03. 파이썬을 이용한 날짜와 시간 다루기 관련

• 01. datetime
• 02. 날짜와 시간을 다루는 넘파이(Numpy)
  • datetime64
  • array()
  • arange()
  • datetime64을 이용한 날짜 차이 구하기
• 03. 날짜와 시간을 다루는 판다스(Pandas)
  • Timestamp와 DatetimeIndex
  • Period와 PeriodIndex
  • Timestamp Vs. Period
• 04. FinanceDataReader
  • 종목 리스트 가져오기
  • 가격 가져오기
  • 다양한 예시
• 05. Quiz
  • Quiz 1
  • Quiz 2
  • Quiz 3

---

03. 파이썬을 이용한 날짜와 시간 다루기

---

금융 데이터 분석을 위한 파이썬 - WikiDocs

이번 챕터에서는 가장 중요한 시간(time) 데이터를 다루는 다양한 방법을 배울 것입니다. 시간 데이터를 때로는 시계열 데이터라고도 부릅니다. 시계열 데이터를 가장 자주 접하는 곳은 단연 금융권입니다.

따라서 시간 데이터를 능숙하게 다룰 수 있도록 파이썬 패키지인 데이트타임(datetime), 넘파이(numpy), 판다스(pandas)에서 시간을 어떻게 다루는지 살펴봅니다.

여기서 언급하고 있는 3개의 패키지는 데이터 분석에서 굉장히 중요한 패키지이기 때문에 여러분들이 패키지 이름, 패키지가 하는 역할에 대해서만큼은 꼭 암기를 해주시면 좋겠습니다.

패키지의 세부적인 기능은 잘 기억 안나도 괜찮아요. 필요할 때마다 찾아보면 되니까요. 그런데, 이런 기능을 수행하는 패키지가 무엇이었는지는 기억을 해야 다음에 찾아보기 때문에 패키지 이름을 암기하라는 것입니다.

---

01. datetime

날짜와 시간 관련 함수는 시계열 데이터를 다루는 다양한 상황에서 사용됩니다. 스트링(String) 타입의 문자를 날짜 형태 포맷(format)으로 바꾸거나 시간 단위 변경, 시각화 등에 응용할 수 있습니다. 파이썬 표준 패키지인 datetime에 대해서 알아봅시다.

datetime에는 time, date, datetime, timedelta 외에도 여러 기능이 있습니다.

time

시간 기능만 제공합니다, 시, 분, 초, 마이크로초

datetime.time(hour=4, minute=3, second=10, microsecond=1000)

date

날짜 기능만 제공합니다. 연, 월, 일

datetime.date(year=2019, month=1, day=10)

datetime

날짜와 시간 기능을 제공합니다. - date + time

datetime.datetime(year=2019, month=10, day=24, hour=4, minute=3, second=10, microsecond=1000)

timedelta

datetime 인스턴스 간의 차이를 구함

datetime.datetime(year=2019, month=10, day=24, hour=4, minute=3, second=10, microsecond=1000)

실제 분석에서 날짜와 시간은 문자열 타입으로 주어지는 경우가 많습니다. 따라서 자유롭게 데이터 타입을 변환하는 방법을 익혀야 합니다. 다음 설명을 보면서 날짜 변환(conversion)에 대해서 알아봅시다. 먼저 str 타입의 문자를 datetime 형식으로 바꾸는 방법을 살펴봅시다.

import datetime
datetime_str = '2018-05-13 12:34:56'

strptime() 함수에 datetime_str 변수와 형식을 매개변수로 전달합니다. 우리가 입력한 str 타입의 날짜와 날짜를 표현하는 형식을 strtime() 함수에 전달한 것입니다. 함수의 결과를 보니, str 타입의 문자가 datetime 타입으로 변환한 것을 알 수 있습니다.

format = '%Y-%m-%d %H:%M:%S' 
datetime_dt = datetime.datetime.strptime(datetime_str, format)
print(datetime_dt)

print(type(datetime_dt))

이번에는 반대로 datetime을 str타입의 문자로 변환할 수 있는지 확인해봅시다. datetime_dt는 우리가 앞서 확인했듯이 현재 datetime 타입입니다.

datetime_str = datetime_dt.strftime('%Y-%m-%d %H:%M:%S')

print(type(datetime_str)) # <class 'str'>
print(datetime_str)       # 2018-08-24 18:00:25
#
#
# <class 'str'>
# 2018-05-13 12:34:56

위에서 strptime() 함수를 호출할 때 변환된 datetime_dt에서 strftime() 함수를 호출한 것을 알 수 있습니다. 함수 매개변수에는 변환하려는 날짜, 시간 형식을 전달한다. 결과를 보니, str 타입으로 변환된 것과 우리가 전달한 형식에 맞게 값이 나온 것을 확인할 수 있습니다. 또 다른 형식으로 변경하려면 다음과 같이 수정해서 전달하면 됩니다. 이번에는 분, 초를 제외하고 시간까지만 출력을 해봅시다.

datetime_str = datetime_dt.strftime('%Y-%m-%d %H')

print(type(datetime_str)) # <class 'str'>
print(datetime_str)       # 2018-08-24 18:00:25
#
#
# <class 'str'>
# 2018-05-13 12

시간까지만 출력이 된 것을 확인할 수 있습니다. 이번에는 년도와 달까지만 출력을 해보겠습니다.

datetime_str = datetime_dt.strftime('%Y-%m')

print(type(datetime_str)) # <class 'str'>
print(datetime_str)       # 2018-08-24 18:00:25
#
#
# <class 'str'>
# 2018-05

정리하면 '%Y-%m-%d %H' 형식을 전달하면 연-월-일-시 형식으로 출력되고, '%Y-%m'을 전달하면 연-월만 출력됩니다.

strptime() 함수와 strftime() 함수는 서로 반대되는 기능을 가지고 있습니다. String을 datetime으로 변환할 때는 strptime() 함수를 사용하고, 그 반대의 경우에는 strftime() 함수를 사용합니다.

• strptime() : str 타입으로 된 날짜 데이터를 datetime 형태로 변환
• strftime() : datetime 형태의 데이터를 str 타입으로 변환 주의해야 할 점은 우리가 형식을 정의할 때 지정한 형식이 대소문자를 구분하므로 형식을 맞추거나 정확한 날짜를 표현해야 합니다.

아래 링크로 이동하신 다음에 아래 링크에서 제공되는 자료의 표 47-4를 참고하세요. 암기하실 필요는 없고 필요할 때 찾아보시면 됩니다.

📚참고자료: https://dojang.io/mod/page/view.php?id=2463

---

02. 날짜와 시간을 다루는 넘파이(Numpy)

객체라는 표현이 종종 나올 수 있습니다. 객체라는 표현에 익숙하지 않으시다면 아래 참고 자료를 참고하세요.

📚참고자료: 클래스와 객체

넘파이에서는 날짜와 시간을 datetime64 객체로 표현합니다. 넘파이의 datetime64와 파이썬의 datetime.datetime과 차이점은 datetime에서는 시간을 마이크로초(10^-6) 단위까지 관리한다면, 넘파이의 datetime64는 아토초(10^-18) 단위까지 관리한다는 것입니다.

넘파이의 날짜와 시간을 이해해야 하는 가장 중용한 이유는 우리가 궁극적으로 사용할 판다스의 날짜와 시간 함수가 넘파이를 기반으로 만들어졌기 때문입니다. 그럼 넘파이의 날짜와 시간 사용 예제를 살펴봅시다.

datetime64

Numpy 객체를 이용해 날짜를 생성하는 방식에는 두 가지 방식이 있습니다. 첫번째는 아래와 같이 문자열 형식으로 전달해서 생성하는 방법입니다.

import numpy as np
np.datetime64('2019-01-01')

두번째는 아래와 같이 유닉스 시간을 이용한 방식입니다. 첫번째 입력 매개변수는 수치 데이터, 그리고 두번째 입력 매개변수는 단위를 의미합니다. 'ns'는 나노초 단위, 'D'는 일 단위, 's'는 초 단위를 의미합니다. 출력 결과는 단위에 따라서 각기 다른 종류의 날짜가 만들어집니다.

나노초 단위 1

import numpy as np

# 나노초 단위
np.datetime64(1000,'ns')
numpy.datetime64('1970-01-01T00:00:00.000001000')

나노초 단위 2

이번에는 동일하게 나노초 단위로 하되 수치를 바꿔보겠습니다.

np.datetime64(10000000000,'ns')
numpy.datetime64('1970-01-01T00:00:10.000000000')

초 단위

초 단위로 출력해봅시다.

np.datetime64(1000000000,'s')
numpy.datetime64('2001-09-09T01:46:40')

일 단위

일 단위로 출력해봅시다.

np.datetime64(10000,'D')
numpy.datetime64('1997-05-19')

array()

Numpy의 array() 함수를 사용해서도 날짜를 생성할 수 있습니다. np.array() 함수에 str 타입의 날짜 리스트를 전달하고, dtype(데이터 타입)을 'datetime64'로 설정했습니다.

np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64')
array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64[D]')

이때 dtype에서 datetime64를 적어주실 때, [ ]안에 어떤 값을 넣느냐에 따라서 날짜 단위를 지정할 수도 있습니다.

# 달단위
np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64[M]')
array(['2007-07', '2006-01', '2010-08'], dtype='datetime64[M]')

arange()

arange() 함수를 사용해서 범위를 줄 수도 있습니다.

# 달단위
np.arange('2005-02', '2006-03', dtype='datetime64[M]')
array(['2005-02', '2005-03', '2005-04', '2005-05', '2005-06', '2005-07',
       '2005-08', '2005-09', '2005-10', '2005-11', '2005-12', '2006-01',
       '2006-02'], dtype='datetime64[M]')
# 주단위
np.arange('2005-02', '2006-03', dtype='datetime64[W]')
array(['2005-01-27', '2005-02-03', '2005-02-10', '2005-02-17',
       '2005-02-24', '2005-03-03', '2005-03-10', '2005-03-17',
       '2005-03-24', '2005-03-31', '2005-04-07', '2005-04-14',
       '2005-04-21', '2005-04-28', '2005-05-05', '2005-05-12',
       '2005-05-19', '2005-05-26', '2005-06-02', '2005-06-09',
       '2005-06-16', '2005-06-23', '2005-06-30', '2005-07-07',
       '2005-07-14', '2005-07-21', '2005-07-28', '2005-08-04',
       '2005-08-11', '2005-08-18', '2005-08-25', '2005-09-01',
       '2005-09-08', '2005-09-15', '2005-09-22', '2005-09-29',
       '2005-10-06', '2005-10-13', '2005-10-20', '2005-10-27',
       '2005-11-03', '2005-11-10', '2005-11-17', '2005-11-24',
       '2005-12-01', '2005-12-08', '2005-12-15', '2005-12-22',
       '2005-12-29', '2006-01-05', '2006-01-12', '2006-01-19',
       '2006-01-26', '2006-02-02', '2006-02-09', '2006-02-16'],
      dtype='datetime64[W]')
# 일단위
np.arange('2005-02', '2005-03', dtype='datetime64[D]')
array(['2005-02-01', '2005-02-02', '2005-02-03', '2005-02-04',
       '2005-02-05', '2005-02-06', '2005-02-07', '2005-02-08',
       '2005-02-09', '2005-02-10', '2005-02-11', '2005-02-12',
       '2005-02-13', '2005-02-14', '2005-02-15', '2005-02-16',
       '2005-02-17', '2005-02-18', '2005-02-19', '2005-02-20',
       '2005-02-21', '2005-02-22', '2005-02-23', '2005-02-24',
       '2005-02-25', '2005-02-26', '2005-02-27', '2005-02-28'],
      dtype='datetime64[D]')
# 시간단위
np.arange('2005-02-01', '2005-02-02', dtype='datetime64[h]')
array(['2005-02-01T00', '2005-02-01T01', '2005-02-01T02', '2005-02-01T03',
       '2005-02-01T04', '2005-02-01T05', '2005-02-01T06', '2005-02-01T07',
       '2005-02-01T08', '2005-02-01T09', '2005-02-01T10', '2005-02-01T11',
       '2005-02-01T12', '2005-02-01T13', '2005-02-01T14', '2005-02-01T15',
       '2005-02-01T16', '2005-02-01T17', '2005-02-01T18', '2005-02-01T19',
       '2005-02-01T20', '2005-02-01T21', '2005-02-01T22', '2005-02-01T23'],
      dtype='datetime64[h]')

datetime64을 이용한 날짜 차이 구하기

각각 날짜를 생성할 때 어떤 단위를 전달하는지에 따라서 생성되는 범위가 달라집니다. 두 날짜의 간격을 구할 때는 단순하게 빼주면 됩니다. 직관적인 날짜 간격을 구하기 쉽습니다. 날짜 간격을 구해봅시다. 2009년 1월 1일과 2008년 1월을 넣어봤습니다.

np.datetime64('2009-01-01') - np.datetime64('2008-01')
numpy.timedelta64(366,'D')

366이라는 숫자가 나옵니다. 2009년 1월 1일은 단위가 일(day)이고, 2008년 1월은 단위가 월(month)인데 어떤 기준으로 366이 나온 것일까요? 이번에는 2009년 1월 1일과 2008년 1월 1일을 넣어봅시다.

np.datetime64('2009-01-01') - np.datetime64('2008-01-01')
numpy.timedelta64(366,'D')

동일한 결과가 나옵니다. 다시 말해 위에서 2008년 1월을 했을 때 자동으로 2008년 1월 1일로 인식하여 366일의 차이가 나온 것이라고 추정해볼 수 있습니다. 이번에는 2009년과 2008년 1월의 차이를 구해봅시다. 2009년은 연(year)이고, 2008년 1월은 월(month) 단위인데 어떤 결과가 나올까요?

np.datetime64('2009') - np.datetime64('2008-01')
numpy.timedelta64(12,'M')

12라는 숫자가 나옵니다. 추측컨대, 2009년 1월과 2008년 1월의 차이가 12개월이라는 의미인 것 같습니다. 위의 결과를 확인해보니, 날짜 간격을 구할 때 두 날짜 중 작은 단위 날짜로 맞춘다는 것을 확인할 수 있습니다. 사실 위의 출력 결과에서 'D'와 'M'은 연산이 수행된 단위를 의미합니다. 각각이 의미하는 단위는 다음과 같습니다.

• Y: 연
• M: 월
• W: 주
• D: 일
• h: 시간
• m: 분
• s: 초
• ms: 밀리초
• us: 마이크로초
• ns: 나노초
• ps: 피코초
• fs: 펨토초

위에서 살펴본 단위 코드는 날짜 형식을 다룰 때 적용되는 단위입니다. 위 정리를 통해서 두 날짜 간 간격이 일 단위 간격인지, 월 단위 간격인지 등을 확인할 수 있습니다. 월(M)과 분(m)은 대소문자를 구분하므로 주의해 사용합시다. 이외에 넘파이에서 제공하는 세부적인 기능도 많지만, 여기서는 이 정도만 알아보고 판다스로 넘어가도록 하겠습니다.

---

03. 날짜와 시간을 다루는 판다스(Pandas)

판다스는 테이블 데이터 및 시계열 데이터 구조를 조작하는 탁월한 기능을 제공하는 라이브러리입니다. 판다스는 내부적으로 넘파이를 포함하고 있어 날짜와 시간 관련 기능도 datetime64를 바탕으로 이루어지고 있습니다. 판다스만 잘 활용해도 짧은 코드로 강력한 기능을 구사할 수 있습니다.

대표적인 기능으로 날짜 범위 생성, 날짜 변환, 날짜 이동 등이 있습니다. 또한 DataFrame 객체의 인덱싱 기능은 데이터 필터링, 인덱싱, 피벗팅, 정렬, 슬라이싱 등 다양하게 활용이 가능합니다. 여기서는 판다스의 날짜와 시간 관련 기능을 살펴보겠습니다.

Timestamp와 DatetimeIndex

• pd.Timestamp()
• pd.to_datetime()
• pd.date_range()

판다스에서 하나의 날짜만 사용할 때는 Timestamp로 표현하고 두 개 이상의 배열을 이룰 때는 DatetimeIndex로 표현합니다. 어떤 의미인지 실습을 통해 이해해봅시다.

import pandas as pd

판다스의 Timestamp 함수를 사용하여 특정 날짜를 표현할 수 있습니다.

pd.Timestamp(1239.1238934) # 디폴트로는 나노초로 되어져 있습니다.
#
# Timestamp('1970-01-01 00:00:00.000001239')

단위를 '일'로 바꿔서 실행해봅시다.

pd.Timestamp(1239.1238934, unit='D') # Timestamp('1973-05-24 02:58:24.389760')
pd.Timestamp('2019-1-1')             # Timestamp('2019-01-01 00:00:00')

Timestamp() 함수는 특정 시점을 나타내는 날짜와 시간을 표현합니다. 판다스에서도 Timestamp 함수에 수치 데이터를 전달하고 unit(단위) 값을 매개변수로 넘기면 넘파이에서 살펴본 유닉스 시간을 이용한 방식임을 알 수 있습니다. UTC 시간 '1970년 1월 1일 00:00:00'부터 현재까지 경과 시간을 초 단위로 환산해 나타낸 방식입니다.

to_datetime() 함수로도 특정 시점 날짜와 시간을 생성할 수 있습니다. 한 개의 날짜만 생성하는 경우, 호출하는 함수는 다르지만 내부적으로 넘파이에서 datetime64를 통해 날짜를 만드는 것과 같습니다. 판다스 내부적으로 넘파이가 동작한다는 내용을 이런 출력 결과로 확인할 수 있습니다.

pd.to_datetime('2019-1-1 12')
Timestamp('2019-01-01 12:00:00')

하지만 to_datetime()에 날짜들의 리스트를 넣을 경우 범위. 즉, DatetimeIndex를 표현하게 됩니다. DatetimeIndex라는 클래스로 배열이 생기고 데이터 타입이 datetime64[ns]로 표현되는 것을 확인할 수 있습니다.

pd.to_datetime(['2018-1-1', '2019-1-2'])
DatetimeIndex(['2018-01-01', '2019-01-02'], dtype='datetime64[ns]', freq=None)

마지막으로, date_range() 함수는 특정 기간의 날짜를 자동 생성합니다. '2019-01'과 '2019-02'를 전달하면 출력 결과는 2월 말까지 데이터를 생성하는 것이 아니라 2월 1일자 데이터만 생성합니다. 간단하게 생각하면, 둘째 인자로 전달한 값의 월은 고려하지 않는다는 것입니다. 추후 데이터를 생성하거나 가공할 때 주의가 필요한 대목입니다.

pd.date_range('2019-01','2019-02')
DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
               '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',
               '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',
               '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20',
               '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24',
               '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28',
               '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01'],
              dtype='datetime64[ns]', freq='D')

Period와 PeriodIndex

• pd.Period()
• pd.period_range() 이번에는 Period와 PeriodIndex에 대해서 이해해봅시다. 이를 생성하는 방법은 Period 함수와 period_range 함수가 있습니다.

pd.Period('2019-01')
Period('2019-01', 'M')

이번에 배우는 Period와 PeriodIndex는 특정 시점이 아니라 기간을 포괄하는 개념입니다. 그래서 freq 인자를 사용할 수 있습니다. pd.Period()를 사용해 '2019-01'을 넣을 때 출력값이 기본적으로는 월 단위(freq='M')으로 인식됩니다. 하지만 매개변수 freq를 일간. 즉, daily를 뜻하는 'D'로 설정하면 일 단위로 자동 생성되고 '2019-01'과는 달리 '2019-05-01'처럼 1일자까지 붙는 것을 확인할 수 있습니다.

pd.Period('2019-05', freq='D')
Period('2019-05-01', 'D')

그리고 str 타입의 두 개 이상 날짜 데이터를 전달하면 PeriodIndex 클래스로 묶입니다.

pd.period_range('2019-01','2019-02',freq='D')
PeriodIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
             '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
             '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',
             '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',
             '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20',
             '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24',
             '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28',
             '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01'],
            dtype='period[D]', freq='D')

Timestamp Vs. Period

pd.Period()와 앞서 배운 pd.Timestamp()에 어떤 차이가 있는지 한번 비교 연산을 통해서 이해해보겠습니다.

p = pd.Period('2019-06-13')
test = pd.Timestamp('2019-06-13 22:11')
p.start_time < test < p.end_time
# 
# True

Timestamp는 한 시점을 뜻하고, Period는 1일의 시작 시점부터 종료 시점까지의 범위를 포괄합니다.

p.start_time
# Timestamp('2019-06-13 00:00:00')
p.end_time
# Timestamp('2019-06-13 23:59:59.999999999')

---

04. FinanceDataReader

FinanceDataReader는 한국 주식 가격, 미국 주식 가격, 지수, 환율, 암호 화폐 가격, 종목 리스트 등을 제공하는 API 패키지입니다. 우선 해당 패키지를 설치해줍니다.

pip install -U finance-datareader

사용법을 이해해봅시다. 패키지를 임포트합니다.

import FinanceDataReader as fdr

종목 리스트 가져오기

StockListing() 함수에 'KRX' 심볼을 전달하면, 한국 거래소에 상장된 전체 종목 리스트를 출력합니다.

df_krx = fdr.StockListing('KRX')

df_krx의 타입을 확인해봅시다.

type(df_krx)
pandas.core.frame.DataFrame

데이터프레임이 출력됩니다. df_krx를 출력해봅시다.

df_krx

df_krx

StockListing() 함수에 미국 'S&P500' 심볼을 전달하면, S&P 500 지수에 등록된 전체 종목 리스트를 출력할 수 있습니다. 다음 코드는 미국 S&P 500에 등록된 모든 종목 리스트를 가져옵니다. head()는 데이터프레임에서 상위 5개의 샘플만을 출력합니다.

df_spx = fdr.StockListing('S&P500')
df_spx.head()

해당 데이터프레임에 몇 개의 샘플이 있는지 확인해봅시다.

print('s&p 종목 데이터프레임의 크기 :', len(df_spx))
# 
# s&p 종목 데이터프레임의 크기 : 503

종목 코드를 가져오는 방법을 알아보았으니 이제 가격 데이터를 가져오는 방법을 살펴봅시다.

가격 가져오기

한국 거래소에 상장된 종목은 단축 코드(여섯 자리)를 전달하면 가격 데이터를 가져올 수 있습니다. 함수 하나만 호출하면 가격 데이터를 정말 손쉽게 가져옵니다. 예를 들어 GS글로벌의 2018년 가격 데이터를 불러와봅시다. head(10)은 상위 10개의 샘플만을 출력합니다.

# GS글로벌, 2018년
df = fdr.DataReader('001250', '2018')
df.head(10)

gs글로벌

미국 주가 데이터도 불러와봅시다. 미국 종목을 가져올 때는 티커(ticker) 명을 사용합니다. 티커란, 미국에서 사용하는 종목 코드이며 네 자리로 제안됩니다.

# 애플(AAPL), 2017년
df = fdr.DataReader('AAPL', '2017')
df.head(10)

apple

다른 종목의 가격 데이터를 가져올 때도 마찬가지로 DataReader를 호출하면 됩니다. 아래 정리된 속성을 참고하여 다양한 값을 호출할 수 있습니다.

• 거래소별 전체 종목 코드 - StockListing() 함수

  • 한국 거래소 : KRX(KOSPI, KOSDAQ, KONEX)
  • 미국 거래소 : NASDAQ, NYSE, AMEX, S&P500

• 가격 데이터 - DataReader() 함수

  • 국내 주식 : 005930(삼성전자), 091990(셀트리온헬스케어) 등
  • 해외 주식 : AAPL(애플), AMZN(아마존), GOOG(구글) 등
  • 각종 지수 : KS11(코스피 지수), KQ11(코스닥 지수), DJI(다우 지수), IXIC(나스닥 지수), US500(S&P5000)
  • 환율 데이터 : USD/KRX(원달러 환율), USD/EUR(달러당 유로화 환율), CNY/KRX(위완화 원화 환율)
  • 암호 화폐 가격 : BTC/USD(비트코인 달러 가격, 비트파이넥스), BTC/KRW(비트코인 원화 가격, 빗썸)

이외 상세한 옵션은 API 사용자 메뉴얼을 참고해주세요.

첨고: FinanceData/FinanceDataReader - wiki/Users-Guide

다양한 예시

아래는 다양한 종류의 데이터를 로드하는 예제입니다.

APPL

# 애플(AAPL), 2018-01-01 ~ 2018-03-30
df = fdr.DataReader('AAPL', '2018-01-01', '2018-03-30')
df.head()

apple_2018

KS11

# KS11 (KOSPI 지수), 2015년~현재
df = fdr.DataReader('KS11', '2015')
df.head()

kospi_2015

USD/KRW

# 원달러 환율, 1995년~현재
df = fdr.DataReader('USD/KRW', '1995')
df.head()

krw

BTC/KRW

# 비트코인 원화 가격 (빗썸), 2016년~현재
df = fdr.DataReader('BTC/KRW', '2016')
df.head()

btc

---

05. Quiz

총 3개의 퀴즈를 출제합니다. 해답은 이 페이지의 하단에 위치하지만, 해답을 보지않고 위에서 학습한 자료들을 참고하여 스스로 풀어보세요. 스스로 풀어보아야 성장합니다.

Quiz 1

Question

아래의 문자열을 datetime 타입으로 변환해보세요. 단, 아래의 문자열은 2021년 8월 7일을 의미합니다.

datetime_str = '07-08-2021'

Answer

import datetime

datetime_str = '07-08-2021'
format = '%d-%m-%Y'
datetime_dt = datetime.datetime.strptime(datetime_str, format)
print(datetime_dt)
#
# 2021-08-07 00:00:00

Quiz 2

Question

FinanceDataReader 패키지를 사용하여 미코바이오메드 종목의 2020년 1월 8일부터 2021년 7월 1일까지의 데이터를 로드 및 출력해보세요.

Answer

import FinanceDataReader as fdr

# 미코바이오메드의 종목 번호는 '214610'
df = fdr.DataReader('214610', '2020-01-08', '2021-07-01')
df

Quiz 3

Question

파이썬 패키지 Numpy를 사용하여 2021년 3월 1일부터 2021년 7월 1일 사이의 모든 일자를 출력하세요. 단, 7월 1일도 포함해야 합니다.

Answer

# 일단위
import numpy as np
np.arange('2021-03', '2021-07-02', dtype='datetime64[D]')
array(['2021-03-01', '2021-03-02', '2021-03-03', '2021-03-04',
       '2021-03-05', '2021-03-06', '2021-03-07', '2021-03-08',
       '2021-03-09', '2021-03-10', '2021-03-11', '2021-03-12',
       '2021-03-13', '2021-03-14', '2021-03-15', '2021-03-16',
       '2021-03-17', '2021-03-18', '2021-03-19', '2021-03-20',
       '2021-03-21', '2021-03-22', '2021-03-23', '2021-03-24',
       '2021-03-25', '2021-03-26', '2021-03-27', '2021-03-28',
       '2021-03-29', '2021-03-30', '2021-03-31', '2021-04-01',
       '2021-04-02', '2021-04-03', '2021-04-04', '2021-04-05',
       '2021-04-06', '2021-04-07', '2021-04-08', '2021-04-09',
       '2021-04-10', '2021-04-11', '2021-04-12', '2021-04-13',
       '2021-04-14', '2021-04-15', '2021-04-16', '2021-04-17',
       '2021-04-18', '2021-04-19', '2021-04-20', '2021-04-21',
       '2021-04-22', '2021-04-23', '2021-04-24', '2021-04-25',
       '2021-04-26', '2021-04-27', '2021-04-28', '2021-04-29',
       '2021-04-30', '2021-05-01', '2021-05-02', '2021-05-03',
       '2021-05-04', '2021-05-05', '2021-05-06', '2021-05-07',
       '2021-05-08', '2021-05-09', '2021-05-10', '2021-05-11',
       '2021-05-12', '2021-05-13', '2021-05-14', '2021-05-15',
       '2021-05-16', '2021-05-17', '2021-05-18', '2021-05-19',
       '2021-05-20', '2021-05-21', '2021-05-22', '2021-05-23',
       '2021-05-24', '2021-05-25', '2021-05-26', '2021-05-27',
       '2021-05-28', '2021-05-29', '2021-05-30', '2021-05-31',
       '2021-06-01', '2021-06-02', '2021-06-03', '2021-06-04',
       '2021-06-05', '2021-06-06', '2021-06-07', '2021-06-08',
       '2021-06-09', '2021-06-10', '2021-06-11', '2021-06-12',
       '2021-06-13', '2021-06-14', '2021-06-15', '2021-06-16',
       '2021-06-17', '2021-06-18', '2021-06-19', '2021-06-20',
       '2021-06-21', '2021-06-22', '2021-06-23', '2021-06-24',
       '2021-06-25', '2021-06-26', '2021-06-27', '2021-06-28',
       '2021-06-29', '2021-06-30', '2021-07-01'], dtype='datetime64[D]')

---