[Python] Pandas 조회, 정렬, 조건 필터 (타이타닉 승객 데이터)

모듈 import¶

In [1]:

!pip install seaborn==0.13.0

Defaulting to user installation because normal site-packages is not writeable
Collecting seaborn==0.13.0
  Downloading seaborn-0.13.0-py3-none-any.whl (294 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 294.6/294.6 kB 6.6 MB/s eta 0:00:00a 0:00:01
Requirement already satisfied: numpy!=1.24.0,>=1.20 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (1.23.3)
Requirement already satisfied: pandas>=1.2 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (1.4.2)
Requirement already satisfied: matplotlib!=3.6.1,>=3.3 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (3.6.0)
Requirement already satisfied: contourpy>=1.0.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.0.6)
Requirement already satisfied: kiwisolver>=1.0.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.4.4)
Requirement already satisfied: packaging>=20.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (21.3)
Requirement already satisfied: fonttools>=4.22.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (4.38.0)
Requirement already satisfied: pyparsing>=2.2.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (3.0.9)
Requirement already satisfied: python-dateutil>=2.7 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (2.8.2)
Requirement already satisfied: cycler>=0.10 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (0.11.0)
Requirement already satisfied: pillow>=6.2.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (9.3.0)
Requirement already satisfied: pytz>=2020.1 in ./.local/lib/python3.9/site-packages (from pandas>=1.2->seaborn==0.13.0) (2022.5)
Requirement already satisfied: six>=1.5 in ./.local/lib/python3.9/site-packages (from python-dateutil>=2.7->matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.16.0)
Installing collected packages: seaborn
  Attempting uninstall: seaborn
    Found existing installation: seaborn 0.12.0
    Uninstalling seaborn-0.12.0:
      Successfully uninstalled seaborn-0.12.0
Successfully installed seaborn-0.13.0

[notice] A new release of pip available: 22.2.2 -> 24.1.1
[notice] To update, run: pip install --upgrade pip

In [2]:

from IPython.display import Image
import numpy as np
import pandas as pd
import seaborn as sns

실습에 활용할 데이터셋¶

타이타닉: 탑승객의 사망자와 생존자 데이터 분석¶

In [3]:

Image('https://www.gukjenews.com/news/photo/201912/1212183_991659_1921.jpg')

Out[3]:

큰 이미지로 보기

In [4]:

Image('https://static1.squarespace.com/static/5006453fe4b09ef2252ba068/t/5090b249e4b047ba54dfd258/1351660113175/TItanic-Survival-Infographic.jpg')

Out[4]:

건조 당시 세계 최대의 여객선이었지만,1912년의 최초이자 최후의 항해 때 빙산과 충돌해 침몰한 비운의 여객선. 아마도 세상에서 가장 유명한 여객선이자 침몰선일 것입니다.

침몰한 지 100년이 넘었지만 아직까지 세계에서 가장 유명한 침몰선입니다.

사망자 수는 1위는 아니지만, 세계적으로 유명한 영화의 영향도 있고, 당시 최첨단 기술에 대해 기대감이 컸던 사회에 큰 영향을 끼치기도 한데다가, 근대 사회에서 들어서자마자 얼마 안된, 그리고 유명인사들이 여럿 희생된 대참사이기 때문에 가장 유명한 침몰선이 되었습니다. 또한 이 사건을 기점으로 여러가지 안전 조약들이 생겨났으니 더더욱 그렇습니다.

In [6]:

df = sns.load_dataset("titanic")
df.head()

Out[6]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

컬럼 (column) 설명¶

• survivied: 생존여부 (1: 생존, 0: 사망)
• pclass: 좌석 등급 (1등급, 2등급, 3등급)
• sex: 성별
• age: 나이
• sibsp: 형제 + 배우자 수
• parch: 부모 + 자녀 수
• fare: 좌석 요금
• embarked: 탑승 항구 (S, C, Q)
• class: pclass와 동일
• who: 남자(man), 여자(woman), 아이(child)
• adult_male: 성인 남자 여부
• deck: 데크 번호 (알파벳 + 숫자 혼용)
• embark_town: 탑승 항구 이름
• alive: 생존여부 (yes, no)
• alone: 혼자 탑승 여부

데이터 분석!¶

주요 목표

• Pandas를 활용하여 타이타닉호 생존자, 사망자 데이터를 분석합니다.
• 데이터를 토대로 생존율이 높은 승객, 생존율이 낮은 승객은 누구인지 판단합니다.

head() 앞 부분 / tail() 뒷 부분 조회¶

• default 옵션 값으로 5개의 행이 조회됩니다.
• 괄호 안에 숫자를 넣어 명시적으로 조회하고 싶은 행의 갯수를 지정할 수 있습니다.

In [7]:

df.head()

Out[7]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

In [8]:

df.tail()

Out[8]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
886	0	2	male	27.0	0	0	13.00	S	Second	man	True	NaN	Southampton	no	True
887	1	1	female	19.0	0	0	30.00	S	First	woman	False	B	Southampton	yes	True
888	0	3	female	NaN	1	2	23.45	S	Third	woman	False	NaN	Southampton	no	False
889	1	1	male	26.0	0	0	30.00	C	First	man	True	C	Cherbourg	yes	True
890	0	3	male	32.0	0	0	7.75	Q	Third	man	True	NaN	Queenstown	no	True

In [9]:

df.head(3)

Out[9]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True

In [10]:

df.tail(7)

Out[10]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
884	0	3	male	25.0	0	0	7.050	S	Third	man	True	NaN	Southampton	no	True
885	0	3	female	39.0	0	5	29.125	Q	Third	woman	False	NaN	Queenstown	no	False
886	0	2	male	27.0	0	0	13.000	S	Second	man	True	NaN	Southampton	no	True
887	1	1	female	19.0	0	0	30.000	S	First	woman	False	B	Southampton	yes	True
888	0	3	female	NaN	1	2	23.450	S	Third	woman	False	NaN	Southampton	no	False
889	1	1	male	26.0	0	0	30.000	C	First	man	True	C	Cherbourg	yes	True
890	0	3	male	32.0	0	0	7.750	Q	Third	man	True	NaN	Queenstown	no	True

info()¶

• 컬럼별 정보(information)를 보여줍니다.
• 데이터의 갯수, 그리고 데이터 타입(dtype)을 확인할 때 사용합니다.

In [11]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 15 columns):
 #   Column       Non-Null Count  Dtype   
---  ------       --------------  -----   
 0   survived     891 non-null    int64   
 1   pclass       891 non-null    int64   
 2   sex          891 non-null    object  
 3   age          714 non-null    float64 
 4   sibsp        891 non-null    int64   
 5   parch        891 non-null    int64   
 6   fare         891 non-null    float64 
 7   embarked     889 non-null    object  
 8   class        891 non-null    category
 9   who          891 non-null    object  
 10  adult_male   891 non-null    bool    
 11  deck         203 non-null    category
 12  embark_town  889 non-null    object  
 13  alive        891 non-null    object  
 14  alone        891 non-null    bool    
dtypes: bool(2), category(2), float64(2), int64(4), object(5)
memory usage: 80.7+ KB

object 타입은 쉽게 문자열이라고 생각하면 됩니다.

그런데, category 타입도 있습니다. category 타입은 문자열이지만, '남자' / '여자'처럼 카테고리화 할 수 있는 컬럼을 의미 합니다. 나중에 별도로 다루겠습니다.

value_counts()¶

column 별 값의 분포를 확인할 때 사용합니다.

남자, 여자, 아이의 데이터 분포를 확인하고 싶다면 다음과 같이 실행합니다.

In [12]:

df['who'].value_counts()

Out[12]:

man      537
woman    271
child     83
Name: who, dtype: int64

연습문제¶

In [13]:

df.head()

Out[13]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

embark_town은 승객의 탑승 항구를 나타내는 column 입니다. 탑승 항구별 승객 데이터 분포를 확인해 주세요.

In [14]:

# 코드를 입력해 주세요
df['embark_town'].value_counts()

Out[14]:

Southampton    644
Cherbourg      168
Queenstown      77
Name: embark_town, dtype: int64

[출력 결과]

Southampton    644
Cherbourg      168
Queenstown      77
Name: embark_town, dtype: int64

who 컬럼에 대한 데이터 분포를 확인해 주세요

In [15]:

# 코드를 입력해 주세요
df['who'].value_counts()

Out[15]:

man      537
woman    271
child     83
Name: who, dtype: int64

[출력 결과]

man      537
woman    271
child     83
Name: who, dtype: int64

속성: Attributes¶

속성 값은 함수형으로 조회하지 않습니다.

자주 활용하는 DataFrame은 속성 값들은 다음과 같습니다.

• ndim
• shape
• index
• columns
• values
• T

차원을 나타냅니다. DataFrame은 2가 출력됩니다.

In [16]:

df.ndim

Out[16]:

2

(행, 열) 순서로 출력됩니다.

In [17]:

df.shape

Out[17]:

(891, 15)

index는 기본 설정된 RangeIndex가 출력됩니다.

In [18]:

df.index

Out[18]:

RangeIndex(start=0, stop=891, step=1)

columns는 열을 출력 합니다.

In [19]:

df.columns

Out[19]:

Index(['survived', 'pclass', 'sex', 'age', 'sibsp', 'parch', 'fare',
       'embarked', 'class', 'who', 'adult_male', 'deck', 'embark_town',
       'alive', 'alone'],
      dtype='object')

values는 모든 값을 출력하며, numpy array 형식으로 출력됩니다.

In [20]:

df.values

Out[20]:

array([[0, 3, 'male', ..., 'Southampton', 'no', False],
       [1, 1, 'female', ..., 'Cherbourg', 'yes', False],
       [1, 3, 'female', ..., 'Southampton', 'yes', True],
       ...,
       [0, 3, 'female', ..., 'Southampton', 'no', False],
       [1, 1, 'male', ..., 'Cherbourg', 'yes', True],
       [0, 3, 'male', ..., 'Queenstown', 'no', True]], dtype=object)

T: 전치 (Transpose) 는 Index와 Column의 축을 교환합니다.

In [21]:

df.T

Out[21]:

	0	1	2	3	4	5	6	7	8	9	...	881	882	883	884	885	886	887	888	889	890
survived	0	1	1	1	0	0	0	0	1	1	...	0	0	0	0	0	0	1	0	1	0
pclass	3	1	3	1	3	3	1	3	3	2	...	3	3	2	3	3	2	1	3	1	3
sex	male	female	female	female	male	male	male	male	female	female	...	male	female	male	male	female	male	female	female	male	male
age	22.0	38.0	26.0	35.0	35.0	NaN	54.0	2.0	27.0	14.0	...	33.0	22.0	28.0	25.0	39.0	27.0	19.0	NaN	26.0	32.0
sibsp	1	1	0	1	0	0	0	3	0	1	...	0	0	0	0	0	0	0	1	0	0
parch	0	0	0	0	0	0	0	1	2	0	...	0	0	0	0	5	0	0	2	0	0
fare	7.25	71.2833	7.925	53.1	8.05	8.4583	51.8625	21.075	11.1333	30.0708	...	7.8958	10.5167	10.5	7.05	29.125	13.0	30.0	23.45	30.0	7.75
embarked	S	C	S	S	S	Q	S	S	S	C	...	S	S	S	S	Q	S	S	S	C	Q
class	Third	First	Third	First	Third	Third	First	Third	Third	Second	...	Third	Third	Second	Third	Third	Second	First	Third	First	Third
who	man	woman	woman	woman	man	man	man	child	woman	child	...	man	woman	man	man	woman	man	woman	woman	man	man
adult_male	True	False	False	False	True	True	True	False	False	False	...	True	False	True	True	False	True	False	False	True	True
deck	NaN	C	NaN	C	NaN	NaN	E	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	B	NaN	C	NaN
embark_town	Southampton	Cherbourg	Southampton	Southampton	Southampton	Queenstown	Southampton	Southampton	Southampton	Cherbourg	...	Southampton	Southampton	Southampton	Southampton	Queenstown	Southampton	Southampton	Southampton	Cherbourg	Queenstown
alive	no	yes	yes	yes	no	no	no	no	yes	yes	...	no	no	no	no	no	no	yes	no	yes	no
alone	False	False	True	False	True	True	True	False	False	False	...	True	True	True	True	False	True	True	False	True	True

15 rows × 891 columns

타입 변환 (astype)¶

In [22]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 15 columns):
 #   Column       Non-Null Count  Dtype   
---  ------       --------------  -----   
 0   survived     891 non-null    int64   
 1   pclass       891 non-null    int64   
 2   sex          891 non-null    object  
 3   age          714 non-null    float64 
 4   sibsp        891 non-null    int64   
 5   parch        891 non-null    int64   
 6   fare         891 non-null    float64 
 7   embarked     889 non-null    object  
 8   class        891 non-null    category
 9   who          891 non-null    object  
 10  adult_male   891 non-null    bool    
 11  deck         203 non-null    category
 12  embark_town  889 non-null    object  
 13  alive        891 non-null    object  
 14  alone        891 non-null    bool    
dtypes: bool(2), category(2), float64(2), int64(4), object(5)
memory usage: 80.7+ KB

int32로 변경

In [23]:

df['pclass'].astype('int32').head()

Out[23]:

0    3
1    1
2    3
3    1
4    3
Name: pclass, dtype: int32

float32로 변경

In [24]:

df['pclass'].astype('float32').head()

Out[24]:

0    3.0
1    1.0
2    3.0
3    1.0
4    3.0
Name: pclass, dtype: float32

object로 변경

In [25]:

df['pclass'].astype('str').head()

Out[25]:

0    3
1    1
2    3
3    1
4    3
Name: pclass, dtype: object

category로 변경.

category로 변경시에는 Categories가 같이 출력 됩니다.

In [27]:

df['pclass'].astype('category').head()

Out[27]:

0    3
1    1
2    3
3    1
4    3
Name: pclass, dtype: category
Categories (3, int64): [1, 2, 3]

정렬 (sort)¶

sort_index: index 정렬¶

• index 기준으로 정렬합니다. (기본 오름차순이 적용되어 있습니다.
• 내림차순 정렬을 적용하려면, ascending=False를 옵션 값으로 설정합니다.

In [28]:

df.sort_index().head(5)

Out[28]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

In [29]:

df.sort_index(ascending=False).head(5)

Out[29]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
890	0	3	male	32.0	0	0	7.75	Q	Third	man	True	NaN	Queenstown	no	True
889	1	1	male	26.0	0	0	30.00	C	First	man	True	C	Cherbourg	yes	True
888	0	3	female	NaN	1	2	23.45	S	Third	woman	False	NaN	Southampton	no	False
887	1	1	female	19.0	0	0	30.00	S	First	woman	False	B	Southampton	yes	True
886	0	2	male	27.0	0	0	13.00	S	Second	man	True	NaN	Southampton	no	True

sort_values: 값에 대한 정렬¶

• 값을 기준으로 행을 정렬합니다.
• by에 기준이 되는 행을 설정합니다.
• by에 2개 이상의 컬럼을 지정하여 정렬할 수 있습니다.
• 오름차순/내림차순을 컬럼 별로 지정할 수 있습니다.

In [30]:

df.sort_values(by='age').head()

Out[30]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
803	1	3	male	0.42	0	1	8.5167	C	Third	child	False	NaN	Cherbourg	yes	False
755	1	2	male	0.67	1	1	14.5000	S	Second	child	False	NaN	Southampton	yes	False
644	1	3	female	0.75	2	1	19.2583	C	Third	child	False	NaN	Cherbourg	yes	False
469	1	3	female	0.75	2	1	19.2583	C	Third	child	False	NaN	Cherbourg	yes	False
78	1	2	male	0.83	0	2	29.0000	S	Second	child	False	NaN	Southampton	yes	False

내림차순 정렬: ascending=False

In [31]:

df.sort_values(by='age', ascending=False).head()

Out[31]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
630	1	1	male	80.0	0	0	30.0000	S	First	man	True	A	Southampton	yes	True
851	0	3	male	74.0	0	0	7.7750	S	Third	man	True	NaN	Southampton	no	True
493	0	1	male	71.0	0	0	49.5042	C	First	man	True	NaN	Cherbourg	no	True
96	0	1	male	71.0	0	0	34.6542	C	First	man	True	A	Cherbourg	no	True
116	0	3	male	70.5	0	0	7.7500	Q	Third	man	True	NaN	Queenstown	no	True

문자열 컬럼도 오름차순/내림차순 정렬이 가능하며 알파벳 순서로 정렬됩니다.

In [32]:

df.sort_values(by='class', ascending=False).head()

Out[32]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
511	0	3	male	NaN	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True
500	0	3	male	17.0	0	0	8.6625	S	Third	man	True	NaN	Southampton	no	True
501	0	3	female	21.0	0	0	7.7500	Q	Third	woman	False	NaN	Queenstown	no	True
502	0	3	female	NaN	0	0	7.6292	Q	Third	woman	False	NaN	Queenstown	no	True

2개 이상의 컬럼을 기준으로 값 정렬 할 수 있습니다.

In [33]:

df.sort_values(by=['fare', 'age']).head()

Out[33]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
302	0	3	male	19.0	0	0	0.0	S	Third	man	True	NaN	Southampton	no	True
271	1	3	male	25.0	0	0	0.0	S	Third	man	True	NaN	Southampton	yes	True
179	0	3	male	36.0	0	0	0.0	S	Third	man	True	NaN	Southampton	no	True
822	0	1	male	38.0	0	0	0.0	S	First	man	True	NaN	Southampton	no	True
806	0	1	male	39.0	0	0	0.0	S	First	man	True	A	Southampton	no	True

오름차순/내림차순 정렬도 컬럼 각각에 지정해 줄 수 있습니다.

In [34]:

df.sort_values(by=['fare', 'age'], ascending=[False, True]).head()

Out[34]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
258	1	1	female	35.0	0	0	512.3292	C	First	woman	False	NaN	Cherbourg	yes	True
737	1	1	male	35.0	0	0	512.3292	C	First	man	True	B	Cherbourg	yes	True
679	1	1	male	36.0	0	1	512.3292	C	First	man	True	B	Cherbourg	yes	False
27	0	1	male	19.0	3	2	263.0000	S	First	man	True	C	Southampton	no	False
88	1	1	female	23.0	3	2	263.0000	S	First	woman	False	C	Southampton	yes	False

연습문제¶

tips 데이터는 미국 레스토랑의 매출과 웨이터에게 지불한 팁을 나타내는 데이터입니다.

In [35]:

tips = sns.load_dataset('tips')
tips.head()

Out[35]:

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

• total_bill과 tip에 대한 내림차순 정렬을 해주세요
• 상위 10개만 출력하세요

In [37]:

# 코드를 입력해 주세요
tips.sort_values(by=['total_bill', 'tip'], ascending=[False, False]).head(10)

Out[37]: