판다스의 시간 표시 방식 중 자주 이용되는 두가지 유형
1. Timestamp
2. PeroidTimestamp vs Period 차이
pd.Timestamp()와 pd.Period()는 차이가 있다. Timestamp는 한 시점을 뜻하고, Period는 1일의 시작 시점부터 종료 시점까지의 범위를 포괄한다.
1. 다른 자료형을 시계열 객체로 변환
1-1. 문자열을 Timestamp로 변환
padnas 내장함수 to_datetime() 함수import pandas as pd
df = pd.read_csv(r'C:\Users\kjt63\OneDrive\바탕 화면\python\data_analysis\sample\part5\stock-data.csv')
print(df.head())
print('\n')
print(df.info())
print('\n')
df['new_Date']= pd.to_datetime(df['Date'])
print(df.head())
print('\n')
print(df.info())
print(type(df['new_Date'][0]))
df.set_index('new_Date',inplace=True)
df.drop('Date',axis=1,inplace=True)
print(df.head())1-2. Timestamp를 Period로 변환
-
판다스의 to_period()함수를 이용하면 timestamp 객체를 일정한 기간을 나타내는 period 객체로 변환할 수 있다.
-
to_period() 함수를 사용할 때 freq옵션에 기준이 되는 기간을 설정한다.
ex) freq='D' -> 1일 , 'M' -> 1개월, 'A' -> 1년
import pandas as pd
dates = ['2019-04-02','2020-10-01','2021-08-30']
ts_dates = pd.to_datetime(dates)
print(ts_dates)
print('\n')
pr_day = ts_dates.to_period(freq='D')
print(pr_day)
pr_month = ts_dates.to_period(freq='M')
print(pr_month)
pr_year = ts_dates.to_period(freq='A')
print(pr_year)2. 시계열 데이터 만들기
- timestamp 배열
- 판다스 date_range()함수를 사용하면 여러 개의 날짜(timestamp)가 들어있는 배열 형태의 시계열 데이터를 만들 수 있다.
import pandas as pd
ts_ms = pd.date_range(start='2021-01-01', # 날짜 범위 시작
end=None, # 날짜 범위 끝
periods=6, # 생성할 timestamp 개수
freq='MS', # 시간 간격(MS=월초)
tz='Asia/Seoul') # 시간대(timezone)
print(ts_ms)
ts_ms2 = pd.date_range(start='2021-01-01', # 날짜 범위 시작
end=None, # 날짜 범위 끝
periods=6, # 생성할 timestamp 개수
freq='3MS', # 시간 간격(MS=월초)
tz='Asia/Seoul') # 시간대(timezone)
print(ts_ms2)
# freq옵션을 M으로 설정하면 월의 마지막 날짜를 생성한다.
ts_ms3 = pd.date_range(start='2021-08-01',end=None, periods=3, freq='M')
print(ts_ms3)
ts_ms4 = pd.date_range(start='2021-01-01',end=None, periods=5, freq='3M')
print(ts_ms4)
- period 배열
- period_range()함수는 여러개의 기간(period)이 들어있는 시계열 데이터를 만든다.
import pandas as pd
pr_m = pd.period_range(start='2019-01-01',end=None,periods=3,freq='M')
print(pr_m)
# freq='H' -> 1시간 간격
pr_h = pd.period_range(start='2019-01-01',end=None,periods=3,freq='H')
print(pr_h)
# freq='2H' -> 2시간 간격
pr_2h = pd.period_range(start='2019-01-01',end=None,periods=3,freq='2H')
print(pr_2h)
3. 시계열 데이터 활용
- 날짜 데이터 분리
- 연-월-일 날짜 데이터에서 dt 속성을 이용하여 일부를 분리하여 추출할 수 있다.
import pandas as pd
df = pd.read_csv(r'C:\Users\kjt63\OneDrive\바탕 화면\python\data_analysis\sample\part5\stock-data.csv')
df['new Date'] = pd.to_datetime(df['Date'])
df.drop('Date',axis=1,inplace=True)
# dt속성을 이용하여 new_Date 열의 연-월-일 정보를 연,월,일로 구분
df['Year'] = df['new Date'].dt.year
df['Month'] = df['new Date'].dt.month
df['Day'] = df['new Date'].dt.day
print(df)
# timestamp를 period로 변환하여 연-월-일 표기변경
df['Date_yr'] = df['new Date'].dt.to_period(freq='A')
df['Date_m'] = df['new Date'].dt.to_period(freq='M')
df['Date_d'] = df['new Date'].dt.to_period(freq='D')
print(df)
Close Start High Low Volume new Date Year Month Day 0 10100 10850 10900 10000 137977 2018-07-02 2018 7 2 1 10700 10550 10900 9990 170253 2018-06-29 2018 6 29 2 10400 10900 10950 10150 155769 2018-06-28 2018 6 28 3 10900 10800 11050 10500 133548 2018-06-27 2018 6 27 4 10800 10900 11000 10700 63039 2018-06-26 2018 6 26 5 11150 11400 11450 11000 55519 2018-06-25 2018
Close Start High Low Volume new Date Year Month Day Date_yr Date_m Date_d 0 10100 10850 10900 10000 137977 2018-07-02 2018 7 2 2018 2018-07 2018-07-02 1 10700 10550 10900 9990 170253 2018-06-29 2018 6 29 2018 2018-06 2018-06-29 2 10400 10900 10950 10150 155769 2018-06-28 2018 6 28 2018 2018-06 2018-06-28 3 10900 10800 11050 10500 133548 2018-06-27 2018 6 27 2018 2018-06 2018-06-27 4 10800 10900 11000 10700 63039 2018-06-26 2018 6 26 2018 2018-06 2018-06-26 5 11150 11400 11450 11000 55519 2018-06-25 2018 6 25 2018 2018-06 2018-06-25
- 날짜 인덱스 활용
- timestamp로 구성된 열을 행인덱스로 지정하면 DatetimeIndex라는 고유 속성으로 변환된다.
마찬가지로 period로 구성된 열을 행인덱스로 지정하면 PeriodIndex라는 속성을 갖는다.
import pandas as pd
df = pd.read_csv(r'C:\Users\kjt63\OneDrive\바탕 화면\python\data_analysis\sample\part5\stock-data.csv')
df['new Date'] = pd.to_datetime(df['Date'])
df.set_index('new Date',inplace=True)
df.drop('Date',axis=1,inplace=True)
print(df.head())
print(df.index)
Close Start High Low Volume new Date 2018-07-02 10100 10850 10900 10000 137977 2018-06-29 10700 10550 10900 9990 170253 2018-06-28 10400 10900 10950 10150 155769 2018-06-27 10900 10800 11050 10500 133548 2018-06-26 10800 10900 11000 10700 63039 DatetimeIndex(['2018-07-02', '2018-06-29', '2018-06-28', '2018-06-27', '2018-06-26', '2018-06-25', '2018-06-22', '2018-06-21', '2018-06-20', '2018-06-19', '2018-06-18', '2018-06-15', '2018-06-14', '2018-06-12', '2018-06-11', '2018-06-08', '2018-06-07', '2018-06-05', '2018-06-04', '2018-06-01'], dtype='datetime64[ns]', name='new Date', freq=None)
- 날짜 인덱스를 사용하면 연-월-일 중에서 내가 필요로 하는 레벨을 선택적으로 인덱싱할 수 있다.
예를들어, df['2018'] 과 같이 추출하려는 날짜를 입력하면 해당 날짜에 해당하는 모든 행을 선택할 수 있다.
! 행선택은 iloc이나 loc과같은 메소드를 사용해야하지만 시계열데이터는 예외인듯 하다. 사용해도 상관은 없다.
df_y = df.loc['2018']
print(df_y.head())
print('\n')
df_m = df.loc['2018-07']
print(df_m.head())
print('\n')
df_m_cols = df.loc['2018-07','Start':'High']
print('\n')
print(df_m_cols)
print('\n')
df_md = df.loc['2018-07-02']
print(df_md)
print('\n')
df_d_range = df.loc['2018-06-19':'2018-06-25']
Close Start High Low Volume new Date 2018-07-02 10100 10850 10900 10000 137977 2018-06-29 10700 10550 10900 9990 170253 2018-06-28 10400 10900 10950 10150 155769 2018-06-27 10900 10800 11050 10500 133548 2018-06-26 10800 10900 11000 10700 63039
Close Start High Low Volume new Date 2018-07-02 10100 10850 10900 10000 137977
Start High new Date 2018-07-02 10850 10900 Close Start High Low Volume new Date 2018-07-02 10100 10850 10900 10000 137977
Close Start High Low Volume new Date 2018-06-25 11150 11400 11450 11000 55519 2018-06-22 11300 11250 11450 10750 134805 2018-06-21 11200 11350 11750 11200 133002 2018-06-20 11550 11200 11600 10900 308596
- timestamp 객체로 표시된 두 날짜 사이의 시간간격을 구할 수 있다.
today = pd.to_datetime('2018-12-25')
df['time delta'] = today - df.index
df.set_index('time delta',inplace=True)
print(df)
df_180 = df.loc['180 days':'189 days']
print(df_180)
time delta 180 days 10400 10900 10950 10150 155769 181 days 10900 10800 11050 10500 133548 182 days 10800 10900 11000 10700 63039 183 days 11150 11400 11450 11000 55519 186 days 11300 11250 11450 10750 134805 187 days 11200 11350 11750 11200 133002 188 days 11550 11200 11600 10900 308596 189 days 11300 11850 11950 11300 180656
