자전거 통행량과 그룹별 집계

실습 준비

실습 데이터 다운로드: bicycle.csv

import pandas as pd

자전거 카운터 데이터

미국 시애틀 프레몬트 브리지(Fremont Bridge)의 자전거 카운터 데이터
동쪽과 서쪽 보도를 지나는 자전거 통행량을 시간별로 기록

시애틀 프레몬트 브리지의 자전거 통행량 카운터와 자전거 이용자

data = pd.read_csv(
    'bicycle.csv',
    index_col='Date',  # Date 컬럼을 인덱스로 지정
    parse_dates=True)  # 인덱스를 날짜·시간 자료형으로 변환
data.head()

실행 결과

                     Fremont Bridge Total  Fremont Bridge East Sidewalk  \
Date                                                                      
2019-11-01 00:00:00                  12.0                           7.0   
2019-11-01 01:00:00                   7.0                           0.0   
2019-11-01 02:00:00                   1.0                           0.0   
2019-11-01 03:00:00                   6.0                           6.0   
2019-11-01 04:00:00                   6.0                           5.0   

                     Fremont Bridge West Sidewalk  
Date                                               
2019-11-01 00:00:00                           5.0  
2019-11-01 01:00:00                           7.0  
2019-11-01 02:00:00                           1.0  
2019-11-01 03:00:00                           0.0  
2019-11-01 04:00:00                           1.0

시각화

편의를 위해 컬럼 이름을 변경
- Total: 전체 통행량
- East: 동쪽 보도 통행량
- West: 서쪽 보도 통행량

data.columns = ['Total', 'East', 'West']

시간별 원자료 시각화

data.plot()

실행 결과

<Axes: xlabel='Date'>
<Figure size 640x480 with 1 Axes>

전체·동쪽·서쪽 보도의 시간별 자전거 통행량

주 단위 합계 시각화

data.resample('W').sum().plot()

실행 결과

<Axes: xlabel='Date'>
<Figure size 640x480 with 1 Axes>

주 단위로 집계한 전체·동쪽·서쪽 보도의 자전거 통행량

이동 평균

일 단위 합계를 계산한 뒤 30일 이동 평균을 계산
daily: 하루에 한 행이므로 30개 관측값은 30일에 해당

daily = data.resample('D').sum()
daily.rolling(30, center=True).mean().plot()  # 30일 평균을 구간 중심에 표시

실행 결과

<Axes: xlabel='Date'>
<Figure size 640x480 with 1 Axes>

일별 통행량 합계의 30일 이동 평균

가우스 가중 이동 합계

중심에 가까운 날짜에 더 큰 가중치를 주고, 먼 날짜에 더 작은 가중치를 주는 방식
win_type='gaussian': 가우스 형태의 가중치
구간 길이 50일, 가우스 가중치의 표준편차 10
sum(): 가중 이동 합계. 가중 이동 평균과 구별

roll = daily.rolling(50, center=True, win_type='gaussian')  # 50일 가중 구간
roll.sum(std=10).plot()  # 가중치의 표준편차 10

실행 결과

<Axes: xlabel='Date'>
<Figure size 640x480 with 1 Axes>

중심에서 먼 날짜에 작은 가중치를 적용한 50일 가우스 가중 이동 합계

시간대별 평균

data.index.time: 날짜를 제외한 시각
같은 시각의 관측값을 groupby()로 모아 평균 계산

by_time = data.groupby(data.index.time).mean()
by_time.plot()

실행 결과

<Axes: xlabel='time'>
<Figure size 640x480 with 1 Axes>

여러 날짜의 같은 시각을 모아 계산한 시간대별 평균 통행량

가로 눈금을 4시간 간격으로

시각 인덱스의 그래프에서 눈금 위치는 자정부터 경과한 초 단위
4 * 60 * 60: 4시간을 초로 환산
np.arange(6): 0, 1, 2, 3, 4, 5
눈금 시각: 00:00, 04:00, 08:00, 12:00, 16:00, 20:00
style: Total, East, West 순서대로 점선, 대시, 실선 지정

import numpy as np
hourly_ticks = 4 * 60 * 60 * np.arange(6)  # 0시부터 20시까지 4시간 간격, 초 단위
by_time.plot(xticks=hourly_ticks, style=[':', '--', '-'])

실행 결과

<Axes: xlabel='time'>
<Figure size 640x480 with 1 Axes>

4시간 간격의 눈금과 서로 다른 선 모양으로 표시한 시간대별 평균 통행량

요일별 평균

data.index.dayofweek: 월요일 0부터 일요일 6까지의 요일 번호
같은 요일의 시간별 관측값을 모아 평균 계산

by_weekday = data.groupby(data.index.dayofweek).mean()
by_weekday.index = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
by_weekday.plot()

실행 결과

<Axes: >
<Figure size 640x480 with 1 Axes>

월요일부터 일요일까지의 요일별 평균 통행량

이 평균은 요일별 하루 총통행량이 아니라 해당 요일의 시간별 관측값 평균

주중과 주말의 비교

요일 번호가 5보다 작으면 주중, 나머지는 주말로 구분
주중·주말과 시각을 함께 기준으로 삼아 평균 계산

weekend = np.where(data.index.weekday < 5, 'Weekday', 'Weekend')  # 월~금과 토~일 구분
by_time = data.groupby([weekend, data.index.time]).mean()

by_time.loc['Weekday']: 주중의 시간대별 평균

by_time.loc['Weekday'].plot(xticks=hourly_ticks)

실행 결과

<Axes: xlabel='time'>
<Figure size 640x480 with 1 Axes>

오전과 오후에 봉우리가 나타나는 주중의 시간대별 평균 통행량

by_time.loc['Weekend']: 주말의 시간대별 평균

by_time.loc['Weekend'].plot(xticks=hourly_ticks)

실행 결과

<Axes: xlabel='time'>
<Figure size 640x480 with 1 Axes>

낮 시간대에 넓은 봉우리가 나타나는 주말의 시간대별 평균 통행량

하나의 그림에 합쳐 그리기

plt.subplots(1, 2): 한 행에 두 개의 그래프 배치
ax[0]: 왼쪽 그래프에 주중 평균 표시
ax[1]: 오른쪽 그래프에 주말 평균 표시
하나의 셀에서 실행

import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2, figsize=(14, 5))  # 한 행, 두 열로 비교
by_time.loc['Weekday'].plot(ax=ax[0], title='Weekdays', xticks=hourly_ticks)
by_time.loc['Weekend'].plot(ax=ax[1], title='Weekends', xticks=hourly_ticks)

실행 결과

<Axes: title={'center': 'Weekends'}, xlabel='time'>
<Figure size 1400x500 with 2 Axes>

한 그림의 두 패널에 배치한 주중과 주말의 시간대별 평균 통행량

주중: 오전과 오후에 두 개의 뚜렷한 봉우리
주말: 낮 시간대에 하나의 넓은 봉우리
두 패널의 세로축 범위가 다르므로 통행량은 눈금의 수치로 비교

퀴즈

문제 1 / 6맞음: 0힌트: 0틀림: 0채점중: 0남음: 6

data.resample('W').sum()의 결과는 무엇인가요?

○주마다 시간별 관측값의 평균을 계산한 통행량
○주 단위로 시간별 관측값을 합한 통행량
○각 주의 마지막 관측값만 선택한 통행량
○매일 이전 7개 관측값의 평균을 계산한 통행량

퀴즈를 풀려면 대화형 기능을 불러와야 합니다.

data.resample('W').sum()의 결과는 무엇인가요?

시간 구간을 정한 뒤 그 구간 안의 값을 어떤 함수로 모으는지 확인합니다.

주마다 시간별 관측값의 평균을 계산한 통행량주 단위로 시간별 관측값을 합한 통행량각 주의 마지막 관측값만 선택한 통행량매일 이전 7개 관측값의 평균을 계산한 통행량

주 단위로 시간별 관측값을 합한 통행량

roll.sum(std=10)에서 가우스 가중치를 적용한 결과를 올바르게 설명한 것은 무엇인가요?

가중치를 적용한 뒤 합계를 구하는 연산과 평균을 구하는 연산을 구별합니다.

가중치의 합으로 나눈 가중 이동 평균구간의 가장 높은 관측값을 선택한 최댓값가중치를 곱한 관측값을 더한 이동 합계모든 관측값에 같은 가중치를 준 이동 평균

가중치를 곱한 관측값을 더한 이동 합계

data.groupby(data.index.time).mean()은 어떤 관측값을 같은 그룹으로 묶나요?

날짜 인덱스에서 날짜 부분을 제외하고 남는 정보를 생각합니다.

여러 날짜에서 시각이 같은 관측값연도가 같은 모든 관측값요일이 같은 모든 관측값날짜 전체가 같은 관측값

여러 날짜에서 시각이 같은 관측값

data.groupby(data.index.dayofweek).mean()으로 구한 요일별 통행량은 어떤 평균인가요?

그룹을 묶기 전에 원자료의 한 행이 어떤 시간 단위를 나타내는지 확인합니다.

각 요일의 하루 총통행량을 먼저 합한 뒤 구한 평균각 주의 마지막 관측값을 요일별로 모은 평균요일마다 가장 큰 시간별 통행량만 모은 평균같은 요일에 속하는 시간별 관측값의 평균

같은 요일에 속하는 시간별 관측값의 평균

data.groupby([weekend, data.index.time]).mean()에 대한 올바른 설명을 모두 고르세요.

대괄호 안의 두 기준을 함께 적용하며, weekend에는 요일마다 다른 이름이 아닌 두 범주가 저장되어 있습니다.

주중과 주말을 서로 다른 그룹으로 구분한다.여러 날짜의 관측값을 같은 시각끼리 모은다.각 그룹에서 통행량 컬럼별 평균을 계산한다.월요일부터 일요일까지 일곱 요일을 별도 그룹으로 구분한다.

주중과 주말을 서로 다른 그룹으로 구분한다., 여러 날짜의 관측값을 같은 시각끼리 모은다., 각 그룹에서 통행량 컬럼별 평균을 계산한다.

두 그래프를 나란히 배치한 코드에서 plot(ax=ax[0])의 역할은 무엇인가요?

subplots가 만든 그래프 영역 중 어느 곳에 그릴지 지정하는 인자입니다.

전체 통행량 컬럼만 선택한다.첫 번째 그래프 영역에 결과를 그린다.가로 눈금을 0시부터 시작하게 한다.두 그래프의 세로축 범위를 같게 한다.

첫 번째 그래프 영역에 결과를 그린다.