In [1]:

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

아파트 실거래가 분석, 시각화¶

데이터 수집¶

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

In [5]:

df = pd.read_csv('data2/아파트(매매)__실거래가_20211122131854.csv', encoding='cp949')
df

Out[5]:

	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 [6]:

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

In [7]:

df[df['해제사유발생일'].notnull()]

Out[7]:

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

사용할 컬럼만 추출¶

시군구, 전용면적(㎡), 거래금액(만원)

In [8]:

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

Out[8]:

	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 [9]:

df.dtypes

Out[9]:

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

In [10]:

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

In [11]:

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

In [12]:

df.dtypes

Out[12]:

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

시도별 아파트 매매가 데이터 추출¶

시도 컬럼 추가¶

In [13]:

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

In [14]:

df['시도'].unique()

Out[14]:

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

In [15]:

df['시도'].nunique()

Out[15]:

분석할 전용면적 선택¶

In [18]:

df

Out[18]:

	시군구	전용면적(㎡)	거래금액(만원)	시도
0	강원도 강릉시 견소동	59	15000	강원도
1	강원도 강릉시 견소동	84	25000	강원도
2	강원도 강릉시 견소동	39	12000	강원도
3	강원도 강릉시 견소동	59	22700	강원도
4	강원도 강릉시 견소동	84	32500	강원도
...	...	...	...	...
56238	충청북도 충주시 호암동	84	41000	충청북도
56239	충청북도 충주시 호암동	99	52000	충청북도
56240	충청북도 충주시 호암동	84	42500	충청북도
56241	충청북도 충주시 호암동	120	58000	충청북도
56242	충청북도 충주시 호암동	84	44800	충청북도

54149 rows × 4 columns

In [16]:

df['전용면적(㎡)'].value_counts()

Out[16]:

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

분석할 전용면적 서브셋¶

In [19]:

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

Out[19]:

	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 [20]:

df_84_mean = df_84.groupby('시도')['거래금액(만원)'].mean()
df_84_mean

Out[20]:

시도
강원도         25735.603214
경기도         57935.884750
경상남도        30821.486979
경상북도        25636.574724
광주광역시       38281.782713
대구광역시       39517.411444
대전광역시       45900.591398
부산광역시       43642.905830
서울특별시      121650.927757
세종특별자치시     71412.643678
울산광역시       36790.119760
인천광역시       52835.016497
전라남도        23643.111987
전라북도        26839.718367
제주특별자치도     43831.702128
충청남도        26264.903790
충청북도        28915.154827
Name: 거래금액(만원), dtype: float64

In [21]:

df_84_max = df_84.groupby('시도')['거래금액(만원)'].max()

In [22]:

df_84_min = df_84.groupby('시도')['거래금액(만원)'].min()

In [23]:

df_84_median = df_84.groupby('시도')['거래금액(만원)'].median()

In [25]:

df_84_price = pd.concat([df_84_mean, df_84_max,df_84_min,df_84_median],axis=1)
df_84_price

Out[25]:

	거래금액(만원)	거래금액(만원)	거래금액(만원)	거래금액(만원)
시도
강원도	25735.603214	72500	7000	23700.0
경기도	57935.884750	220000	7400	52500.0
경상남도	30821.486979	109000	5300	28400.0
경상북도	25636.574724	64500	4000	25219.0
광주광역시	38281.782713	104500	10700	34000.0
대구광역시	39517.411444	148000	13700	35900.0
대전광역시	45900.591398	127000	12500	44435.0
부산광역시	43642.905830	183000	9400	38000.0
서울특별시	121650.927757	384500	29500	109000.0
세종특별자치시	71412.643678	119000	23800	74000.0
울산광역시	36790.119760	120000	6900	33000.0
인천광역시	52835.016497	130000	16700	47500.0
전라남도	23643.111987	74000	6000	23000.0
전라북도	26839.718367	66500	4200	22800.0
제주특별자치도	43831.702128	95000	13500	42750.0
충청남도	26264.903790	94500	3500	23700.0
충청북도	28915.154827	72000	7600	27000.0

In [26]:

df_84_price.columns = ['평균','최대','최소','중간']

In [27]:

df_84_price = df_84_price.sort_values('평균', ascending=False)

In [28]:

df_84_price['평균'] = round(df_84_price['평균'],1)
df_84_price

Out[28]:

	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 [29]:

import numpy as np
x_index = np.arange(1,len(df_84_price)+1)
x_index

Out[29]:

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

In [30]:

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()

서울시 아파트 매매가 분포¶

서울시 서브셋¶

In [31]:

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

Out[31]:

	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
...	...	...	...	...
39823	서울특별시 중랑구 신내동	84	75000	서울특별시
39824	서울특별시 중랑구 신내동	84	73500	서울특별시
39828	서울특별시 중랑구 중화동	84	90000	서울특별시
39833	서울특별시 중랑구 중화동	84	88000	서울특별시
39836	서울특별시 중랑구 중화동	84	88000	서울특별시

1315 rows × 4 columns

구 컬럼 추가¶

In [33]:

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

Out[33]:

	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
...	...	...	...	...	...
39823	서울특별시 중랑구 신내동	84	75000	서울특별시	중랑구
39824	서울특별시 중랑구 신내동	84	73500	서울특별시	중랑구
39828	서울특별시 중랑구 중화동	84	90000	서울특별시	중랑구
39833	서울특별시 중랑구 중화동	84	88000	서울특별시	중랑구
39836	서울특별시 중랑구 중화동	84	88000	서울특별시	중랑구

1315 rows × 5 columns

In [34]:

df_84_seoul['구'].unique()

Out[34]:

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 [35]:

df_84_seoul['구'].nunique()

Out[35]:

박스플롯으로 시각화¶

구별 데이터 분리¶

In [36]:

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

Out[36]:

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 [37]:

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 [38]:

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()

서울시 아파트 구별 평균 매매가, 거래건수¶

서울시 아파트 구별 평균 매매가¶

In [40]:

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[40]:

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 [41]:

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

Out[41]:

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

In [42]:

df_84_seoul_mean_count = pd.concat([df_84_seoul_mean, df_84_seoul_count], axis=1)
df_84_seoul_mean_count

Out[42]:

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

In [43]:

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[43]:

	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 [44]:

fig, ax1 = plt.subplots()

#막대 그래프
ax1.bar(df_84_seoul_mean_count.index, df_84_seoul_mean_count['평균매매가(만원)'], label='평균매매가')
plt.xticks(rotation=45)

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

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

# 라벨링
ax1.set_ylabel('평균매매가(만원)')
ax2.set_ylabel('거래건수')

# 표 제목
plt.title('2021년 8월 서울시 아파트 평균매매가, 거래건수(84㎡)', size=20)
plt.show()

상가(상권)정보 분석, 시각화¶

데이터 수집¶

상가상권정보
https://www.data.go.kr/data/15083033/fileData.do

데이터프레임 생성¶

17개 파일의 데이터를 각각 데이터프레임으로 만든 후 합친다.

17개의 파일을 각각 데이터프레임으로 만들기¶

column에 NaN값이나 여러 type의 데이터가 섞여 있으면 DtypeWarning 발생
dtype option으로 타입을 명시해주거나 low_memory = False로 지정해 주면 경고 메시지가 출력되지 않는다.

In [2]:

df1 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_강원_202109.csv')

In [3]:

df2 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_경기_202109.csv')

In [4]:

df3 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_경남_202109.csv')

In [5]:

df4 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_경북_202109.csv', low_memory=False)

In [6]:

df5 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_광주_202109.csv', low_memory=False)

In [7]:

df6 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_대구_202109.csv', low_memory=False)

In [8]:

df7 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_대전_202109.csv')

In [9]:

df8 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_부산_202109.csv')

In [10]:

df9 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_서울_202109.csv')

In [11]:

df10 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_세종_202109.csv')

In [12]:

df11 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_울산_202109.csv')

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/837090995.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df11 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_울산_202109.csv')

In [13]:

df12 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_인천_202109.csv')

In [14]:

df13 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_전남_202109.csv')   

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/2351736579.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df13 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_전남_202109.csv')

In [15]:

df14 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_전북_202109.csv')

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/215256428.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df14 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_전북_202109.csv')

In [16]:

df15 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_제주_202109.csv')

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/3957613725.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df15 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_제주_202109.csv')

In [17]:

df16 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_충남_202109.csv')

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/931289936.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df16 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_충남_202109.csv')

In [18]:

df17 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_충북_202109.csv')  

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_8966/2172420385.py:1: DtypeWarning: Columns (35) have mixed types. Specify dtype option on import or set low_memory=False.
  df17 = pd.read_csv('data2/소상공인시장진흥공단_상가(상권)정보_충북_202109.csv')

데이터프레임 연결하기¶

pd.concat(데이터프레임리스트) : 행 방향으로 연결
pd.concat(데이터프레임리스트, axis=1) : 열 방향으로 연결
인덱스 재지정 : ignore_index = True

In [19]:

# 데이터프레임 합치기 : [df1,df2,df3,df4,df5,df6,df7,df8,df9,df10,df11,df12,df13,df14,df15,df16,df17]
df = pd.concat([df1,df2,df3,df4,df5,df6,df7,df8,df9,df10,df11,df12,df13,df14,df15,df16,df17], ignore_index = True)

In [20]:

len(df.columns)

Out[20]:

In [21]:

# 컬럼갯수 최대 지정
pd.options.display.max_columns=39

In [22]:

df.head(1)

Out[22]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	표준산업분류명	시도코드	시도명	시군구코드	시군구명	행정동코드	행정동명	법정동코드	법정동명	지번코드	대지구분코드	대지구분명	지번본번지	지번부번지	지번주소	도로명코드	도로명	건물본번지	건물부번지	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	25033300	동그라미중고타이어	NaN	D	소매	D23	자동차/자동차용품	D23A04	타이어판매	G45211	자동차 타이어 및 튜브 판매업	42	강원도	42150	강릉시	4215057100	포남1동	4.215011e+09	포남동	4215011100110960006	1	대지	1096	6.0	강원도 강릉시 포남동 1096-6	4.215032e+11	강원도 강릉시 가작로	270	NaN	4215011100110960006010791	NaN	강원도 강릉시 가작로 270	210110.0	25488.0	1	NaN	NaN	128.904472	37.770252

데이터 확인 및 전처리¶

데이터 크기¶

In [23]:

df.shape

Out[23]:

(2245938, 39)

데이터프레임 정보¶

In [24]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2245938 entries, 0 to 2245937
Data columns (total 39 columns):
 #   Column     Dtype  
---  ------     -----  
 0   상가업소번호     int64  
 1   상호명        object 
 2   지점명        object 
 3   상권업종대분류코드  object 
 4   상권업종대분류명   object 
 5   상권업종중분류코드  object 
 6   상권업종중분류명   object 
 7   상권업종소분류코드  object 
 8   상권업종소분류명   object 
 9   표준산업분류코드   object 
 10  표준산업분류명    object 
 11  시도코드       int64  
 12  시도명        object 
 13  시군구코드      int64  
 14  시군구명       object 
 15  행정동코드      int64  
 16  행정동명       object 
 17  법정동코드      float64
 18  법정동명       object 
 19  지번코드       int64  
 20  대지구분코드     int64  
 21  대지구분명      object 
 22  지번본번지      int64  
 23  지번부번지      float64
 24  지번주소       object 
 25  도로명코드      float64
 26  도로명        object 
 27  건물본번지      int64  
 28  건물부번지      float64
 29  건물관리번호     object 
 30  건물명        object 
 31  도로명주소      object 
 32  구우편번호      float64
 33  신우편번호      float64
 34  동정보        object 
 35  층정보        object 
 36  호정보        object 
 37  경도         float64
 38  위도         float64
dtypes: float64(8), int64(8), object(23)
memory usage: 668.3+ MB

서브셋 만들기¶

In [25]:

df.head(1)

Out[25]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	표준산업분류명	시도코드	시도명	시군구코드	시군구명	행정동코드	행정동명	법정동코드	법정동명	지번코드	대지구분코드	대지구분명	지번본번지	지번부번지	지번주소	도로명코드	도로명	건물본번지	건물부번지	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	25033300	동그라미중고타이어	NaN	D	소매	D23	자동차/자동차용품	D23A04	타이어판매	G45211	자동차 타이어 및 튜브 판매업	42	강원도	42150	강릉시	4215057100	포남1동	4.215011e+09	포남동	4215011100110960006	1	대지	1096	6.0	강원도 강릉시 포남동 1096-6	4.215032e+11	강원도 강릉시 가작로	270	NaN	4215011100110960006010791	NaN	강원도 강릉시 가작로 270	210110.0	25488.0	1	NaN	NaN	128.904472	37.770252

In [27]:

# 컬럼명 가져오기
df.columns

Out[27]:

Index(['상가업소번호', '상호명', '지점명', '상권업종대분류코드', '상권업종대분류명', '상권업종중분류코드',
       '상권업종중분류명', '상권업종소분류코드', '상권업종소분류명', '표준산업분류코드', '표준산업분류명', '시도코드',
       '시도명', '시군구코드', '시군구명', '행정동코드', '행정동명', '법정동코드', '법정동명', '지번코드',
       '대지구분코드', '대지구분명', '지번본번지', '지번부번지', '지번주소', '도로명코드', '도로명', '건물본번지',
       '건물부번지', '건물관리번호', '건물명', '도로명주소', '구우편번호', '신우편번호', '동정보', '층정보',
       '호정보', '경도', '위도'],
      dtype='object')

필요한 컬럼만 추출하여 서브셋 만들기¶

서브셋을 만들 때는 copy()기능을 사용하는 것을 권장

In [28]:

df_store = df[['상호명','상권업종대분류명','상권업종중분류명','상권업종소분류명','시도명','시군구명','행정동명','법정동명','경도','위도']].copy()

In [29]:

df_store

Out[29]:

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	경도	위도
0	동그라미중고타이어	소매	자동차/자동차용품	타이어판매	강원도	강릉시	포남1동	포남동	128.904472	37.770252
1	세인트존스호텔Ohcrab	숙박	호텔/콘도	호텔/콘도	강원도	강릉시	초당동	강문동	128.920908	37.791299
2	평창라마다호텔	숙박	호텔/콘도	호텔/콘도	강원도	평창군	대관령면	대관령면	128.717971	37.660051
3	호텔탑스텐스카이라운지	숙박	호텔/콘도	호텔/콘도	강원도	강릉시	옥계면	옥계면	129.052902	37.654680
4	족발야시장	음식	한식	족발/보쌈전문	강원도	강릉시	교1동	교동	128.878636	37.765339
...	...	...	...	...	...	...	...	...	...	...
2245933	스카이미술교습소	학문/교육	학원-음악미술무용	서예/서화/미술	충청북도	진천군	덕산읍	덕산읍	127.527967	36.902562
2245934	시티창호	생활서비스	주택수리	유리창호	충청북도	음성군	금왕읍	금왕읍	127.527023	37.011734
2245935	타이타닉	생활서비스	이/미용/건강	비만/피부관리	충청북도	청주시 청원구	오근장동	주성동	127.497228	36.671633
2245936	브릭헤어	생활서비스	이/미용/건강	여성미용실	충청북도	청주시 서원구	성화.개신.죽림동	성화동	127.456752	36.617518
2245937	싸이코참치기업도시점	음식	일식/수산물	참치전문점	충청북도	충주시	중앙탑면	중앙탑면	127.824401	37.017746

2245938 rows × 10 columns

서브셋 데이터 확인¶

In [30]:

# 데이터 크기
df_store.shape

Out[30]:

(2245938, 10)

In [31]:

# 데이터 정보(메모리 용량)
df_store.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2245938 entries, 0 to 2245937
Data columns (total 10 columns):
 #   Column    Dtype  
---  ------    -----  
 0   상호명       object 
 1   상권업종대분류명  object 
 2   상권업종중분류명  object 
 3   상권업종소분류명  object 
 4   시도명       object 
 5   시군구명      object 
 6   행정동명      object 
 7   법정동명      object 
 8   경도        float64
 9   위도        float64
dtypes: float64(2), object(8)
memory usage: 171.4+ MB

결측치분석/처리¶

In [32]:

df_store.isnull().sum()

Out[32]:

상호명             2
상권업종대분류명        0
상권업종중분류명        0
상권업종소분류명        0
시도명             0
시군구명            0
행정동명        11839
법정동명         1453
경도              0
위도              0
dtype: int64

상권업종분류¶

In [33]:

df_store['상권업종대분류명'].unique()

Out[33]:

array(['소매', '숙박', '음식', '학문/교육', '생활서비스', '부동산', '관광/여가/오락', '스포츠'],
      dtype=object)

In [34]:

df_store['상권업종대분류명'].nunique()

Out[34]:

In [35]:

df_store['상권업종중분류명'].unique()

Out[35]:

array(['자동차/자동차용품', '호텔/콘도', '한식', '가구소매', '학원기타', '유흥주점', '철물/난방/건설자재소매',
       '주유소/충전소', '가방/신발/액세서리', '가정/주방/인테리어', '커피점/카페', '캠프/별장/펜션',
       '음/식료품소매', '기타판매업', '화장품소매', '부동산중개', '선물/팬시/기념품', '개인/가정용품수리',
       '학원-음악미술무용', '민박/하숙', '의복의류', '요가/단전/마사지', '세탁/가사서비스', '주택수리',
       '분식', '인력/고용/용역알선', '사진/광학/정밀기기소매', '가전제품소매', '종합소매점', '사무/문구/컴퓨터',
       '이/미용/건강', '학원-어학', '일식/수산물', '무도/유흥/가무', '모텔/여관/여인숙', '제과제빵떡케익',
       '자동차/이륜차', '광고/인쇄', '취미/오락관련소매', '학원-보습교습입시', '대중목욕탕/휴게', '패스트푸드',
       '실내운동시설', '놀이/여가/취미', '건강/미용식품', '닭/오리요리', '학원-창업취업취미', '시계/귀금속소매',
       '중식', '운동/경기용품소매', '페인트/유리제품소매', '대행업', '실외운동시설', '중고품소매/교환',
       '의약/의료품소매', '유아용품', '학원-예능취미체육', '유아교육', '학문교육기타', '별식/퓨전요리',
       '책/서적/도서', '기타서비스업', 'PC/오락/당구/볼링등', '분양', '애견/애완/동물', '양식',
       '장례/묘지', '물품기기대여', '기타음식업', '사진', '도서관/독서실', '행사/이벤트', '부페',
       '운송/배달/택배', '개인서비스', '학원-자격/국가고시', '예식/의례/관혼상제', '음식배달서비스',
       '경마/경륜/성인오락', '스포츠/운동', '종교용품판매', '운영관리시설', '학원-컴퓨터',
       '예술품/골동품/수석/분재', '평가/개발/관리', '연극/영화/극장', '법무세무회계', '유스호스텔',
       '부동산관련서비스'], dtype=object)

In [36]:

df_store['상권업종중분류명'].nunique()

Out[36]:

In [37]:

df_store['상권업종소분류명'].nunique()

Out[37]:

상권업종분류표¶

In [40]:

df_store_class = df_store[['상권업종대분류명','상권업종중분류명','상권업종소분류명']].drop_duplicates().sort_values(['상권업종대분류명','상권업종중분류명','상권업종소분류명'])

In [41]:

# 상권업종 분류표 모두보기(최대 행 수 지정)
pd.options.display.max_rows=20
df_store_class

Out[41]:

	상권업종대분류명	상권업종중분류명	상권업종소분류명
8094	관광/여가/오락	PC/오락/당구/볼링등	기원
2885	관광/여가/오락	PC/오락/당구/볼링등	당구장
4683	관광/여가/오락	PC/오락/당구/볼링등	볼링장
44597	관광/여가/오락	PC/오락/당구/볼링등	비디오감상실
53746	관광/여가/오락	PC/오락/당구/볼링등	오락용사격장
...	...	...	...
140419	학문/교육	학원기타	학원-모델
101249	학문/교육	학원기타	학원-실내운전
11474	학문/교육	학원기타	학원-심리변론
162249	학문/교육	학원기타	학원-역학
115129	학문/교육	학원기타	학원-침술

716 rows × 3 columns

전국 상가 등록 현황¶

업종 대분류별 상가 갯수¶

In [40]:

df_store_class1 = df_store['상권업종대분류명'].value_counts()
df_store_class1

Out[40]:

음식          791784
소매          727770
생활서비스       377242
학문/교육       157123
부동산          80471
관광/여가/오락     47527
숙박           38841
스포츠          25180
Name: 상권업종대분류명, dtype: int64

In [41]:

fig = plt.figure(figsize=(10,5), facecolor='snow')

# 막대그래프
plt.subplot(121)
plt.bar(df_store_class1.index, df_store_class1.values)
plt.xticks(rotation=45)
plt.grid(axis='y',ls=':')

# 파이그래프
plt.subplot(122)
plt.pie(df_store_class1.values, labels=df_store_class1.index, autopct='%.1f%%', pctdistance=0.8,
       wedgeprops={'width':0.6})

fig.suptitle('전국 업종별 상가 등록 현황', size=20)
fig.tight_layout()
plt.show()

시도별 상가 갯수¶

In [42]:

df_store_sido = df_store['시도명'].value_counts()
df_store_sido

Out[42]:

경기도        516790
서울특별시      325880
경상남도       158901
부산광역시      140029
경상북도       135299
충청남도       115651
전라남도       109831
인천광역시      107679
전라북도       106471
강원도        105273
대구광역시       96784
충청북도        86653
대전광역시       69583
광주광역시       65786
제주특별자치도     47851
울산광역시       45504
세종특별자치시     11973
Name: 시도명, dtype: int64

In [43]:

fig = plt.figure(figsize=(10,5), facecolor='snow')

# 막대그래프
plt.subplot(121)
plt.bar(df_store_sido.index, df_store_sido.values)
plt.xticks(rotation=45)
plt.grid(axis='y',ls=':')

# 파이그래프
plt.subplot(122)
plt.pie(df_store_sido.values, labels=df_store_sido.index, autopct='%.1f%%', pctdistance=0.8,
       wedgeprops={'width':0.6})

fig.suptitle('전국 시도별 상가 등록 현황', size=20)
fig.tight_layout()
plt.show()

시도별 업종대분류별 상가 현황¶

In [44]:

df_store_pivot = df_store.pivot_table(index='상권업종대분류명', columns='시도명', values='상호명', aggfunc='count')

In [45]:

plt.figure(figsize=(15,5))
sns.heatmap(df_store_pivot, cmap='Blues', annot=True, fmt='d')
plt.show()

서울특별시 상가 현황¶

In [46]:

df_store_seoul = df_store[df_store['시도명']=='서울특별시'].copy()
df_store_seoul.head(3)

Out[46]:

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	경도	위도
1288445	BYC상신점	소매	의복의류	셔츠/내의/속옷	서울특별시	송파구	거여2동	거여동	127.147321	37.493054
1288446	제중건강원	소매	건강/미용식품	건강원	서울특별시	영등포구	영등포동	영등포동5가	126.907168	37.520613
1288447	민속악기사	소매	취미/오락관련소매	악기판매	서울특별시	성동구	용답동	용답동	127.049018	37.566857

구별 상가 등록 현황¶

In [47]:

df_store_seoul_gu = df_store_seoul['시군구명'].value_counts()
df_store_seoul_gu

Out[47]:

강남구     31783
송파구     19278
서초구     19038
중구      16595
강서구     15786
        ...  
금천구      9407
서대문구     9099
동작구      8877
강북구      8415
도봉구      7833
Name: 시군구명, Length: 25, dtype: int64

판다스 함수로 시각화¶

데이터프레임.plot.함수명

In [48]:

df_store_seoul_gu

Out[48]:

강남구     31783
송파구     19278
서초구     19038
중구      16595
강서구     15786
        ...  
금천구      9407
서대문구     9099
동작구      8877
강북구      8415
도봉구      7833
Name: 시군구명, Length: 25, dtype: int64

In [49]:

fig = plt.figure(figsize=(10,5))

plt.subplot(121)
#df_store_seoul_gu.plot(kind='bar')
df_store_seoul_gu.plot.bar(color='r')

plt.subplot(122)
df_store_seoul_gu.plot.pie(autopct='%.1f%%', pctdistance=0.8, wedgeprops={'width':0.6})

fig.suptitle('서울시 구별 상가등록 현황', size=20)
fig.tight_layout()
plt.show()

In [ ]:

구별/업종대분류별 상가 현황¶

히트맵으로 시각화¶

In [50]:

df_store_seoul_pivot = df_store_seoul.pivot_table(index='상권업종대분류명' , columns='시군구명', values='상호명', aggfunc='count')

In [51]:

plt.figure(figsize=(15,5))
sns.heatmap(df_store_seoul_pivot, cmap='Purples', annot=True, fmt='d')
plt.show()

소분류-구별 상가 등록 수 시각화¶

scatter차트, hexbin으로 특정 소분류의 구별 상가 등록 수 시각화
위도, 경도에 상가 위치 표시

구별 위도, 경도 평균값¶

In [52]:

df_store_seoul_location = df_store_seoul[['시군구명','경도','위도']].groupby('시군구명').mean()
df_store_seoul_location

Out[52]:

	경도	위도
시군구명
강남구	127.046516	37.505559
강동구	127.139304	37.542769
강북구	127.023701	37.631658
강서구	126.838680	37.553720
관악구	126.938068	37.480156
...	...	...
용산구	126.979110	37.535308
은평구	126.919514	37.609427
종로구	126.991246	37.576429
중구	126.996447	37.563221
중랑구	127.087664	37.596236

25 rows × 2 columns

커피전문점/카페/다방 현황¶

In [53]:

plt.figure(figsize=(8,6))
df_store_seoul_class3 = df_store_seoul[df_store_seoul['상권업종소분류명']=='커피전문점/카페/다방']
df_store_seoul_class3

sns.scatterplot(data=df_store_seoul_class3, x='경도', y='위도', hue='시군구명', marker='.', alpha=0.1)
plt.legend(ncol=2, loc=(1.01,0))

for i in range(len(df_store_seoul_location)):
    x = df_store_seoul_location.iloc[i,0]
    y = df_store_seoul_location.iloc[i,1]
    text=df_store_seoul_location.index[i]
    plt.text(x,y,text, ha='center')

plt.title('커피전문점/카페/다방')
plt.show()

In [54]:

plt.figure(figsize=(8,6))
df_store_seoul_class3 = df_store_seoul[df_store_seoul['상권업종소분류명']=='커피전문점/카페/다방']
plt.hexbin(df_store_seoul_class3['경도'],df_store_seoul_class3['위도'], cmap='Blues', gridsize=30)
plt.colorbar()

for i in range(len(df_store_seoul_location)):
    x = df_store_seoul_location.iloc[i,0]
    y = df_store_seoul_location.iloc[i,1]
    text=df_store_seoul_location.index[i]
    plt.text(x,y,text, ha='center')
    
plt.title('커피전문점/카페/다방')
plt.show()

여성미용실¶

In [55]:

plt.figure(figsize=(8,6))
df_store_seoul_class3 = df_store_seoul[df_store_seoul['상권업종소분류명']=='여성미용실']
plt.hexbin(df_store_seoul_class3['경도'],df_store_seoul_class3['위도'], cmap='Blues', gridsize=30)
plt.colorbar()

for i in range(len(df_store_seoul_location)):
    x = df_store_seoul_location.iloc[i,0]
    y = df_store_seoul_location.iloc[i,1]
    text=df_store_seoul_location.index[i]
    plt.text(x,y,text, ha='center')
    
plt.title('여성미용실')
plt.show()

학원-입시¶

In [56]:

plt.figure(figsize=(8,6))
df_store_seoul_class3 = df_store_seoul[df_store_seoul['상권업종소분류명']=='학원-입시']
plt.hexbin(df_store_seoul_class3['경도'],df_store_seoul_class3['위도'], cmap='Blues', gridsize=30)
plt.colorbar()

for i in range(len(df_store_seoul_location)):
    x = df_store_seoul_location.iloc[i,0]
    y = df_store_seoul_location.iloc[i,1]
    text=df_store_seoul_location.index[i]
    plt.text(x,y,text, ha='center')
    
plt.title('학원-입시')
plt.show()

어린이집¶

In [57]:

plt.figure(figsize=(8,6))
df_store_seoul_class3 = df_store_seoul[df_store_seoul['상권업종소분류명']=='어린이집']
plt.hexbin(df_store_seoul_class3['경도'],df_store_seoul_class3['위도'], cmap='Blues', gridsize=30)
plt.colorbar()

for i in range(len(df_store_seoul_location)):
    x = df_store_seoul_location.iloc[i,0]
    y = df_store_seoul_location.iloc[i,1]
    text=df_store_seoul_location.index[i]
    plt.text(x,y,text, ha='center')
    
plt.title('어린이집')
plt.show()

In [ ]:

2. Python 기초 - Pandas를 통해 데이터 병합하고 정리, 집계하기 (1)	2024.01.04
1. Python 기초 - Pandas에 대한 기본 사용법 정리 (3)	2024.01.02
[python 실습] 인구데이터를 통한 분석 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

« 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] 아파트 실거래 분석, 시각화 실습 본문

[python 실습] 아파트 실거래 분석, 시각화 실습

아파트 실거래가 분석, 시각화¶

데이터 수집¶

데이터 수집¶

데이터 전처리¶

해제사유 발생일¶

사용할 컬럼만 추출¶

자료형 확인 및 변경¶

시도별 아파트 매매가 데이터 추출¶

시도 컬럼 추가¶

분석할 전용면적 선택¶

분석할 전용면적 서브셋¶

시도별 평균, 최대, 최소, 중간값 추출¶

시도별 아파트 매매가 현황 시각화¶

서울시 아파트 매매가 분포¶

서울시 서브셋¶

구 컬럼 추가¶

박스플롯으로 시각화¶

구별 데이터 분리¶

박스플롯으로 시각화¶

서울시 아파트 구별 평균 매매가, 거래건수¶

서울시 아파트 구별 평균 매매가¶

서울시 아파트 구별 거래건수¶

상가(상권)정보 분석, 시각화¶

데이터 수집¶

데이터프레임 생성¶

17개의 파일을 각각 데이터프레임으로 만들기¶

데이터프레임 연결하기¶

데이터 확인 및 전처리¶

데이터 크기¶

데이터프레임 정보¶

서브셋 만들기¶

필요한 컬럼만 추출하여 서브셋 만들기¶

서브셋 데이터 확인¶

결측치분석/처리¶

상권업종분류¶

상권업종분류표¶

전국 상가 등록 현황¶

업종 대분류별 상가 갯수¶

시도별 상가 갯수¶

시도별 업종대분류별 상가 현황¶

서울특별시 상가 현황¶

구별 상가 등록 현황¶

판다스 함수로 시각화¶

구별/업종대분류별 상가 현황¶

히트맵으로 시각화¶

소분류-구별 상가 등록 수 시각화¶

구별 위도, 경도 평균값¶

커피전문점/카페/다방 현황¶

여성미용실¶

학원-입시¶

어린이집¶

'Python' 카테고리의 다른 글

티스토리툴바