소상공인시장진흥공단 상가업소정보로 스타벅스, 이디야 위치 분석하기

이번 실습에서는 이디야와 스타벅스의 매장입지의 차이에 대해 파악하는 과정을 다룬다.

다음 기사에서 제시된 시각화 자료와 비슷하게 만들어보기 위해 Pandas, Numpy, Seaborn, Matplotlib, folium 등을 사용한다.

관련 기사

[비즈&빅데이터]스타벅스 '쏠림' vs 이디야 '분산'

스타벅스와 이디야는 해외브랜드와 토종브랜드를 대표하는 양대 커피 전문점이다. 1999년 이대1호점으로 국내에 상륙한 스타벅스는 신세계 이마트와 미국 스타벅스 본사(스타벅스커피인터내셔

news.bizwatch.co.kr

다루는 내용

공공데이터를 활용해 텍스트 데이터 정제하고 원하는 정보 찾아내기
문자열에서 원하는 텍스트 추출하기
문자열을 활용한 다양한 분석 방법과 위치 정보 사용하기
folium을 통한 위경도 데이터 시각화 이해하기

이전 글

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

소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (2)

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (2)

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 시작하

imstatdust.tistory.com

1. 필요한 라이브러리 불러오기

import numpy as np
import pandas as pd
import seaborn as sns

2. 시각화를 위한 한글 폰트 사용하기

import matplotlib.pyplot as plt

plt.rc("font", family="Malgun Gothic")
plt.rc("axes", unicode_minus=False)

# 폰트가 선명하게 보이도록 retina 설정
from IPython.display import set_matplotlib_formats
%config InlineBackend.figure_format = 'retina'

3. 데이터 불러오기

In [5]:

import pandas as pd
df = pd.read_csv("C:/Users/yobin/Downloads/상가업소정보_201912_01.csv", sep="|")
df.shape

Out[5]:

(573680, 39)

3-1. 데이터 미리보기

In [9]:

df.head(1)

Out[9]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	19905471	와라와라호프	NaN	Q	음식	Q09	유흥주점	Q09A01	호프/맥주	I56219	...	1168010600106040000014378	대치상가	서울특별시 강남구 남부순환로 2933	135280	6280.0	NaN	1	NaN	127.061026	37.493922

1 rows × 39 columns

3-2. info 보기

In [10]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 573680 entries, 0 to 573679
Data columns (total 39 columns):
 #   Column     Non-Null Count   Dtype  
---  ------     --------------   -----  
 0   상가업소번호     573680 non-null  int64  
 1   상호명        573679 non-null  object 
 2   지점명        76674 non-null   object 
 3   상권업종대분류코드  573680 non-null  object 
 4   상권업종대분류명   573680 non-null  object 
 5   상권업종중분류코드  573680 non-null  object 
 6   상권업종중분류명   573680 non-null  object 
 7   상권업종소분류코드  573680 non-null  object 
 8   상권업종소분류명   573680 non-null  object 
 9   표준산업분류코드   539290 non-null  object 
 10  표준산업분류명    539290 non-null  object 
 11  시도코드       573680 non-null  int64  
 12  시도명        573680 non-null  object 
 13  시군구코드      573680 non-null  int64  
 14  시군구명       573680 non-null  object 
 15  행정동코드      573680 non-null  int64  
 16  행정동명       573680 non-null  object 
 17  법정동코드      573680 non-null  int64  
 18  법정동명       573680 non-null  object 
 19  지번코드       573680 non-null  int64  
 20  대지구분코드     573680 non-null  int64  
 21  대지구분명      573680 non-null  object 
 22  지번본번지      573680 non-null  int64  
 23  지번부번지      474924 non-null  float64
 24  지번주소       573680 non-null  object 
 25  도로명코드      573680 non-null  int64  
 26  도로명        573680 non-null  object 
 27  건물본번지      573680 non-null  int64  
 28  건물부번지      71988 non-null   float64
 29  건물관리번호     573680 non-null  object 
 30  건물명        265608 non-null  object 
 31  도로명주소      573680 non-null  object 
 32  구우편번호      573680 non-null  int64  
 33  신우편번호      573671 non-null  float64
 34  동정보        50856 non-null   object 
 35  층정보        347127 non-null  object 
 36  호정보        85266 non-null   object 
 37  경도         573680 non-null  float64
 38  위도         573680 non-null  float64
dtypes: float64(5), int64(11), object(23)
memory usage: 170.7+ MB

3-3. 결측치 보기

In [6]:

# isnull() 을 사용하면 데이터의 결측치를 볼 수 있습니다.
# 결측치는 True로 값이 있다면 False로 표시되는데 True 는 1과 같기 때문에 
# True 값을 sum()을 사용해서 더하게 되면 합계를 볼 수 있습니다.
df.isnull()
df.isnull().sum()

Out[6]:

상가업소번호            0
상호명               1
지점명          497006
상권업종대분류코드         0
상권업종대분류명          0
상권업종중분류코드         0
상권업종중분류명          0
상권업종소분류코드         0
상권업종소분류명          0
표준산업분류코드      34390
표준산업분류명       34390
시도코드              0
시도명               0
시군구코드             0
시군구명              0
행정동코드             0
행정동명              0
법정동코드             0
법정동명              0
지번코드              0
대지구분코드            0
대지구분명             0
지번본번지             0
지번부번지         98756
지번주소              0
도로명코드             0
도로명               0
건물본번지             0
건물부번지        501692
건물관리번호            0
건물명          308072
도로명주소             0
구우편번호             0
신우편번호             9
동정보          522824
층정보          226553
호정보          488414
경도                0
위도                0
dtype: int64

In [12]:

df.isnull().sum().plot.barh(figsize=(8,9))

Out[12]:

<AxesSubplot:>

3-4. 사용하지 않는 컬럼 제거하기

In [13]:

columns = ['상호명', '상권업종대분류명', '상권업종중분류명', '상권업종소분류명', 
           '시도명', '시군구명', '행정동명', '법정동명', '도로명주소', 
           '경도', '위도']

df=df[columns].copy()
df.shape

Out[13]:

(573680, 11)

In [14]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 573680 entries, 0 to 573679
Data columns (total 11 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   도로명주소     573680 non-null  object 
 9   경도        573680 non-null  float64
 10  위도        573680 non-null  float64
dtypes: float64(2), object(9)
memory usage: 48.1+ MB

4. 색인으로 서브셋 가져오기

4-1. 서울만 따로 보기

In [15]:

df_seoul = df[df["시도명"] == "서울특별시"].copy()
df_seoul.shape

Out[15]:

(407376, 11)

4-2. 일부 텍스트가 들어가는 데이터만 가져오기

https://pandas.pydata.org/docs/user_guide/text.html#testing-for-strings-that-match-or-contain-a-pattern

In [ ]:

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

In [17]:

df_seoul.loc[df_seoul["상호명_소문자"].str.contains("이디야|이디아|ediya"), "상호명_소문자"].shape

Out[17]:

(543,)

In [18]:

# 상호명에서 스타벅스만 가져오기

df_seoul.loc[df_seoul["상호명_소문자"].str.contains("스타벅스|starbucks"), "상호명_소문자"].shape

Out[18]:

(506,)

In [19]:

# '상호명_소문자'컬럼으로  '스타벅스|starbucks|이디야|이디아|ediya'를 가져와 df_cafe 변수에 담는다.

df_cafe = df_seoul[
    df_seoul["상호명_소문자"].str.contains('스타벅스|starbucks|이디야|이디아|ediya')].copy()
df_cafe.shape

Out[19]:

(1049, 12)

In [20]:

df_cafe.loc[df_cafe["상호명_소문자"].str.contains('스타벅스|starbucks'), "브랜드명"] = "스타벅스"
df_cafe.loc[~df_cafe["상호명_소문자"].str.contains('스타벅스|starbucks'), "브랜드명"] = "이디야"
df_cafe[["상호명_소문자", "브랜드명"]].head()

# 스타벅스를 제외한 데이터는 이디야이기 때문에 이디야로 브랜드명을 만듭니다.
# df_cafe["브랜드명"].fillna("이디야")

Out[20]:

	상호명_소문자	브랜드명
1104	스타벅스	스타벅스
1675	이디야커피	이디야
2023	스타벅스종로3가점	스타벅스
2770	스타벅스	스타벅스
2957	이디야커피	이디야

In [21]:

# df_cafe에 담긴 상호명','브랜드명'으로 미리보기
df_cafe[["상호명", "브랜드명"]].tail()

Out[21]:

	상호명	브랜드명
567090	스타벅스	스타벅스
567828	스타벅스	스타벅스
568636	이디야커피	이디야
570096	스타벅스	스타벅스
571052	스타벅스	스타벅스

4-3. 시각화

분류별 countplot 그리기

In [22]:

df_cafe["상권업종중분류명"].value_counts()

Out[22]:

커피점/카페       1036
학원-어학           3
광고/인쇄           2
주유소/충전소         1
유흥주점            1
분양              1
주택수리            1
기타판매업           1
종합소매점           1
패스트푸드           1
운동/경기용품소매       1
Name: 상권업종중분류명, dtype: int64

In [23]:

df_cafe["상권업종중분류명"].value_counts().plot.barh()

Out[23]:

<AxesSubplot:>

In [24]:

print(df_cafe.shape)
df_cafe = df_cafe[df_cafe["상권업종중분류명"] == "커피점/카페"].copy()
df_cafe.shape

(1049, 13)

Out[24]:

(1036, 13)

In [25]:

df_cafe["브랜드명"].value_counts()

Out[25]:

이디야     532
스타벅스    504
Name: 브랜드명, dtype: int64

In [26]:

sns.countplot(data=df_cafe, x="브랜드명")

Out[26]:

<AxesSubplot:xlabel='브랜드명', ylabel='count'>

In [27]:

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

Out[27]:

<AxesSubplot:xlabel='시군구명', ylabel='count'>

scatterplot 그리기

https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html#scatter-plot

In [28]:

#pandas - scatterplot
df_cafe[["위도", "경도"]].plot.scatter(x="경도", y="위도")

Out[28]:

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

In [29]:

#seaborn - scatterplot
sns.scatterplot(data=df_cafe, x="경도", y="위도", hue="브랜드명")

Out[29]:

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

jointplot 그리기

In [30]:

sns.jointplot(data=df_cafe, x="경도", y="위도", kind="kde")

Out[30]:

<seaborn.axisgrid.JointGrid at 0x1dd06840a60>

'python' 카테고리의 다른 글

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (4) (0)	2023.01.29
[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 (2) (1)	2023.01.25
[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (1) (0)	2023.01.25

통계먼지

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (3)

소상공인시장진흥공단 상가업소정보로 스타벅스, 이디야 위치 분석하기

1. 필요한 라이브러리 불러오기

2. 시각화를 위한 한글 폰트 사용하기

3. 데이터 불러오기

3-1. 데이터 미리보기

3-2. info 보기

3-3. 결측치 보기

3-4. 사용하지 않는 컬럼 제거하기

4. 색인으로 서브셋 가져오기

4-1. 서울만 따로 보기

4-2. 일부 텍스트가 들어가는 데이터만 가져오기

4-3. 시각화

분류별 countplot 그리기

scatterplot 그리기

jointplot 그리기

'python' 카테고리의 다른 글

댓글

티스토리툴바

[python] 소상공인시장진흥공단 상가업소정보로 프랜차이즈 입점분석 (3)

소상공인시장진흥공단 상가업소정보로 스타벅스, 이디야 위치 분석하기

1. 필요한 라이브러리 불러오기

2. 시각화를 위한 한글 폰트 사용하기

3. 데이터 불러오기

3-1. 데이터 미리보기

3-2. info 보기

3-3. 결측치 보기

3-4. 사용하지 않는 컬럼 제거하기

4. 색인으로 서브셋 가져오기

4-1. 서울만 따로 보기

4-2. 일부 텍스트가 들어가는 데이터만 가져오기

4-3. 시각화

분류별 countplot 그리기

scatterplot 그리기

jointplot 그리기

'python' 카테고리의 다른 글

관련글

댓글

티스토리툴바