[빅분기] 유형1_Time

작성일자 : 2023-10-30

Ver 0.1.1

 

33 ~ 100 문제 풀이 : https://youtu.be/00rctVVSSoA?si=Du3KDMiQeHq7Gp-F

5. Time Series¶

주가 데이터 : https://raw.githubusercontent.com/guipsamora/pandas_exercises/master/06_Stats/Wind_Stats/wind.data
DataUrl = 'https://raw.githubusercontent.com/Datamanim/pandas/main/timeTest.csv'

In [1]:

import pandas as pd

In [53]:

df7 = pd.read_csv('https://raw.githubusercontent.com/Datamanim/pandas/main/timeTest.csv')
df7.head()

Out[53]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL
0	2061-01-01	15.04	14.96	13.17	9.29	NaN	9.87	13.67	10.25	10.83	12.58	18.50	15.04
1	2061-01-02	14.71	NaN	10.83	6.50	12.62	7.67	11.50	10.04	9.79	9.67	17.54	13.83
2	2061-01-03	18.50	16.88	12.33	10.13	11.17	6.17	11.25	NaN	8.50	7.67	12.75	12.71
3	2061-01-04	10.58	6.63	11.75	4.58	4.54	2.88	8.63	1.79	5.83	5.88	5.46	10.88
4	2061-01-05	13.33	13.25	11.42	6.17	10.71	8.21	11.92	6.54	10.92	10.34	12.92	11.83

Q64. 데이터를 로드하고 각 열의 데이터 타입을 파악하라

In [54]:

df7.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6574 entries, 0 to 6573
Data columns (total 13 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   Yr_Mo_Dy  6574 non-null   object 
 1   RPT       6568 non-null   float64
 2   VAL       6571 non-null   float64
 3   ROS       6572 non-null   float64
 4   KIL       6569 non-null   float64
 5   SHA       6572 non-null   float64
 6   BIR       6574 non-null   float64
 7   DUB       6571 non-null   float64
 8   CLA       6572 non-null   float64
 9   MUL       6571 non-null   float64
 10  CLO       6573 non-null   float64
 11  BEL       6574 non-null   float64
 12  MAL       6570 non-null   float64
dtypes: float64(12), object(1)
memory usage: 667.8+ KB

Q65. Yr_Mo_Dy을 판다스에서 인식할 수 있는 datetime64타입으로 변경하라

In [55]:

df7.Yr_Mo_Dy = pd.to_datetime(df7.Yr_Mo_Dy)
Ans = df7.Yr_Mo_Dy

In [56]:

pd.to_datetime(df7['Yr_Mo_Dy'])

Out[56]:

0      2061-01-01
1      2061-01-02
2      2061-01-03
3      2061-01-04
4      2061-01-05
          ...    
6569   1978-12-27
6570   1978-12-28
6571   1978-12-29
6572   1978-12-30
6573   1978-12-31
Name: Yr_Mo_Dy, Length: 6574, dtype: datetime64[ns]

In [57]:

df7.head()

Out[57]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL
0	2061-01-01	15.04	14.96	13.17	9.29	NaN	9.87	13.67	10.25	10.83	12.58	18.50	15.04
1	2061-01-02	14.71	NaN	10.83	6.50	12.62	7.67	11.50	10.04	9.79	9.67	17.54	13.83
2	2061-01-03	18.50	16.88	12.33	10.13	11.17	6.17	11.25	NaN	8.50	7.67	12.75	12.71
3	2061-01-04	10.58	6.63	11.75	4.58	4.54	2.88	8.63	1.79	5.83	5.88	5.46	10.88
4	2061-01-05	13.33	13.25	11.42	6.17	10.71	8.21	11.92	6.54	10.92	10.34	12.92	11.83

In [58]:

df7.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6574 entries, 0 to 6573
Data columns (total 13 columns):
 #   Column    Non-Null Count  Dtype         
---  ------    --------------  -----         
 0   Yr_Mo_Dy  6574 non-null   datetime64[ns]
 1   RPT       6568 non-null   float64       
 2   VAL       6571 non-null   float64       
 3   ROS       6572 non-null   float64       
 4   KIL       6569 non-null   float64       
 5   SHA       6572 non-null   float64       
 6   BIR       6574 non-null   float64       
 7   DUB       6571 non-null   float64       
 8   CLA       6572 non-null   float64       
 9   MUL       6571 non-null   float64       
 10  CLO       6573 non-null   float64       
 11  BEL       6574 non-null   float64       
 12  MAL       6570 non-null   float64       
dtypes: datetime64[ns](1), float64(12)
memory usage: 667.8 KB

Q66. Yr_Mo_Dy에 존재하는 년도의 유일값을 모두 출력하라

In [52]:

sorted(df7.Yr_Mo_Dy.dt.year.unique())

Out[52]:

[1971.0,
 1972.0,
 1973.0,
 1974.0,
 1975.0,
 1976.0,
 1977.0,
 1978.0,
 2061.0,
 2062.0,
 2063.0,
 2064.0,
 2065.0,
 2066.0,
 2067.0,
 2068.0,
 2069.0,
 2070.0,
 nan]

Q67. Yr_Mo_Dy에 년도가 2061년 이상의 경우에는 모두 잘못된 데이터이다. 해당경우의 값은 100을 빼서 새롭게 날짜를 Yr_Mo_Dy 컬럼에 정의하라

In [17]:

df7.loc['Yr_Mo_Dy'] = pd.to_datetime(df7['Yr_Mo_Dy'].astype('str').map(lambda x :  str(int(x[ : 4]) -100) + x[4:] if x[:4] >= '2061' else x ))

In [18]:

df7

Out[18]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL
0	2061-01-01	15.04	14.96	13.17	9.29	NaN	9.87	13.67	10.25	10.83	12.58	18.5	15.04
1	2061-01-02	14.71	NaN	10.83	6.5	12.62	7.67	11.5	10.04	9.79	9.67	17.54	13.83
2	2061-01-03	18.5	16.88	12.33	10.13	11.17	6.17	11.25	NaN	8.5	7.67	12.75	12.71
3	2061-01-04	10.58	6.63	11.75	4.58	4.54	2.88	8.63	1.79	5.83	5.88	5.46	10.88
4	2061-01-05	13.33	13.25	11.42	6.17	10.71	8.21	11.92	6.54	10.92	10.34	12.92	11.83
...	...	...	...	...	...	...	...	...	...	...	...	...	...
6570	1978-12-28	13.21	5.46	13.46	5.0	8.12	9.42	14.33	16.25	15.25	18.05	21.79	41.46
6571	1978-12-29	14.0	10.29	14.42	8.71	9.71	10.54	19.17	12.46	14.5	16.42	18.88	29.58
6572	1978-12-30	18.5	14.04	21.29	9.13	12.75	9.71	18.08	12.87	12.46	12.12	14.67	28.79
6573	1978-12-31	20.33	17.41	27.29	9.59	12.08	10.13	19.25	11.63	11.58	11.38	12.08	22.08
Yr_Mo_Dy	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT	NaT

6575 rows × 13 columns

In [59]:

def fix_century(x):
    import datetime
    
    year = x.year - 100 if x.year >= 2061 else x.year
    return pd.to_datetime(datetime.date(year, x.month, x.day))


df7['Yr_Mo_Dy'] = df7['Yr_Mo_Dy'].apply(fix_century)

In [61]:

Ans

Out[61]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL
0	1961-01-01	15.04	14.96	13.17	9.29	NaN	9.87	13.67	10.25	10.83	12.58	18.50	15.04
1	1961-01-02	14.71	NaN	10.83	6.50	12.62	7.67	11.50	10.04	9.79	9.67	17.54	13.83
2	1961-01-03	18.50	16.88	12.33	10.13	11.17	6.17	11.25	NaN	8.50	7.67	12.75	12.71
3	1961-01-04	10.58	6.63	11.75	4.58	4.54	2.88	8.63	1.79	5.83	5.88	5.46	10.88

Q68. 년도별 각컬럼의 평균값을 구하여라

In [63]:

df7.groupby(df7['Yr_Mo_Dy'].dt.year).mean()

Out[63]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL
Yr_Mo_Dy
1961	1961-07-02 00:00:00	12.299583	10.351796	11.362369	6.958227	10.881763	7.729726	9.733923	8.858788	8.647652	9.835577	13.502795	13.680773
1962	1962-07-02 00:00:00	12.246923	10.110438	11.732712	6.960440	10.657918	7.393068	11.020712	8.793753	8.316822	9.676247	12.930685	14.323956
1963	1963-07-02 00:00:00	12.813452	10.836986	12.541151	7.330055	11.724110	8.434712	11.075699	10.336548	8.903589	10.224438	13.638877	14.999014
1964	1964-07-01 12:00:00	12.363661	10.920164	12.104372	6.787787	11.454481	7.570874	10.259153	9.467350	7.789016	10.207951	13.740546	14.910301
1965	1965-07-02 00:00:00	12.451370	11.075534	11.848767	6.858466	11.024795	7.478110	10.618712	8.879918	7.907425	9.918082	12.964247	15.591644
1966	1966-07-02 00:00:00	13.461973	11.557205	12.020630	7.345726	11.805041	7.793671	10.579808	8.835096	8.514438	9.768959	14.265836	16.307260
1967	1967-07-02 00:00:00	12.737151	10.990986	11.739397	7.143425	11.630740	7.368164	10.652027	9.325616	8.645014	9.547425	14.774548	17.135945
1968	1968-07-01 12:00:00	11.835628	10.468197	11.409754	6.477678	10.760765	6.067322	8.859180	8.255519	7.224945	7.832978	12.808634	15.017486
1969	1969-07-02 00:00:00	11.166356	9.723699	10.902000	5.767973	9.873918	6.189973	8.564493	7.711397	7.924521	7.754384	12.621233	15.762904
1970	1970-07-02 00:00:00	12.600329	10.726932	11.730247	6.217178	10.567370	7.609452	9.609890	8.334630	9.297616	8.289808	13.183644	16.456027
1971	1971-07-02 00:00:00	11.273123	9.095178	11.088329	5.241507	9.440329	6.097151	8.385890	6.757315	7.915370	7.229753	12.208932	15.025233
1972	1972-07-01 12:00:00	12.463962	10.561311	12.058333	5.929699	9.430410	6.358825	9.704508	7.680792	8.357295	7.515273	12.727377	15.028716
1973	1973-07-02 00:00:00	11.828466	10.680493	10.680493	5.547863	9.640877	6.548740	8.482110	7.614274	8.245534	7.812411	12.169699	15.441096
1974	1974-07-02 00:00:00	13.643096	11.811781	12.336356	6.427041	11.110986	6.809781	10.084603	9.896986	9.331753	8.736356	13.252959	16.947671
1975	1975-07-02 00:00:00	12.008575	10.293836	11.564712	5.269096	9.190082	5.668521	8.562603	7.843836	8.797945	7.382822	12.631671	15.307863
1976	1976-07-01 12:00:00	11.737842	10.203115	10.761230	5.109426	8.846339	6.311038	9.149126	7.146202	8.883716	7.883087	12.332377	15.471448
1977	1977-07-02 00:00:00	13.099616	11.144493	12.627836	6.073945	10.003836	8.586438	11.523205	8.378384	9.098192	8.821616	13.459068	16.590849
1978	1978-07-02 00:00:00	12.504356	11.044274	11.380000	6.082356	10.167233	7.650658	9.489342	8.800466	9.089753	8.301699	12.967397	16.771370

Q69. weekday컬럼을 만들고 요일별로 매핑하라 ( 월요일: 0 ~ 일요일 :6)

In [66]:

df7['Yr_Mo_Dy'].dt.day_name()

Out[66]:

0          Sunday
1          Monday
2         Tuesday
3       Wednesday
4        Thursday
          ...    
6569    Wednesday
6570     Thursday
6571       Friday
6572     Saturday
6573       Sunday
Name: Yr_Mo_Dy, Length: 6574, dtype: object

In [64]:

df7['Yr_Mo_Dy'].dt.day_of_week

Out[64]:

0       6
1       0
2       1
3       2
4       3
       ..
6569    2
6570    3
6571    4
6572    5
6573    6
Name: Yr_Mo_Dy, Length: 6574, dtype: int32

In [68]:

df7['weekday'] = df7.Yr_Mo_Dy.dt.weekday

Ans = df7['weekday'].to_frame()

In [69]:

Ans

Out[69]:

	weekday
0	6
1	0
2	1
3	2
4	3
...	...
6569	2
6570	3
6571	4
6572	5
6573	6

6574 rows × 1 columns

Q70. weekday컬럼을 기준으로 주말이면 1 평일이면 0의 값을 가지는 WeekCheck 컬럼을 만들어라

In [70]:

df7['WeekCheck']  = df7['weekday'].map(lambda x : 1 if x in [5,6] else 0)

Ans = df7['WeekCheck'].to_frame()

In [71]:

Ans

Out[71]:

	WeekCheck
0	1
1	0
2	0
3	0
4	0
...	...
6569	0
6570	0
6571	0
6572	1
6573	1

6574 rows × 1 columns

Q71. 년도, 일자 상관없이 모든 컬럼의 각 달의 평균을 구하여라

In [74]:

Ans = df7.groupby(df7['Yr_Mo_Dy'].dt.month).mean()
Ans

Out[74]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
Yr_Mo_Dy
1	1969-07-17 06:40:00.000000000	14.847325	12.914560	13.299624	7.199498	11.667734	8.054839	11.819355	9.512047	9.543208	10.053566	14.550520	18.028763	2.989247	0.284946
2	1969-08-17 07:50:33.070866142	13.710906	12.111122	12.879132	6.942411	11.551772	7.633858	11.206024	9.341437	9.313169	9.518051	13.728898	17.156142	3.005906	0.287402
3	1969-09-14 12:00:00.000000000	13.158687	11.505842	12.648118	7.265907	11.554516	7.959409	11.310179	9.635896	9.700324	10.096953	13.810609	16.909317	3.000000	0.283154
4	1969-10-15 00:00:00.000000000	12.555648	10.429759	12.204815	6.898037	10.677667	7.441389	10.221315	8.909056	8.930870	9.158019	12.664759	14.937611	3.011111	0.288889
5	1969-11-14 12:00:00.000000000	11.724032	10.145619	11.550394	6.307487	10.224301	6.942061	8.797738	8.452903	8.040806	8.524857	12.767258	13.736039	2.982079	0.283154
6	1969-12-15 00:00:00.000000000	10.451317	8.949704	10.361315	5.652278	9.529926	6.410093	8.009556	7.920796	7.639796	7.729185	12.246407	12.861818	3.007407	0.285185
7	1970-01-14 12:00:00.000000000	9.992007	8.357778	9.349642	5.416935	9.302634	5.972348	7.843501	7.262760	7.544480	7.321416	11.676505	12.800789	3.001792	0.288530
8	1970-02-14 12:00:00.000000000	10.213411	8.415143	9.993441	5.270681	8.901559	5.891057	7.772312	6.842025	7.240573	7.002783	11.110090	12.565943	2.991039	0.283154
9	1970-03-17 00:00:00.000000000	11.458519	9.981002	10.756883	5.615176	9.766315	6.566222	8.609722	7.745677	7.610556	7.689278	12.686389	14.761963	3.009259	0.287037
10	1970-04-16 12:00:00.000000000	12.660610	11.010681	11.453943	6.065215	10.550251	7.159910	9.387778	8.726308	8.347181	8.850376	14.155323	16.697151	2.998208	0.286738
11	1970-05-17 00:00:00.000000000	13.200722	11.639500	12.293407	6.247611	10.501130	7.134333	10.814861	8.427167	8.604000	8.943167	13.815741	18.114185	2.992593	0.283333
12	1970-06-16 12:00:00.000000000	14.446398	12.353602	13.212276	6.829910	11.301254	7.963710	11.849050	9.209355	9.447258	9.627670	14.259516	18.697599	3.017921	0.288530

Q72. 모든 결측치는 컬럼기준 직전의 값으로 대체하고 첫번째 행에 결측치가 있을경우 뒤에있는 값으로 대채하라

In [75]:

df7.isnull().sum(0)

Out[75]:

Yr_Mo_Dy     0
RPT          6
VAL          3
ROS          2
KIL          5
SHA          2
BIR          0
DUB          3
CLA          2
MUL          3
CLO          1
BEL          0
MAL          4
weekday      0
WeekCheck    0
dtype: int64

In [78]:

df7.loc[df7['RPT'].isnull()]

Out[78]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
28	1961-01-29	NaN	23.91	22.29	17.54	24.08	19.70	22.00	20.25	21.46	19.95	27.71	23.38	6	1
70	1961-03-12	NaN	13.88	16.38	10.25	14.92	13.67	17.12	13.70	16.29	15.79	20.50	22.54	6	1
179	1961-06-29	NaN	10.46	7.96	6.79	12.62	7.08	8.33	9.46	7.08	10.92	20.88	10.79	3	0
222	1961-08-11	NaN	6.75	8.29	5.00	8.58	4.83	6.83	6.25	5.79	5.25	5.88	8.38	4	0
284	1961-10-12	NaN	8.71	4.67	3.67	9.08	6.54	5.58	6.38	4.00	5.37	12.46	10.75	3	0
427	1962-03-04	NaN	5.33	13.50	6.13	6.46	2.71	5.33	3.79	4.46	4.04	2.71	7.08	6	1

In [83]:

df7.iloc[ 27 : 30, :]

Out[83]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
27	1961-01-28	17.67	13.54	13.33	8.87	15.04	11.63	12.25	10.58	11.92	11.04	20.30	18.12	5	1
28	1961-01-29	NaN	23.91	22.29	17.54	24.08	19.70	22.00	20.25	21.46	19.95	27.71	23.38	6	1
29	1961-01-30	12.21	11.42	10.92	7.92	13.08	9.62	14.50	10.21	9.92	11.96	18.88	19.25	0	0

In [84]:

df7.iloc[ 27 : 30, :].fillna(method='ffill')

Out[84]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
27	1961-01-28	17.67	13.54	13.33	8.87	15.04	11.63	12.25	10.58	11.92	11.04	20.30	18.12	5	1
28	1961-01-29	17.67	23.91	22.29	17.54	24.08	19.70	22.00	20.25	21.46	19.95	27.71	23.38	6	1
29	1961-01-30	12.21	11.42	10.92	7.92	13.08	9.62	14.50	10.21	9.92	11.96	18.88	19.25	0	0

In [85]:

df7.iloc[ 27 : 30, :].fillna(method='bfill')

Out[85]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
27	1961-01-28	17.67	13.54	13.33	8.87	15.04	11.63	12.25	10.58	11.92	11.04	20.30	18.12	5	1
28	1961-01-29	12.21	23.91	22.29	17.54	24.08	19.70	22.00	20.25	21.46	19.95	27.71	23.38	6	1
29	1961-01-30	12.21	11.42	10.92	7.92	13.08	9.62	14.50	10.21	9.92	11.96	18.88	19.25	0	0

In [79]:

df7.loc[df7['RPT'].isnull()].fillna(method= 'ffill')

Out[79]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
28	1961-01-29	NaN	23.91	22.29	17.54	24.08	19.70	22.00	20.25	21.46	19.95	27.71	23.38	6	1
70	1961-03-12	NaN	13.88	16.38	10.25	14.92	13.67	17.12	13.70	16.29	15.79	20.50	22.54	6	1
179	1961-06-29	NaN	10.46	7.96	6.79	12.62	7.08	8.33	9.46	7.08	10.92	20.88	10.79	3	0
222	1961-08-11	NaN	6.75	8.29	5.00	8.58	4.83	6.83	6.25	5.79	5.25	5.88	8.38	4	0
284	1961-10-12	NaN	8.71	4.67	3.67	9.08	6.54	5.58	6.38	4.00	5.37	12.46	10.75	3	0
427	1962-03-04	NaN	5.33	13.50	6.13	6.46	2.71	5.33	3.79	4.46	4.04	2.71	7.08	6	1

In [51]:

df7 = df7.fillna(method='ffill').fillna(method='bfill')

In [52]:

df7.isnull().sum(0)

Out[52]:

Yr_Mo_Dy     0
RPT          0
VAL          0
ROS          0
KIL          0
SHA          0
BIR          0
DUB          0
CLA          0
MUL          0
CLO          0
BEL          0
MAL          0
weekday      0
WeekCheck    0
dtype: int64

Q73. 년도 - 월을 기준으로 모든 컬럼의 평균값을 구하여라

In [92]:

df7['Yr_Mo_Dy'].dt.strftime('%Y').head()

Out[92]:

0    1961
1    1961
2    1961
3    1961
4    1961
Name: Yr_Mo_Dy, dtype: object

In [93]:

df7['Yr_Mo_Dy'].dt.strftime('%y-%m-%d').head()

Out[93]:

0    61-01-01
1    61-01-02
2    61-01-03
3    61-01-04
4    61-01-05
Name: Yr_Mo_Dy, dtype: object

In [94]:

df7['Yr_Mo_Dy'].dt.strftime('%Y-%m-%d').head()

Out[94]:

0    1961-01-01
1    1961-01-02
2    1961-01-03
3    1961-01-04
4    1961-01-05
Name: Yr_Mo_Dy, dtype: object

In [95]:

df7['Yr_Mo_Dy'].dt.strftime('%Y-%m-%d %H:%M:%S').head()

Out[95]:

0    1961-01-01 00:00:00
1    1961-01-02 00:00:00
2    1961-01-03 00:00:00
3    1961-01-04 00:00:00
4    1961-01-05 00:00:00
Name: Yr_Mo_Dy, dtype: object

In [96]:

df7.groupby(df7['Yr_Mo_Dy'].dt.strftime('%Y-%m')).mean()

Out[96]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
Yr_Mo_Dy
1961-01	1961-01-16 00:00:00	14.841333	11.988333	13.431613	7.736774	11.072759	8.588065	11.184839	9.245333	9.085806	10.107419	13.880968	14.703226	2.935484	0.290323
1961-02	1961-02-14 12:00:00	16.269286	14.975357	14.441481	9.230741	13.852143	10.937500	11.890714	11.846071	11.821429	12.714286	18.583214	15.411786	3.000000	0.285714
1961-03	1961-03-16 00:00:00	10.890000	11.296452	10.752903	7.284000	10.509355	8.866774	9.644194	9.829677	10.294138	11.251935	16.410968	15.720000	3.000000	0.258065
1961-04	1961-04-15 12:00:00	10.722667	9.427667	9.998000	5.830667	8.435000	6.495000	6.925333	7.094667	7.342333	7.237000	11.147333	10.278333	3.166667	0.333333
1961-05	1961-05-16 00:00:00	9.860968	8.850000	10.818065	5.905333	9.490323	6.574839	7.604000	8.177097	8.039355	8.499355	11.900323	12.011613	2.806452	0.258065
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1978-08	1978-08-16 00:00:00	9.645161	8.259355	9.032258	4.502903	7.368065	5.935161	5.650323	5.417742	7.241290	5.536774	10.466774	12.054194	2.903226	0.258065
1978-09	1978-09-15 12:00:00	10.913667	10.895000	10.635000	5.725000	10.372000	9.278333	10.790333	9.583000	10.069333	8.939000	15.680333	19.391333	3.100000	0.300000
1978-10	1978-10-16 00:00:00	9.897742	8.670968	9.295806	4.721290	8.525161	6.774194	8.115484	7.337742	8.297742	8.243871	13.776774	17.150000	2.935484	0.290323
1978-11	1978-11-15 12:00:00	16.151667	14.802667	13.508000	7.317333	11.475000	8.743000	11.492333	9.657333	10.701333	10.676000	17.404667	20.723000	2.966667	0.266667
1978-12	1978-12-16 00:00:00	16.175484	13.748065	15.635161	7.094839	11.398710	9.241613	12.077419	10.194839	10.616774	11.028710	13.859677	21.371613	3.193548	0.322581

216 rows × 15 columns

In [86]:

Ans = df7.groupby(df7['Yr_Mo_Dy'].dt.to_period('M')).mean()
Ans.head()

Out[86]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck
Yr_Mo_Dy
1961-01	1961-01-16 00:00:00	14.841333	11.988333	13.431613	7.736774	11.072759	8.588065	11.184839	9.245333	9.085806	10.107419	13.880968	14.703226	2.935484	0.290323
1961-02	1961-02-14 12:00:00	16.269286	14.975357	14.441481	9.230741	13.852143	10.937500	11.890714	11.846071	11.821429	12.714286	18.583214	15.411786	3.000000	0.285714
1961-03	1961-03-16 00:00:00	10.890000	11.296452	10.752903	7.284000	10.509355	8.866774	9.644194	9.829677	10.294138	11.251935	16.410968	15.720000	3.000000	0.258065
1961-04	1961-04-15 12:00:00	10.722667	9.427667	9.998000	5.830667	8.435000	6.495000	6.925333	7.094667	7.342333	7.237000	11.147333	10.278333	3.166667	0.333333
1961-05	1961-05-16 00:00:00	9.860968	8.850000	10.818065	5.905333	9.490323	6.574839	7.604000	8.177097	8.039355	8.499355	11.900323	12.011613	2.806452	0.258065

Q74. RPT 컬럼의 값을 일자별 기준으로 1차차분하라

In [98]:

df7.loc[ : ,'RPT diff'] = df7['RPT'].diff()
df7

Out[98]:

	Yr_Mo_Dy	RPT	VAL	ROS	KIL	SHA	BIR	DUB	CLA	MUL	CLO	BEL	MAL	weekday	WeekCheck	RPT diff
0	1961-01-01	15.04	14.96	13.17	9.29	NaN	9.87	13.67	10.25	10.83	12.58	18.50	15.04	6	1	NaN
1	1961-01-02	14.71	NaN	10.83	6.50	12.62	7.67	11.50	10.04	9.79	9.67	17.54	13.83	0	0	-0.33
2	1961-01-03	18.50	16.88	12.33	10.13	11.17	6.17	11.25	NaN	8.50	7.67	12.75	12.71	1	0	3.79
3	1961-01-04	10.58	6.63	11.75	4.58	4.54	2.88	8.63	1.79	5.83	5.88	5.46	10.88	2	0	-7.92
4	1961-01-05	13.33	13.25	11.42	6.17	10.71	8.21	11.92	6.54	10.92	10.34	12.92	11.83	3	0	2.75
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
6569	1978-12-27	17.58	16.96	17.62	8.08	13.21	11.67	14.46	15.59	14.04	14.00	17.21	40.08	2	0	3.75
6570	1978-12-28	13.21	5.46	13.46	5.00	8.12	9.42	14.33	16.25	15.25	18.05	21.79	41.46	3	0	-4.37
6571	1978-12-29	14.00	10.29	14.42	8.71	9.71	10.54	19.17	12.46	14.50	16.42	18.88	29.58	4	0	0.79
6572	1978-12-30	18.50	14.04	21.29	9.13	12.75	9.71	18.08	12.87	12.46	12.12	14.67	28.79	5	1	4.50
6573	1978-12-31	20.33	17.41	27.29	9.59	12.08	10.13	19.25	11.63	11.58	11.38	12.08	22.08	6	1	1.83

6574 rows × 16 columns

In [106]:

df7.loc[ 2:4 , ('RPT', 'RPT diff')]

Out[106]:

	RPT	RPT diff
2	18.50	3.79
3	10.58	-7.92
4	13.33	2.75

Q75. RPT와 VAL의 컬럼을 일주일 간격으로 각각 이동평균한값을 구하여라

In [58]:

Ans= df7[['RPT','VAL']].rolling(7).mean() #N개 행씩 평균 계산
Ans.head(9)

Out[58]:

	RPT	VAL
0	NaN	NaN
1	NaN	NaN
2	NaN	NaN
3	NaN	NaN
4	NaN	NaN
5	NaN	NaN
6	14.124286	12.727143
7	13.541429	11.982857
8	13.237143	11.392857

서울시 미세먼지 데이터 : https://www.airkorea.or.kr/web/realSearch?pMENU_NO=97
DataUrl = https://raw.githubusercontent.com/Datamanim/pandas/main/seoul_pm.csv

Q76. 년-월-일:시 컬럼을 pandas에서 인식할 수 있는 datetime 형태로 변경하라. 서울시의 제공데이터의 경우 0시가 24시로 표현된다

In [1]:

import pandas as pd

In [2]:

df = pd.read_csv('https://raw.githubusercontent.com/Datamanim/pandas/main/seoul_pm.csv')
df.head()

Out[2]:

	(년-월-일:시)	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
0	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003
1	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003
2	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004
3	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004
4	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005

In [3]:

df = df.rename( columns = {'(년-월-일:시)' : 'date'} )
df.head()

Out[3]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
0	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003
1	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003
2	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004
3	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004
4	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005

In [4]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1239 entries, 0 to 1238
Data columns (total 13 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   date     1239 non-null   object 
 1   PM10등급   1233 non-null   object 
 2   PM10     1233 non-null   float64
 3   PM2.5등급  1232 non-null   object 
 4   PM2.5    1232 non-null   float64
 5   오존등급     1232 non-null   object 
 6   오존       1232 non-null   float64
 7   이산화질소등급  1232 non-null   object 
 8   이산화질소    1232 non-null   float64
 9   일산화탄소등급  1232 non-null   object 
 10  일산화탄소    1232 non-null   float64
 11  아황산가스등급  1232 non-null   object 
 12  아황산가스    1232 non-null   float64
dtypes: float64(6), object(7)
memory usage: 126.0+ KB

In [5]:

df.loc[df['date'].str[ -2 : ] == '24'].head() #이런 데이터는 다음 날 00시로 표시가 되어야 함

Out[5]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
15	2021-05-14:24	보통	80.0	나쁨	52.0	좋음	0.014	보통	0.054	좋음	0.7	좋음	0.006
39	2021-05-13:24	보통	49.0	보통	24.0	좋음	0.024	보통	0.035	좋음	0.5	좋음	0.004
63	2021-05-12:24	보통	38.0	보통	20.0	좋음	0.016	보통	0.050	좋음	0.5	좋음	0.001
87	2021-05-11:24	좋음	19.0	좋음	8.0	좋음	0.024	보통	0.032	좋음	0.4	좋음	0.001
111	2021-05-10:24	좋음	19.0	좋음	10.0	좋음	0.014	보통	0.035	좋음	0.5	좋음	0.001

In [6]:

import datetime

In [7]:

a = '2021-05-14:24'

In [8]:

pd.to_datetime(a.split(':')[0])

Out[8]:

Timestamp('2021-05-14 00:00:00')

In [9]:

pd.to_datetime(a.split(':')[0]) + datetime.timedelta(days = 1 )

Out[9]:

Timestamp('2021-05-15 00:00:00')

In [10]:

def date_ft(x) :
    if x[-2 : ] != '24' :
        x = x.replace( ':' , ' ')
        return pd.to_datetime(x)
    else:
        date = pd.to_datetime(x.split(':')[0]) + datetime.timedelta( days= 1)
        return date

In [11]:

df

Out[11]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
0	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003
1	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003
2	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004
3	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004
4	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005
...	...	...	...	...	...	...	...	...	...	...	...	...	...
1234	2021-03-25:05	보통	39.0	보통	18.0	좋음	0.026	좋음	0.025	좋음	0.4	좋음	0.003
1235	2021-03-25:04	보통	34.0	좋음	15.0	좋음	0.017	보통	0.033	좋음	0.4	좋음	0.002
1236	2021-03-25:03	보통	35.0	좋음	13.0	좋음	0.029	좋음	0.025	좋음	0.4	좋음	0.003
1237	2021-03-25:02	보통	35.0	좋음	13.0	보통	0.031	좋음	0.025	좋음	0.3	좋음	0.003
1238	2021-03-25:01	보통	42.0	좋음	13.0	좋음	0.022	보통	0.037	좋음	0.4	좋음	0.003

1239 rows × 13 columns

In [12]:

df['date'].apply(date_ft)

Out[12]:

0      2021-05-15 15:00:00
1      2021-05-15 14:00:00
2      2021-05-15 13:00:00
3      2021-05-15 12:00:00
4      2021-05-15 11:00:00
               ...        
1234   2021-03-25 05:00:00
1235   2021-03-25 04:00:00
1236   2021-03-25 03:00:00
1237   2021-03-25 02:00:00
1238   2021-03-25 01:00:00
Name: date, Length: 1239, dtype: datetime64[ns]

In [13]:

df['new_date'] = df['date'].apply(date_ft)

In [14]:

df

Out[14]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스	new_date
0	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003	2021-05-15 15:00:00
1	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003	2021-05-15 14:00:00
2	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004	2021-05-15 13:00:00
3	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004	2021-05-15 12:00:00
4	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005	2021-05-15 11:00:00
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1234	2021-03-25:05	보통	39.0	보통	18.0	좋음	0.026	좋음	0.025	좋음	0.4	좋음	0.003	2021-03-25 05:00:00
1235	2021-03-25:04	보통	34.0	좋음	15.0	좋음	0.017	보통	0.033	좋음	0.4	좋음	0.002	2021-03-25 04:00:00
1236	2021-03-25:03	보통	35.0	좋음	13.0	좋음	0.029	좋음	0.025	좋음	0.4	좋음	0.003	2021-03-25 03:00:00
1237	2021-03-25:02	보통	35.0	좋음	13.0	보통	0.031	좋음	0.025	좋음	0.3	좋음	0.003	2021-03-25 02:00:00
1238	2021-03-25:01	보통	42.0	좋음	13.0	좋음	0.022	보통	0.037	좋음	0.4	좋음	0.003	2021-03-25 01:00:00

1239 rows × 14 columns

Q77. 일자별 영어요일 이름을 dayName 컬럼에 저장하라

In [23]:

df['dayName'] = df['new_date'].dt.day_name()
df

Out[23]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스	new_date	dayName
0	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003	2021-05-15 15:00:00	Saturday
1	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003	2021-05-15 14:00:00	Saturday
2	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004	2021-05-15 13:00:00	Saturday
3	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004	2021-05-15 12:00:00	Saturday
4	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005	2021-05-15 11:00:00	Saturday
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1234	2021-03-25:05	보통	39.0	보통	18.0	좋음	0.026	좋음	0.025	좋음	0.4	좋음	0.003	2021-03-25 05:00:00	Thursday
1235	2021-03-25:04	보통	34.0	좋음	15.0	좋음	0.017	보통	0.033	좋음	0.4	좋음	0.002	2021-03-25 04:00:00	Thursday
1236	2021-03-25:03	보통	35.0	좋음	13.0	좋음	0.029	좋음	0.025	좋음	0.4	좋음	0.003	2021-03-25 03:00:00	Thursday
1237	2021-03-25:02	보통	35.0	좋음	13.0	보통	0.031	좋음	0.025	좋음	0.3	좋음	0.003	2021-03-25 02:00:00	Thursday
1238	2021-03-25:01	보통	42.0	좋음	13.0	좋음	0.022	보통	0.037	좋음	0.4	좋음	0.003	2021-03-25 01:00:00	Thursday

1239 rows × 15 columns

Q78. 일자별 각 PM10등급의 빈도수를 파악하라

In [28]:

df[['new_date', 'PM10등급']].groupby([df['new_date'].dt.date,'PM10등급']).size().unstack().fillna(0).astype('int')

Out[28]:

PM10등급	나쁨	매우나쁨	보통	좋음
new_date
2021-03-25	11	0	12	0
2021-03-26	21	3	0	0
2021-03-27	13	0	9	2
2021-03-28	0	0	2	22
2021-03-29	1	21	1	1
2021-03-30	3	10	11	0
2021-03-31	0	0	24	0
2021-04-01	0	0	24	0
2021-04-02	0	0	24	0
2021-04-03	0	0	14	10
2021-04-04	0	0	0	24
2021-04-05	0	0	1	23
2021-04-06	0	0	17	7
2021-04-07	7	0	13	4
2021-04-08	0	0	20	4
2021-04-09	0	0	22	2
2021-04-10	0	0	14	10
2021-04-11	0	0	24	0
2021-04-12	0	0	18	6
2021-04-13	0	0	0	24
2021-04-14	0	0	11	13
2021-04-15	0	0	24	0
2021-04-16	3	3	15	1
2021-04-17	10	3	11	0
2021-04-18	0	0	15	9
2021-04-19	0	0	24	0
2021-04-20	10	0	14	0
2021-04-21	12	0	12	0
2021-04-22	13	0	11	0
2021-04-23	0	0	18	6
2021-04-24	0	0	3	21
2021-04-25	0	0	7	17
2021-04-26	0	0	13	11
2021-04-27	0	0	14	10
2021-04-28	6	0	16	1
2021-04-29	11	0	13	0
2021-04-30	3	0	8	12
2021-05-01	0	0	12	11
2021-05-02	0	0	0	24
2021-05-03	0	0	21	3
2021-05-04	0	0	14	10
2021-05-05	1	0	13	10
2021-05-06	6	0	18	0
2021-05-07	2	11	11	0
2021-05-08	0	24	0	0
2021-05-09	2	1	19	2
2021-05-10	0	0	5	19
2021-05-11	0	0	1	23
2021-05-12	0	0	6	18
2021-05-13	0	0	22	1
2021-05-14	2	0	22	0
2021-05-15	8	0	8	0

Q79. 시간이 연속적으로 존재하며 결측치가 없는지 확인하라

In [30]:

df['new_date'].diff().dropna().unique()

Out[30]:

<TimedeltaArray>
['-1 days +23:00:00']
Length: 1, dtype: timedelta64[ns]

Q80. 오전 10시와 오후 10시(22시)의 PM10의 평균값을 각각 구하여라

In [49]:

print(df.groupby(df['new_date'].dt.hour)['PM10'].mean()[10])
print(df.groupby(df['new_date'].dt.hour)['PM10'].mean()[20])

70.38461538461539
67.66666666666667

Q81. 날짜 컬럼을 index로 만들어라

In [16]:

df =  df.set_index('new_date')
df

Out[16]:

	date	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
new_date
2021-05-15 15:00:00	2021-05-15:15	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003
2021-05-15 14:00:00	2021-05-15:14	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003
2021-05-15 13:00:00	2021-05-15:13	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004
2021-05-15 12:00:00	2021-05-15:12	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004
2021-05-15 11:00:00	2021-05-15:11	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005
...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-03-25 05:00:00	2021-03-25:05	보통	39.0	보통	18.0	좋음	0.026	좋음	0.025	좋음	0.4	좋음	0.003
2021-03-25 04:00:00	2021-03-25:04	보통	34.0	좋음	15.0	좋음	0.017	보통	0.033	좋음	0.4	좋음	0.002
2021-03-25 03:00:00	2021-03-25:03	보통	35.0	좋음	13.0	좋음	0.029	좋음	0.025	좋음	0.4	좋음	0.003
2021-03-25 02:00:00	2021-03-25:02	보통	35.0	좋음	13.0	보통	0.031	좋음	0.025	좋음	0.3	좋음	0.003
2021-03-25 01:00:00	2021-03-25:01	보통	42.0	좋음	13.0	좋음	0.022	보통	0.037	좋음	0.4	좋음	0.003

1239 rows × 13 columns

In [21]:

df = df.drop(columns='date')

In [22]:

df.head()

Out[22]:

	PM10등급	PM10	PM2.5등급	PM2.5	오존등급	오존	이산화질소등급	이산화질소	일산화탄소등급	일산화탄소	아황산가스등급	아황산가스
new_date
2021-05-15 15:00:00	보통	47.0	보통	19.0	좋음	0.017	좋음	0.023	좋음	0.4	좋음	0.003
2021-05-15 14:00:00	보통	43.0	보통	20.0	좋음	0.024	좋음	0.019	좋음	0.3	좋음	0.003
2021-05-15 13:00:00	보통	34.0	보통	24.0	보통	0.035	좋음	0.017	좋음	0.4	좋음	0.004
2021-05-15 12:00:00	보통	41.0	보통	27.0	보통	0.037	좋음	0.020	좋음	0.4	좋음	0.004
2021-05-15 11:00:00	보통	51.0	보통	34.0	보통	0.033	좋음	0.023	좋음	0.4	좋음	0.005

Q82. 데이터를 주단위로 뽑아서 최소,최대 평균, 표준표차를 구하여라

In [25]:

df.select_dtypes(exclude= 'object').resample('W').agg(['min','max','mean','std'])

Out[25]:

	PM10				PM2.5				오존		...	이산화질소		일산화탄소				아황산가스
	min	max	mean	std	min	max	mean	std	min	max	...	mean	std	min	max	mean	std	min	max	mean	std
new_date
2021-03-28	6.0	160.0	72.747368	43.345462	4.0	113.0	44.705263	29.551928	0.002	0.085	...	0.044579	0.023722	0.3	1.4	0.611579	0.232408	0.002	0.006	0.003274	0.000961
2021-04-04	3.0	598.0	97.148810	129.911976	1.0	120.0	23.168675	22.399578	0.003	0.055	...	0.027929	0.014978	0.3	0.9	0.445833	0.135741	0.002	0.004	0.002732	0.000541
2021-04-11	17.0	102.0	41.059524	16.325911	7.0	70.0	21.761905	11.479343	0.009	0.070	...	0.022583	0.009562	0.3	0.7	0.389286	0.087573	0.002	0.004	0.002744	0.000569
2021-04-18	3.0	367.0	48.180723	43.254468	2.0	38.0	17.066265	7.867952	0.002	0.070	...	0.023753	0.013553	0.3	0.6	0.386747	0.084954	0.002	0.004	0.002464	0.000579
2021-04-25	17.0	126.0	55.119048	26.659936	7.0	61.0	26.392857	13.094788	0.006	0.090	...	0.028571	0.014640	0.3	0.8	0.457143	0.122142	0.001	0.011	0.003631	0.001763
2021-05-02	3.0	97.0	40.612121	24.813103	1.0	43.0	16.644578	8.850965	0.003	0.064	...	0.020428	0.011676	0.3	0.6	0.392771	0.092485	0.001	0.006	0.002524	0.000768
2021-05-09	8.0	1024.0	161.660714	239.679148	3.0	172.0	34.738095	39.788248	0.002	0.073	...	0.024187	0.012371	0.3	1.0	0.419277	0.103230	0.002	0.004	0.002771	0.000579
2021-05-16	16.0	111.0	40.014815	21.876855	7.0	76.0	21.577778	15.622633	0.004	0.123	...	0.030793	0.009503	0.3	0.8	0.440741	0.094075	0.001	0.006	0.002459	0.001696

8 rows × 24 columns