프로젝트 - 서울시 CCTV 현황 분석(3)

◼데이터 준비

• 서울시 CCTV 현황 분석(2)와 같이 준비

---

◼결과 데이터 그래프로 표현

• 표로만 정보를 전달하는 것은 한계가 있다.
• 이를 보완하기 위해 시각화(Visualization)한다.
• matplotlib에서 한글 사용을 위해 폰트 변경

import matplotlib.pyplot as plt
from matplotlib import rc
# 마이너스 부호 때문에 한글이 깨질 수 있기 때문에 설정
plt.rcParams["axes.unicode_minus"] = False
rc('font', family='Malgun Gothic')

• Pandas DataFrame은 데이터 변수에서 바로 plot() 명령을 사용할 수 있다.
• 데이터(컬럼)이 많은 경우 정렬 후 사용하는 것이 효과적일 때가 많다.
• Bar 그래프 : CCTV 수 활용
  • bar : 수직 그래프, barh : 수평 그래프

data_result["소계"].plot(kind="barh", grid=True, figsize=(10,10))

• 정렬 후 사용하여 더 쉽게 정보를 파악할 수 있게 변경

def drawGraph():
    data_result["소계"].sort_values().plot(
        kind="barh",
        grid = True,
        title = "구별 CCTV 소계",
        figsize=(10,10)
    )

• Bar 그래프 : CCTV 비율 활용

def drawGraph():
    data_result["CCTV 비율"].sort_values().plot(
        kind = "barh",
        grid = True,
        title = "구별 CCTV 비율",
        figsize=(10, 10)
    )

---

◼데이터 경향

1. 데이터 경향 그리기

• 경향을 파악할 필요
  • 단순 CCTV 수와 인구대비 CCTV 비율
  • 단순 CCTV 수 : 강남, 양천, 서초, 관악, 은평, 용산
  • 인구대비 CCTV 수 : 종로, 용산, 중구
  • 전체 경향을 함께 보지 않으면 데이터를 제대로 이해하기 어렵다
• 인구수 대비 CCTV 수를 scatter로 표현

def drawGraph():
    plt.figure(figsize=(14, 10))
    plt.scatter(data_result["인구수"], data_result["소계"], s=50)
    plt.xlabel("인구수")
    plt.ylabel("CCTV")
    plt.grid()
    plt.show()

• 데이터 경향 직선으로 표현
  • Linear Regression(선형회귀) 이라고도 한다.
  • Trend 파악 : Numpy 활용
• Numpy를 이용한 1차 직선 만들기
  • np.polyfit : 직선을 구성하기 위한 계수 계산
  • np.poly1d : polyfit으로 찾은 계수로 python에서 사용할 함수를 만들어줌

import numpy as np
fp1 = np.polyfit(data_result["인구수"], data_result["소계"], 1)
f1 = np.poly1d(fp1)
# 인구수 40000인 구에서의 CCTV 개수 경향 
f1(400000) # 1509.780925 => 인구 40만에 약 1500개의 CCTV의 경향이 있다.

• 경향선을 그리기 위해 X 데이터 생성
  • fx = np.linspace(a, b, n) : a부터 b까지 n개의 동간격 데이터 생성

fx = np.linspace(100000, 700000, 100)

def drawGraph():
    plt.figure(figsize=(14,10))
    plt.scatter(data_result["인구수"], data_result["소계"], s = 50)
    plt.plot(fx, f1(fx), ls="dashed", lw=3, color="g")
    plt.xlabel("인구수")
    plt.ylabel("CCTV")
    plt.grid()
    plt.show()

2. 데이터 강조

• 경향과 오차
  • 오차 = (CCTV의 수) - 경향선(인구수)
  • 경향선을 구하는 함수를 활용해 오차를 구한다.

fp1 = np.polyfit(data_result["인구수"], data_result["소계"], 1)
f1 = np.poly1d(fp1)
fx = np.linspace(100000, 700000, 100)

data_result["오차"] = data_result["소계"] - f1(data_result["인구수"])

# 경향과 비교해서 데이터의 오차가 너무 나는 데이터 계산
df_sort_f = data_result.sort_values(by="오차", ascending=False)
df_sort_t = data_result.sort_values(by="오차", ascending=True)

• 강조를 위해 colormap 사용자 정의로 설정

from matplotlib.colors import ListedColormap

color_step = ["#e74c3c", "#2ecc71", "#95a5a6", "#2ecc71", "#3498db", "#3498db"]
my_cmap = ListedColormap(color_step)

def drawGraph():
    plt.figure(figsize=(14,10))
    plt.scatter(data_result["인구수"], data_result["소계"], c=data_result["오차"], s=50, cmap=my_cmap)
    plt.plot(fx, f1(fx), ls="dashed", lw=3, color="grey")

    for n in range(5):
        # 텍스트 출력
        # plt.text(a, b, c, d) : x좌표, y좌표, 텍스트, 폰트 사이즈
        # 좌표는 원래 좌표에서 살짝 거리를 두어 scatter를 가리지 않게 한다.
        plt.text(
            df_sort_f["인구수"][n] * 1.02,
            df_sort_f["소계"][n] * 0.98,
            df_sort_f.index[n],
            fontsize=15,
        )

        plt.text(
            df_sort_t["인구수"][n] * 1.02,
            df_sort_t["소계"][n] * 0.98,
            df_sort_t.index[n],
            fontsize=15,
        )
    plt.xlabel("인구수")
    plt.ylabel("CCTV")
    plt.colorbar()
    plt.grid()
    plt.show()

---

◼완성

• 상관관계를 파악해 인구수 대비 CCTV의 수가 의미있음을 확인
• 인구수 대비 CCTV 수의 비율을 계산해 scaater로 표현
• 경향선을 계산해 각 구별 경향 파악 및 시각화
• 완성한 데이터 저장
  • to_csv : DataFrame을 csv파일로 저장

data_result.to_csv("../data/01. CCTV_result.csv", sep=',', encoding='utf-8')