파이썬/판다스
파이썬 날짜 분리 - 시계열 데이터 활용1 [python/pandas]
leon_choi
2022. 8. 11. 18:55
반응형
앞서 소개해드린 timestamp와 poried배열을 소개해드렸는데요. 이를 토대로 날짜 데이터를 분리해보도록하겠습니다. 예제는 주식 거래 데이터를 활용해보겠습니다.
import pandas as pd
df = pd.read_csv('stock-data.csv')
print(df.head(),'\n')
print(df.info(),'\n') Date Close Start High Low Volume
0 2018-07-02 10100 10850 10900 10000 137977
1 2018-06-29 10700 10550 10900 9990 170253
2 2018-06-28 10400 10900 10950 10150 155769
3 2018-06-27 10900 10800 11050 10500 133548
4 2018-06-26 10800 10900 11000 10700 63039
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20 entries, 0 to 19
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Date 20 non-null object
1 Close 20 non-null int64
2 Start 20 non-null int64
3 High 20 non-null int64
4 Low 20 non-null int64
5 Volume 20 non-null int64
dtypes: int64(5), object(1)
memory usage: 1.1+ KB
None네 이렇게 주식 거래 데이터를 확인해봤는데요. 오늘 활용하고자 하는 Date 컬럼이 문자열로 돼 있는 것을 확인할 수 있습니다. 타입이 문자열로 돼 있으면 데이터 분석을 하는 데 있어 많은 지장을 주는데요. 그렇기에 Date 컬럼의 타입을 변경해야 연도별, 월별, 일별 등 데이터분석에 있어 기본적이라고 할 수 있는 기간별 분석들을 좀 더 용이하게 할 수 있습니다. 그렇다면 이제 Date 컬럼 타입을 변경하고 dt 속성을 이용해 연도, 월, 일자를 쪼개는 것도 해보겠습니다.
#Date 타입 변경
df['new_date'] = pd.to_datetime(df['Date'])
print(df.head(),'\n')
print(df.info(),'\n')
#dt 속성을 사용해 new_date의 연도, 월, 일 쪼개기
df['year'] = df['new_date'].dt.year
df['month'] = df['new_date'].dt.month
df['day'] = df['new_date'].dt.day
print(df.head(),'\n') Date Close Start High Low Volume new_date
0 2018-07-02 10100 10850 10900 10000 137977 2018-07-02
1 2018-06-29 10700 10550 10900 9990 170253 2018-06-29
2 2018-06-28 10400 10900 10950 10150 155769 2018-06-28
3 2018-06-27 10900 10800 11050 10500 133548 2018-06-27
4 2018-06-26 10800 10900 11000 10700 63039 2018-06-26
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20 entries, 0 to 19
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Date 20 non-null object
1 Close 20 non-null int64
2 Start 20 non-null int64
3 High 20 non-null int64
4 Low 20 non-null int64
5 Volume 20 non-null int64
6 new_date 20 non-null datetime64[ns]
dtypes: datetime64[ns](1), int64(5), object(1)
memory usage: 1.2+ KB
None
Date Close Start High Low Volume new_date year month day
0 2018-07-02 10100 10850 10900 10000 137977 2018-07-02 2018 7 2
1 2018-06-29 10700 10550 10900 9990 170253 2018-06-29 2018 6 29
2 2018-06-28 10400 10900 10950 10150 155769 2018-06-28 2018 6 28
3 2018-06-27 10900 10800 11050 10500 133548 2018-06-27 2018 6 27
4 2018-06-26 10800 10900 11000 10700 63039 2018-06-26 2018 6 26결과를 표출했습니다. Date 컬럼의 타입을 변경한 new_date 컬럼을 보면 타입이 변경된 것을 확인할 수 있습니다. 또한 dt속성을 활용해 연도,월,일 역시 쪼개서 표출했습니다. 그렇.다면 이제는 period로 변환을 해보려고 하는데요. 이때는 dt 속성에 .to_period()매소드를 적용해 추출할 수 있습니다. 코딩을 보죠.
#timestamp period로 변환
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.head(),'\n') Date Close Start High Low Volume new_date year month day date_yr date_m date_d
0 2018-07-02 10100 10850 10900 10000 137977 2018-07-02 2018 7 2 2018 2018-07 2018-07-02
1 2018-06-29 10700 10550 10900 9990 170253 2018-06-29 2018 6 29 2018 2018-06 2018-06-29
2 2018-06-28 10400 10900 10950 10150 155769 2018-06-28 2018 6 28 2018 2018-06 2018-06-28
3 2018-06-27 10900 10800 11050 10500 133548 2018-06-27 2018 6 27 2018 2018-06 2018-06-27
4 2018-06-26 10800 10900 11000 10700 63039 2018-06-26 2018 6 26 2018 2018-06 2018-06-26네 이렇게 dt.to_period()매서드를 통해서도 날짜를 분리해봤습니다. 다음편에서는 이렇게 날짜를 분리하는 것을 인덱스로 활용하는 방법에 대해 살펴 보도록 하겠습니다.
반응형