데이터 사이언스 및 예측 모델링 실습

# 고급 데이터 사이언스에 필요한 라이브러리들을 import 하세요
# pandas, numpy, matplotlib.pyplot, seaborn
# datetime에서 datetime, timedelta
# sklearn.model_selection에서 train_test_split, GridSearchCV, cross_val_score
# sklearn.ensemble에서 RandomForestRegressor, RandomForestClassifier, GradientBoostingRegressor, VotingRegressor, IsolationForest
# sklearn.linear_model에서 LinearRegression, LogisticRegression, Ridge, Lasso
# sklearn.svm에서 SVR, SVC
# sklearn.neighbors에서 KNeighborsRegressor
# sklearn.cluster에서 KMeans, DBSCAN
# sklearn.preprocessing에서 StandardScaler, LabelEncoder, MinMaxScaler
# sklearn.metrics에서 mean_squared_error, r2_score, classification_report, confusion_matrix, silhouette_score
# sklearn.feature_selection에서 SelectKBest, f_regression
# sklearn.decomposition에서 PCA
# sklearn.metrics.pairwise에서 cosine_similarity
# warnings를 ignore 설정하세요

# 한글 폰트와 그래프 스타일을 설정하세요
# matplotlib의 폰트를 'DejaVu Sans'로 설정
# seaborn 스타일을 'seaborn-v0_8'로 설정

# "=== 데이터 사이언스 및 예측 모델링 실습 ===" 출력

# 1. 다음 7개 CSV 파일을 모두 로딩하세요:
# - olist_customers_dataset.csv → customers_df
# - olist_orders_dataset.csv → orders_df
# - olist_order_items_dataset.csv → order_items_df
# - olist_order_reviews_dataset.csv → reviews_df
# - olist_order_payments_dataset.csv → payments_df
# - olist_products_dataset.csv → products_df
# - olist_sellers_dataset.csv → sellers_df

# 각 데이터프레임의 shape을 출력하여 전체 데이터 규모를 확인하세요