Skip to main content

판다스에서 날짜/시간 다루기

날짜/시간 기본​

하나의 날짜/시간​

import pandas as pd
date = pd.to_datetime('2022-08-29')

월

date.month

요일

date.day_of_week

자료형

type(date)

시간 간격​

delta = pd.to_timedelta([1, 2, 3], 'D')
date + delta

날짜로 인덱싱​

데이터 만들기

index = pd.DatetimeIndex(['2014-07-04', '2014-08-04', '2015-07-04', '2015-08-04'])
data = pd.Series([100, 200, 300, 400], index=index)

일정 기간 데이터

data['2014-07-04':'2015-07-04']

특정 시점의 데이터

data['2015']

알파벳 주가 데이터​

df = pd.read_excel('GOOG.xlsx')
df.head()

Date 컬럼은 날짜, Price 컬럼은 주가(종가)

df.head()는 데이터의 앞부분을 보여줌. df.tail()은 뒷부분을 보여줌.

df.Date = pd.to_datetime(df.Date)

문자열을 날짜 시간 형식으로 변환

df.set_index('Date', inplace=True)

Date 컬럼을 인덱스(행 이름)으로 변환

inplace=True: 원본을 변환, 생략하면 Date가 index로 설정된 새로운 데이터를 만듦

df.loc['2015-01-02':'2015-01-07']

인덱스를 이용해 특정 기간의 데이터를 뽑아냄

정렬 & 시각화​

df.sort_index(inplace=True)

인덱스를 순서대로(오름차순) 정렬

df.sort_index(ascending=False)

인덱스를 역순(내림차순) 정렬

df.Price.plot()

시각화

변화량 구하기​

df.Price.diff()

차분(differencing): 전일과 차이 구하기

점점 더 폭이 커지는 이유는 주가가 올라서 같은 비율의 변동도 가격 차이가 더 커지기 때문

df.Price.pct_change()

전일과 차이의 비율 구하기

대부분의 경우 일정 비율 내에서 변동하는 것을 볼 수 있음

2020년 초 주가의 변동성이 커진 것을 볼 수 있음

일정 간격으로 데이터 뽑기​

df.Price.asfreq('M')

asfreq는 일정한 간격(frequency)으로 데이터를 뽑아냄

.asfreq('M')은 매월 말일 주가

그래프 겹쳐 그리기​

.plot을 같은 셀에서 실행하면 그래프가 겹쳐서 그려짐

df.Price.plot(alpha=0.3)
df.Price.asfreq('BA').plot(color='red', style='o-')

빈 데이터 채우기​

2016-12-31의 전후 날짜 데이터

df.Price['2016-12-30':'2017-01-03']

2016년 12월 31일~2017년 1월 2일까지 비어있음

해당 날짜의 데이터가 비어있을 경우 이전(forward)의 데이터로 채우기

df.Price.asfreq('A', method='ffill')

해당 날짜의 데이터가 비어있을 경우 이후(back)의 데이터로 채우기

df.Price.asfreq('A', method='bfill')

리샘플 resample​

특정 시점 간격으로 데이터를 종합 아래는 가격을 매년 초(AS)를 기준으로 잘라, 연 평균 가격을 계산

df.Price.resample('AS').mean()

이동 평균​

rolling = df.Price.rolling(365, center=True)

rolling을 이용해서 매 365일 간격의 데이터를 묶음

이동 평균은 평균을 마지막 날짜에 표시하므로, 그래프를 그리면 뒤로 밀려서 보임.

center=True를 하면 중심에 맞춰 그림

rolling.mean().plot()

각 묶음별로 평균

자전거 대여소 데이터​

미국 시애틀 Fremont 브릿지 자전거 대여소 데이터

data = pd.read_csv(
    'bicycle.csv', 
    index_col='Date',  # Date 컬럼을 인덱스로 지정
    parse_dates=True)  # 자동으로 날짜 처리
data.head()

시각화​

편의를 위해 컬럼 이름 변경

data.columns = ['Total', 'East', 'West']

시각화

data.plot()

주 단위 합계 시각화

data.resample('W').sum().plot()

이동 평균​

일단위 합계의 30일 이동 평균

daily = data.resample('D').sum()
daily.rolling(30, center=True).mean().plot()

가까운 날짜에 더 많은 가중치를 주고, 먼 날짜에 적은 가중치를 주는 방식

roll = daily.rolling(30, center=True, win_type='gaussian')
roll.sum(std=10).plot()

시간대별 평균​

시간별(data.index.hour)로 데이터를 모아(groupby) 평균

by_time = data.groupby(data.index.hour).mean()
by_time.plot()

가로 눈금을 3시간 간격으로​

import numpy as np
hourly_ticks = 3 * np.arange(8)
by_time.plot(xticks=hourly_ticks, style=[':', '--', '-'])

요일별 평균​

by_weekday = data.groupby(data.index.dayofweek).mean()
by_weekday.index = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
by_weekday.plot()

주중과 주말의 비교​

주중과 주말, 시간대별로 나누어 평균

import numpy as np
weekend = np.where(data.index.weekday < 5, 'Weekday', 'Weekend')
by_time = data.groupby([weekend, data.index.hour]).mean()

비교 시각화

by_time.loc['Weekday'].plot(xticks=hourly_ticks)
by_time.loc['Weekend'].plot(xticks=hourly_ticks)

하나의 그래프에 합쳐 그리기​

하나의 셀에 실행

import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2, figsize=(14, 5))
by_time.loc['Weekday'].plot(ax=ax[0], title='Weekdays', xticks=hourly_ticks)
by_time.loc['Weekend'].plot(ax=ax[1], title='Weekends', xticks=hourly_ticks)