Project UN

Gi Woon Lee·2024년 9월 25일

Projects

목록 보기

2/2

S.Korea : Vanishing at Unprecedented Speed

Project: S.Korea : Vanishing at Unprecedented Speed

process

주제 선정

데이터 전처리

분석 시각화

데이터 출처: https://population.un.org/wpp/Download/Standard/CSV/

-Presentation: https://www.canva.com/design/DAGRQgGsmRY/74Rn7KPzi5ro2ntp8C3ECA/edit
데이터를 국가별로 소분하여 각각의 테이블을 만들어 드라이브에 올려두었다.

한국
일본
세계
인도

주제 선정

24년도 상반기 합계 출산율 0.7명.
전례없는 속도로 고령화 및 인구 감소가 진행중인 대한민국의 상황을 객관적으로 모니터링하기 위해 필요한 데이터를 수집, 처리하여 대시보드를 만들어 보았다.

데이터 전처리

공유가 쉽도록 drive에 데이터를 올려 colab환경에 마운트하여 전처리를 진행하였다.

import pandas as pd
pd.set_option('display.float_format', '{:.0f}'.format)
# 모든 열을 출력할 수 있도록 옵션 설정
pd.set_option('display.max_columns', None)       # 모든 열을 출력하도록 설정
pd.set_option('display.max_colwidth', None)      # 열 이름의 최대 너비 제한을 해제
pd.set_option('display.max_seq_items', None)     # 출력할 최대 항목 수 제한을 해제

# 드라이브 마운트
from google.colab import drive
drive.mount('/content/drive')

India = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/1950-2100 - India.csv', encoding='utf-8', thousands=' ') #object
Japan = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/1950-2100 - Japan.csv', encoding='utf-8', thousands=' ') #int
Korea = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/1950-2100 - Korea.csv', encoding='utf-8', thousands=' ') #int
World = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/1950-2100 - World.csv', encoding='utf-8', thousands=' ') #object 타입


# 모든 테이블이 동일한 형식을 가지기 때문에 concat을 사용하여 위-아래로 붙여준다. 
population = pd.concat([World, Korea, Japan, India])
# 각 열을 숫자로 변환 (공백 제거 및 숫자형 변환)
population.loc[:, '0_15':'100+'] = population.loc[:, '0_15':'100+'].apply(pd.to_numeric, errors='coerce')
population['0_15'] = population.loc[:, '0':'14'].sum(axis=1)
population['15_39'] = population.loc[:, '15':'39'].sum(axis=1)
population['40_64'] = population.loc[:, '40':'64'].sum(axis=1)
population['65_'] = population.loc[:, '65':'100+'].sum(axis=1)
population['total'] = population.loc[:,'0':'100+'].sum(axis=1)


# 사용할 칼럼들만 뽑아내서 population_select 변수에 재배정
population_select = population[['Year', 'Country', '0_15', '15_39', '40_64', '65_','total']]

# 단위 "천 명" -> "명" 으로 맞추기
population_select.loc[:, '0_15':'total'] = population_select.loc[:, '0_15':'total'] * 1000


# GDP 데이터 넣기 | melting -> merging
GDP = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/GDP.csv')
GDP = GDP.drop(index=[0,1]).rename(columns={'Country Name':'Year', 'Korea, Rep.':'Korea'})
# melt
melted_GDP = GDP.melt(id_vars='Year', var_name='country', value_name='GDP')
melted_GDP = melted_GDP.rename(columns={'country':'Country'})
melted_GDP['Year'] = melted_GDP['Year'].astype(int)
# merge
population_gdp = population_select.merge(melted_GDP, how='left', on=['Year', 'Country'])


# 출산율 데이터 넣기 | melting -> merging
born = pd.read_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/born.csv')
born = born.rename(columns={'Country Name':'Year', 'Korea, Rep.':'Korea'})
# melt
birthrate = born.melt(id_vars = 'Year', var_name='Country', value_name='Birth rate' )
population_gdp.merge(birthrate, how = 'left', on=['Year', 'Country'])
# merge
population_gdp_birthrate = population_gdp.merge(birthrate, how = 'left', on=['Year', 'Country'])


# 파생변수(면적당 인구)
def PPA_calculation(df):
    # 각 나라의 면적 (단위: 제곱킬로미터)
    area_dict = {
        'India': 3287000,
        'Korea': 100210,
        'Japan': 377973,
        'World': 510072000
    }

    # 각 행마다 PPA를 계산 (인구 밀도)
    df['population per area'] = df.apply(lambda row: row['total'] / area_dict.get(row['Country'], 1), axis=1)


    return df
PPA_calculation(df)

# 저장
PPA_calculation(df).to_csv('/content/drive/MyDrive/스파르타_실전프로젝트B03/새롭게 시작한 프로젝트/작업/project.csv')

Tableau 시각화

절차
1. 테이블 업로드, 타입 점검
2. 대시보드 디자인 by Figma, 노트와 펜
3. 워크시트 생성 (디자인 과정에서 필요하다고 정리한 chart, BAN 등)
4. 대시보드 컨테이너 설계 by draw.io
5. 대시보드 조립

1. 테이블 업로드, 타입 점검

project_real.csv: 시계열 예측에 필요한 데이터
한국지도.csv: 위치, 지역별 고령화, 출산율 정보 포함 데이터

인구 칼럼 total + 총 인구수 로 연결해줬다.
빨간 표시가 되어있는 데이터 타입 부분을 검토하며 날짜, 위치 등의 맞는 타입을 배정해준다.

2. 대시보드 디자인 by Figma, 노트와 펜

figma를 통해 팀원들과 함께 그림을 그려가며 디자인 하거나, 노트와 팬을 사용해 원하는 모습, kpi, 그래프 위치 등을 최대한 설득력 있게 디자인한다.

야망 넘치게 그려낸 첫 디자인. 조금씩 실현 가능한 모습으로 단순화되는게 킬포다.
두 번째 디자인
세 번째 디자인 가장 직관적이고 설명 가능한 그래프라고 자부한다. 쫌 없어보이지만 그래도 완성하면 멋있음.

3. 워크시트 생성 (디자인 과정에서 필요하다고 정리한 chart, BAN 등)

KPI를 BAN(big ass number)로 만들어 각각의 워크시트에 담아냈다.
대한민국 위치 정보를 활용하여 지역별 고령화, 출산율을 시각화했다.
이 때 도구 설명란을 적극 활용하여 마우스를 지도에 올려두었을 때 추가정보다 팝업될 수 있도록 했다.
세계 vs 한국의 인구 시계열 데이터 비교, 일본과의 비교 등을 차트로 표현