기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Pandas] 데이터 병합:concat

데이터 병합

다음은 일정기간의 코스피와 원-달러의 종가 데이터를 호출한 것입니다(yahoo finantical 자료 호출 참조).

import numpy as np 
import pandas as pd 
import yfinance as yf
st=pd.Timestamp(2024, 9, 1)
et=pd.Timestamp(2024, 9,22)
d=yf.download("^KS11", start=st, end=et)["Close"]
d.head(2)
Date
2024-09-02    2681.000000
2024-09-03    2664.629883
Name: Close, dtype: float64
dw=yf.download("KRW=X", st, et)
dwC=dw.Close
dwC.head(2)
Date
2024-09-02    1336.579956
2024-09-03    1337.550049
Name: Close, dtype: float64

데이터 d와 dw의 합치기 위해 다양한 방법을 적용할 수 있습니다.

union(), intersection() 메서드를 사용하여 각 자료의 index를 조정하여 pd.concat() 등의 함수를 사용할 수 있습니다.

  • union: 인덱스 모두를 결합하여 나타냅니다. 즉, 합집합입니다.
  • intersection: 두 인덱스들의 공통부분을 추출합니다. 즉, 교집합입니다.
idx1=d.index; idx1
DatetimeIndex(['2024-09-02', '2024-09-03', '2024-09-04', '2024-09-05',
               '2024-09-06', '2024-09-09', '2024-09-10', '2024-09-11',
               '2024-09-12', '2024-09-13', '2024-09-19', '2024-09-20'],
              dtype='datetime64[ns]', name='Date', freq=None)
idx2=dw.index;idx2
DatetimeIndex(['2024-09-02', '2024-09-03', '2024-09-04', '2024-09-05',
               '2024-09-06', '2024-09-09', '2024-09-10', '2024-09-11',
               '2024-09-12', '2024-09-13', '2024-09-16', '2024-09-17',
               '2024-09-18', '2024-09-19', '2024-09-20'],
              dtype='datetime64[ns]', name='Date', freq=None)
idx1=d.index
idx2=dw.index
idx_u=idx1.union(idx2)
all(idx_u == idx2)
True
idx_i=idx1.intersection(idx2)
all(idx_i==idx1)
True

위에서 생성한 idx_i를 적용하여 서로 공통되는 부분을 결합합니다. 결합은 pd.concat([df1,df2,…], axis=0, join="outer" …) 함수를 사용합니다.

pd.concat([d, dwC[idx_i]], axis=1).head(2)
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049

위에서 사용한 pd.concat() 함수는 두 개이상의 다른 데이터들을 결합하기 위해 사용합니다.

  • 인수중 axis로 결합방향을 지정합니다. 0인 경우 종방향, 1인 경우 횡방향으로 결합합니다. 기본값은 0
  • join은 결합방식을 결정합니다. 결합할 객체들의 행 또는 열의 수가 다를 경우 join="outer"은 모두 결합합니다. 그러므로 대응되는 데이터가 없을 경우 NaN로 표현됩니다. 반면에 join="inner"는 공통되는 부분만을 결합합니다.

직전의 결과는 다음과 같습니다.

pd.concat([d, dwC], axis=1, join="inner")
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049
⋮ ⋮ ⋮
pd.concat([d, dwC], axis=1)
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049
2024-09-04 2580.800049 1340.410034
⋮ ⋮ ⋮
2024-09-16 NaN 1329.510010
2024-09-17 NaN 1319.109985
2024-09-18 NaN 1322.930054
⋮ ⋮ ⋮

aixs=0(기본값)을 적용한 경우 종방향으로 결합합니다.

pd.concat([d,dwC])
Date
2024-09-02    2681.000000
2024-09-03    2664.629883
    ⋮
2024-09-20    2593.370117
2024-09-02    1336.579956
2024-09-03    1337.550049
    ⋮
2024-09-19    1322.260010
2024-09-20    1327.609985
Name: Close, dtype: float64

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...