상권분석 · 윤영재의 블로그

데이터 출처 : 공공데이터포털

소상공인 상권정보 상가업소 데이터

라이브러리 로드

#라이브러리 로드 

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

한글폰트 설정

# 한글 폰트 설정
plt.rc("font", family="Malgun Gothic")
plt.rc("axes", unicode_minus=False) # -깨지는거 제거

# 레티나 디스플레이로 폰트가 선명하게 표시되도록 합니다.

from IPython.display import set_matplotlib_formats
set_matplotlib_formats("retina")

#한글 폰트 설정 
pd.Series([-4, 1, 0, 3, -2, 4, 5]).plot(title="한글폰트 설정")

<matplotlib.axes._subplots.AxesSubplot at 0x24d4e5e9df0>

png

파일로드

%ls data

 C 드라이브의 볼륨: Windows
 볼륨 일련 번호: F667-FF4C

 C:\Users\actyu\jupyter_ex\data 디렉터리

2021-01-24  오전 12:01    <DIR>          .
2021-01-24  오전 12:01    <DIR>          ..
2021-01-24  오전 12:01            57,732 seoul_municipalities_geo_simple.json
2021-01-24  오전 12:01       264,920,940 상가업소정보_201912_01.csv
2021-01-19  오후 02:35             2,163 전국 평균 분양가격(2013년 9월부터 2015년 8월까지).csv
2021-01-19  오후 02:21           175,016 주택도시보증공사_전국 신규 민간 아파트 분양가격 동향_20200331.csv
2021-01-19  오후 02:36           162,510 주택도시보증공사_전국 평균 분양가격(2019년 12월).csv
               5개 파일         265,318,361 바이트
               2개 디렉터리  102,667,726,848 바이트 남음

# 파일을 로드합니다.

df = pd.read_csv("data/상가업소정보_201912_01.csv", sep='|')
df.shape

(573680, 39)

pd.options.display.max_columns = 39 # 모든컬럼을 표시

df.head()

	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	19905471	와라와라호프	NaN	Q	음식	Q09	유흥주점	Q09A01	호프/맥주	I56219	기타 주점업	11	서울특별시	11680	강남구	1168060000	대치1동	1168010600	대치동	1168010600206040000	1	대지	604	NaN	서울특별시 강남구 대치동 604	116802000003	서울특별시 강남구 남부순환로	2933	NaN	1168010600106040000014378	대치상가	서울특별시 강남구 남부순환로 2933	135280	6280.0	NaN	1	NaN	127.061026	37.493922
1	19911397	커피빈코리아선릉로93길점	코리아선릉로93길점	Q	음식	Q12	커피점/카페	Q12A01	커피전문점/카페/다방	I56220	비알콜 음료점업	11	서울특별시	11680	강남구	1168064000	역삼1동	1168010100	역삼동	1168010100206960042	1	대지	696	42.0	서울특별시 강남구 역삼동 696-42	116804166502	서울특별시 강남구 선릉로93길	6	NaN	1168010100106960042022041	NaN	서울특별시 강남구 선릉로93길 6	135080	6149.0	NaN	1	NaN	127.047883	37.505675
2	19911801	프로포즈	NaN	Q	음식	Q09	유흥주점	Q09A01	호프/맥주	I56219	기타 주점업	11	서울특별시	11545	금천구	1154563000	독산3동	1154510200	독산동	1154510200201620001	1	대지	162	1.0	서울특별시 금천구 독산동 162-1	115453117003	서울특별시 금천구 가산로	34	6.0	1154510200101620001017748	NaN	서울특별시 금천구 가산로 34-6	153010	8545.0	NaN	1	NaN	126.899220	37.471711
3	19912201	싱싱커피&토스트	NaN	Q	음식	Q07	패스트푸드	Q07A10	토스트전문	I56192	피자, 햄버거, 샌드위치 및 유사 음식점업	26	부산광역시	26530	사상구	2653062000	괘법동	2653010400	괘법동	2653010400205780000	1	대지	578	NaN	부산광역시 사상구 괘법동 578	265303139004	부산광역시 사상구 괘감로	37	NaN	2653010400105780000002037	산업용품유통상가	부산광역시 사상구 괘감로 37	617726	46977.0	NaN	1	26	128.980455	35.159774
4	19932756	가락사우나내스낵	NaN	F	생활서비스	F09	대중목욕탕/휴게	F09A02	사우나/증기탕/온천	S96121	욕탕업	11	서울특별시	11710	송파구	1171060000	석촌동	1171010500	석촌동	1171010500202560000	1	대지	256	NaN	서울특별시 송파구 석촌동 256	117103123001	서울특별시 송파구 가락로	71	NaN	1171010500102560005010490	NaN	서울특별시 송파구 가락로 71	138846	5690.0	NaN	1	NaN	127.104071	37.500249

df.tail()

	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
573675	16394290	비파티세리공덕	NaN	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	한식 음식점업	11	서울특별시	11440	마포구	1144056500	공덕동	1144010200	공덕동	1144010200201050067	1	대지	105	67.0	서울특별시 마포구 공덕동 105-67	114404139142	서울특별시 마포구 마포대로14길	4	NaN	1144010200101050067001710	NaN	서울특별시 마포구 마포대로14길 4	121801	4211.0	NaN	NaN	NaN	126.955059	37.548618
573676	16336474	앤탑PC방	NaN	N	관광/여가/오락	N01	PC/오락/당구/볼링등	N01A01	인터넷PC방	R91222	컴퓨터 게임방 운영업	11	서울특별시	11200	성동구	1120069000	성수2가3동	1120011500	성수동2가	1120011500202890015	1	대지	289	15.0	서울특별시 성동구 성수동2가 289-15	112004109367	서울특별시 성동구 성수일로8길	37	NaN	1120011500102890015004255	으뜸프린팅(주)	서울특별시 성동구 성수일로8길 37	133834	4794.0	NaN	2	NaN	127.054615	37.545853
573677	16336218	오즈아레나PC방	NaN	N	관광/여가/오락	N01	PC/오락/당구/볼링등	N01A01	인터넷PC방	R91222	컴퓨터 게임방 운영업	11	서울특별시	11680	강남구	1168052100	논현1동	1168010800	논현동	1168010800201650008	1	대지	165	8.0	서울특별시 강남구 논현동 165-8	116802102001	서울특별시 강남구 강남대로	492	NaN	1168010800101650008000001	한맥빌딩	서울특별시 강남구 강남대로 492	135825	6119.0	NaN	2	NaN	127.024102	37.506202
573678	16335152	파인트리네일	NaN	F	생활서비스	F01	이/미용/건강	F01A02	발/네일케어	S96119	기타미용업	11	서울특별시	11560	영등포구	1156054000	여의동	1156011000	여의도동	1156011000200230000	1	대지	23	NaN	서울특별시 영등포구 여의도동 23	115603118002	서울특별시 영등포구 국제금융로	10	NaN	1156011000100230000000001	서울국제금융센터	서울특별시 영등포구 국제금융로 10	150945	7326.0	NaN	1	NaN	126.924863	37.525172
573679	16335150	마이리틀네일	NaN	F	생활서비스	F01	이/미용/건강	F01A02	발/네일케어	S96119	기타미용업	11	서울특별시	11320	도봉구	1132051100	창1동	1132010700	창동	1132010700208120000	1	대지	812	NaN	서울특별시 도봉구 창동 812	113204127109	서울특별시 도봉구 도봉로114길	22	8.0	1132010700108120000018489	현대타운아파트	서울특별시 도봉구 도봉로114길 22-8	132691	1455.0	101	NaN	NaN	127.035145	37.647099

#인덱스 정보 
df.index

RangeIndex(start=0, stop=573680, step=1)

df.columns

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')

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 573680 entries, 0 to 573679
Data columns (total 39 columns):
 #   Column     Non-Null Count   Dtype  
---  ------     --------------   -----  
 상가업소번호     573680 non-null  int64  
 상호명        573679 non-null  object 
 지점명        76674 non-null   object 
 상권업종대분류코드  573680 non-null  object 
 상권업종대분류명   573680 non-null  object 
 상권업종중분류코드  573680 non-null  object 
 상권업종중분류명   573680 non-null  object 
 상권업종소분류코드  573680 non-null  object 
 상권업종소분류명   573680 non-null  object 
 표준산업분류코드   539290 non-null  object 
표준산업분류명    539290 non-null  object 
시도코드       573680 non-null  int64  
시도명        573680 non-null  object 
시군구코드      573680 non-null  int64  
시군구명       573680 non-null  object 
행정동코드      573680 non-null  int64  
행정동명       573680 non-null  object 
법정동코드      573680 non-null  int64  
법정동명       573680 non-null  object 
지번코드       573680 non-null  int64  
대지구분코드     573680 non-null  int64  
대지구분명      573680 non-null  object 
지번본번지      573680 non-null  int64  
지번부번지      474924 non-null  float64
지번주소       573680 non-null  object 
도로명코드      573680 non-null  int64  
도로명        573680 non-null  object 
건물본번지      573680 non-null  int64  
건물부번지      71988 non-null   float64
건물관리번호     573680 non-null  object 
건물명        265608 non-null  object 
도로명주소      573680 non-null  object 
구우편번호      573680 non-null  int64  
신우편번호      573671 non-null  float64
동정보        50856 non-null   object 
층정보        347127 non-null  object 
호정보        85266 non-null   object 
경도         573680 non-null  float64
위도         573680 non-null  float64
dtypes: float64(5), int64(11), object(23)
memory usage: 170.7+ MB

df.dtypes

상가업소번호         int64
상호명           object
지점명           object
상권업종대분류코드     object
상권업종대분류명      object
상권업종중분류코드     object
상권업종중분류명      object
상권업종소분류코드     object
상권업종소분류명      object
표준산업분류코드      object
표준산업분류명       object
시도코드           int64
시도명           object
시군구코드          int64
시군구명          object
행정동코드          int64
행정동명          object
법정동코드          int64
법정동명          object
지번코드           int64
대지구분코드         int64
대지구분명         object
지번본번지          int64
지번부번지        float64
지번주소          object
도로명코드          int64
도로명           object
건물본번지          int64
건물부번지        float64
건물관리번호        object
건물명           object
도로명주소         object
구우편번호          int64
신우편번호        float64
동정보           object
층정보           object
호정보           object
경도           float64
위도           float64
dtype: object

결측치 확인

df.isnull() 
# true 는 결측치

	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	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	True	False	False	False	False	False	True	False	True	False	False
1	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	True	False	False	False	True	False	True	False	False
2	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	True	False	True	False	False
3	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	True	False	False	False	False	False	True	False	False	False	False
4	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	True	False	True	False	False	False	True	False	True	False	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
573675	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	True	False	False	False	True	True	True	False	False
573676	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	False	True	False	True	False	False
573677	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	False	True	False	True	False	False
573678	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	True	False	False	False	False	False	True	False	True	False	False
573679	False	False	True	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	False	False	False	False	False	False	False	False	False	False	True	True	False	False

573680 rows × 39 columns

n = df.isnull().sum()

#막대그래프 시각화
n.plot.bar() # 결측치 보기 

<matplotlib.axes._subplots.AxesSubplot at 0x24d4ed9f760>

png

# 옆으로 그래프 보기(결측치 순서대로) sort_values
n.sort_values().plot.barh(figsize=(7,8))

<matplotlib.axes._subplots.AxesSubplot at 0x24d4fec1a00>

png

missingno로 결측치 시각화

import missingno as msno

msno.matrix(df)

<matplotlib.axes._subplots.AxesSubplot at 0x24d264ee160>

png

#heatmap 으로 시각화
msno.heatmap(df)

<matplotlib.axes._subplots.AxesSubplot at 0x24d297517c0>

png

# dendrogram으로 표현 
msno.dendrogram(df)

<matplotlib.axes._subplots.AxesSubplot at 0x24d0777ac10>

png

사용하지 않는 칼럼 제거

# sort_values 를 통해 결측치가 많은 데이터를 위에서 9개 가져와서 not_use 변수에 담습니다.
# not_use 변수에 담긴 인덱스값만 추출해서 not_use_col 이라는 변수에 담습니다.

not_use = n.sort_values(ascending=False).head(9)
not_use_col = not_use.index
not_use_col

Index(['동정보', '건물부번지', '지점명', '호정보', '건물명', '층정보', '지번부번지', '표준산업분류명',
       '표준산업분류코드'],
      dtype='object')

# 사용하지 않는 칼럼 제거, shpae으로 확인
print(df.shape) # 칼럼 39
df = df.drop(not_use_col, axis=1) # 칼럼제거 axis =1
print(df.shape) # 칼럼 30

(573680, 39)
(573680, 30)

cols = df.columns
cols_code = cols[cols.str.contains("코드|번호")] # 코드나 번호가 들어가는 칼럼
cols_code

Index(['상가업소번호', '상권업종대분류코드', '상권업종중분류코드', '상권업종소분류코드', '시도코드', '시군구코드',
       '행정동코드', '법정동코드', '지번코드', '대지구분코드', '도로명코드', '건물관리번호', '구우편번호',
       '신우편번호'],
      dtype='object')

#코드나 번호가 들어가는 칼럼 제거
print(df.shape) # 칼럼 30
df = df.drop(cols_code, axis= 1)
print(df.shape) # 칼럼 16

(573680, 30)
(573680, 16)

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 573680 entries, 0 to 573679
Data columns (total 16 columns):
 #   Column    Non-Null Count   Dtype  
---  ------    --------------   -----  
 0   상호명       573679 non-null  object 
 1   상권업종대분류명  573680 non-null  object 
 2   상권업종중분류명  573680 non-null  object 
 3   상권업종소분류명  573680 non-null  object 
 4   시도명       573680 non-null  object 
 5   시군구명      573680 non-null  object 
 6   행정동명      573680 non-null  object 
 7   법정동명      573680 non-null  object 
 8   대지구분명     573680 non-null  object 
 9   지번본번지     573680 non-null  int64  
 10  지번주소      573680 non-null  object 
 11  도로명       573680 non-null  object 
 12  건물본번지     573680 non-null  int64  
 13  도로명주소     573680 non-null  object 
 14  경도        573680 non-null  float64
 15  위도        573680 non-null  float64
dtypes: float64(2), int64(2), object(12)
memory usage: 70.0+ MB

행,열 기준으로 값을 가져오기

열기준으로 가져오기

#상호명 가져오기
df[["상호명"]]

	상호명
0	와라와라호프
1	커피빈코리아선릉로93길점
2	프로포즈
3	싱싱커피&토스트
4	가락사우나내스낵
...	...
573675	비파티세리공덕
573676	앤탑PC방
573677	오즈아레나PC방
573678	파인트리네일
573679	마이리틀네일

573680 rows × 1 columns

# 상호명,도로명 칼럼가져오기 (두 칼럼 이상 가져올때는 [[]]형태로 가져오기)
df[["상호명","도로명주소"]].head()

	상호명	도로명주소
0	와라와라호프	서울특별시 강남구 남부순환로 2933
1	커피빈코리아선릉로93길점	서울특별시 강남구 선릉로93길 6
2	프로포즈	서울특별시 금천구 가산로 34-6
3	싱싱커피&토스트	부산광역시 사상구 괘감로 37
4	가락사우나내스낵	서울특별시 송파구 가락로 71

행기준으로 가져오기

# 0번째 인덱스 행을 가져오기
df.loc[0]

상호명                       와라와라호프
상권업종대분류명                      음식
상권업종중분류명                    유흥주점
상권업종소분류명                   호프/맥주
시도명                        서울특별시
시군구명                         강남구
행정동명                        대치1동
법정동명                         대치동
대지구분명                         대지
지번본번지                        604
지번주소           서울특별시 강남구 대치동 604
도로명              서울특별시 강남구 남부순환로
건물본번지                       2933
도로명주소       서울특별시 강남구 남부순환로 2933
경도                       127.061
위도                       37.4939
Name: 0, dtype: object

# 0, 1, 2 번째 인덱스 행을 가져온다 .
df.loc[[0,1,2]]

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번본번지	지번주소	도로명	건물본번지	도로명주소	경도	위도
0	와라와라호프	음식	유흥주점	호프/맥주	서울특별시	강남구	대치1동	대치동	대지	604	서울특별시 강남구 대치동 604	서울특별시 강남구 남부순환로	2933	서울특별시 강남구 남부순환로 2933	127.061026	37.493922
1	커피빈코리아선릉로93길점	음식	커피점/카페	커피전문점/카페/다방	서울특별시	강남구	역삼1동	역삼동	대지	696	서울특별시 강남구 역삼동 696-42	서울특별시 강남구 선릉로93길	6	서울특별시 강남구 선릉로93길 6	127.047883	37.505675
2	프로포즈	음식	유흥주점	호프/맥주	서울특별시	금천구	독산3동	독산동	대지	162	서울특별시 금천구 독산동 162-1	서울특별시 금천구 가산로	34	서울특별시 금천구 가산로 34-6	126.899220	37.471711

#0번째 행의 상호명을 가져오기
df.loc[0, "상호명"]

'와라와라호프'

#0, 1, 2 번째 행의 "상호명" , "도로명주소"가져오기
df.loc[[0, 1, 2], ["상호명", "도로명주소"]]

	상호명	도로명주소
0	와라와라호프	서울특별시 강남구 남부순환로 2933
1	커피빈코리아선릉로93길점	서울특별시 강남구 선릉로93길 6
2	프로포즈	서울특별시 금천구 가산로 34-6

# 위에서 5개의 행과 왼쪽에서 5개의 열을 가져온다. iloc 슬라이싱

df.iloc[:5]

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번본번지	지번주소	도로명	건물본번지	도로명주소	경도	위도
0	와라와라호프	음식	유흥주점	호프/맥주	서울특별시	강남구	대치1동	대치동	대지	604	서울특별시 강남구 대치동 604	서울특별시 강남구 남부순환로	2933	서울특별시 강남구 남부순환로 2933	127.061026	37.493922
1	커피빈코리아선릉로93길점	음식	커피점/카페	커피전문점/카페/다방	서울특별시	강남구	역삼1동	역삼동	대지	696	서울특별시 강남구 역삼동 696-42	서울특별시 강남구 선릉로93길	6	서울특별시 강남구 선릉로93길 6	127.047883	37.505675
2	프로포즈	음식	유흥주점	호프/맥주	서울특별시	금천구	독산3동	독산동	대지	162	서울특별시 금천구 독산동 162-1	서울특별시 금천구 가산로	34	서울특별시 금천구 가산로 34-6	126.899220	37.471711
3	싱싱커피&토스트	음식	패스트푸드	토스트전문	부산광역시	사상구	괘법동	괘법동	대지	578	부산광역시 사상구 괘법동 578	부산광역시 사상구 괘감로	37	부산광역시 사상구 괘감로 37	128.980455	35.159774
4	가락사우나내스낵	생활서비스	대중목욕탕/휴게	사우나/증기탕/온천	서울특별시	송파구	석촌동	석촌동	대지	256	서울특별시 송파구 석촌동 256	서울특별시 송파구 가락로	71	서울특별시 송파구 가락로 71	127.104071	37.500249

#끝에서 5개의 행과 , 오른쪽에서 5개의 열을 가져오기

df.iloc[-5:,-5:]

	도로명	건물본번지	도로명주소	경도	위도
573675	서울특별시 마포구 마포대로14길	4	서울특별시 마포구 마포대로14길 4	126.955059	37.548618
573676	서울특별시 성동구 성수일로8길	37	서울특별시 성동구 성수일로8길 37	127.054615	37.545853
573677	서울특별시 강남구 강남대로	492	서울특별시 강남구 강남대로 492	127.024102	37.506202
573678	서울특별시 영등포구 국제금융로	10	서울특별시 영등포구 국제금융로 10	126.924863	37.525172
573679	서울특별시 도봉구 도봉로114길	22	서울특별시 도봉구 도봉로114길 22-8	127.035145	37.647099

기술통계값 보기

# describe()  기술통계값을 볼 수 있다.
df.describe()

	지번본번지	건물본번지	경도	위도
count	573680.000000	573680.000000	573680.000000	573680.000000
mean	469.281810	153.912094	127.596287	36.854698
std	484.778049	276.980935	0.941262	1.081285
min	1.000000	0.000000	126.768169	35.006760
25%	109.000000	20.000000	126.968316	35.215422
50%	335.000000	50.000000	127.047672	37.511207
75%	678.000000	172.000000	128.986938	37.560362
max	9999.000000	3318.000000	129.292243	37.692398

df[["위도","경도"]].describe()

	위도	경도
count	573680.000000	573680.000000
mean	36.854698	127.596287
std	1.081285	0.941262
min	35.006760	126.768169
25%	35.215422	126.968316
50%	37.511207	127.047672
75%	37.560362	128.986938
max	37.692398	129.292243

# 결측치를 제외한 값의 갯수를 계산 
df["위도"].count()

#평균 
df["위도"].max()

37.69239838166121

#최솟값
df["위도"].min()

35.0067597383124

#1 사분위 수(25%)
df["위도"].quantile(q=0.25)

35.21542173433561

# 중앙값 
df["위도"].median()

37.5112070048312

#평균 
df["위도"].mean()

36.85469787421801

# 분산
df["위도"].var()

1.1691762199811755

# 표준편차1
import numpy as np

np.sqrt(df["위도"].var())

1.0812845231395738

# 표준편차2

df["위도"].std()

1.0812845231395738

단변량 수치형 변수 시각화

# 위도의 distplot을 그린다. 

sns.distplot(df["위도"])
# bins로 막대그리프 갯수를 정할 수 있다.

<matplotlib.axes._subplots.AxesSubplot at 0x24d06547250>

png

# 경도의 distplot을 그린다. 
sns.distplot(df["경도"])

<matplotlib.axes._subplots.AxesSubplot at 0x24d06e602b0>

png

# 위도의 평균, 중앙값의 표현, color로 선의 색상을 linestyle로 점선으로 표시
plt.axvline(df["위도"].mean(), linestyle=":", color="r")
plt.axvline(df["위도"].median(), linestyle="--", color="b")
sns.distplot(df["위도"])

<matplotlib.axes._subplots.AxesSubplot at 0x24d06513eb0>

png

상관계수 구하기

# 각 변수의 상관계수 

corr = df.corr()
corr

	지번본번지	건물본번지	경도	위도
지번본번지	1.000000	0.057987	0.182678	-0.196658
건물본번지	0.057987	1.000000	0.000255	0.004606
경도	0.182678	0.000255	1.000000	-0.994711
위도	-0.196658	0.004606	-0.994711	1.000000

#위에서 구한 상관계수를 시각화
sns.heatmap(corr, annot=True, cmap="Blues" ) # annot=True 값도 표시 # Blues색으로 표현

<matplotlib.axes._subplots.AxesSubplot at 0x24d285bd3d0>

png

mask = np.triu(np.ones_like(corr, dtype=np.bool))
sns.heatmap(corr, annot=True, cmap="Blues", mask=mask)

<matplotlib.axes._subplots.AxesSubplot at 0x24d070f9d00>

png

산점도로 이변량 수치형 변수 표현

# scatterplot 으로 경도와 위도를 표현하며, 
# 데이터의 갯수가 많으면 오래 걸리기 때문에 1000 개의 샘플을 추출해서 그립니다.

sns.scatterplot(data=df.sample(1000), x="경도", y="위도") 

<matplotlib.axes._subplots.AxesSubplot at 0x24d076b5e20>

png

# 위 시각화에서 회귀선을 그리기
sns.regplot(data=df.sample(1000), x="경도", y="위도") 

<matplotlib.axes._subplots.AxesSubplot at 0x24d0779f160>

png

# 회귀선을 그리는 그래프의 서브플롯을 그리기

sns.lmplot(data=df.sample(1000), x="경도", y="위도", hue="시도명",col="시도명",truncate=False, fit_reg=True)

<seaborn.axisgrid.FacetGrid at 0x24d077aebb0>

png

object타입의 데이터 요약

# object 타입 문자열 데이터 요약
df.describe(include="object")

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번주소	도로명	도로명주소
count	573679	573680	573680	573680	573680	573680	573680	573680	573680	573680	573680	573680
unique	378758	9	94	709	2	39	629	648	2	190237	18001	190486
top	점프셈교실	음식	한식	한식/백반/한정식	서울특별시	강남구	역삼1동	역삼동	대지	부산광역시 부산진구 부전동 503-15	서울특별시 서초구 신반포로	부산광역시 부산진구 가야대로 772
freq	2297	185516	59725	38133	407376	47080	10400	12102	572913	1058	3543	1058

# 상권업종대분류명의 요약값 
df["상권업종대분류명"].describe()

count     573680
unique         9
top           음식
freq      185516
Name: 상권업종대분류명, dtype: object

#상권업종대분류명 의 unique값 
df["상권업종대분류명"].unique()

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

#상권업종대분류명 의 unique 개수
df["상권업종대분류명"].nunique()

df["상권업종대분류명"].mode() # mode 최빈값

0    음식
dtype: object

# 범주형 변수 의 빈도수
df["상권업종대분류명"].value_counts()

음식          185516
소매          179460
생활서비스        97789
학문/교육        42477
의료           25509
부동산          20918
관광/여가/오락     16377
숙박            5327
스포츠            307
Name: 상권업종대분류명, dtype: int64

인덱싱과 필터로 서브셋 만들기

# "상권업종대분류명" 이 "음식인 데이터만 가져오기
# df_food 라는 변수에 담아줍니다. 서브셋을 새로운 변수에 저장할 때 copy()를 사용하는 것을 권장

df_food = df[df["상권업종대분류명"] == "음식"].copy()
df_food.head()

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번본번지	지번주소	도로명	건물본번지	도로명주소	경도	위도
0	와라와라호프	음식	유흥주점	호프/맥주	서울특별시	강남구	대치1동	대치동	대지	604	서울특별시 강남구 대치동 604	서울특별시 강남구 남부순환로	2933	서울특별시 강남구 남부순환로 2933	127.061026	37.493922
1	커피빈코리아선릉로93길점	음식	커피점/카페	커피전문점/카페/다방	서울특별시	강남구	역삼1동	역삼동	대지	696	서울특별시 강남구 역삼동 696-42	서울특별시 강남구 선릉로93길	6	서울특별시 강남구 선릉로93길 6	127.047883	37.505675
2	프로포즈	음식	유흥주점	호프/맥주	서울특별시	금천구	독산3동	독산동	대지	162	서울특별시 금천구 독산동 162-1	서울특별시 금천구 가산로	34	서울특별시 금천구 가산로 34-6	126.899220	37.471711
3	싱싱커피&토스트	음식	패스트푸드	토스트전문	부산광역시	사상구	괘법동	괘법동	대지	578	부산광역시 사상구 괘법동 578	부산광역시 사상구 괘감로	37	부산광역시 사상구 괘감로 37	128.980455	35.159774
5	초밥왕	음식	일식/수산물	음식점-초밥전문	서울특별시	송파구	잠실6동	신천동	대지	7	서울특별시 송파구 신천동 7-28	서울특별시 송파구 올림픽로	293	서울특별시 송파구 올림픽로 293-19	127.102490	37.515149

강남구의 상권업종대분류가 음식만 보기

df[df["시군구명"] == "강남구"].head()

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번본번지	지번주소	도로명	건물본번지	도로명주소	경도	위도
0	와라와라호프	음식	유흥주점	호프/맥주	서울특별시	강남구	대치1동	대치동	대지	604	서울특별시 강남구 대치동 604	서울특별시 강남구 남부순환로	2933	서울특별시 강남구 남부순환로 2933	127.061026	37.493922
1	커피빈코리아선릉로93길점	음식	커피점/카페	커피전문점/카페/다방	서울특별시	강남구	역삼1동	역삼동	대지	696	서울특별시 강남구 역삼동 696-42	서울특별시 강남구 선릉로93길	6	서울특별시 강남구 선릉로93길 6	127.047883	37.505675
26	쉼터	음식	분식	라면김밥분식	서울특별시	강남구	삼성1동	삼성동	대지	159	서울특별시 강남구 삼성동 159	서울특별시 강남구 봉은사로	524	서울특별시 강남구 봉은사로 524	127.057100	37.512939
27	배제현의웰빙낙지한마리수제비	음식	일식/수산물	낙지/오징어	서울특별시	강남구	신사동	신사동	대지	512	서울특별시 강남구 신사동 512-13	서울특별시 강남구 강남대로152길	19	서울특별시 강남구 강남대로152길 19	127.020945	37.517574
38	타워광명내과의원	의료	병원	내과/외과	서울특별시	강남구	도곡2동	도곡동	대지	467	서울특별시 강남구 도곡동 467-14	서울특별시 강남구 언주로30길	39	서울특별시 강남구 언주로30길 39	127.053198	37.488742

# 시군구명이 강남구, 사우건업종대분류명이 음식인것
# 상권업종중분류명 별로 빈도수를  구하기
df[(df["시군구명"] == "강남구") &
   (df["상권업종대분류명"] == "음식")]["상권업종중분류명"].value_counts()

한식         4371
커피점/카페     2790
유흥주점       1573
양식         1573
일식/수산물     1255
분식         1197
패스트푸드       786
제과제빵떡케익     650
닭/오리요리      539
중식          358
별식/퓨전요리     341
부페           63
기타음식업        47
음식배달서비스      11
Name: 상권업종중분류명, dtype: int64

# 위와 똑같이 구하고 loc 이용하기

df.loc[(df["시군구명"] == "강남구") &
   (df["상권업종대분류명"] == "음식"), "상권업종중분류명"].value_counts()

한식         4371
커피점/카페     2790
유흥주점       1573
양식         1573
일식/수산물     1255
분식         1197
패스트푸드       786
제과제빵떡케익     650
닭/오리요리      539
중식          358
별식/퓨전요리     341
부페           63
기타음식업        47
음식배달서비스      11
Name: 상권업종중분류명, dtype: int64

구별 음식점 업종 비교하기

# df_seoul_food 에 "시도명"이 "서울특별시" 이고 "상권업종대분류명" 이 "음식" 에 대한 서브셋만 가져오기

df_seoul_food = df[(df["시도명"] == "서울특별시") & (df["상권업종대분류명"] == "음식")].copy()
df_seoul_food.shape

(132889, 16)

# "시군구명", "상권업종중분류명" 으로 그룹화 
# 결과를 food_gu 에 담아 재사용할 예정

food_gu = df_seoul_food.groupby(["시군구명", "상권업종중분류명"])["상호명"].count()
food_gu.head()

시군구명  상권업종중분류명
강남구   기타음식업         47
      닭/오리요리       539
      별식/퓨전요리      341
      부페            63
      분식          1197
Name: 상호명, dtype: int64

# food_gu 에 담긴 데이터로 시각화
# 상권업종 중분류명과 상점수로 barplot 그리기

food_gu.unstack().plot.bar()
#unstack으로 피벗테이블로 바꾼다

<matplotlib.axes._subplots.AxesSubplot at 0x24d0cf03c10>

png

food_gu.unstack().iloc[:5, :5]

상권업종중분류명	기타음식업	닭/오리요리	별식/퓨전요리	부페	분식
시군구명
강남구	47.0	539.0	341.0	63.0	1197.0
강동구	4.0	318.0	138.0	24.0	509.0
강북구	2.0	208.0	97.0	6.0	329.0
강서구	16.0	323.0	145.0	21.0	531.0
관악구	11.0	324.0	118.0	11.0	461.0

food = food_gu.reset_index()
food = food.rename(columns={"상호명":"상호수"})
food.head()

	시군구명	상권업종중분류명	상호수
0	강남구	기타음식업	47
1	강남구	닭/오리요리	539
2	강남구	별식/퓨전요리	341
3	강남구	부페	63
4	강남구	분식	1197

plt.figure(figsize=(15,4))
sns.barplot(data=food, x="시군구명", y="상호수")
# 검은색은 신뢰구간

<matplotlib.axes._subplots.AxesSubplot at 0x24d070571c0>

png

# catplot으로 사용하여 서브프롯을 그리기
sns.catplot(data=food, x="시군구명", y="상호수", 
            kind="bar", col="상권업종중분류명", col_wrap=4)

<seaborn.axisgrid.FacetGrid at 0x24d0d999310>

png

구별 학원수 비교

df["상권업종대분류명"].unique()
# 학문/교육

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

# 시도명이 서울특별시이고, 상권업종대분류명이 학문/교육인 데이터 셋
df_academy = df[(df["시도명"] == "서울특별시") & (df["상권업종대분류명"] == "학문/교육")].copy()
df_academy

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	대지구분명	지번본번지	지번주소	도로명	건물본번지	도로명주소	경도	위도
85	GIA보석교육원	학문/교육	학원-자격/국가고시	학원-보석감정	서울특별시	강남구	압구정동	신사동	대지	639	서울특별시 강남구 신사동 639-3	서울특별시 강남구 압구정로	320	서울특별시 강남구 압구정로 320	127.036437	37.528532
101	안재형영어	학문/교육	학원-어학	학원-외국어/어학	서울특별시	양천구	목5동	목동	대지	905	서울특별시 양천구 목동 905-34	서울특별시 양천구 목동서로	133	서울특별시 양천구 목동서로 133-2	126.875973	37.531592
121	정아트	학문/교육	학원-음악미술무용	서예/서화/미술	서울특별시	강서구	염창동	염창동	대지	184	서울특별시 강서구 염창동 184-8	서울특별시 강서구 양천로73가길	21	서울특별시 강서구 양천로73가길 21	126.873645	37.550924
126	경찰태권도	학문/교육	학원-예능취미체육	태권도장	서울특별시	성북구	길음1동	길음동	대지	1283	서울특별시 성북구 길음동 1283-4	서울특별시 성북구 길음로	20	서울특별시 성북구 길음로 20	127.023020	37.604749
134	아트인스튜디오	학문/교육	학원-음악미술무용	서예/서화/미술	서울특별시	강남구	역삼1동	역삼동	대지	818	서울특별시 강남구 역삼동 818-1	서울특별시 강남구 강남대로96길	12	서울특별시 강남구 강남대로96길 12	127.028054	37.499729
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
573529	쌤통수학교습소	학문/교육	학원-보습교습입시	학원-입시	서울특별시	서대문구	홍제2동	홍제동	대지	106	서울특별시 서대문구 홍제동 106	서울특별시 서대문구 통일로34길	24	서울특별시 서대문구 통일로34길 24	126.949389	37.585709
573654	골든벨독서실	학문/교육	도서관/독서실	독서실	서울특별시	양천구	신월2동	신월동	대지	447	서울특별시 양천구 신월동 447-5	서울특별시 양천구 월정로	56	서울특별시 양천구 월정로 56	126.841706	37.524719
573656	에이디링크연구소	학문/교육	학원기타	학원(종합)	서울특별시	송파구	가락본동	가락동	대지	76	서울특별시 송파구 가락동 76	서울특별시 송파구 양재대로62길	47	서울특별시 송파구 양재대로62길 47	127.120757	37.495986
573661	도무스링구아	학문/교육	학원-보습교습입시	학원-입시	서울특별시	서초구	양재1동	우면동	대지	721	서울특별시 서초구 우면동 721-1	서울특별시 서초구 태봉로	70	서울특별시 서초구 태봉로 70	127.025571	37.464531
573662	아소비	학문/교육	학원-보습교습입시	학원-입시	서울특별시	구로구	고척1동	고척동	대지	327	서울특별시 구로구 고척동 327	서울특별시 구로구 중앙로6길	17	서울특별시 구로구 중앙로6길 17	126.865601	37.500695

31509 rows × 16 columns

#df_academy 에서 상호명으로 빈도수 구하기
df_academy["상호명"].value_counts().head(10)

점프셈교실      1659
해법수학         57
윤선생영어교실      34
뮤엠영어         27
해법영어교실       24
눈높이          22
해동검도         22
삼성영어         21
구몬학습         20
경희대태권도       19
Name: 상호명, dtype: int64

#"시군구명"으로 빈도수 구하기
df_academy["시군구명"].value_counts()

강남구     4005
서초구     2103
양천구     1881
광진구     1848
송파구     1797
강동구     1585
노원구     1582
강서구     1498
은평구     1333
관악구     1313
성북구     1246
구로구     1140
동대문구    1051
동작구     1050
마포구     1007
영등포구     984
도봉구      931
중랑구      884
서대문구     773
성동구      742
금천구      701
종로구      638
강북구      513
용산구      491
중구       413
Name: 시군구명, dtype: int64

# 상권업종소분류명 으로 빈도수를 구하고 위에서 30개만 보기
academy_count = df_academy["상권업종소분류명"].value_counts().head(30)
academy_count

학원-입시          7509
학원(종합)         4561
어린이집           4395
학원-외국어/어학      3544
피아노/바이올린/기타    2868
서예/서화/미술       1595
독서실            1096
고시원            1062
학원-기타           677
태권도장            610
학습지보급           430
학원-어린이영어        319
컴퓨터학원           270
학원-스포츠/재즈댄스     269
학원-무용           220
놀이방             139
학원-주산암산부기속셈     122
유아교육기관기타        107
학원-미용           106
학원-배우/탤런트       102
합기도장             96
검도도장             95
실내놀이터-유아         84
학원-요리            78
학원-간호조무사         76
학원/국가고시          70
학원-사교춤           54
유도장              49
학원-심리변론          46
학원-국악            45
Name: 상권업종소분류명, dtype: int64

# 상권업종소분류명으로 빈도수를 구하고
# 빈도수가 1000개 이상인 데이터 보기

academy_count_1000 = academy_count[academy_count > 1000]
academy_count_1000

학원-입시          7509
학원(종합)         4561
어린이집           4395
학원-외국어/어학      3544
피아노/바이올린/기타    2868
서예/서화/미술       1595
독서실            1096
고시원            1062
Name: 상권업종소분류명, dtype: int64

# "시군구명", "상권업종소분류명" 으로 그룹화를 하고 "상호명"으로 빈도수를 계산

g_academy = df_academy.groupby(["시군구명", "상권업종소분류명"])["상호명"].count()
g_academy = g_academy.reset_index()
g_academy.columns = ["시군구명", "상권업종소분류명", "상호수"]
g_academy.head()

	시군구명	상권업종소분류명	상호수
0	강남구	검도도장	9
1	강남구	고시원	139
2	강남구	놀이방	8
3	강남구	독서실	125
4	강남구	서예/서화/미술	219

seaborn으로 시각화 하기

# 위에서 구한 결과를 시군구명, 상호수로 barplot을 그림

plt.figure(figsize=(15, 4))
sns.barplot(data=g_academy, x="시군구명", y="상호수")
# ci=None으로 신뢰구간 없애기 가능

<matplotlib.axes._subplots.AxesSubplot at 0x24d0d9d3040>

png

isin을 사용해서 서브셋 만들기

academy_count_1000.index

Index(['학원-입시', '학원(종합)', '어린이집', '학원-외국어/어학', '피아노/바이올린/기타', '서예/서화/미술',
       '독서실', '고시원'],
      dtype='object')

# isin 으로 빈도수로 계산했을 때 1000개 이상인 데이터만 가져와서 봅니다.
# 서브셋을 df_academy_selected 에 저장합니다.

print(df_academy.shape)
df_academy_selected = df_academy[
    df_academy["상권업종소분류명"].isin(academy_count_1000.index)].copy()
df_academy_selected.shape

(31509, 16)

(26630, 16)

df_academy_selected["상권업종소분류명"].value_counts()

학원-입시          7509
학원(종합)         4561
어린이집           4395
학원-외국어/어학      3544
피아노/바이올린/기타    2868
서예/서화/미술       1595
독서실            1096
고시원            1062
Name: 상권업종소분류명, dtype: int64

# df_academy_selected 의 "시군구명"으로 빈도수를 셉니다.

df_academy_selected["시군구명"].value_counts()

강남구     3410
서초구     1732
양천구     1706
광진구     1536
송파구     1484
노원구     1425
강서구     1288
강동구     1255
은평구     1162
관악구     1115
성북구     1066
구로구      987
동작구      877
동대문구     863
마포구      857
도봉구      849
영등포구     775
중랑구      745
서대문구     656
성동구      642
금천구      568
종로구      479
강북구      444
용산구      395
중구       314
Name: 시군구명, dtype: int64

df_academy_selected.loc[
    df_academy_selected["법정동명"] == "목동", 
    "상권업종소분류명"].value_counts()

학원-입시          375
학원-외국어/어학      152
학원(종합)          88
어린이집            61
피아노/바이올린/기타     41
서예/서화/미술        39
독서실             22
고시원              7
Name: 상권업종소분류명, dtype: int64

df_academy_selected.loc[
    df_academy_selected["법정동명"] == "대치동", 
    "상권업종소분류명"].value_counts()

학원-입시          831
학원-외국어/어학      281
학원(종합)         211
서예/서화/미술       113
피아노/바이올린/기타     60
독서실             42
고시원             30
어린이집            16
Name: 상권업종소분류명, dtype: int64

# df_academy_selected 로 위에서 했던 그룹화를 복습
# "상권업종소분류명", "시군구명" 으로 그룹화를 하고 "상호명"으로 빈도수를 계산
# g 라는 변수에 담아 재사용 할 예정
g = df_academy_selected.groupby(["상권업종소분류명", "시군구명"])["상호명"].count()
g

상권업종소분류명  시군구명
고시원       강남구     139
          강동구      62
          강북구      11
          강서구      32
          관악구      83
                 ... 
학원-입시     용산구      70
          은평구     337
          종로구      75
          중구       59
          중랑구     172
Name: 상호명, Length: 200, dtype: int64

Pandas 의 plot 으로 시각화

# 상권업종소분류명이 index
# loc를 통해 index 값을 가져올 수 있다.
# 그룹화된 결과 중 "학원-입시" 데이터
g.loc["학원-입시"].sort_values().plot.barh(figsize=(10, 7))

<matplotlib.axes._subplots.AxesSubplot at 0x24d12a1d910>

png

# 그룹화된 데이터를 시각화 하게 되면 멀티인덱스 값으로 표현이 되어 보기가 어렵습니다.
# 다음 셀부터 이 그래프를 개선해 봐요!

g.plot.bar()

<matplotlib.axes._subplots.AxesSubplot at 0x24d12ae4c70>

png

#g.unstack()
g.unstack().iloc[:5,:5]

시군구명	강남구	강동구	강북구	강서구	관악구
상권업종소분류명
고시원	139	62	11	32	83
독서실	125	46	14	60	69
서예/서화/미술	219	110	19	70	72
어린이집	189	210	112	262	220
피아노/바이올린/기타	266	189	47	150	139

# 행과 열을 바꾸기 
g.unstack().T.iloc[:5,:5]

상권업종소분류명	고시원	독서실	서예/서화/미술	어린이집	피아노/바이올린/기타
시군구명
강남구	139	125	219	189	266
강동구	62	46	110	210	189
강북구	11	14	19	112	47
강서구	32	60	70	262	150
관악구	83	69	72	220	139

# 그룹화된 결과에 unstack 을 사용하면 마지막 인덱스 컬럼이 컬럼으로 바꿈
g.unstack().plot.barh(figsize=(8,9))

<matplotlib.axes._subplots.AxesSubplot at 0x24d13123f70>

png

# T는 transpose이다.
g.unstack().T.plot.bar(figsize=(15, 5))

<matplotlib.axes._subplots.AxesSubplot at 0x24d17ebaeb0>

png

# 그룹화한 값의 인덱스
g.index

MultiIndex([(  '고시원',  '강남구'),
            (  '고시원',  '강동구'),
            (  '고시원',  '강북구'),
            (  '고시원',  '강서구'),
            (  '고시원',  '관악구'),
            (  '고시원',  '광진구'),
            (  '고시원',  '구로구'),
            (  '고시원',  '금천구'),
            (  '고시원',  '노원구'),
            (  '고시원',  '도봉구'),
            ...
            ('학원-입시',  '성동구'),
            ('학원-입시',  '성북구'),
            ('학원-입시',  '송파구'),
            ('학원-입시',  '양천구'),
            ('학원-입시', '영등포구'),
            ('학원-입시',  '용산구'),
            ('학원-입시',  '은평구'),
            ('학원-입시',  '종로구'),
            ('학원-입시',   '중구'),
            ('학원-입시',  '중랑구')],
           names=['상권업종소분류명', '시군구명'], length=200)

# 멀티인덱스 보기쉽게
t = g.reset_index()
t = t.rename(columns={"상호명":"상호수"})
t

	상권업종소분류명	시군구명	상호수
0	고시원	강남구	139
1	고시원	강동구	62
2	고시원	강북구	11
3	고시원	강서구	32
4	고시원	관악구	83
...	...	...	...
195	학원-입시	용산구	70
196	학원-입시	은평구	337
197	학원-입시	종로구	75
198	학원-입시	중구	59
199	학원-입시	중랑구	172

200 rows × 3 columns

같은 그래프를 seaborn으로 그리기

# 상권업종소분류명으로 색상을 다르게 표현
plt.figure(figsize=(15,4))
sns.barplot(data=t, x="시군구명", y="상호수",ci=None)

<matplotlib.axes._subplots.AxesSubplot at 0x24d178aeee0>

png

# 시군구명 색상을 다르게 표현
plt.figure(figsize=(15,4))
sns.barplot(data=t, x="상권업종소분류명", y="상호수",ci=None)

<matplotlib.axes._subplots.AxesSubplot at 0x24d17bbbbb0>

png

# 상권업종소분류명이 학원-입시인 서브셋만 가져와서 시각화
academy_sub = t[t["상권업종소분류명"] == "학원-입시"].copy()
print(academy_sub.shape)
plt.figure(figsize=(15,4))
sns.barplot(data=academy_sub, x="시군구명", y="상호수")

(25, 3)

<matplotlib.axes._subplots.AxesSubplot at 0x24d17b0a160>

png

# catplot을 통해 그리기
sns.catplot(data =t, x="상권업종소분류명", y="상호수", kind="bar", col="시군구명", 
           col_wrap=4, sharex=False)

<seaborn.axisgrid.FacetGrid at 0x24d17d17760>

png

경도와 위도를 scatterplot으로 표현

#scatterplot으로 경도 위도 표현, 시군구명으로 색상을 다르게
plt.figure(figsize=(10, 7))
sns.scatterplot(data=df_academy_selected, x="경도", y="위도", hue="시군구명")

<matplotlib.axes._subplots.AxesSubplot at 0x24d2081ec40>

png

# 상권업종소분류명으로 색상을 다르게
plt.figure(figsize=(10, 7))
sns.scatterplot(data=df_academy_selected, x="경도", y="위도", hue="상권업종소분류명")

<matplotlib.axes._subplots.AxesSubplot at 0x24d24596c40>

png

# 상권업종소분류명이 학원-입시인 데이터만 그리기
plt.figure(figsize=(10, 7))
sns.scatterplot(
    data=df_academy_selected[df_academy_selected["상권업종소분류명"] == "학원-입시"], 
                x="경도", y="위도", hue="상권업종소분류명")

<matplotlib.axes._subplots.AxesSubplot at 0x24d24fd41f0>

png

# 상권업종소분류명이 어린이집인 데이터만 그리기
plt.figure(figsize=(10, 7))
sns.scatterplot(
    data=df_academy_selected[df_academy_selected["상권업종소분류명"] == "어린이집"], 
                x="경도", y="위도", hue="상권업종소분류명")

<matplotlib.axes._subplots.AxesSubplot at 0x24d17a65760>

png

# 상권업종소분류명이 어린이집과 학원-입시인것만 보기
plt.figure(figsize=(10, 7))
sns.scatterplot(
    data=df_academy_selected[df_academy_selected["상권업종소분류명"].isin(["어린이집","학원-입시"])], 
                x="경도", y="위도", hue="상권업종소분류명")

<matplotlib.axes._subplots.AxesSubplot at 0x24d24fc4940>

png

folium 으로 지도에 자세히 표현하기

# 학원-입시에 대한 상호 데이터를 지도에 시각화
import folium

long = df_academy_selected["경도"].mean()
lat = df_academy_selected["위도"].mean()

df_m = df_academy_selected[
        df_academy_selected["상권업종소분류명"].isin(["어린이집", "학원-입시"])]
df_m = df_m.sample(1000) # 10000개중에 천개만 뽑기
df_m.shape

(1000, 16)

m = folium.Map(location=[lat, long], zoom_start=12)

folium.Marker([37.5545, 126.867], tooltip="해법수학").add_to(m)

m

m.save('index.html')

df_m.index

Int64Index([215750, 547772, 206446,   2764, 294827, 344741, 254574,  23980,
            492177, 542639,
            ...
             29611, 504010, 504878, 195984, 183872, 100263, 341046, 488051,
            343393, 340195],
           dtype='int64', length=1000)

for i in df_m.index[:10]:
    tooltip = df_m.loc[i, "상호명"] +"-"+ df_m.loc[i, "도로명주소"]
    lat = df_m.loc[i, "위도"]
    long = df_m.loc[i, "경도"]
    
    print(tooltip, lat, long)

이앤씨중국어학원-서울특별시 양천구 중앙로32길 61 37.52007048583621 126.860285482948
김동하국어논술-서울특별시 송파구 위례성대로20길 28 37.508990067945795 127.127085790274
트리니타스학원-서울특별시 강남구 삼성로 38 37.4886790644454 127.066824789888
분석수학-서울특별시 강서구 강서로 289 37.551594718354295 126.83596025326901
일공교육그룹-서울특별시 서초구 서초대로46길 19-18 37.49163218142171 127.011151105667
튼튼어린이집-서울특별시 은평구 갈현로31길 14-9 37.62056046519629 126.914530631335
해법영수학원-서울특별시 노원구 노원로28길 9 37.6530158859823 127.06845526207199
배화여자대학사직어린이집-서울특별시 종로구 필운대로1길 16-8 37.57810285378061 126.96868574886601
예랑어린이집-서울특별시 강동구 고덕로 210 37.553126080293204 127.14836913597601
개인과외-서울특별시 도봉구 해등로 113 37.6535161376325 127.039822243456

m = folium.Map(location=[lat, long], zoom_start=12, 
    tiles='Stamen Toner')
#Stamen Toner 스타일 바꿈

for i in df_m.index[:100]:
    tooltip = df_m.loc[i, "상호명"] +"-"+ df_m.loc[i, "도로명주소"]
    lat = df_m.loc[i, "위도"]
    long = df_m.loc[i, "경도"]
    
    folium.CircleMarker([lat, long], tooltip=tooltip, radius=3).add_to(m)
    #radius=3 마커크기 줄이기

m