[👩‍💻TIL 7일차 ] 유데미 스타터스 취업 부트캠프 4기

목차

 

[96차시]지점별 기온분포 시각화-박스플롯,바이올린플롯

[서울시 폭염, 열대야 현황]

[97차시]서울시 폭염, 열대야 현황 시각화

[98차시]최고 폭염, 최고 열대야 강조하기

[99차시]연도별 폭염, 열대야 일수 추출

[100차시]연도별 폭염, 열대야 일수 시각화

[지역별 인구구조 시각화]

[101차시]지역별 인구구조 시각화 데이터수집

[102차시]시도별 총인구수 시각화

[103차시]시도별 세대당 인구 시각화

[104차시]시도별 성별 인구 시각화

[105차시]구별, 동별 총 인구수 시각화

[연령별 인구구조 시각화]

[106차시]데이터 수집 및 전처리

[107차시]시도-연령별 인구구조

[108차시]서울시 구별 인구구조

[109차시]특정 동 인구구조

[아파트 실거래가 분석, 시각화]

[110차시]아파트 실거래가 데이터 수집

[111차시]시도별 아파트 매매가 데이터 추출

[112차시]시도별 아파트 매매가 데이터 추출

[113차시]시도별 아파트 매매가 데이터 추출

[114차시]시도별 아파트 매매가 데이터 추출

 

---

[96차시]지점별 기온분포 시각화-박스플롯,바이올린플롯

In [ ]:

1

• 서귀포, 서울, 대관령 지점 2020년 평균기온 서브셋

# 서브플롯 그리기
fig = plt.figure(figsize=(15,5))
ax1 = fig.add_subplot(1,2,1)
ax2 = fig.add_subplot(1,2,2)

# 박스플롯
plt.rcParams['boxpl5ot.boxprops.color']='b'
plt.rcParams['boxplot.boxprops.linewidth']=2
plt.rcParams['boxplot.capprops.color']='r'
plt.rcParams['boxplot.capprops.linewidth']=2
plt.rcParams['boxplot.meanline']=True

ax1.boxplot([df_2020_sgp['평균기온(°C)'],df_2020_seoul['평균기온(°C)'],df_2020_dgr['평균기온(°C)']],
           labels=['서귀포', '서울', '대관령'], showmeans=True)

# 바이올린플롯
v = ax2.violinplot([df_2020_sgp['평균기온(°C)'],df_2020_seoul['평균기온(°C)'],df_2020_dgr['평균기온(°C)']],
              showmeans=True, showmedians=True, quantiles=[[0.25,0.75],[0.25,0.75],[0.25,0.75]])

v['bodies'][0].set_color('r')
v['bodies'][1].set_color('g')
v['bodies'][2].set_color('b')

v['cmins'].set_edgecolor('r')
v['cmaxes'].set_edgecolor('r')
v['cmeans'].set_edgecolor('r')
v['cmedians'].set_edgecolor('w')
v['cquantiles'].set_edgecolor('w')

ax2.set_xticks(range(1,4,1))
ax2.set_xticklabels(['서귀포', '서울', '대관령'])

fig.suptitle('서귀포, 서울, 대관령 평균기온 분포', size=15)
fig.tight_layout()

plt.show()

---

[97차시]서울시 폭염, 열대야 현황 시각화

[98차시]최고 폭염, 최고 열대야 강조하기

[99차시]연도별 폭염, 열대야 일수 추출

[100차시]연도별 폭염, 열대야 일수 시각화

 

 

 

 

In [1]:

import matplotlib.pyplot as plt
import pandas as pd

 

In [2]:

plt.rcParams['font.family']='Malgun Gothic'
plt.rcParams['axes.unicode_minus']=False

 

 

데이터 준비 및 확인¶

• 기상자료개방포털 > 데이터 > 기상관측 > 지상 > 종관기상관측(ASOS)
  https://data.kma.go.kr/data/grnd/selectAsosRltmList.do?pgmNo=36
  [ 자료형태 ] 일자료
  [ 지점 ] 전체
  [ 자료 ] 기온>최저,최고,평균
  [ 기간 ] 1911~2020 (10년단위로 나누어 다운로드)

 

 

데이터프레임 생성¶

 

In [3]:

df_1911 = pd.read_csv('data/1911-1920 일별 기온.csv', encoding='cp949')
df_1921 = pd.read_csv('data/1921-1930 일별 기온.csv', encoding='cp949')
df_1931 = pd.read_csv('data/1931-1940 일별 기온.csv', encoding='cp949')
df_1941 = pd.read_csv('data/1941-1950 일별 기온.csv', encoding='cp949')
df_1951 = pd.read_csv('data/1951-1960 일별 기온.csv', encoding='cp949')
df_1961 = pd.read_csv('data/1961-1970 일별 기온.csv', encoding='cp949')
df_1971 = pd.read_csv('data/1971-1980 일별 기온.csv', encoding='cp949')
df_1981 = pd.read_csv('data/1981-1990 일별 기온.csv', encoding='cp949')
df_1991 = pd.read_csv('data/1991-2000 일별 기온.csv', encoding='cp949')
df_2001 = pd.read_csv('data/2001-2010 일별 기온.csv', encoding='cp949')
df_2011 = pd.read_csv('data/2011-2020 일별 기온.csv', encoding='cp949')

 

In [4]:

# 데이터프레임 연결하기
df = pd.concat([df_1911,df_1921,df_1931,df_1941,df_1951,df_1961,df_1971,df_1981,df_1991,df_2001,df_2011]
              ,ignore_index=True)

 

In [5]:

df.head()

 

Out[5]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
0	105	강릉	1911-10-04	NaN	12.2	26.2
1	105	강릉	1911-10-09	NaN	6.0	16.6
2	105	강릉	1911-10-16	NaN	9.2	15.5
3	105	강릉	1911-11-01	NaN	6.0	14.8
4	105	강릉	1911-11-04	NaN	10.2	19.5

 

In [6]:

df.tail()

 

Out[6]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
1596830	295	남해	2020-12-27	4.4	2.5	6.0
1596831	295	남해	2020-12-28	4.7	1.1	11.5
1596832	295	남해	2020-12-29	5.4	1.0	11.2
1596833	295	남해	2020-12-30	-3.0	-5.4	1.6
1596834	295	남해	2020-12-31	-1.3	-7.4	2.8

 

 

데이터타입 확인/변경¶

 

In [7]:

df.dtypes

 

Out[7]:

지점            int64
지점명          object
일시           object
평균기온(°C)    float64
최저기온(°C)    float64
최고기온(°C)    float64
dtype: object

 

In [8]:

df['일시'] = pd.to_datetime(df['일시'])

 

In [9]:

df.dtypes

 

Out[9]:

지점                   int64
지점명                 object
일시          datetime64[ns]
평균기온(°C)           float64
최저기온(°C)           float64
최고기온(°C)           float64
dtype: object

 

 

데이터 확인¶

 

In [10]:

df.shape

 

Out[10]:

(1596835, 6)

 

In [11]:

df['지점명'].nunique()

 

Out[11]:

102

 

 

서울시 폭염/열대야 현황 시각화¶

 

 

서울시 데이터 추출하여 서브셋 생성¶

 

In [12]:

df_seoul = df[df['지점명']=='서울'].copy()
df_seoul

 

Out[12]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
3299	108	서울	1911-01-01	-10.1	-14.2	-6.5
3300	108	서울	1911-01-02	-12.5	-19.7	-5.9
3301	108	서울	1911-01-03	-4.3	-10.2	-1.4
3302	108	서울	1911-01-04	0.8	-2.6	2.2
3303	108	서울	1911-01-05	-3.9	-8.7	1.7
...	...	...	...	...	...	...
1295576	108	서울	2020-12-27	5.8	1.4	10.0
1295577	108	서울	2020-12-28	6.7	4.2	11.4
1295578	108	서울	2020-12-29	0.1	-6.2	4.3
1295579	108	서울	2020-12-30	-10.9	-12.9	-6.2
1295580	108	서울	2020-12-31	-8.9	-12.9	-5.0

38961 rows × 6 columns

 

 

서울시 폭염 데이터 추출¶

• 폭염: 일 최고기온이 33도 이상

 

In [13]:

df_seoul_hotday = df_seoul[df_seoul['최고기온(°C)']>=33].copy()
df_seoul_hotday

 

Out[13]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
3519	108	서울	1911-08-09	27.0	23.1	33.0
3520	108	서울	1911-08-10	28.2	24.2	33.8
3522	108	서울	1911-08-12	28.7	25.8	34.5
3523	108	서울	1911-08-13	27.5	23.0	33.8
3527	108	서울	1911-08-17	26.4	21.5	33.5
...	...	...	...	...	...	...
1295075	108	서울	2019-08-14	30.4	25.9	35.7
1295379	108	서울	2020-06-13	26.9	20.6	33.5
1295388	108	서울	2020-06-22	28.6	21.7	35.4
1295452	108	서울	2020-08-25	29.9	26.0	34.5
1295453	108	서울	2020-08-26	30.2	27.0	34.5

1028 rows × 6 columns

 

 

서울시 폭염 데이터 시각화¶

 

In [14]:

plt.rcParams['figure.figsize']=(15,5)

plt.plot(df_seoul_hotday['일시'],df_seoul_hotday['최고기온(°C)'], 'r.')

plt.xlabel('일시')
plt.ylabel('최고기온')
plt.title('서울시 폭염일 현황(1911~2020)', size=20)

plt.show()

 

 

 

 

서울시 열대야 데이터 추출¶

• 일 최저기온 25도 이상

 

In [15]:

df_seoul_hotnight = df_seoul[df_seoul['최저기온(°C)']>=25]
df_seoul_hotnight

 

Out[15]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
3522	108	서울	1911-08-12	28.7	25.8	34.5
4601	108	서울	1914-07-26	29.7	25.8	35.6
4602	108	서울	1914-07-27	30.2	25.6	35.5
4605	108	서울	1914-07-30	25.7	25.1	27.4
4621	108	서울	1914-08-15	27.2	25.2	31.5
...	...	...	...	...	...	...
1295452	108	서울	2020-08-25	29.9	26.0	34.5
1295453	108	서울	2020-08-26	30.2	27.0	34.5
1295454	108	서울	2020-08-27	27.1	25.6	28.6
1295455	108	서울	2020-08-28	27.3	26.0	29.7
1295456	108	서울	2020-08-29	26.8	25.5	29.0

549 rows × 6 columns

 

 

서울시 열대야 데이터 시각화¶

 

In [16]:

plt.plot(df_seoul_hotnight['일시'],df_seoul_hotnight['최저기온(°C)'], 'k.')

plt.xlabel('일시')
plt.ylabel('일 최저기온(°C)')
plt.title('서울시 열대야 현황(1911~2020)', size=20)

plt.show()

 

 

 

 

💡최근들어 열대야가 많아지고 있다. 일 최저기온 또한 높아지고 있다.

 

 

최고 폭염일, 최고 열대야 강조하기¶

 

 

폭염이 가장 심했던 날¶

 

 

폭염이 가장 심했던 날 best10¶

• 데이터프레임.nlargest(개수,컬럼명) : 컬럼의 값이 큰 순으로 개수만큼 출력

 

In [17]:

df_seoul_hotestday = df_seoul_hotday.nlargest(10, '최고기온(°C)')
df_seoul_hotestday

 

Out[17]:

	지점	지점명	일시	평균기온(°C)	최저기온(°C)	최고기온(°C)
1294697	108	서울	2018-08-01	33.6	27.8	39.6
719667	108	서울	1994-07-24	33.1	28.1	38.4
1294696	108	서울	2018-07-31	32.6	27.8	38.3
57401	108	서울	1939-08-10	30.1	24.5	38.2
85687	108	서울	1943-08-24	29.0	23.2	38.2
719666	108	서울	1994-07-23	32.6	28.0	38.2
1294687	108	서울	2018-07-22	31.8	25.3	38.0
1294711	108	서울	2018-08-15	31.7	28.3	38.0
85691	108	서울	1943-08-28	29.2	24.5	37.9
1294698	108	서울	2018-08-02	33.7	30.3	37.9

 

 

💡2018년도가 5개 들어있음

 

 

폭염이 가장 심했던 날짜, 최고기온¶

 

In [18]:

df_seoul_hotestday = df_seoul_hotestday.iloc[[0]]
print(df_seoul_hotestday.iloc[0,2].date())
print(df_seoul_hotestday.iloc[0,5])

 

 

2018-08-01
39.6

 

 

시각화¶

 

In [19]:

# plot
plt.plot(df_seoul_hotnight['일시'],df_seoul_hotnight['최고기온(°C)'], 'k.')

plt.xlabel('일시')
plt.ylabel('최고기온(°C)')
plt.title('서울시 폭염일 현황(1911~2020)', size=20)


# 가장 더웠던 날 표시
plt.plot(df_seoul_hotestday.iloc[0,2].date(), df_seoul_hotestday.iloc[0,5], 'r^')

# 가장 더웠던 날짜, 온도 표시
plt.text(df_seoul_hotestday.iloc[0,2].date(), df_seoul_hotestday.iloc[0,5]+0.5,
        str(df_seoul_hotestday.iloc[0,2].date()) + '(' +  str(df_seoul_hotestday.iloc[0,5]) + '°C)',
        ha='center', size=12)
plt.yticks(range(33,42))

plt.show()

 

 

 

 

열대야가 가장 심했던 날¶

 

 

열대야가 가장 심했던 날 best10¶

 

In [20]:

df_seoul_hotestnight = df_seoul_hotnight.nlargest(10,'최저기온(°C)')

 

 

열대야가 가장 심했던 날짜, 최고기온¶

 

In [21]:

print(df_seoul_hotestnight.iloc[0,2].date())
print(df_seoul_hotestnight.iloc[0,4])

 

 

2018-08-02
30.3

 

 

시각화¶

 

In [22]:

# plot
plt.plot(df_seoul_hotnight['일시'],df_seoul_hotnight['최저기온(°C)'], 'k.')

plt.xlabel('일시')
plt.ylabel('일 최저기온(°C)')
plt.title('서울시 열대야 현황(1911~2020)', size=20)

# 가장 더웠던 밤 표시
plt.plot(df_seoul_hotestnight.iloc[0,2].date(), df_seoul_hotestnight.iloc[0,4], 'r^')
plt.text(df_seoul_hotestnight.iloc[0,2].date(), df_seoul_hotestnight.iloc[0,4]+0.5,
        str(df_seoul_hotestnight.iloc[0,2].date())+'('+str(df_seoul_hotestnight.iloc[0,4])+')',
        ha='center', size=12)
plt.yticks(range(25, 33))

# 가장 더웠던 날짜, 온도 표시

plt.show()

 

 

 

 

💡위 그래프를 통해 서울시의 열대야 일수가 늘어나고 있는 것을 확인할 수 있다.

 

 

연도별 폭염일수, 열대야일수 추출¶

 

 

연도별 폭염일수 추출¶

 

In [46]:

# 연도별 폭염일수 : 연도로 그룹핑하여 일수 카운트
df_seoul_hotday_count = df_seoul_hotday.groupby(df_seoul_hotday['일시'].dt.year)['일시'].count().to_frame()
df_seoul_hotday_count

 

Out[46]:

	일시
일시
1911	5
1912	3
1914	11
1915	10
1916	2
...	...
2016	24
2017	13
2018	35
2019	15
2020	4

97 rows × 1 columns

 

 

💡폭염일이 없는 날은 누락되어있다.

 

In [24]:

# 폭염일이 없는 날을 포함시키기 위하여 1911~2020년의 연도 데이터프레임 생성
df_years=pd.DataFrame(range(1911,2021))

# 인덱스를 연도로 설정
df_years.index=df_years[0]
df_years

 

Out[24]:

	0
0
1911	1911
1912	1912
1913	1913
1914	1914
1915	1915
...	...
2016	2016
2017	2017
2018	2018
2019	2019
2020	2020

110 rows × 1 columns

 

In [47]:

# 연도별 폭염일수, 연도 데이터프레임 concat
df_seoul_hotday_count = pd.concat([df_years, df_seoul_hotday_count], axis=1)
df_seoul_hotday_count

 

Out[47]:

	0	일시
1911	1911	5.0
1912	1912	3.0
1913	1913	NaN
1914	1914	11.0
1915	1915	10.0
...	...	...
2016	2016	24.0
2017	2017	13.0
2018	2018	35.0
2019	2019	15.0
2020	2020	4.0

110 rows × 2 columns

 

In [49]:

# 불필요한 컬럼 삭제
df_seoul_hotday_count.drop(columns=[0], inplace=True)

 

In [50]:

df_seoul_hotday_count

 

Out[50]:

	일시
1911	5.0
1912	3.0
1913	NaN
1914	11.0
1915	10.0
...	...
2016	24.0
2017	13.0
2018	35.0
2019	15.0
2020	4.0

110 rows × 1 columns

 

In [51]:

# 결측치 확인
df_seoul_hotday_count.isnull().sum()

 

Out[51]:

일시    13
dtype: int64

 

In [53]:

# null --> 폭염일이 없음을 뜻함 --> null을 0으로 채우기
df_seoul_hotday_count = df_seoul_hotday_count.fillna(0)

 

In [55]:

# 컬럼명을 알맞게 바꾸기
df_seoul_hotday_count.columns=['폭염일수']

 

In [57]:

# 폭염일수 데이터를 정수형으로 바꾸기
df_seoul_hotday_count = df_seoul_hotday_count.astype('int64')

 

In [60]:

# 폭염이 가장 많았던 해의 데이터 best10
df_seoul_hotday_count.nlargest(10, '폭염일수')

 

Out[60]:

	폭염일수
1939	47
1943	43
2018	35
1994	29
1919	25
1950	25
1930	24
2016	24
1924	23
1929	22

 

 

💡과거의 데이터들이 많이 포함되어 있는 것을 알 수 있다.

 

 

연도별 열대야일수 추출¶

 

In [62]:

# 연도별 열대야일수 : 연도로 그룹핑하여 데이터갯수 카운트
df_seoul_hotnight_count = df_seoul_hotnight.groupby(df_seoul_hotnight['일시'].dt.year)['일시'].count().to_frame()
df_seoul_hotnight_count

 

Out[62]:

	일시
일시
1911	1
1914	4
1915	3
1919	1
1921	1
...	...
2016	32
2017	14
2018	28
2019	16
2020	14

82 rows × 1 columns

 

In [65]:

# 연도 데이터프레임과 연도별 열대야일수 데이터프레임 concat
df_seoul_hotnight_count = pd.concat([df_years,df_seoul_hotnight_count], axis=1)

 

In [68]:

# 불필요한 컬럼 삭제
df_seoul_hotnight_count.drop(columns=[0], inplace=True)

 

In [69]:

# 컬럼명 변경
df_seoul_hotnight_count.columns=['열대야일수']

 

In [71]:

# 결측치 확인
df_seoul_hotnight_count.isnull().sum()

 

Out[71]:

열대야일수    28
dtype: int64

 

In [73]:

# null--> 0으로 채우기
df_seoul_hotnight_count = df_seoul_hotnight_count.fillna(0)

 

In [76]:

# 열대야일수 자료형을 정수형으로 변경
df_seoul_hotnight_count = df_seoul_hotnight_count.astype('int')

 

In [77]:

# 열대야 일수가 가장 많았던 해의 데이터 best10
df_seoul_hotnight_count.nlargest(10, '열대야일수')

 

Out[77]:

	열대야일수
1994	34
2016	32
2018	28
2013	20
2012	17
1967	16
2019	16
1995	15
1997	14
2010	14

 

 

연도별 폭염일수, 열대야일수 시각화¶

 

 

서브플롯으로 비교하기¶

fig, ax = plt.subplots()

 

In [91]:

# 서브플롯 만들기
fig, ax = plt.subplots(1,2,sharex=True,sharey=True)

# 연도별 폭염일수, 열대야일수 시각화
ax[0].plot(df_seoul_hotday_count.index, df_seoul_hotday_count['폭염일수'], 'r.-')
ax[1].plot(df_seoul_hotnight_count.index, df_seoul_hotnight_count['열대야일수'], 'b.-')

# xlabel
ax[0].set_xlabel('연도')
ax[1].set_xlabel('연도')

# ylabel
ax[0].set_ylabel('폭염일수')
ax[1].set_ylabel('열대야일수')

# xticks, yticks 범위 지정하고 틱 공유
ax[0].set_xticks(range(1910, 2021, 10))
ax[0].set_yticks(range(0, 50, 5))

# title
ax[0].set_title('서울시 연도별 폭염 일수')
ax[1].set_title('서울시 연도별 열대야 일수')

fig.tight_layout()
plt.show()

 

 

 

 

💡폭염은 1940년대에 많이 발생했으며, 열대야는 점점 증가하는 추세를 보이고 있다.

 

 

다중막대그래프로 비교하기¶

fig, ax = plt.subplots()

 

In [103]:

fig, ax = plt.subplots()

ax.bar(df_seoul_hotday_count.index, df_seoul_hotday_count['폭염일수'], width=-0.4,
       align='edge', color='r', label='폭염일수')
ax.bar(df_seoul_hotnight_count.index, df_seoul_hotnight_count['열대야일수'], width=0.4,
       align='edge', color='b', label='열대야일수')

ax.legend()

ax.set_title('서울시 연도별 폭염/열대야 일수', size=20)
ax.set_xlabel('연도')
ax.set_ylabel('일수')

ax.set_xticks(range(1910, 2021, 10))
ax.set_yticks(range(0, 50, 5))

plt.show()

 

 

 

 

 

---

[101차시]지역별 인구구조 시각화 데이터수집

[102차시]시도별 총인구수 시각화

[103차시]시도별 세대당 인구 시각화

[104차시]시도별 성별 인구 시각화

[105차시]구별, 동별 총 인구수 시각화

 

 

In [1]:

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

 

In [2]:

plt.rcParams['font.family']='Malgun Gothic'
plt.rcParams['axes.unicode_minus']=False

 

 

데이터 수집 및 전처리¶

• 행정안전부
  https://www.mois.go.kr/
  정책자료 > 주민등록인구통계
  전체읍면동 현황
  
  
• 바로가기
  https://jumin.mois.go.kr/index.jsp

 

 

데이터프레임 생성 및 전처리¶

 

 

데이터프레임 생성¶

 

In [3]:

df = pd.read_csv('C:/스타터스 교육생공유용/파이썬 교재 및 실습자료/파이썬 데이터 시각화 데이터/data/202110_202110_주민등록인구및세대현황_월간.csv', encoding='cp949')
df

 

Out[3]:

	행정구역	2021년10월_총인구수	2021년10월_세대수	2021년10월_세대당 인구	2021년10월_남자 인구수	2021년10월_여자 인구수	2021년10월_남여 비율
0	서울특별시 (1100000000)	9,532,428	4,422,587	2.16	4,630,630	4,901,798	0.94
1	서울특별시 종로구 (1111000000)	145,346	73,613	1.97	70,552	74,794	0.94
2	서울특별시 종로구 청운효자동(1111051500)	12,011	5,252	2.29	5,553	6,458	0.86
3	서울특별시 종로구 사직동(1111053000)	9,367	4,686	2.00	4,206	5,161	0.81
4	서울특별시 종로구 삼청동(1111054000)	2,478	1,251	1.98	1,178	1,300	0.91
...	...	...	...	...	...	...	...
3847	제주특별자치도 서귀포시 서홍동(5013058000)	10,999	4,517	2.44	5,435	5,564	0.98
3848	제주특별자치도 서귀포시 대륜동(5013059000)	15,216	6,760	2.25	7,691	7,525	1.02
3849	제주특별자치도 서귀포시 대천동(5013060000)	13,900	6,474	2.15	7,048	6,852	1.03
3850	제주특별자치도 서귀포시 중문동(5013061000)	11,886	5,731	2.07	6,057	5,829	1.04
3851	제주특별자치도 서귀포시 예래동(5013062000)	3,916	2,011	1.95	2,004	1,912	1.05

3852 rows × 7 columns

 

 

컬럼명 변경¶

 

In [4]:

df.columns

 

Out[4]:

Index(['행정구역', '2021년10월_총인구수', '2021년10월_세대수', '2021년10월_세대당 인구',
       '2021년10월_남자 인구수', '2021년10월_여자 인구수', '2021년10월_남여 비율'],
      dtype='object')

 

In [5]:

df.columns=['행정구역', '총인구수', '세대수', '세대당 인구',
       '남자 인구수', '여자 인구수', '남여 비율']

 

In [6]:

df.head(1)

 

Out[6]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율
0	서울특별시 (1100000000)	9,532,428	4,422,587	2.16	4,630,630	4,901,798	0.94

 

 

자료형 확인, 변환¶

 

In [7]:

# 자료형 확인
df.dtypes

 

Out[7]:

행정구역       object
총인구수       object
세대수        object
세대당 인구    float64
남자 인구수     object
여자 인구수     object
남여 비율     float64
dtype: object

 

 

💡숫자 중 ,가 들어있어서 object형으로 인식되고 있다.

 

In [8]:

# 숫자형으로 변환
# 콤마 없앤 후 int로 변경
df['총인구수'] = df['총인구수'].str.replace(',','').astype('int64') 
df['세대수'] = df['세대수'].str.replace(',','').astype('int64')
df['남자 인구수'] = df['남자 인구수'].str.replace(',','').astype('int64')
df['여자 인구수'] = df['여자 인구수'].str.replace(',','').astype('int64')

 

In [9]:

df.dtypes

 

Out[9]:

행정구역       object
총인구수        int64
세대수         int64
세대당 인구    float64
남자 인구수      int64
여자 인구수      int64
남여 비율     float64
dtype: object

 

 

시도별 서브셋 생성¶

• 컬럼.str.contains(문자열) : 문자열이 포함된 데이터 추출

 

In [12]:

df_sido = df[df['행정구역'].str.contains('00000000')].copy()
df_sido

 

Out[12]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율
0	서울특별시 (1100000000)	9532428	4422587	2.16	4630630	4901798	0.94
452	부산광역시 (2600000000)	3356311	1541975	2.18	1642368	1713943	0.96
674	대구광역시 (2700000000)	2390721	1062993	2.25	1178486	1212235	0.97
826	인천광역시 (2800000000)	2945009	1294158	2.28	1474536	1470473	1.00
999	광주광역시 (2900000000)	1442454	643841	2.24	713483	728971	0.98
1102	대전광역시 (3000000000)	1454228	662615	2.19	725742	728486	1.00
1187	울산광역시 (3100000000)	1122566	481811	2.33	576723	545843	1.06
1249	세종특별자치시 (3600000000)	368276	151639	2.43	183879	184397	1.00
1273	경기도 (4100000000)	13549577	5820524	2.33	6820025	6729552	1.01
1882	강원도 (4200000000)	1537717	743798	2.07	774008	763709	1.01
2095	충청북도 (4300000000)	1596948	757980	2.11	810093	786855	1.03
2265	충청남도 (4400000000)	2118977	999286	2.12	1083133	1035844	1.05
2492	전라북도 (4500000000)	1789770	847406	2.11	890378	899392	0.99
2754	전라남도 (4600000000)	1834653	901203	2.04	923037	911616	1.01
3100	경상북도 (4700000000)	2627925	1273579	2.06	1324128	1303797	1.02
3469	경상남도 (4800000000)	3318161	1503397	2.21	1670394	1647767	1.01
3806	제주특별자치도 (5000000000)	676569	306741	2.21	339195	337374	1.01

 

 

• 시도명 컬럼 추가

 

In [16]:

df_sido['시도명'] = df_sido['행정구역'].str.split(' ').str[0] # 공백으로 문자열 분리
df_sido.head()

 

Out[16]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	시도명
0	서울특별시 (1100000000)	9532428	4422587	2.16	4630630	4901798	0.94	서울특별시
452	부산광역시 (2600000000)	3356311	1541975	2.18	1642368	1713943	0.96	부산광역시
674	대구광역시 (2700000000)	2390721	1062993	2.25	1178486	1212235	0.97	대구광역시
826	인천광역시 (2800000000)	2945009	1294158	2.28	1474536	1470473	1.00	인천광역시
999	광주광역시 (2900000000)	1442454	643841	2.24	713483	728971	0.98	광주광역시

 

 

시도별 인구수 시각화¶

• 인구 수가 가장 많은 지역은 어디일까?
• 인구 수가 가장 적은 지역은 어디일까?

 

 

총 인구수로 데이터 정렬하기¶

 

In [19]:

df_sido = df_sido.sort_values('총인구수', ascending=False)

 

 

막대그래프로 시각화하기¶

 

 

matplotlib.pyplot으로 시각화하기¶

 

In [23]:

plt.rcParams['figure.figsize']=(15,5)
plt.bar(df_sido['시도명'],df_sido['총인구수'])

plt.xticks(rotation=45)
plt.title('2021년 10월 시도별 총 인구수', size=20)
plt.xlabel('시도명')
plt.ylabel('총인구수')

plt.grid(axis='y', ls=':')
plt.show()

 

 

 

 

seaborn으로 시각화하기¶

 

In [28]:

sns.barplot(data=df_sido, x='시도명', y='총인구수')
#seaborn으로 그래프를 제작할 때 matplotlib 함수 사용이 가능하다.
plt.xticks(rotation=45)
plt.title('2021년 10월 시도별 총 인구수', size=20)
plt.grid(axis='y', ls=':')

plt.show()

 

 

 

 

💡seaborn의 데이터에는 ''가 들어가지 않는다. x와 y값에는 ''가 들어간다.
💡우리나라 인구의 대부분은 경기도와 서울특별시에 몰려있다.

 

 

파이그래프로 시각화하기¶

 

In [36]:

plt.figure(facecolor='snow')
plt.pie(df_sido['총인구수'], labels=df_sido['시도명'],
       autopct='%.1f%%', pctdistance=0.8, rotatelabels=True)
plt.title('2021년 10월 시도별 총 인구수', size=20)
plt.show()

 

 

 

 

시도별 세대당 인구수 시각화¶

• 2중 y축 표시하기
  fig, ax1 = plt.subplots()
ax2 = ax1.twinx()

 

In [58]:

fig, ax1 = plt.subplots()
#막대그래프
ax1.bar(df_sido['시도명'],df_sido['총인구수'],width=-0.4
       , align='edge', label='총인구')
ax1.bar(df_sido['시도명'],df_sido['세대수'],width=0.4
       , align='edge', label='세대수')

ax1.legend(loc=(0.3, 0.8))
ax1.set_xlabel('시도명')
ax1.set_ylabel('총인구수, 세대수')
plt.xticks(rotation=45)

#꺾은선그래프
ax2 = ax1.twinx()
ax2.plot(df_sido['시도명'],df_sido['세대당 인구'], 'k^-.',
        mfc='r', mec='r', label='세대당 인구')
ax2.legend(loc=(0.6, 0.85))
ax2.set_ylabel('세대당 인구')
ax2.set_title('2021년 10월 시도별 총 인구수, 세대수, 세대당 인구', size=20)

plt.show()

 

 

 

 

💡세종특별시는 세대당 인구가 가장 많고 세대수가 가장 적다. 세대당 인구가 가장 적은 곳은 전라남도이다.

 

 

시도별 성별 인구수 시각화¶

 

In [71]:

fig, ax1 = plt.subplots()
ax1.bar(df_sido['시도명'],df_sido['남자 인구수'],width=-0.4
       , align='edge', color='skyblue', label='남자 인구수')
ax1.bar(df_sido['시도명'],df_sido['여자 인구수'],width=0.4
       , align='edge', color='pink', label='여자 인구수')
ax1.legend(loc=(0.2,0.8))
plt.xticks(rotation=45)

ax2 = ax1.twinx()
ax2.plot(df_sido['시도명'],df_sido['남여 비율'], 'b^-.',
        mfc='r', mec='r', label='남여 비율')
ax2.legend(loc=(0.6,0.85))
#수평선
ax2.axhline(1, color='k')
ax2.set_title('2021년 10월 시도별 남여인구수, 남여비율', size=20)

plt.show()

 

 

 

 

💡선을 기준으로 위는 남자의 비율이 아래는 여자의 비율이 많은 것이다.

 

 

성별 인구수 차이¶

 

 

성별 인구수 차이 컬럼 생성¶

• 내림차순으로 정렬

 

In [74]:

df_sido['남여인구수차이'] = df_sido['남자 인구수']-df_sido['여자 인구수']
df_sido = df_sido.sort_values('남여인구수차이', ascending=False)
df_sido

 

Out[74]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	시도명	남여인구수차이
1273	경기도 (4100000000)	13549577	5820524	2.33	6820025	6729552	1.01	경기도	90473
2265	충청남도 (4400000000)	2118977	999286	2.12	1083133	1035844	1.05	충청남도	47289
1187	울산광역시 (3100000000)	1122566	481811	2.33	576723	545843	1.06	울산광역시	30880
2095	충청북도 (4300000000)	1596948	757980	2.11	810093	786855	1.03	충청북도	23238
3469	경상남도 (4800000000)	3318161	1503397	2.21	1670394	1647767	1.01	경상남도	22627
3100	경상북도 (4700000000)	2627925	1273579	2.06	1324128	1303797	1.02	경상북도	20331
2754	전라남도 (4600000000)	1834653	901203	2.04	923037	911616	1.01	전라남도	11421
1882	강원도 (4200000000)	1537717	743798	2.07	774008	763709	1.01	강원도	10299
826	인천광역시 (2800000000)	2945009	1294158	2.28	1474536	1470473	1.00	인천광역시	4063
3806	제주특별자치도 (5000000000)	676569	306741	2.21	339195	337374	1.01	제주특별자치도	1821
1249	세종특별자치시 (3600000000)	368276	151639	2.43	183879	184397	1.00	세종특별자치시	-518
1102	대전광역시 (3000000000)	1454228	662615	2.19	725742	728486	1.00	대전광역시	-2744
2492	전라북도 (4500000000)	1789770	847406	2.11	890378	899392	0.99	전라북도	-9014
999	광주광역시 (2900000000)	1442454	643841	2.24	713483	728971	0.98	광주광역시	-15488
674	대구광역시 (2700000000)	2390721	1062993	2.25	1178486	1212235	0.97	대구광역시	-33749
452	부산광역시 (2600000000)	3356311	1541975	2.18	1642368	1713943	0.96	부산광역시	-71575
0	서울특별시 (1100000000)	9532428	4422587	2.16	4630630	4901798	0.94	서울특별시	-271168

 

 

💡+: 남자 인구수가 더 많다, -: 여자 인구수가 더 많다

 

 

시각화¶

 

In [80]:

sns.barplot(data=df_sido, x='시도명', y='남여인구수차이')
plt.xticks(rotation=45)
plt.axhline(0, color='gray')

plt.title('2021년 10월 시도별 남여 인구수 차이', size=20)
plt.ylabel('남자인구수 - 여자인구수')

plt.show()

 

 

 

 

서울시 구별/동별 인구수 시각화¶

 

 

서울시 구별 인구수 시각화¶

 

 

서브셋 생성¶

 

In [89]:

df_seoul = df[df['행정구역'].str.find('구 (11')>0].copy()
df_seoul.head(1)

 

Out[89]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율
1	서울특별시 종로구 (1111000000)	145346	73613	1.97	70552	74794	0.94

 

In [91]:

df_seoul['구'] = df_seoul['행정구역'].str.split(' ').str[1]
df_seoul.head()

 

Out[91]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	구
1	서울특별시 종로구 (1111000000)	145346	73613	1.97	70552	74794	0.94	종로구
19	서울특별시 중구 (1114000000)	122781	63409	1.94	59802	62979	0.95	중구
35	서울특별시 용산구 (1117000000)	223713	111067	2.01	107607	116106	0.93	용산구
52	서울특별시 성동구 (1120000000)	287174	134517	2.13	139958	147216	0.95	성동구
70	서울특별시 광진구 (1121500000)	340814	167559	2.03	164425	176389	0.93	광진구

 

In [92]:

df_seoul = df_seoul.sort_values('총인구수', ascending=False)
df_seoul

 

Out[92]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	구
404	서울특별시 송파구 (1171000000)	659239	282185	2.34	317773	341466	0.93	송파구
256	서울특별시 강서구 (1150000000)	575370	270623	2.13	277041	298329	0.93	강서구
381	서울특별시 강남구 (1168000000)	533878	234533	2.28	255473	278405	0.92	강남구
168	서울특별시 노원구 (1135000000)	512129	217201	2.36	246650	265479	0.93	노원구
340	서울특별시 관악구 (1162000000)	487357	276315	1.76	244844	242513	1.01	관악구
188	서울특별시 은평구 (1138000000)	473369	214126	2.21	226514	246855	0.92	은평구
432	서울특별시 강동구 (1174000000)	463752	201428	2.30	227755	235997	0.97	강동구
237	서울특별시 양천구 (1147000000)	448634	181434	2.47	219862	228772	0.96	양천구
118	서울특별시 성북구 (1129000000)	432081	195126	2.21	208308	223773	0.93	성북구
362	서울특별시 서초구 (1165000000)	415083	171083	2.43	198470	216613	0.92	서초구
277	서울특별시 구로구 (1153000000)	397330	180541	2.20	195909	201421	0.97	구로구
101	서울특별시 중랑구 (1126000000)	388218	185505	2.09	191601	196617	0.97	중랑구
324	서울특별시 동작구 (1159000000)	386246	184598	2.09	186863	199383	0.94	동작구
305	서울특별시 영등포구 (1156000000)	377524	186585	2.02	186390	191134	0.98	영등포구
220	서울특별시 마포구 (1144000000)	369695	179571	2.06	173985	195710	0.89	마포구
70	서울특별시 광진구 (1121500000)	340814	167559	2.03	164425	176389	0.93	광진구
86	서울특별시 동대문구 (1123000000)	337538	167754	2.01	166842	170696	0.98	동대문구
153	서울특별시 도봉구 (1132000000)	318299	138655	2.30	154970	163329	0.95	도봉구
205	서울특별시 서대문구 (1141000000)	305840	143723	2.13	146208	159632	0.92	서대문구
139	서울특별시 강북구 (1130500000)	300278	144501	2.08	146240	154038	0.95	강북구
52	서울특별시 성동구 (1120000000)	287174	134517	2.13	139958	147216	0.95	성동구
294	서울특별시 금천구 (1154500000)	230740	116935	1.97	116588	114152	1.02	금천구
35	서울특별시 용산구 (1117000000)	223713	111067	2.01	107607	116106	0.93	용산구
1	서울특별시 종로구 (1111000000)	145346	73613	1.97	70552	74794	0.94	종로구
19	서울특별시 중구 (1114000000)	122781	63409	1.94	59802	62979	0.95	중구

 

 

시각화¶

 

In [94]:

sns.barplot(data=df_seoul, x='구', y='총인구수')
plt.title('2021년 10월 서울시 구별 총 인구수', size=20)
plt.xticks(rotation=45)
plt.show()

 

 

 

 

💡송파구의 인구가 가장 많다.

 

 

동별 인구수 시각화¶

• 송파구 동별 인구수 시각화

 

 

서브셋 만들기¶

 

In [107]:

df_song = df[df['행정구역'].str.find('동(1171')>0].copy()
#송파구만하면 동이 없는 데이터도 불러와지기 때문에

 

In [108]:

df_song['동'] = df_song['행정구역'].str.split(' ').str[2].str.split('(').str[0]
df_song

 

Out[108]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	동
405	서울특별시 송파구 풍납1동(1171051000)	12989	6027	2.16	6355	6634	0.96	풍납1동
406	서울특별시 송파구 풍납2동(1171052000)	24977	11019	2.27	11873	13104	0.91	풍납2동
407	서울특별시 송파구 거여1동(1171053100)	12615	5648	2.23	6367	6248	1.02	거여1동
408	서울특별시 송파구 거여2동(1171053200)	18811	8153	2.31	9252	9559	0.97	거여2동
409	서울특별시 송파구 마천1동(1171054000)	19005	8785	2.16	9718	9287	1.05	마천1동
410	서울특별시 송파구 마천2동(1171055000)	18845	8726	2.16	9587	9258	1.04	마천2동
411	서울특별시 송파구 방이1동(1171056100)	15771	6263	2.52	7603	8168	0.93	방이1동
412	서울특별시 송파구 방이2동(1171056200)	26657	15316	1.74	12388	14269	0.87	방이2동
413	서울특별시 송파구 오륜동(1171056600)	18063	5929	3.05	8857	9206	0.96	오륜동
414	서울특별시 송파구 오금동(1171057000)	38637	15663	2.47	18739	19898	0.94	오금동
415	서울특별시 송파구 송파1동(1171058000)	23987	12264	1.96	11205	12782	0.88	송파1동
416	서울특별시 송파구 송파2동(1171059000)	19219	7235	2.66	9239	9980	0.93	송파2동
417	서울특별시 송파구 석촌동(1171060000)	31669	16904	1.87	15120	16549	0.91	석촌동
418	서울특별시 송파구 삼전동(1171061000)	30443	16078	1.89	14341	16102	0.89	삼전동
419	서울특별시 송파구 가락본동(1171062000)	26387	11877	2.22	13063	13324	0.98	가락본동
420	서울특별시 송파구 가락1동(1171063100)	27316	9799	2.79	13238	14078	0.94	가락1동
421	서울특별시 송파구 가락2동(1171063200)	32457	12460	2.60	15945	16512	0.97	가락2동
422	서울특별시 송파구 문정1동(1171064100)	20092	8487	2.37	9949	10143	0.98	문정1동
423	서울특별시 송파구 문정2동(1171064200)	28923	15708	1.84	13304	15619	0.85	문정2동
424	서울특별시 송파구 장지동(1171064600)	29458	12066	2.44	14248	15210	0.94	장지동
425	서울특별시 송파구 위례동(1171064700)	37697	12241	3.08	18331	19366	0.95	위례동
426	서울특별시 송파구 잠실본동(1171065000)	28026	15435	1.82	13259	14767	0.90	잠실본동
427	서울특별시 송파구 잠실2동(1171067000)	35210	11633	3.03	16842	18368	0.92	잠실2동
428	서울특별시 송파구 잠실3동(1171068000)	34389	11930	2.88	16353	18036	0.91	잠실3동
429	서울특별시 송파구 잠실4동(1171069000)	21252	7268	2.92	10189	11063	0.92	잠실4동
430	서울특별시 송파구 잠실6동(1171071000)	16765	5879	2.85	7940	8825	0.90	잠실6동
431	서울특별시 송파구 잠실7동(1171072000)	9579	3392	2.82	4468	5111	0.87	잠실7동

 

In [109]:

df_song = df_song.sort_values('총인구수', ascending=False)

 

 

시각화¶

 

In [110]:

sns.barplot(data=df_song, x='동', y='총인구수')
plt.title('2021년 10월 송파구 동별 총 인구수', size=20)
plt.xticks(rotation=45)
plt.show()

 

 

 

 

💡송파구의 오금동에 인구수가 가장 많다.

 

 

---

[106차시]데이터 수집 및 전처리

[107차시]시도-연령별 인구구조

[108차시]서울시 구별 인구구조

[109차시]특정 동 인구구조

 

 

 

 

In [1]:

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

 

In [2]:

plt.rcParams['font.family']='Malgun Gothic'
plt.rcParams['axes.unicode_minus']=False

 

 

데이터 수집 및 전처리¶

행정안전부
https://www.mois.go.kr/
정책자료 > 주민등록인구통계>연령별 인구 통계
성별구분하지않음, 1세단위, 0~100세이상, 전체읍면동 현황

 

In [3]:

df = pd.read_csv('C:/스타터스 교육생공유용/파이썬 교재 및 실습자료/파이썬 데이터 시각화 데이터/data/202110_202110_연령별인구현황_월간.csv', encoding='cp949')

 

In [4]:

df.head(3)

 

Out[4]:

	행정구역	2021년10월_계_총인구수	2021년10월_계_연령구간인구수	2021년10월_계_0세	2021년10월_계_1세	2021년10월_계_2세	2021년10월_계_3세	2021년10월_계_4세	2021년10월_계_5세	2021년10월_계_6세	...	2021년10월_계_91세	2021년10월_계_92세	2021년10월_계_93세	2021년10월_계_94세	2021년10월_계_95세	2021년10월_계_96세	2021년10월_계_97세	2021년10월_계_98세	2021년10월_계_99세	2021년10월_계_100세 이상
0	서울특별시 (1100000000)	9,532,428	9,532,428	43,440	45,655	49,757	52,347	56,653	64,586	67,597	...	8,207	6,755	5,313	3,972	2,568	1,869	1,385	1,319	820	2,228
1	서울특별시 종로구 (1111000000)	145,346	145,346	476	501	564	579	667	795	850	...	169	150	109	100	67	47	31	27	30	54
2	서울특별시 종로구 청운효자동(1111051500)	12,011	12,011	44	48	58	56	86	73	96	...	8	12	8	7	7	3	3	3	3	5

3 rows × 104 columns

 

 

컬럼삭제¶

 

In [5]:

df.drop(columns=['2021년10월_계_총인구수','2021년10월_계_연령구간인구수'], inplace=True)
df.head(1)

 

Out[5]:

	행정구역	2021년10월_계_0세	2021년10월_계_1세	2021년10월_계_2세	2021년10월_계_3세	2021년10월_계_4세	2021년10월_계_5세	2021년10월_계_6세	2021년10월_계_7세	2021년10월_계_8세	...	2021년10월_계_91세	2021년10월_계_92세	2021년10월_계_93세	2021년10월_계_94세	2021년10월_계_95세	2021년10월_계_96세	2021년10월_계_97세	2021년10월_계_98세	2021년10월_계_99세	2021년10월_계_100세 이상
0	서울특별시 (1100000000)	43,440	45,655	49,757	52,347	56,653	64,586	67,597	67,337	68,428	...	8,207	6,755	5,313	3,972	2,568	1,869	1,385	1,319	820	2,228

1 rows × 102 columns

 

 

인덱스 변경¶

 

In [6]:

df.index=df['행정구역']
df.head(1)

 

Out[6]:

	행정구역	2021년10월_계_0세	2021년10월_계_1세	2021년10월_계_2세	2021년10월_계_3세	2021년10월_계_4세	2021년10월_계_5세	2021년10월_계_6세	2021년10월_계_7세	2021년10월_계_8세	...	2021년10월_계_91세	2021년10월_계_92세	2021년10월_계_93세	2021년10월_계_94세	2021년10월_계_95세	2021년10월_계_96세	2021년10월_계_97세	2021년10월_계_98세	2021년10월_계_99세	2021년10월_계_100세 이상
행정구역
서울특별시 (1100000000)	서울특별시 (1100000000)	43,440	45,655	49,757	52,347	56,653	64,586	67,597	67,337	68,428	...	8,207	6,755	5,313	3,972	2,568	1,869	1,385	1,319	820	2,228

1 rows × 102 columns

 

In [7]:

df = df.drop(columns=['행정구역'])
df.head(1)

 

Out[7]:

	2021년10월_계_0세	2021년10월_계_1세	2021년10월_계_2세	2021년10월_계_3세	2021년10월_계_4세	2021년10월_계_5세	2021년10월_계_6세	2021년10월_계_7세	2021년10월_계_8세	2021년10월_계_9세	...	2021년10월_계_91세	2021년10월_계_92세	2021년10월_계_93세	2021년10월_계_94세	2021년10월_계_95세	2021년10월_계_96세	2021년10월_계_97세	2021년10월_계_98세	2021년10월_계_99세	2021년10월_계_100세 이상
행정구역
서울특별시 (1100000000)	43,440	45,655	49,757	52,347	56,653	64,586	67,597	67,337	68,428	74,261	...	8,207	6,755	5,313	3,972	2,568	1,869	1,385	1,319	820	2,228

1 rows × 101 columns

 

 

컬럼명 변경¶

 

In [11]:

df.columns = df.columns.str.split('_').str[-1]
df.head(1)

 

Out[11]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 (1100000000)	43,440	45,655	49,757	52,347	56,653	64,586	67,597	67,337	68,428	74,261	...	8,207	6,755	5,313	3,972	2,568	1,869	1,385	1,319	820	2,228

1 rows × 101 columns

 

 

자료형 확인/변경¶

 

In [12]:

df.dtypes

 

Out[12]:

0세         object
1세         object
2세         object
3세         object
4세         object
            ...  
96세        object
97세        object
98세        object
99세        object
100세 이상    object
Length: 101, dtype: object

 

In [15]:

#숫자형으로 변경
for i in range(101):
    df.iloc[:,i] = df.iloc[:,i].str.replace(',','').astype('int64')

 

In [17]:

df.dtypes

 

Out[17]:

0세         int64
1세         int64
2세         int64
3세         int64
4세         int64
           ...  
96세        int64
97세        int64
98세        int64
99세        int64
100세 이상    int64
Length: 101, dtype: object

 

 

시도-연령별 인구구조¶

 

 

서브셋 만들기¶

• 컬럼.str.contains(문자열) : 해당 문자열이 포함된 데이터 추출

 

In [19]:

df_sido = df[df.index.str.contains('00000000')]

 

 

시각화¶

 

 

다중플롯¶

 

In [33]:

plt.rcParams['figure.figsize']=(12,5)

for i in range(len(df_sido)):
    plt.plot(df_sido.iloc[i], label=df_sido.index[i].split(' ')[0])
    
plt.legend()
plt.xticks(range(0,101,5))
plt.xlabel('연령')
plt.ylabel('인구수')
plt.title('2021년 10월 시도-연령별 인구수', size=20)
plt.show()

 

 

 

 

서브플롯¶

• plt.subplot(행,열,순번)

 

In [43]:

fig = plt.figure(figsize=(20,30))
for i in range(len(df_sido)):
    plt.subplot(6,3,i+1) #서브플롯은 0이 아닌 1부터 시작하기 때문에 i+1을 해줌
    plt.plot(df_sido.iloc[i])
    plt.xticks(range(0,101,10))
    plt.title(df_sido.index[i].split(' ')[0])
    plt.grid(ls=':')

fig.tight_layout()
plt.show()

 

 

 

 

💡지방으로 갈수록 노인인구가 많아진다.

 

 

서울시 구별 인구구조¶

 

 

서브셋 만들기¶

 

In [48]:

df_seoul = df[df.index.str.find('구 (11')>0]

 

 

시각화¶

 

 

다중플롯¶

 

In [58]:

for i in range(len(df_seoul)):
    plt.plot(df_seoul.iloc[i], label=df_seoul.index[i].split(' ')[1])
    
plt.xticks(range(0,101,10))
plt.title('2021년 서울 구별-연령별 인구구조', size=20)
plt.legend(ncol=2)
plt.ylabel('인구수')
plt.show()

 

 

 

 

서브플롯¶

• fig.add_subplot(행,열,순번)

 

In [72]:

fig = plt.figure(figsize=(15,30))

for i in range(len(df_seoul)):
    ax = fig.add_subplot(9,3,i+1)
    ax.plot(df_seoul.iloc[i])
    ax.set_title(df_seoul.index[i].split(' ')[1])
    ax.set_xticks(range(0,101,10))
    # y값이 가장 큰 그래프를 찾아 y 축 통일
    ax.set_yticks(range(0,15000,1000))

fig.tight_layout()
plt.show()

 

 

 

 

💡특징이 있는 구가 존재함: 종로구, 중구는 사람이 많이 살지 않는다. 관악구는 2-30대가 많다. 고시촌 및 대학가가 형성되어있고 출퇴근 접근성이 좋기 때문이다

 

 

특정 동 인구구조¶

 

 

학군지 인구구조¶

• 대치, 목
• fig, ax = plt.subplots()

 

In [79]:

df_dong = df[(df.index.str.contains('강남구 대치'))|(df.index.str.contains('양천구 목'))].copy()
df_dong

 

Out[79]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 양천구 목1동(1147051000)	95	111	136	183	209	293	373	403	482	485	...	22	18	11	9	5	4	2	7	0	3
서울특별시 양천구 목2동(1147052000)	147	117	135	150	145	180	168	185	184	181	...	25	14	13	9	3	4	1	6	0	2
서울특별시 양천구 목3동(1147053000)	121	134	116	125	155	119	150	116	94	118	...	16	16	13	6	5	3	1	4	2	6
서울특별시 양천구 목4동(1147054000)	50	65	87	84	111	127	152	163	200	237	...	23	12	12	4	2	3	2	2	2	12
서울특별시 양천구 목5동(1147055000)	112	111	140	195	242	320	416	488	543	637	...	27	25	19	21	9	12	3	4	1	3
서울특별시 강남구 대치1동(1168060000)	39	43	63	93	115	166	223	272	357	380	...	18	15	8	5	4	4	1	4	2	5
서울특별시 강남구 대치2동(1168061000)	79	101	109	142	170	159	238	284	318	379	...	16	19	13	7	8	6	1	2	3	2
서울특별시 강남구 대치4동(1168063000)	41	49	48	48	52	67	75	92	102	102	...	13	7	2	3	1	1	1	0	1	1

8 rows × 101 columns

 

In [87]:

fig, ax = plt.subplots(3,3,figsize=(15,10),sharey=True)

# 서브플롯의 행번호:r, 열번호:c
r,c= 0,0

for i in range(len(df_dong)):
    ax[r][c].plot(df_dong.iloc[i])
    ax[r][c].set_xticks(range(0,101,10))
    ax[r][c].set_title(df_dong.index[i].split('(')[0])
    
    c+=1       #그래프를 채우면 열 한칸 이동
    if c%3==0: #열이 3칸 모두 채워지면
        r+=1   #한 행 밑으로 내려가고
        c=0    #첫번째 열부터 다시 시작한다
        
fig.tight_layout()

 

 

 

 

💡몇몇 지역에서는 10대의 학생과 4-50대 부모의 인구수가 많은 것으로 나타난다. (학군쪽으로 발달되어있음)

 

 

특정 구의 동별 인구구조¶

 

In [88]:

df_dong2 = df[df.index.str.contains('관악구')]
df_dong2

 

Out[88]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 관악구 (1162000000)	1540	1679	1728	1747	1999	2174	2341	2276	2307	2438	...	335	274	209	156	96	58	56	62	31	98
서울특별시 관악구 보라매동(1162052500)	72	92	91	100	104	132	149	135	122	123	...	19	17	12	9	8	3	3	4	0	3
서울특별시 관악구 청림동(1162054500)	122	116	114	110	130	143	127	104	109	116	...	18	15	11	3	5	1	1	0	2	3
서울특별시 관악구 성현동(1162056500)	116	139	144	153	172	191	243	227	233	248	...	36	21	10	7	6	3	2	4	3	5
서울특별시 관악구 행운동(1162057500)	85	106	82	109	102	119	117	114	116	118	...	20	15	8	6	4	2	5	4	0	6
서울특별시 관악구 낙성대동(1162058500)	45	43	44	55	55	57	85	82	89	65	...	4	9	6	0	3	1	3	1	2	4
서울특별시 관악구 청룡동(1162059500)	93	122	114	113	120	130	137	115	119	128	...	18	13	5	13	5	2	5	3	1	3
서울특별시 관악구 은천동(1162060500)	153	134	164	153	182	201	220	224	235	258	...	20	19	19	13	5	5	2	5	1	4
서울특별시 관악구 중앙동(1162061500)	32	26	40	32	41	41	44	48	36	45	...	9	4	3	3	1	3	0	0	1	5
서울특별시 관악구 인헌동(1162062500)	82	104	103	89	93	103	94	111	118	125	...	16	7	9	7	9	5	1	4	2	2
서울특별시 관악구 남현동(1162063000)	84	87	93	71	106	92	117	104	89	85	...	9	8	9	2	4	9	1	3	1	3
서울특별시 관악구 서원동(1162064500)	60	73	58	50	66	66	64	55	85	66	...	9	10	5	3	6	1	3	0	0	5
서울특별시 관악구 신원동(1162065500)	45	38	50	37	57	49	58	55	76	54	...	10	10	10	5	2	4	4	4	5	4
서울특별시 관악구 서림동(1162066500)	63	56	58	67	81	73	93	82	78	83	...	11	11	12	8	5	3	3	1	2	7
서울특별시 관악구 신사동(1162068500)	65	57	76	62	79	78	97	75	84	88	...	10	8	6	11	4	3	0	3	0	4
서울특별시 관악구 신림동(1162069500)	44	33	46	24	34	44	32	34	23	25	...	7	6	3	8	3	1	2	0	0	5
서울특별시 관악구 난향동(1162071500)	57	80	86	91	117	119	114	143	135	157	...	11	8	6	8	1	1	1	2	2	2
서울특별시 관악구 조원동(1162072500)	42	67	43	45	61	75	69	68	65	80	...	13	7	15	7	2	1	1	1	1	2
서울특별시 관악구 대학동(1162073500)	53	50	58	66	56	68	59	65	100	80	...	12	13	9	7	3	1	2	4	1	0
서울특별시 관악구 삼성동(1162074500)	42	64	55	69	80	91	94	103	89	110	...	37	33	21	18	10	3	10	8	2	6
서울특별시 관악구 미성동(1162076500)	99	105	115	148	148	179	190	202	179	226	...	25	22	14	7	4	2	5	2	4	18
서울특별시 관악구 난곡동(1162077500)	86	87	94	103	115	123	138	130	127	158	...	21	18	16	11	6	4	2	9	1	7

22 rows × 101 columns

 

In [91]:

fig, ax = plt.subplots(7,3,figsize=(15,15),sharey=True)

# 서브플롯의 행번호:r, 열번호:c
r,c= 0,0

for i in range(1, len(df_dong2)): #관악구 전체 데이터는 제외해주어야 한다.
    ax[r][c].plot(df_dong2.iloc[i])
    ax[r][c].set_xticks(range(0,101,10))
    ax[r][c].set_title(df_dong2.index[i].split('(')[0])
    
    c+=1       #그래프를 채우면 열 한칸 이동
    if c%3==0: #열이 3칸 모두 채워지면
        r+=1   #한 행 밑으로 내려가고
        c=0    #첫번째 열부터 다시 시작한다
        
fig.tight_layout()

 

 

 

 

💡관악구에는 대체로 2-30대 인구수가 많다.

 

 

 

 

---

[110차시]아파트 실거래가 데이터 수집

[111차시]시도별 아파트 매매가 데이터 추출

[112차시]시도별 아파트 매매가 현황 시각화

[113차시]시도별 아파트 매매가 분포 시각화

[114차시]시도별 아파트 평균 매매가 거래건

 

 

In [1]:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

 

In [2]:

plt.rcParams['font.family']='Malgun Gothic'
plt.rcParams['axes.unicode_minus']=False

 

 

데이터 수집 및 전처리¶

 

 

데이터 수집¶

• 국토교통부 실거래가 공개시스템
  http://rtdown.molit.go.kr/

 

In [3]:

df=pd.read_csv('C:/스타터스 교육생공유용/파이썬 교재 및 실습자료/파이썬 데이터 시각화 데이터/data/아파트(매매)__실거래가_20211122131854.csv', encoding='cp949')
df

 

Out[3]:

	시군구	번지	본번	부번	단지명	전용면적(㎡)	계약년월	계약일	거래금액(만원)	층	건축년도	도로명	해제사유발생일	거래유형	중개사소재지
0	강원도 강릉시 견소동	202	202	0	송정한신	59.800	202108	12	15,000	2	1997	경강로2539번길 8	NaN	-	-
1	강원도 강릉시 견소동	202	202	0	송정한신	84.945	202108	28	25,000	1	1997	경강로2539번길 8	NaN	-	-
2	강원도 강릉시 견소동	202	202	0	송정한신	39.080	202108	28	12,000	7	1997	경강로2539번길 8	NaN	-	-
3	강원도 강릉시 견소동	289	289	0	송정해변신도브래뉴아파트	59.990	202108	5	22,700	5	2005	경강로2539번길 22	NaN	-	-
4	강원도 강릉시 견소동	289	289	0	송정해변신도브래뉴아파트	84.990	202108	9	32,500	6	2005	경강로2539번길 22	NaN	-	-
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
56238	충청북도 충주시 호암동	1191	1191	0	호암힐데스하임	84.890	202108	24	41,000	5	2019	호암토성2로 1	NaN	-	-
56239	충청북도 충주시 호암동	1191	1191	0	호암힐데스하임	99.800	202108	27	52,000	6	2019	호암토성2로 1	NaN	-	-
56240	충청북도 충주시 호암동	1191	1191	0	호암힐데스하임	84.960	202108	27	42,500	2	2019	호암토성2로 1	NaN	-	-
56241	충청북도 충주시 호암동	1191	1191	0	호암힐데스하임	120.490	202108	31	58,000	7	2019	호암토성2로 1	NaN	-	-
56242	충청북도 충주시 호암동	1191	1191	0	호암힐데스하임	84.890	202108	31	44,800	4	2019	호암토성2로 1	NaN	-	-

56243 rows × 15 columns

 

 

데이터 전처리¶

 

 

해제사유 발생일¶

• 해제사유 발생일 : 계약이 해지된 건에 대한 해지일

 

In [4]:

# 해제사유 발생일이 존재하는 데이터 삭제
df=df.drop(index=df[df['해제사유발생일'].notnull()].index)

 

In [5]:

df[df['해제사유발생일'].notnull()]

 

Out[5]:

	시군구	번지	본번	부번	단지명	전용면적(㎡)	계약년월	계약일	거래금액(만원)	층	건축년도	도로명	해제사유발생일	거래유형	중개사소재지

 

 

사용할 컬럼만 추출¶

• 시군구, 전용면적(㎡), 거래금액(만원)

 

In [6]:

df = df[['시군구', '전용면적(㎡)', '거래금액(만원)']]
df.head()

 

Out[6]:

	시군구	전용면적(㎡)	거래금액(만원)
0	강원도 강릉시 견소동	59.800	15,000
1	강원도 강릉시 견소동	84.945	25,000
2	강원도 강릉시 견소동	39.080	12,000
3	강원도 강릉시 견소동	59.990	22,700
4	강원도 강릉시 견소동	84.990	32,500

 

 

자료형 확인 및 변경¶

 

In [7]:

df.dtypes

 

Out[7]:

시군구          object
전용면적(㎡)     float64
거래금액(만원)     object
dtype: object

 

In [8]:

# 전용면적 : int(소수점 무시)
df['전용면적(㎡)']=df['전용면적(㎡)'].astype('int64')

 

In [9]:

# 거래금액 : int
df['거래금액(만원)']=df['거래금액(만원)'].str.replace(',','').astype('int64')

 

In [10]:

df.dtypes

 

Out[10]:

시군구         object
전용면적(㎡)      int64
거래금액(만원)     int64
dtype: object

 

 

시도별 아파트 매매가 데이터 추출¶

 

 

시도 컬럼 추가¶

 

In [11]:

df['시도'] = df['시군구'].str.split(' ').str[0]

 

In [12]:

df['시도'].unique()

 

Out[12]:

array(['강원도', '경기도', '경상남도', '경상북도', '광주광역시', '대구광역시', '대전광역시', '부산광역시',
       '서울특별시', '세종특별자치시', '울산광역시', '인천광역시', '전라남도', '전라북도', '제주특별자치도',
       '충청남도', '충청북도'], dtype=object)

 

In [13]:

df['시도'].nunique()

 

Out[13]:

17

 

 

 

분석할 전용면적 선택¶

 

In [14]:

#거래가 가장 많았던 전용면적
df['전용면적(㎡)'].value_counts()

 

Out[14]:

84     16709
59     13125
49      2256
39      1288
74      1016
       ...  
243        1
214        1
230        1
207        1
222        1
Name: 전용면적(㎡), Length: 213, dtype: int64

 

 

💡가장 거래가 많았던 84제곱미터로 결정!

 

 

분석할 전용면적 서브셋¶

 

In [15]:

df_84 = df[df['전용면적(㎡)']==84].copy()
df_84

 

Out[15]:

	시군구	전용면적(㎡)	거래금액(만원)	시도
1	강원도 강릉시 견소동	84	25000	강원도
4	강원도 강릉시 견소동	84	32500	강원도
7	강원도 강릉시 견소동	84	31900	강원도
9	강원도 강릉시 교동	84	41000	강원도
14	강원도 강릉시 교동	84	37900	강원도
...	...	...	...	...
56236	충청북도 충주시 호암동	84	47700	충청북도
56237	충청북도 충주시 호암동	84	41800	충청북도
56238	충청북도 충주시 호암동	84	41000	충청북도
56240	충청북도 충주시 호암동	84	42500	충청북도
56242	충청북도 충주시 호암동	84	44800	충청북도

16709 rows × 4 columns

 

 

시도별 평균, 최대, 최소, 중간값 추출¶

 

In [16]:

df_84_mean = df_84.groupby('시도')['거래금액(만원)'].mean()
df_84_max = df_84.groupby('시도')['거래금액(만원)'].max()
df_84_min = df_84.groupby('시도')['거래금액(만원)'].min()
df_84_median = df_84.groupby('시도')['거래금액(만원)'].median()

df_84_price = pd.concat([df_84_mean,df_84_max,df_84_min,df_84_median],axis=1)
df_84_price.columns=['평균', '최대', '최소', '중간'] #컬럼명 변경
df_84_price = df_84_price.sort_values('평균', ascending=False) #평균값을 기준으로 내림차순 정렬
df_84_price['평균'] = round(df_84_price['평균'],1) #평균컬럼 소수점 첫번째 자리까지만 표시
df_84_price

 

Out[16]:

	평균	최대	최소	중간
시도
서울특별시	121650.9	384500	29500	109000.0
세종특별자치시	71412.6	119000	23800	74000.0
경기도	57935.9	220000	7400	52500.0
인천광역시	52835.0	130000	16700	47500.0
대전광역시	45900.6	127000	12500	44435.0
제주특별자치도	43831.7	95000	13500	42750.0
부산광역시	43642.9	183000	9400	38000.0
대구광역시	39517.4	148000	13700	35900.0
광주광역시	38281.8	104500	10700	34000.0
울산광역시	36790.1	120000	6900	33000.0
경상남도	30821.5	109000	5300	28400.0
충청북도	28915.2	72000	7600	27000.0
전라북도	26839.7	66500	4200	22800.0
충청남도	26264.9	94500	3500	23700.0
강원도	25735.6	72500	7000	23700.0
경상북도	25636.6	64500	4000	25219.0
전라남도	23643.1	74000	6000	23000.0

 

 

시도별 아파트 매매가 현황 시각화¶

• 다중막대그래프

 

In [17]:

import numpy as np
x_index = np.arange(1, len(df_84_price)+1)
x_index #그래프의 x축으로 사용

 

Out[17]:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

 

In [18]:

plt.rcParams['figure.figsize']=(15,5)
plt.bar(x_index-0.3, df_84_price['최대'], width=0.2, label='최대')
plt.bar(x_index-0.1, df_84_price['평균'], width=0.2, label='평균')
plt.bar(x_index+0.1, df_84_price['중간'], width=0.2, label='중간')
plt.bar(x_index+0.3, df_84_price['최소'], width=0.2, label='최소')

plt.legend()
plt.xticks(x_index, labels=df_84_price.index, rotation=45)
plt.grid(axis='y', ls=':')
plt.title('2021년 8월 시도별 아파트 매매가 현황(84㎡)', size=20)
plt.ylabel('매매가(만원)')
plt.show()

 

 

 

 

💡서울의 경우 아파트 매매가 간의 편차가 타지역에 비해 크다.

 

 

서울시 아파트 매매가 분포¶

 

 

서울시 서브셋¶

 

In [19]:

df_84_seoul = df_84[df_84['시도']=='서울특별시'].copy()
df_84_seoul.head()

 

Out[19]:

	시군구	전용면적(㎡)	거래금액(만원)	시도
35560	서울특별시 강남구 개포동	84	285000	서울특별시
35561	서울특별시 강남구 개포동	84	275000	서울특별시
35567	서울특별시 강남구 개포동	84	289000	서울특별시
35573	서울특별시 강남구 개포동	84	298000	서울특별시
35583	서울특별시 강남구 개포동	84	77000	서울특별시

 

 

구 컬럼 추가¶

 

In [20]:

# 구이름
df_84_seoul['구'] = df_84_seoul['시군구'].str.split(' ').str[1]
df_84_seoul.head()

 

Out[20]:

	시군구	전용면적(㎡)	거래금액(만원)	시도	구
35560	서울특별시 강남구 개포동	84	285000	서울특별시	강남구
35561	서울특별시 강남구 개포동	84	275000	서울특별시	강남구
35567	서울특별시 강남구 개포동	84	289000	서울특별시	강남구
35573	서울특별시 강남구 개포동	84	298000	서울특별시	강남구
35583	서울특별시 강남구 개포동	84	77000	서울특별시	강남구

 

In [22]:

df_84_seoul['구'].nunique()

 

Out[22]:

25

 

 

박스플롯으로 시각화¶

 

 

구별 데이터 분리¶

 

In [24]:

# 구이름
seoul_gu = df_84_seoul['구'].unique()
seoul_gu

 

Out[24]:

array(['강남구', '강동구', '강북구', '강서구', '관악구', '광진구', '구로구', '금천구', '노원구',
       '도봉구', '동대문구', '동작구', '마포구', '서대문구', '서초구', '성동구', '성북구', '송파구',
       '양천구', '영등포구', '용산구', '은평구', '종로구', '중구', '중랑구'], dtype=object)

 

In [30]:

df_seoul_gu = []

for i in range(len(seoul_gu)):
    df_seoul_gu.append(df_84_seoul.groupby('구')['거래금액(만원)'].get_group(seoul_gu[i]))

 

 

박스플롯으로 시각화¶

 

In [37]:

plt.boxplot(df_seoul_gu, labels=seoul_gu, showmeans=True)
plt.xticks(rotation=45)
plt.ylabel('매매가(만원)')
plt.title('2021년 8월 서울시 아파트 매매가 분포(84㎡)', size=20)
plt.show()

 

 

 

 

💡서초구의 아파트 매매가 분포가 가장 크고 가격대도 높다. 성동구의 경우 매우 높은 가격에 이루어진 거래가 있다는 것을 확인할 수 있다.

 

 

서울시 아파트 구별 평균 매매가, 거래건수¶

 

 

서울시 아파트 구별 평균 매매가¶

 

In [42]:

df_84_seoul_mean = df_84_seoul.groupby('구')['거래금액(만원)'].mean()
df_84_seoul_mean = round(df_84_seoul_mean, 1)
df_84_seoul_mean

 

Out[42]:

구
강남구     166324.5
강동구     130831.1
강북구      78541.3
강서구     107935.7
관악구      94022.2
광진구     141525.0
구로구      89275.4
금천구      75415.4
노원구      89126.3
도봉구      77755.1
동대문구    102024.5
동작구     136100.0
마포구     145163.1
서대문구    124358.7
서초구     246792.5
성동구     152622.2
성북구      99480.3
송파구     171039.4
양천구     107729.2
영등포구    115432.1
용산구     161473.7
은평구      94170.7
종로구     143280.0
중구      129078.6
중랑구      82726.4
Name: 거래금액(만원), dtype: float64

 

 

서울시 아파트 구별 거래건수¶

 

In [46]:

df_84_seoul_count = df_84_seoul.groupby('구')['거래금액(만원)'].count()
df_84_seoul_count.sort_values(ascending=False)

 

Out[46]:

구
성북구     104
강서구      98
강남구      84
성동구      72
송파구      71
동작구      63
강동구      61
마포구      61
은평구      58
노원구      57
구로구      57
영등포구     53
중랑구      53
서대문구     52
도봉구      49
동대문구     49
양천구      48
강북구      46
서초구      40
관악구      36
광진구      32
금천구      26
용산구      19
중구       14
종로구      12
Name: 거래금액(만원), dtype: int64

 

 

💡이중y축 그래프를 그리기 위해선 x축을 통일시켜야한다.

 

In [54]:

df_84_seoul_mean_count = pd.concat([df_84_seoul_mean, df_84_seoul_count], axis=1)
df_84_seoul_mean_count.columns=['평균매매가(만원)', '거래건수']
df_84_seoul_mean_count= df_84_seoul_mean_count.sort_values('평균매매가(만원)', ascending=False)
df_84_seoul_mean_count

 

Out[54]:

	평균매매가(만원)	거래건수
구
서초구	246792.5	40
송파구	171039.4	71
강남구	166324.5	84
용산구	161473.7	19
성동구	152622.2	72
마포구	145163.1	61
종로구	143280.0	12
광진구	141525.0	32
동작구	136100.0	63
강동구	130831.1	61
중구	129078.6	14
서대문구	124358.7	52
영등포구	115432.1	53
강서구	107935.7	98
양천구	107729.2	48
동대문구	102024.5	49
성북구	99480.3	104
은평구	94170.7	58
관악구	94022.2	36
구로구	89275.4	57
노원구	89126.3	57
중랑구	82726.4	53
강북구	78541.3	46
도봉구	77755.1	49
금천구	75415.4	26

 

In [69]:

fig, ax1 = plt.subplots()
ax1.bar(df_84_seoul_mean_count.index, df_84_seoul_mean_count['평균매매가(만원)'], label='평균매매가')
plt.xticks(rotation=45)

ax2 = ax1.twinx()
ax2.plot(df_84_seoul_mean_count['거래건수'], 'k^--', mfc='r', mec='r', label='거래건수')

ax1.legend(loc='upper left', edgecolor='k')
ax2.legend(loc='upper right', edgecolor='k')

ax1.set_ylabel('평균매매가(만원)')
ax2.set_ylabel('거래건수')
plt.title('2021년 8월 서울시 아파트 평균매매가, 거래건수(84㎡)', size=20)

plt.show()

 

 

 

 

💡2021년 8월 서울시 아파트 평균매매가는 서초구가 가장 높았고, 거래건수는 성북구와 강서구가 많았다.

 

 

 

---

✏️ 어제 일과를 마친 후 강의를 3개 정도 듣고 집에가서 오늘 시간이 조금 남았다. 그래서 애매하게 잘리는 아파트 실거래가 분석, 시각화 강의를 끝까지 들었다! 비슷한 내용을 여러 번 반복하니 조금 헷갈렸던 부분들이 이해되는 시간이었던 것 같다.

 

 

파트너간 상보적 학습 및 강의 내용 리뷰

강의를 듣고 헷갈리는 부분에 대해 공유했다. 나는 데이터프레임을 concat하는 과정에서 강사님의 결과와 다른 부분이 있었다. 왼쪽사진은 1913년도의 빈 일시가 잘 concat되어있는데 오른쪽사진은 결과값이 이상했다.

 

 

알고보니 df_seoul_hotday_count가 인덱스대로 정렬되어있지 않아서 그렇다고 한다. 해당 데이터프레임 정렬 후 concat하면 왼쪽과 같은 결과가 나온다고 한다!

 

그 외에도 경기도를 분석할 때 시/구를 처리하는 법에 대해 공유했다. 시도, 군구를 묶어서 분석하면 경기도 지역을 분석하기 편리하다는 팁을 얻었다👍 또 그래프를 그릴 때 두개의 그래프를 더 보기 좋게 구현하는 방법에 대해 고민해보았다. 마지막으로는 범례를 불러올때 iloc가 아닌 column으로 불러오는 과정에서 생기는 오류에 대해 살펴보았다. 컬럼으로 불러오면 시리즈가 되어서 오류가 나는 것 같다고 하셨다.

 

 

 

 

---

* 유데미 큐레이션 바로가기 : https://bit.ly/3HRWeVL

* STARTERS 취업 부트캠프 공식 블로그 : https://blog.naver.com/udemy-wjtb

💡본 후기는 유데미-웅진씽크빅 취업 부트캠프 4기 데이터분석/시각화 학습 일지 리뷰로 작성되었습니다.