카테고리

[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
[Tableau] How Much Americans Spend on Holiday Every Year? 2023.01.11
[Tableau] UK Religious Affiliation Dashboard 2023.01.05
[Tableau] 텍스트 전처리 for Netflix Dashboard 2023.01.05

[EDA] 경기도 지역화폐 이용 현황

2023. 2. 28. 19:37

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

[Tableau] How Much Americans Spend on Holiday Every Year?

2023. 1. 11. 21:48

[태블로 퍼블릭 링크]

https://public.tableau.com/views/HowMuchAmericansSpendonHolidayEveryYear/HowMuchAmericansSpendonHolidayEveryYear?:language=ko-KR&:display_count=n&:origin=viz_share_link

How Much Americans Spend on Holiday Every Year?

#MakeoverMonday

public.tableau.com

저작자표시

'Tableau' 카테고리의 다른 글

[Tableau] 부산시 지역구별 여행 방문자수 히트맵 (0)	2023.02.28
[Tableau] UK Religious Affiliation Dashboard (0)	2023.01.05
[Tableau] 텍스트 전처리 for Netflix Dashboard (0)	2023.01.05
[Tableau] Netflix Dashboard (0)	2023.01.05
[Tableau] HR Employee Termination Dashboard (0)	2022.12.27

[Tableau] UK Religious Affiliation Dashboard

2023. 1. 5. 23:41

저작자표시

'Tableau' 카테고리의 다른 글

[Tableau] 부산시 지역구별 여행 방문자수 히트맵 (0)	2023.02.28
[Tableau] How Much Americans Spend on Holiday Every Year? (0)	2023.01.11
[Tableau] 텍스트 전처리 for Netflix Dashboard (0)	2023.01.05
[Tableau] Netflix Dashboard (0)	2023.01.05
[Tableau] HR Employee Termination Dashboard (0)	2022.12.27

[Tableau] 텍스트 전처리 for Netflix Dashboard

2023. 1. 5. 23:36

넷플릭스 리뷰 텍스트 전처리 for 태블로 대시보드.html

0.91MB

넷플릭스 리뷰 텍스트 전처리 for 태블로 대시보드.ipynb

0.55MB

netflix_titles.xlsx

2.28MB

In [296]:

import pandas as pd
import numpy as np

from tensorflow.keras.preprocessing.text import Tokenizer

In [297]:

df_netflix = pd.read_excel("C:/Users/LeeSeungYong/Downloads/netflix_titles.xlsx")
df_netflix_categ = pd.read_excel("C:/Users/LeeSeungYong/Downloads/netflix_titles.xlsx", sheet_name="netflix_titles_category")

In [298]:

df_netflix.head(3)

Out[298]:

	duration_minutes	duration_seasons	type	title	date_added	release_year	rating	description	show_id
0	90	NaN	Movie	Norm of the North: King Sized Adventure	2019-09-09 00:00:00	2019.0	TV-PG	Before planning an awesome wedding for his gra...	81145628.0
1	94	NaN	Movie	Jandino: Whatever it Takes	2016-09-09 00:00:00	2016.0	TV-MA	Jandino Asporaat riffs on the challenges of ra...	80117401.0
2	NaN	1	TV Show	Transformers Prime	2018-09-08 00:00:00	2013.0	TV-Y7-FV	With the help of three human allies, the Autob...	70234439.0

In [299]:

df_netflix.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6236 entries, 0 to 6235
Data columns (total 9 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   duration_minutes  4267 non-null   object 
 1   duration_seasons  1971 non-null   object 
 2   type              6235 non-null   object 
 3   title             6235 non-null   object 
 4   date_added        6223 non-null   object 
 5   release_year      6234 non-null   float64
 6   rating            6223 non-null   object 
 7   description       6233 non-null   object 
 8   show_id           6232 non-null   float64
dtypes: float64(2), object(7)
memory usage: 438.6+ KB

In [300]:

df_netflix_categ.head(3)

Out[300]:

	listed_in	show_id
0	Children & Family Movies	81145628
1	Stand-Up Comedy	80117401
2	Kids' TV	70234439

In [301]:

df_netflix_categ.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 13670 entries, 0 to 13669
Data columns (total 2 columns):
 #   Column     Non-Null Count  Dtype 
---  ------     --------------  ----- 
 0   listed_in  13670 non-null  object
 1   show_id    13670 non-null  int64 
dtypes: int64(1), object(1)
memory usage: 213.7+ KB

In [302]:

df_join = df_netflix.join(df_netflix_categ, how = "left", lsuffix = "show_id")

In [303]:

df_join = df_join[['listed_in', 'description']]
df_join

Out[303]:

	listed_in	description
0	Children & Family Movies	Before planning an awesome wedding for his gra...
1	Stand-Up Comedy	Jandino Asporaat riffs on the challenges of ra...
2	Kids' TV	With the help of three human allies, the Autob...
3	Kids' TV	When a prison ship crash unleashes hundreds of...
4	Comedies	When nerdy high schooler Dani finally attracts...
...	...	...
6231	Movies	This parody of first-person shooter games, mil...
6232	British TV Shows	Marc Maron stars as Marc Maron, who interviews...
6233	Classic & Cult TV	Nursery rhymes and original music for children...
6234	Comedies	Set during the Russian Revolution, this comic ...
6235	International TV Shows	This hit sitcom follows the merry misadventure...

6236 rows × 2 columns

In [304]:

print("결측치 처리 전:", df_join.shape)
df_join.dropna(axis = 0, inplace = True)
print("결측치 처리 후:", df_join.shape)
df_join.reset_index(drop = True, inplace = True)

결측치 처리 전: (6236, 2)
결측치 처리 후: (6233, 2)

In [305]:

df_join['description'] = df_join['description'].str.lower()

In [306]:

import nltk
import re

from nltk.tokenize import sent_tokenize
from nltk.tokenize import word_tokenize

In [307]:

df_join['description'] = df_join['description'].str.replace(pat=r'[^\w]', repl= r' ', regex=True)  # replace all special symbols to space
df_join['description'] = df_join['description'].str.replace(pat=r'[0-9]', repl= r' ', regex=True)  # replace all special symbols to space
df_join['description'] = df_join['description'].str.replace(pat=r'[\s\s+]', repl= r' ', regex=True)  # replace multiple spaces with a single space

In [308]:

df_join['description'][0]

Out[308]:

'before planning an awesome wedding for his grandfather  a polar bear king must take back a stolen artifact from an evil archaeologist first '

In [309]:

df_netflix['description'][0]

Out[309]:

'Before planning an awesome wedding for his grandfather, a polar bear king must take back a stolen artifact from an evil archaeologist first.'

In [310]:

import nltk
from nltk.tokenize import word_tokenize

for i in range(df_join.shape[0]):
    text=df_join['description'][i]
    df_join['description'][i] = word_tokenize(text)
    print("{}번째 완료".format(i))

In [311]:

df_join

Out[311]:

	listed_in	description
0	Children & Family Movies	[before, planning, an, awesome, wedding, for, ...
1	Stand-Up Comedy	[jandino, asporaat, riffs, on, the, challenges...
2	Kids' TV	[with, the, help, of, three, human, allies, th...
3	Kids' TV	[when, a, prison, ship, crash, unleashes, hund...
4	Comedies	[when, nerdy, high, schooler, dani, finally, a...
...	...	...
6228	Movies	[this, parody, of, first, person, shooter, gam...
6229	British TV Shows	[marc, maron, stars, as, marc, maron, who, int...
6230	Classic & Cult TV	[nursery, rhymes, and, original, music, for, c...
6231	Comedies	[set, during, the, russian, revolution, this, ...
6232	International TV Shows	[this, hit, sitcom, follows, the, merry, misad...

6233 rows × 2 columns

In [312]:

# import nltk
# nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize

stop_words = stopwords.words('english')  #영어 stopword, 한국어 지원 안됨
print(stop_words[:10])

for i in range(df_join.shape[0]):
    result = []
    for word in df_join['description'][i]:
        if word not in stop_words:
            result.append(word)
            
    df_join['description'][i] = result 
    print("{}번째 완료".format(i))

['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', "you're"]
0번째 완료
1번째 완료
2번째 완료
3번째 완료
4번째 완료
5번째 완료

6229번째 완료
6230번째 완료
6231번째 완료
6232번째 완료

In [313]:

# !pip install autocorrect

In [314]:

# from autocorrect import Speller # 필요 패키지 로드
# spell = Speller()

# for i in range(df_join.shape[0]):
#     for word in df_join['description'][i]:
#         spell(word)
#     print("{}번째 완료".format(i))

In [315]:

from nltk.stem.wordnet import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()

for i in range(df_join.shape[0]):
    result = []
    for word in df_join['description'][i]:
        word = lemmatizer.lemmatize(word)
        result.append(word)
        
    df_join['description'][i] = result
    print("{}번째 완료".format(i))

0번째 완료
1번째 완료
2번째 완료
3번째 완료
4번째 완료
5번째 완료

6229번째 완료
6230번째 완료
6231번째 완료
6232번째 완료

In [316]:

df_join

Out[316]:

	listed_in	description
0	Children & Family Movies	[planning, awesome, wedding, grandfather, pola...
1	Stand-Up Comedy	[jandino, asporaat, riff, challenge, raising, ...
2	Kids' TV	[help, three, human, ally, autobots, protect, ...
3	Kids' TV	[prison, ship, crash, unleashes, hundred, dece...
4	Comedies	[nerdy, high, schooler, dani, finally, attract...
...	...	...
6228	Movies	[parody, first, person, shooter, game, militar...
6229	British TV Shows	[marc, maron, star, marc, maron, interview, fe...
6230	Classic & Cult TV	[nursery, rhyme, original, music, child, accom...
6231	Comedies	[set, russian, revolution, comic, miniseries, ...
6232	International TV Shows	[hit, sitcom, follows, merry, misadventure, si...

6233 rows × 2 columns

In [317]:

df_word_bycategory = df_join.groupby("listed_in")['description'].sum().reset_index()

In [319]:

df_word_bycategory["description"]

Out[319]:

0     [struggling, couple, believe, luck, find, stas...
1     [anime, visual, album, mysterious, driver, hea...
2     [recently, stationed, air, self, defense, forc...
3     [drawing, newly, available, info, show, trace,...
4     [planning, awesome, wedding, grandfather, pola...
5     [year, woman, return, sleepy, tourist, occupie...
6     [losing, everything, indolent, sad, sack, impu...
7     [nerdy, high, schooler, dani, finally, attract...
8     [young, journalist, forced, life, crime, save,...
9     [man, unsatisfying, marriage, recall, detail, ...
10    [newspaper, industry, take, hit, denver, post,...
11    [california, fire, season, rage, brave, backco...
12    [new, orleans, politician, find, idealistic, p...
13    [young, doctor, arrives, asylum, apprenticeshi...
14    [blind, pianist, fear, life, suspicious, death...
15    [dystopian, future, insurance, adjuster, tech,...
16    [four, couple, different, lifestyle, go, ebb, ...
17    [help, three, human, ally, autobots, protect, ...
18    [emmy, winning, comedy, writer, louis, c, k, b...
19    [final, night, world, tour, director, jonathan...
20    [course, fishing, season, tough, men, woman, p...
21    [combining, trademark, wit, self, deprecating,...
22    [straitjacketed, life, turned, topsy, turvy, h...
23    [mit, astrophysics, professor, son, unearth, s...
24    [world, collide, life, shatter, altagracia, po...
25    [mixing, old, footage, interview, story, arsen...
26    [jandino, asporaat, riff, challenge, raising, ...
27    [comedian, norm, macdonald, host, celebrity, f...
28    [wiped, clean, memory, thrown, together, group...
29    [education, fun, funny, comedian, adam, conove...
30    [trapped, mysterious, fog, resident, maine, vi...
31    [anthology, series, terror, feature, diverse, ...
32    [manipulated, embezzling, fund, boyfriend, sen...
33    [explore, hit, song, smith, film, bright, musi...
34    [tailspin, marriage, collapse, jamie, fall, he...
Name: description, dtype: object

In [320]:

from collections import Counter

for i in range(df_word_bycategory.shape[0]):
    count_dict = dict(Counter(df_word_bycategory["description"][i]).most_common()[:100])
    df_word_bycategory["description"][i] = count_dict
    print("{}번째 완료".format(i))

0번째 완료
1번째 완료
2번째 완료
3번째 완료
4번째 완료
5번째 완료
6번째 완료
7번째 완료
8번째 완료
9번째 완료
10번째 완료
11번째 완료
12번째 완료
13번째 완료
14번째 완료
15번째 완료
16번째 완료
17번째 완료
18번째 완료
19번째 완료
20번째 완료
21번째 완료
22번째 완료
23번째 완료
24번째 완료
25번째 완료
26번째 완료
27번째 완료
28번째 완료
29번째 완료
30번째 완료
31번째 완료
32번째 완료
33번째 완료
34번째 완료

In [323]:

print(df_word_bycategory['description'][0])

{'life': 75, 'find': 61, 'take': 55, 'young': 55, 'man': 45, 'world': 40, 'woman': 40, 'must': 38, 'two': 35, 'family': 35, 'one': 33, 'friend': 32, 'new': 30, 'love': 29, 'father': 27, 'year': 27, 'brother': 25, 'help': 23, 'team': 23, 'save': 22, 'cop': 22, 'city': 21, 'crime': 21, 'death': 21, 'agent': 20, 'mission': 20, 'girl': 20, 'battle': 20, 'group': 20, 'three': 20, 'get': 20, 'make': 19, 'old': 19, 'fight': 19, 'try': 19, 'murder': 18, 'drug': 18, 'come': 18, 'way': 18, 'star': 18, 'war': 17, 'home': 17, 'high': 17, 'go': 17, 'wife': 17, 'back': 17, 'son': 17, 'turn': 17, 'lead': 17, 'terrorist': 16, 'run': 16, 'return': 16, 'power': 16, 'school': 16, 'true': 16, 'police': 16, 'four': 16, 'force': 16, 'country': 15, 'special': 15, 'time': 15, 'officer': 15, 'art': 14, 'deadly': 14, 'criminal': 14, 'revenge': 14, 'evil': 14, 'first': 14, 'mysterious': 14, 'martial': 13, 'boy': 13, 'daughter': 13, 'face': 13, 'ex': 13, 'secret': 13, 'become': 13, 'film': 13, 'join': 13, 'work': 13, 'american': 13, 'day': 13, 'protect': 12, 'forced': 12, 'village': 12, 'prison': 12, 'struggle': 12, 'dangerous': 12, 'story': 12, 'becomes': 12, 'gang': 12, 'action': 12, 'set': 12, 'bos': 12, 'behind': 12, 'teen': 11, 'soon': 11, 'u': 11, 'crew': 11, 'based': 11, 'student': 11}

In [372]:

df_final = pd.DataFrame()

for i, c in enumerate(df_word_bycategory['listed_in']):
    print(i, c)
    df_word = pd.Series(df_word_bycategory['description'][i]).reset_index()
    df_word["category"] = c
    df_final = df_final.append(df_word, ignore_index = True)
    print("{}번째 완료".format(i))

0 Action & Adventure
0번째 완료
1 Anime Features
1번째 완료
2 Anime Series
2번째 완료
3 British TV Shows
3번째 완료
4 Children & Family Movies
4번째 완료
5 Classic & Cult TV
5번째 완료
6 Classic Movies
6번째 완료
7 Comedies
7번째 완료
8 Crime TV Shows
8번째 완료
9 Cult Movies
9번째 완료
10 Documentaries
10번째 완료
11 Docuseries
11번째 완료
12 Dramas
12번째 완료
13 Horror Movies
13번째 완료
14 Independent Movies
14번째 완료
15 International Movies
15번째 완료
16 International TV Shows
16번째 완료
17 Kids' TV
17번째 완료
18 Movies
18번째 완료
19 Music & Musicals
19번째 완료
20 Reality TV
20번째 완료
21 Romantic Movies
21번째 완료
22 Romantic TV Shows
22번째 완료
23 Sci-Fi & Fantasy
23번째 완료
24 Spanish-Language TV Shows
24번째 완료
25 Sports Movies
25번째 완료
26 Stand-Up Comedy
26번째 완료
27 Stand-Up Comedy & Talk Shows
27번째 완료
28 TV Action & Adventure
28번째 완료
29 TV Comedies
29번째 완료
30 TV Dramas
30번째 완료
31 TV Horror
31번째 완료
32 TV Sci-Fi & Fantasy
32번째 완료
33 TV Shows
33번째 완료
34 Thrillers
34번째 완료

In [374]:

df_final = df_final[["category", "index", 0]]
df_final

Out[374]:

	category	index	0
0	Action & Adventure	life	75
1	Action & Adventure	find	61
2	Action & Adventure	take	55
3	Action & Adventure	young	55
4	Action & Adventure	man	45
...	...	...	...
3169	Thrillers	spy	1
3170	Thrillers	million	1
3171	Thrillers	haul	1
3172	Thrillers	selling	1
3173	Thrillers	held	1

3174 rows × 3 columns

In [376]:

df_final.columns = ["category", "word", "frequency"]
df_final.to_excel("word_count.xlsx", index = False)

word_count.xlsx

0.05MB

저작자표시

'Tableau' 카테고리의 다른 글

[Tableau] How Much Americans Spend on Holiday Every Year? (0)	2023.01.11
[Tableau] UK Religious Affiliation Dashboard (0)	2023.01.05
[Tableau] Netflix Dashboard (0)	2023.01.05
[Tableau] HR Employee Termination Dashboard (0)	2022.12.27
[Tableau] HR Employment Equity Dashboard (0)	2022.12.27

PREV 1 2 3 4 5 ···10 NEXT

To be an Outlier

카테고리

[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

[Tableau] How Much Americans Spend on Holiday Every Year?

'Tableau' 카테고리의 다른 글

[Tableau] UK Religious Affiliation Dashboard

'Tableau' 카테고리의 다른 글

[Tableau] 텍스트 전처리 for Netflix Dashboard

'Tableau' 카테고리의 다른 글

+ Recent posts

티스토리툴바