데이터 분석을 위한 Pandas: 9. 시간 데이터 처리

Pandas는 시간 데이터를 효과적으로 다룰 수 있는 강력한 기능을 제공합니다. 시계열 데이터 분석, 날짜 범위 생성, 시간대 변환 등 다양한 작업을 수행할 수 있습니다

 시간 데이터 생성

# python
import pandas as pd
import numpy as np

# 날짜 범위 생성
dates = pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')

# 특정 기간 동안의 날짜 생성
dates_month = pd.date_range(start='2023-01-01', periods=30, freq='D')

# 시계열 데이터 생성
ts = pd.Series(np.random.randn(len(dates)), index=dates)
#

 시간 데이터 파싱

# python
# 문자열을 datetime으로 변환
dates = pd.to_datetime(['2023-01-01', '2023-02-15', '2023-03-30'])

# 다양한 형식의 날짜 파싱
dates = pd.to_datetime(['01/01/2023', '15-Feb-2023', '2023.03.30'], format='mixed')
#

 시간 데이터 속성 접근

# python
df = pd.DataFrame({'date': pd.date_range(start='2023-01-01', periods=5)})

print(df['date'].dt.year)
print(df['date'].dt.month)
print(df['date'].dt.day)
print(df['date'].dt.dayofweek)
print(df['date'].dt.quarter)
#

 시간 데이터 연산

# python
# 날짜 더하기/빼기
df['next_week'] = df['date'] + pd.Timedelta(days=7)
df['last_month'] = df['date'] - pd.DateOffset(months=1)

# 두 날짜 사이의 차이
df['days_diff'] = (df['next_week'] - df['date']).dt.days
#

 시간 데이터 리샘플링

# python 
ts = pd.Series(np.random.randn(1000), index=pd.date_range('2023-01-01', periods=1000, freq='D'))

# 월별 평균
monthly_mean = ts.resample('M').mean()

# 주별 합계
weekly_sum = ts.resample('W').sum()
#

 시간대 처리

# python
from pytz import timezone

# 시간대 설정
df['date_utc'] = df['date'].dt.tz_localize('UTC')

# 시간대 변환
df['date_kst'] = df['date_utc'].dt.tz_convert('Asia/Seoul')
#

 시계열 데이터 이동 및 변화율 계산

# python
# 이동 평균
ts_rolling = ts.rolling(window=7).mean()

# 변화율 계산
ts_pct_change = ts.pct_change()
#

 기간 데이터 처리

# python
# 기간 생성
periods = pd.period_range('2023-01', periods=12, freq='M')

# 기간 데이터프레임 생성
df_periods = pd.DataFrame({'period': periods, 'value': np.random.randn(12)})

# 기간 데이터 연산
df_periods['next_period'] = df_periods['period'] + 1
#

 시간 기반 인덱싱 및 슬라이싱

# python
# 특정 날짜 데이터 선택
print(ts['2023-06-01'])

# 날짜 범위 선택
print(ts['2023-06-01':'2023-06-30'])

# 특정 연도의 데이터 선택
print(ts['2023'])
#

이러한 시간 데이터 처리 기능을 활용하면 시계열 분석, 금융 데이터 처리, 로그 분석 등 다양한 분야에서 효과적으로 데이터를 다룰 수 있습니다. Pandas의 시간 데이터 처리 기능은 복잡한 시계열 데이터를 쉽게 다룰 수 있게 해주며, 데이터 분석 작업을 크게 간소화합니다.

#파이썬 #Python #데이터분석 #dataanalysis #시간데이터처리 #pandas #time-series #datetime #date-operations #시계열