https://www.inflearn.com/course/%EA%B3%B5%EA%B3%B5%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%A1%9C-%ED%8C%8C%EC%9D%B4%EC%8D%AC-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D-%EC%8B%9C%EC%9E%91%ED%95%98%EA%B8%B0

공공데이터로 파이썬 데이터 분석 시작하기 - 인프런 | 강의

이디야는 스타벅스 근처에 입점한다는 설이 있었습니다. 과연 이디야와 스타벅스의 매장입지는 얼마나 차이가 날까요? 2013년부터 2019년까지 부동산 가격 변동 추세가 아파트 분양가에도 반영될

www.inflearn.com

소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (1)

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (1)

상가업소정보로 프랜차이즈 입점분석 배스킨라빈스 & 던킨도너츠 프랜차이즈 매장의 밀집도를 지도를 통해 표시하고, 이를 위해 데이터 전처리 과정을 진행한다. 다루는 내용 데이터 요약하기

imstatdust.tistory.com

배스킨라빈스, 던킨도너츠 위치 분석

1. 특정 상호만 가져오기

배스킨라빈스와 던킨도너츠 상호를 가져오기
상호명에서 브랜드명을 추출
대소문자가 섞여 있을 수도 있기에 대소문자를 변환
배스킨라빈스의 영문명은 baskinrobbins, 던킨도너츠는 dunkindonuts

# 문자열의 소문자로 변경하는 메소드 - lower()
# "상호명_소문자" 컬럼 생성

df_seoul["상호명_소문자"] = df_seoul["상호명"].str.lower()

# baskinrobbins 를 "상호명_소문자" 컬럼으로 가져옵니다.
# 띄어쓰기 등의 다를 수 있기 때문에 앞글자 baskin 만 따서 가져오도록 합니다.
# '상호명_소문자'컬럼으로 '배스킨라빈스|baskin' 를 가져와 갯수를 세어봅니다.
# loc[행]
# loc[행, 열]

df_seoul[df_seoul["상호명_소문자"].str.contains("베스킨라빈스|배스킨라빈스|baskinrobbins")]

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	도로명주소	경도	위도	상호명_소문자
76	배스킨라빈스	음식	패스트푸드	아이스크림판매	서울특별시	관악구	청룡동	봉천동	서울특별시 관악구 관악로 161	126.952166	37.479599	배스킨라빈스
2164	베스킨라빈스	음식	패스트푸드	아이스크림판매	서울특별시	마포구	서교동	서교동	서울특별시 마포구 와우산로 88	126.923809	37.552104	베스킨라빈스
11060	베스킨라빈스은행나무점	음식	패스트푸드	아이스크림판매	서울특별시	금천구	시흥5동	시흥동	서울특별시 금천구 금하로 726-1	126.910405	37.450433	베스킨라빈스은행나무점
13953	배스킨라빈스	음식	패스트푸드	아이스크림판매	서울특별시	강남구	역삼1동	역삼동	서울특별시 강남구 강남대로 390	127.028565	37.497832	배스킨라빈스
14201	베스킨라빈스	음식	패스트푸드	아이스크림판매	서울특별시	광진구	광장동	광장동	서울특별시 광진구 아차산로 494	127.096667	37.541145	베스킨라빈스
...	...	...	...	...	...	...	...	...	...	...	...	...
557464	배스킨라빈스31	음식	패스트푸드	아이스크림판매	서울특별시	은평구	진관동	진관동	서울특별시 은평구 진관2로 77	126.926589	37.634321	배스킨라빈스31
557822	배스킨라빈스31	음식	패스트푸드	아이스크림판매	서울특별시	서초구	방배4동	방배동	서울특별시 서초구 방배로 200	126.991649	37.491305	배스킨라빈스31
558006	배스킨라빈스31	음식	패스트푸드	아이스크림판매	서울특별시	동작구	대방동	대방동	서울특별시 동작구 알마타길 6	126.924959	37.509801	배스킨라빈스31
561929	배스킨라빈스31	음식	패스트푸드	아이스크림판매	서울특별시	송파구	문정2동	문정동	서울특별시 송파구 송파대로 111	127.124872	37.479617	배스킨라빈스31
561930	배스킨라빈스31	음식	패스트푸드	아이스크림판매	서울특별시	강동구	강일동	강일동	서울특별시 강동구 아리수로 427	127.174586	37.564954	배스킨라빈스31

466 rows × 12 columns

#str.contains에서 (베|배)스킨라빈스를 입력한다면 경고 메세지가 뜨기 때문에 다음과 같은 방식 활용 가능.
#그러나 이름 전체로 contains 코드를 작성해주면 경고 메세지는 사라짐.

df_seoul["상호명_소문자"].str.extract("(베|배)스킨라빈스|baskinrobbins")[0].value_counts()

배    347
베    117
Name: 0, dtype: int64

# 상호명에서 던킨도너츠만 가져오기
# 상호명은 소문자로 변경해 준 컬럼을 사용한다. 
# 던킨|dunkin 의 "상호명_소문자"로 갯수를 센다. 

df_seoul.loc[df_seoul["상호명_소문자"].str.contains("던킨|dunkin"), "상호명_소문자"]

1167              던킨도너츠
1819        던킨도너츠테크노마트점
2305         던킨도너츠창동하나로
2342      던킨도너츠용산민자역사2호
3007              던킨도너츠
              ...      
553907            던킨도너츠
554211            던킨도너츠
558894    dunkindoonuts
560984            던킨도너츠
569825            던킨도너츠
Name: 상호명_소문자, Length: 191, dtype: object

# '상호명_소문자'컬럼으로  '배스킨|베스킨|baskin|던킨|dunkin'를 가져와 df_31 변수에 담는다. 

df_31 = df_seoul[df_seoul["상호명_소문자"].str.contains('배스킨라빈스|베스킨라빈스|baskinrobbins|던킨|dunkin')].copy()
df_31.shape

(657, 12)

# ~ = not
# 나타난 결측치를 던킨도너츠로 채운다. 

df_31.loc[df_31["상호명_소문자"].str.contains("배스킨라빈스|베스킨라빈스|baskinrobbins"), "브랜드명"] = "배스킨라빈스"
df_31[["상호명", "브랜드명"]].head()

	상호명	브랜드명
76	배스킨라빈스	배스킨라빈스
1167	던킨도너츠	NaN
1819	던킨도너츠테크노마트점	NaN
2164	베스킨라빈스	배스킨라빈스
2305	던킨도너츠창동하나로	NaN

#브랜드명 결측치에 "던킨도너츠"로 채우기
df_31["브랜드명"] = df_31["브랜드명"].fillna("던킨도너츠")
df_31["브랜드명"]

76        배스킨라빈스
1167       던킨도너츠
1819       던킨도너츠
2164      배스킨라빈스
2305       던킨도너츠
           ...  
558894     던킨도너츠
560984     던킨도너츠
561929    배스킨라빈스
561930    배스킨라빈스
569825     던킨도너츠
Name: 브랜드명, Length: 657, dtype: object

# 데이터가 제대로 모아졌는지 확인
# "상권업종대분류명"을  value_counts 를 통해 빈도수 계산

df_31["상권업종대분류명"].value_counts()

음식       655
소매         1
생활서비스      1
Name: 상권업종대분류명, dtype: int64

# 위의 결과에서 소매와 생활서비스 관련 데이터가 있는 것을 확인
# "상권업종대분류명"컬럼에서 isin 기능을 사용해 "소매", "생활서비스" 인 데이터만 가져온다.

df_31[df_31["상권업종대분류명"].isin(["소매", "생활서비스"])]

	상호명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	도로명주소	경도	위도	상호명_소문자	브랜드명
358699	배스킨라빈스	소매	종합소매점	할인점	서울특별시	강남구	압구정동	신사동	서울특별시 강남구 압구정로 204	127.029381	37.527375	배스킨라빈스	배스킨라빈스
556592	baskinrobbins	생활서비스	광고/인쇄	인쇄종합	서울특별시	강남구	역삼1동	역삼동	서울특별시 강남구 강남대로 396	127.028289	37.498154	baskinrobbins	배스킨라빈스

# "상권업종대분류명"에서 "소매", "생활서비스"는 제외.
df_31 = df_31[~df_31["상권업종대분류명"].isin(["소매", "생활서비스"])].copy()
df_31.shape

(655, 13)

2. 범주형 값으로 countplot 그리기

# value_counts 로 "브랜드명"의 빈도수 구하기
brand_count= df_31["브랜드명"].value_counts()

# normalize=True 로 빈도수의 비율 구하기
df_31["브랜드명"].value_counts(normalize=True)

배스킨라빈스    0.708397
던킨도너츠     0.291603
Name: 브랜드명, dtype: float64

df_31["브랜드명"].value_counts(normalize=True).plot.barh()

<AxesSubplot:>

# countplot
g = sns.countplot(data=df_31, x="브랜드명")

for i, val in enumerate(brand_count.index): 
    g.text(x=0, y=brand_count[0],  s=brand_count[0])
    g.text(x=1, y=brand_count[1],  s=brand_count[1])
    
#brand_count에서 1번째 행이 baskin, 2번째행이 dunkin이므로 각 0, 1로 표현

# 시군구명으로 빈도수를 세고 브랜드명으로 색상을 다르게 표현하는 countplot 그리기

plt.figure(figsize=(15, 4))
g = sns.countplot(data=df_31, x="시군구명", hue="브랜드명")

3. scatterplot 그리기

# Pandas 의 plot 으로 scatterplot 을 그린다. 
df_31[["위도", "경도"]].plot.scatter(x="경도", y="위도")

<AxesSubplot:xlabel='경도', ylabel='위도'>

# seaborn의 scatterplot 으로 hue에 브랜드명을 지정해서 시각화 
sns.scatterplot(data=df_31, x="경도", y="위도", hue="브랜드명")

<AxesSubplot:xlabel='경도', ylabel='위도'>

# 위에서 그렸던 그래프를 jointplot 그리기
#jointplot은 히스토그램과 산점도 모두 나타내주는 차트

sns.jointplot(data=df_31, x="경도", y="위도")

<seaborn.axisgrid.JointGrid at 0x29ee0533fa0>

# kind="hex" 추가한 jointplot 그래프

sns.jointplot(data=df_31, x="경도", y="위도", kind="hex")

<seaborn.axisgrid.JointGrid at 0x29ee05b0eb0>

4. Folium 으로 지도 활용하기

서울의 배스킨라빈스와 던킨도너츠 매장 분포

배스킨라빈스와 던킨도너츠 매장을 지도에 표현

# 지도 시각화를 위한 라이브러리
import folium

# 지도의 중심을 지정하기 위해 위도와 경도의 평균을 구한다.
lat = df_31["위도"].mean()
long = df_31["경도"].mean()

# 데이터프레임의 인덱스만 출력하기
df_31.index

Int64Index([    76,   1167,   1819,   2164,   2305,   2342,   3007,  11060,
             13042,  13925,
            ...
            554896, 555145, 557464, 557822, 558006, 558894, 560984, 561929,
            561930, 569825],
           dtype='int64', length=655)

4-1. 기본 마커로 표현하기

# icon=folium.Icon(color=icon_color) 로 아이콘 컬러를 변경

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

for i in df_31.index:
    
    sub_lat = df_31.loc[i, "위도"]
    sub_long = df_31.loc[i, "경도"]
    title = df_31.loc[i, "상호명"] + " - " + df_31.loc[i, "도로명주소"] 
   
    icon_color = "blue"
    if df_31.loc[i, "브랜드명"] == "던킨도너츠":
        icon_color = "red"

    folium.Marker([sub_lat, sub_long],
        icon=folium.Icon(color=icon_color),
        popup=f'<i>{title}</i>', 
        tooltip=title).add_to(m)
    
    
m.save("index.html")
m

4-2. MarkerCluster 로 표현하기

from folium.plugins import MarkerCluster

m = folium.Map([lat, long], zoom_start = 12)
marker_cluster = MarkerCluster().add_to(m)

for i in df_31.index:
    
    sub_lat = df_31.loc[i, "위도"]
    sub_long = df_31.loc[i, "경도"]
    title = df_31.loc[i, "상호명"] + " - " + df_31.loc[i, "도로명주소"] 
   
    icon_color = "blue"
    if df_31.loc[i, "브랜드명"] == "던킨도너츠":
        icon_color = "red"

    folium.Marker([sub_lat, sub_long],
        icon=folium.Icon(color=icon_color),
        popup=f'<i>{title}</i>', 
        tooltip=title).add_to(marker_cluster)
    
    
m.save("index.html")
m

4-3. Marker 로 위치를 찍어보기

m = folium.Map([lat, long], zoom_start=12, tiles="stamen toner")

for i in df_31.index:
    sub_lat = df_31.loc[i, "위도"]
    sub_long = df_31.loc[i, "경도"]
    
    title = df_31.loc[i, "상호명"] + " - " + df_31.loc[i, "도로명주소"]
    
    icon_color = "purple"
    if df_31.loc[i, "브랜드명"] == "던킨도너츠":
        icon_color = "pink"

    folium.CircleMarker(
        [sub_lat,sub_long ], 
        radius=3,
        color=icon_color,
        popup=f'<i>{title}</i>', 
        tooltip=title).add_to(m)

m.save('index.html')
m

4-4. Heatmap 으로 그리기

#heatmap이란? 
#heatmap = heat(열) + map(지도) , 데이터들의 배열을 색상으로 표현해주는 그래프

#heatmap을 사용하는 이유? 
#heatmap을 사용하면 두 가지의 카테고리 값에 대한 변화를 알기 쉽다.
#대용량 데이터를 적은 이미지 수로 표현 가능하다.

#heat맵의 장점?
#히트맵은 방문자들이 페이지 내 컨텐츠를 소비하는 방식에 대한 보다 포괄적인 데이터를 제공
#대용량 데이터를 분석하는데 익숙하지 않은 사람들은 이를 더욱 쉽게 엑세스할 수 있다. 


# [출처]
# https://ko.wikipedia.org/wiki/%ED%9E%88%ED%8A%B8_%EB%A7%B5
# https://www.thedigitalmkt.com/heatmap/
# https://dsbook.tistory.com/51

#데이터 2차원 배열 만들기 

heat = df_31[["위도", "경도", "브랜드명"]].copy()
heat["브랜드명"] = heat["브랜드명"].str.strip()
heat["브랜드명"] = heat["브랜드명"].replace("배스킨라빈스", 1).replace("던킨도너츠", 1)
heat = heat.values

heat[:5]

array([[ 37.47959928, 126.95216562,   1.        ],
       [ 37.55926336, 126.94536912,   1.        ],
       [ 37.53571341, 127.09568067,   1.        ],
       [ 37.55210376, 126.92380859,   1.        ],
       [ 37.65510084, 127.05081759,   1.        ]])

# HeatMap 그리기
from folium.plugins import HeatMap

m = folium.Map([lat, long], tiles='stamentoner', zoom_start=12)


for i in df_31.index:
    sub_lat = df_31.loc[i, "위도"]
    sub_long = df_31.loc[i, "경도"]
    
    title = df_31.loc[i, "상호명"] + " - " + df_31.loc[i, "도로명주소"]
    
    icon_color = "purple"
    if df_31.loc[i, "브랜드명"] == "던킨도너츠":
        icon_color = "pink"

    folium.CircleMarker(
        [sub_lat,sub_long ], 
        radius=3,
        color=icon_color,
        popup=f'<i>{title}</i>', 
        tooltip=title).add_to(m)

    
HeatMap(heat).add_to(m)

m.save('Heatmap.html')

m

'python' 카테고리의 다른 글

[python] 100 pandas puzzles (0)	2023.01.27
[python] jupyter notebook에서 생성한 folium map 티스토리로 불러오기 (2)	2023.01.26
[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (1) (0)	2023.01.25
[python] 데이터 전처리 ② (0)	2023.01.14
[python] 데이터 전처리 ① : 변수 추출 (0)	2023.01.12

통계먼지

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (2)

배스킨라빈스, 던킨도너츠 위치 분석

1. 특정 상호만 가져오기

2. 범주형 값으로 countplot 그리기

3. scatterplot 그리기

4. Folium 으로 지도 활용하기

서울의 배스킨라빈스와 던킨도너츠 매장 분포

4-1. 기본 마커로 표현하기

4-2. MarkerCluster 로 표현하기

4-3. Marker 로 위치를 찍어보기

4-4. Heatmap 으로 그리기

'python' 카테고리의 다른 글

댓글

티스토리툴바

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (2)

배스킨라빈스, 던킨도너츠 위치 분석

1. 특정 상호만 가져오기

2. 범주형 값으로 countplot 그리기

3. scatterplot 그리기

4. Folium 으로 지도 활용하기

서울의 배스킨라빈스와 던킨도너츠 매장 분포

4-1. 기본 마커로 표현하기

4-2. MarkerCluster 로 표현하기

4-3. Marker 로 위치를 찍어보기

4-4. Heatmap 으로 그리기

'python' 카테고리의 다른 글

관련글

댓글

티스토리툴바