1. 서울시 코로나19 확진자 동선 추이¶

데이터 준비하기¶

In [2]:

import pandas as pd
import matplotlib.pyplot as plt

폰트 및 언어 확인하기¶

In [42]:

plt.plot([1,2,3],[4,5,6])
plt.title('그래프')
plt.show()

In [41]:

# 그래프를 노트북 안에 그리기 위해 설정
%matplotlib inline

# 필요한 패키지와 라이브러리 가져온다.
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

# 그래프에서 마이너스 폰트 깨지는 문제에 대한 대처
mpl.rcParams['axes.unicode_minus'] = False

# 폰트 지정하기
plt.rcParams['font.family'] = 'Apple SD Gothic Neo'

In [5]:

# 폰트 확인하기
[f.name for f in fm.fontManager.ttflist if 'Gothic' in f.name]

Out[5]:

['Apple SD Gothic Neo',
 'AppleGothic',
 'Hiragino Maru Gothic Pro',
 'Noto Sans Gothic']

데이터 수집
https://data.seoul.go.kr/dataList/1/literacyView.do
파일을 utf-8로 변환하여 사용

데이터 불러오기¶

In [6]:

df = pd.read_csv('data/서울시 코로나19 확진자 현황.csv', low_memory=False)

In [7]:

df

Out[7]:

	연번	확진일	환자번호	국적	환자정보	지역	여행력	접촉력	조치사항	상태	이동경로	등록일	수정일	노출여부
0	99550	2021-09-28	NaN	NaN	NaN	기타	NaN	감염경로 조사중	NaN	-	NaN	2021-09-29 10:54	2021-09-29 10:54	Y
1	99549	2021-09-28	NaN	NaN	NaN	기타	NaN	감염경로 조사중	NaN	-	NaN	2021-09-29 10:54	2021-09-29 10:54	Y
2	99548	2021-09-28	NaN	NaN	NaN	기타	NaN	감염경로 조사중	NaN	-	NaN	2021-09-29 10:54	2021-09-29 10:54	Y
3	99547	2021-09-28	NaN	NaN	NaN	기타	NaN	감염경로 조사중	NaN	-	NaN	2021-09-29 10:54	2021-09-29 10:54	Y
4	99546	2021-09-28	NaN	NaN	NaN	기타	NaN	감염경로 조사중	NaN	-	NaN	2021-09-29 10:54	2021-09-29 10:54	Y
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
99545	5	2020-01-31	NaN	NaN	NaN	성북구	NaN	기타 확진자 접촉	NaN	퇴원	NaN	2021-05-27 11:08	2021-05-27 11:08	Y
99546	4	2020-01-30	NaN	NaN	NaN	마포구	중국	해외유입	NaN	퇴원	NaN	2021-05-27 11:08	2021-05-27 11:08	Y
99547	3	2020-01-30	NaN	NaN	NaN	종로구	NaN	종로구 집단발병	NaN	퇴원	NaN	2021-05-27 11:08	2021-05-27 11:08	Y
99548	2	2020-01-30	NaN	NaN	NaN	중랑구	중국	해외유입	NaN	퇴원	NaN	2021-05-27 11:08	2021-05-27 11:08	Y
99549	1	2020-01-24	NaN	NaN	NaN	강서구	중국	해외유입	NaN	퇴원	NaN	2021-05-27 11:08	2021-05-27 11:08	Y

99550 rows × 14 columns

데이터 확인 및 전처리¶

컬럼별 데이터 확인¶

In [8]:

df['환자정보'].unique
# 환자번호, 국적, 환자정보, 조치사항은 모두 null 

Out[8]:

<bound method Series.unique of 0       NaN
1       NaN
2       NaN
3       NaN
4       NaN
         ..
99545   NaN
99546   NaN
99547   NaN
99548   NaN
99549   NaN
Name: 환자정보, Length: 99550, dtype: float64>

불필요한 컬럼 삭제¶

In [9]:

df.drop(columns=['환자번호','국적','환자정보','조치사항','이동경로','등록일','수정일','노출여부'], inplace=True)

In [10]:

df

Out[10]:

	연번	확진일	지역	여행력	접촉력	상태
0	99550	2021-09-28	기타	NaN	감염경로 조사중	-
1	99549	2021-09-28	기타	NaN	감염경로 조사중	-
2	99548	2021-09-28	기타	NaN	감염경로 조사중	-
3	99547	2021-09-28	기타	NaN	감염경로 조사중	-
4	99546	2021-09-28	기타	NaN	감염경로 조사중	-
...	...	...	...	...	...	...
99545	5	2020-01-31	성북구	NaN	기타 확진자 접촉	퇴원
99546	4	2020-01-30	마포구	중국	해외유입	퇴원
99547	3	2020-01-30	종로구	NaN	종로구 집단발병	퇴원
99548	2	2020-01-30	중랑구	중국	해외유입	퇴원
99549	1	2020-01-24	강서구	중국	해외유입	퇴원

99550 rows × 6 columns

자료형 변환¶

In [11]:

# 자료형 확인
df.dtypes

Out[11]:

연번      int64
확진일    object
지역     object
여행력    object
접촉력    object
상태     object
dtype: object

In [12]:

# 확진일 --> datetime
df['확진일'] = pd.to_datetime(df['확진일'])

In [13]:

df.dtypes

Out[13]:

연번              int64
확진일    datetime64[ns]
지역             object
여행력            object
접촉력            object
상태             object
dtype: object

In [14]:

# 지역의 공백 제거
df['지역'].nunique()

Out[14]:

In [15]:

df['지역'].unique()

Out[15]:

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

In [16]:

df['지역'] = df['지역'].str.strip()

In [17]:

df['지역'].nunique()

Out[17]:

In [18]:

df['지역'].unique()

Out[18]:

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

In [19]:

# 지역, 상태 --> category (지역의 공백 제거)
df['지역'] = df['지역'].astype('category')

In [20]:

df.dtypes

Out[20]:

연번              int64
확진일    datetime64[ns]
지역           category
여행력            object
접촉력            object
상태             object
dtype: object

In [21]:

# 정보
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 99550 entries, 0 to 99549
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   연번      99550 non-null  int64         
 1   확진일     99550 non-null  datetime64[ns]
 2   지역      99550 non-null  category      
 3   여행력     1717 non-null   object        
 4   접촉력     99550 non-null  object        
 5   상태      99550 non-null  object        
dtypes: category(1), datetime64[ns](1), int64(1), object(3)
memory usage: 3.9+ MB

결측치 분석¶

In [22]:

 df.isnull().sum()

Out[22]:

연번         0
확진일        0
지역         0
여행력    97833
접촉력        0
상태         0
dtype: int64

In [23]:

df

Out[23]:

	연번	확진일	지역	여행력	접촉력	상태
0	99550	2021-09-28	기타	NaN	감염경로 조사중	-
1	99549	2021-09-28	기타	NaN	감염경로 조사중	-
2	99548	2021-09-28	기타	NaN	감염경로 조사중	-
3	99547	2021-09-28	기타	NaN	감염경로 조사중	-
4	99546	2021-09-28	기타	NaN	감염경로 조사중	-
...	...	...	...	...	...	...
99545	5	2020-01-31	성북구	NaN	기타 확진자 접촉	퇴원
99546	4	2020-01-30	마포구	중국	해외유입	퇴원
99547	3	2020-01-30	종로구	NaN	종로구 집단발병	퇴원
99548	2	2020-01-30	중랑구	중국	해외유입	퇴원
99549	1	2020-01-24	강서구	중국	해외유입	퇴원

99550 rows × 6 columns

구 별 확진자 동향¶

확진일-구별 확진자수 집계¶

피봇테이블 만들기¶

In [24]:

df_gu = pd.pivot_table(df, index='확진일', columns='지역', values='연번', aggfunc='count', margins=True)
df_gu

Out[24]:

지역	강남구	강동구	강북구	강서구	관악구	광진구	구로구	금천구	기타	노원구	...	송파구	양천구	영등포구	용산구	은평구	종로구	중구	중랑구	타시도	All
확진일
2020-01-24 00:00:00	0	0	0	1	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	1
2020-01-30 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	1	0	1	0	3
2020-01-31 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	2	0	0	0	3
2020-02-02 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	1
2020-02-05 00:00:00	0	0	0	0	0	0	0	0	0	0	...	1	0	0	0	0	0	0	0	0	2
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-09-25 00:00:00	37	41	42	48	37	34	31	39	0	27	...	88	20	35	32	31	31	24	35	31	928
2021-09-26 00:00:00	43	17	27	29	37	37	72	19	0	25	...	55	12	40	13	38	33	27	26	32	778
2021-09-27 00:00:00	50	29	20	50	23	34	58	16	0	37	...	58	27	41	28	17	20	22	18	63	842
2021-09-28 00:00:00	45	51	25	41	48	36	55	31	65	29	...	68	27	43	24	47	23	37	26	43	1054
All	6926	3782	2606	4447	5418	3486	4168	2064	2321	3932	...	6356	3291	4463	2705	4284	1617	1708	3729	4715	99550

583 rows × 28 columns

서울시 일별 추가확진자 동향¶

In [26]:

s_date = df_gu['All'][:-1]
s_date

Out[26]:

확진일
2020-01-24       1
2020-01-30       3
2020-01-31       3
2020-02-02       1
2020-02-05       2
              ... 
2021-09-24    1222
2021-09-25     928
2021-09-26     778
2021-09-27     842
2021-09-28    1054
Name: All, Length: 582, dtype: int64

In [27]:

# 서울시 일별 추가확진자가 많았던 순으로 보기
s_date.sort_values(ascending=False)

Out[27]:

확진일
2021-09-24    1222
2021-09-28    1054
2021-09-25     928
2021-09-23     905
2021-09-27     842
              ... 
2020-04-24       1
2020-04-30       1
2020-05-01       1
2020-05-17       1
2020-01-24       1
Name: All, Length: 582, dtype: int64

In [28]:

# 서울시 일별 추가확진자 시각화
x = s_date.index
y = s_date.values
plt.plot(x,y)
plt.title('서울시 일별 추가확진자(2021.09.28)')
plt.xlabel('확진일')
plt.ylabel('추가확진자수')
plt.xticks(rotation=45)
plt.show()

서울시 구별 누적확진자 비교¶

In [29]:

# 서울시 구별 누적확진자 많은 순으로 보기
s_gu = df_gu.loc['All'][:-1]  # 마지막 행, 전체 합계는 제외
s_gu = s_gu.sort_values(ascending=False)  # 내림차순
s_gu

Out[29]:

지역
강남구     6926
송파구     6356
관악구     5418
타시도     4715
영등포구    4463
강서구     4447
은평구     4284
서초구     4284
구로구     4168
동작구     4120
노원구     3932
강동구     3782
성북구     3779
중랑구     3729
마포구     3726
동대문구    3487
광진구     3486
양천구     3291
성동구     2839
용산구     2705
서대문구    2692
강북구     2606
도봉구     2605
기타      2321
금천구     2064
중구      1708
종로구     1617
Name: All, dtype: int64

In [28]:

# 서울시 구별 누적확진자 많은 순으로 시각화
x = s_gu.index
y = s_gu.values
plt.figure(figsize=(10,7))  # 그래프 사이즈 조정
plt.title('서울시 구별 누적확진자(2021.09.28)', size=20)
plt.barh(x,y)
plt.show()

최근일 기준 지역별 추가확진자¶

In [30]:

df_gu

Out[30]:

지역	강남구	강동구	강북구	강서구	관악구	광진구	구로구	금천구	기타	노원구	...	송파구	양천구	영등포구	용산구	은평구	종로구	중구	중랑구	타시도	All
확진일
2020-01-24 00:00:00	0	0	0	1	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	1
2020-01-30 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	1	0	1	0	3
2020-01-31 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	2	0	0	0	3
2020-02-02 00:00:00	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	1
2020-02-05 00:00:00	0	0	0	0	0	0	0	0	0	0	...	1	0	0	0	0	0	0	0	0	2
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2021-09-25 00:00:00	37	41	42	48	37	34	31	39	0	27	...	88	20	35	32	31	31	24	35	31	928
2021-09-26 00:00:00	43	17	27	29	37	37	72	19	0	25	...	55	12	40	13	38	33	27	26	32	778
2021-09-27 00:00:00	50	29	20	50	23	34	58	16	0	37	...	58	27	41	28	17	20	22	18	63	842
2021-09-28 00:00:00	45	51	25	41	48	36	55	31	65	29	...	68	27	43	24	47	23	37	26	43	1054
All	6926	3782	2606	4447	5418	3486	4168	2064	2321	3932	...	6356	3291	4463	2705	4284	1617	1708	3729	4715	99550

583 rows × 28 columns

In [33]:

s_gu = df_gu.iloc[-2][:-1]  # 9월 28일자 데이터 
s_gu = s_gu.sort_values(ascending=False)

In [34]:

x = s_gu.index
y = s_gu.values
plt.figure(figsize=(10,7))
plt.barh(x,y)
plt.show()

접촉력에 따른 확진 분석¶

접촉력에 따른 확진 건수 best10¶

In [35]:

df['접촉력'].value_counts()[:10].to_frame()

Out[35]:

	접촉력
기타 확진자 접촉	37943
감염경로 조사중	31964
타시도 확진자 접촉	4244
해외유입	1729
동부구치소 관련	1175
병원 및 요양시설	988
송파구 소재 시장 관련(?21.9.)	659
성북구 사랑제일교회 관련	641
중구 소재 시장 관련(?21.9.)	277
강서구 교회 관련	246

최근월 접촉력에 따른 확진 건수 best10¶

2021-09

In [36]:

df[(df['확진일'].dt.year==2021)&(df['확진일'].dt.month==9)]['접촉력'].value_counts()[:10].to_frame()

Out[36]:

	접촉력
감염경로 조사중	8117
기타 확진자 접촉	8088
송파구 소재 시장 관련(?21.9.)	658
타시도 확진자 접촉	587
중구 소재 시장 관련(?21.9.)	277
병원 및 요양시설	186
해외유입	122
용산구 소재 병원 관련(?21.9.)	77
동대문구 소재 시장 관련	44
강서구 소재 시장 관련	44

2. 서울 공공자전거 이용현황분석¶

데이터 수집 및 전처리¶

데이터 수집
https://data.seoul.go.kr/dataList/5/literacyView.do

In [1]:

import pandas as pd

In [45]:

# 그래프를 노트북 안에 그리기 위해 설정
%matplotlib inline

# 필요한 패키지와 라이브러리 가져온다.
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

# 그래프에서 마이너스 폰트 깨지는 문제에 대한 대처
mpl.rcParams['axes.unicode_minus'] = False

# 폰트 지정하기
plt.rcParams['font.family'] = 'Apple SD Gothic Neo'

2021년 공공자전거 대여이력 정보¶

데이터프레임 생성/확인¶

In [46]:

df1 = pd.read_csv('data/공공자전거 대여이력 정보_2021.01.csv', encoding='cp949', low_memory=False)
df2 = pd.read_csv('data/공공자전거 대여이력 정보_2021.02.csv', encoding='cp949', low_memory=False)
df3 = pd.read_csv('data/공공자전거 대여이력 정보_2021.03.csv', encoding='cp949', low_memory=False)
df4 = pd.read_csv('data/공공자전거 대여이력 정보_2021.04.csv', encoding='cp949', low_memory=False)
df5 = pd.read_csv('data/공공자전거 대여이력 정보_2021.05.csv', encoding='cp949', low_memory=False)
df6 = pd.read_csv('data/공공자전거 대여이력 정보_2021.06.csv', encoding='cp949', low_memory=False)

In [48]:

df1.head(1)

Out[48]:

	자전거번호	대여일시	대여 대여소번호	대여 대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	SPB-53145	2021-01-02 20:50:36	3	중랑센터	0	2021-01-02 21:15:41	668	서울축산농협(장안지점)	0	25	0.0

데이터 연결/확인¶

concat

In [49]:

# concat 하나의 데이터 프레임으로 합치기
df = pd.concat([df1,df2,df3,df4,df5,df6])

In [52]:

# head
df.head(1)

Out[52]:

	자전거번호	대여일시	대여 대여소번호	대여 대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	SPB-53145	2021-01-02 20:50:36	3	중랑센터	0	2021-01-02 21:15:41	668	서울축산농협(장안지점)	0	25.0	0.0

In [53]:

#tail
df.tail(1)

Out[53]:

	자전거번호	대여일시	대여 대여소번호	대여 대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
3445943	SPB-52274	2021-06-30 22:12:10	2220	반포본동 주민센터 앞	0	2021-07-01 04:55:30	02526	반포경남쇼핑 앞	0	403.0	4541.22

In [54]:

# 데이터 크기
df.shape

Out[54]:

(13613873, 11)

In [55]:

# 데이터 정보(사용메모리)
df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 13613873 entries, 0 to 3445943
Data columns (total 11 columns):
 #   Column    Dtype  
---  ------    -----  
 0   자전거번호     object 
 1   대여일시      object 
 2   대여 대여소번호  int64  
 3   대여 대여소명   object 
 4   대여거치대     object 
 5   반납일시      object 
 6   반납대여소번호   object 
 7   반납대여소명    object 
 8   반납거치대     int64  
 9   이용시간      float64
 10  이용거리      float64
dtypes: float64(2), int64(2), object(7)
memory usage: 1.2+ GB

데이터 전처리¶

불필요한 컬럼 제거¶

In [56]:

# 자전거번호, 대여거치대, 반납거치대 제거
df.drop(columns=['자전거번호', '대여거치대', '반납거치대'], inplace=True)

In [57]:

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 13613873 entries, 0 to 3445943
Data columns (total 8 columns):
 #   Column    Dtype  
---  ------    -----  
 0   대여일시      object 
 1   대여 대여소번호  int64  
 2   대여 대여소명   object 
 3   반납일시      object 
 4   반납대여소번호   object 
 5   반납대여소명    object 
 6   이용시간      float64
 7   이용거리      float64
dtypes: float64(2), int64(1), object(5)
memory usage: 934.8+ MB

자료형 확인/변경¶

In [58]:

# 자료형 확인
df.dtypes

Out[58]:

대여일시         object
대여 대여소번호      int64
대여 대여소명      object
반납일시         object
반납대여소번호      object
반납대여소명       object
이용시간        float64
이용거리        float64
dtype: object

In [59]:

# 카테고리형으로 변경  :    대여 대여소번호, 반납대여소번호
df['대여 대여소번호'] = df['대여 대여소번호'].astype('category')
df['반납대여소번호'] = df['반납대여소번호'].astype('category')

In [60]:

df.dtypes

Out[60]:

대여일시          object
대여 대여소번호    category
대여 대여소명       object
반납일시          object
반납대여소번호     category
반납대여소명        object
이용시간         float64
이용거리         float64
dtype: object

In [61]:

# 메모리 용량 확인
df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 13613873 entries, 0 to 3445943
Data columns (total 8 columns):
 #   Column    Dtype   
---  ------    -----   
 0   대여일시      object  
 1   대여 대여소번호  category
 2   대여 대여소명   object  
 3   반납일시      object  
 4   반납대여소번호   category
 5   반납대여소명    object  
 6   이용시간      float64 
 7   이용거리      float64 
dtypes: category(2), float64(2), object(4)
memory usage: 779.2+ MB

In [62]:

df

Out[62]:

	대여일시	대여 대여소번호	대여 대여소명	반납일시	반납대여소번호	반납대여소명	이용시간	이용거리
0	2021-01-02 20:50:36	3	중랑센터	2021-01-02 21:15:41	668	서울축산농협(장안지점)	25.0	0.00
1	2021-01-04 16:02:12	3	중랑센터	2021-01-04 16:17:06	668	서울축산농협(장안지점)	14.0	0.00
2	2021-01-13 21:02:05	3	중랑센터	2021-01-13 21:14:04	668	서울축산농협(장안지점)	11.0	1853.99
3	2021-01-14 21:02:55	3	중랑센터	2021-01-14 21:13:41	668	서울축산농협(장안지점)	10.0	0.00
4	2021-01-18 18:02:08	3	중랑센터	2021-01-18 18:15:22	540	군자역 7번출구 베스트샵 앞	13.0	2291.05
...	...	...	...	...	...	...	...	...
3445939	2021-06-30 22:44:14	152	마포구민체육센터 앞	2021-07-01 04:48:33	00126	서강대 후문 옆	364.0	10153.36
3445940	2021-06-30 22:45:19	152	마포구민체육센터 앞	2021-07-01 04:52:25	00437	대흥역 1번출구	367.0	10100.71
3445941	2021-06-30 22:43:43	152	마포구민체육센터 앞	2021-07-01 04:52:27	00437	대흥역 1번출구	368.0	430.00
3445942	2021-06-30 22:11:14	2220	반포본동 주민센터 앞	2021-07-01 04:55:29	02526	반포경남쇼핑 앞	404.0	0.00
3445943	2021-06-30 22:12:10	2220	반포본동 주민센터 앞	2021-07-01 04:55:30	02526	반포경남쇼핑 앞	403.0	4541.22

13613873 rows × 8 columns

In [63]:

# datetime형으로 변경 : 대여일시,반납일시
df['대여일시'] = pd.to_datetime(df['대여일시'])

In [64]:

df['반납일시'] = pd.to_datetime(df['반납일시'], errors='coerce')

In [65]:

# 자료형 변경 확인
df.dtypes

Out[65]:

대여일시        datetime64[ns]
대여 대여소번호          category
대여 대여소명             object
반납일시        datetime64[ns]
반납대여소번호           category
반납대여소명              object
이용시간               float64
이용거리               float64
dtype: object

결측치 확인/처리¶

In [66]:

# 결측치 확인
df.isnull().sum()

Out[66]:

대여일시          0
대여 대여소번호      0
대여 대여소명       0
반납일시        123
반납대여소번호       0
반납대여소명        0
이용시간          0
이용거리        269
dtype: int64

In [67]:

# 결측치 제거
df.dropna(inplace=True)

In [68]:

# 결측치 확인
df.isnull().sum()

Out[68]:

대여일시        0
대여 대여소번호    0
대여 대여소명     0
반납일시        0
반납대여소번호     0
반납대여소명      0
이용시간        0
이용거리        0
dtype: int64

일별 이용 현황¶

대여날짜 컬럼 추가¶

date

In [69]:

df['대여날짜'] = df['대여일시'].dt.date

In [70]:

df

Out[70]:

	대여일시	대여 대여소번호	대여 대여소명	반납일시	반납대여소번호	반납대여소명	이용시간	이용거리	대여날짜
0	2021-01-02 20:50:36	3	중랑센터	2021-01-02 21:15:41	668	서울축산농협(장안지점)	25.0	0.00	2021-01-02
1	2021-01-04 16:02:12	3	중랑센터	2021-01-04 16:17:06	668	서울축산농협(장안지점)	14.0	0.00	2021-01-04
2	2021-01-13 21:02:05	3	중랑센터	2021-01-13 21:14:04	668	서울축산농협(장안지점)	11.0	1853.99	2021-01-13
3	2021-01-14 21:02:55	3	중랑센터	2021-01-14 21:13:41	668	서울축산농협(장안지점)	10.0	0.00	2021-01-14
4	2021-01-18 18:02:08	3	중랑센터	2021-01-18 18:15:22	540	군자역 7번출구 베스트샵 앞	13.0	2291.05	2021-01-18
...	...	...	...	...	...	...	...	...	...
3445939	2021-06-30 22:44:14	152	마포구민체육센터 앞	2021-07-01 04:48:33	00126	서강대 후문 옆	364.0	10153.36	2021-06-30
3445940	2021-06-30 22:45:19	152	마포구민체육센터 앞	2021-07-01 04:52:25	00437	대흥역 1번출구	367.0	10100.71	2021-06-30
3445941	2021-06-30 22:43:43	152	마포구민체육센터 앞	2021-07-01 04:52:27	00437	대흥역 1번출구	368.0	430.00	2021-06-30
3445942	2021-06-30 22:11:14	2220	반포본동 주민센터 앞	2021-07-01 04:55:29	02526	반포경남쇼핑 앞	404.0	0.00	2021-06-30
3445943	2021-06-30 22:12:10	2220	반포본동 주민센터 앞	2021-07-01 04:55:30	02526	반포경남쇼핑 앞	403.0	4541.22	2021-06-30

13613604 rows × 9 columns

대여날짜 별 대여 건수¶

groupby
to_frame

In [71]:

# 대여날짜 별 대여건수 추출
df_count = df.groupby('대여날짜').대여일시.count().to_frame()

In [72]:

# 대여날짜 별 대여건수 시각화
df_count.columns=['대여건수']

In [74]:

# 시간에 따른 변화를 보이기 위해 꺾은선 그래프 사용 
plt.plot(df_count.index, df_count.values)
plt.title('서울시 공공자전거 대여 날짜 별 대여건수')
plt.show()

대여날짜 별 이용시간¶

groupby
to_frame

In [75]:

# 대여날짜 별 이용시간 추출
df_time = df.groupby('대여날짜')['이용시간'].sum().to_frame()

In [76]:

# 대여날짜 별 이용시간 시각화
plt.plot(df_time.index, df_time['이용시간'])
plt.title('서울시 공공자전거 대여 날짜 별 이용시간')
plt.show()

대여날짜 별 이용 거리¶

In [77]:

# 대여날짜 별 이용거리 추출
df_distance = df.groupby('대여날짜')['이용거리'].sum().to_frame()

In [78]:

# 대여날짜 별 이용거리 시각화
plt.plot(df_distance.index, df_distance['이용거리'])
plt.title('서울시 공공자전거 대여 날짜 별 이용거리')
plt.show()

데이터프레임 합치기¶

In [32]:

df_date = pd.concat([df_time,df_distance,df_count], axis=1)
df_date

Out[32]:

	이용시간	이용거리	대여건수
대여날짜
2021-01-01	692309.0	4.613529e+07	22119
2021-01-02	686580.0	4.409618e+07	23463
2021-01-03	609571.0	4.059830e+07	21656
2021-01-04	750721.0	5.249645e+07	32732
2021-01-05	610227.0	6.944856e+07	28819
...	...	...	...
2021-06-26	3168288.0	3.635015e+08	105414
2021-06-27	2706168.0	3.078146e+08	92486
2021-06-28	2405249.0	2.828124e+08	105882
2021-06-29	2530020.0	3.031029e+08	111436
2021-06-30	2950342.0	3.395277e+08	121632

181 rows × 3 columns

시간대별 대여/반납 현황¶

대여시간, 반납시간 컬럼 추가¶

In [79]:

df['대여시간'] = df['대여일시'].dt.hour

In [80]:

df['반납시간'] = df['반납일시'].dt.hour

In [81]:

df.dtypes

Out[81]:

대여일시        datetime64[ns]
대여 대여소번호          category
대여 대여소명             object
반납일시        datetime64[ns]
반납대여소번호           category
반납대여소명              object
이용시간               float64
이용거리               float64
대여날짜                object
대여시간                 int64
반납시간                 int64
dtype: object

시간대별 대여/반납 현황¶

In [82]:

df

Out[82]:

	대여일시	대여 대여소번호	대여 대여소명	반납일시	반납대여소번호	반납대여소명	이용시간	이용거리	대여날짜	대여시간	반납시간
0	2021-01-02 20:50:36	3	중랑센터	2021-01-02 21:15:41	668	서울축산농협(장안지점)	25.0	0.00	2021-01-02	20	21
1	2021-01-04 16:02:12	3	중랑센터	2021-01-04 16:17:06	668	서울축산농협(장안지점)	14.0	0.00	2021-01-04	16	16
2	2021-01-13 21:02:05	3	중랑센터	2021-01-13 21:14:04	668	서울축산농협(장안지점)	11.0	1853.99	2021-01-13	21	21
3	2021-01-14 21:02:55	3	중랑센터	2021-01-14 21:13:41	668	서울축산농협(장안지점)	10.0	0.00	2021-01-14	21	21
4	2021-01-18 18:02:08	3	중랑센터	2021-01-18 18:15:22	540	군자역 7번출구 베스트샵 앞	13.0	2291.05	2021-01-18	18	18
...	...	...	...	...	...	...	...	...	...	...	...
3445939	2021-06-30 22:44:14	152	마포구민체육센터 앞	2021-07-01 04:48:33	00126	서강대 후문 옆	364.0	10153.36	2021-06-30	22	4
3445940	2021-06-30 22:45:19	152	마포구민체육센터 앞	2021-07-01 04:52:25	00437	대흥역 1번출구	367.0	10100.71	2021-06-30	22	4
3445941	2021-06-30 22:43:43	152	마포구민체육센터 앞	2021-07-01 04:52:27	00437	대흥역 1번출구	368.0	430.00	2021-06-30	22	4
3445942	2021-06-30 22:11:14	2220	반포본동 주민센터 앞	2021-07-01 04:55:29	02526	반포경남쇼핑 앞	404.0	0.00	2021-06-30	22	4
3445943	2021-06-30 22:12:10	2220	반포본동 주민센터 앞	2021-07-01 04:55:30	02526	반포경남쇼핑 앞	403.0	4541.22	2021-06-30	22	4

13613604 rows × 11 columns

In [83]:

# 시간대별 대여현황
s_rental = df['대여시간'].value_counts()
s_rental

Out[83]:

18    1432779
17    1178279
19     984476
16     934211
20     825031
15     816040
8      808506
21     770378
14     725175
13     667237
22     643611
12     623065
11     537810
9      499995
7      486775
10     438084
23     341859
0      240025
6      188920
1      158905
2      103629
5       84713
3       68710
4       55391
Name: 대여시간, dtype: int64

In [85]:

# 시간대별 반납현황
s_return = df['반납시간'].value_counts()
s_return

Out[85]:

18    1437723
19    1125447
17    1097623
16     880629
20     864644
8      817076
21     812357
22     768302
15     749940
14     657826
13     628908
12     591577
9      499033
11     470053
23     447477
10     402350
7      389007
0      290169
1      190954
6      152003
2      125912
3       80243
5       73983
4       60368
Name: 반납시간, dtype: int64

시각화¶

In [87]:

# 시간대별 공공자전거 대여건수 시각화
s_rental = s_rental.sort_index()
s_rental
x = s_rental.index
y = s_rental.values
plt.bar(x,y)
plt.title('서울시 공공자전거 시간대별 대여 건수')
plt.xlabel('대여시간')
plt.ylabel('대여건수')
plt.show()

In [86]:

# 시간대별 공공자전거 반납건수 시각화
s_return = s_return.sort_index()
x = s_return.index
y = s_return.values
plt.bar(x,y,color='skyblue')
plt.title('서울시 공공자전거 시간대별 반납 건수')
plt.xlabel('반납시간')
plt.ylabel('반납건수')
plt.show()

대여소별 대여/반납 현황¶

대여소 현황¶

In [91]:

# 대여 대여소번호 갯수
df['대여 대여소번호']

Out[91]:

0             3
1             3
2             3
3             3
4             3
           ... 
3445939     152
3445940     152
3445941     152
3445942    2220
3445943    2220
Name: 대여 대여소번호, Length: 13613604, dtype: category
Categories (2493, int64): [3, 5, 10, 101, ..., 9999, 88888, 99997, 99999]

In [92]:

# 반납대여소번호 갯수
df['반납대여소번호']

Out[92]:

0           668
1           668
2           668
3           668
4           540
           ... 
3445939     126
3445940     437
3445941     437
3445942    2526
3445943    2526
Name: 반납대여소번호, Length: 13613604, dtype: object

In [93]:

# 반납대여소 번호 처리 (str형으로 변환)
df['반납대여소번호'] = df['반납대여소번호'].astype('str')

In [94]:

# 반납대여소 번호 처리 (왼쪽의 '0' 제거)
df['반납대여소번호'] = df['반납대여소번호'].str.lstrip('0')

In [95]:

# 반납대여소 번호 처리 (int형으로 변환)
df['반납대여소번호'] = df['반납대여소번호'].astype('int')

In [96]:

# 반납대여소 번호 처리 (category형으로 변환)
df['반납대여소번호'] = df['반납대여소번호'].astype('category')

In [97]:

df['반납대여소번호']

Out[97]:

0           668
1           668
2           668
3           668
4           540
           ... 
3445939     126
3445940     437
3445941     437
3445942    2526
3445943    2526
Name: 반납대여소번호, Length: 13613604, dtype: category
Categories (2493, int64): [3, 5, 10, 101, ..., 9999, 88888, 99997, 99999]

대여건수가 가장 많은 대여소 best10¶

In [98]:

# value_counts
df[['대여 대여소번호','대여 대여소명']].value_counts()[:10].to_frame()

Out[98]:

		0
대여 대여소번호	대여 대여소명
207	여의나루역 1번출구 앞	68994
502	뚝섬유원지역 1번출구 앞	68588
152	마포구민체육센터 앞	43535
2102	봉림교 교통섬	43368
1210	롯데월드타워(잠실역2번출구 쪽)	37149
2715	마곡나루역 2번 출구	36988
2177	신대방역 2번 출구	31971
272	당산육갑문	31527
210	IFC몰	31443
565	옥수역 3번출구	29811

반납건수가 가장 많은 대여소 best10¶

In [99]:

# value_counts
df[['반납대여소번호','반납대여소명']].value_counts()[:10].to_frame()

Out[99]:

		0
반납대여소번호	반납대여소명
502	뚝섬유원지역 1번출구 앞	78958
207	여의나루역 1번출구 앞	68966
152	마포구민체육센터 앞	50607
2102	봉림교 교통섬	44572
1210	롯데월드타워(잠실역2번출구 쪽)	37344
2715	마곡나루역 2번 출구	36876
272	당산육갑문	34276
210	IFC몰	33758
2177	신대방역 2번 출구	33159
565	옥수역 3번출구	32381

여의나루역 1번출구 앞 대여소 이용현황¶

서브셋 만들기¶

In [101]:

df_207 = df[df['대여 대여소번호']==207]
df_207.head(1)

Out[101]:

	대여일시	대여 대여소번호	대여 대여소명	반납일시	반납대여소번호	반납대여소명	이용시간	이용거리	대여날짜	대여시간	반납시간
45838	2021-01-01 01:05:49	207	여의나루역 1번출구 앞	2021-01-01 01:16:29	201	진미파라곤 앞	10.0	0.0	2021-01-01	1	1

반납 현황¶

In [102]:

# value_counts
df_207[['반납대여소번호','반납대여소명']].value_counts().to_frame()

Out[102]:

		0
반납대여소번호	반납대여소명
207	여의나루역 1번출구 앞	18347
202	국민일보 앞	2006
222	시범아파트버스정류장 옆	1588
249	여의도중학교 옆	1525
272	당산육갑문	1269
...	...	...
2414	도곡역 아카데미스위트 앞	1
669	청계한신휴플러스앞 삼거리	1
1661	당현천근린공원	1
1670	노원경찰서교차로	1
966	서울혁신파크1	1

1413 rows × 1 columns

요일별 대여현황¶

In [103]:

#요일컬럼 추가 : strftime('%a')
df_207['대여요일'] = df_207['대여일시'].dt.strftime('%a')

/var/folders/8p/2wvkdkrj1gv2lzj_57qr5xnc0000gn/T/ipykernel_9374/247132597.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_207['대여요일'] = df_207['대여일시'].dt.strftime('%a')

In [104]:

# value_counts
df_207['대여요일'].value_counts()

Out[104]:

Sun    14454
Sat    10932
Wed    10755
Fri     9191
Mon     8391
Thu     8037
Tue     7235
Name: 대여요일, dtype: int64

이용시간 통계¶

In [105]:

# 이용시간 평균
df_207['이용시간'].mean()

Out[105]:

50.28551344300312

In [106]:

# 이용시간 최대
df_207['이용시간'].max()

Out[106]:

1268.0

In [107]:

# 이용시간 최소
df_207['이용시간'].min()

Out[107]:

1.0

In [108]:

# 전체데이터 이용시간 평균
df['이용시간'].mean()

Out[108]:

27.27823322905529

3. 서울시 물가정보 분석¶

데이터 수집
http://data.seoul.go.kr/dataList/OA-1170/S/1/datasetView.do

In [1]:

import pandas as pd
import matplotlib.pyplot as plt

In [109]:

# 그래프를 노트북 안에 그리기 위해 설정
%matplotlib inline

# 필요한 패키지와 라이브러리 가져온다.
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

# 그래프에서 마이너스 폰트 깨지는 문제에 대한 대처
mpl.rcParams['axes.unicode_minus'] = False

# 폰트 지정하기
plt.rcParams['font.family'] = 'Apple SD Gothic Neo'

데이터 수집¶

데이터프레임 생성¶

csv 파일을 데이터프레임으로 만들기
encoding='cp949'

In [110]:

df = pd.read_csv('data/생필품 농수축산물 가격 정보(2021년1월_6월).csv', encoding='cp949')

In [4]:

df

Out[4]:

	일련번호	시장/마트 번호	시장/마트 이름	품목 번호	품목 이름	실판매규격	가격(원)	년도-월	비고	시장유형 구분(시장/마트) 코드	시장유형 구분(시장/마트) 이름	자치구 코드	자치구 이름	점검일자
0	1673336	2	신세계백화점	133	무(세척무)	1개	2980	2021-06	국내산,세척무	2	대형마트	140000	중구	2021-06-24
1	1667985	228	방배종합시장	23	상추	1봉150g	1500	2021-06	국내산	1	전통시장	650000	서초구	2021-06-24
2	1666935	1	통인시장	266	고등어(생물,국산)	1마리	4000	2021-06	국내산,생물	1	전통시장	110000	종로구	2021-06-24
3	1671116	25	방학동도깨비시장	268	고등어(냉동,국산)	350g	2500	2021-06	국내산	1	전통시장	320000	도봉구	2021-06-24
4	1667066	6	이마트 용산점	171	달걀(10개)	15구	5980	2021-06	낭이생생대란	2	대형마트	170000	용산구	2021-06-24
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
42694	1636118	226	롯데마트 구로점	171	달걀(10개)	10개(600g)	2990	2021-01	국내산,특란	2	대형마트	530000	구로구	2021-01-21
42695	1636108	226	롯데마트 구로점	27	배	1개 (600g)	1590	2021-01	국내산,신고	2	대형마트	530000	구로구	2021-01-21
42696	1636114	226	롯데마트 구로점	312	애호박	1개 (300g)	2790	2021-01	국내산,청원	2	대형마트	530000	구로구	2021-01-21
42697	1636113	226	롯데마트 구로점	22	오이	1개 (200g)	1190	2021-01	국내산,백오이	2	대형마트	530000	구로구	2021-01-21
42698	1636121	226	롯데마트 구로점	302	명태	1마리(600g)	1670	2021-01	수입산,코다리,냉동	2	대형마트	530000	구로구	2021-01-21

42699 rows × 14 columns

결측치 확인¶

In [111]:

df.isnull().sum()

Out[111]:

일련번호                   0
시장/마트 번호               0
시장/마트 이름               0
품목 번호                  0
품목 이름                  0
실판매규격                  0
가격(원)                  0
년도-월                   0
비고                   274
시장유형 구분(시장/마트) 코드      0
시장유형 구분(시장/마트) 이름      0
자치구 코드                 0
자치구 이름                 0
점검일자                   0
dtype: int64

자료형 확인¶

In [112]:

df.dtypes

Out[112]:

일련번호                  int64
시장/마트 번호              int64
시장/마트 이름             object
품목 번호                 int64
품목 이름                object
실판매규격                object
가격(원)                 int64
년도-월                 object
비고                   object
시장유형 구분(시장/마트) 코드     int64
시장유형 구분(시장/마트) 이름    object
자치구 코드                int64
자치구 이름               object
점검일자                 object
dtype: object

데이터 확인¶

컬럼별 데이터 확인¶

In [113]:

df['시장/마트 번호'].nunique()

Out[113]:

시장/마트 목록¶

In [114]:

# 시장/마트 목록
df['시장/마트 이름'].nunique()

Out[114]:

In [115]:

df['시장/마트 이름'].unique()

Out[115]:

array(['신세계백화점', '방배종합시장', '통인시장', '방학동도깨비시장', '이마트 용산점', '용문시장',
       'NC백화점 불광점', '관악신사시장(신림4동)', '영천시장', '고척근린시장', '이마트 여의도점',
       '현대백화점 미아점', '롯데백화점', '이마트 가양점', '홈플러스 동대문점', '송화시장', '영등포전통시장',
       '홈플러스 등촌점', '후암시장', '경동시장', '롯데마트 강변점', '롯데백화점 노원점', '롯데백화점 청량리점',
       '홈플러스 영등포점', '우림시장', '청량리종합시장', '농협 하나로마트 용산점', '이마트 자양점',
       '롯데백화점 미아점', '자양골목시장', '수유재래시장', '홈플러스 중계점', '금남시장', '인왕시장',
       '원당종합시장', '목3동시장', '신영시장', '이마트 왕십리점', '뉴코아아울렛 강남점', '망원시장',
       '마천중앙시장', '신세계백화점 강남점', '롯데백화점 영등포점', '남성시장', '마포농수산물시장',
       '이마트 창동점', '공릉동 도깨비시장', '홈플러스 면목점', '이마트 청계점', '이마트 성수점',
       '홈플러스 방학점', '이마트 역삼점', '남구로시장', '이마트 은평점', '뚝도시장', '롯데백화점 강남점',
       '노룬산골목시장', '현대백화점 신촌점', '홈플러스 목동점', '태평백화점', '대조시장', '남문시장',
       '광장시장', '대림중앙시장', '남대문시장', '하나로클럽 양재점', '현대시장', '상계중앙시장',
       '농협하나로마트 신촌점', '이마트 신도림점', '신창시장', '롯데백화점 잠실점', '이마트 목동점',
       '홈플러스 잠실점', '대림시장', '홈플러스 시흥점', '암사종합시장', '이마트 상봉점', '숭인시장',
       '둔촌역전통시장', '홈플러스 월드컵점', '도곡시장', '신원시장(신림1동)', '돈암제일시장', '청담삼익시장',
       '롯데백화점 관악점', '세이브 마트', '화곡본동시장', '롯데마트 서울역점', '방이시장', '장위골목시장',
       '롯데슈퍼', '이마트 미아점', '이마트 명일점', '홈플러스 강동점', '서울중앙시장', '홈플러스 독산점',
       '동원시장', '하나로클럽 미아점', 'NC백화점 신구로점', '이마트 에브리데이 창동점', '롯데마트 구로점'],
      dtype=object)

In [116]:

# 시장/마트 목록
df_market = df[['시장/마트 번호','시장/마트 이름','자치구 이름','시장유형 구분(시장/마트) 이름']].drop_duplicates()

In [117]:

df_market

Out[117]:

	시장/마트 번호	시장/마트 이름	자치구 이름	시장유형 구분(시장/마트) 이름
0	2	신세계백화점	중구	대형마트
1	228	방배종합시장	서초구	전통시장
2	1	통인시장	종로구	전통시장
3	25	방학동도깨비시장	도봉구	전통시장
4	6	이마트 용산점	용산구	대형마트
...	...	...	...	...
5339	91	동원시장	중랑구	전통시장
5341	206	하나로클럽 미아점	강북구	대형마트
6609	227	NC백화점 신구로점	구로구	대형마트
21043	225	이마트 에브리데이 창동점	도봉구	대형마트
42682	226	롯데마트 구로점	구로구	대형마트

102 rows × 4 columns

In [29]:

# 자치구 별 시장/마트 갯수
df_market['자치구 이름'].value_counts()

Out[29]:

중구      6
구로구     5
영등포구    5
도봉구     5
관악구     5
광진구     4
동대문구    4
강북구     4
강동구     4
용산구     4
양천구     4
서대문구    4
중랑구     4
노원구     4
강남구     4
성동구     4
은평구     4
서초구     4
금천구     4
성북구     4
송파구     4
마포구     4
강서구     4
동작구     2
종로구     2
Name: 자치구 이름, dtype: int64

In [120]:

# 자치구 이름으로 시장/마트 확인
df_market[df_market['자치구 이름']=='중구']

Out[120]:

	시장/마트 번호	시장/마트 이름	자치구 이름	시장유형 구분(시장/마트) 이름
0	2	신세계백화점	중구	대형마트
21	56	롯데백화점	중구	대형마트
257	60	이마트 청계점	중구	대형마트
576	11	남대문시장	중구	전통시장
3799	8	롯데마트 서울역점	중구	대형마트
4920	199	서울중앙시장	중구	전통시장

품목 목록¶

In [121]:

# 품목 목록
df_items = df[['품목 번호','품목 이름']].drop_duplicates()
df_items = df_items.sort_values('품목 이름')

In [122]:

# 품목 이름 (30개씩 확인)
df_items[:30]

Out[122]:

	품목 번호	품목 이름
222	13	고등어
135	304	고등어
15781	316	고등어(30cm,국산)
1550	318	고등어(30cm,수입산)
3	268	고등어(냉동,국산)
4834	269	고등어(냉동,수입산)
2	266	고등어(생물,국산)
1341	267	고등어(생물,수입산)
3984	314	냉동참조기(20cm,국산)
3706	313	냉동참조기(20cm,수입)
768	17	달걀
4	171	달걀(10개)
860	321	달걀(15개)
11	320	달걀(30개)
18573	134	달걀(왕란)
5280	181	달걀(왕란)
45	18	닭고기
16	283	닭고기(육계)
583	275	닭고기(중간)
487	138	닭고기(토종닭)
226	288	동태
53	285	돼지고기
1501	52	돼지고기(삼겹살)
34	99	돼지고기(생삼겹살)
22	202	돼지고기(생삼겹살)
23	302	명태
555	315	명태(45cm,수입산)
19167	263	명태(냉동,국산)
54	264	명태(냉동,수입산)
32	152	명태(러시아,냉동)

In [123]:

df_items[30:60]

Out[123]:

	품목 번호	품목 이름
2457	265	명태(생물,수입산)
1019	184	명태(일본산,냉동)
79	25	무
103	308	무(1kg)
0	133	무(세척무)
33	282	무(세척무)
2432	274	무(세척무, 중)
157	27	배
56	276	배(신고)
4268	248	배(신고),중급(대)
14	306	배(신고, 600g)
1820	284	배(중품)
15	26	배추
9	307	배추(2.5~3kg)
1529	125	배추(국산)
2466	175	배추(중간)
1159	271	배추(중간)
58	28	사과
446	50	사과(부사)
4802	237	사과(부사),중급(대)
4556	244	사과(부사),중급(대)
12	305	사과(부사, 300g)
1	23	상추
35	310	상추(100g)
97	278	쇠고기
533	82	쇠고기(육우,불고기)
8	58	쇠고기(한우,불고기)
339	131	쇠고기(한우1등급)
6	312	애호박
7	24	양파

In [124]:

df_items[60:]

Out[124]:

	품목 번호	품목 이름
10	309	양파(1.5kg망)
2191	272	양파(작은망)
5	22	오이
21	311	오이(다다기)
31	253	오징어
2620	54	오징어(냉동)
441	256	오징어(냉동,국산)
6813	257	오징어(냉동,수입산)
36	254	오징어(생물,국산)
2567	255	오징어(생물,수입산)
19	303	조기
389	144	조기(국산,냉동)
30	136	조기(국산,생물)
114	259	조기(냉동,국산)
177	260	조기(냉동,수입산)
1479	258	조기(생물,국산)
1397	261	조기(생물,수입산)
5348	135	조기(중국산,생물)
649	277	호박
18	119	호박(인큐베이터)
1898	118	호박(인큐베이터),중간

자치구 목록¶

In [125]:

df_gu = df[['자치구 코드','자치구 이름']].drop_duplicates()
df_gu.shape

Out[125]:

(25, 2)

시장 유형¶

In [126]:

df_gubun = df[['시장유형 구분(시장/마트) 코드','시장유형 구분(시장/마트) 이름']].drop_duplicates()
df_gubun

Out[126]:

	시장유형 구분(시장/마트) 코드	시장유형 구분(시장/마트) 이름
0	2	대형마트
1	1	전통시장

삼겹살 가격 분석¶

삼겹살 데이터¶

특정 문자열이 포함되어있는지 확인 : .str.contains(문자열)

In [127]:

# 2021-06 데이터 이용
df_sam = df[ (df['품목 이름'].str.contains('삼겹살')) & (df['년도-월']=='2021-06') & (df['실판매규격'].str.contains('600g')) ]
df_sam

Out[127]:

	일련번호	시장/마트 번호	시장/마트 이름	품목 번호	품목 이름	실판매규격	가격(원)	년도-월	비고	시장유형 구분(시장/마트) 코드	시장유형 구분(시장/마트) 이름	자치구 코드	자치구 이름	점검일자
22	1668431	16	현대백화점 미아점	202	돼지고기(생삼겹살)	600g (100g 4,280원)	25680	2021-06	선진포크	2	대형마트	290000	성북구	2021-06-24
47	1670116	98	롯데백화점 노원점	99	돼지고기(생삼겹살)	600g	26940	2021-06	한돈	2	대형마트	350000	노원구	2021-06-24
76	1674090	42	이마트 가양점	99	돼지고기(생삼겹살)	600g	15480	2021-06	국내산,생삼겹살	2	대형마트	500000	강서구	2021-06-24
86	1668834	42	이마트 가양점	99	돼지고기(생삼겹살)	600g	14880	2021-06	국내산,생삼겹살	2	대형마트	500000	강서구	2021-06-24
146	1667684	42	이마트 가양점	99	돼지고기(생삼겹살)	600g	14880	2021-06	국내산,생삼겹살	2	대형마트	500000	강서구	2021-06-24
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
6439	1668261	100	홈플러스 중계점	99	돼지고기(생삼겹살)	600g	22140	2021-06	한돈	2	대형마트	350000	노원구	2021-06-24
6514	1674124	40	홈플러스 등촌점	99	돼지고기(생삼겹살)	600g	14940	2021-06	국내산,생삼겹살	2	대형마트	500000	강서구	2021-06-24
6700	1671992	16	현대백화점 미아점	202	돼지고기(생삼겹살)	600g (100g 4,280원)	25680	2021-06	도드람	2	대형마트	290000	성북구	2021-06-24
6721	1670048	16	현대백화점 미아점	202	돼지고기(생삼겹살)	600g (100g 4,280원)	25680	2021-06	선진포크	2	대형마트	290000	성북구	2021-06-24
6763	1674900	16	현대백화점 미아점	202	돼지고기(생삼겹살)	600g (100g 4,280원)	25680	2021-06	선진포크	2	대형마트	290000	성북구	2021-06-24

224 rows × 14 columns

In [128]:

# 삼겹살 600g의 평균 가격은?
df_sam['가격(원)'].mean()

Out[128]:

16842.723214285714

In [129]:

# 삼겹살 600g의 최고 가격은?
df_sam['가격(원)'].max()

Out[129]:

In [130]:

df_sam[df_sam['가격(원)']<5000]

Out[130]:

	일련번호	시장/마트 번호	시장/마트 이름	품목 번호	품목 이름	실판매규격	가격(원)	년도-월	비고	시장유형 구분(시장/마트) 코드	시장유형 구분(시장/마트) 이름	자치구 코드	자치구 이름	점검일자
3645	1667404	27	이마트 창동점	99	돼지고기(생삼겹살)	600g	2720	2021-06	국내산	2	대형마트	320000	도봉구	2021-06-24
4052	1667438	28	홈플러스 방학점	99	돼지고기(생삼겹살)	600g	1690	2021-06	국내산	2	대형마트	320000	도봉구	2021-06-24

In [133]:

# 삼겹살 600g의 최저 가격은?
df_sam['가격(원)'].min()

Out[133]:

우리동네 삼겹살 가격¶

In [134]:

gu = input('구이름:')

구이름:송파구

In [135]:

# 우리구 삼겹살 가격
df_sam_gu = df_sam[df_sam['자치구 이름']==gu][['시장/마트 이름','품목 이름','실판매규격','가격(원)']].drop_duplicates()
df_sam_gu

Out[135]:

	시장/마트 이름	품목 이름	실판매규격	가격(원)
3711	마천중앙시장	돼지고기(생삼겹살)	600g	15000
3744	마천중앙시장	돼지고기(생삼겹살)	600g	12800
3811	방이시장	돼지고기(생삼겹살)	600g	12000
3855	방이시장	돼지고기(생삼겹살)	600g	17000
3956	롯데백화점 잠실점	돼지고기(생삼겹살)	600g	29880
4043	롯데백화점 잠실점	돼지고기(생삼겹살)	600g	35890
4145	홈플러스 잠실점	돼지고기(생삼겹살)	600g	12000
4158	홈플러스 잠실점	돼지고기(생삼겹살)	600g	11940
4198	홈플러스 잠실점	돼지고기(생삼겹살)	600g	19920
4217	홈플러스 잠실점	돼지고기(생삼겹살)	600g	10740

In [136]:

# 시각화
x = df_sam_gu['시장/마트 이름']
y = df_sam_gu['가격(원)']
plt.scatter(x,y)
plt.title(gu+' 삼겹살 가격')
plt.grid(True)
plt.show()

마트 지점별 삼겹살 가격¶

In [137]:

mart = input('시장/마트이름:')

시장/마트이름:백화점

In [138]:

# 마트 지점별 삼겹살 가격
df_sam_mart = df_sam[df_sam['시장/마트 이름'].str.contains(mart)][['시장/마트 이름','품목 이름','실판매규격','가격(원)']].drop_duplicates()

In [139]:

# 시각화
df_sam_mart
x = df_sam_mart['시장/마트 이름']
y = df_sam_mart['가격(원)']
plt.scatter(x,y)
plt.grid(True)
plt.title(mart+ ' 삼겹살 가격')
plt.xticks(rotation=45)
plt.show()

달걀 가격 분석¶

달걀 데이터¶

In [140]:

# 2021-06 데이터 이용
df_egg = df[(df['품목 이름'].str.contains('달걀')) & (df['년도-월']=='2021-06') & (df['실판매규격'].str.contains('30개')) & (df['가격(원)']>0)]

In [141]:

# 달걀 30구 평균 가격
df_egg['가격(원)'].mean()

Out[141]:

9442.334426229509

In [142]:

# 달걀 최고 가격
df_egg['가격(원)'].max()

Out[142]:

In [143]:

df_egg[df_egg['가격(원)'] < 6000]

Out[143]:

	일련번호	시장/마트 번호	시장/마트 이름	품목 번호	품목 이름	실판매규격	가격(원)	년도-월	비고	시장유형 구분(시장/마트) 코드	시장유형 구분(시장/마트) 이름	자치구 코드	자치구 이름	점검일자
1477	1669024	75	이마트 성수점	320	달걀(30개)	30개	5520	2021-06	국내산신선한란	2	대형마트	200000	성동구	2021-06-24

In [144]:

# 달걀 최저 가격
df_egg['가격(원)'].min()

Out[144]:

우리동네 달걀 가격¶

In [146]:

gu = input('구이름:')

구이름:중구

In [147]:

# 우리구 달걀 가격
df_egg_gu = df_egg[df_egg['자치구 이름']==gu][['시장/마트 이름','품목 이름','실판매규격','가격(원)']].drop_duplicates()

In [148]:

# 시각화
df_egg_gu.sort_values('가격(원)')
x = df_egg_gu['시장/마트 이름']
y = df_egg_gu['가격(원)']
plt.scatter(x,y)
plt.grid(True)
plt.title(gu+' 달걀가격(30구)')
plt.show()

마트 지점별 달걀 가격¶

In [152]:

gu = input('마트이름:')

마트이름:이마트

In [153]:

# 마트 지점별 달걀 가격
df_egg_mart = df_egg[df_egg['시장/마트 이름'].str.contains(gu)][['시장/마트 이름','품목 이름','실판매규격','가격(원)']].drop_duplicates()

In [154]:

# 시각화
x = df_egg_mart['시장/마트 이름']
y = df_egg_mart['가격(원)']
plt.scatter(x,y)
plt.xticks(rotation=45)
plt.grid(True)
plt.title(gu+' 달걀가격(30구)')
plt.show()

4. 지하철 승하차현황 분석¶

데이터 수집
http://data.seoul.go.kr/dataList/OA-12252/S/1/datasetView.do

In [1]:

import pandas as pd

In [3]:

# 그래프를 노트북 안에 그리기 위해 설정
%matplotlib inline

# 필요한 패키지와 라이브러리 가져온다.
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

# 그래프에서 마이너스 폰트 깨지는 문제에 대한 대처
mpl.rcParams['axes.unicode_minus'] = False

# 폰트 지정하기
plt.rcParams['font.family'] = 'gulim'

데이터 확인 및 전처리¶

월별, 시간대별, 역별 지하철 승하차정보 데이터이다.

In [155]:

df = pd.read_csv('data/서울시 지하철 호선별 역별 시간대별 승하차 인원 정보.csv', encoding='cp949')

In [156]:

df.head()

Out[156]:

	사용월	호선명	지하철역	04시-05시 승차인원	04시-05시 하차인원	05시-06시 승차인원	05시-06시 하차인원	06시-07시 승차인원	06시-07시 하차인원	07시-08시 승차인원	...	23시-24시 하차인원	00시-01시 승차인원	00시-01시 하차인원	01시-02시 승차인원	01시-02시 하차인원	02시-03시 하차인원	작업일자
0	202108	1호선	동대문	415	11	10380	1815	7880	5352	12037	...	5983	7	1043	2	2	2	20210903
1	202108	1호선	동묘앞	84	3	2861	918	3286	4614	5128	...	1759	4	827	0	0	0	20210903
2	202108	1호선	서울역	483	11	7963	5533	10871	31479	31643	...	4968	21	444	1	1	0	20210903
3	202108	1호선	시청	6	0	1597	4399	2727	17957	5971	...	822	3	72	0	2	0	20210903
4	202108	1호선	신설동	247	6	6828	2721	7333	9771	14821	...	3747	15	390	0	0	0	20210903

5 rows × 52 columns

In [157]:

df.tail()

Out[157]:

	사용월	호선명	지하철역	04시-05시 승차인원	04시-05시 하차인원	05시-06시 승차인원	05시-06시 하차인원	06시-07시 승차인원	06시-07시 하차인원	07시-08시 승차인원	...	23시-24시 하차인원	00시-01시 승차인원	00시-01시 하차인원	작업일자
46547	201501	중앙선	운길산	0	0	177	56	642	403	1292	...	633	3	222	20151223
46548	201501	중앙선	원덕	1	0	292	4	415	46	537	...	383	3	157	20151223
46549	201501	중앙선	중랑	14	1	4929	424	8539	2084	22160	...	6501	86	1617	20151223
46550	201501	중앙선	팔당	0	0	161	50	368	149	1227	...	336	8	85	20151223
46551	201501	중앙선	회기	436	3	10929	3067	23317	10430	65043	...	35702	767	9314	20151223

5 rows × 52 columns

데이터 크기¶

In [158]:

df.shape

Out[158]:

(46552, 52)

결측치 확인¶

In [159]:

df.isnull().sum()

Out[159]:

사용월             0
호선명             0
지하철역            0
04시-05시 승차인원    0
04시-05시 하차인원    0
05시-06시 승차인원    0
05시-06시 하차인원    0
06시-07시 승차인원    0
06시-07시 하차인원    0
07시-08시 승차인원    0
07시-08시 하차인원    0
08시-09시 승차인원    0
08시-09시 하차인원    0
09시-10시 승차인원    0
09시-10시 하차인원    0
10시-11시 승차인원    0
10시-11시 하차인원    0
11시-12시 승차인원    0
11시-12시 하차인원    0
12시-13시 승차인원    0
12시-13시 하차인원    0
13시-14시 승차인원    0
13시-14시 하차인원    0
14시-15시 승차인원    0
14시-15시 하차인원    0
15시-16시 승차인원    0
15시-16시 하차인원    0
16시-17시 승차인원    0
16시-17시 하차인원    0
17시-18시 승차인원    0
17시-18시 하차인원    0
18시-19시 승차인원    0
18시-19시 하차인원    0
19시-20시 승차인원    0
19시-20시 하차인원    0
20시-21시 승차인원    0
20시-21시 하차인원    0
21시-22시 승차인원    0
21시-22시 하차인원    0
22시-23시 승차인원    0
22시-23시 하차인원    0
23시-24시 승차인원    0
23시-24시 하차인원    0
00시-01시 승차인원    0
00시-01시 하차인원    0
01시-02시 승차인원    0
01시-02시 하차인원    0
02시-03시 승차인원    0
02시-03시 하차인원    0
03시-04시 승차인원    0
03시-04시 하차인원    0
작업일자            0
dtype: int64

컬럼별 데이터 확인¶

In [160]:

# 사용월
df['사용월'].unique()

Out[160]:

array([202108, 202107, 202106, 202105, 202104, 202103, 202102, 202101,
       202012, 202011, 202010, 202009, 202008, 202007, 202006, 202005,
       202004, 202003, 202002, 202001, 201912, 201911, 201910, 201909,
       201908, 201907, 201906, 201905, 201904, 201903, 201902, 201901,
       201812, 201811, 201810, 201809, 201808, 201807, 201806, 201805,
       201804, 201803, 201802, 201801, 201712, 201711, 201710, 201709,
       201708, 201707, 201706, 201705, 201704, 201703, 201702, 201701,
       201612, 201611, 201610, 201609, 201608, 201607, 201606, 201605,
       201604, 201603, 201602, 201601, 201512, 201511, 201510, 201509,
       201508, 201507, 201506, 201505, 201504, 201503, 201502, 201501])

In [161]:

# 호선명
df['호선명'].unique()

Out[161]:

array(['1호선', '2호선', '3호선', '4호선', '5호선', '6호선', '7호선', '8호선', '9호선',
       '9호선2~3단계', '경강선', '경부선', '경원선', '경의선', '경인선', '경춘선', '공항철도 1호선',
       '과천선', '분당선', '수인선', '안산선', '우이신설선', '일산선', '장항선', '중앙선', '9호선2단계'],
      dtype=object)

데이터 타입 확인 및 변경¶

In [162]:

df.dtypes

Out[162]:

사용월              int64
호선명             object
지하철역            object
04시-05시 승차인원     int64
04시-05시 하차인원     int64
05시-06시 승차인원     int64
05시-06시 하차인원     int64
06시-07시 승차인원     int64
06시-07시 하차인원     int64
07시-08시 승차인원     int64
07시-08시 하차인원     int64
08시-09시 승차인원     int64
08시-09시 하차인원     int64
09시-10시 승차인원     int64
09시-10시 하차인원     int64
10시-11시 승차인원     int64
10시-11시 하차인원     int64
11시-12시 승차인원     int64
11시-12시 하차인원     int64
12시-13시 승차인원     int64
12시-13시 하차인원     int64
13시-14시 승차인원     int64
13시-14시 하차인원     int64
14시-15시 승차인원     int64
14시-15시 하차인원     int64
15시-16시 승차인원     int64
15시-16시 하차인원     int64
16시-17시 승차인원     int64
16시-17시 하차인원     int64
17시-18시 승차인원     int64
17시-18시 하차인원     int64
18시-19시 승차인원     int64
18시-19시 하차인원     int64
19시-20시 승차인원     int64
19시-20시 하차인원     int64
20시-21시 승차인원     int64
20시-21시 하차인원     int64
21시-22시 승차인원     int64
21시-22시 하차인원     int64
22시-23시 승차인원     int64
22시-23시 하차인원     int64
23시-24시 승차인원     int64
23시-24시 하차인원     int64
00시-01시 승차인원     int64
00시-01시 하차인원     int64
01시-02시 승차인원     int64
01시-02시 하차인원     int64
02시-03시 승차인원     int64
02시-03시 하차인원     int64
03시-04시 승차인원     int64
03시-04시 하차인원     int64
작업일자             int64
dtype: object

In [163]:

df['사용월'] = df['사용월'].astype('str')

In [164]:

df.dtypes

Out[164]:

사용월             object
호선명             object
지하철역            object
04시-05시 승차인원     int64
04시-05시 하차인원     int64
05시-06시 승차인원     int64
05시-06시 하차인원     int64
06시-07시 승차인원     int64
06시-07시 하차인원     int64
07시-08시 승차인원     int64
07시-08시 하차인원     int64
08시-09시 승차인원     int64
08시-09시 하차인원     int64
09시-10시 승차인원     int64
09시-10시 하차인원     int64
10시-11시 승차인원     int64
10시-11시 하차인원     int64
11시-12시 승차인원     int64
11시-12시 하차인원     int64
12시-13시 승차인원     int64
12시-13시 하차인원     int64
13시-14시 승차인원     int64
13시-14시 하차인원     int64
14시-15시 승차인원     int64
14시-15시 하차인원     int64
15시-16시 승차인원     int64
15시-16시 하차인원     int64
16시-17시 승차인원     int64
16시-17시 하차인원     int64
17시-18시 승차인원     int64
17시-18시 하차인원     int64
18시-19시 승차인원     int64
18시-19시 하차인원     int64
19시-20시 승차인원     int64
19시-20시 하차인원     int64
20시-21시 승차인원     int64
20시-21시 하차인원     int64
21시-22시 승차인원     int64
21시-22시 하차인원     int64
22시-23시 승차인원     int64
22시-23시 하차인원     int64
23시-24시 승차인원     int64
23시-24시 하차인원     int64
00시-01시 승차인원     int64
00시-01시 하차인원     int64
01시-02시 승차인원     int64
01시-02시 하차인원     int64
02시-03시 승차인원     int64
02시-03시 하차인원     int64
03시-04시 승차인원     int64
03시-04시 하차인원     int64
작업일자             int64
dtype: object

불필요한 컬럼 삭제¶

In [165]:

df.drop(columns=['작업일자'], inplace=True)

승차/하차 테이블 분리¶

승차 테이블 만들기¶

In [166]:

df

Out[166]:

	사용월	호선명	지하철역	04시-05시 승차인원	04시-05시 하차인원	05시-06시 승차인원	05시-06시 하차인원	06시-07시 승차인원	06시-07시 하차인원	07시-08시 승차인원	...	23시-24시 승차인원	23시-24시 하차인원	00시-01시 승차인원	00시-01시 하차인원	01시-02시 승차인원	01시-02시 하차인원	02시-03시 승차인원	02시-03시 하차인원	03시-04시 승차인원	03시-04시 하차인원
0	202108	1호선	동대문	415	11	10380	1815	7880	5352	12037	...	1633	5983	7	1043	2	2	0	2	0	0
1	202108	1호선	동묘앞	84	3	2861	918	3286	4614	5128	...	577	1759	4	827	0	0	0	0	0	0
2	202108	1호선	서울역	483	11	7963	5533	10871	31479	31643	...	7756	4968	21	444	1	1	0	0	0	0
3	202108	1호선	시청	6	0	1597	4399	2727	17957	5971	...	2462	822	3	72	0	2	0	0	0	0
4	202108	1호선	신설동	247	6	6828	2721	7333	9771	14821	...	1352	3747	15	390	0	0	0	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
46547	201501	중앙선	운길산	0	0	177	56	642	403	1292	...	111	633	3	222	0	0	0	0	0	0
46548	201501	중앙선	원덕	1	0	292	4	415	46	537	...	8	383	3	157	0	0	0	0	0	0
46549	201501	중앙선	중랑	14	1	4929	424	8539	2084	22160	...	1619	6501	86	1617	0	0	0	0	0	0
46550	201501	중앙선	팔당	0	0	161	50	368	149	1227	...	107	336	8	85	0	0	0	0	0	0
46551	201501	중앙선	회기	436	3	10929	3067	23317	10430	65043	...	18205	35702	767	9314	0	0	0	0	0	0

46552 rows × 51 columns

In [167]:

# 공통 컬럼
df1 = df.iloc[:,:3]

# 승차 컬럼만 가져오기
df2 = df.iloc[:,3::2]  # 두칸씩 띄어서 승차만 갖고 오기

df2.columns = df2.columns.str.split(' ').str[0]

In [168]:

# 공통컬럼과 승차컬럼 연결하기
df_in = pd.concat([df1,df2], axis=1)
df_in

Out[168]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
0	202108	1호선	동대문	415	10380	7880	12037	16637	15671	13922	...	20332	13464	10336	9669	6514	1633	7	2	0	0
1	202108	1호선	동묘앞	84	2861	3286	5128	8066	7541	9130	...	19551	8704	5031	4235	2678	577	4	0	0	0
2	202108	1호선	서울역	483	7963	10871	31643	49003	36383	35273	...	152659	72119	47289	51106	27974	7756	21	1	0	0
3	202108	1호선	시청	6	1597	2727	5971	6884	7541	8328	...	119064	41635	31787	27796	13739	2462	3	0	0	0
4	202108	1호선	신설동	247	6828	7333	14821	20523	14881	13551	...	48482	18413	11610	9764	5955	1352	15	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
46547	201501	중앙선	운길산	0	177	642	1292	1479	1438	1408	...	2304	1332	1002	942	270	111	3	0	0	0
46548	201501	중앙선	원덕	1	292	415	537	823	980	1025	...	563	175	156	53	71	8	3	0	0	0
46549	201501	중앙선	중랑	14	4929	8539	22160	25792	14328	11117	...	8399	6449	4652	3849	3062	1619	86	0	0	0
46550	201501	중앙선	팔당	0	161	368	1227	910	897	1009	...	1617	845	492	420	309	107	8	0	0	0
46551	201501	중앙선	회기	436	10929	23317	65043	85473	54247	42703	...	59218	38996	33754	34364	31606	18205	767	0	0	0

46552 rows × 27 columns

하차 테이블 만들기¶

In [169]:

# 공통 컬럼
df1 = df.iloc[:,:3]

# 하차 컬럼만 가져오기
df2 = df.iloc[:,4::2]   # 두칸씩 띄어서 하차만 갖고 오기
df2.columns = df2.columns.str.split(' ').str[0]

In [170]:

# 공통컬럼과 하차컬럼 연결하기
df_out = pd.concat([df1,df2], axis=1)
df_out

Out[170]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
0	202108	1호선	동대문	11	1815	5352	9885	19783	19192	17298	...	16304	15398	10356	8870	7191	5983	1043	2	2	0
1	202108	1호선	동묘앞	3	918	4614	8004	18779	15213	17602	...	9210	5827	3835	3839	3706	1759	827	0	0	0
2	202108	1호선	서울역	11	5533	31479	73669	149249	94786	50691	...	61655	38909	25080	21490	13638	4968	444	1	0	0
3	202108	1호선	시청	0	4399	17957	53669	141150	60972	24743	...	11317	5636	3793	3501	2205	822	72	2	0	0
4	202108	1호선	신설동	6	2721	9771	21765	52910	28274	18729	...	22904	15802	10231	9428	7268	3747	390	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
46547	201501	중앙선	운길산	0	56	403	675	1390	3270	3673	...	1218	1457	769	760	775	633	222	0	0	0
46548	201501	중앙선	원덕	0	4	46	248	344	273	497	...	721	714	612	404	339	383	157	0	0	0
46549	201501	중앙선	중랑	1	424	2084	3027	6573	6133	5605	...	19547	21424	14362	11678	11060	6501	1617	0	0	0
46550	201501	중앙선	팔당	0	50	149	523	1151	2931	3932	...	822	749	320	319	339	336	85	0	0	0
46551	201501	중앙선	회기	3	3067	10430	24473	59383	41911	35003	...	76039	81870	53481	50706	49658	35702	9314	0	0	0

46552 rows × 27 columns

출퇴근시간 역별 승하차인원 분석¶

최근 월을 기준으로 한 승하차 데이터프레임 생성

In [171]:

df_in_202108 = df_in[df_in['사용월']=='202108']
df_out_202108 = df_out[df_out['사용월']=='202108']

In [172]:

df_out_202108

Out[172]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
0	202108	1호선	동대문	11	1815	5352	9885	19783	19192	17298	...	16304	15398	10356	8870	7191	5983	1043	2	2	0
1	202108	1호선	동묘앞	3	918	4614	8004	18779	15213	17602	...	9210	5827	3835	3839	3706	1759	827	0	0	0
2	202108	1호선	서울역	11	5533	31479	73669	149249	94786	50691	...	61655	38909	25080	21490	13638	4968	444	1	0	0
3	202108	1호선	시청	0	4399	17957	53669	141150	60972	24743	...	11317	5636	3793	3501	2205	822	72	2	0	0
4	202108	1호선	신설동	6	2721	9771	21765	52910	28274	18729	...	22904	15802	10231	9428	7268	3747	390	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
602	202108	중앙선	원덕	0	1	261	477	613	522	665	...	701	590	330	468	277	161	20	0	0	0
603	202108	중앙선	중랑	4	572	2261	2544	5744	4790	4282	...	20675	13961	9480	7041	7106	2686	183	0	0	0
604	202108	중앙선	지평	0	0	0	298	58	3	422	...	137	232	4	84	32	0	0	0	0	0
605	202108	중앙선	팔당	0	117	783	1603	2790	3084	3007	...	1828	1148	734	488	333	211	0	0	0	0
606	202108	중앙선	회기	12	3419	10520	24212	40739	26807	23533	...	62992	50037	30138	30912	31496	12009	1645	0	0	0

607 rows × 27 columns

출근시간에 가장 많은 사람이 승차하는 역은 어디일까? (08시-09시)

In [173]:

df_in_202108.nlargest(10,'08시-09시')[['지하철역','08시-09시']]

Out[173]:

	지하철역	08시-09시
37	신림	267128
14	구로디지털단지	153411
28	서울대입구(관악구청)	150090
83	연신내	132615
133	까치산	130443
52	잠실(송파구청)	128005
175	화곡	121310
112	쌍문	112812
36	신도림	111452
35	신대방	110766

출근시간에 가장 많은 사람이 하차하는 역은 어디일까?(09시-10시)

In [174]:

df_out_202108.nlargest(10,'09시-10시')[['지하철역','09시-10시']]

Out[174]:

	지하철역	09시-10시
10	강남	274355
43	역삼	226437
215	가산디지털단지	188412
30	선릉	178766
26	삼성(무역센터)	172539
80	압구정	139283
31	성수	124935
78	신사	122905
13	교대(법원.검찰청)	121163
14	구로디지털단지	121092

퇴근시간에 가장 많은 사람이 승차하는 역은 어디일까?(18시-19시)

In [175]:

df_in_202108.nlargest(10,'18시-19시')[['지하철역','18시-19시']]

Out[175]:

	지하철역	18시-19시
10	강남	302398
215	가산디지털단지	283125
30	선릉	245318
43	역삼	239209
26	삼성(무역센터)	230299
50	을지로입구	207093
31	성수	202624
14	구로디지털단지	192537
82	양재(서초구청)	174296
128	광화문(세종문화회관)	173772

퇴근시간에 가장 많은 사람이 하차하는 역은 어디일까?(19시-20시)

In [176]:

df_out_202108.nlargest(10,'19시-20시')[['지하철역','19시-20시']]

Out[176]:

	지하철역	19시-20시
37	신림	182832
28	서울대입구(관악구청)	121426
52	잠실(송파구청)	116568
14	구로디지털단지	107520
83	연신내	103283
36	신도림	97759
109	수유(강북구청)	93666
133	까치산	87948
112	쌍문	86631
438	부천	85018

강남역의 최근 시간대별 승하차정보 분석¶

강남역의 최근 승차정보 분석¶

In [178]:

# 강남역의 최근 승차 데이터 불러오기 
df_gangnam_in = df_in_202108[df_in_202108['지하철역']=='강남'].iloc[:,3:]
df_gangnam_in

Out[178]:

	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	11시-12시	12시-13시	13시-14시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
10	64	4993	14177	31783	50239	40611	44108	59573	75942	88926	...	302398	178242	138452	157847	105997	12509	5	2	0	0

1 rows × 24 columns

In [179]:

# melt
df_gangnam_in = df_gangnam_in.melt()

In [180]:

# 컬럼명 변경
df_gangnam_in.columns=['시간대','승차건수']
df_gangnam_in.sort_values('승차건수')

Out[180]:

	시간대	승차건수
23	03시-04시	0
22	02시-03시	0
21	01시-02시	2
20	00시-01시	5
0	04시-05시	64
1	05시-06시	4993
19	23시-24시	12509
2	06시-07시	14177
3	07시-08시	31783
5	09시-10시	40611
6	10시-11시	44108
4	08시-09시	50239
7	11시-12시	59573
8	12시-13시	75942
9	13시-14시	88926
10	14시-15시	97964
18	22시-23시	105997
11	15시-16시	120268
12	16시-17시	135621
16	20시-21시	138452
17	21시-22시	157847
15	19시-20시	178242
13	17시-18시	214990
14	18시-19시	302398

In [181]:

# 시간대별 승차인원 시각화하기
df_gangnam_in
plt.figure(figsize=(10,7))
plt.barh(df_gangnam_in['시간대'], df_gangnam_in['승차건수'])
plt.show()

강남역의 최근 하차 정보 분석¶

In [182]:

# 강남역의 최근 하차 데이터 불러오기 
df_gangnam_out = df_out_202108[df_out_202108['지하철역']=='강남'].iloc[:,3:]
df_gangnam_out

Out[182]:

	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	11시-12시	12시-13시	13시-14시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
10	4	10411	45059	129595	269877	274355	129744	99120	96644	115153	...	125891	68747	34635	27783	21970	8377	15	1	0	0

1 rows × 24 columns

In [183]:

# melt
df_gangnam_out = df_gangnam_out.melt()

In [184]:

# 컬럼명 변경
df_gangnam_out.columns=['시간대','하차건수']
df_gangnam_out.sort_values('하차건수')

Out[184]:

	시간대	하차건수
23	03시-04시	0
22	02시-03시	0
21	01시-02시	1
0	04시-05시	4
20	00시-01시	15
19	23시-24시	8377
1	05시-06시	10411
18	22시-23시	21970
17	21시-22시	27783
16	20시-21시	34635
2	06시-07시	45059
15	19시-20시	68747
12	16시-17시	83690
11	15시-16시	86770
10	14시-15시	94620
8	12시-13시	96644
13	17시-18시	96689
7	11시-12시	99120
9	13시-14시	115153
14	18시-19시	125891
3	07시-08시	129595
6	10시-11시	129744
4	08시-09시	269877
5	09시-10시	274355

In [185]:

# 시간대별 승차인원 시각화하기
df_gangnam_out
plt.figure(figsize=(10,7))
plt.barh(df_gangnam_out['시간대'], df_gangnam_out['하차건수'])
plt.show()

지하철 시간대별, 역별 이용현황 분석¶

시간대별 승차 현황¶

승차정보 집계 데이터 만들기¶

In [188]:

# df_in_202108카피하여 사용하기
df_in_202108_agg = df_in_202108.copy()

In [187]:

df_in_202108_agg

Out[187]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
0	202108	1호선	동대문	415	10380	7880	12037	16637	15671	13922	...	20332	13464	10336	9669	6514	1633	7	2	0	0
1	202108	1호선	동묘앞	84	2861	3286	5128	8066	7541	9130	...	19551	8704	5031	4235	2678	577	4	0	0	0
2	202108	1호선	서울역	483	7963	10871	31643	49003	36383	35273	...	152659	72119	47289	51106	27974	7756	21	1	0	0
3	202108	1호선	시청	6	1597	2727	5971	6884	7541	8328	...	119064	41635	31787	27796	13739	2462	3	0	0	0
4	202108	1호선	신설동	247	6828	7333	14821	20523	14881	13551	...	48482	18413	11610	9764	5955	1352	15	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
602	202108	중앙선	원덕	72	277	689	643	883	755	661	...	544	442	215	94	25	0	0	0	0	0
603	202108	중앙선	중랑	200	5961	8782	19739	18610	13213	8053	...	6531	4213	2938	2513	1654	430	5	0	0	0
604	202108	중앙선	지평	0	1	2	347	218	18	325	...	35	215	2	27	14	0	0	0	0	0
605	202108	중앙선	팔당	1	212	788	1261	1267	1123	1208	...	2857	2067	2057	1927	559	56	0	0	0	0
606	202108	중앙선	회기	719	11133	18619	47471	59922	39563	31469	...	38115	21128	17210	17437	13269	3634	63	0	0	0

607 rows × 27 columns

In [189]:

# 인덱스 변경('지하철역')
df_in_202108_agg.index = df_in_202108_agg['지하철역']
df_in_202108_agg

Out[189]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
지하철역
동대문	202108	1호선	동대문	415	10380	7880	12037	16637	15671	13922	...	20332	13464	10336	9669	6514	1633	7	2	0	0
동묘앞	202108	1호선	동묘앞	84	2861	3286	5128	8066	7541	9130	...	19551	8704	5031	4235	2678	577	4	0	0	0
서울역	202108	1호선	서울역	483	7963	10871	31643	49003	36383	35273	...	152659	72119	47289	51106	27974	7756	21	1	0	0
시청	202108	1호선	시청	6	1597	2727	5971	6884	7541	8328	...	119064	41635	31787	27796	13739	2462	3	0	0	0
신설동	202108	1호선	신설동	247	6828	7333	14821	20523	14881	13551	...	48482	18413	11610	9764	5955	1352	15	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
원덕	202108	중앙선	원덕	72	277	689	643	883	755	661	...	544	442	215	94	25	0	0	0	0	0
중랑	202108	중앙선	중랑	200	5961	8782	19739	18610	13213	8053	...	6531	4213	2938	2513	1654	430	5	0	0	0
지평	202108	중앙선	지평	0	1	2	347	218	18	325	...	35	215	2	27	14	0	0	0	0	0
팔당	202108	중앙선	팔당	1	212	788	1261	1267	1123	1208	...	2857	2067	2057	1927	559	56	0	0	0	0
회기	202108	중앙선	회기	719	11133	18619	47471	59922	39563	31469	...	38115	21128	17210	17437	13269	3634	63	0	0	0

607 rows × 27 columns

In [190]:

# 컬럼 삭제('사용월','호선명','지하철역')
df_in_202108_agg.drop(columns= ['사용월','호선명','지하철역'], inplace=True)

In [191]:

# 행,열 합계
df_in_202108_agg.loc['sum'] = df_in_202108_agg.apply('sum', axis=0)

In [192]:

df_in_202108_agg['sum'] = df_in_202108_agg.apply('sum',axis=1)

In [193]:

df_in_202108_agg

Out[193]:

	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	11시-12시	12시-13시	13시-14시	...	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시	sum
지하철역
동대문	415	10380	7880	12037	16637	15671	13922	15675	18244	19566	...	13464	10336	9669	6514	1633	7	2	0	0	274678
동묘앞	84	2861	3286	5128	8066	7541	9130	13369	18112	21526	...	8704	5031	4235	2678	577	4	0	0	0	229111
서울역	483	7963	10871	31643	49003	36383	35273	41477	48720	50740	...	72119	47289	51106	27974	7756	21	1	0	0	938002
시청	6	1597	2727	5971	6884	7541	8328	12240	13561	15934	...	41635	31787	27796	13739	2462	3	0	0	0	448993
신설동	247	6828	7333	14821	20523	14881	13551	15578	16289	17701	...	18413	11610	9764	5955	1352	15	0	0	0	319277
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑	200	5961	8782	19739	18610	13213	8053	7475	7112	7262	...	4213	2938	2513	1654	430	5	0	0	0	139495
지평	0	1	2	347	218	18	325	2	4	65	...	215	2	27	14	0	0	0	0	0	1852
팔당	1	212	788	1261	1267	1123	1208	1127	1339	1521	...	2067	2057	1927	559	56	0	0	0	0	28424
회기	719	11133	18619	47471	59922	39563	31469	31674	33153	30224	...	21128	17210	17437	13269	3634	63	0	0	0	560588
sum	125592	2679895	5392644	13007398	14639529	8962001	6688112	6762631	7277223	7301932	...	8671470	6611588	6032973	3852573	744365	6086	26	3	1	153448619

608 rows × 25 columns

시간대별 승차건수¶

In [194]:

s_in = df_in_202108_agg.loc['sum'][:-1].sort_values()

In [196]:

s_in = s_in.sort_index()
s_in
x = s_in.index
y = s_in.values
plt.bar(x,y)
plt.xticks(rotation=50)
plt.show()

지하철역별 승차건수¶

In [197]:

df_in_202108_agg['sum'][:-1].sort_values(ascending=False).to_frame()

Out[197]:

	sum
지하철역
강남	1874711
잠실(송파구청)	1539356
신림	1503604
구로디지털단지	1331304
홍대입구	1247932
...	...
창동	6
계양	5
지축	4
검암	4
신내	3

607 rows × 1 columns

시간대별 하차 현황¶

하차정보 집계 테이블 만들기¶

In [198]:

# df_out_202108카피하여 사용하기
df_out_202108_agg = df_out_202108.copy()

In [199]:

# 인덱스 변경('지하철역')
df_out_202108_agg.index = df_out_202108_agg['지하철역']
df_out_202108_agg

Out[199]:

	사용월	호선명	지하철역	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	...	18시-19시	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시
지하철역
동대문	202108	1호선	동대문	11	1815	5352	9885	19783	19192	17298	...	16304	15398	10356	8870	7191	5983	1043	2	2	0
동묘앞	202108	1호선	동묘앞	3	918	4614	8004	18779	15213	17602	...	9210	5827	3835	3839	3706	1759	827	0	0	0
서울역	202108	1호선	서울역	11	5533	31479	73669	149249	94786	50691	...	61655	38909	25080	21490	13638	4968	444	1	0	0
시청	202108	1호선	시청	0	4399	17957	53669	141150	60972	24743	...	11317	5636	3793	3501	2205	822	72	2	0	0
신설동	202108	1호선	신설동	6	2721	9771	21765	52910	28274	18729	...	22904	15802	10231	9428	7268	3747	390	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
원덕	202108	중앙선	원덕	0	1	261	477	613	522	665	...	701	590	330	468	277	161	20	0	0	0
중랑	202108	중앙선	중랑	4	572	2261	2544	5744	4790	4282	...	20675	13961	9480	7041	7106	2686	183	0	0	0
지평	202108	중앙선	지평	0	0	0	298	58	3	422	...	137	232	4	84	32	0	0	0	0	0
팔당	202108	중앙선	팔당	0	117	783	1603	2790	3084	3007	...	1828	1148	734	488	333	211	0	0	0	0
회기	202108	중앙선	회기	12	3419	10520	24212	40739	26807	23533	...	62992	50037	30138	30912	31496	12009	1645	0	0	0

607 rows × 27 columns

In [200]:

# 컬럼 삭제('사용월','호선명','지하철역')
df_out_202108_agg.drop(columns= ['사용월','호선명','지하철역'], inplace=True)

In [201]:

# 행,열 합계
df_out_202108_agg.loc['sum'] = df_out_202108_agg.apply('sum', axis=0)

In [202]:

df_out_202108_agg['sum'] = df_out_202108_agg.apply('sum', axis=1)

In [203]:

df_out_202108_agg

Out[203]:

	04시-05시	05시-06시	06시-07시	07시-08시	08시-09시	09시-10시	10시-11시	11시-12시	12시-13시	13시-14시	...	19시-20시	20시-21시	21시-22시	22시-23시	23시-24시	00시-01시	01시-02시	02시-03시	03시-04시	sum
지하철역
동대문	11	1815	5352	9885	19783	19192	17298	19346	19492	18295	...	15398	10356	8870	7191	5983	1043	2	2	0	260656
동묘앞	3	918	4614	8004	18779	15213	17602	21823	23065	24178	...	5827	3835	3839	3706	1759	827	0	0	0	235014
서울역	11	5533	31479	73669	149249	94786	50691	42942	46909	45564	...	38909	25080	21490	13638	4968	444	1	0	0	893346
시청	0	4399	17957	53669	141150	60972	24743	22388	20191	18708	...	5636	3793	3501	2205	822	72	2	0	0	442944
신설동	6	2721	9771	21765	52910	28274	18729	16195	16020	15974	...	15802	10231	9428	7268	3747	390	0	0	0	316122
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑	4	572	2261	2544	5744	4790	4282	4579	5208	5729	...	13961	9480	7041	7106	2686	183	0	0	0	133345
지평	0	0	0	298	58	3	422	2	1	127	...	232	4	84	32	0	0	0	0	0	2019
팔당	0	117	783	1603	2790	3084	3007	2377	2366	1598	...	1148	734	488	333	211	0	0	0	0	28701
회기	12	3419	10520	24212	40739	26807	23533	21253	24327	27639	...	50037	30138	30912	31496	12009	1645	0	0	0	547771
sum	1644	706189	3603606	8042590	17604264	11402630	7146549	6666215	7062738	7449305	...	12354319	7093483	6338999	5217987	2216218	214094	66	12	1	152911075

608 rows × 25 columns

시간대별 하차 건수¶

In [204]:

df_out_202108_agg.loc['sum'].sort_values()

Out[204]:

03시-04시            1
02시-03시           12
01시-02시           66
04시-05시         1644
00시-01시       214094
05시-06시       706189
23시-24시      2216218
06시-07시      3603606
22시-23시      5217987
21시-22시      6338999
11시-12시      6666215
12시-13시      7062738
20시-21시      7093483
10시-11시      7146549
14시-15시      7174578
13시-14시      7449305
15시-16시      7581218
07시-08시      8042590
16시-17시      8380236
17시-18시     10646691
09시-10시     11402630
19시-20시     12354319
18시-19시     16007443
08시-09시     17604264
sum        152911075
Name: sum, dtype: int64

지하철역별 하차건수¶

In [205]:

df_out_202108_agg['sum'][:-1].sort_values(ascending=False)[:10].to_frame()

Out[205]:

	sum
지하철역
강남	1819150
잠실(송파구청)	1514327
신림	1467939
구로디지털단지	1339493
홍대입구	1273453
역삼	1154897
서울대입구(관악구청)	1105337
신도림	1082008
삼성(무역센터)	1077253
선릉	1048553

[python 실습] python을 이용한 데이터 분석 및 시각화 실습

1. 서울시 코로나19 확진자 동선 추이¶

데이터 준비하기¶

폰트 및 언어 확인하기¶

데이터 불러오기¶

데이터 확인 및 전처리¶

컬럼별 데이터 확인¶

불필요한 컬럼 삭제¶

자료형 변환¶

결측치 분석¶

구 별 확진자 동향¶

확진일-구별 확진자수 집계¶

피봇테이블 만들기¶

서울시 일별 추가확진자 동향¶

서울시 구별 누적확진자 비교¶

최근일 기준 지역별 추가확진자¶

접촉력에 따른 확진 분석¶

접촉력에 따른 확진 건수 best10¶

최근월 접촉력에 따른 확진 건수 best10¶

2. 서울 공공자전거 이용현황분석¶

데이터 수집 및 전처리¶

2021년 공공자전거 대여이력 정보¶

데이터프레임 생성/확인¶

데이터 연결/확인¶

데이터 전처리¶

불필요한 컬럼 제거¶

자료형 확인/변경¶

결측치 확인/처리¶

일별 이용 현황¶

대여날짜 컬럼 추가¶

대여날짜 별 대여 건수¶

대여날짜 별 이용시간¶

대여날짜 별 이용 거리¶

데이터프레임 합치기¶

시간대별 대여/반납 현황¶

대여시간, 반납시간 컬럼 추가¶

시간대별 대여/반납 현황¶

시각화¶

대여소별 대여/반납 현황¶

대여소 현황¶

대여건수가 가장 많은 대여소 best10¶

반납건수가 가장 많은 대여소 best10¶

여의나루역 1번출구 앞 대여소 이용현황¶

서브셋 만들기¶

반납 현황¶

요일별 대여현황¶

이용시간 통계¶

3. 서울시 물가정보 분석¶

데이터 수집¶

데이터프레임 생성¶

결측치 확인¶

자료형 확인¶

데이터 확인¶

컬럼별 데이터 확인¶

시장/마트 목록¶

품목 목록¶

자치구 목록¶

시장 유형¶

삼겹살 가격 분석¶

삼겹살 데이터¶

우리동네 삼겹살 가격¶

마트 지점별 삼겹살 가격¶

달걀 가격 분석¶

달걀 데이터¶

우리동네 달걀 가격¶

마트 지점별 달걀 가격¶

4. 지하철 승하차현황 분석¶

데이터 확인 및 전처리¶

데이터 크기¶

결측치 확인¶

컬럼별 데이터 확인¶

데이터 타입 확인 및 변경¶

불필요한 컬럼 삭제¶

승차/하차 테이블 분리¶

승차 테이블 만들기¶

하차 테이블 만들기¶

출퇴근시간 역별 승하차인원 분석¶

강남역의 최근 시간대별 승하차정보 분석¶

강남역의 최근 승차정보 분석¶

강남역의 최근 하차 정보 분석¶