6.2.11 시간(Datetime) 인덱스를 가진 시계열 데이터프레임 구조화
💾 [실습 파일 다운로드] 본 강의의 전체 실습 코드를 직접 실행해 볼 수 있는 주피터 노트북 파일입니다. 아래 링크를 클릭하여 다운로드 후 VS Code에서 열어보세요.
- 📥 df_with_dates_practice.ipynb 파일 다운로드 (클릭 또는 마우스 우클릭 후 ‘다른 이름으로 링크 저장’)
🧮 수학적/데이터 과학적 의미: 시계열 매트릭스(Time Series Matrix)
$T$라는 시간 축(Time Axis) 위에 정사영된 관측치(Observations)들의 다차원 배열입니다. 단순한 라벨 문자열이나 고정된 정수가 아니라, 흐르는 시간(Datetime객체)을 인덱스 축으로 설정함으로써 주식 가격 예측, 기상 예측 등 시간에 따른 변화량을 분석하는 완벽한 시계열 분석(Time Series Analysis) 구조를 완성합니다.
🏷️ 비유로 이해하기: 은행의 일일 거래 장부
- 매일매일 날짜가 적혀있는 은행의 입출금 장부를 생각해 보세요.
- 이 장부의 가장 왼쪽 줄(‘Index’)은 무조건 날짜입니다.
- 그리고 나머지 칸(‘Columns’)들에는 A지점 매출액, B지점 매출액 등의 값이 기록됩니다.
- 이전 장에서 배운
date_range()자동 날짜 생성기를 이 장부의 왼쪽 줄로 통째로 꽂아 넣는 과정입니다.
🪄 [실습 1] 캘린더 생성기(date_range)로 날짜 축 준비하기
VS Code나 주피터 노트북을 열고 pandas_01.py 파일을 생성하여 단계별로 실습을 진행합니다.
1단계: 날짜 축(Index) 뽑아내기
먼저 데이터프레임의 왼쪽 기둥이 될 시간 축 데이터를 뽑아냅니다. 3월 2일부터 시작하는 6일 치의 일일 캘린더입니다.
import pandas as pd
import numpy as np
# 1. 2025년 3월 2일부터 6일간의 연속된 날짜를 생성
dates = pd.date_range(start="20250302", periods=6)
print("--- 준비된 캘린더 축 (Index) ---")
print(dates)
[실행 결과]
--- 준비된 캘린더 축 (Index) ---
DatetimeIndex(['2025-03-02', '2025-03-03', '2025-03-04', '2025-03-05',
'2025-03-06', '2025-03-07'],
dtype='datetime64[ns]', freq='D')
🪄 [실습 2] 난수(Random) 데이터와 결합하여 시계열 표 완성하기
작성한 코드 아래에 다음 코드를 추가하여 시계열 데이터프레임을 완성합니다.
1단계: 난수 생성 및 인덱스 결합
실제 주식 시장 데이터라고 상상하며, numpy를 이용해 가짜 변동성 데이터(난수)를 생성한 뒤 날짜 인덱스와 결합합니다.
# 2. 넘파이 난수(표준정규분포)를 이용해 6행 4열짜리 변동성 데이터 생성
# (날짜가 6일이므로, 행의 개수를 반드시 6으로 맞춰야 조립됩니다!)
random_data = np.random.randn(6, 4)
# 3. 데이터, 날짜 축(index), 컬럼명(columns)을 모아서 데이터프레임 합체!
df_time = pd.DataFrame(
data=random_data,
index=dates, # 위에서 만든 시간축을 좌측 인덱스에 삽입!
columns=list("ABCD") # ['A', 'B', 'C', 'D'] 로 컬럼명 지정
)
print("\n🏢 완성된 시계열 데이터프레임:\n")
print(df_time)
[실행 결과]
🏢 완성된 시계열 데이터프레임:
A B C D
2025-03-02 1.624345 -0.611756 -0.528172 -1.072969
2025-03-03 0.865408 -2.301539 1.744812 -0.761207
2025-03-04 0.319039 -0.249370 1.462108 -2.060141
2025-03-05 -0.322417 -0.384054 1.133769 -1.099891
2025-03-06 -0.172428 -0.877858 0.042214 0.582815
2025-03-07 -1.100619 1.144724 0.901591 0.502494
데이터 분석가의 렌즈: 좌측의 날짜가 단순한 문자열이 아니라 판다스의 고유한
DatetimeIndex객체 구조 속에 들어있다는 것이 핵심입니다. 덕분에 향후 이 표에서 “금요일 데이터만 평균 내줘!”, “3월 3일부터 5일 사이의 B열 값 누적합을 구해줘!” 같은 복잡한 시간 기반 연산이 단 한 줄의 코드로 돌파 가능해집니다.
💡 Matplotlib 연계 꿀팁 (시계열 차트 그리기) 날짜가 인덱스로 설정된 데이터프레임은
.plot()을 호출하는 순간, X축이 날짜로 완벽하게 자동 맵핑된 시계열 트렌드 꺾은선 그래프를 그려줍니다!import matplotlib.pyplot as plt # A열과 B열의 날짜별 변화 추이 그리기 df_time[['A', 'B']].plot(title="Time Series Trend", figsize=(8,4)) plt.show()
