros((3,4))

  • 创建一个全1的数组:np.ones((3,4))

  • 创建一个对角线为1的正方形数组(方阵)：np.eye(3)

2.4.2 numpy生成随机数

在这里插入图片描述

2.4.3 numpy的注意点copy和view

a=b a只是一个指向b的新引用，且a和b相互影响
a = b[:] 视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的
a = b.copy() 复制，a和b互不影响

2.4.4 numpy中的nan的注意点

在这里插入图片描述

2.4.5 numpy中常用统计函数

求和：t.sum(axis=None)
均值：t.mean(a,axis=None) 受离群点的影响较大
中值：np.median(t,axis=None)
最大值：t.max(axis=None)
最小值：t.min(axis=None)
极差：np.ptp(t,axis=None) 即最大值和最小值之差
标准差：t.std(axis=None)
在这里插入图片描述

3 pandas

常用数据类型
Series 一维，带标签数组
DataFrame 二维，Series容器

3.1 Series创建

import pandas as pd
# 列表形式
t1 = pd.Series([1,2,3])
t1[t1>1]
# 字典形式
t2 = pd.Series({"name":"hh","age":18}) 
t2[["name","age"]]
t2.index
len(t2.index)
list(t2.index)[:2]

3.2 pandas读取外部文件

pd.read_csv() # 读csv
pd.read_sql() # 读sql# 从Mongodb读
from pymongo import MongoClient
client = MongoClient()
collection = client["douban"]["tv1"]]
data = list(collection,find())

3.3 DataFrame

3.3.1 索引

DataFrame对象既有行索引，又有列索引
行索引，表明不同行，横向索引，叫index，0轴，axis=0
列索引，表名不同列，纵向索引，叫columns，1轴，axis=1

pd.DataFrame(np.arange(12).reshape(3,4))
pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))

在这里插入图片描述
在这里插入图片描述

d1 = {"name":["hh","yy"],"age":[20,22]}

在这里插入图片描述

3.3.2 DatafFrame常用方法

在这里插入图片描述

df.sort_values(by="Count_AnimalName",ascending=False) # ascending为true表升序排序

df.loc 通过标签索引行数据
df.iloc 通过位置获取行数据
在这里插入图片描述
loc
在这里插入图片描述
在这里插入图片描述
iloc

在这里插入图片描述
在这里插入图片描述

3.3.3 pandas的布尔索引

在这里插入图片描述

3.3.4 pandas之字符串方法

df.str.xxx
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/643237.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

51单片机LCD1602调试工具

51单片机LCD1602调试工具

参考视频&#xff1a;江协科技51单片机 LCD1602头文件代码 #ifndef __LCD1602_H__ #define __LCD1602_H__//用户调用函数&#xff1a; void LCD_Init(); void LCD_ShowChar(unsigned char Line,unsigned char Column,char Char); void LCD_ShowString(unsigned char Line,un…
阅读更多...
【深度学习】线性回归模型与梯度下降法

【深度学习】线性回归模型与梯度下降法

线性回归模型与梯度下降法 线性回归模型与枚举法 线性回归模型定义： w：权重b：偏置#mermaid-svg-ZAxF27Mw5dXNQgw2 {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-ZAxF27Mw5dXNQgw2 .error-icon{fill:#552222;}…
阅读更多...
机械硬件知识学习

机械硬件知识学习

目录 1.电机减速机、扭矩2.伺服电机、步进电机、直线电机3.电机马达的曲线运动是如何转化为轴的直线运动 大佬科普运动控制系统链接&#xff1a;https://www.cnblogs.com/cariohu/p/15508175.html 自己对机械知识的了解是盲区&#xff0c;学习下接触到的一些硬件知识&#xff0…
阅读更多...
70 C++对象模型探索。C++ 几种调用构造函数实例化在编译器内部的不同，去了解这些不同后，我们就知道在代码中如何实例化对象是最优化的。

70 C++对象模型探索。C++ 几种调用构造函数实例化在编译器内部的不同，去了解这些不同后，我们就知道在代码中如何实例化对象是最优化的。

本节研究是的构造函数相关&#xff0c;所以我们第一步先回忆一下之前学习的构造方法的写法&#xff0c;以及使用构造函数实例化类的写法 一 从之前学习了构造方法的 使用举例&#xff0c;来看编译器在程序员写了代码后的做了些什么&#xff0c;这个要从 vs2017的C编译器和Linux…
阅读更多...
含源码|基于MATLAB的去雾系统(5种去雾算法+1种本文的改进算法)

含源码|基于MATLAB的去雾系统(5种去雾算法+1种本文的改进算法)

去雾系统V2包括作者新加入的多尺度Retinex去雾算法以及改进去雾算法&#xff0c;以及4种评价去雾效果的客观指标。 00 目录 引言 去雾系统新增功能 结果分析 源码获取 展望 参考文献 01 引言 在作者前面写过的文章中&#xff0c;已经介绍过图像去雾算法的应用价值及研究现…
阅读更多...
java web mvc-05-JSF JavaServer Faces 入门例子

java web mvc-05-JSF JavaServer Faces 入门例子

拓展阅读 Spring Web MVC-00-重学 mvc mvc-01-Model-View-Controller 概览 web mvc-03-JFinal web mvc-04-Apache Wicket web mvc-05-JSF JavaServer Faces web mvc-06-play framework intro web mvc-07-Vaadin web mvc-08-Grails 开源 The jdbc pool for java.(java …
阅读更多...
Redis学习指南(29)-Redis高性能特性之多路复用模型

Redis学习指南(29)-Redis高性能特性之多路复用模型

Redis是一种高性能的键值存储系统&#xff0c;它以其快速和可扩展性而受到广泛关注。在Redis高性能的背后&#xff0c;有许多关键特性与机制在起作用。其中之一是多路复用模型&#xff0c;它在Redis中起到了至关重要的作用。 多路复用模型是指单个线程能够同时处理多个客户端连…
阅读更多...
计算机网络中的网络地址转换

计算机网络中的网络地址转换

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、什么是网络地址转换 &#xff08;NAT&#xff09;&#xff1f;二、NAT 如何工作&#xff1f;NAT协议的主要用途NAT 内部和外部地址网络中的 NAT 类型网络地…
阅读更多...
绝地求生：本周三停机维护更新4小时: RASH悲喜套装即将下线!

绝地求生：本周三停机维护更新4小时: RASH悲喜套装即将下线!

本周三将迎来停机维护更新四小时~&#xff0c;同时游戏商城内RASH悲喜联名套装即将下线&#xff0c;同时空投签到任务和荣都地图翻牌任务即将下线~ 预计维护时间: 2024年1月24日08:00~12:00 本周地图轮换情况 (1月24日 ~ 1月31日) 可自主选择地图的地区:艾伦格、泰戈、帝斯顿、…
阅读更多...
DL/T 645 协议学习笔记

DL/T 645 协议学习笔记

一、多功能电能表通信协议 DL/T645多功能电能表通信协议&#xff08;Multi-function watt-hour meter communication protocol&#xff09;标准是为统一和规范电能表的多功能电能表与数据终端设备进行数据交换时的物理连接和协议。 1、RS-485 标准串行电气接口 本标准采用 RS-…
阅读更多...
按键控制LED灯

按键控制LED灯

目录 文件夹Hardware&#xff1a; 文件LED.c: 文件LED.h: 文件Key.c: 文件Key.h: 文件夹User&#xff1a; 文件main.c: 首先模块化管理代码 文件夹Hardware&#xff1a; 文件LED.c: // 引入STM32F10x系列微控制器的头文件&#xff0c;包含了一些基本的寄存器和函数声…
阅读更多...
5.Python爬虫前的准备工作

5.Python爬虫前的准备工作

知识准备 1) Python语言 Python 爬虫作为 Python 编程的进阶知识&#xff0c;要求具备较好的 Python 编程基础 了解 Python 语言的多进程与多线程&#xff0c;并熟悉正则表达式语法&#xff0c;也有助于编写爬虫程序 2) Web前端 了解 Web 前端的基本知识&#xff0c;比如 …
阅读更多...
2-项目介绍

2-项目介绍

项目介绍 1.文件结构 1.1.后端结构 com.ruoyi ├── common // 工具类 │ └── annotation // 自定义注解 │ └── config // 全局配置 │ └── constant // 通用…
阅读更多...
用Netty手写Http/Https服务器

用Netty手写Http/Https服务器

Netty是一个以事件驱动的异步通信网络框架&#xff0c;可以帮助我们实现多种协议的客户端和服务端通信&#xff0c;话不多说&#xff0c;上代码&#xff0c;需要引入下方依赖 <dependency><groupId>io.netty</groupId><artifactId>netty-all</artif…
阅读更多...
BUU LFI COURSE 1

BUU LFI COURSE 1

靶场教程 1.开局界面&#xff0c;已给出源代码。2.存在文件包含include &#xff0c;直接通过传参 file 进行获取 flag。3.通过访问 url 发现报错&#xff0c;说明 flag 并不在当前目录下&#xff0c;只需要向前访问目录即可。 http://b6ed0fd6-c852-40d0-b285-32d9d00fbf00.…
阅读更多...
抖去推短视频矩阵系统+实景无人直播系统技术源头开发

抖去推短视频矩阵系统+实景无人直播系统技术源头开发

抖去推爆款视频生成器&#xff0c;通过短视频矩阵、无人直播&#xff0c;文案引流等&#xff0c;打造实体商家员工矩阵、用户矩阵、直播矩阵&#xff0c;辅助商家品牌曝光&#xff0c;团购转化等多功能赋能商家拓客引流。 短视频矩阵通俗来讲就是批量剪辑视频和批量发布视频&a…
阅读更多...
查询小世界账号网页HTML源码

查询小世界账号网页HTML源码

HTML源码&#xff0c;记事本打开后可以修改里面的内容&#xff0c;电脑本地双击html可以查看效果&#xff0c;复制小世界个人主页链接就可以查询QQ号&#xff0c; 蓝奏云&#xff1a;https://wfr.lanzout.com/ihXCn1lz2jnc
阅读更多...
MySQL数据库面试知识点

MySQL数据库面试知识点

1、数据库基础&#xff1a; MySQL是一个开源的关系型数据库管理系统&#xff0c;用于存储、管理和检索数据。它支持多种存储引擎&#xff0c;包括InnoDB、MyISAM等。MySQL是由瑞典公司MySQL AB开发&#xff0c;后来被Sun Microsystems收购&#xff0c;最终被甲骨文公司(Oracle…
阅读更多...
4G物联网LED智慧路灯杆显示屏产品介绍

4G物联网LED智慧路灯杆显示屏产品介绍

4GLED显示屏是一种具有4G网络连接功能的LED显示屏。它可以通过4G网络连接到互联网&#xff0c;实现远程管理和控制&#xff0c;方便进行内容更新和管理。同时&#xff0c;4GLED显示屏具有高亮度、高清晰度和高对比度的特点&#xff0c;可以提供清晰明亮的图像和视频展示效果。它…
阅读更多...
stm32产品架构

stm32产品架构

文章目录 前言一、pandas是什么&#xff1f;二、使用步骤 1.引入库2.读入数据 总结 前言 起因是我在看野火的ucosiii&#xff0c;然后他是基于i.mx芯片。然后我就很疑惑i.mx是什么芯片&#xff0c;看了下好像是ARM-M7(或者叫ARMCM7)架构的芯片。然后我又疑惑ARM-M7又是什么架…
阅读更多...
最新文章

Copyright @ 2022~2023