Day 09_TimeSeries

# -*- coding: utf-8 -*-
"""Day 09_TimeSeries.ipynb

Automatically generated by Colaboratory.

Original file is located at
    https://colab.research.google.com/drive/1zypP4218uj-tayDKnBz4AcnlKmvlEDNU
"""
 
from google.colab import drive
drive.mount('/gdrive')
 
PATH = "/gdrive/My Drive/Colab Notebooks/resources/"
 
# %matplotlib inline
 
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import pandas as pd
import seaborn as sns
import time
 
 
from scipy.stats import norm, multivariate_normal
# installing packages for interactive graphs
import ipywidgets as widgets
from IPython.display import display
from ipywidgets import interact, interactive, fixed, interact_manual, IntSlider
 
from datetime import datetime
 
#시간 관련 객체
#date :날짜 , time: 시간, datetime 날짜 + 시간
 
## 현재 년 월 일 시 분 초(ms) 리턴
t1 = datetime.now()
 
## print문을 쓰고 안쓰고 차이가 있다. t1은 그냥 객체 정보가 나오고 print(t1)은 문자열이 나온다.
# print(t1)
t1
 
## today() == now()
t2 = datetime.today()
t2
 
## 직접 datetime객체 생성자에 날자를 줘서 객체를 생성할 수 있다. 자정을 기준으로 생성된다.시분초도 지정 가능.
datetime(2019,7,12)
 
 
## ( -34, 16985, 905067 )  34일 남았음을 알 수 있다, 즉 연산이 가능하다
datetime.now() - datetime(2019, 8, 15)
datetime.now() - datetime(1992, 10, 30)
 
t1 = datetime.now()
 
ebola = pd.read_csv(PATH + "data/country_timeseries.csv")
 
ebola.info()
 
"""#Date 타입으로의 변환"""
 
ebola['Date'][:10]
 
## datetime 타입으로의 변환
pd.to_datetime(ebola['Date'])[:2] # Name: Date, dtype: datetime64[ns]
 
ebola['date_dt'] = pd.to_datetime(ebola['Date'])
 
test_df1 = pd.DataFrame({
    'order_day' : ['07/12/19', '08/12/19', '09/12/19' ]
})
test_df1
 
## 디폴트 맨 뒤 19가 맨 앞으로, 2019가 된다, 07이 그다음 , 그다음 19가 된다 즉 월/ 일 / 년 => 년 월 일 이 된다.
pd.to_datetime(test_df1['order_day'])
 
 
## 월, 일, 년으로 되어있는 데이터 라고 명시.
pd.to_datetime(test_df1['order_day'], format = "%m/%d/%y")
 
 
## 일, 월, 년으로 되어있는 데이터 라고 명시.
pd.to_datetime(test_df1['order_day'], format = "%d/%m/%y")
 
## 년, 월, 년 으로 되어있는 데이터 라고 명시. => 잘못 읽어진다.
pd.to_datetime(test_df1, format = "%y/%m/%y")
 
test_df1 = pd.DataFrame({
    'order_day' : ['07-12-19', '08-12-19', '09-12-19' ]
})
 
 
## 문자열 기호에 맞게 / 를 - 로 바꿔서 읽어 준다.
pd.to_datetime(test_df1['order_day'], format = "%m-%d-%y")
 
"""##시계열 데이터의 특정 구간을 구분해서 추출 하고자 할때"""
 
now = datetime.now()
# print(now)
 
## 년월일 또는 시분초만 얻고 싶을때,
## strf = string format , time => strftime
now.strftime('%y-%m-%d')
 
## 2019 4글자로 풀어서 보고 싶을때,
now.strftime('%Y-%M-%D')
 
## 시 분,초를 뽑아내고자 할때,
now.strftime("%H:%M:%S")
 
ebola1 = pd.read_csv(PATH + "data/country_timeseries.csv")
ebola1.info()
 
## date가 문자열 일때.
ebola1[:2]
 
ebola1 = pd.read_csv(PATH + "data/country_timeseries.csv", parse_dates = ['Date'])
 
## 데이트 타입으로 바뀌어 있다.
ebola1.info()
 
## 각 날짜 요소는 datetime 객체의 속성으로 따로 지정되어 있다.
 
ebola1['Date'][0].year
ebola1['Date'][0].month
ebola1['Date'][0].day
 
ebola1['date_dt'] = ebola1['Date']
 
ebola1.info()
 
## 이 컬럼 전체에 대해서 year를 추출하고 싶다. Series에는 dt라는 datetime 접근자가 있다.
ebola1['year'] = ebola1['date_dt'].dt.year
 
ebola1[['Date','date_dt','year']].info()
 
## int로 바꾸고자 할때 동시에 두개 컬럼을 바꿀 수 있다.
ebola1['month'], ebola1['day'] = ebola1['date_dt'].dt.month , ebola1['date_dt'].dt.day
ebola1.info()
 
## 에볼라의 최초 발병일..?
## 날짜 형식은 사실상 숫자 형식과 거의 유사하게 사용가능하다.
 
## 그냥 min() 컬럼에서 제일 작은 날짜 ( 최초 날짜 )를 알 수 있다.
ebola1['date_dt'].min()
 
## 에볼라 첫 발병일 부터 몇일이 경과했는지도 볼 수 있다, 자동으로 일수로 계산 해준다.
ebola1['outbreak_d'] = ebola1['date_dt'] - ebola1['date_dt'].min()
 
## 윤년과 같은 복잡한 일수 계산을 생략 할 수 있다.
ebola1[:2]
 
banks = pd.read_csv(PATH + "data/banklist.csv")
banks[:2]
 
banks.info()
 
# Closing Date             555 non-null object
# Updated Date             555 non-null object
 
## 비교용.
banks_no_dates = pd.read_csv(PATH + "data/banklist.csv")
 
banks = pd.read_csv(PATH + "data/banklist.csv", parse_dates = [5,6])
banks.info()
 
## Quarter => 시계열 데이터를 4분기로 나눠준다.
 
banks['Closing Date'].dt.year
 
## Closing Date룰 4분기로 나눠서 월을 가지고 1~3 = 1 , 4~6 = 2 .. 이런식으로 4분기로 나눠준다.
banks['Closing Date'].dt.quarter[:2]
 
banks['closing_quarter'], banks['closing_year']  = banks['Closing Date'].dt.quarter, banks['Closing Date'].dt.year
banks[:2]
 
## 연도별로 문을 닫은 은행의 갯수..?
closing_year = banks.groupby('closing_year').size()
closing_year
 
## 각 연도별 4분기마다 망한 은행의 갯수
closing_year_q = banks.groupby(['closing_year', 'closing_quarter']).size()
 
closing_year.plot()
 
closing_year_q.plot()
 
## 수치값 - > 범위로 구간화, cut, qcut
#1~15 = , 15~25 나누고자 한다.
 
## 나누고자 하는 값
ages = [0 , 2, 1,3,124, 41,24,5,14,532,412,4,1234,235 ]
 
## 나누고자 하는 기준
bins = [ 1, 15 , 25, 35, 60, 99 ]
 
## 나누고 난뒤의 라벨
labels = ['0', '1','2','3','4' ]
 
 
 
##라벨로 리턴.
pd.cut(ages , bins, labels = labels )
 
## 몇번째에 속하는지 0~해당 그룹의 인덱스로 리턴.
pd.cut(ages , bins, labels = labels ).codes
 
## 그냥 균등하게 나누기
 
data = np.random.randn(100)
 
 
## 균등하게 4구간으로 나누고자 한다.
df = pd.qcut(data, 4, labels = ['A1', 'A2','A3','A4'])
 
df.value_counts()