Pandans (5)

학습 목표

이 영상을 통해 Pandas 라이브러리를 활용하여 시계열 데이터를 효과적으로 다루는 방법을 학습합니다. 특히, 날짜를 인덱스로 설정하여 시계열 데이터를 인식시키고, 이를 기반으로 기간별 데이터 조회, 데이터 집계(resampling), 이동 평균 계산(rolling) 등 다양한 분석 기법을 적용하는 방법을 익힙니다.

핵심 개념

• 날짜를 인덱스로 설정: Pandas DataFrame에서 날짜 컬럼을 인덱스로 지정하여 시계열 데이터로 인식시키는 방법과 그 중요성을 이해합니다.
• 시계열 데이터 인식: 날짜 인덱스를 가진 데이터를 Pandas가 시계열로 인식하여 문자열 기반의 기간 조회 및 슬라이싱이 가능해지는 원리를 배웁니다.
• set_index(): 특정 컬럼을 DataFrame의 인덱스로 설정하는 메서드입니다.
• sort_index(): 인덱스를 기준으로 DataFrame을 정렬하는 메서드로, 시계열 데이터 분석 시 필수적입니다.
• 기간 조회 (Slicing): 설정된 날짜 인덱스를 활용하여 특정 기간의 데이터를 쉽게 추출하는 방법을 익힙니다. (예: df.loc['2026-03'])
• dt 접근자: DatetimeIndex에서 연(year), 월(month), 분기(quarter), 요일(dayofweek) 등 날짜/시간 관련 정보를 추출하는 방법을 학습합니다.

  # 예시: 날짜에서 연도 추출
  df['date'].dt.year
  

  복사
• resample(): 시계열 데이터를 다른 시간 단위로 집계(예: 일별 데이터를 월별로 집계)하는 방법을 배웁니다. 종가, 거래량 등 다양한 집계 함수(last, sum, mean 등)를 적용합니다.
• rolling(): 특정 기간(window) 동안의 이동 평균, 이동 합계 등을 계산하는 방법을 학습합니다. 이동 평균선(Moving Average) 계산의 기초를 다룹니다.

공부 방향성

이 영상은 Pandas를 이용한 시계열 데이터 분석의 기초를 탄탄하게 다지는 데 중점을 둡니다. 영상 시청 후에는 실제 금융 데이터나 다른 시계열 데이터를 활용하여 배운 내용을 직접 실습해보는 것이 중요합니다. 특히, resample과 rolling 메서드는 금융 분석뿐만 아니라 다양한 분야에서 시계열 데이터를 다룰 때 유용하게 활용되므로, 다양한 집계 함수와 윈도우 크기를 변경하며 결과를 비교해보는 연습을 추천합니다. 다음 단계로는 시계열 예측 모델(ARIMA, Prophet 등) 학습으로 이어갈 수 있습니다.