🧭 시계열 데이터 분석 with Python & Pandas

1. Python 기본 Datetime 모듈 이해

1.1 Datetime이란?

날짜(date)와 시간(time)을 조합해 처리하는 Python 표준 라이브러리.
datetime 모듈을 사용하면 연도, 월, 일, 시, 분, 초 단위의 데이터를 정밀하게 다룰 수 있다.

import datetime as dt

# 날짜 정의
my_date = dt.date(2020, 3, 22)
print(my_date)          # 2020-03-22
print(type(my_date))    # <class 'datetime.date'>

# 날짜 + 시간
my_datetime = dt.datetime(2020, 3, 22, 8, 20, 50)
print(my_datetime)      # 2020-03-22 08:20:50
print(my_datetime.hour) # 8
print(my_datetime.minute) # 20

핵심 개념

• date → 날짜만 포함
• datetime → 날짜 + 시간 모두 포함
• .year, .month, .day, .hour, .minute 등의 속성으로 구성요소 접근 가능

---

1.2 문자열 ↔ Datetime 변환

# datetime → 문자열
str(my_datetime)  # '2020-03-22 08:20:50'

# 문자열 → datetime
converted = dt.datetime.strptime('2020-03-22', '%Y-%m-%d')
print(converted)

---

1.3 달력 정보 확인

import calendar
print(calendar.month(2021, 3))

---

2. Pandas에서의 Datetime 처리

2.1 문자열을 Datetime으로 변환

import pandas as pd

dates = pd.Series(['2020/03/22', '2020-08-25', 'March 22nd, 2020'])
pd.to_datetime(dates)

다양한 형식의 문자열도 일관된 datetime64 형식으로 자동 변환된다.

---

2.2 Timestamp와 DatetimeIndex

# Timestamp 정의
ts = pd.Timestamp(2020, 3, 22, 10)
print(ts)

# 날짜 차이 계산
day_1 = pd.Timestamp(1998, 3, 22)
day_2 = pd.Timestamp(2021, 3, 22)
print(day_2 - day_1)  # 8401 days

DatetimeIndex 만들기

dates_list = [
    dt.date(2020, 3, 22),
    dt.date(2020, 4, 22),
    dt.date(2020, 5, 22)
]
date_index = pd.DatetimeIndex(dates_list)

---

2.3 DatetimeIndex를 인덱스로 하는 Series

sales = [50000, 65000, 72000]
sales_series = pd.Series(data=sales, index=date_index)
print(sales_series)

이제 시계열 데이터 분석이 가능한 형태가 된다.

---

3. 날짜 범위 생성 및 Resample 기본

3.1 날짜 범위 생성

my_days = pd.date_range(start='2020-01-01', end='2020-04-01', freq='D')
print(len(my_days))  # 92일

주요 옵션

• 'D': 일 단위
• 'M': 월 말일
• 'B': 평일(영업일)만
• 'W': 주 단위
• 'Q': 분기 단위

---

3.2 영업일만 포함한 날짜

business_days = pd.date_range('2020-01-01', '2020-04-01', freq='B')
print(business_days)

---

4. 실전 데이터: 아보카도 가격 분석

4.1 데이터 불러오기

avocado_df = pd.read_csv('avocado.csv')
avocado_df['Date'] = pd.to_datetime(avocado_df['Date'])
avocado_df.set_index('Date', inplace=True)
avocado_df.info()

출력 예시

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 18249 entries
Columns: [AveragePrice, Total Volume, type, region]

---

4.2 특정 날짜 접근

# 단일 날짜
avocado_df.loc['2018-01-21']

# 기간 필터링
avocado_df.loc['2015-01-04':'2015-01-25']

---

4.3 날짜 범위 조정과 정렬

avocado_df.sort_index(inplace=True)

# 특정 기간만 추출
trimmed = avocado_df.truncate(before='2017-01-01', after='2018-02-01')

---

4.4 DateOffset으로 인덱스 이동

avocado_df.index = avocado_df.index + pd.DateOffset(months=12, days=30)

→ 전체 시계열을 일정 기간만큼 이동시킴.
→ 이후 -pd.DateOffset(...)으로 원복 가능.

---

5. 리샘플(Resample)과 집계

Rule	의미	예시
'A'	연도별	.resample('A').mean()
'Q'	분기별	.resample('Q').mean()
'M'	월별	.resample('M').mean()
'W'	주별	.resample('W').mean()

# 연도별 평균가
avocado_df.resample('A').mean()['AveragePrice']

# 분기별 최대가
avocado_df.resample('Q').max()['AveragePrice']

---

5.1 조건 필터링

low_price = avocado_df['AveragePrice'].where(avocado_df['AveragePrice'] < 1.2)
# 월별 1.5 미만 평균가 개수
(avocado_df['AveragePrice'] < 1.5).resample('M').sum()

---

6. 날짜 구성요소 추출

avocado_df.reset_index(inplace=True)
avocado_df['Day'] = avocado_df['Date'].dt.day
avocado_df['Month'] = avocado_df['Date'].dt.month
avocado_df['Year'] = avocado_df['Date'].dt.year
avocado_df.set_index('Date', inplace=True)

---

7. 시계열 시각화

7.1 월별 평균 가격

avocado_df.resample('M').mean()['AveragePrice'].plot(
    figsize=(10,5),
    marker='o',
    color='r',
    title='월별 아보카도 평균가격 추이'
)

---

7.2 분기별 평균 가격

avocado_df.resample('Q').mean()['AveragePrice'].plot(
    figsize=(10,5),
    marker='o',
    color='r',
    title='분기별 아보카도 평균가격'
)

---

7.3 연도별 평균 가격

avocado_df.resample('A').mean()['AveragePrice'].plot(
    figsize=(10,5),
    marker='o',
    color='b',
    title='연도별 아보카도 평균가격'
)

---

8. Seaborn으로 트렌드 시각화

8.1 Violin Plot — 유형별 가격 분포

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10,7))
sns.violinplot(
    x='type', 
    y='AveragePrice', 
    data=avocado_df,
    palette='Set2'
)

결과:
유기농(organic) 아보카도의 평균가가 일반(conventional)보다 높음을 직관적으로 확인 가능.

---

8.2 Distplot — 전체 분포 시각화

plt.figure(figsize=(13,6))
sns.histplot(avocado_df['AveragePrice'], kde=True, color='steelblue')

---

8.3 Catplot — 지역별, 연도별 가격 비교

sns.catplot(
    x='AveragePrice',
    y='region',
    hue='Year',
    data=avocado_df[avocado_df['type']=='conventional'],
    height=10
)

→ 지역·연도·유형별 가격 차이를 한눈에 확인 가능.
샌프란시스코, 시카고 등 주요 도시의 가격 구조를 시각적으로 비교.

---

8.4 주간 기준 트렌드

avocado_df['AveragePrice'].resample('W').mean().plot(
    figsize=(10,5),
    marker='o',
    color='r',
    title='주간 평균가격 트렌드'
)

---

8.5 Organic 아보카도 CatPlot

sns.catplot(
    x='AveragePrice',
    y='region',
    hue='Year',
    data=avocado_df[avocado_df['type']=='organic'],
    height=10
)

---

9. 요약

섹션	주요 학습 내용	핵심 코드
1	Python Datetime 기초	datetime.date(), .datetime()
2	Pandas Timestamp / DatetimeIndex	pd.to_datetime, pd.DatetimeIndex
3	날짜 범위 및 주기	pd.date_range(freq='M')
4	실제 데이터 로딩	pd.read_csv, .set_index('Date')
5	Resample 기반 집계	.resample('Q').mean()
6	날짜 요소 분리	.dt.day, .dt.month, .dt.year
7	Matplotlib 시각화	.plot(marker='o')
8	Seaborn 고급 시각화	sns.violinplot, sns.catplot

---

정리

• 날짜 데이터를 문자열이 아닌 DatetimeIndex로 다루면 리샘플·필터링·집계가 가능하다.
• Resample을 통해 시간 단위별(월/분기/연도) 트렌드를 분석할 수 있다.
• 시각화로 패턴과 이상치(outlier)를 직관적으로 파악한다.
• 실무에서 판매, 트래픽, 로그 데이터의 시간 기반 분석에 동일한 원리를 적용할 수 있다.