2022-08-29~2022-09-01

📌 과제 리뷰

✅ 경기도 전기차 충전소 현황 분석

1. 라이브러리 임포트 및 데이터 불러오기
2. 데이터 전처리
3. 데이터 분석(그래프 그리기)
4. 지도 시각화

로 구분해서 작성해보겠다.

✏️ 1. 라이브러리 임포트 및 데이터 불러오기

import pandas as pd
import matplotlib.pyplot as plt
import plotly.express as px
import folium

df = pd.read_csv('/content/drive/MyDrive/전공관련/데이터 자료/전기차충전소현황.csv')

데이터분석을 위해 pandas 불러왔고 그래프를 그리기 위한 matplot라이브러리와 plotly, 지도시각화를 위한 folium까지 import 완료

✏️ 2. 데이터 전처리

# 1) 시군구명 컬럼 생성 및 필요없는 컬럼 삭제
data_split = df['소재지도로명주소'].str.split(' ')
df['시군구명'] = data_split.str.get(2)
del df['소재지지번주소']
del df['소재지도로명주소']
del df['소재지우편번호']

데이터 분석을 위해 필요한 건 시군구명이기때문에 소재지도로명주소 컬럼에서 시군구명만 split을 한 후 컬럼을 새로 생성했다. 그 후 우리 분석에 필요없는 지번주소 도로명주소 우편번호 이런 것들은 그냥 싹 다 삭제했다.

# 2) 컬럼 순서 정리
df = df[['충전소명','시군명', '시군구명', 'WGS84위도', 'WGS84경도', '운영기관명', '충전기타입명']]

그리고 .. 내가 약간 강박증이 있어서 새로 생성한 컬럼이 뒤에 따로 있는게 싫어서 순서를 정리해보았다. 안해도 문제없음.

# 3) NaN데이터 처리
# df.isna().sum()
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

NaN 데이터 확인 후 dropna로 그냥 다 날려버렸다. 근데 여기서 문제. dropna로 데이터를 날리게 되면 인덱스 번호가 0,1,2,3,5,...,333,335,... 이런식으로 되어서 나중에 지도시각화할 때였나 .. 암튼 에러가 뜬다. 그래서 인덱스 번호를 리셋해주었다. 다른 조에서 에러가 났대서 구경갔다가 알게된 사실 .. 감사 ..

✏️ 3. 데이터 분석(그래프 그리기)

df.to_csv('경기도전기차현황.csv', encoding='utf-8-sig')

데이터 저장부터 하고 분석합시다..

# 1) 시군별 충전소 현황 - 단순한 빈도수 체크
fig = px.bar(df, x='시군명', color = '시군명')
fig.show()

시별로 구분해서 보고 싶어서 color에 시군명을 넣어보았다.
성남시에 가장 많고 용인과 수원이 뒤따르고 있는 모습.

# 2) 각 시별 시군구별 충전소 현황
city = input('충전소 현황을 확인하고 싶은 지역을 입력하시오: ')  # 지역 이름 넣기
a = df['시군명'].str.contains(city)  # 해당 지역의 인덱스 찾기
df2 = df[a]  # 인구구조 저장
fig = px.bar(df2, x='시군구명', color ='시군구명')
fig.show()

split을 한 이유.. 사용자에게 시를 input 받아 시군구별로 비교하고 싶었다.
근데 사실 이 그래프에는 비밀이 있다. 그 시에 구가 없으면 걍 도로명주소가 나온다...

이렇게 .. 지번주소로 split을 했었다면 동으로라도 비교가 가능했을텐데 split했을 때는 이런거까지 생각하고 하지는 않았기땜에 ....

# 3) 운영기관 빈도수 그래프
fig = px.bar(df, x='운영기관명', color='운영기관명')
fig.show()

운영기관별로도 비교해보았다. 근데 보면 색이 연해서 ..
(나중에 교통사고데이터분석할때는 더더욱 색이 연했다)
이 색을 어케 할 수는 없나??했었는데 월요일, 그러니까 9월 5일에 교수님이 plotly로 히스토그램 그리는 방법을 알려주시면서 걍 해결됐다 ..
교수님이 히스토그램 그리시는 거 보면서 처음 그래프 그리기 전에 빈도수 비교 그래프니까 matplot으로 히스토그램 그래프를 그렸다가 그래프가 뭔가 맘에 안들어서 plotly로 히스토그램 그래프 그리는 방법을 검색해봐야겠다 해놓고 까먹은게 기억이 났다.. 이상하게 교육장에서 과제하면 정신이 없어서 집에서 차분히 하면 잘 보이는 것들도 다 안보이고 금방 해결할 수 있는 문제도 엄청 시간을 들여 헤매게 된다 .. 나중에 교통사고 데이터 분석할때 이게 엄청 심해져서 .. 걍 집에서 처음부터 다시하게돼서 밤도 샜다 ...
나는 뭐가 문제지
뭐가 문제긴 뭐가 문제야 집중력 문제지 ..
우짜죠 총명캔디라도 사먹어야될까요

# 4) 충전기 현황(파이차트)
ratio = df['충전기타입명'].value_counts()
labels=['AC완속', 'DC차데모+AC3상+DC콤보', 'DC차데모+DC콤보', 'DC콤보', 'DC차데모+AC3상']
plt.figure(dpi=200)
plt.title('충전기 비율')
plt.pie(ratio, startangle=90, autopct='%.2f%%')
plt.legend(labels, loc=(0.9, 0.7))
plt.show()

충전기는 파이차트로 그리고 싶어서 그리는데 아무래도 이건 총 value 같은 데이터가 없다보니까 value_counts를 써서 그렸다.
(이것도 다른조가 알려줬다 감사 ..)
이것도 plotly 써서 그리면 좀 더 보완 가능할 거 같다.

# 5) 지역별 운영기관 분포도
fig = px.bar(df, x='시군명', color='충전기타입명')
fig.show()

그래프를 그리다보니까 누적그래프를 너무 ...... 그리고 싶었는데 이게 다 컬럼이다보니까 그려지지를 않아서 ..
(검색을 그짓말 안치고 50번은 하고 유튜브 영상도 5개는 본 거 같은데 groupby를 몰랐다 .. 구글링 하는 방법부터 연마해야할듯)
일단은 color로 구분하는 걸로 만족했었다 ..

✏️ 4. 지도 시각화

우리 조는 지도시각화에 표현하고 싶은 것이

1. 설치 취소된 충전소 맵에 표시하기
2. 충전기 선호도 맵에 표시하기
3. 랜드마크 찾아서 그 근처 전기차 현황 보기

였다(모두 조장님의 아이디어 .. 짱!)

2번은 자료를 조사하다보니 차종별로 충전기 호환되는게 있고 안되는게 있어서 이걸로 표시하는 걸로 바뀌었다. 또 원래 충전기 별로 색을 구분해서 표시하려고 했는데 시각화를 하다보니 이게 별로 의미가 없는 거 같아서 사용자가 차종을 입력하면 충전 가능한 곳과 불가능한 곳으로 구분해서 표시하는 것으로 최종 결정!

자료는 이곳에서 참고했다!!
(https://www.ev.or.kr/portal/chargerkind)

from ipywidgets.widgets.widget_selection import RadioButtons
# 3. 지도 시각화 - 충전소 위치
# 충전기타입별 가능한 차종 all~~~

from scipy.sparse import dok


type_1 = ['블루온', '레이', '쏘울', '아이오닉', '스파크', 'i3', 'Leaf', '볼트', 'ZOE']
type_2 = ['블루온', '레이', '쏘울', '아이오닉', 'Leaf', 'SM3 ZE', '코나', '니로', 'ZOE', '스파크', '볼트', 'i3']
type_3 = ['블루온', '레이', '쏘울', '아이오닉', 'Leaf', '코나', '니로', 'ZOE', '스파크', '볼트', 'i3']
type_4 = ['아이오닉', '코나', '니로', '쏘울', 'ZOE', '스파크', '볼트', 'i3']
type_5 = ['블루온', '레이', '쏘울', '아이오닉', 'Leaf', 'SM3 ZE']
landmark = ['용인 에버랜드', '수원 화성', '서울대공원(서울랜드)', '한국민속촌', '파주 프로방스 마을']
landmark_lat = ['37.27711935934', '37.2869619', '37.42922350891575', '37.259406344922276', '37.79080554013303']
landmark_lon = ['127.22694956007', '127.011801', '127.01476688687515', '127.12315632756929', '126.68517789344757']


print(landmark)

carname = input("차종을 입력하세요")
ln = input("위의 랜드마크 중 하나를 골라 입력하시오")


Kmap = folium.Map(location=[df['WGS84위도'].mean(), df['WGS84경도'].mean()], zoom_start=10)

condition = df['충전기타입명']

for n in range(5):
  if ln in landmark[n]:
    folium.CircleMarker([float(landmark_lat[n]), float(landmark_lon[n])], radius = 100, 
                      color='orange', fill_color='orange').add_to(Kmap)

for index_draw in range(0, len(condition)):
  if condition[index_draw] == 'AC완속' and carname in type_1:
    folium.Marker([df.loc[index_draw, 'WGS84위도'], df.loc[index_draw, 'WGS84경도']],
                  popup='<pre>'+df['충전소명'][index_draw]+'</pre>', tooltip = '블루온, 레이, 쏘울, 아이오닉, 스파크, i3, Leaf, 볼트, ZOE',
                  icon = folium.Icon(color='blue', icon='fa-car', prefix='fa')).add_to(Kmap)

  elif condition[index_draw] == 'DC차데모+AC3상+DC콤보' and carname in type_2:
    folium.Marker([df.loc[index_draw, 'WGS84위도'], df.loc[index_draw, 'WGS84경도']],
                  popup='<pre>'+df['충전소명'][index_draw]+'</pre>', tooltip = '블루온, 레이, 쏘울, 아이오닉, Leaf, SM3 ZE, 코나, 니로, ZOE, 스파크, 볼트, i3',
                  icon = folium.Icon(color='blue', icon='fa-car', prefix='fa')).add_to(Kmap)

  elif condition[index_draw] == 'DC차데모+DC콤보' and carname in type_3:
    folium.Marker([df.loc[index_draw, 'WGS84위도'], df.loc[index_draw, 'WGS84경도']],
                  popup='<pre>'+df['충전소명'][index_draw]+'</pre>', tooltip = '블루온, 레이, 쏘울, 아이오닉, Leaf, 코나, 니로, ZOE, 스파크, 볼트, i3',
                  icon = folium.Icon(color='blue', icon='fa-car', prefix='fa')).add_to(Kmap)

  elif condition[index_draw] == 'DC콤보' and carname in type_4:
    folium.Marker([df.loc[index_draw, 'WGS84위도'], df.loc[index_draw, 'WGS84경도']],
                  popup='<pre>'+df['충전소명'][index_draw]+'</pre>', tooltip = '아이오닉, 코나, 니로, 쏘울, ZOE, 스파크, 볼트, i3',
                  icon = folium.Icon(color='blue', icon='fa-car', prefix='fa')).add_to(Kmap)

  else:
    folium.Marker([df.loc[index_draw, 'WGS84위도'], df.loc[index_draw, 'WGS84경도']],
                  popup='<pre>'+df['충전소명'][index_draw]+'</pre>', tooltip = '충전 불가',
                  icon = folium.Icon(color='red', icon='fa-car', prefix='fa')).add_to(Kmap)  

Kmap

차종은 코나, 랜드마크는 민속촌을 입력한 결과이다
솔직히 경기도 전기차 현황 분석은 우리가 하려고 했던 대로 결과가 잘 나온 편인 거 같다.
문제는 .. 교통사고현황이었다.
집에서 과제하고있는데도 집에 가고 싶었다 ㅎㅎ ..

✅ 2018~2021년 교통사고 현황 분석

이번에도

1. 라이브러리 임포트 및 데이터 불러오기
2. 데이터 전처리
3. 데이터 분석(그래프 그리기)
4. 지도 시각화
5. 부산지역 교통사고 현황 분석

로 구분해서 작성해보겠다.

✏️ 1. 라이브러리 임포트 및 데이터 불러오기

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import plotly.express as px
import folium

df_18 = pd.read_csv('/content/drive/MyDrive/전공관련/데이터 자료/도로교통공단_사망교통사고정보_2018.csv')
df_19 = pd.read_csv('/content/drive/MyDrive/전공관련/데이터 자료/도로교통공단_사망교통사고정보_2019.csv')
df_20 = pd.read_csv('/content/drive/MyDrive/전공관련/데이터 자료/도로교통공단_사망교통사고정보_2020.csv')
df_21 = pd.read_csv('/content/drive/MyDrive/전공관련/데이터 자료/도로교통공단_사망 교통사고 정보_20211231.csv')

이때까지만 해도 제정신이었던 거 같은데 어디서 정신머리가 가출햇을꼬...

✏️ 2. 데이터 전처리

# 2018년
date_18 = df_18['발생년월일시분'].str.split(' ')
df_18['발생년월일'] = pd.to_datetime(date_18.str.get(0), format='%Y-%m-%d', errors='raise')
df_18['발생시간'] = date_18.str.get(1).str.split(':').str.get(0)
df_18 = df_18.astype({'발생시간':'int64'})
df_18 = df_18.astype({'발생년':'str'})
#df_18['발생시간'] = pd.to_datetime(date_18.str.get(1), format='%H:%M', errors='raise').dt.time  -> 시분초

어디긴 어디야 걍 집에서 나온 순간부터 정신머리는 없었던 거 같다...
암튼 경기도 현황이랑 유사하게 split이용해서 발생년월일시분에서 발생년월일과 발생시간만 따와서 새 컬럼을 생성하고 데이터 타입도 변경해주었다. 사실 발생년은 나중에 그래프그리다가 생성했다.

# 2019년
date_19 = df_19['발생년월일시'].str.split(' ')
df_19['발생년월일'] = pd.to_datetime(date_19.str.get(0), format='%Y-%m-%d', errors='raise')
df_19['발생시간'] = date_19.str.get(1)
df_19 = df_19.astype({'발생시간':'int64'})
df_19 = df_19.astype({'발생년':'str'})

# 2020년
date_20 = df_20['발생년월일시'].str.split(' ')
df_20['발생년월일'] = pd.to_datetime(date_20.str.get(0), format='%Y-%m-%d', errors='raise')
df_20['발생시간'] = date_20.str.get(1)
df_20 = df_20.astype({'발생시간':'int64'})
df_20 = df_20.astype({'발생년':'str'})

# 2021년
date_21 = df_21['발생년월일시'].str.split(' ')
df_21['발생년월일'] = pd.to_datetime(date_21.str.get(0), format='%Y-%m-%d', errors='raise')
df_21['발생시간'] = date_21.str.get(1).str.split(':').str.get(0)
df_21 = df_21.astype({'발생시간':'int64'})
df_21 = df_21.astype({'발생년':'str'})

데이터들이 다 달라서 욕하면서 전처리했다.
근데 이걸 교육장에서는 눈치를 못챔 .. 미친거아님???
조장님이랑 팀원언니가 말을 해줬는데 아 ㅇㅋㅇㅋ해놓고 아무생각없이 전처리하고 나중에 집에서 하는데 지도시각화가 안돼서 그제서야 눈치챔..
남의 말을 귓등으로도 안들은거지 걍
코랩도 답답햇겟다 오류로 그따구로 하는 거 아니라도 알려주는데 알아먹지도 못하고 ... 그렇게 저는 약 8시간을 그저 흘러보내고 집에 왔습니다..
이거 쓰니까 또 화나네 ...

# 2) 컬럼 정리
# 2-1) 18년도 사상자 = 사망자 + 중상자 + 경상자, 나머지년도 부상자 = 중상자 + 경상자)
del df_18['사상자수']
df_18['부상자수'] = df_18['중상자수'] + df_18['경상자수']
# 2-2) 법규위반 -> 가해자법규위반
del df_18['법규위반_대분류']
df_18.rename(columns={'법규위반':'가해자법규위반'}, inplace=True)
# 2-3) 가해자당사자분류, 피해자당사자분류
del df_18['가해자_당사자종별_대분류']
del df_18['피해자_당사자종별_대분류']
# 2-4) 발생위치 () -> _
df_21.rename(columns={'발생위치X(UTMK)':'발생위치X_UTMK', '발생위치Y(UTMK)':'발생위치Y_UTMK'}, inplace=True)

데이터를 보면 나머지 데이터에는 사상자수가 없고 18년도에만 부상자수가 없고 이런게 있어서 처음에는 걍 18년도에만 있는 사상자 컬럼을 날리고 18년도에만 부상자수 컬럼을 추가했는데 나중에 코로나 관련된 그래프를 그리다보니까 사상자수 데이터로도 비교하고 싶어져서 결국 그때 다시 컬럼을 추가 생성했다 .. 컬럼수나 컬럼명이 다르면 데이터 합칠때 다 nan 값 처리가 되기때문에 이걸 다 하나하나 고쳐줘야한다. 이것도 몰랐다가 집에와서 알았다 .. 대체 교육장에서는 뭘했냐 저혈압인데 곧 고혈압될 거 같다 걍

# 3) 컬럼삭제
del df_18['발생년월일시분']
del df_19['발생년월일시']
del df_20['발생년월일시']
del df_21['발생년월일시']

필요없는 컬럼 삭제해주고

# 4) 데이터 합치기
df_list = [df_18, df_19, df_20, df_21]
df_all = pd.concat(df_list, ignore_index=True)

데이터를 합쳐주었다 ..

✏️ 3. 데이터 분석(그래프 그리기)

# 1) 년도별 사망자수 비교
fig = px.bar(df_all, x='발생년', y = '사망자수')
fig.show()

히스토그램 ....

# 2) 년도별 부상자수 비교
fig = px.bar(df_all, x='발생년', y='부상자수')
fig.show()

히스토그램을 했었다면 ..........

# 3) 요일별 사망자수 비교
fig = px.bar(df_all, x='요일', y='사망자수', color='주야')
fig.show()

✏️ 4. 지도 시각화

# 지도시각화(연도별로 컬러 구별)

df_map = folium.Map(location=[df_all['위도'].mean(), df_all['경도'].mean()], zoom_start=12)


df_all = df_all.astype({'부상자수':'float64'})
df_all = df_all.astype({'사망자수':'float64'})

acc = df_all.사고유형
year = df_all.발생년

for n in range(len(year)):
  if year[n] == '2018':
    cnt = df_all['사망자수'][n] + df_all['부상자수'][n]
    folium.CircleMarker([df_all['위도'][n],df_all['경도'][n]], radius=cnt*5, popup=acc[n], 
                        color='red', fill_color='red').add_to(df_map)
  elif year[n]=='2019':
    cnt = df_all['사망자수'][n] + df_all['부상자수'][n]
    folium.CircleMarker([df_all['위도'][n],df_all['경도'][n]], radius=cnt*5, popup=acc[n], 
                        color='blue', fill_color='blue').add_to(df_map)
  elif year[n]=='2020':
    cnt = df_all['사망자수'][n] + df_all['부상자수'][n]
    folium.CircleMarker([df_all['위도'][n],df_all['경도'][n]], radius=cnt*5, popup=acc[n], 
                        color='green', fill_color='green').add_to(df_map)
  elif year[n]=='2021':
    cnt = df_all['사망자수'][n] + df_all['부상자수'][n]
    folium.CircleMarker([df_all['위도'][n],df_all['경도'][n]], radius=cnt*5, popup=acc[n], 
                        color='yellow', fill_color='yellow').add_to(df_map)

df_map

그리고 발표할 때 지도시각화한 거 보여주려고하자 화면이 노란색으로 떠가지고 결국 그냥 넘어갔었는데 그 원인을 알았다 .. 원래 CircleMarker말고 Circle로 코드를 입력했어서 반지름을 cnt * 250을 해놔서 그랬다 ...
이거 쓰면서 또 화면이 노랗게 떠서 컴퓨터가 드디어 맛이 간건가 ..... 했는데 알고보니 그래서 그런거였다.. 5로 바꾸면 잘 보인다.

✏️ 5. 부산지역 교통사고 현황 분석

위에까지가 교수님이 주신과제였고 이거만 하면 재미없으니까 ..
추가적으로 할 수 있는 게 뭐 없을까 고민을 하다가 부산이 도로가 막장이라 초보자들이나 여행온 사람들은 운전하기 어렵다고 한 게 생각나서 부산 데이터를 따로 저장해서 그래프를 그려보니까 전체 데이터로 년도별 분석을 한 것과 다른 특이한 그래프가 그려져서 부산지역 교통사고 현황 분석을 해보자고 결정!

✔️ 1. 부산 데이터 저장

df_bs = df_all[df_all['발생지시도'] == '부산']
df_bs = df_bs.astype({'사망자수':'int64'})
df_bs = df_bs.astype({'부상자수':'int64'})

df_bs['사상자수'] = df_bs['사망자수'] + df_bs['부상자수']

df_bs.reset_index(drop=True, inplace=True)

# 부산 데이터 연도별로
bs_18 = df_18[df_18['발생지시도'] == '부산']
bs_19 = df_19[df_19['발생지시도'] == '부산']
bs_20 = df_20[df_20['발생지시도'] == '부산']
bs_21 = df_21[df_21['발생지시도'] == '부산']

bs_18 = bs_18.astype({'사망자수':'int64'})
bs_19 = bs_19.astype({'사망자수':'int64'})
bs_20 = bs_20.astype({'사망자수':'int64'})
bs_21 = bs_21.astype({'사망자수':'int64'})
bs_18 = bs_18.astype({'부상자수':'int64'})
bs_19 = bs_19.astype({'부상자수':'int64'})
bs_20 = bs_20.astype({'부상자수':'int64'})
bs_21 = bs_21.astype({'부상자수':'int64'})

bs_18.reset_index(drop=True, inplace=True)
bs_19.reset_index(drop=True, inplace=True)
bs_20.reset_index(drop=True, inplace=True)
bs_21.reset_index(drop=True, inplace=True)

보면 알겠지만 위에서부터 시각화를 위한 변수 선언을 엄청 많이 해서 .. 나중되서는 엄청 헷갈리고 정신없었다 진심으로 ..

✔️ 2. 그래프

# 사망자수 그래프
fig = px.bar(df_bs, x='발생년', y='사망자수')
fig.show()

# 부상자수 그래프
fig = px.bar(df_bs, x='발생년', y='부상자수')
fig.show()

그리고 .. 대망의 누적그래프 ..

원래 plotly로 그리고 싶었는데 구글링을 아무리 해도 뭔소리인지를 모르겠거나 dataframe을 만들어서 그리는 예시만 있거나 하고 내가 원하는 건 못찾았다 ..
내가 그리려는건 총 value가 데이터에 주어져 있지도 않은 컬럼들인데 이거땜에 머리를 쥐어짜다가 결국엔 걍 데이터를 새로 만들었다 ...

mydata = df_bs[['사망자수', '중상자수', '경상자수']]

#mydata[:121].sum() -> 18년
#mydata[121:236].sum() -> 19년
#mydata[236:336].sum() -> 20년
#mydata[336:].sum() -> 21년

samang = [123, 116, 100, 113]
js = [22, 28, 16, 13]
gs = [41, 20, 15, 20]
year=["2018", "2019", "2020", "2021"]

plt.figure(dpi=150)
plt.bar(year, samang, color='red', label='사망자')
plt.bar(year, js, color='green', bottom = np.array(samang), label='중상자')
plt.bar(year, gs, color='yellow', bottom = np.array(samang)+np.array(js), label='경상자')
plt.legend(loc="lower left",bbox_to_anchor=(0.8,1.0))
plt.show()

이렇게 ............
sum써서 총 value를 구하고 그 값을 리스트에 저장해서 그래프 그릴때 2차원 배열을 만들어서 그린셈이다 .. 근데 이걸 groupby를 쓰면 걍 해결이라니 눈물이 낫당 당연함 요따구 코드로 그린 그래프가 아침 7시 넘어서 완성됨 이거 다 하고 고대로 노트북 덮고 씻고 출근햇다 .......

우리조가 부산 데이터를 가지고 알고 싶었던 것이 2021년에 사상자수가 증가한 이유니까 이와 연관된 것이 무엇이 있을까 고민을 해보았다.

1. 코로나 사회적 거리두기와의 연관성
2. 2021년 사망자수 증가 원인으로 파악되어지는 부산외곽순환고속도로가 정말 증가 원인일까?
3. 안전속도 5030 정책

이 세가지를 중심으로 파악해보기로 했고 결과적으로는 2번 말고는 미궁속으로 빠지게되었다 .. 근데 그건 권교수님네조가 해결해서 .......
일단 1번은 그래프가 우리가 원하는 대로 그려지지 않아서 그래프를 여러개 그려볼 수 밖에 없었다. 3번은 사실 솔직하게 말하자면 1번이 미궁으로 빠지자(처음에는 2번도 미궁이었다 ....) 뭐 더 할 거 없나?하다가 추가 된 거 였고 내가 자료조사하면서 받아놓은 안전표지 데이터가 있어서 그걸 지도 시각화를 해보려고 했는데 데이터가 너무 많아서!! 결국 그려지지 않았다.
그 외에도 뭐 더 하려고 했던 후보들도 있었으나 .. 시간관계상 ...

1. 코로나 사회적 거리두기와의 연관성

df_bs['발생월'] =  df_bs['발생년월일'].dt.month
df_bs['발생년월'] = pd.to_datetime(df_bs['발생년월일']).dt.to_period('M')

df_bs = df_bs.astype({'발생년월':'str'})
df_bs = df_bs.astype({'발생월':'str'})

코로나와의 연관성을 보기 위한 시각화를 위해 발생년월과 발생월이라는 컬럼을 따로 생성했다.

# 발생년월별 사망자수 현황
fig = px.bar(df_bs, x='발생년월', y='사망자수', color='발생월')
fig.show()

원래 이 그래프를 사회적 거리두기 완화기간과 강화기간을 기준으로 색을 구분하고 싶었는데 실패했다. 해서 일단 발생월로 구분해본 결과이다.
보면 2020년 2,3월이 다른 년도에 비해 적다. 같은 해 1월하고만 비교해도 확연히 차이가 나는 것을 확인할 수 있다. 똑같이 코로나 발생 이후인 21년하고 비교해봐도 적다. 그럼 21년은 왜이렇게 증가했나? 원래 2.5단계이던 거리두기가 21년 1월 24일 2단계로 격하하였고 2월 15일부터 3월 31일까지는 1.5단계인 사회적 거리두기 완화기간이었기 때문이다. 4월 1일부터 2단계로 격상하자 훅 줄어들었다. 다른 년도 4월하고 비교해도 확연히 적다.
그 후 5월 21일부터 8월 9일까지 1.5단계로 격하되었고 이때 데이터를 보면 또 증가한다. 그 후 8월 10일부터 4단계로 격상되었는데 좀 줄어들다가 10월부터는 또 증가한다. 해서 4단계가 6시까지는 4인 모임이 가능하고 그 후 10시까지는 2인까지만 가능한 것이 영향을 끼치지 않았을까 해서 달별 발생시간을 비교해보았다.

21년도 데이터만 비교한 것이다.
하 .. 보면 알겠지만 전혀 연관없다.
근데 이거쓰다가 눈치챈건데 0시 데이터 어디갔냐 ...........
하 걍 spss랑 R로 통계분석 할 때가 그립다....
spss는 코드가 뭐임 걍 버튼만 누르면 표 딱 그려주고 그래프 그려주고 확률이랑 계수랑 계산 다 해주고 나는 그냥 그 숫자보고 결론만 내면 되는데 ..
복학해서 통계분석하면 아 교수님 이건 개껌이죠 ㅋ 하면서 웃으면서 할 수 있을 거 같다 ...................
올 초까지만 해도 날 괴롭히던 상관분석과 회귀분석을 그리워할 줄은 몰랐다
암튼 .. 그래프를 그려고 결론이 나지 않아 10월부터 12월까지는 걍 사람들이 연말이라고 부산 놀러가서 사고난 거 아닐까 하는 그지같은 추측만 낳았다 ..................

2. 부산외곽순환고속도로가 증가 원인이라는 가설 증명

이건 히트맵을 보면 알 수 있다.

오른쪽 아래가 21년도인데 다른 년도보다 더 사고가 난 것을 확인할 수 있다.

사고다발지역이라는 연산로터리도 한번 봐보면

여기는 오히려 21년도에는 사상자수가 나온 사고는 안났다.

3. 안전속도 5030

이는 위에서도 설명했듯 지도시각화에 실패했다. 하지만 이것도 사상자가 증가했다는 그래프나 히트맵으로만 봐도 설명이 가능하긴 하다.
원래 이것도 발표 때 말했어야 했는데 깜빡했다 ...

위에는 20년도 아래는 21년도인데 이거보면 꼭 부산외곽순환도로가 아니더라도 도로에서 사고가 많이 났던 걸 확인할 수 있다.

과제 리뷰 끝 ..