In [118]:

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

# 그래프에 한글폰트 설정
plt.rcParams['font.family'] = 'AppleGothic'

# 유니코드에서 그래프에 마이너스 기호 깨지는 문제 해결
plt.rcParams['axes.unicode_minus'] = False

서울시 폭염, 열대야 현황 시각화¶

데이터 준비 및 확인¶

데이터 프레임 생성¶

In [4]:

df_1911 = pd.read_csv('data2/1911-1920 일별 기온.csv', encoding ='cp949')
df_1921 = pd.read_csv('data2/1921-1930 일별 기온.csv', encoding ='cp949')
df_1931 = pd.read_csv('data2/1931-1940 일별 기온.csv', encoding ='cp949')
df_1941 = pd.read_csv('data2/1941-1950 일별 기온.csv', encoding ='cp949')
df_1951 = pd.read_csv('data2/1951-1960 일별 기온.csv', encoding ='cp949')
df_1961 = pd.read_csv('data2/1961-1970 일별 기온.csv', encoding ='cp949')
df_1971 = pd.read_csv('data2/1971-1980 일별 기온.csv', encoding ='cp949')
df_1981 = pd.read_csv('data2/1981-1990 일별 기온.csv', encoding ='cp949')
df_1991 = pd.read_csv('data2/1991-2000 일별 기온.csv', encoding ='cp949')
df_2001 = pd.read_csv('data2/2001-2010 일별 기온.csv', encoding ='cp949')
df_2011 = pd.read_csv('data2/2011-2020 일별 기온.csv', encoding ='cp949')

In [5]:

# 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 [6]:

df.head()

Out[6]:

	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

데이터 타입 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 [12]:

df['지점명'].nunique()

Out[12]:

서울시 폭염/열대야 현황 시각화¶

서울시 데이터 추출하여 서브셋 생성¶

In [13]:

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

Out[13]:

	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 [14]:

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

Out[14]:

	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 [15]:

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

plt.plot(df_seoul_hotday['일시'], df_seoul_hotday['최고기온(°C)'], 'r.')
plt.xlabel('일시')
plt.ylabel('최고기온(°C)')
plt.title('서울시 폭염일 현황(1911~2020)', size=20)
plt.show()

서울시 열대야 데이터 추출¶

열대야 = 일 최저기온 25도 이상

In [16]:

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

Out[16]:

	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 [17]:

plt.plot(df_seoul_hotnight['일시'], df_seoul_hotnight['최저기온(°C)'], 'k.')
plt.title('서울시 열대야 현황(1911~2020)', size=20)
plt.xlabel('일시')
plt.ylabel('일 최저기온(°C)')
plt.show()

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 [18]:

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

Out[18]:

	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

폭염이 가장 심했던 날짜, 최고기온¶

In [20]:

df_seoul_hotestday = df_seoul_hotestday.iloc[[0]]

print(df_seoul_hotestday.iloc[0,2].date())  # 일시
print(df_seoul_hotestday.iloc[0,5])   # 최고 기온

2018-08-01
39.6

시각화¶

In [22]:

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

# 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])+'도)',
        ha='center', size=12)

plt.yticks(range(33,42))

plt.show()

열대야가 가장 심했던 날¶

열대야가 가장 심했던 날 best10¶

In [23]:

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

열대야가 가장 심했던 날짜, 최고기온¶

In [24]:

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

2018-08-02
30.3

시각화¶

In [28]:

# plot
plt.plot(df_seoul_hotnight['일시'], df_seoul_hotnight['최저기온(°C)'], 'k.')
plt.title('서울시 열대야 현황(1911~2020)', size=20)
plt.xlabel('일시')
plt.ylabel('일 최저기온(°C)')

# 가장 더웠던 밤 표시
plt.plot(df_seoul_hotestnight.iloc[0,2].date(), df_seoul_hotestnight.iloc[0,4], 'b^')

# 가장 더웠던 밤의 날짜, 온도 표시
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))


plt.show()

연도별 폭염일수, 열대야일수 추출¶

연도별 폭염일수 추출¶

In [32]:

# 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[32]:

	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

In [30]:

# 폭염일이 없는 날을 포함시키기 위하여 1911~2020년의 연도 데이터프레임 생성
df_years = pd.DataFrame(range(1911,2021))
df_years.index = df_years[0]
df_years

Out[30]:

	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 [33]:

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

Out[33]:

	일시	0
1911	5.0	1911
1912	3.0	1912
1914	11.0	1914
1915	10.0	1915
1916	2.0	1916
...	...	...
1987	NaN	1987
1992	NaN	1992
1993	NaN	1993
1998	NaN	1998
2003	NaN	2003

110 rows × 2 columns

In [34]:

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

In [35]:

df_seoul_hotday_count

Out[35]:

	일시
1911	5.0
1912	3.0
1914	11.0
1915	10.0
1916	2.0
...	...
1987	NaN
1992	NaN
1993	NaN
1998	NaN
2003	NaN

110 rows × 1 columns

In [36]:

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

Out[36]:

일시    13
dtype: int64

In [37]:

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

In [38]:

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

In [41]:

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

Out[41]:

	폭염일수
1911	5
1912	3
1914	11
1915	10
1916	2
...	...
1987	0
1992	0
1993	0
1998	0
2003	0

110 rows × 1 columns

In [40]:

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

Out[40]:

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

연도별 열대야일수 추출¶

In [42]:

# 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[42]:

	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 [43]:

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

In [44]:

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

In [45]:

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

In [46]:

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

Out[46]:

열대야일수    28
dtype: int64

In [47]:

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

In [48]:

# 열대야일수 자료형을 정수형으로 변경
df_seoul_hotnight_count = df_seoul_hotnight_count.astype('int64')

In [49]:

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

Out[49]:

	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 [50]:

df_seoul_hotday_count.head(3)

Out[50]:

	폭염일수
1911	5
1912	3
1914	11

In [51]:

df_seoul_hotnight_count.head(3)

Out[51]:

	열대야일수
1911	1
1914	4
1915	3

In [43]:

# 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'], 'k.-')

# 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 -> 공유는 첫번째거 기준으로(?)
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()

다중막대그래프로 비교하기¶

fig, ax = plt.subplots()

In [52]:

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='k', label='열대야일수')

ax.legend()

ax.set_title('서울시 연도별 폭염일수, 열대야일수', 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()

지역별 인구구조 시각화(시/도별)¶

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 [119]:

df = pd.read_csv('data2/202110_202110_주민등록인구및세대현황_월간.csv', encoding='cp949')
df

Out[119]:

	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 [120]:

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

In [121]:

df.head(1)

Out[121]:

	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 [122]:

# 자료형 확인
df.dtypes

Out[122]:

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

In [123]:

# 숫자형으로 변환
df['총인구수'] = df['총인구수'].str.replace(',','').astype('int64')

In [124]:

df['세대수'] = df['세대수'].str.replace(',','').astype('int64')

In [125]:

df['남자 인구수'] = df['남자 인구수'].str.replace(',','').astype('int64')

In [126]:

df['여자 인구수'] = df['여자 인구수'].str.replace(',','').astype('int64')

In [127]:

# 변경사항 확인
df.dtypes

Out[127]:

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 [128]:

# '행정구역'중 시/도 만 추출
df_sido = df[df['행정구역'].str.contains('00000000')].copy()
df_sido

Out[128]:

	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

In [129]:

# 시/도 명 컬럼 추가
df_sido['시도명'] = df_sido['행정구역'].str.split(' ').str[0]

In [130]:

df_sido.head(3)

Out[130]:

	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

시도별 인구수 시각화¶

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

총 인구수로 데이터 정렬하기¶

In [131]:

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

Out[131]:

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

막대그래프로 시각화하기¶

matplotlib.pyplot으로 시각화하기¶

In [132]:

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

plt.bar(df_sido['시도명'], df_sido['총인구수'])
plt.xticks(rotation=90)
plt.title('2021년 10월 시도별 총 인구수', size=20)
plt.xlabel('시도명')
plt.ylabel('총인구수')
plt.grid(axis='y', ls=':')
plt.show()

seaborn으로 시각화하기 (막대그래프)¶

In [133]:

sns.barplot(data=df_sido, x='시도명', y='총인구수')
plt.title('2021년 10월 시도별 총 인구수', size=20)
plt.grid(axis='y', ls=':')
plt.xticks(rotation=90)
plt.show()

파이그래프로 시각화하기¶

In [140]:

plt.figure(facecolor='snow', figsize=(3,3))
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
객체지향
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()

In [70]:

df_sido

Out[70]:

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

In [155]:

# 이중 y축 그래프 위한 객체 설정 
fig, ax1 = plt.subplots()

# 막대그래프 그리기 (총인구수,세대수)
ax1.bar(df_sido['시도명'], df_sido['총인구수'], width=-0.4, align='edge', label='총인구수')
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 그리기 (세대당 인구수)
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 인구수, 세대수, 세대당 인구', size=20)

plt.axhline(df_sido['세대당 인구'].mean(),0,1,color='r')

plt.show()

시도별 성별 인구수 시각화¶

In [73]:

df_sido.head(3)

Out[73]:

	행정구역	총인구수	세대수	세대당 인구	남자 인구수	여자 인구수	남여 비율	시도명
1273	경기도 (4100000000)	13549577	5820524	2.33	6820025	6729552	1.01	경기도
0	서울특별시 (1100000000)	9532428	4422587	2.16	4630630	4901798	0.94	서울특별시
452	부산광역시 (2600000000)	3356311	1541975	2.18	1642368	1713943	0.96	부산광역시

In [146]:

fig, ax1 = plt.subplots()
ax1.bar(df_sido['시도명'], df_sido['남자 인구수'], width=-0.4, align='edge', color='skyblue', label='남자인구수')
ax1.bar(df_sido['시도명'], df_sido['여자 인구수'], width=0.4, align='edge', color='pink', label='여자인구수')
ax1.legend(loc=(0.2,0.8))
plt.xticks(rotation=90)

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

plt.show()

성별 인구수 차이¶

성별 인구수 차이 컬럼 생성¶

내림차순으로 정렬

In [77]:

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

Out[77]:

	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

시각화¶

In [24]:

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 [80]:

# 행정구역이 서울인것만 추출
df_seoul = df[df['행정구역'].str.find('구 (11')>0].copy()

In [84]:

df_seoul.shape

Out[84]:

(25, 8)

In [81]:

# '구'이름만 있는 칼럼 생성 
df_seoul['구'] = df_seoul['행정구역'].str.split(' ').str[1]

In [82]:

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

Out[82]:

	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 [85]:

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()

동별 인구수 시각화¶

송파구 동별 인구수 시각화

서브셋 만들기¶

In [86]:

df_song = df[df['행정구역'].str.find('동(1171')>0].copy()

In [87]:

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

Out[87]:

	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 [88]:

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

시각화¶

In [89]:

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()

연령별 인구구조 시각화¶

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

데이터 수집 및 전처리¶

데이터 확인¶

In [90]:

df = pd.read_csv('data2/202110_202110_연령별인구현황_월간.csv', encoding='cp949')

In [91]:

df.head(3)

Out[91]:

	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 [92]:

# 재할당 하거나 inplace=True로 하거나
df = df.drop(columns=['2021년10월_계_총인구수','2021년10월_계_연령구간인구수'])

In [93]:

df

Out[93]:

	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	서울특별시 종로구 (1111000000)	476	501	564	579	667	795	850	865	845	...	169	150	109	100	67	47	31	27	30	54
2	서울특별시 종로구 청운효자동(1111051500)	44	48	58	56	86	73	96	90	84	...	8	12	8	7	7	3	3	3	3	5
3	서울특별시 종로구 사직동(1111053000)	33	28	39	46	60	65	70	72	71	...	13	20	4	8	9	8	2	4	1	3
4	서울특별시 종로구 삼청동(1111054000)	5	6	3	9	14	7	17	12	12	...	6	2	4	3	1	1	1	0	2	6
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3849	제주특별자치도 서귀포시 서홍동(5013058000)	70	77	100	89	109	145	150	139	161	...	8	6	10	1	2	1	1	1	2	4
3850	제주특별자치도 서귀포시 대륜동(5013059000)	110	149	147	140	164	177	179	170	155	...	17	11	9	4	5	3	1	6	2	6
3851	제주특별자치도 서귀포시 대천동(5013060000)	79	99	134	145	193	217	182	207	173	...	18	6	8	8	5	3	1	1	3	3
3852	제주특별자치도 서귀포시 중문동(5013061000)	67	64	95	73	71	94	111	103	139	...	12	14	9	4	6	0	2	2	0	4
3853	제주특별자치도 서귀포시 예래동(5013062000)	12	13	14	21	22	26	36	24	27	...	10	7	4	5	2	3	0	4	1	0

3854 rows × 102 columns

인덱스 변경¶

In [94]:

df.index=df['행정구역']

In [95]:

df = df.drop(columns=['행정구역'])

컬럼명 변경¶

In [96]:

# 연령만 남기기
df.columns = df.columns.str.split('_').str[2]

In [97]:

df.head(1)

Out[97]:

	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 [98]:

df.dtypes

Out[98]:

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 [99]:

df['0세']

Out[99]:

행정구역
서울특별시  (1100000000)             43,440
서울특별시 종로구 (1111000000)             476
서울특별시 종로구 청운효자동(1111051500)         44
서울특별시 종로구 사직동(1111053000)           33
서울특별시 종로구 삼청동(1111054000)            5
                                 ...  
제주특별자치도 서귀포시 서홍동(5013058000)        70
제주특별자치도 서귀포시 대륜동(5013059000)       110
제주특별자치도 서귀포시 대천동(5013060000)        79
제주특별자치도 서귀포시 중문동(5013061000)        67
제주특별자치도 서귀포시 예래동(5013062000)        12
Name: 0세, Length: 3854, dtype: object

In [100]:

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

In [101]:

df.dtypes

Out[101]:

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

In [102]:

df

Out[102]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 (1100000000)	43440	45655	49757	52347	56653	64586	67597	67337	68428	74261	...	8207	6755	5313	3972	2568	1869	1385	1319	820	2228
서울특별시 종로구 (1111000000)	476	501	564	579	667	795	850	865	845	953	...	169	150	109	100	67	47	31	27	30	54
서울특별시 종로구 청운효자동(1111051500)	44	48	58	56	86	73	96	90	84	119	...	8	12	8	7	7	3	3	3	3	5
서울특별시 종로구 사직동(1111053000)	33	28	39	46	60	65	70	72	71	68	...	13	20	4	8	9	8	2	4	1	3
서울특별시 종로구 삼청동(1111054000)	5	6	3	9	14	7	17	12	12	15	...	6	2	4	3	1	1	1	0	2	6
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
제주특별자치도 서귀포시 서홍동(5013058000)	70	77	100	89	109	145	150	139	161	152	...	8	6	10	1	2	1	1	1	2	4
제주특별자치도 서귀포시 대륜동(5013059000)	110	149	147	140	164	177	179	170	155	171	...	17	11	9	4	5	3	1	6	2	6
제주특별자치도 서귀포시 대천동(5013060000)	79	99	134	145	193	217	182	207	173	168	...	18	6	8	8	5	3	1	1	3	3
제주특별자치도 서귀포시 중문동(5013061000)	67	64	95	73	71	94	111	103	139	141	...	12	14	9	4	6	0	2	2	0	4
제주특별자치도 서귀포시 예래동(5013062000)	12	13	14	21	22	26	36	24	27	33	...	10	7	4	5	2	3	0	4	1	0

3854 rows × 101 columns

시도-연령별 인구구조¶

서브셋 만들기¶

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

In [103]:

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

시각화¶

다중플롯¶

In [104]:

df_sido.head(3)

Out[104]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 (1100000000)	43440	45655	49757	52347	56653	64586	67597	67337	68428	74261	...	8207	6755	5313	3972	2568	1869	1385	1319	820	2228
부산광역시 (2600000000)	14076	15811	17491	19786	22010	25067	26495	26223	26252	28518	...	2960	2566	1974	1446	830	680	425	365	265	681
대구광역시 (2700000000)	10382	11842	13460	14973	16708	19304	20149	20132	20212	22255	...	1989	1588	1263	920	516	451	274	207	157	360

3 rows × 101 columns

In [105]:

plt.rcParams['figure.figsize']=(12,5)
# 모든 시/도에 대한 그래프 생성
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 [106]:

fig = plt.figure(figsize=(20,30))
for i in range(len(df_sido)):
    plt.subplot(6,3,i+1)  # 1번부터 시작하기 때문에 i+1
    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()

서울시 구별 인구구조¶

서브셋 만들기¶

In [110]:

# 존재하면 0보다 큰 값이 출력되어 나옴
df_seoul = df[df.index.str.find('구 (11')>0]
df_seoul.head()

Out[110]:

	0세	1세	2세	3세	4세	5세	6세	7세	8세	9세	...	91세	92세	93세	94세	95세	96세	97세	98세	99세	100세 이상
행정구역
서울특별시 종로구 (1111000000)	476	501	564	579	667	795	850	865	845	953	...	169	150	109	100	67	47	31	27	30	54
서울특별시 중구 (1114000000)	552	599	562	591	645	714	676	661	671	699	...	145	145	118	81	46	29	30	24	22	55
서울특별시 용산구 (1117000000)	1109	1084	1193	1192	1247	1418	1376	1363	1328	1490	...	250	258	178	118	82	62	55	52	32	89
서울특별시 성동구 (1120000000)	1708	1800	1879	1916	1979	2109	2049	2013	1958	1998	...	240	180	144	116	58	50	35	28	23	62
서울특별시 광진구 (1121500000)	1389	1324	1548	1568	1669	1878	2084	2075	2166	2335	...	225	212	149	129	76	53	51	34	35	65

5 rows × 101 columns

시각화¶

다중플롯¶

In [108]:

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

서브플롯¶

fig.add_subplot(행,열,순번)

In [111]:

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_xticks(range(0,101,10))
    ax.set_yticks(range(0,15000,1000))
    ax.set_title(df_seoul.index[i].split(' ')[1])
fig.tight_layout()

특정 동 인구구조¶

학군지 인구구조¶

대치동, 목동
fig, ax = plt.subplots()

In [112]:

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

Out[112]:

	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 [113]:

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
    if c%3==0:
        r+=1
        c=0

fig.tight_layout()

특정 구의 동별 인구구조¶

In [114]:

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

Out[114]:

	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 [115]:

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)):
    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
    if c%3==0:
        r+=1
        c=0

fig.tight_layout()

1. Python 기초 - Pandas에 대한 기본 사용법 정리 (3)	2024.01.02
[python 실습] 아파트 실거래 분석, 시각화 실습 (0)	2023.03.10
[python 실습] 서울시 폭염/열대야 현황 실습 (0)	2023.03.10
[python 실습] seaborn 여러가지 시각화 (0)	2023.03.10
[python 실습] python을 이용한 데이터 분석 및 시각화 실습 (1)	2023.03.09

« 2025/05 »
일	월	화	수	목	금	토
				1	2	3
4	5	6	7	8	9	10
11	12	13	14	15	16	17
18	19	20	21	22	23	24
25	26	27	28	29	30	31

신이 되고 싶은 갓지이

[python 실습] 인구데이터를 통한 분석 실습 본문

[python 실습] 인구데이터를 통한 분석 실습

서울시 폭염, 열대야 현황 시각화¶

데이터 준비 및 확인¶

데이터 프레임 생성¶

데이터 타입 확인/변경¶

데이터 확인¶

서울시 폭염/열대야 현황 시각화¶

서울시 데이터 추출하여 서브셋 생성¶

서울시 폭염 데이터 추출¶

서울시 폭염 데이터 시각화¶

서울시 열대야 데이터 추출¶

서울시 열대야 데이터 시각화¶

최고 폭염일, 최고 열대야 강조하기¶

폭염이 가장 심했던 날¶

폭염이 가장 심했던 날 best10¶

폭염이 가장 심했던 날짜, 최고기온¶

시각화¶

열대야가 가장 심했던 날¶

열대야가 가장 심했던 날 best10¶

열대야가 가장 심했던 날짜, 최고기온¶

시각화¶

연도별 폭염일수, 열대야일수 추출¶

연도별 폭염일수 추출¶

연도별 열대야일수 추출¶

연도별 폭염일수, 열대야일수 시각화¶

서브플롯으로 비교하기¶

다중막대그래프로 비교하기¶

지역별 인구구조 시각화(시/도별)¶

데이터 수집 및 전처리¶

데이터프레임 생성 및 전처리¶

데이터프레임 생성¶

컬럼명 변경¶

자료형 확인, 변환¶

시도별 서브셋 생성¶

시도별 인구수 시각화¶

총 인구수로 데이터 정렬하기¶

막대그래프로 시각화하기¶

matplotlib.pyplot으로 시각화하기¶

seaborn으로 시각화하기 (막대그래프)¶

파이그래프로 시각화하기¶

시도별 세대당 인구수 시각화¶

시도별 성별 인구수 시각화¶

성별 인구수 차이¶

성별 인구수 차이 컬럼 생성¶

시각화¶

서울시 구별/동별 인구수 시각화¶

서울시 구별 인구수 시각화¶

서브셋 생성¶

시각화¶

동별 인구수 시각화¶

서브셋 만들기¶

시각화¶

연령별 인구구조 시각화¶

데이터 수집 및 전처리¶

데이터 확인¶

컬럼삭제¶

인덱스 변경¶

컬럼명 변경¶

자료형 확인/변경¶

시도-연령별 인구구조¶

서브셋 만들기¶

시각화¶

다중플롯¶

서브플롯¶

서울시 구별 인구구조¶

서브셋 만들기¶

시각화¶

다중플롯¶

서브플롯¶

특정 동 인구구조¶

학군지 인구구조¶

특정 구의 동별 인구구조¶

'Python' 카테고리의 다른 글

티스토리툴바