데이터로 보는 세상

데이터 분석에서 시간대 변환은 매우 중요한 작업 중 하나입니다. 글로벌 비즈니스 환경에서는 서로 다른 시간대에 있는 데이터들이 많이 사용되는데, 이때 Pandas 라이브러리를 활용하면 손쉽게 시간대 변환을 할 수 있습니다. 이번 포스트에서는 Pandas를 사용하여 시간대 변환을 하는 방법에 대해 구체적으로 알아보도록 하겠습니다.

Pandas 설치하기

우선 Pandas 라이브러리가 설치되어 있지 않다면, 아래의 명령어를 사용하여 설치할 수 있습니다.

pip install pandas

시간대 데이터 생성하기

Pandas를 사용하여 시간대가 포함된 데이터프레임을 생성해 보겠습니다. 먼저 필요한 라이브러리를 임포트합니다.

import pandas as pd

data = {
    'timestamp': ['2023-10-01 12:00:00', '2023-10-01 15:30:00', '2023-10-01 18:45:00'],
}
df = pd.DataFrame(data)

# timestamp를 datetime 형식으로 변환
df['timestamp'] = pd.to_datetime(df['timestamp'])
print(df)

위 코드에서는 세 개의 타임스탬프를 포함한 데이터프레임을 생성하고, 이를 datetime 형식으로 변환합니다.

시간대 설정하기

이제 이 데이터프레임의 시간대 정보를 설정해 보겠습니다. 예를 들어, 위 데이터는 한국 표준시(KST)에 있다고 가정해 보겠습니다.

# 한국 표준시(KST)로 시간대 설정
df['timestamp'] = df['timestamp'].dt.tz_localize('Asia/Seoul')
print(df)

tz_localize 메서드를 사용하여 시간대를 설정할 수 있습니다. 이 메서드는 기존의 datetime 객체에 시간대를 추가해 줍니다.

시간대 변환하기

이제 설정한 시간대를 다른 시간대로 변환해보겠습니다. 예를 들어, 한국 표준시(KST)에서 UTC로 변환해 보겠습니다.

# 시간대를 UTC로 변환
df['timestamp_utc'] = df['timestamp'].dt.tz_convert('UTC')
print(df)

tz_convert 메서드를 사용하여 기존의 시간대를 다른 시간대로 변환할 수 있습니다. 이 경우, KST에서 UTC로의 변환을 수행합니다.

여러 시간대의 데이터 처리하기

때때로 데이터가 서로 다른 시간대에 있을 수 있습니다. 이럴 경우, 각각의 시간대에 대한 데이터프레임을 별도로 만들어 주어야 합니다. 아래의 예시를 참고해 주세요.

# 두 개의 서로 다른 시간대 데이터 생성
data = {
    'timestamp': ['2023-10-01 12:00:00', '2023-10-01 15:30:00'],
    'timezone': ['Asia/Seoul', 'America/New_York'],
}
df = pd.DataFrame(data)

# timestamp를 datetime 형식으로 변환
df['timestamp'] = pd.to_datetime(df['timestamp'])

# 각 시간대에 맞춰 변환
df['localized_timestamp'] = df.apply(
    lambda x: x['timestamp'].tz_localize(x['timezone']), axis=1
)

print(df)

위 코드에서는 서로 다른 두 개의 시간대에 있는 타임스탬프를 갖는 데이터프레임을 만들어, 각각의 시간대에 맞게 변환한 후 새로운 열에 저장합니다.

시간대 변환 시 주의사항

시간대 변환 시 몇 가지 주의해야 할 점이 있습니다.

여름시간제(DST): 일부 지역에서는 여름시간제를 적용하는데, 이 경우 시간대 변환 시 주의가 필요합니다.
NaT 값 처리: 시간대 변환 과정에서 NaT(Not a Time) 값이 포함되어 있을 수 있으니 이를 사전에 처리하는 것이 좋습니다.
일관된 형식 유지: 서로 다른 시간대를 사용하더라도 일관된 datetime 형식을 유지하는 것이 좋습니다.

마무리

Pandas를 활용한 시간대 변환은 데이터 분석에서 매우 유용한 기술입니다. 글로벌 데이터 분석 환경에서는 서로 다른 시간대의 데이터를 일관되게 처리해야 할 필요가 많습니다. 이번 포스트에서 소개한 방법들을 활용하면, 시간대 변환을 손쉽게 수행할 수 있습니다. 데이터가 발생하는 지역과 시간대를 고려하여 적절한 변환 작업을 수행함으로써 보다 정확한 데이터 분석 결과를 얻을 수 있을 것입니다.

예시 데이터 생성