내일의 커피를 위해 코딩한다.

 티스토리 

날짜별 열의 구성 비율을 누적 막대 그래프로 시각화하기

주어진 데이터를 사용하여 날짜별 열의 구성 비율을 계산하고, 이를 누적 막대 그래프로 시각화.

한글 폰트 깨짐 현상이 있어 폰트를 별도로 설정하여 그래프를 더 가독성 있게 표현했습니다.

1. 코드리뷰

import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False


# 날짜별 열의 구성 비율을 나타내는 데이터프레임 생성
df_data = pd.DataFrame({
    'date': ['2023-10-13', '2023-10-14', '2023-10-15', '2023-10-16', '2023-10-17', '2023-10-18'],
    'test1': [134, 87, 32, 35, 1543, 332],
    'test2': [3434, 44, 567, 45, 32, 675],
    'test3': [120, 435, 122, 2344, 124, 125],
    'test4': [98, 11, 333, 13323, 3, 135],
    'test5': [24, 367, 235, 46, 456, 765],
    'test6': [344, 234, 323, 98, 34, 234]
})


# 각 열의 날짜별 구성 비율 계산
df_percentage = df_data.div(df_data.sum(axis=1), axis=0)


# 누적 막대 그래프 생성
fig, ax = plt.subplots(figsize=(10, 6))
ax = df_percentage.plot(kind='bar', stacked=True, ax=ax)

# 그래프에 제목과 레이블 추가
ax.set_title('날짜별 열의 구성 비율')
ax.set_xlabel('날짜')
ax.set_ylabel('누적 비율')

# X축 레이블 가로로 회전
ax.set_xticklabels(ax.get_xticklabels(), rotation=0)


# 그래프 표시
plt.show()

코드 설명

이 데이터프레임에서 각 열은 날짜별 데이터를 나타냅니다. 예를 들어, test1 열은 2023년 10월 13일부터 18일까지의 데이터를 나타냅니다.

다음으로, 각 열의 날짜별 구성 비율을 계산합니다. 다음과 같이 div() 함수를 사용하여 계산할 수 있습니다.
각 열의 합계를 구하고, 그 합계를 각 열의 데이터로 나누어 구성 비율을 계산합니다.

kind='bar' 옵션을 사용하여 막대 그래프를 생성하고, stacked=True 옵션을 사용하여 각 막대를 누적하여 표시합니다.

날짜별 열의 구성 비율을 나타냅니다. 예를 들어, 2023년 10월 13일에는 test1 열이 전체 데이터의 27.4%를 차지하고, test2 열이 12.6%를 차지합니다.

이 그래프를 사용하여 날짜별 열의 구성 비율을 한눈에 확인할 수 있습니다.

결과 : 

2. 매출액 비중 변화를 누적 막대 그래프로 시각화하기

이 글에서는 매출액 비중 변화를 누적 막대 그래프로 시각화하는 방법을 소개합니다.

먼저, 매출액 데이터를 나타내는 데이터프레임을 생성합니다. 예를 들어, 다음과 같은 데이터프레임을 생성할 수 있습니다.

df_data = pd.DataFrame({
    'year': [2022, 2023, 2024],
    'division': ['A', 'B', 'C'],
    'revenue': [1000, 2000, 3000]
})

이 데이터프레임에서 각 열은 다음과 같은 의미를 나타냅니다.

• year: 연도
• division: 부문
• revenue: 매출액

다음으로, 각 부문의 매출액 비중을 계산합니다. 다음과 같이 div() 함수를 사용하여 계산할 수 있습니다.

df_percentage = df_data.groupby('division')['revenue'].apply(lambda x: x / x.sum())

이 코드는 각 부문의 매출액 데이터를 그룹화하고, 각 그룹의 매출액을 합산합니다. 그 후, 각 그룹의 매출액 합계를 전체 매출액으로 나누어 비중을 계산합니다.

마지막으로, 누적 막대 그래프를 생성합니다. 다음과 같이 plot() 함수를 사용하여 생성할 수 있습니다.

fig, ax = plt.subplots(figsize=(10, 6))
ax = df_percentage.plot(kind='bar', stacked=True, ax=ax)

이 코드는 kind='bar' 옵션을 사용하여 막대 그래프를 생성하고, stacked=True 옵션을 사용하여 각 막대를 누적하여 표시합니다.

다음은 위 코드를 실행한 결과입니다.

<AxesSubplot: xlabel='연도' ylabel='누적 비율'>

이 그래프는 매출액 비중 변화를 나타냅니다. 예를 들어, 2022년에는 부문 A가 전체 매출액의 50%를 차지하고, 부문 B가 30%를 차지합니다. 2023년에는 부문 A의 비중이 33.3%로 감소하고, 부문 B의 비중이 50%로 증가합니다. 2024년에는 부문 A의 비중이 25%로 감소하고, 부문 C의 비중이 50%로 증가합니다.

이 그래프를 사용하여 매출액 비중 변화를 한눈에 확인할 수 있습니다.

마무리

- 이번 포스팅은 항목별 합산 비율 누적막대 그래프 그리는 코드에 대해 알아봤습니다.

 티스토리 

날짜열과 시간열을 하나의 열에 병합하기 

날짜열과 시간열을 하나의 열에 병합에 대해 알아보자.

1. 코드리뷰

  # 예시 데이터프레임 생성
data = {'day': ['2021-11-30', '2021-12-01', '2021-12-02'],
        'hour': [10, 11, 12]}
df = pd.DataFrame(data)

# day열과 hour열을 문자열로 변환하고 공백을 추가하여 합친 후, pd.to_datetime 함수를 사용하여 datetime 타입으로 변환
df['dayhour'] = pd.to_datetime(df['day'].astype(str) + ' ' + df['hour'].astype(str))

# 결과 출력
print(df)


# 케이스 2 
data = {'day': ['2021-11-30', '2021-12-01', '2021-12-02'],
        'hour': ['10:00:00', '11:00:00', '12:00:00']}
df = pd.DataFrame(data)

# day열과 hour열을 문자열로 변환하고 합친 후, pd.to_datetime 함수를 사용하여 datetime 타입으로 변환하고 format 인자를 사용하여 형식을 지정
df['dayhour'] = pd.to_datetime(df['day'].astype(str) + df['hour'].astype(str), format='%Y-%m-%d%H:%M:%S')

# 결과 출력
print(df)

마무리

- 이번 포스팅은  datetime형식의 열병합에 대해 알아봤습니다.

 티스토리 

[파이썬초보] PANDAS pd.merge() 데이터 열 합치기

1. pd.merge()

Python의 Pandas 라이브러리에서 pd.merge() 함수는 공통 열을 기준으로 두 개 이상의 DataFrame을 결합하는 데 사용됩니다. 열을 기준으로 DataFrame을 병합하는 방법에 대한 예시를 제공합니다

이 예시에서 df1과 df2라는 두 개의 DataFrame이 있습니다. 두 DataFrame은 'ID'라는 공통 열을 갖고 있습니다. 이 공통 열을 기준으로 DataFrame을 병합하기 위해 pd.merge() 함수를 사용하고 on 매개변수를 'ID'로 지정합니다.
결과로 나오는 DataFrame merged_df에는 'ID' 값이 일치하는 df1과 df2의 행이 포함됩니다. 'ID' 열은 DataFrame 병합의 키로 사용됩니다. 병합된 DataFrame은 두 DataFrame의 모든 열을 포함합니다.
출력 결과는 다음과 같습니다.

2. 결론

기본적으로 pd.merge()는 내부 조인을 수행하여 두 DataFrame 사이의 공통된 행만 포함합니다. 두 DataFrame의 모든 행을 포함하려면 how 매개변수를 'outer'로 설정하여 외부 조인을 수행할 수 있습니다.
또한, on 매개변수에 열 이름의 리스트를 전달하여 여러 열을 기준으로 DataFrame을 병합할 수도 있습니다. 예를 들어 on=['column1', 'column2']와 같이 사용할 수 있습니다.
pd.merge() 함수는 왼쪽 조인, 오른쪽 조인 및 여러 열에 대한 병합과 같은 다양한 유형의 병합을 처리하는 옵션을 제공합니다. 

마무리

- pd.merge() 함수와 해당 매개변수에 대한 자세한 내용은 Pandas 문서를 참조하시기 바랍니다.

다음은 Python에서 pandas 라이브러리와 함께 dateutil 모듈을 사용하는 예시입니다: python

Copy code

import pandas as pd

from dateutil.parser import parse # 날짜 문자열의 리스트 생성

date_strings = ['2022-01-01', '2022-02-01', '2022-03-01', '2022-04-01'] # dateutil의 parse 함수를 사용하여 날짜 문자열 파싱 parsed_dates = [parse(date) for date in date_strings] # 파싱된 날짜로 pandas Series 생성

dates_series = pd.Series(parsed_dates) # pandas를 사용하여 날짜 기반 작업 수행

# 예를 들어, 각 날짜에서 월을 추출할 수 있습니다.

months = dates_series.dt.month

# 파싱된 날짜와 해당 월 출력

for date, month in zip(dates_series, months): print("날짜:", date, " 월:", month) 이 예시에서는 필요한 모듈인 pandas와 dateutil.parser를 import합니다. 그런 다음, 파싱할 날짜 문자열의 리스트를 생성합니다. 리스트 컴프리헨션을 사용하여 날짜 문자열을 순회하면서 dateutil의 parse 함수를 사용하여 파싱합니다. 이 함수는 자동으로 날짜 문자열의 형식을 감지하고 datetime 객체로 변환합니다.

다음으로, 파싱된 날짜를 pd.Series 생성자에 전달하여 pandas Series를 생성합니다. 이를 통해 pandas가 제공하는 강력한 날짜 및 시간 기능을 활용할 수 있습니다. 예시에서는 Series의 dt.month 속성을 사용하여 각 날짜의 월 구성 요소를 추출합니다. 이는 월 값을 포함하는 새로운 Series를 반환합니다.

마지막으로, 반복문을 사용하여 파싱된 날짜와 해당하는 월을 출력합니다.

pandas와 dateutil을 결합하면 DataFrame이나 Series에서 날짜 및 시간 데이터를 효율적으로 처리하고 조작할 수 있으며, 다양한 작업을 수행하고 분석이나 추가 처리를 위해 특정 날짜 구성 요소를 추출할 수 있습니다.