# 시계열 플롯 (Time Series Plot)

## 1. 개요
시계열 플롯(Time Series Plot)은 일정 시간 간격으로 기록된 데이터 포인트들을 시간의 흐름에 따라 시각화하여 데이터의 변화 추이, 패턴, 주기성을 분석하는 그래프입니다. 주로 시간에 따른 변수의 변화를 관찰하여 미래의 값을 예측하거나 과거의 특정 사건이 데이터에 미친 영향을 분석하는 목적으로 사용됩니다.

## 2. 기본 구성 요소 및 원리
시계열 플롯의 핵심은 시간의 연속성을 시각적으로 표현하는 것입니다.

*   **X축 (시간축):** 독립 변수인 시간이 배치됩니다. 시간의 단위는 데이터의 성격에 따라 초, 분, 시, 일, 월, 년 등으로 설정합니다. 이때 데이터 수집 간격이 불규칙하더라도, 시각화 시 X축의 물리적 거리는 실제 시간의 흐름(Time Scale)에 비례하여 배치해야 데이터의 왜곡 없이 정확한 분석이 가능합니다.
*   **Y축 (측정값):** 시간에 따라 변화하는 종속 변수의 수치가 배치됩니다.
*   **데이터 포인트와 선(Line):** 각 시점의 측정값을 점(Point)으로 표시하고, 이를 선으로 연결하여 데이터의 흐름(Flow)과 기울기를 통해 변화율을 직관적으로 파악하게 합니다.

**표 1. 데이터 특성별 권장 시간 단위 매칭**
| 데이터 성격 | 권장 시간 단위 | 주요 활용 사례 |
| :--- | :--- | :--- |
| 고빈도 데이터 | 초(s), 분(min) | 주식 틱 데이터, 서버 CPU 사용률, 센서 로그 |
| 일일 변동 데이터 | 시(h), 일(d) | 기온 변화, 일일 방문자 수, 전력 소비량 |
| 중장기 추세 데이터 | 월(m), 분기(q), 년(y) | GDP 성장률, 월간 매출액, 인구 통계 |

## 3. 주요 유형 및 활용 사례
분석 목적과 데이터의 양에 따라 다양한 형태의 시계열 플롯이 활용됩니다.

### 3.1 주요 플롯 유형
*   **단순 선 그래프 (Simple Line Chart):** 단일 변수의 시간에 따른 변화를 보여주는 가장 기본적인 형태입니다.
*   **다중 시계열 플롯 (Multiple Time Series):** 여러 개의 선을 하나의 좌표평면에 그려 서로 다른 그룹 간의 추세를 비교합니다.
*   **누적 영역 차트 (Stacked Area Chart):** 여러 변수의 합계와 각 변수가 전체에서 차지하는 비중의 변화를 동시에 보여줍니다.
*   **계절성 플롯 (Seasonal Plot):** 연도별 데이터를 겹쳐 그려 특정 시점(예: 매년 12월)에 반복되는 패턴을 분석합니다.

**표 2. 플롯 유형별 특징 및 추천 사례**
| 유형 | 특징 | 추천 사용 사례 |
| :--- | :--- | :--- |
| 단순 선 그래프 | 직관적인 추세 파악 가능 | 단일 상품의 가격 변동 추이 |
| 다중 시계열 | 그룹 간 상관관계 및 격차 비교 | A사 vs B사 주가 비교 |
| 누적 영역 차트 | 전체 규모의 변화와 구성비 분석 | 전체 매출 중 제품군별 기여도 변화 |
| 계절성 플롯 | 주기적 반복 패턴 식별 | 월별 아이스크림 판매량 분석 |

## 4. 데이터 전처리 및 분석 기법
원시 시계열 데이터는 노이즈(Noise, 무작위 변동)가 많아 추세를 파악하기 어려울 수 있습니다. 이를 해결하기 위해 다음과 같은 기법을 적용합니다.

*   **결측치 처리 (Handling Missing Values):** 데이터 누락 구간을 처리하는 단계입니다.
    *   **보간법(Interpolation):** 주변 값을 이용해 누락된 값을 추정하여 채웁니다.
    *   **단순 연결(Linear Connection):** 누락된 지점을 건너뛰고 앞뒤 데이터를 직선으로 잇습니다. (주의: 누락 기간이 길 경우 실제보다 완만한 변화로 보이는 착시가 발생할 수 있습니다.)
    *   **공백 유지(Gap):** 누락 구간을 비워두어 데이터 부재를 명시적으로 표현합니다.
*   **이동 평균 (Moving Average):** 일정 윈도우(Window) 크기 내의 평균값을 계산하여 그래프를 그리는 방법입니다. 단기적인 변동을 제거하고 장기적인 추세를 매끄럽게(Smoothing) 보여줍니다.
*   **추세(Trend) 분석:** 데이터가 장기적으로 상승하는지 하락하는지를 파악하는 것입니다.
*   **계절성(Seasonality) 분석:** 일정한 주기(예: 주 단위, 연 단위)로 반복되는 패턴을 찾아내는 과정입니다.
*   **잔차(Residual) 분석:** 전체 데이터에서 추세와 계절성을 제거하고 남은 무작위 변동분을 분석하여 이상치(Outlier)를 탐지합니다.
*   **정상성(Stationarity) 확보:** 시계열 분석의 통계적 모델링을 위해 평균과 분산이 시간에 따라 일정해야 하는 성질입니다. 비정상성 데이터의 경우 **차분(Differencing)**이나 **로그 변환(Log Transform)**을 통해 정상성을 확보하여 분석의 신뢰도를 높입니다.

## 5. 구현 예제
Python의 대표적인 시각화 라이브러리인 `Matplotlib`와 `Pandas`를 활용한 표준 구현 코드입니다.

```python
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 1. 가상 시계열 데이터 생성
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', periods=100, freq='D')
# 누적 합계를 통해 추세가 있는 가상 데이터 생성
values = np.cumsum(np.random.randn(100)) + 50 

df = pd.DataFrame({'Date': dates, 'Value': values})
df.set_index('Date', inplace=True)

# 2. 이동 평균 계산 (윈도우 크기 = 7일)
df['MA7'] = df['Value'].rolling(window=7).mean()

# 3. 시각화
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Value'], label='Daily Value', alpha=0.5, color='gray')
plt.plot(df.index, df['MA7'], label='7-Day Moving Average', color='blue', linewidth=2)

plt.title('Time Series Analysis: Daily Value & Moving Average')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()
```

**[실행 결과 해석]**
위 코드를 실행하면 생성된 플롯에서 **회색 선**은 매일 발생하는 무작위 변동(노이즈)을 나타내며, **파란색 선**은 7일 이동 평균을 적용하여 단기 변동을 제거하고 데이터의 전반적인 상승/하락 추세를 명확하게 보여줍니다.

![시계열 플롯 예시 이미지](https://via.placeholder.com/800x400.png?text=Time+Series+Plot+Example:+Daily+Value+and+Moving+Average)
*(참고: 위 이미지는 예시 플레이스홀더이며, 실제 실행 결과는 코드의 그래프와 동일합니다.)*

## 6. 분석 결과 해석 방법
시계열 플롯을 통해 도출된 시각적 패턴은 다음과 같이 해석합니다.

1.  **기울기 해석:** 선의 기울기가 양수이면 상승 추세, 음수이면 하락 추세로 해석합니다. 기울기의 급격한 변화는 특정 이벤트(Event)의 발생 가능성을 시사합니다.
2.  **변동성(Volatility) 확인:** 진폭이 크고 불규칙할수록 데이터의 불안정성이 높음을 의미하며, 이는 리스크 관리나 품질 관리 지표로 활용됩니다.
3.  **주기성 확인:** 일정한 간격으로 고점과 저점이 반복된다면 계절성 요인이 강한 데이터로 판단하며, 이를 통해 미래의 특정 시점 수요를 예측할 수 있습니다.
4.  **이상치(Outlier) 탐지:** 전체적인 흐름에서 크게 벗어난 뾰족한 피크(Peak)나 딥(Dip)은 시스템 오류나 특이 사건으로 해석하여 원인을 분석해야 합니다.

## 7. 시각화 시 주의사항 및 최적화
효과적인 시계열 시각화를 위해 다음 사항을 고려해야 합니다.

*   **과적합(Overplotting) 해결:** 데이터 포인트가 너무 많으면 선이 뭉쳐 보입니다. 이 경우 샘플링(Downsampling)을 통해 데이터 밀도를 낮추거나, 앞서 언급한 이동 평균선을 활용합니다.
*   **시간축 왜곡 방지:** X축의 간격은 반드시 실제 시간의 흐름과 일치해야 합니다. 데이터가 누락된 구간을 단순히 이어 붙이면 시간적 왜곡이 발생하므로, 결측치(Missing Value)를 적절히 처리(보간법, 공백 유지 등)해야 합니다.
*   **가독성 최적화:** 
    *   날짜 포맷을 `YYYY-MM-DD` 형태로 명확히 표기합니다.
    *   축의 범위를 데이터의 최소/최대값에 맞게 조정하여 불필요한 여백을 제거합니다.

## 8. 인터랙티브 플롯 (Interactive Plots)
정적인 이미지 형태의 플롯은 세부 데이터 확인에 한계가 있습니다. 이를 보완하기 위해 인터랙티브 플롯을 사용합니다.

### 8.1 장점
*   **줌 및 팬(Zoom & Pan):** 특정 기간을 확대하여 세부 변동을 정밀하게 관찰할 수 있습니다.
*   **툴팁(Tooltip):** 마우스 커서를 올리면 해당 시점의 정확한 날짜와 수치를 즉시 확인할 수 있습니다.
*   **동적 필터링:** 범례를 클릭하여 특정 시계열 데이터만 선택적으로 표시하거나 숨길 수 있습니다.

### 8.2 추천 도구
*   **Plotly:** Python, R, JS를 지원하며 가장 널리 쓰이는 인터랙티브 라이브러리입니다.
*   **Bokeh:** 대규모 데이터셋의 실시간 스트리밍 시각화에 강점이 있습니다.
*   **Highcharts / ECharts:** 웹 기반 대시보드 구축 시 최적화된 성능을 제공합니다.

## 9. 추천 시계열 데이터셋
시계열 플롯 연습 및 분석을 위해 활용하기 좋은 공개 데이터셋입니다.

*   **Yahoo Finance API:** 전 세계 주식, 환율, 암호화폐의 실시간 및 과거 시계열 데이터.
*   **Kaggle (Time Series Forecasting):** Store Item Demand, Air Quality 데이터 등 다양한 예측용 데이터셋.
*   **UCI Machine Learning Repository:** 전력 소비량, 기상 관측 데이터 등 학술적 목적의 시계열 데이터.
*   **공공데이터포털 (data.go.kr):** 국내 기상청 날씨 데이터, 지역별 인구 변화 추이 등.