
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt


#다운로드 받은 01. CCTV_in_Seoul.csv 파일을 읽으세요. encoding='utf-8' 로 읽으세요. 

CCTV_Seoul = pd.read_csv('../data/01. CCTV_in_Seoul.csv',  encoding='utf-8')
CCTV_Seoul.head()


# 컬럼 정보를 읽으세요. 

CCTV_Seoul.columns

Index(['기관명', '소계', '2013년도 이전', '2014년', '2015년', '2016년'], dtype='object')


CCTV_Seoul.columns[0]

'기관명'


#CCTV_Seoul.columns[0] 번째 정보를 '구별' 이라는 이름으로 바꾸세요. 

CCTV_Seoul.rename(columns={CCTV_Seoul.columns[0] : '구별'}, inplace=True)
CCTV_Seoul.head()


# 01. population_in_Seoul.xls 엑셀 파일을 읽으세요.

pop_Seoul = pd.read_excel('../data/01. population_in_Seoul.xls')
pop_Seoul.head()


# 01. population_in_Seoul.xls 서울의 인구수에 대한 파일을 읽으세요. 
# usecols = 'B, D, G, J, N' 옵션을 사용하여 해당 컬럼만 읽어 들이세요. 

pop_Seoul = pd.read_excel('../data/01. population_in_Seoul.xls', 
                          header = 2,
                          usecols = 'B, D, G, J, N')
pop_Seoul.head()


# 각컬럼명을 '구별' '인구수', '한국인', '외국인', '고령자' 로 바꾸세요. 

pop_Seoul.rename(columns={pop_Seoul.columns[0] : '구별', 
                          pop_Seoul.columns[1] : '인구수', 
                          pop_Seoul.columns[2] : '한국인', 
                          pop_Seoul.columns[3] : '외국인', 
                          pop_Seoul.columns[4] : '고령자'}, inplace=True)
pop_Seoul.head()


CCTV_Seoul.head()


#'소계'로 오름차순 정렬하여 앞에서부터 5개만 보여주세요. 

CCTV_Seoul.sort_values(by='소계', ascending=True).head(5)


#'소계'로 내림차순 정렬하여 앞에서부터 5개만 보여주세요. 

CCTV_Seoul.sort_values(by='소계', ascending=False).head(5)


# '최근증가율' 컬럼에  (2016년도컬럼 + 2015년도컬럼 + 2014년도컬럼 )/ 2013년도 이전  * 100 으로 계산하여 채우세요.

CCTV_Seoul['최근증가율'] = (CCTV_Seoul['2016년'] + CCTV_Seoul['2015년'] + \
                        CCTV_Seoul['2014년']) / CCTV_Seoul['2013년도 이전']  * 100

# 최근증가율 컬럼으로 내림차순 정렬하여 앞에서부터 5개만 보여주세요. 
CCTV_Seoul.sort_values(by='최근증가율', ascending=False).head(5)


pop_Seoul.head()


# 위의 데이터중 첫번째 행을 지우세요. 합계정보는 필요없습니다. 

pop_Seoul.drop([0],axis=0, inplace=True)
pop_Seoul.head()


# '구별' 정보에서 unique() 함수를 사용하여 유니크한 값만 뽑으세요. 

pop_Seoul['구별'].unique()

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


#pop_Seoul에 '구별' 정보가 null 인지 체크하세요. isnull() 함수 사용 

pop_Seoul[pop_Seoul['구별'].isnull()]


# 위에서 찾은 26번째 행을 지우세요. 

pop_Seoul.drop([26], inplace=True)
pop_Seoul.head()


# '고령자비율' 컬럼 = 고령자컬럼 / 인구수 컬럼 * 100 
# '외국인비율' 컬럼 = 외국인컬럼 / 인구수 컬럼 * 100

pop_Seoul['외국인비율'] = pop_Seoul['외국인'] / pop_Seoul['인구수'] * 100
pop_Seoul['고령자비율'] = pop_Seoul['고령자'] / pop_Seoul['인구수'] * 100
pop_Seoul.head()


# '인구수'로 내림차순 정렬하여 앞에서부터 5개만 보여주세요. 

pop_Seoul.sort_values(by='인구수', ascending=False).head(5)


# '외국인' 으로 내림차순 정렬하여 앞에서부터 5개만 보여주세요.

pop_Seoul.sort_values(by='외국인', ascending=False).head(5)


# '외국인비율' 로 내림차순 정렬하여 5개만 보여주세요. 

pop_Seoul.sort_values(by='외국인비율', ascending=False).head(5)


# '고령자' 로 내림차순 정렬하여 앞에서 부터 5개만 보여주세요. 

pop_Seoul.sort_values(by='고령자', ascending=False).head(5)


#고령자비율 컬럼으로 내림차순 정렬하여 5개만 보여주세요. 

pop_Seoul.sort_values(by='고령자비율', ascending=False).head(5)


CCTV_Seoul


pop_Seoul


# CCTV_Seoul 데이터프레임과 pop_Seoul 데이터 프레임을 '구별' 정보로 merge 하세요. 

data_result = pd.merge(CCTV_Seoul, pop_Seoul, on='구별')
data_result.head()


#불필요한 컬럼을 지우세요. '2013년도 이전', '2014년','2015년','2016년' 컬럼 
'''
del data_result['2013년도 이전']
del data_result['2014년']
del data_result['2015년']
del data_result['2016년']
'''
data_result.drop(['2013년도 이전', '2014년','2015년','2016년'], axis=1, inplace=True)
data_result.head()


# '구별' 정보를 index로 설정하세요.  set_index() 함수를 사용하여, inplace=true 옵션을 주세요. 

data_result.set_index('구별', inplace=True)
data_result.head(2)


#data_result 데이터의 '소계' 로 내림차순 정렬하여 앞에서부터 5개만 보여주세요. 

data_result.sort_values(by='소계', ascending=False).head(5)


#data_result 데이터의 '인구수'로 내림차순 정렬하여 앞에서부터 5개만 보여주세요. 
data_result.sort_values(by='인구수', ascending=False).head(5)


# 그래프를 출력할때 한글 깨짐을 방지하기위한 코드이다.
import platform

from matplotlib import font_manager, rc
plt.rcParams['axes.unicode_minus'] = False

if platform.system() == 'Darwin':
    rc('font', family='AppleGothic')
elif platform.system() == 'Windows':
    path = "c:/Windows/Fonts/malgun.ttf"
    font_name = font_manager.FontProperties(fname=path).get_name()
    rc('font', family=font_name)
else:
    print('Unknown system!!')


data_result.head()


# data_result의 '소계'를 plot하세요. figsize=(10,10), 색은 신경쓰지 말것

data_result['소계'].plot(figsize=(10,10))

<AxesSubplot:xlabel='구별'>


# data_result의 '소계' 정보를 이용하여 정렬한후 barh 를 이용한 그래프를 그리세요. 


data_result['소계'].sort_values().plot(kind='bar')
plt.show()


# data_result의 'CCTV비율' 컬럼 = 소계 컬럼 / 인구수 * 100 으로 연산 

data_result['CCTV비율']=data_result['소계']/(data_result['인구수']*100)
data_result


# 'CCTV비율' 로 정렬하여 barh 그래프를 그리세요. 

data_result['CCTV비율'].plot(kind = 'barh')
plt.show()


#  scatter 함수로 data_result의 '인구수'와 '소계' 로 ploting 하세요. 
# xlable : 인구수, ylabel CCTV, figsize=(6,6)


plt.figure(figsize=(6,6))
plt.scatter(data_result['인구수'],data_result['소계'])
plt.xlabel('인구수')
plt.ylabel('CCTV')
plt.show()

	기관명	소계	2013년도 이전	2014년	2015년	2016년
0	강남구	2780	1292	430	584	932
1	강동구	773	379	99	155	377
2	강북구	748	369	120	138	204
3	강서구	884	388	258	184	81
4	관악구	1496	846	260	390	613

	구별	소계	2013년도 이전	2014년	2015년	2016년
0	강남구	2780	1292	430	584	932
1	강동구	773	379	99	155	377
2	강북구	748	369	120	138	204
3	강서구	884	388	258	184	81
4	관악구	1496	846	260	390	613

	기간	자치구	세대	인구	인구.1	인구.2	인구.3	인구.4	인구.5	인구.6	인구.7	인구.8	세대당인구	65세이상고령자
0	기간	자치구	세대	합계	합계	합계	한국인	한국인	한국인	등록외국인	등록외국인	등록외국인	세대당인구	65세이상고령자
1	기간	자치구	세대	계	남자	여자	계	남자	여자	계	남자	여자	세대당인구	65세이상고령자
2	2017.1/4	합계	4202888	10197604	5000005	5197599	9926968	4871560	5055408	270636	128445	142191	2.36	1321458
3	2017.1/4	종로구	72654	162820	79675	83145	153589	75611	77978	9231	4064	5167	2.11	25425
4	2017.1/4	중구	59481	133240	65790	67450	124312	61656	62656	8928	4134	4794	2.09	20764

	자치구	계	계.1	계.2	65세이상고령자
0	합계	10197604.0	9926968.0	270636.0	1321458.0
1	종로구	162820.0	153589.0	9231.0	25425.0
2	중구	133240.0	124312.0	8928.0	20764.0
3	용산구	244203.0	229456.0	14747.0	36231.0
4	성동구	311244.0	303380.0	7864.0	39997.0

	구별	인구수	한국인	외국인	고령자
0	합계	10197604.0	9926968.0	270636.0	1321458.0
1	종로구	162820.0	153589.0	9231.0	25425.0
2	중구	133240.0	124312.0	8928.0	20764.0
3	용산구	244203.0	229456.0	14747.0	36231.0
4	성동구	311244.0	303380.0	7864.0	39997.0

[Pandas] 판다스 기초 상식 정리 및 함수 응용 2 - 서울시 구별 CCTV 현황 분석하기

서울시 구별 CCTV 현황 분석하기¶

2-2. 엑셀파일 읽기 - 서울시 인구현황¶

3. CCTV 데이터 파악하기¶

5. 서울시 인구 데이터 파악하기¶

6. CCTV 데이터와 인구 데이터 합치고 분석하기¶

7. CCTV와 인구현황 그래프로 분석하기¶

'workSpace > PYTHON' 카테고리의 다른 글

티스토리툴바

	구별	소계	2013년도 이전	2014년	2015년	2016년
9	도봉구	485	238	159	42	386
12	마포구	574	314	118	169	379
17	송파구	618	529	21	68	463
24	중랑구	660	509	121	177	109
23	중구	671	413	190	72	348

	구별	소계	2013년도 이전	2014년	2015년	2016년	최근증가율
22	종로구	1002	464	314	211	630	248.922414
9	도봉구	485	238	159	42	386	246.638655
12	마포구	574	314	118	169	379	212.101911
8	노원구	1265	542	57	451	516	188.929889
1	강동구	773	379	99	155	377	166.490765

	구별	인구수	한국인	외국인	고령자	외국인비율	고령자비율
24	송파구	667483.0	660584.0	6899.0	72506.0	1.033584	10.862599
16	강서구	603772.0	597248.0	6524.0	72548.0	1.080540	12.015794
23	강남구	570500.0	565550.0	4950.0	63167.0	0.867660	11.072217
11	노원구	569384.0	565565.0	3819.0	71941.0	0.670725	12.634883
21	관악구	525515.0	507203.0	18312.0	68082.0	3.484582	12.955291

	구별	인구수	한국인	외국인	고령자	외국인비율	고령자비율
19	영등포구	402985.0	368072.0	34913.0	52413.0	8.663598	13.006191
17	구로구	447874.0	416487.0	31387.0	56833.0	7.007998	12.689506
18	금천구	255082.0	236353.0	18729.0	32970.0	7.342345	12.925255
21	관악구	525515.0	507203.0	18312.0	68082.0	3.484582	12.955291
6	동대문구	369496.0	354079.0	15417.0	54173.0	4.172440	14.661322

	구별	인구수	한국인	외국인	고령자	외국인비율	고령자비율
9	강북구	330192.0	326686.0	3506.0	54813.0	1.061806	16.600342
1	종로구	162820.0	153589.0	9231.0	25425.0	5.669451	15.615404
2	중구	133240.0	124312.0	8928.0	20764.0	6.700690	15.583909
3	용산구	244203.0	229456.0	14747.0	36231.0	6.038828	14.836427
13	서대문구	327163.0	314982.0	12181.0	48161.0	3.723221	14.720797

	구별	소계	최근증가율	인구수	한국인	외국인	고령자	외국인비율	고령자비율
0	강남구	2780	150.619195	570500.0	565550.0	4950.0	63167.0	0.867660	11.072217
1	강동구	773	166.490765	453233.0	449019.0	4214.0	54622.0	0.929765	12.051638
2	강북구	748	125.203252	330192.0	326686.0	3506.0	54813.0	1.061806	16.600342
3	강서구	884	134.793814	603772.0	597248.0	6524.0	72548.0	1.080540	12.015794
4	관악구	1496	149.290780	525515.0	507203.0	18312.0	68082.0	3.484582	12.955291

	소계	최근증가율	인구수	한국인	외국인	고령자	외국인비율	고령자비율
구별
송파구	618	104.347826	667483.0	660584.0	6899.0	72506.0	1.033584	10.862599
강서구	884	134.793814	603772.0	597248.0	6524.0	72548.0	1.080540	12.015794
강남구	2780	150.619195	570500.0	565550.0	4950.0	63167.0	0.867660	11.072217
노원구	1265	188.929889	569384.0	565565.0	3819.0	71941.0	0.670725	12.634883
관악구	1496	149.290780	525515.0	507203.0	18312.0	68082.0	3.484582	12.955291

[Pandas] 판다스 기초 상식 및 함수 정리 4 - pivot_table (0)	2021.01.14
[Pandas] 판다스 기초 상식 및 함수 정리 3 - groupby (0)	2021.01.14
[Pandas] 판다스 기초 상식 정리 및 함수 응용 1 - 서울시 기간별 시간평균 대기환경 정보 데이터 분석 (0)	2021.01.13
[Pandas] 판다스 기초 상식 및 함수 정리 2 - concat, merge (0)	2021.01.13
[Pandas] 판다스 기초 상식 및 함수 정리 1 - Series, DF 기본함수 (2)	2021.01.12

	구별	소계	2013년도 이전	2014년	2015년	2016년
0	강남구	2780	1292	430	584	932
18	양천구	2034	1843	142	30	467
14	서초구	1930	1406	157	336	398
21	은평구	1873	1138	224	278	468
20	용산구	1624	1368	218	112	398

	소계	최근증가율	인구수	한국인	외국인	고령자	외국인비율	고령자비율
구별
강남구	2780	150.619195	570500.0	565550.0	4950.0	63167.0	0.867660	11.072217
양천구	2034	34.671731	479978.0	475949.0	4029.0	52975.0	0.839413	11.036964
서초구	1930	63.371266	450310.0	445994.0	4316.0	51733.0	0.958451	11.488308
은평구	1873	85.237258	494388.0	489943.0	4445.0	72334.0	0.899091	14.631019
용산구	1624	53.216374	244203.0	229456.0	14747.0	36231.0	6.038828	14.836427