Summary

1. 파이썬을 통한 데이터 분석과 시각화는 파이썬 라이브러리 활용법만 알면 의외로 쉬울 수 있습니다.
2. 문제 정의, 데이터 수집, 데이터 가공이

Introduction

김수정 강사님
Python을 활용하여 서울시 따릉이 데이터를 분석하고 시각화하는 방법을 다룹니다. 이 글에서는 데이터 수집, 가공, 분석, 그리고 시각화까지의 전 과정을 설명합니다.

📌 목차
1. 문제 정의
2. 데이터 수집
3. 데이터 가공
4. 데이터 분석
5. 데이터 시각화

Code, Conept & Explanation

1️⃣ 문제 정의

서울시 공공자전거 따릉이 데이터는 다양한 정보를 담고 있습니다. 이 데이터를 활용하여 다음과 같은 질문을 해결해보겠습니다:

• 시간에 따른 이용 패턴은?
• 장소적 특징에 따른 이용 패턴은?
• 시간과 장소를 동시에 고려한 이용 패턴은?

주요 분석 주제

시간 개념: 요일별, 시간대별 이용 패턴 분석.
장소적 특징: 지역별 인기 대여소 및 평균 이용 시간 분석.
시간과 장소의 결합: 특정 시간대와 장소의 이용 패턴 분석.

2️⃣ 데이터 수집

필요한 데이터

• 서울시 공공자전거 대여 이력 데이터
• 각 대여소의 위도와 경도 정보

데이터 읽기

import pandas as pd

# CSV 파일 읽기
data_files = [f"bike_rent_{i}.csv" for i in range(1, 7)]
dataframes = [pd.read_csv(file) for file in data_files]

# 데이터 합치기
bikes = pd.concat(dataframes, ignore_index=True)

데이터 확인

# 데이터프레임 정보 확인
print(bikes.info())
# 데이터 미리보기
print(bikes.head())

3️⃣ 데이터 가공

필요한 컬럼 추가

• 날짜, 시간, 요일, 주말/평일 구분 컬럼을 추가하여 분석에 필요한 정보를 추출합니다.

# '대여일시'를 datetime 형식으로 변환
bikes['대여일시'] = pd.to_datetime(bikes['대여일시'])

# 일자, 요일, 시간대 추가
bikes['일자'] = bikes['대여일시'].dt.date
bikes['요일'] = bikes['대여일시'].dt.day_name()
bikes['시간대'] = bikes['대여일시'].dt.hour
bikes['주말구분'] = bikes['요일'].apply(lambda x: '주말' if x in ['Saturday', 'Sunday'] else '평일')

4️⃣ 데이터 분석

요일별 이용 건수

# 요일별 대여 건수
weekday_counts = bikes['요일'].value_counts()
print(weekday_counts)

시간대별 이용 패턴

# 시간대별 대여 건수
hourly_counts = bikes['시간대'].value_counts().sort_index()
print(hourly_counts)

5️⃣ 데이터 시각화

Seaborn을 활용한 시각화

1. 요일별 대여 건수

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
sns.countplot(data=bikes, x='요일', order=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])
plt.title('요일별 대여 건수')
plt.show()

2. 시간대별 대여 패턴

plt.figure(figsize=(10, 6))
sns.barplot(x=hourly_counts.index, y=hourly_counts.values)
plt.title('시간대별 대여 건수')
plt.xlabel('시간대')
plt.ylabel('건수')
plt.show()

3. 지도 시각화

import folium

# 지도 생성
seoul_map = folium.Map(location=[37.5665, 126.9780], zoom_start=11)

# 대여소 위치 표시
for idx, row in bikes.iterrows():
    folium.CircleMarker(
        [row['위도'], row['경도']],
        radius=5,
        color='blue',
        fill=True
    ).add_to(seoul_map)

# 지도 출력
seoul_map.save("seoul_bike_map.html")

Challenges & Solutions

1. 데이터 분석이 쉬워지는 핵심 메서드

Pandas (데이터 처리 및 분석)

1. 데이터 읽기/쓰기

• read_csv(), to_csv():

import pandas as pd
df = pd.read_csv('data.csv')  # 데이터 읽기
df.to_csv('output.csv', index=False)  # 데이터 저장

2. 데이터 탐색

• head(), info(), describe():

print(df.head())      # 데이터의 상위 5행 확인
print(df.info())      # 데이터 구조와 타입 확인
print(df.describe())  # 수치형 데이터 요약 통계

3. 데이터 선택

• iloc[], loc[]:

print(df.iloc[0])  # 첫 번째 행 선택
print(df.loc[df['컬럼명'] > 10])  # 조건을 만족하는 행 선택

4. 데이터 정렬

• sort_values(), sort_index():

df_sorted = df.sort_values(by='컬럼명', ascending=False)  # 특정 컬럼 기준 정렬

5. 결측치 처리

• isnull(), fillna():

print(df.isnull().sum())  # 결측치 개수 확인
df['컬럼명'] = df['컬럼명'].fillna(0)  # 결측치를 0으로 채움

6. 그룹화

• groupby():

grouped = df.groupby('컬럼명').mean()  # 특정 컬럼 기준 평균 계산
print(grouped)

Matplotlib & Seaborn (데이터 시각화)

1. 기본 플롯 그리기

• plot() (Matplotlib):

import matplotlib.pyplot as plt
df['컬럼명'].plot(kind='line')
plt.show()

2. 시각화 강화

Seaborn:
python
Copy code
import seaborn as sns
sns.barplot(x='요일', y='이용건수', data=df)
plt.show()

Results

What I Learned & Insights

라이브러리를 알고 있다면, 파이썬을 기반으로 데이터 정제와 분석이 의외로 쉬울 수 있습니다.
원하는 데이터를 찾고 가공하는 것이 오히려 난이도가 높을 수 있습니다.

파이썬 데이터 분석은 라이브러리를 얼마나 잘 활용하느냐가 관건입니다. 메서드만 잘 이해하고 적용하면, 복잡한 분석도 간단한 코드로 처리할 수 있습니다.

또한, 데이터에 따라 문제를 정의하고 적합한 메서드를 선택하는 능력이 중요합니다.

✨ Conclusion 결론

서울시 따릉이 데이터 분석을 통해 시간과 장소에 따른 이용 패턴을 확인했습니다. 이러한 데이터는 도시 교통 개선 및 자전거 인프라 확충에 중요한 참고 자료로 활용될 수 있습니다.