데이터 분석

[ML] LGBM 2023.03.25
[ML] XGBoost 2023.03.25
[EDA] 부산시 시간대별 방문자수 전처리 작업 2023.02.28
[EDA] 경기도 지역화폐 이용 현황 2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 2023.01.31
[EDA] SuperStore EDA 2023.01.19

[ML] LGBM

2023. 3. 25. 16:42

https://colab.research.google.com/drive/1rGLfghbMHkAXZPFOxRmc2IFBjMcGposi?usp=sharing

'데이터 분석 > Machine Learning & Deep Learning' 카테고리의 다른 글

[ML] XGBoost (0)	2023.03.25

[ML] XGBoost

2023. 3. 25. 16:41

https://colab.research.google.com/drive/1vN-z1jP2dNsvPvnjAH0uiaUTJmRS-aGz?usp=sharing

저작자표시

'데이터 분석 > Machine Learning & Deep Learning' 카테고리의 다른 글

[ML] LGBM (0)	2023.03.25

[EDA] 부산시 시간대별 방문자수 전처리 작업

2023. 2. 28. 19:52

[부산공모전] 부산시 시간대별 방문자수 전처리 작업.html

1.82MB

[부산공모전] 부산시 시간대별 방문자수 전처리 작업.ipynb

1.28MB

부산시_시간대별_방문자수_csv모음.zip

0.02MB

1 환경설정¶

In [1]:

from IPython.core.display import display, HTML
display(HTML("<style>.container {width:80% !important;}</style>"))
%matplotlib inline

import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from scipy import stats
import warnings
import folium
import folium.plugins
import requests
import json
import folium.plugins
from IPython.display import Image
warnings.filterwarnings('ignore')

mpl.rcParams['figure.figsize'] = (12,8)  #시각화 figure default 설정
mpl.rcParams['font.family'] = 'NanumGothic' #폰트 디폴트 설정
mpl.rcParams['font.size'] = 10    #폰트 사이즈 디폴트 설정
plt.rcParams['axes.unicode_minus'] = False
%config InlineBackend.figure_format='retina' # 그래프 글씨 뚜렷
pd.options.display.float_format = '{:.3f}'.format # 넘파이 과학적 표기 제거

In [2]:

# 부산 행정구역 json raw파일(githubcontent)
r = requests.get('https://raw.githubusercontent.com/raqoon886/Local_HangJeongDong/master/hangjeongdong_%EB%B6%80%EC%82%B0%EA%B4%91%EC%97%AD%EC%8B%9C.geojson')
c = r.content
busan_geo = json.loads(c)

2 전처리 작업¶

2.1 데이터 전처리 후 결합¶

(지역구)_요일_시간대별 방문자 집중율 * (지역구)_방문자 수
각 지역구별 시간대별 방문자 수 추산하여 하나의 데이터프레임으로 결합

In [3]:

import os

path = "./"
file_list = os.listdir(path)
csv_list = [file for file in file_list if file.endswith(".csv")]
csv_list

Out[3]:

['강서구_방문자 수.csv',
 '강서구_요일_시간대 별 방문자 집중율.csv',
 '금정구_방문자 수.csv',
 '금정구_요일_시간대 별 방문자 집중율.csv',
 '기장군_방문자 수.csv',
 '기장군_요일_시간대 별 방문자 집중율.csv',
 '남구_방문자 수.csv',
 '남구_요일_시간대 별 방문자 집중율.csv',
 '동구_방문자 수.csv',
 '동구_시간대 별 방문자 집중율.csv',
 '동래구_방문자 수.csv',
 '동래구_요일_시간대 별 방문자 집중율.csv',
 '부산진구_방문자 수.csv',
 '부산진구_요일_시간대 별 방문자 집중율.csv',
 '북구_방문자 수.csv',
 '북구_요일_시간대 별 방문자 집중율.csv',
 '사상구_방문자 수.csv',
 '사상구_요일_시간대 별 방문자 집중율.csv',
 '사하구_방문자 수.csv',
 '사하구_요일_시간대 별 방문자 집중율.csv',
 '서구_방문자 수.csv',
 '서구_요일_시간대 별 방문자 집중율.csv',
 '수영구_방문자 수.csv',
 '수영구_요일_시간대 별 방문자 집중율.csv',
 '연제구_방문자 수.csv',
 '연제구_요일_시간대 별 방문자 집중율.csv',
 '영도구_방문자 수.csv',
 '영도구_요일_시간대 별 방문자 집중율.csv',
 '중구_방문자 수.csv',
 '중구_요일_시간대 별 방문자 집중율.csv',
 '해운대구_방문자 수.csv',
 '해운대구_요일_시간대 별 방문자 집중율.csv']

In [30]:

visitor_csv = [csv for csv in csv_list if csv.split(".")[0].endswith("수")]
time_csv = [csv for csv in csv_list if csv not in visitor_csv]
gu_list = [csv.split("_")[0] for csv in time_csv]

In [31]:

print(len(visitor_csv), len(time_csv))
print(gu_list)

16 16
['강서구', '금정구', '기장군', '남구', '동구', '동래구', '부산진구', '북구', '사상구', '사하구', '서구', '수영구', '연제구', '영도구', '중구', '해운대구']

In [32]:

pd.read_csv("연제구_요일_시간대 별 방문자 집중율.csv", encoding = "cp949")

Out[32]:

	요일	방문 시간대	방문자 집중률
0	일요일	00~06시	2.400
1	일요일	06~11시	2.600
2	일요일	11~14시	2.600
3	일요일	14~18시	3.300
4	일요일	18~21시	1.900
5	일요일	21~24시	1.200
6	월요일	00~06시	1.700
7	월요일	06~11시	2.700
8	월요일	11~14시	2.300
9	월요일	14~18시	3.100
10	월요일	18~21시	1.900
11	월요일	21~24시	1.200
12	화요일	00~06시	1.600
13	화요일	06~11시	2.700
14	화요일	11~14시	2.400
15	화요일	14~18시	3.200
16	화요일	18~21시	2.000
17	화요일	21~24시	1.300
18	수요일	00~06시	1.600
19	수요일	06~11시	2.700
20	수요일	11~14시	2.400
21	수요일	14~18시	3.200
22	수요일	18~21시	2.100
23	수요일	21~24시	1.400
24	목요일	00~06시	1.600
25	목요일	06~11시	2.700
26	목요일	11~14시	2.300
27	목요일	14~18시	3.100
28	목요일	18~21시	2.100
29	목요일	21~24시	1.400
30	금요일	00~06시	1.700
31	금요일	06~11시	2.900
32	금요일	11~14시	2.500
33	금요일	14~18시	3.400
34	금요일	18~21시	2.400
35	금요일	21~24시	1.800
36	토요일	00~06시	2.400
37	토요일	06~11시	3.100
38	토요일	11~14시	3.300
39	토요일	14~18시	4.500
40	토요일	18~21시	3.200
41	토요일	21~24시	2.200

In [25]:

df_visitor = pd.DataFrame()

for gu, csv in zip(gu_list, visitor_csv):
    df = pd.read_csv(csv, encoding = "cp949")
    df["지역구"] = gu
    df_visitor = df_visitor.append(df)

df_visitor

Out[25]:

	기준연월	방문자수	지역구
0	202201	2836937.000	강서구
1	202202	2498954.000	강서구
2	202203	2863433.000	강서구
3	202204	3318821.000	강서구
4	202205	3277041.000	강서구
...	...	...	...
7	202208	6428823.000	해운대구
8	202209	5351563.000	해운대구
9	202210	5799430.000	해운대구
10	202211	5255393.000	해운대구
11	202212	5797922.000	해운대구

192 rows × 3 columns

In [33]:

df_time = pd.DataFrame()

for gu, csv in zip(gu_list, time_csv):
    df = pd.read_csv(csv, encoding = "cp949")
    df["지역구"] = gu
    df_time = df_time.append(df)

df_time       

Out[33]:

	요일	방문 시간대	방문자 집중률	지역구
0	일요일	00~06시	1.300	강서구
1	일요일	06~11시	3.100	강서구
2	일요일	11~14시	3.400	강서구
3	일요일	14~18시	4.600	강서구
4	일요일	18~21시	2.200	강서구
...	...	...	...	...
37	토요일	06~11시	3.200	해운대구
38	토요일	11~14시	3.400	해운대구
39	토요일	14~18시	5.200	해운대구
40	토요일	18~21시	3.200	해운대구
41	토요일	21~24시	2.200	해운대구

672 rows × 4 columns

In [48]:

df_202212 = df_visitor.loc[df_visitor["기준연월"] == 202212, ["지역구", "방문자수"]].reset_index(drop = True)

In [65]:

df_time["방문자 집중률"] = df_time["방문자 집중률"] / 100

In [66]:

df_visitor_time = df_time.join(df_202212.set_index("지역구"), on = "지역구")

In [67]:

df_visitor_time["시간별방문자수"] = df_visitor_time["방문자 집중률"] * df_visitor_time["방문자수"]

In [98]:

df_visitor_time.to_csv("부산시_지역별_시간대별_방문자수.csv")

In [100]:

df_visitor_time

Out[100]:

	요일	방문 시간대	방문자 집중률	지역구	방문자수	시간별방문자수
0	일요일	00~06시	0.013	강서구	3079993.000	40039.909
1	일요일	06~11시	0.031	강서구	3079993.000	95479.783
2	일요일	11~14시	0.034	강서구	3079993.000	104719.762
3	일요일	14~18시	0.046	강서구	3079993.000	141679.678
4	일요일	18~21시	0.022	강서구	3079993.000	67759.846
...	...	...	...	...	...	...
37	토요일	06~11시	0.032	해운대구	5797922.000	185533.504
38	토요일	11~14시	0.034	해운대구	5797922.000	197129.348
39	토요일	14~18시	0.052	해운대구	5797922.000	301491.944
40	토요일	18~21시	0.032	해운대구	5797922.000	185533.504
41	토요일	21~24시	0.022	해운대구	5797922.000	127554.284

672 rows × 6 columns

In [88]:

df_example = df_visitor_time.groupby("지역구").mean().reset_index()

In [99]:

# busan_geo

In [96]:

m = folium.Map(
    location=[35.137922, 129.055628],
    zoom_start=11, 
    tiles='OpenStreetMap',
    zoom_control = True
)

folium.GeoJson(
    busan_geo,
    name='지역명',
).add_to(m)

folium.Choropleth(
            geo_data= busan_geo,
            data=df_example,
            columns = ["지역구", "시간별방문자수"],
            fill_color='RdBu_r',
            line_color="Black", 
            fill_opacity=0.8,
            line_opacity=1.0,
            bins = 10,        
            key_on='properties.sggnm',
            legend_name='지역별 방문자수').add_to(m) 

m

Out[96]:

Make this Notebook Trusted to load map: File -> Trust Notebook

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 경기도 지역화폐 이용 현황 (0)	2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 (0)	2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 (0)	2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 (0)	2023.01.31
[EDA] SuperStore EDA (0)	2023.01.19

[EDA] 경기도 지역화폐 이용 현황

2023. 2. 28. 19:37

[부산공모전]경기도_지역화폐_이용현황.html

1.55MB

[부산공모전]경기도_지역화폐_이용현황.ipynb

1.00MB

In [1]:

from IPython.core.display import display, HTML
display(HTML("<style>.container {width:80% !important;}</style>"))
%matplotlib inline

import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from scipy import stats
import warnings
warnings.filterwarnings('ignore')

mpl.rcParams['figure.figsize'] = (12,8)  #시각화 figure default 설정
mpl.rcParams['font.family'] = 'NanumGothic' #폰트 디폴트 설정
mpl.rcParams['font.size'] = 10    #폰트 사이즈 디폴트 설정
plt.rcParams['axes.unicode_minus'] = False
%config InlineBackend.figure_format='retina' # 그래프 글씨 뚜렷

경기도 지역화폐 발행 및 이용 현황¶

In [2]:

#라이브러리 import
import requests
import json
import pandas as pd
import numpy as np

url = 'https://openapi.gg.go.kr/RegionMnyPublctUse'
params ={'KEY' : '72e1082c14714edcb1faedaa88acff59', 
         'Type' : 'json', 
         'plndex' : '1',
         'pSize' : '1000' }

response = requests.get(url, params=params)
contents = response.content

In [3]:

json_localmoney = json.loads(contents)
body = json_localmoney['RegionMnyPublctUse'][1]['row']
df_localmoney = pd.json_normalize(body)
df_localmoney

Out[3]:

	SIGUN_CD	SIGUN_NM	STD_YM	CARD_PUBLCT_CNT	CARD_CHRGNG_AMT	CARD_USE_AMT	MOBILE_GIFTCERTF_USER_CNT	MOBILE_CHRGNG_AMT	MOBILE_USE_AMT	BRNHSTRM_GIFTCERTF_SALE_AMT	BRNHSTRM_GIFTCERTF_RETRVL_AMT
0	41480	파주시	2021-05	10829.0	9704216.0	9123830.0	NaN	NaN	NaN	NaN	NaN
1	41220	평택시	2021-05	6686.0	13681523.0	12335711.0	NaN	NaN	NaN	1703245.0	2458660.0
2	41650	포천시	2021-05	1559.0	2701165.0	2523209.0	NaN	NaN	NaN	319205.0	270563.0
3	41450	하남시	2021-05	4153.0	11646402.0	13880948.0	NaN	NaN	NaN	NaN	NaN
4	41590	화성시	2021-05	7615.0	26955815.0	27578227.0	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...
995	41610	광주시	2022-05	2504.0	23641363.0	23687402.0	NaN	NaN	NaN	NaN	NaN
996	41310	구리시	2022-05	18969.0	11306436.0	13181766.0	NaN	NaN	NaN	NaN	NaN
997	41410	군포시	2022-05	2297.0	15994841.0	16802768.0	NaN	NaN	NaN	NaN	NaN
998	41570	김포시	2022-05	NaN	NaN	NaN	4487.0	31684958.0	33034471.0	NaN	NaN
999	41360	남양주시	2022-05	3913.0	23608793.0	24752046.0	NaN	NaN	NaN	NaN	NaN

1000 rows × 11 columns

In [4]:

df_localmoney['SIGUN_NM'].value_counts()

Out[4]:

연천군     33
안양시     33
용인시     33
군포시     33
안산시     33
김포시     33
남양주시    33
양평군     33
양주시     33
오산시     33
여주시     33
안성시     33
구리시     32
평택시     32
성남시     32
광주시     32
파주시     32
광명시     32
의정부시    32
고양시     32
시흥시     32
동두천시    32
부천시     32
과천시     32
이천시     32
수원시     32
의왕시     32
가평군     31
화성시     31
하남시     31
포천시     31
Name: SIGUN_NM, dtype: int64

In [5]:

time_list = df_localmoney['STD_YM'].unique()
time_list.sort()
time_list

Out[5]:

array(['2019-01', '2019-02', '2019-03', '2019-04', '2019-08', '2019-09',
       '2019-10', '2019-11', '2019-12', '2020-01', '2020-02', '2020-03',
       '2020-04', '2020-05', '2020-12', '2021-01', '2021-02', '2021-03',
       '2021-04', '2021-05', '2021-06', '2021-07', '2021-08', '2021-09',
       '2021-10', '2021-11', '2021-12', '2022-01', '2022-02', '2022-03',
       '2022-04', '2022-05', '2022-10', '2022-11', '2022-12'],
      dtype=object)

수원시 지역화폐 데이터 분석¶

In [6]:

df_suwon = df_localmoney[df_localmoney['SIGUN_NM'] == "수원시"].reset_index()

In [7]:

df_suwon.drop([16,17,18], inplace = True)

In [8]:

df_suwon.sort_values(by = "STD_YM", inplace = True)

In [9]:

df_suwon

Out[9]:

	index	SIGUN_CD	SIGUN_NM	STD_YM	CARD_PUBLCT_CNT	CARD_CHRGNG_AMT	CARD_USE_AMT	MOBILE_GIFTCERTF_USER_CNT	MOBILE_CHRGNG_AMT	MOBILE_USE_AMT	BRNHSTRM_GIFTCERTF_SALE_AMT	BRNHSTRM_GIFTCERTF_RETRVL_AMT
19	606	41110	수원시	2019-04	4505.0	924101.0	151025.0	NaN	NaN	NaN	NaN	NaN
20	628	41110	수원시	2019-08	6271.0	3339872.0	3305846.0	NaN	NaN	NaN	NaN	NaN
21	659	41110	수원시	2019-09	4209.0	1372844.0	2397516.0	NaN	NaN	NaN	NaN	NaN
22	690	41110	수원시	2019-10	7390.0	5550020.0	3240156.0	NaN	NaN	NaN	NaN	NaN
23	721	41110	수원시	2019-11	3098.0	1706971.0	3309251.0	NaN	NaN	NaN	NaN	NaN
24	752	41110	수원시	2019-12	5879.0	5005054.0	3508175.0	NaN	NaN	NaN	NaN	NaN
25	783	41110	수원시	2020-01	5948.0	4803386.0	3644121.0	NaN	NaN	NaN	NaN	NaN
26	814	41110	수원시	2020-02	9069.0	2178828.0	3042140.0	NaN	NaN	NaN	NaN	NaN
27	845	41110	수원시	2020-03	13576.0	7967046.0	4265271.0	NaN	NaN	NaN	NaN	NaN
28	876	41110	수원시	2020-04	203175.0	15060595.0	8229987.0	NaN	NaN	NaN	NaN	NaN
29	907	41110	수원시	2020-05	74407.0	17845709.0	15787540.0	NaN	NaN	NaN	NaN	NaN
9	281	41110	수원시	2020-12	11906.0	23074013.0	20287869.0	NaN	NaN	NaN	NaN	NaN
10	312	41110	수원시	2021-01	19139.0	20073612.0	18991978.0	NaN	NaN	NaN	NaN	NaN
11	343	41110	수원시	2021-02	32993.0	22486684.0	16312959.0	NaN	NaN	NaN	NaN	NaN
12	374	41110	수원시	2021-03	17865.0	22486684.0	16312959.0	NaN	NaN	NaN	NaN	NaN
13	405	41110	수원시	2021-04	25109.0	27421284.0	24984584.0	NaN	NaN	NaN	NaN	NaN
14	436	41110	수원시	2021-05	12167.0	26431115.0	26700384.0	NaN	NaN	NaN	NaN	NaN
0	17	41110	수원시	2021-06	34891.0	39592231.0	35850859.0	NaN	NaN	NaN	NaN	NaN
1	48	41110	수원시	2021-07	9097.0	25919121.0	30400028.0	NaN	NaN	NaN	NaN	NaN
2	79	41110	수원시	2021-08	11777.0	25919121.0	30400028.0	NaN	NaN	NaN	NaN	NaN
6	200	41110	수원시	2021-09	20812.0	25919121.0	30400028.0	NaN	NaN	NaN	NaN	NaN
7	231	41110	수원시	2021-10	18658.0	20422726.0	23899626.0	NaN	NaN	NaN	NaN	NaN
8	262	41110	수원시	2021-11	24357.0	37254826.0	31175985.0	NaN	NaN	NaN	NaN	NaN
3	113	41110	수원시	2021-12	11793.0	38589931.0	35437544.0	NaN	NaN	NaN	NaN	NaN
4	144	41110	수원시	2022-01	10244.0	35517134.0	37412949.0	NaN	NaN	NaN	NaN	NaN
5	175	41110	수원시	2022-02	10004.0	26493652.0	30490745.0	NaN	NaN	NaN	NaN	NaN
30	941	41110	수원시	2022-03	10678.0	32314288.0	33872904.0	NaN	NaN	NaN	NaN	NaN
31	972	41110	수원시	2022-04	8983.0	34439482.0	34409863.0	NaN	NaN	NaN	NaN	NaN
15	479	41110	수원시	2022-12	6991.0	33114060.0	30915410.0	NaN	NaN	NaN	NaN	NaN

In [10]:

plt.figure(figsize = (20, 8))

time = df_suwon['STD_YM'].unique()
time.sort()

ax1 = sns.barplot(x = "STD_YM", y = "CARD_PUBLCT_CNT", data = df_suwon, label = "월별카드발행수량(천원)", color = "#560bad", alpha = 0.5)
ax1.set_xlabel("날짜", fontsize = 15, fontweight = "medium")
ax1.set_ylabel("카드 발행 수량", fontsize = 15, fontweight = "medium")
ax1.set_xticklabels(labels = time, fontsize = 15, fontweight = "medium", rotation = 30)

ax2 = ax1.twinx()
ax2 = sns.lineplot(x = "STD_YM", y = "CARD_CHRGNG_AMT", data = df_suwon, label = "월별카드충전액(천원)", color = "#f4a261", linewidth = 5)
ax2 = sns.lineplot(x = "STD_YM", y = "CARD_USE_AMT", data = df_suwon, label = "월별카드사용액(천원)", color = "#2a9d8f", linewidth = 5)
ax2.set_ylabel("금액(천원)", fontsize = 17, fontweight = "medium")

ax1.set_title("<수원시 지역화폐 이용현황>", fontsize = 25, fontweight = "semibold")

plt.legend(fontsize = 20, loc = "upper left")
plt.tight_layout()
plt.show()

경기도 지역화폐 이용현황¶

In [11]:

df_gyeonggi = df_localmoney.groupby("STD_YM").mean().reset_index()
df_gyeonggi.columns

Out[11]:

Index(['STD_YM', 'CARD_PUBLCT_CNT', 'CARD_CHRGNG_AMT', 'CARD_USE_AMT',
       'MOBILE_GIFTCERTF_USER_CNT', 'MOBILE_CHRGNG_AMT', 'MOBILE_USE_AMT',
       'BRNHSTRM_GIFTCERTF_SALE_AMT', 'BRNHSTRM_GIFTCERTF_RETRVL_AMT'],
      dtype='object')

In [12]:

df_gg_card = df_gyeonggi[['STD_YM', 'CARD_PUBLCT_CNT', 'CARD_CHRGNG_AMT', 'CARD_USE_AMT']]
df_gg_mobile = df_gyeonggi[['STD_YM', 'MOBILE_GIFTCERTF_USER_CNT', 'MOBILE_CHRGNG_AMT', 'MOBILE_USE_AMT']]
df_gg_giftcertif = df_gyeonggi[['STD_YM', 'BRNHSTRM_GIFTCERTF_SALE_AMT', 'BRNHSTRM_GIFTCERTF_RETRVL_AMT']]

카드형 지역화폐 이용현황¶

In [19]:

plt.figure(figsize = (20, 8))

time = df_gg_card['STD_YM'].unique()
time.sort()

ax1 = sns.barplot(x = "STD_YM", y = "CARD_PUBLCT_CNT", data = df_gg_card, label = "월별카드발행수량(천원)", color = "#560bad", alpha = 0.5)
ax1.set_xlabel("날짜", fontsize = 15, fontweight = "medium")
ax1.set_ylabel("카드 발행 수량", fontsize = 15, fontweight = "medium")
ax1.set_xticklabels(labels = time, fontsize = 15, fontweight = "medium", rotation = 30)
ax1.legend(fontsize = 20, loc = (0.01, 0.9))

ax2 = ax1.twinx()
ax2 = sns.lineplot(x = "STD_YM", y = "CARD_CHRGNG_AMT", data = df_gg_card, label = "월별카드충전액(천원)", color = "#f4a261", linewidth = 5)
ax2 = sns.lineplot(x = "STD_YM", y = "CARD_USE_AMT", data = df_gg_card, label = "월별카드사용액(천원)", color = "#2a9d8f", linewidth = 5)
ax2.set_ylabel("금액(천원)", fontsize = 17, fontweight = "medium")

ax1.set_title("<경기도 카드형 지역화폐 이용현황>", fontsize = 25, fontweight = "semibold")

plt.legend(fontsize = 20, loc = (0.01, 0.75))
plt.tight_layout()
plt.savefig("경기도 카드형 지역화폐 이용현황.png")
plt.show()

모바일형 지역화폐 이용현황¶

In [14]:

df_gg_mobile.drop([32,33], inplace = True)

In [15]:

df_gg_mobile

Out[15]:

	STD_YM	MOBILE_GIFTCERTF_USER_CNT	MOBILE_CHRGNG_AMT	MOBILE_USE_AMT
0	2019-01	813.000000	NaN	NaN
1	2019-02	6526.000000	3.705250e+05	5.893950e+04
2	2019-03	2796.333333	7.882200e+05	2.623787e+05
3	2019-04	4500.333333	3.384317e+05	3.588367e+05
4	2019-08	3983.333333	1.830311e+06	2.188063e+06
5	2019-09	5423.000000	3.800558e+06	2.598947e+06
6	2019-10	3847.333333	3.092179e+06	3.180244e+06
7	2019-11	3349.000000	2.527478e+06	2.858398e+06
8	2019-12	3981.000000	4.005129e+06	3.332524e+06
9	2020-01	5109.000000	6.340931e+06	4.071635e+06
10	2020-02	3991.000000	5.431040e+06	4.399053e+06
11	2020-03	24655.333333	6.788728e+06	5.195703e+06
12	2020-04	26312.666667	8.137525e+06	6.853801e+06
13	2020-05	10883.000000	9.218127e+06	7.739201e+06
14	2020-12	6846.333333	1.026509e+07	1.227914e+07
15	2021-01	11946.000000	2.188773e+07	1.765134e+07
16	2021-02	11350.666667	2.054240e+07	1.752217e+07
17	2021-03	9132.666667	2.146350e+07	2.119547e+07
18	2021-04	9458.333333	2.323718e+07	2.320000e+07
19	2021-05	8653.333333	2.434344e+07	2.340232e+07
20	2021-06	30379.666667	3.058925e+07	3.088359e+07
21	2021-07	9979.000000	2.320158e+07	2.499876e+07
22	2021-08	9619.666667	2.091933e+07	2.187118e+07
23	2021-09	8166.666667	1.478043e+07	1.548799e+07
24	2021-10	12623.000000	2.302622e+07	1.642057e+07
25	2021-11	11132.000000	3.128526e+07	2.476039e+07
26	2021-12	4717.333333	2.075663e+07	2.450455e+07
27	2022-01	9063.333333	3.397933e+07	2.896521e+07
28	2022-02	6581.666667	2.470746e+07	2.551880e+07
29	2022-03	7713.000000	2.837354e+07	2.899830e+07
30	2022-04	7018.000000	2.927896e+07	3.030195e+07
31	2022-05	4487.000000	3.168496e+07	3.303447e+07
34	2022-12	3585.333333	2.856279e+07	2.367726e+07

In [20]:

plt.figure(figsize = (20, 8))

time = df_gg_mobile['STD_YM'].unique()
time.sort()

ax1 = sns.barplot(x = "STD_YM", y = "MOBILE_GIFTCERTF_USER_CNT", data = df_gg_mobile, label = "월별모바일상품권이용등록자수(명)", color = "#560bad", alpha = 0.5)
ax1.set_xlabel("날짜", fontsize = 15, fontweight = "medium")
ax1.set_ylabel("이용등록자수(명)", fontsize = 15, fontweight = "medium")
ax1.set_xticklabels(labels = time, fontsize = 15, fontweight = "medium", rotation = 30)
ax1.legend(fontsize = 20, loc = (0.01, 0.9))

ax2 = ax1.twinx()
ax2 = sns.lineplot(x = "STD_YM", y = "MOBILE_CHRGNG_AMT", data = df_gg_mobile, label = "월별모바일충전액(천원)", color = "#f4a261", linewidth = 5)
ax2 = sns.lineplot(x = "STD_YM", y = "MOBILE_USE_AMT", data = df_gg_mobile, label = "월별모바일사용액(천원)", color = "#2a9d8f", linewidth = 5)
ax2.set_ylabel("금액(천원)", fontsize = 17, fontweight = "medium")

ax1.set_title("<경기도 모바일상품권형 지역화폐 이용현황>", fontsize = 25, fontweight = "semibold")

plt.legend(fontsize = 20, loc = (0.01, 0.75))
plt.tight_layout()
plt.savefig("경기도 모바일상품권형 지역화폐 이용현황.png")
plt.show()

지류상품권형 지역화폐 이용현황¶

In [17]:

df_gg_giftcertif.drop(32, inplace=True)

In [21]:

plt.figure(figsize = (20, 8))

time = df_gg_giftcertif['STD_YM'].unique()
time.sort()

# ax1 = sns.barplot(x = "STD_YM", y = "MOBILE_GIFTCERTF_USER_CNT", data = df_gg_giftcertif, label = "월별카드발행수량(천원)", color = "#560bad", alpha = 0.5)
# ax1.set_xlabel("날짜", fontsize = 15, fontweight = "medium")
# ax1.set_ylabel("이용등록자수", fontsize = 15, fontweight = "medium")
# ax1.set_xticklabels(labels = time, fontsize = 15, fontweight = "medium", rotation = 30)

# ax2 = ax1.twinx()
ax2 = sns.barplot(x = "STD_YM", y = "BRNHSTRM_GIFTCERTF_SALE_AMT", data = df_gg_giftcertif, label = "월별지류상품권판매액(천원)", color = "#f4a261", linewidth = 5)
ax2 = sns.lineplot(x = "STD_YM", y = "BRNHSTRM_GIFTCERTF_RETRVL_AMT", data = df_gg_giftcertif, label = "월별지류상품권회수액(천원)", color = "#2a9d8f", linewidth = 5)
ax2.set_ylabel("금액(천원)", fontsize = 17, fontweight = "medium")
ax2.set_xlabel("날짜", fontsize = 15, fontweight = "medium")
ax2.set_xticklabels(labels = time, fontsize = 15, fontweight = "medium", rotation = 30)
ax2.set_title("<경기도 지류상품권형 지역화폐 이용현황>", fontsize = 25, fontweight = "semibold")

plt.legend(fontsize = 20, loc = "upper left")
plt.tight_layout()
plt.savefig("경기도 지류상품권형 지역화폐 이용현황.png")
plt.show()

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업 (0)	2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 (0)	2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 (0)	2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 (0)	2023.01.31
[EDA] SuperStore EDA (0)	2023.01.19

[EDA] 부산시 지역구별 & 업종별 소비

2023. 2. 28. 19:18

[부산공모전] 부산시 지역구별 업종별 소비.html

1.13MB

부산시_지역구별_업종별_소비.zip

0.01MB

[부산공모전] 부산시 지역구별 업종별 소비.ipynb

0.57MB

1 환경설정

from IPython.core.display import display, HTML
display(HTML("<style>.container {width:80% !important;}</style>"))
%matplotlib inline

import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from scipy import stats
import warnings
import folium
import folium.plugins
import requests
import json
import folium.plugins
from IPython.display import Image
warnings.filterwarnings('ignore')

mpl.rcParams['figure.figsize'] = (12,8)  #시각화 figure default 설정
mpl.rcParams['font.family'] = 'NanumGothic' #폰트 디폴트 설정
mpl.rcParams['font.size'] = 10    #폰트 사이즈 디폴트 설정
plt.rcParams['axes.unicode_minus'] = False
%config InlineBackend.figure_format='retina' # 그래프 글씨 뚜렷
pd.options.display.float_format = '{:.3f}'.format # 넘파이 과학적 표기 제거

# 부산 행정구역 json raw파일(githubcontent)
r = requests.get('https://raw.githubusercontent.com/raqoon886/Local_HangJeongDong/master/hangjeongdong_%EB%B6%80%EC%82%B0%EA%B4%91%EC%97%AD%EC%8B%9C.geojson')
c = r.content
busan_geo = json.loads(c)

2 데이터 분석

2.1 부산광역시_지역구별_업종별_소비

import os

path = "./"
file_list = os.listdir(path)
csv_list = [file for file in file_list if file.endswith(".csv")]
csv_list

['강서구_업종별_소비.csv',
 '금정구_업종별_소비.csv',
 '기장군_업종별_소비.csv',
 '남구_업종별_소비.csv',
 '동구_업종별_소비.csv',
 '동래구_업종별_소비.csv',
 '부산진구_업종별_소비.csv',
 '북구_업종별_소비.csv',
 '사상구_업종별_소비.csv',
 '사하구_업종별_소비.csv',
 '서구_업종별_소비.csv',
 '수영구_업종별_소비.csv',
 '연제구_업종별_소비.csv',
 '영도구_업종별_소비.csv',
 '중구_업종별_소비.csv',
 '해운대구_업종별_소비.csv']

gu_list = [csv.split("_")[0] for csv in csv_list]

df_gu = pd.DataFrame()

for gu, csv in zip(gu_list, csv_list):
    df = pd.read_csv(csv, encoding = "cp949")
    df["지역구"] = gu
    df_gu = df_gu.append(df)
    
df_gu

	대분류	중분류	대분류 지출액	대분류 지출액 비율	중분류 지출액	중분류 지출액 비율	지역구
0	여가서비스업	골프장	6829341	4	5439373	80	강서구
1	쇼핑업	관광기념품	39264712	22	11973	0	강서구
2	여가서비스업	관광유원시설	6829341	4	40997	1	강서구
3	여가서비스업	기타레저	6829341	4	736423	11	강서구
4	숙박업	기타숙박	2453944	1	2452058	100	강서구
...	...	...	...	...	...	...	...
12	여행업	여행업	106961	0	106961	100	해운대구
13	운송업	육상운송	2542213	0	547	0	해운대구
14	숙박업	캠핑장/펜션	58896679	9	12386	0	해운대구
15	숙박업	콘도	58896679	9	2593067	4	해운대구
16	숙박업	호텔	58896679	9	39661413	67	해운대구

224 rows × 7 columns

df_gu.to_csv("부산광역시_지역구별_대분류중분류_지출액.csv", index = False)

df_category = pd.DataFrame(df_gu.groupby(["대분류"])["대분류 지출액"].sum())

df_subcategory = pd.DataFrame(df_gu.groupby(["대분류", "중분류"])["중분류 지출액"].sum())

df_category

	대분류 지출액
대분류
쇼핑업	4517477214
숙박업	464258351
식음료업	1417281899
여가서비스업	478652488
여행업	1484189
운송업	153697065

df_subcategory.sort_values(by = "중분류 지출액", ascending = False).plot.bar()

pd.DataFrame(df_gu.groupby(["지역구"])["대분류 지출액"].sum()).sort_values(by = "대분류 지출액", ascending = False).plot.bar(rot = 30)
plt.title("<부산시 지역구별 소비 지출액 (내국인 지출액(BC+신한))>", fontsize = 15)
plt.tight_layout()
plt.savefig("부산시 지역구별 소비 지출액", dpi = 1000)
plt.show()

df_gu_ct = pd.crosstab(index = df_gu["지역구"], 
                       columns = df_gu["중분류"],
                       values = df_gu["중분류 지출액"], 
                       aggfunc = "sum")

df_gu.groupby("지역구")["중분류 지출액"].sum()

지역구
강서구    180859689
금정구    116058905
기장군    370923358
남구      96229414
동구      94883696
동래구    172124359
부산진구   400177395
북구     196859964
사상구    112087464
사하구     80440952
서구      46517420
수영구    160724027
연제구    146718272
영도구     36067436
중구     173680036
해운대구   638052088
Name: 중분류 지출액, dtype: float64

df_gu_ct.sum(axis = 1)

지역구
강서구    180859689
금정구    116058905
기장군    370923358
남구      96229414
동구      94883696
동래구    172124359
부산진구   400177395
북구     196859964
사상구    112087464
사하구     80440952
서구      46517420
수영구    160724027
연제구    146718272
영도구     36067436
중구     173680036
해운대구   638052088
dtype: float64

df_gu_ct = df_gu_ct.div(df_gu_ct.sum(axis = 1), axis =0)
df_gu_ct = df_gu_ct * 100

plt.figure(figsize =(16, 8))
sns.heatmap(df_gu_ct,  
            annot = True,
            fmt = ".2f",
            cmap = "OrRd")
plt.title("<부산시 지역구별 중분류별 지출비중(%)>", fontsize = 17, fontweight = "bold")
plt.tight_layout()
plt.savefig("부산시 지역구별 중분류별 지출비중(%)", dpi = 500)
plt.show()

df_subcategory_gu = df_gu.groupby(["지역구", "중분류"])["중분류 지출액"].sum().reset_index()
df_subcategory_gu = df_subcategory_gu[df_subcategory_gu["중분류"] == "대형쇼핑몰"]

df_category_gu = df_gu.groupby("지역구")['대분류 지출액'].sum().reset_index().sort_values(by = "대분류 지출액", ascending = False)
df_category_gu

	지역구	대분류 지출액
15	해운대구	1992987423
6	부산진구	964878868
2	기장군	927827815
7	북구	493989820
14	중구	401164770
0	강서구	393345910
5	동래구	308912855
12	연제구	278759750
11	수영구	231823514
1	금정구	214862507
8	사상구	209333878
4	동구	192826826
3	남구	168696129
9	사하구	132990385
10	서구	68158050
13	영도구	52292706

x_list = list(df_category_gu["지역구"].values)

# sns.set_theme(style="whitegrid")

# Initialize the matplotlib figure
f, ax = plt.subplots(figsize=(15, 6))

# Plot the total crashes
sns.set_color_codes("pastel")
sns.barplot(x="지역구", y="대분류 지출액", data=df_category_gu,
            label="지역구별 총 소비지출액", color="b")

# Plot the crashes where alcohol was involved
sns.set_color_codes("muted")
sns.barplot(x="지역구", y="중분류 지출액", data=df_subcategory_gu,
            label="대형쇼핑몰 소비지출액", color="b", order = x_list)

# Add a legend and informative axis label
ax.legend(ncol=2, loc="upper right", frameon=True, fontsize = 15)
ax.set(ylabel="지출액(천원)",
       xlabel="지역구")

sns.despine(left=True, bottom=True)

plt.title("<부산시 지역구별 총 소비지출 및 대형쇼핑몰 지출액(내국인 지출액(BC+신한))>", fontsize = 20, fontweight = "bold")
plt.tight_layout()
plt.savefig("부산시 지역구별 총 소비지출 및 대형쇼핑몰 지출액", dpi = 800)
plt.show()

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업 (0)	2023.02.28
[EDA] 경기도 지역화폐 이용 현황 (0)	2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 (0)	2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 (0)	2023.01.31
[EDA] SuperStore EDA (0)	2023.01.19

[EDA] 부산시 주요 관광지 및 지역화폐 가맹점

2023. 2. 28. 19:12

[부산공모전] 부산시 주요 관광지 및 지역화폐 가맹점.ipynb

8.09MB

부산광역시_지역화폐(동백전) 가맹점 현황_20221222.csv

12.14MB

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업 (0)	2023.02.28
[EDA] 경기도 지역화폐 이용 현황 (0)	2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 (0)	2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 (0)	2023.01.31
[EDA] SuperStore EDA (0)	2023.01.19

[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교

2023. 1. 31. 15:44

Jeju_tourism_230118.html

6.69MB

Jeju_tourism_230118.ipynb

7.51MB

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업 (0)	2023.02.28
[EDA] 경기도 지역화폐 이용 현황 (0)	2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 (0)	2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 (0)	2023.02.28
[EDA] SuperStore EDA (0)	2023.01.19

[EDA] SuperStore EDA

2023. 1. 19. 16:50

Global Superstore.xlsx

7.58MB

SuperSotre EDA 분석.html

4.57MB

SuperSotre EDA 분석.ipynb

3.95MB

저작자표시

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업 (0)	2023.02.28
[EDA] 경기도 지역화폐 이용 현황 (0)	2023.02.28
[EDA] 부산시 지역구별 & 업종별 소비 (0)	2023.02.28
[EDA] 부산시 주요 관광지 및 지역화폐 가맹점 (0)	2023.02.28
[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교 (0)	2023.01.31

PREV 1 NEXT

To be an Outlier

데이터 분석

[ML] LGBM

'데이터 분석 > Machine Learning & Deep Learning' 카테고리의 다른 글

[ML] XGBoost

'데이터 분석 > Machine Learning & Deep Learning' 카테고리의 다른 글

[EDA] 부산시 시간대별 방문자수 전처리 작업

1 환경설정¶

2 전처리 작업¶

2.1 데이터 전처리 후 결합¶

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 경기도 지역화폐 이용 현황

경기도 지역화폐 발행 및 이용 현황¶

수원시 지역화폐 데이터 분석¶

경기도 지역화폐 이용현황¶

카드형 지역화폐 이용현황¶

모바일형 지역화폐 이용현황¶

지류상품권형 지역화폐 이용현황¶

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 지역구별 & 업종별 소비

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 부산시 주요 관광지 및 지역화폐 가맹점

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] 제주도 지역별 연간 방문객 수 & 1인당 지출 비교

'데이터 분석 > EDA' 카테고리의 다른 글

[EDA] SuperStore EDA

'데이터 분석 > EDA' 카테고리의 다른 글

+ Recent posts

티스토리툴바