06.11 전집중 호흡 복습|전처리&시각화 3회차|날짜 데이터 다루기|진짜 허버진다 허버져

to_datetime()

오늘도 산뜻하게 임포트하고 시작하자

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

---

데이터 준비

import pandas as pd

전자상거래 주문 데이터 시뮬레이션 (다양한 포맷이지만 파싱 가능한 형태로 구성)

ecommerce_data = {
    'order_id': ['ORD001', 'ORD002', 'ORD003', 'ORD004', 'ORD005', 'ORD006'],
    'order_date': ['2024-01-15', '2024-02-20', '2024-03-10', '2024-04-01', '2024-05-05', '2024-06-01'],
    'delivery_date': ['2024-01-18', '2024-02-25', '2024-03-15', '2024-04-05', '2024-05-10', '2024-06-06'],
    'customer_signup_date': ['2023-12-01', '2023-08-15', '2024-01-05', '2023-11-20', '2024-03-10', '2024-02-28'],
    'amount': [120.50, 89.99, 156.75, 245.00, 78.25, 299.99]
}
orders_df = pd.DataFrame(ecommerce_data)

데이터 타입을 봐보자. 보시다시피 전부 다 Object다. 오라이.

print("현재 데이터 타입:")
print(orders_df.dtypes)

그래도 계산 해보고 싶다면 말리지 않겠다

diff = orders_df['delivery_date'] - orders_df['order_date']

to_datetime()예시

orders_df['order_date_clean']=pd.to_datetime(orders_df['order_date'])

주문 날짜에 pd.to_datetime 할당

print("주문 날짜 변환:")
print(orders_df[['order_date', 'order_date_clean']].head(3))

변환된 데이터 타입 확인

print(orders_df[['order_date_clean', 'delivery_date_clean', 'signup_date_clean']].dtypes)

---

⏱️배송 소요시간을 계산 해보자(.dt.days)

.dt는 단독으로 못 쓴다
이제 날짜 계싼이 가능해졌다. 주문일과 배송일의 차이를 계산해보자.

orders_df['delivery_days']=(orders_df['delivery_date_clean'] - orders_df['orders_date_clean'].dt.days

orders_df['delivery_days'].dtype
orders_df['delivery_days'].info()

---

고객충성도를 계산 해보자

고객 충성도 지표 계산: 고객이 가입한 후 얼마나 빨리 첫 주문을 했는지 알아보자

고객 가입 후 첫 주문까지의 기간

orders_df['days_since_signup'] = (orders_df['order_date_clean'] - orders_df['signup_date_clean']).dt.days
print("가입 후 주문까지 기간:")
print(orders_df[['order_id', 'days_since_signup']])

⏱️주문 연도, 월 등을 알아보자(.dt.year)

orders_df['order_year']=orders_df['order_date_clean'].dt.year
print(orders_df[['order_id','order_year']])

orders_df['order_month'] = orders_df['order_date_clean'].dt.month
print(orders_df[['order_id', 'order_month']])

⏱️요일을 알아내는 두 가지 방법(day_name()/dayofweek)

주문 날짜를 요일 영문 명칭으로 출력 해보자 day_name()

* day_name()은 유일하게 괄호를 쓴다!!!!!!!

orders_df['order_days'] = orders_df['order_date_clean'].dt.day_name()
print(orders_df[['order_id', 'order_days']])

분기별 분석(.dt.quarter)

orders_df['quarter'] = orders_df['order_date_clean'].dt.quarter
orders_df[['order_id', 'order_date_clean', 'quarter']]

연도와 분기를 병기해 보자!

# 연도-분기 조합으로 더 유용한 정보 만들기
orders_df['year_quarter'] = (orders_df['order_date_clean'].dt.year.astype(str) +
                            'Q' + orders_df['quarter'].astype(str))
print("연도-분기:")
print(orders_df[['order_id', 'year_quarter']])

---

실습 문제

주문 날짜를 숫자로 출력해서 주말만 뽑아 보자

orders_df['is_weekend']=orders_df['order_date_clean'].dt.dayofweek>=5
#true인 값만 받게 된다.
orders_df[['order_id','order_weekday', 'is_weekend']]

빠른 배송 서비스 분석: 배송 서비스 품질을 평가해보자

3일 이내는 빠른 배송으로 평가

orders_df['is_quick_delivery'] = orders_df['delivery_days'] <= 3
orders_df[['order_id', 'delivery_days', 'is_quick_delivery']]

가입후 30일 이내 주문을 신규 고객으로 구분해보자

가입 후 30일 이내 주문한 고객을 '신규 고객'으로 정의

orders_df['is_new_customer'] = orders_df['days_since_signup'] <= 30
print("신규 고객 여부:")
print(orders_df[['order_id', 'days_since_signup', 'is_new_customer']])

월초/월말 패턴 분석: 월급날이나 월말 정산의 영향을 분석해보자

월초(1-7일) 주문 여부

orders_df['is_month_start'] = orders_df['order_date_clean'].dt.day <= 7
print("월초 주문 여부:")
print(orders_df[['order_id', 'order_date_clean', 'is_month_start']])

월말(25일 이후) 주문 여부

orders_df['is_month_end'] = orders_df['order_date_clean'].dt.day >= 25
print("월말 주문 여부:")
print(orders_df[['order_id', 'order_date_clean', 'is_month_end']])