스파르타 코딩 강의로 배운 상권과 유동인구 데이터 분석입니다.
다른 데이터를 살펴보고 다양한 전처리 방법에 대해 알아보겠습니다.

<이용할 데이터>

• 상권 데이터 - 상가의 종류, 위치, 분류 코드 등의 데이터
• 유동인구 데이터 - 서울의 시간, 연령대 별 유동인구 수 데이터

| 상권 데이터 분석 |

1. 라이브러리 & 데이터 가져오기

import pandas as pd

commercial = pd.read_csv('./data/commercial.csv')
commercial

2. 데이터 살펴보기

데이터 확인

commercial.tail(5)

컬럼 살펴보기

list(commercial)

1) 상가업소번호 - 가게가 중복이 되는지 확인하기 위해 필요

commercial.groupby('상가업소번호')['상권업종소분류명'].count().sort_values(ascending=False)

• 데이터의 라인 수 - 573680개의 상가번호 → 중복없음!

2) 상권업종소분류명 - 치킨집을 분류하기 위한 이름

category_range = set(commercial['상권업종소분류명'])
print(category_range, len(category_range))

• 메모장에 옮겨서 '치킨' 키워드로 검색 : 간단한 일은 간단한 방법으로!
• "후라이드/양념치킨" 발견

3) 도로명주소 - 치킨집의 위치를 파악하기 위해 필요

• 서울특별시의 구 별 데이터가 필요
• 우리가 가진 데이터는 시군구 데이터 → 데이터 전처리 필요

3. 데이터 전처리

3-1. 도로명 잘라 정리하기

구 별로 데이터를 분석하기 위해 한 덩어리인 도로명 주소를 시, 군, 나머지로 잘라 줍니다.

commercial[['시', '구', '상세주소']] = commercial['도로명주소'].str.split(' ', n=2, expand=True)
commercial.tail(5)

3-2. 서울시 데이터만 남기기

seoul_data = commercial[commercial['시']=='서울특별시']
seoul_data.tail(5)

정말 서울시만 남았는지 확인

city_type = set(seoul_data['시'])
print(city_type, len(city_type))

3-3. 치킨집 데이터만 남기기

seoul_chicken_data = seoul_data[seoul_data['상권업종소분류명']=='후라이드/양념치킨']
seoul_chicken_data.tail(5)

3-4. 구 별로 정리하기

groupdata = seoul_chicken_data.groupby('구')
group_by_category = groupdata['상권업종소분류명']
chicken_count_gu = group_by_category.count()
sorted_chicken_count_gu = chicken_count_gu.sort_values(ascending=False)
sorted_chicken_count_gu

4. 시각화

4-1. bar plot

구 별 치킨 상가 수의 그래프

import matplotlib.pyplot as plt
# Apple은 'AppleGothic', Windows는 'Malgun Gothic'
plt.rcParams['font.family'] = "Malgun Gothic"
plt.figure(figsize= (10,5)) # 그래프의 사이즈
plt.bar(sorted_chicken_count_gu.index, sorted_chicken_count_gu)
plt.title('구에 따른 치킨가게 수의 합계') # 그래프의 제목
plt.xticks(rotation=90)
plt.show() # 그래프 그리기

• 강남구, 광진구, 은평구 순으로 가장 많다.

-> 구만 가지고는 인사이트를 얻기 힘들어 실제 지도에 표시

# 라이브러리 가져오기
//conda install -c conda-forge folium #folium 설치
import folium
import json

seoul_state_geo = './data/seoul_geo.json'
geo_data = json.load(open(seoul_state_geo, encoding='utf-8'))

#지도가 서울을 보게
map = folium.Map(location=[37.5502, 126.982], zoom_start=10)
#시각화
folium.Choropleth(geo_data=geo_data,
              data=chicken_count_gu, #데이터에 구별 치킨집 수를 넣어줌
              columns=[chicken_count_gu.index, chicken_count_gu],
              fill_color='PuRd',
              key_on='feature.properties.name').add_to(map) #구역을 지도에 매핑해줌
map

| 유동인구 데이터 |

1. 라이브러리 & 데이터 불러오기

import pandas as pd

population = pd.read_csv('./data/population07.csv')

2. 데이터 살펴보기

데이터 확인

population.tail(5)

컬럼 살펴보기

list(population)
#['일자', '시간(1시간단위)', '연령대(10세단위)', '성별', '시', '군구', '유동인구수']

1) 연령대

set(population['연령대(10세단위)'])
#{20, 30, 40, 50, 60, 70}

• 20대부터 70대의 분포

2) 시

set(population['시'])
# {'서울'}

3) 군구

set(population['군구'])

• 여러 개의 구가 있음

2. 데이터 전처리

구별 유동인구

sum_of_population_by_gu = population.groupby('군구')['유동인구수'].sum()
sum_of_population_by_gu

• 항목별로 구별 유동인구수의 총합을 살펴봄

3. 데이터 시각화

3-1. 구별 유동인구 시각화

# 폰트 설정
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Malgun Gothic'

#그래프 그리기
python
plt.figure(figsize=(10, 5))
plt.bar(sum_of_population_by_gu.index, sum_of_population_by_gu)
plt.title('2020년 7월 서울 군구별 유동인구 수')
plt.xlabel('군구')
plt.ylabel('유동인구 수(명)')
plt.xticks(rotation=-45)
plt.show()

# 정렬된 결과 보이기
sum_of_population_by_gu = sum_of_population_by_gu.sort_values()
plt.figure(figsize=(10, 5))
plt.bar(sum_of_population_by_gu.index, sum_of_population_by_gu)
plt.title('2020년 7월 서울 군구별 유동인구 수')
plt.xlabel('군구')
plt.ylabel('유동인구 수(명)')
plt.xticks(rotation=-45)
plt.show()

3-2. 강남구의 일별 유동량

population_gangnam = population[population['군구']=='강남구']
population_gangnam_daily = population_gangnam.groupby('일자')['유동인구수'].sum()
population_gangnam_daily

# 날짜를 string 타입으로 변경해야 숫자로 인식하지 않아 값이 줄여지지 않습니다.
plt.figure(figsize=(12, 5))
date = []
for day in population_gangnam_daily.index: #날짜 인덱싱
    date.append(str(day))

plt.plot(date, population_gangnam_daily)
plt.title('2020년 7월 서울 강남구 날짜별 유동인구 수')
plt.xlabel('날짜')
plt.ylabel('유동인구 수(천만명)')
plt.xticks(rotation=-90)
plt.show()

• 주말에 유동인구가 적다

3-3. 지도에 표현하기

# 지도 만들어주기
map = folium.Map(location=[37.5502, 126.982], zoom_start=11,
                tiles='stamentoner')

seoul_state_geo = './data/seoul_geo.json'
geo_data = json.load(open(seoul_state_geo, encoding='utf-8'))
folium.Choropleth(geo_data=geo_data,
              data=sum_of_population_by_gu,
              columns=[sum_of_population_by_gu.index, sum_of_population_by_gu],
              fill_color='PuRd',
              key_on='feature.properties.name').add_to(map)
map

• folium.Map 은 설정값을 넣어주어야 합니다.
• 위도경도를 나타내주는, location
• 지도의 초기 확대 정도를 나타내주는 zoom_start
• tiles='stamentoner' 옵션값은 지도의 길과 강 위주로 보여줍니다.

| 상권과 유동인구 같이 분석 |

1. 데이터 합치기

구 이름을 기준으로 합쳐 놓았던 데이터를 다시 행과 열의 데이터로 만들어 준다.

new_chicken_count_gu = pd.DataFrame(chicken_count_gu).reset_index()
new_chicken_count_gu

new_sum_of_population_by_gu = pd.DataFrame(sum_of_population_by_gu).reset_index()
new_sum_of_population_by_gu

gu_chicken = new_chicken_count_gu.join(new_sum_of_population_by_gu.set_index('군구'), on='구')
gu_chicken

2. 치킨집당 유동인구수

gu_chicken['유동인구수/치킨집수'] = gu_chicken['유동인구수']/gu_chicken['상권업종소분류명']
gu_chicken = gu_chicken.sort_values(by='유동인구수/치킨집수')
gu_chicken

#그래프 확인
plt.figure(figsize=(10,5))
plt.bar(gu_chicken['구'], gu_chicken['유동인구수/치킨집수'])
plt.title('치킨집 당 유동인구수')
plt.xlabel('구')
plt.ylabel('유동인구수/치킨집수')
plt.xticks(rotation=90)
plt.show()

<결과 분석>

• 유동인구가 많은 곳이 장사가 잘된다고 할 수는 없지만 치킨집 당 유동인구수가 많은 곳에 치킨집을 개점해서 노출을 많이시켜야겠다 등의 전략을 세울수는 있습니다. 히트맵을 통하여 유동인구수와 치킨집수의 상관관계도 분석할 수 있을 것 같습니다.

---

<느낀 점 & 깨달은 것>

• 치킨 키워드를 찾는 것을 함수를 통하여 검색할 수도 있었지만 메모장에서 Ctrl+F를 이용해 검색하는 것이 더 쉬운 방법이었다. 무조건 코드를 이용하기 보다 쉬운 방법이 있으면 효율적으로 함께 사용할 수 있도록 해야겠다고 생각했다.
• 라이브러리 folium을 통한 시각화를 처음 해봤다. 분류예측을 주로 해보기도 하였고 전공공부에서는 나온 적이 없어 처음 들어본 라이브러리였다. 좀더 찾아보니 folium을 이용해서 히트맵을 그리면 지도에서 밀도를 시각화할 수 있도록 할 수 있다고 한다. 이것도 추후 공부할 예정이다.