⏰ Pandas로 시계열 다루기

1️⃣ Pandas 기본 구조 복습

Pandas는 NumPy 기반의 데이터 분석용 라이브러리로,
시계열 데이터를 효율적으로 다룰 수 있는 구조를 제공한다.

import pandas as pd
import numpy as np

---

(1) Series와 DataFrame

객체	형태	주요 특징
Series	1차원	인덱스 + 값 구조
DataFrame	2차원	행(Row) + 열(Column)로 구성된 테이블

# Series 예시
s = pd.Series([10, 20, 30], index=['A', 'B', 'C'])

# DataFrame 예시
df = pd.DataFrame({
    '월': [1, 2, 3],
    '매출': [250, 300, 420]
})

속성 및 메서드

df.info()       # 데이터 개요
df.describe()   # 요약 통계
df.isnull()     # 결측값 확인
df.dtypes       # 열별 데이터 타입

---

(2) 결측값 처리

시계열 데이터에서는 누락된 날짜나 값이 자주 발생한다.
이때 Pandas의 결측 처리 기능이 중요하다.

df.fillna(method='ffill')   # 이전 값으로 채우기
df.fillna(df.mean())        # 평균으로 채우기
df.dropna()                 # 결측값 제거

---

(3) GroupBy와 연산

그룹별 통계나 집계는 시계열의 기간별 요약 통계 계산에 활용된다.

df.groupby('월')['매출'].mean()
df.groupby(['연도', '분기']).sum()

일반 연산

df['매출_증가율'] = df['매출'].pct_change()
df['매출_로그'] = np.log(df['매출'])

---

(4) 데이터 입출력

df = pd.read_csv('data.csv')
df.to_excel('output.xlsx', index=False)

이후 시계열 데이터는 CSV나 API(JSON) 등으로 로드된다.

---

2️⃣ 시계열 데이터의 본격 시작

---

(1) DatetimeIndex 생성

시계열 분석의 핵심은 날짜를 인덱스로 사용하는 것이다.

dates = pd.date_range(start='2020-01-01', end='2020-12-31', freq='D')

파라미터	설명
start, end	시작·종료 날짜
freq	간격 (‘D’, ‘W’, ‘M’, ‘Q’, ‘A’)
periods	생성할 날짜 개수

pd.to_datetime(['2024/01/01', '2024-02-01', '2024.03.01'])

→ 다양한 문자열 포맷을 자동 인식해 Datetime 객체로 변환한다.

---

(2) DateTime 인덱스 설정

df = pd.read_csv('sales.csv')
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

이제 df의 인덱스가 DatetimeIndex로 바뀌어,
시간 단위로 접근·집계·시각화가 가능하다.

df.loc['2024-06']       # 특정 월
df['2024-06-01':'2024-06-10']  # 날짜 범위 슬라이싱

---

(3) Datetime 속성 활용

dt 접근자를 이용해 날짜의 구성요소를 추출한다.

df['year'] = df.index.year
df['month'] = df.index.month
df['day'] = df.index.day
df['weekday'] = df.index.day_name()

→ 요일, 분기, 연도별 집계 및 시각화에 유용

---

3️⃣ 리샘플링(Resampling)

시간 단위별로 데이터를 요약(집계)하거나 세분화할 때 사용한다.

df.resample('M').mean()   # 월별 평균
df.resample('Q').sum()    # 분기별 합계
df.resample('A').max()    # 연도별 최대값

주기 코드	설명	예시
'D'	일(day) 단위	일별 평균
'W'	주(week) 단위	주간 매출
'M'	월(month) 단위	월간 지표
'Q'	분기(quarter) 단위	분기별 합계
'A'	연도(year) 단위	연간 요약

결과 시각화

df.resample('M').mean()['매출'].plot(title='월별 평균 매출')

---

4️⃣ 시계열 이동(Shift)

시간을 기준으로 데이터를 앞뒤로 이동시킨다.
예: 하루 전 대비 증감률 계산

df['prev'] = df['매출'].shift(1)
df['증감'] = df['매출'] - df['prev']

• shift(n) → n일 뒤로 이동
• shift(-n) → n일 앞으로 이동

---

5️⃣ 이동 평균(Rolling)과 누적(Expanding)

시계열 노이즈를 줄이고 추세(Trend)를 확인할 때 필수적이다.

df['MA_7'] = df['매출'].rolling(window=7).mean()   # 7일 이동평균
df['Expanding_Sum'] = df['매출'].expanding().sum()

함수	설명
.rolling(window)	일정 구간 평균, 표준편차, 최대값 등
.expanding()	누적 평균, 누적 합계 등

예시

df[['매출', 'MA_7']].plot(figsize=(12,6), title='7일 이동평균 비교')

---

6️⃣ 시계열 데이터 시각화

시각화는 시간 축에서 변화의 패턴을 직관적으로 보여준다.

import matplotlib.pyplot as plt

df['매출'].plot(figsize=(12,6), color='royalblue')
plt.title('일별 매출 추세')
plt.xlabel('날짜')
plt.ylabel('매출')

서브플롯

df[['매출', 'MA_7']].plot(subplots=True, layout=(2,1), figsize=(10,6))

---

(1) 다중 시계열 비교

df[['제품A', '제품B', '제품C']].plot(figsize=(12,6))
plt.legend()

(2) 계절성(Seasonality) 시각화

df.groupby(df.index.month)['매출'].mean().plot(kind='bar', color='orange')

→ 월별 평균 매출 변동을 시각화하여 계절적 패턴 탐색

---

7️⃣ 실습 예제

(1) 리샘플링과 이동평균 결합

monthly_avg = df['매출'].resample('M').mean()
monthly_avg.rolling(window=3).mean().plot(title='3개월 이동평균')

(2) 기간별 비교

df['2023'].resample('Q').mean().plot(label='2023')
df['2024'].resample('Q').mean().plot(label='2024')
plt.legend()

---

8️⃣ 시계열 실전 프로젝트 연습

예시: 매출 데이터 예측을 위한 준비 단계

1. CSV 파일 로드 후 Datetime 변환
2. 결측값 처리 (interpolate, fillna)
3. 월/분기 단위로 리샘플
4. Rolling 평균으로 변동성 완화
5. 추세 시각화 및 이상치(outlier) 탐색

df['매출_rolling'] = df['매출'].rolling(30).mean()
df.plot(y=['매출', '매출_rolling'], figsize=(10,5))

Set 1 연습: Datetime 인덱스 생성과 리샘플링
Set 2 연습: 이동평균, 시각화, 추세 비교 실습

---

9️⃣ 실무 적용 포인트

상황	사용 메서드	목적
일별 데이터 → 월별 집계	.resample('M').sum()	데이터 요약
누락된 날짜 채우기	.asfreq('D').fillna(method='ffill')	결측 보간
변동 완화 및 추세 시각화	.rolling(7).mean()	이동평균
전일 대비 증감 분석	.shift(1)	변화량 계산

---

🔍 핵심 요약

항목	주요 내용
DatetimeIndex	날짜 기반 인덱스로 슬라이싱, 연도·월별 연산 가능
Resampling	시간 주기별 요약 통계 계산
Shift	이전 값 비교, 시차 데이터 생성
Rolling / Expanding	이동평균·누적합으로 추세 및 분산 확인
시각화	시간 축 기반 변화 추이 시각적으로 파악