시가총액 데이터셋(marcap) 튜토리얼 - 종목별 분석¶

한국거래소(KRX)에서 일자별 시가총액 순위 데이터
1995-05-02 ~ 2020-12-31 (26년간), 1천만건 이상

2018 - 2021 FinanceData.KR ¶

시가총액 데이터셋(marcap) 가져오기¶

In [1]:

!git clone "https://github.com/FinanceData/marcap.git" marcap

fatal: destination path 'marcap' already exists and is not an empty directory.

데이터 전체 읽기¶

In [2]:

from marcap import marcap_data

df_marcap = marcap_data('1995-05-02', '2021-01-15')
df_marcap

Out[2]:

	Code	Name	Market	Dept	Close	ChangeCode	Changes	ChagesRatio	Open	High	Low	Volume	Amount	Marcap	Stocks	MarketId	Rank
Date
1995-05-02	015760	한국전력공사	KOSPI	NaN	27400	2	-400	-1.44	27600	27800	27400	118190	3255694000	16872679291000	615791215	STK	1
1995-05-02	005930	삼성전자	KOSPI	NaN	119500	2	-1000	-0.83	121000	121000	118500	139560	16676735000	6497053077500	54368645	STK	2
1995-05-02	005490	포항종합제철	KOSPI	NaN	65500	2	-300	-0.46	65800	66200	65400	65970	4334472000	6150568555000	93901810	STK	3
1995-05-02	000200	대우중공업	KOSPI	NaN	9800	1	300	3.16	9500	9840	9500	288380	2805133500	3500638978200	357208059	STK	4
1995-05-02	002610	엘지전자	KOSPI	NaN	31700	2	-300	-0.94	32000	32000	31700	171460	5452050000	2521027012200	79527666	STK	5
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-01-15	267810	앙츠	KONEX	일반기업부	1550	2	-250	-13.89	1550	1600	1550	1504	2331610	2397850000	1547000	KNX	2525
2021-01-15	225850	미애부	KONEX	일반기업부	670	3	0	0.00	670	670	670	50	33500	2232663110	3332333	KNX	2526
2021-01-15	224020	에스케이씨에스	KONEX	일반기업부	650	1	70	12.07	650	650	650	1	650	1998750000	3075000	KNX	2528
2021-01-15	179720	옐로페이	KONEX	일반기업부	2470	1	270	12.27	2470	2470	2470	10	24700	1826565000	739500	KNX	2529
2021-01-15	225860	엠앤씨생명과학	KONEX	일반기업부	90	2	-7	-7.22	108	111	83	336120	31697850	1022228280	11358092	KNX	2530

11099879 rows × 17 columns

In [3]:

len(df_marcap)

Out[3]:

11099879

환경 설정 - matplotlib 한글 (구글 Colab)¶

구글 Colab (혹은 우분투 리눅스)의 경우 별도의 한글 폰트 설치가 필요합니다. matplotlib에서 모든 FFT(True Type Font)를 가져다 사용할 수 있습니다.

여기서는 명령라인에서 폰트를 가져다 설치합니다.

matplotlib 전역 환경을 파라미터들을 설정해 줍니다. 차트 이미지의 크기, 폰트, 라인 속성 등을 지정할 수 있습니다.

한글 폰트 설치

아래 셀을 실행하고, 런타임 재시작 (메뉴의 "런타임 / 런타임 다시 시작...") 후 다시 한번 아래 셀을 실행합니다.

'한글 테스트' 가 표시되면 성공한 것입니다.

In [4]:

# 한글 폰트 설치와 폰트 캐시 재설정
!apt-get install -y -qq fonts-nanum
!rm -rf ~/.cache/matplotlib/*

# matplotlib 설정
import matplotlib.pyplot as plt

plt.rcParams["font.family"] = 'NanumBarunGothic'
plt.rcParams["axes.grid"] = True
plt.rcParams["figure.figsize"] = (10,3)
plt.rcParams["axes.formatter.useoffset"] = False
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["axes.formatter.limits"] = -10000, 10000

plt.title('한글 테스트')

Out[4]:

Text(0.5, 1.0, '한글 테스트')

환경 설정 - 판다스 출력 자리수¶

숫자가 커서 과학적 표기법(10의 승수로 표현)으로 표시되면 오히려 읽기 좋지 않은 경우가 있습니다.

pandas에서 수치값을 출력할 때 과학적 표기법을 사용하지 않고, 소수점 이하 몇 자리 출력할 것인지를 정해줍니다.

In [5]:

import pandas as pd
pd.options.display.float_format = '{:.1f}'.format

개별종목의 시가총액¶

개별 종목의 시가총액은 다음과 같이 얻을 수 있습니다.

종목코드가 '005930'(삼성전자)인 데이터 만 추출하려면 다음과 같이 합니다.

In [6]:

df_005930 = df_marcap[df_marcap['Code']=='005930']
df_005930

Out[6]:

	Code	Name	Market	Dept	Close	ChangeCode	Changes	ChagesRatio	Open	High	Low	Volume	Amount	Marcap	Stocks	MarketId	Rank
Date
1995-05-02	005930	삼성전자	KOSPI	NaN	119500	2	-1000	-0.8	121000	121000	118500	139560	16676735000	6497053077500	54368645	STK	2
1995-05-03	005930	삼성전자	KOSPI	NaN	123500	1	4000	3.4	119500	126500	119500	382980	47649710000	6714527657500	54368645	STK	2
1995-05-04	005930	삼성전자	KOSPI	NaN	122500	2	-1000	-0.8	124000	124500	122000	175590	21609210000	6660159012500	54368645	STK	2
1995-05-06	005930	삼성전자	KOSPI	NaN	122000	2	-500	-0.4	122000	123500	122000	47440	5810535000	6632974690000	54368645	STK	2
1995-05-08	005930	삼성전자	KOSPI	NaN	121000	2	-1000	-0.8	122000	122000	120500	91810	11127115000	6578606045000	54368645	STK	2
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-01-11	005930	삼성전자	KOSPI	NaN	91000	1	2200	2.5	90000	96800	89500	90306177	8379237727064	543250212050000	5969782550	STK	1
2021-01-12	005930	삼성전자	KOSPI	NaN	90600	2	-400	-0.4	90300	91400	87800	48682416	4362546108950	540862299030000	5969782550	STK	1
2021-01-13	005930	삼성전자	KOSPI	NaN	89700	2	-900	-1.0	89800	91200	89100	36068848	3244066562850	535489494735000	5969782550	STK	1
2021-01-14	005930	삼성전자	KOSPI	NaN	89700	3	0	0.0	88700	90000	88700	26393970	2356661622700	535489494735000	5969782550	STK	1
2021-01-15	005930	삼성전자	KOSPI	NaN	88000	2	-1700	-1.9	89800	91800	88000	33431809	2975231937664	525340864400000	5969782550	STK	1

6514 rows × 17 columns

In [7]:

df_005930['Marcap'].plot()

Out[7]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd5ec1b10>

In [8]:

df_005930['Marcap'].tail()

Out[8]:

Date
2021-01-11    543250212050000
2021-01-12    540862299030000
2021-01-13    535489494735000
2021-01-14    535489494735000
2021-01-15    525340864400000
Name: Marcap, dtype: int64

2021년 1월 15일 현재 삼성전자의 시가총액은 525조 3,408억원 입니다.

다수의 종목 다루기¶

다수의 종목을 다루고자 할 때 다양한 방법이 있겠으나 여기서는 딕셔너리를 사용해 봅니다.

다음과 같이 대표적인 종목들로 관심 종목 목록을 딕셔너리로 구성합니다.

In [9]:

fav_stocks = {
  '005930': '삼성전자', 
  '005380': '현대차', 
  '015760': '한국전력', 
  '005490': 'POSCO', 
  '105560': 'KB금융',
}

종목코드와 종목명을 매핑하려면 딕셔너리를 그대로 사용할 수 있습니다.

종목코드와 종목명을 매핑하는 딕셔너리이기 때문에 다양한 용도로 사용할 수 있습니다. 예를 들어, dict.key()를 사용하여 종목코드만 추출할 수 있죠.

In [10]:

fav_stocks.keys()

Out[10]:

dict_keys(['005930', '005380', '015760', '005490', '105560'])

시가종액 데이터셋에서 다수의 종목을 추출하려면 Series.isin()을 활용하면 좋습니다.

In [11]:

# 다수의 종목 필터링
df_stocks = df_marcap[df_marcap['Code'].isin(fav_stocks.keys())]
df_stocks

Out[11]:

	Code	Name	Market	Dept	Close	ChangeCode	Changes	ChagesRatio	Open	High	Low	Volume	Amount	Marcap	Stocks	MarketId	Rank
Date
1995-05-02	015760	한국전력공사	KOSPI	NaN	27400	2	-400	-1.4	27600	27800	27400	118190	3255694000	16872679291000	615791215	STK	1
1995-05-02	005930	삼성전자	KOSPI	NaN	119500	2	-1000	-0.8	121000	121000	118500	139560	16676735000	6497053077500	54368645	STK	2
1995-05-02	005490	포항종합제철	KOSPI	NaN	65500	2	-300	-0.5	65800	66200	65400	65970	4334472000	6150568555000	93901810	STK	3
1995-05-02	005380	현대자동차	KOSPI	NaN	46200	2	-300	-0.7	46500	46900	46000	79230	3667615000	1854048273000	40130915	STK	7
1995-05-03	015760	한국전력공사	KOSPI	NaN	29000	4	1600	5.8	27600	29000	27400	690270	19907009000	17857945235000	615791215	STK	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-01-15	005930	삼성전자	KOSPI	NaN	88000	2	-1700	-1.9	89800	91800	88000	33431809	2975231937664	525340864400000	5969782550	STK	1
2021-01-15	005380	현대차	KOSPI	NaN	240000	2	-10500	-4.2	252000	255000	239000	3915078	958824239500	51280364880000	213668187	STK	6
2021-01-15	005490	POSCO	KOSPI	NaN	275000	2	-7000	-2.5	283500	286500	274000	372253	103648626000	23976379625000	87186835	STK	16
2021-01-15	105560	KB금융	KOSPI	NaN	45200	2	-1350	-2.9	46950	47100	45100	2547930	116244756550	18794517984000	415807920	STK	22
2021-01-15	015760	한국전력	KOSPI	NaN	25300	2	-650	-2.5	26000	26350	25250	5503886	141288704250	16241691148100	641964077	STK	26

29099 rows × 17 columns

이렇게 필터링된 데이터를 피벗(pivot)하여 종목별(컬럼) 날짜별 시가총액을 구합니다.

In [12]:

df_stocks = df_marcap[df_marcap['Code'].isin(fav_stocks.keys())]

marcap_stocks = df_stocks.pivot_table(index='Date', columns='Code', values='Marcap')
marcap_stocks.rename(columns=fav_stocks, inplace=True)
marcap_stocks

Out[12]:

Code	현대차	POSCO	삼성전자	한국전력	KB금융
Date
1995-05-02	1854048273000.0	6150568555000.0	6497053077500.0	16872679291000.0	nan
1995-05-03	1938323194500.0	6516785614000.0	6714527657500.0	17857945235000.0	nan
1995-05-04	1946349377500.0	6544956157000.0	6660159012500.0	18473736450000.0	nan
1995-05-06	1974441018000.0	6573126700000.0	6632974690000.0	18473736450000.0	nan
1995-05-08	1958388652000.0	6479224890000.0	6578606045000.0	18042682599500.0	nan
...	...	...	...	...	...
2021-01-11	57156240022500.0	24761061140000.0	543250212050000.0	16915753428950.0	19085583528000.0
2021-01-12	55767396807000.0	24150753295000.0	540862299030000.0	16819458817400.0	19210325904000.0
2021-01-13	55340060433000.0	24717467722500.0	535489494735000.0	16530574982750.0	19667714616000.0
2021-01-14	53523880843500.0	24586687470000.0	535489494735000.0	16658967798150.0	19355858676000.0
2021-01-15	51280364880000.0	23976379625000.0	525340864400000.0	16241691148100.0	18794517984000.0

6517 rows × 5 columns

여러 종목의 시가총액을 한번에 그려볼 수 있습니다

In [13]:

marcap_stocks.plot()

Out[13]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd46a3c10>

삼성전자의 시가총액이 너무 커서 비교하기가 어렵군요. 삼성전자만 별도의 축(secondary_y)을 쓰도록 지정하여 서로 상대적일 비교를 쉽게 합니다.

In [14]:

marcap_stocks.plot(secondary_y=['삼성전자'])

Out[14]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd4536410>

팬데믹 이후 상대적으로 더 가파르게 성장하는 기업들이 있습니다.

In [15]:

marcap_stocks['2020':].plot(secondary_y=['삼성전자'])

Out[15]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd43fec50>

일별 시가총액 비중(비율)¶

훨씬더 원활하게 상대적인 비교를 위해 비중(비율)을 사용하는 것도 좋은 방법입니다.

종목별 시가총액을 일자별 시가총액으로 나누어 해당 날짜의 시가총액 비중을 구할 수 있습니다.

In [16]:

pd.options.display.float_format = '{:.4f}'.format # 소수점 이하 4자리 출력

In [17]:

# 일별 상장종목시가총액
marcap_daily = df_marcap.groupby('Date').sum()['Marcap']
marcap_daily

Out[17]:

Date
1995-05-02     134713479923960
1995-05-03     137255450392250
1995-05-04     137395277384830
1995-05-06     137122266028070
1995-05-08     136361070157380
                    ...       
2021-01-11    2556140698402270
2021-01-12    2539389518593471
2021-01-13    2555060321900568
2021-01-14    2556402104529020
2021-01-15    2508508338186183
Name: Marcap, Length: 6517, dtype: int64

In [18]:

marcap_stocks_ratio = marcap_stocks.divide(marcap_daily, axis=0)
marcap_stocks_ratio

Out[18]:

Code	현대차	POSCO	삼성전자	한국전력	KB금융
Date
1995-05-02	0.0138	0.0457	0.0482	0.1252	nan
1995-05-03	0.0141	0.0475	0.0489	0.1301	nan
1995-05-04	0.0142	0.0476	0.0485	0.1345	nan
1995-05-06	0.0144	0.0479	0.0484	0.1347	nan
1995-05-08	0.0144	0.0475	0.0482	0.1323	nan
...	...	...	...	...	...
2021-01-11	0.0224	0.0097	0.2125	0.0066	0.0075
2021-01-12	0.0220	0.0095	0.2130	0.0066	0.0076
2021-01-13	0.0217	0.0097	0.2096	0.0065	0.0077
2021-01-14	0.0209	0.0096	0.2095	0.0065	0.0076
2021-01-15	0.0204	0.0096	0.2094	0.0065	0.0075

6517 rows × 5 columns

In [19]:

marcap_stocks_ratio.plot()

Out[19]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd2b28890>

In [20]:

marcap_stocks_ratio[['삼성전자', '한국전력']].plot()

Out[20]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd29f5450>

1990년대 말을 기점으로 우리나라 산업이 인프라(전력)에서 전기전자로 전환되는 모습을 시총1위 기업의 변화로 극명하게 살펴볼 수 있습니다.

삼성전자의 시총이 다른 종목들에 비해 너무 크기 때문에 나머지 종목간에 비교가 쉽지 않습니다.

'삼성전자'를 제외한 나머지 종목들을 지정하려 차트로 그립니다.

In [21]:

cols = list(marcap_stocks_ratio.columns) 
cols.remove('삼성전자')

marcap_stocks_ratio['2000':][cols].plot()

Out[21]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1dd294c590>

2010~2012년 동안 다른 종목들의 시총과 달리 현대차의 시총이 지속적으로 늘어나는 점이 눈에 띕니다.

2002년~2013년까지 현대차와 POSCO가 역상관을 보여주는 것도 흥미롭습니다.

시가총액 통계량¶

2000년 이후 시가총액 비중 데이터에 대한 간략한 통계량을 다음과 같이 산출할 수 있습니다.

In [22]:

marcap_stocks_ratio['2000':].describe()

Out[22]:

Code	현대차	POSCO	삼성전자	한국전력	KB금융
count	5194.0000	5194.0000	5191.0000	5194.0000	3034.0000
mean	0.0241	0.0285	0.1433	0.0265	0.0132
std	0.0088	0.0122	0.0300	0.0150	0.0039
min	0.0067	0.0082	0.0684	0.0062	0.0073
25%	0.0179	0.0160	0.1199	0.0146	0.0108
50%	0.0220	0.0297	0.1459	0.0228	0.0120
75%	0.0280	0.0366	0.1658	0.0352	0.0143
max	0.0477	0.0601	0.2255	0.0772	0.0274

삼성전자의 2001년 이후 6.8% ~ 22.5% (평균 14.3%)의 시가총액 비중을 유지하고 있습니다.

시가총액 비중 데이터의 표준편차(std)값이 가장 큰 종목이 삼성전자, 가장 작은 종목이 KB금융 입니다. 즉, 시가총액 비중의 변화가 '삼성전자'가 가장 컸고, 'KB금융'이 가장 작았다는 것을 알 수 있죠.

In [23]:

marcap_stocks_ratio['2000':].describe().loc['std',:].sort_values(ascending=False)

Out[23]:

Code
삼성전자    0.0300
한국전력    0.0150
POSCO   0.0122
현대차     0.0088
KB금융    0.0039
Name: std, dtype: float64

요약¶

시가총액 데이터셋(marcap)과 padas를 사용하여 개별종목의 데이터를 가져와 분석할 수 있고, 또 관심있는 종목들을 선별하여 분석해 볼 수 있습니다.

시가총액 데이터셋(marcap) 튜토리얼 - 종목별 분석¶

2018 - 2021 FinanceData.KR¶

시가총액 데이터셋(marcap) 가져오기¶

데이터 전체 읽기¶

환경 설정 - matplotlib 한글 (구글 Colab)¶

환경 설정 - 판다스 출력 자리수¶

개별종목의 시가총액¶

다수의 종목 다루기¶

일별 시가총액 비중(비율)¶

시가총액 통계량¶

요약¶

2018 - 2021 FinanceData.KR¶

2018 - 2021 FinanceData.KR ¶

2018 - 2021 FinanceData.KR ¶