융합_로보테크 AI 자율주행 로봇 개발자 과정-26/01/12

복습

파생변수 => 기존 변수 조합으로 새롭게 변수(시내+고속=>복합)
df['cty']+df['hwy']

...

 

mpg['total'].describe()

count    234.000000
mean      20.149573
std        5.050290
min       10.500000
25%       15.500000
50%       20.500000
75%       23.500000
max       39.500000
Name: total, dtype: float64

mpg['total'].plot.hist()

import numpy as np
#조건 where는 numpy에서 제공
#mpg['total']=np.where(조건식, 참일때,거짓일때)
mpg['test']=np.where(mpg['total'] >= 20,'pass','fail')
mpg.head()

manufacturermodeldisplyearcyltransdrvctyhwyflclasstotaltest01234

audi	a4	1.8	1999	4	auto(l5)	f	18	29	p	compact	23.5	pass
audi	a4	1.8	1999	4	manual(m5)	f	21	29	p	compact	25.0	pass
audi	a4	2.0	2008	4	manual(m6)	f	20	31	p	compact	25.5	pass
audi	a4	2.0	2008	4	auto(av)	f	21	30	p	compact	25.5	pass
audi	a4	2.8	1999	6	auto(l5)	f	16	26	p	compact	21.0	pass

count_test = mpg['test'].value_counts()

count_test.plot.bar(rot = 0)

mpg['grade'] = np.where(mpg['total'] >= 30, 'A',
               np.where(mpg['total'] >= 20, 'B', 'C'))

mpg.head()

audi	a4	1.8	1999	4	auto(l5)	f	18	29	p	compact	23.5	pass	B
audi	a4	1.8	1999	4	manual(m5)	f	21	29	p	compact	25.0	pass	B
audi	a4	2.0	2008	4	manual(m6)	f	20	31	p	compact	25.5	pass	B
audi	a4	2.0	2008	4	auto(av)	f	21	30	p	compact	25.5	pass	B
audi	a4	2.8	1999	6	auto(l5)	f	16	26	p	compact	21.0	pass	B

count_grade=mpg['grade'].value_counts()
count_grade

grade
B    118
C    106
A     10
Name: count, dtype: int64

count_grade.plot.bar(rot = 0)

count_grade=mpg['grade'].value_counts().sort_index()
count_grade

grade
A     10
B    118
C    106
Name: count, dtype: int64

count_grade.plot.bar(rot = 0)

mpg['grade2'] = np.where(mpg['total'] >= 30, 'A',
                np.where(mpg['total'] >= 25, 'B',
                np.where(mpg['total'] >= 30, 'C','D')))

 

mpg['size'] = np.where((mpg['class'] == 'compact')|(mpg['class'] == 'subcompact')|(mpg['class'] == '2seater'), 'small', 'large')
mpg['size'].value_counts()

size
large    147
small     87
Name: count, dtype: int64

책에선 category인데 왜 class일 때 동작?

mpg['size'] = np.where(mpg['class'].isin(['compact', 'subcompact', '2seater']), 'small', 'large')
mpg['size'].value_counts()

size
large    147
small     87
Name: count, dtype: int64

---

분석 도전

 

midwest.csv => 미국 동북중부 437개 지역 인구통계 정보

 

midwest.csv 불러와 데이터 특징 파악

midwest = pd.read_csv('midwest.csv')
midwest.head()
midwest.tail()
midwest.shape
midwest.info()
midwest.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 437 entries, 0 to 436
Data columns (total 28 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   PID                   437 non-null    int64  
 1   county                437 non-null    object 
 2   state                 437 non-null    object 
 3   area                  437 non-null    float64
 4   poptotal              437 non-null    int64  
 5   popdensity            437 non-null    float64
 6   popwhite              437 non-null    int64  
 7   popblack              437 non-null    int64  
 8   popamerindian         437 non-null    int64  
 9   popasian              437 non-null    int64  
 10  popother              437 non-null    int64  
 11  percwhite             437 non-null    float64
 12  percblack             437 non-null    float64
 13  percamerindan         437 non-null    float64
 14  percasian             437 non-null    float64
 15  percother             437 non-null    float64
 16  popadults             437 non-null    int64  
 17  perchsd               437 non-null    float64
 18  percollege            437 non-null    float64
 19  percprof              437 non-null    float64
 20  poppovertyknown       437 non-null    int64  
 21  percpovertyknown      437 non-null    float64
 22  percbelowpoverty      437 non-null    float64
 23  percchildbelowpovert  437 non-null    float64
 24  percadultpoverty      437 non-null    float64
 25  percelderlypoverty    437 non-null    float64
 26  inmetro               437 non-null    int64  
 27  category              437 non-null    object 
dtypes: float64(15), int64(10), object(3)
memory usage: 95.7+ KB

 

437.000000	437.000000	4.370000e+02	437.000000	4.370000e+02	4.370000e+02	437.000000	437.000000	437.000000	437.000000	...	437.000000	437.000000	437.000000	4.370000e+02	437.000000	437.000000	437.000000	437.000000	437.000000	437.000000
1437.338673	0.033169	9.613030e+04	3097.742985	8.183992e+04	1.102388e+04	343.109840	1310.464531	1612.931350	95.558441	...	73.965546	18.272736	4.447259	9.364228e+04	97.110267	12.510505	16.447464	10.918798	11.389043	0.343249
876.390266	0.014679	2.981705e+05	7664.751786	2.001966e+05	7.895827e+04	868.926751	9518.394189	18526.540699	7.087358	...	5.843177	6.261908	2.408427	2.932351e+05	2.749863	5.150155	7.228634	5.109166	3.661259	0.475338
561.000000	0.005000	1.701000e+03	85.050000	4.160000e+02	0.000000e+00	4.000000	0.000000	0.000000	10.694087	...	46.912261	7.336108	0.520291	1.696000e+03	80.902441	2.180168	1.918955	1.938504	3.547067	0.000000
670.000000	0.024000	1.884000e+04	622.407407	1.863000e+04	2.900000e+01	44.000000	35.000000	20.000000	94.886032	...	71.325329	14.113725	2.997957	1.836400e+04	96.894572	9.198715	11.624088	7.668009	8.911763	0.000000
1221.000000	0.030000	3.532400e+04	1156.208330	3.447100e+04	2.010000e+02	94.000000	102.000000	66.000000	98.032742	...	74.246891	16.797562	3.814239	3.378800e+04	98.169562	11.822313	15.270164	10.007610	10.869119	0.000000
2059.000000	0.038000	7.565100e+04	2330.000000	7.296800e+04	1.291000e+03	288.000000	401.000000	345.000000	99.074935	...	77.195345	20.549893	4.949324	7.284000e+04	98.598636	15.133226	20.351878	13.182182	13.412162	1.000000
3052.000000	0.110000	5.105067e+06	88018.396600	3.204947e+06	1.317147e+06	10289.000000	188565.000000	384119.000000	99.822821	...	88.898674	48.078510	20.791321	5.023523e+06	99.860384	48.691099	64.308477	43.312464	31.161972	1.000000

8 rows × 25 columns

 

poptotal 변수를 total로, popasian 변수를 asian으로 수정

midwest = midwest.rename(columns = {'poptotal' : 'total'})
midwest = midwest.rename(columns = {'popasian' : 'asian'})

 

total, asian 변수를 이용해 '전체 인구 대비 아시아 인구 백분율' 파생변수 추가, 히스토그램 만들기

midwest['ratio'] = midwest['asian'] / midwest['total'] * 100
midwest['ratio'].plot.hist()

 

아시아 인구 백분율 전체 평균, 평균 초과시 large, 그 외 small 부여한 파생변수 만들기

midwest['ratio'].mean()

np.float64(0.4872461834357345)

midwest['group'] = np.where(midwest['ratio'] > 0.4872, 'large', 'small')

 

large, small에 해당하는 지역이 얼마나 많은지 빈도표와 빈도 막대그래프 만들기

count_group = midwest['group'].value_counts()
count_group

group
small    318
large    119
Name: count, dtype: int64

count_group.plot.bar(rot = 0)

데이터 전처리: 분석에 적합하게 데이터를 가공하는 작업

query() 행추출

df[] 열(변수)추출

sort)values 정렬

groupby() 집단별로 나누기

assign() 변수 추가

agg() 통계치 구하기

merge() 데이터 합치기(열)

concat() 데이터 합치기(행)

 

df_exam=pd.read_excel('excel_exam.xlsx')
df_exam
df_exam.to_csv('exam_new.csv')

 

import pandas as pd
exam = pd.read_csv('exam.csv')
exam

1	1	50	98	50
2	1	60	97	60
3	1	45	86	78
4	1	30	98	58
5	2	25	80	65
6	2	50	89	98
7	2	80	90	45
8	2	90	78	25
9	3	20	98	15
10	3	50	98	45
11	3	65	65	65
12	3	45	85	32
13	4	46	98	65
14	4	48	87	12
15	4	75	56	78
16	4	58	98	65
17	5	65	68	98
18	5	80	78	90
19	5	89	68	87
20	5	78	83	58

 

exam.query('nclass == 1')

1	1	50	98	50
2	1	60	97	60
3	1	45	86	78
4	1	30	98	58

exam.query('nclass in [1,3,5]')

1	1	50	98	50
2	1	60	97	60
3	1	45	86	78
4	1	30	98	58
9	3	20	98	15
10	3	50	98	45
11	3	65	65	65
12	3	45	85	32
17	5	65	68	98
18	5	80	78	90
19	5	89	68	87
20	5	78	83	58

nclass1 = exam.query('nclass==1')
nclass2 = exam.query('nclass==2')
nclass1['math'].mean()

np.float64(46.25)

 

데이터 프레임 출력 제한 설정하기

모든 행 출력

pd.set_option('display.max_rows', None)

 

mpg 데이터 이용 분석

1. 자동차 배기량에 따른 고속도로 연비배기량 4이하, 5이상 자동차 중 연비 평균 더 높은 것 비교

mpg = pd.read_csv('mpg.csv')
mpg_a = mpg.query('displ <= 4')
mpg_b = mpg.query('displ >= 5')

 

mpg_a['hwy'].mean()

np.float64(25.96319018404908)

mpg_b['hwy'].mean()

np.float64(18.07894736842105)

 

2. 자동차 제조 회사에 따라 도시 연비 비교

mpg_audi = mpg.query('manufacturer == "audi"')
mpg_toyota = mpg.query('manufacturer == "toyota"')

 

mpg_audi['cty'].mean()

np.float64(17.61111111111111)

mpg_toyota['cty'].mean()

np.float64(18.529411764705884)

 

3. 자동차 고속도로 연비 평균 비교

mpg_new = mpg.query('manufacturer in ["chevrolet", "ford", "honda"]')
mpg_new['hwy'].mean()

np.float64(22.50943396226415)

 

필요한 변수 추출

exam['math']

0     50
1     60
2     45
3     30
4     25
5     50
6     80
7     90
8     20
9     50
10    65
11    45
12    46
13    48
14    75
15    58
16    65
17    80
18    89
19    78
Name: math, dtype: int64

exam[['nclass', 'math', 'english']]

1	50	98
1	60	97
1	45	86
1	30	98
2	25	80
2	50	89
2	80	90
2	90	78
3	20	98
3	50	98
3	65	65
3	45	85
4	46	98
4	48	87
4	75	56
4	58	98
5	65	68
5	80	78
5	89	68
5	78	83

 

변수 제거

exam.drop(columns = ['math', 'english'])

1	1	50
2	1	60
3	1	78
4	1	58
5	2	65
6	2	98
7	2	45
8	2	25
9	3	15
10	3	45
11	3	65
12	3	32
13	4	65
14	4	12
15	4	78
16	4	65
17	5	98
18	5	90
19	5	87
20	5	58

 

pandas 함수 조합

 

exam.query('nclass ==1')[['english']]

 

exam11=exam.query('nclass ==1')[['english', 'math']]
exam11

 

150p Q2

mpg = pd.read_csv('mpg.csv')
mpg_new = mpg[['class', 'cty']]

mpg_new.query('`class` == "suv"')['cty'].mean()

np.float64(13.5)

mpg_new.query('`class` == "compact"')['cty'].mean()

np.float64(20.127659574468087)

 

정렬

exam.sort_values('math')

 

내림차순

exam.sort_values('math', ascending = False)

 

여러 정렬 기준 적용

exam.sort_values(['nclass', 'math'])

 

파생변수 추가

exam.assign(
    total = exam['math'] + exam['english'] + exam['science'],
    mean = (exam['math'] + exam['english'] + exam['science']) / 3)

1	1	50	98	50	198	66.000000
2	1	60	97	60	217	72.333333
3	1	45	86	78	209	69.666667
4	1	30	98	58	186	62.000000
5	2	25	80	65	170	56.666667
6	2	50	89	98	237	79.000000
7	2	80	90	45	215	71.666667
8	2	90	78	25	193	64.333333
9	3	20	98	15	133	44.333333
10	3	50	98	45	193	64.333333
11	3	65	65	65	195	65.000000
12	3	45	85	32	162	54.000000
13	4	46	98	65	209	69.666667
14	4	48	87	12	147	49.000000
15	4	75	56	78	209	69.666667
16	4	58	98	65	221	73.666667
17	5	65	68	98	231	77.000000
18	5	80	78	90	248	82.666667
19	5	89	68	87	244	81.333333
20	5	78	83	58	219	73.000000

 

df.assign에 np.where() 적용

exam.assign(test=np.where(exam['math']>50,'pass','fail')).sort_values('test')

 

lambda 이용 데이터 프레임명 줄이기

long_name = pd.read_csv('exam.csv')
long_name.assign(new = long_name['math'] + long_name['english'] + long_name['science'])
long_name.assign(new = lambda x: x['math'] + x['english'] + x['science'])

 

앞에서 만든 변수 활용 다시 변수 만들기

exam.assign(total = exam['math'] + exam['english'] + exam['science'], mean = lambda x: x['total'] / 3)

exam.assign(total = lambda x: x['math'] + x['english'] + x['science'], mean = lambda x: x['total'] / 3)

 

mpg 데이터 분석 문제 해결

mpg 데이터 복사본 만들기 + cty hwy 더한 합산 연비 변수 추가

mpg = pd.read_csv('mpg.csv')
mpg_new = mpg.copy()
mpg_new = mpg_new.assign(total = mpg_new['cty'] + mpg_new['hwy'])

 

합산 연비 변수 / 2 => 평균 연비 변수 추가

mpg_new = mpg_new.assign(mean = mpg_new['total'] / 2)

 

평균 연비 변수 TOP3 데이터 출력

mpg_new.sort_values('mean', ascending = False).head(3)

 

앞 문제 해결 가능한 하나로 연결된 pandas 구문 만들기, 데이터는 원본으로mpg.assign(total = lambda x: x['cty'] + x['hwy'],
           mean = lambda x: x['total'] / 2) \
    .sort_values('mean', ascending = False) \
    .head(3)

volkswagen	new beetle	1.9	1999	4	manual(m5)	f	35	44	d	subcompact	79	39.5
volkswagen	jetta	1.9	1999	4	manual(m5)	f	33	44	d	compact	77	38.5
volkswagen	new beetle	1.9	1999	4	auto(l4)	f	29	41	d	subcompact	70	35.0

 

집단별 요약

nclass 별로 분리하여 math 평균 구하기

exam.groupby('nclass') \
    .agg(mean_math = ('math', 'mean'))

 

exam.groupby('nclass', as_index=False).agg(mean_math = ('math', 'sum'))

 

mpg.groupby(['manufacturer', 'drv']).agg(mean_cty = ('cty', 'mean'))

 

mpg.query('manufacturer == "audi"').groupby('drv').agg(n=('drv', 'count'))

pandas 함수 조합하기

Q제조 회사별 'suv' 자동차의 도시 및 고속도로 합산 연비 평균을 구해 내림차순으로 정렬하고, 1~5위까지 출력하기

suv 추출 - query()

합산 연비 변수 만들기 - assign()

회사별로 분리 - groupby()

합산 연비 평균 구하기 - agg()

내림차순 정렬 - sort_values()

1~5위까지 출력 - head()

 

---

----이전까지 작성하던 파일 날라감----

 

----선 그래프 복사해서 tistory에 붙이면 에러 남----

 

----노트북에서 결과 그래프 copy 그대로 하지 말것----

 

----임시저장 눌러도 이전까지(2시간 작성) 삭제됨----

---

 

선 그래프

economics = pd.read_csv('economics.csv')
economics.head()

1967-07-01	506.7	198712.0	12.6	4.5	2944
1967-08-01	509.8	198911.0	12.6	4.7	2945
1967-09-01	515.6	199113.0	11.9	4.6	2958
1967-10-01	512.2	199311.0	12.9	4.9	3143
1967-11-01	517.4	199498.0	12.8	4.7	3066

sns.lineplot(data = economics, x = 'date', y = 'unemploy')

 

economics['date2'] = pd.to_datetime(economics['date'])
economics.info()

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 574 entries, 0 to 573
Data columns (total 7 columns):
 #   Column    Non-Null Count  Dtype         
---  ------    --------------  -----         
 0   date      574 non-null    object        
 1   pce       574 non-null    float64       
 2   pop       574 non-null    float64       
 3   psavert   574 non-null    float64       
 4   uempmed   574 non-null    float64       
 5   unemploy  574 non-null    int64         
 6   date2     574 non-null    datetime64[ns]
dtypes: datetime64[ns](1), float64(4), int64(1), object(1)
memory usage: 31.5+ KB

economics[['date', 'date2']]

1967-07-01	1967-07-01
1967-08-01	1967-08-01
1967-09-01	1967-09-01
1967-10-01	1967-10-01
1967-11-01	1967-11-01
...	...
2014-12-01	2014-12-01
2015-01-01	2015-01-01
2015-02-01	2015-02-01
2015-03-01	2015-03-01
2015-04-01	2015-04-01

economics['year'] = economics['date2'].dt.year
economics.head()

1967-07-01	506.7	198712.0	12.6	4.5	2944	1967-07-01	1967
1967-08-01	509.8	198911.0	12.6	4.7	2945	1967-08-01	1967
1967-09-01	515.6	199113.0	11.9	4.6	2958	1967-09-01	1967
1967-10-01	512.2	199311.0	12.9	4.9	3143	1967-10-01	1967
1967-11-01	517.4	199498.0	12.8	4.7	3066	1967-11-01	1967

sns.lineplot(data = economics, x = 'year', y = 'unemploy')

import pandas as pd
import numpy as np
import seaborn as sns

 

raw_welfare = pd.read_spss('beta2.sav')
welfare = raw_welfare.copy()

 

welfare
welfare.shape
welfare.info()
welfare.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14418 entries, 0 to 14417
Columns: 830 entries, h14_id to h14_pers_income5
dtypes: float64(826), object(4)
memory usage: 91.3+ MB

 

14418.000000	14418.000000	14418.000000	1.441800e+04	14418.000000	121.000000	11513.000000	11513.000000	11513.000000	11513.000000	...	2027.000000	2027.000000	2027.000000	2027.000000	2027.000000	2659.000000	3331.000000	989.000000	14418.000000	715.000000
4672.108406	3.121723	1.004855	4.672140e+07	0.201484	2.256198	1.000000	1.000000	4484.952219	4484.952541	...	3.211643	3.743957	3.513567	4.100641	3.233350	4141.380594	1389.440408	3457.835187	2.038702	1183.292308
2792.998128	3.297963	0.143205	2.793014e+07	0.401123	1.675952	0.906021	1.016782	4063.459773	4560.218659	...	2.174768	3.138629	1.045929	0.937712	1.289456	2583.755449	1211.910836	6619.516319	32.965477	2147.418274
2.000000	1.000000	1.000000	2.010100e+04	0.000000	1.000000	0.001998	0.000000	8.960093	0.000000	...	1.000000	1.000000	1.000000	1.000000	1.000000	0.000000	0.000000	-47000.000000	0.000000	-10600.000000
2356.000000	1.000000	1.000000	2.356030e+07	0.000000	1.000000	0.341814	0.269286	1533.021553	1207.736094	...	1.000000	2.000000	3.000000	4.000000	2.000000	2448.000000	391.500000	1000.000000	0.000000	206.000000
4535.000000	1.000000	1.000000	4.535010e+07	0.000000	2.000000	0.726304	0.704045	3257.436901	3157.609630	...	3.000000	3.000000	4.000000	4.000000	3.000000	3540.000000	1116.000000	2498.000000	0.000000	530.000000
6616.000000	7.000000	1.000000	6.616010e+07	0.000000	2.000000	1.366071	1.390045	6126.762919	6234.287538	...	5.000000	5.000000	4.000000	5.000000	4.000000	5378.500000	2040.000000	4687.000000	0.000000	1295.000000
9800.000000	14.000000	9.000000	9.800070e+07	1.000000	7.000000	4.727006	5.790039	21200.393903	25968.049029	...	9.000000	99.000000	9.000000	9.000000	9.000000	22700.000000	11500.000000	170000.000000	3000.000000	22644.000000

8 rows × 826 columns

 

변수 이름 변경

welfare = welfare.rename(
    columns = {'h14_g3':'sex',
               'h14_g4':'birth',
               'h14_g10':'marriage_type',
               'h14_g11':'religion',
               'p1402_8aq1':'income',
               'h14_eco9':'code_job',
               'h14_reg7':'code_region'})

 

성별 변수 검토 및 전처리

welfare['sex'].value_counts()

sex
2.0    7913
1.0    6505
Name: count, dtype: int64

welfare['sex'] = np.where(welfare['sex'] == 1, 'male', 'female')
welfare['sex'].value_counts()

sex
female    7913
male      6505
Name: count, dtype: int64

월급 변수 검토 및 전처리

welfare['income'].dtypes
welfare['income'].describe()

count    4534.000000
mean      268.455007
std       198.021206
min         0.000000
25%       150.000000
50%       220.000000
75%       345.750000
max      1892.000000
Name: income, dtype: float64

sns.histplot(data = welfare, x = 'income')

sex_income = welfare.dropna(subset = 'income').groupby('sex', as_index = False).agg(mean_income = ('income', 'mean'))
sex_income

sns.barplot(data = sex_income, x = 'sex', y = 'mean_income')

나이 변수 검토 및 전처리 하기

welfare['birth'].dtypes
welfare['birth'].describe()

count    14418.000000
mean      1969.280205
std         24.402250
min       1907.000000
25%       1948.000000
50%       1968.000000
75%       1990.000000
max       2018.000000
Name: birth, dtype: float64

sns.histplot(data = welfare, x = 'birth')

파생변수 만들기

welfare = welfare.assign(age = 2019 - welfare['birth'] +1)
welfare['age'].describe()

count    14418.000000
mean        50.719795
std         24.402250
min          2.000000
25%         30.000000
50%         52.000000
75%         72.000000
max        113.000000
Name: age, dtype: float64

sns.histplot(data = welfare, x = 'age')

나이와 월급의 관계 분석하기

age_income = welfare.dropna(subset = 'income').groupby('age').agg(mean_income = ('income', 'mean'))
age_income.head()

sns.lineplot(data = age_income, x = 'age', y = 'mean_income')

연령대 변수 검토 및 전처리

welfare['age'].head()

0    75.0
1    72.0
2    78.0
3    58.0
4    57.0
Name: age, dtype: float64

welfare = welfare.assign(ageg = np.where(welfare['age'] < 30, 'young', np.where(welfare['age'] <= 59, 'middle', 'old')))
welfare['ageg'].value_counts()

ageg
old       5955
middle    4963
young     3500
Name: count, dtype: int64

sns.countplot(data = welfare, x = 'ageg')

연령대에 따른 월급 차이 분석

ageg_income = welfare.dropna(subset = 'income').groupby('ageg', as_index = False).agg(mean_income = ('income', 'mean'))
ageg_income

sns.barplot(data = ageg_income, x = 'ageg', y = 'mean_income')

sns.barplot(data = ageg_income, x = 'ageg', y = 'mean_income', order = ['young', 'middle', 'old'])

연령대 및 성별 월급 차이 분석

 

sex_income = welfare.dropna(subset = 'income').groupby(['ageg', 'sex'], as_index = False).agg(mean_income = ('income', 'mean'))
sex_income

sns.barplot(data = sex_income, x = 'ageg', y = 'mean_income', hue = 'sex', order = ['young', 'middle', 'old'])

나이 및 성별 월급 차이 분석

sex_age = welfare.dropna(subset = 'income').groupby(['age', 'sex'], as_index = False).agg(mean_income = ('income', 'mean'))
sex_age.head()

sns.lineplot(data = sex_age, x = 'age', y = 'mean_income', hue = 'sex')

260112.ipynb

1.31MB