오늘날 세계에서 시계열 데이터로 작업하는 것은 개발자에게 필수적인 기술입니다. 일반적인 작업 중 하나는 타임스탬프를 주간 또는 월간 데이터와 같은 특정 기간으로 변환하는 것입니다. 이 작업은 데이터의 추세 및 패턴 연구와 같은 다양한 분석에 매우 중요합니다. 이 기사에서는 강력한 Python 라이브러리인 Pandas를 사용하여 시계열 데이터 세트에서 타임스탬프를 기간으로 변환하는 방법을 살펴봅니다. 또한 코드를 자세히 살펴보고 프로세스와 관련된 라이브러리 및 기능을 탐색하고 이 문제를 해결하는 데 있어 이들의 중요성을 이해할 것입니다.
Pandas는 오픈 소스 데이터 분석 및 조작 라이브러리로 시계열 데이터 작업을 위한 유연하고 고성능 기능을 제공합니다. 그것은 우리의 작업을 간단하고 정확하며 효율적으로 만듭니다.
타임스탬프 데이터를 주별 또는 월별과 같은 특정 기간으로 변환하는 솔루션에는 Pandas 라이브러리의 리샘플링 방법을 사용하는 것이 포함됩니다. 리샘플링은 데이터 요소를 업샘플링하거나 다운샘플링하기 위해 타임스탬프 데이터 또는 시계열 데이터에 사용할 수 있는 강력한 도구입니다. 이 경우 데이터 포인트를 다운샘플링하여 원하는 기간을 만듭니다.
이제 코드에 대한 단계별 설명을 살펴보겠습니다.
1. 필요한 라이브러리를 가져옵니다.
import pandas as pd import numpy as np
2. 타임스탬프 인덱스가 있는 샘플 데이터 프레임을 생성합니다.
date_rng = pd.date_range(start='1/1/2020', end='1/10/2020', freq='D')
df = pd.DataFrame(date_rng, columns=['date'])
df['data'] = np.random.randint(0,100,size=(len(date_rng)))
df.set_index('date', inplace=True)
3. 시계열 데이터를 다시 샘플링하고 타임스탬프 데이터를 기간으로 변환합니다.
df_period = df.resample('W').sum()
4. 결과 데이터 프레임을 인쇄합니다.
print(df_period)
마지막 데이터 프레임 `df_period`에는 주별로 집계된 원본 데이터의 합계가 포함됩니다.
**사용되는 라이브러리 및 함수 이해**
판다 도서관
Pandas는 데이터 조작 및 분석을 위해 널리 사용되는 Python 라이브러리입니다. Series 및 DataFrame과 같은 높은 수준의 데이터 구조를 제공하여 개발자가 병합, 재구성 및 정리와 같은 작업을 빠르고 효율적으로 수행할 수 있도록 합니다. 우리의 경우 Pandas는 타임스탬프 데이터를 효과적으로 처리하는 데 도움이 되며 타임스탬프 데이터를 기간으로 변환하는 resample()과 같은 유용한 기능을 제공합니다.
리샘플링 함수
XNUMXD덴탈의 resample () Pandas의 함수는 시계열 데이터의 주파수 변환 및 리샘플링을 위한 편리한 방법입니다. 합계, 평균, 중앙값, 모드 및 기타 사용자 정의 함수를 포함하여 데이터 집계 또는 다운샘플링을 위한 다양한 옵션을 제공합니다. 이 함수를 사용하여 리샘플링 빈도를 'W'로 지정하여 타임스탬프 데이터를 주간 기간으로 변환합니다. 매월에는 'M', 분기별에는 'Q' 등을 사용할 수도 있습니다.
Pandas의 기능과 타임스탬프를 기간 데이터로 변환하는 resample 함수를 살펴보았으므로 시간에 민감한 데이터를 보다 의미 있는 방식으로 쉽게 처리할 수 있습니다. 이러한 도구의 도움으로 개발자, 데이터 분석가 및 SEO 전문가는 데이터에서 고유한 통찰력을 얻을 수 있으므로 더 나은 의사 결정과 예측을 할 수 있습니다.
