KT AIVLE School DX트랙 3주차-시계열 데이터

파이썬을 활용한 시계열 데이터 분석

시계열 데이터는 시간 순서에 따라 정렬된 데이터 포인트의 집합입니다. 이러한 데이터는 시간의 흐름에 따른 패턴, 추세, 계절성 등을 분석하는 데 유용하게 사용됩니다.

---

1. 시계열 데이터의 특징과 분석 방법

시계열 데이터는 일정한 시간 간격으로 수집된 데이터로, 각 데이터 포인트가 시간 순서대로 배열되어 있습니다. 이러한 데이터는 경제, 금융, 기상학 등 다양한 분야에서 발생하며, 시간의 흐름에 따른 변화를 분석하는 데 사용됩니다.

• 시계열 데이터의 특징:
  • 시간 순서에 따라 배열된 데이터 포인트
  • 시간 간격이 균일하거나 불규칙할 수 있음
  • 시간에 따른 패턴(추세, 계절성 등)을 포함할 수 있음
• 시계열 데이터 분석 방법:
  1. 추세 분석: 시간의 흐름에 따른 데이터의 추세를 파악합니다.
  2. 시계열 데이터 분해(Decomposition): 시계열 데이터를 추세, 계절성, 잔차 등 여러 구성 요소로 분해하여 분석합니다.
  3. 자기상관함수(ACF): 시계열 데이터에서 현재의 값이 과거의 값과 어떤 상관관계를 가지고 있는지를 분석합니다.

1) 시간의 흐름에 따른 추세 분석: 라인차트

KOSPI 지수와 거래량 라인차트

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

# KOSPI 데이터 로드  
kospi = pd.read_csv('kospi.csv')  

plt.figure(figsize = (12,5))  
# 왼쪽 축  
ax1 = sns.lineplot(x = 'Date', y = 'Close', data = kospi, label = 'Close', color = 'blue', linewidth = .5)  
plt.legend(loc='upper left')  

# 오른쪽 축 생성  
ax2 = ax1.twinx()  
sns.lineplot(x = 'Date', y = 'Volume_Lag', data = kospi, label = 'Volume', color = 'green', linewidth = .5)  
plt.legend(loc='upper right')  

plt.show()  

2) 시계열 데이터 분해(Decomposition)

시각화 함수

def decomp_plot(decomp) :  
    # 시계열 분해 결과를 받아서 데이터프레임으로 저장  
    result = pd.DataFrame({'observed':decomp.observed, 'trend':decomp.trend, 'seasonal':decomp.seasonal, 'residual':decomp.resid})  

    # 4개의 그래프로 나눠서 그리기  
    plt.subplot(4,1,1)  
    plt.plot(result['observed'])  
    plt.ylabel('observed')  

    plt.subplot(4,1,2)  
    plt.plot(result['trend'])  
    plt.ylabel('trend')  

    plt.subplot(4,1,3)  
    plt.plot(result['seasonal'])  
    plt.ylabel('seasonal')  

    plt.subplot(4,1,4)  
    plt.plot(result['residual'])  
    plt.ylabel('residual')  
    plt.show()  

    return result

시계열 데이터 분해

# 시계열 데이터 일단위 분해  
decomp = sm.tsa.seasonal_decompose(bike['Count'], model = 'additive', period = 24)  
# 그래프 그리기  
plt.figure(figsize=(12, 8))  
result = decomp_plot(decomp)

# 시계열 데이터 주단위 분해  
decomp = sm.tsa.seasonal_decompose(bike['Count'], model = 'additive', period = 24 * 7)  
# 그래프 그리기  
plt.figure(figsize=(12, 8))  
result = decomp_plot(decomp)

3) 자기상관함수(ACF)

자기상관함수를 활용한 시계열 데이터 분석 예시 코드입니다.

# 반복문으로 시차를 늘려가면서 데이터셋 만들기  
temp = bike[['Count']].copy()  

for i in range(1,21) :  
    var = 'lag' + str(i)  
    temp[var] = temp['Count'].shift(i)  
temp.head(20)  

# 각 시차간의 상관계수  
temp.corr()

plot_acf(bike['Count'], lags = 60)  
plt.grid()  
plt.show()

---