생활인구 성별 연령대별 분포 시각화

법정동 정보가 포함된 생활인구 데이터에서 연령대와 성별 컬럼을 생성한 뒤 특정 지역의 연령대별, 성별 생활인구 분포를 확인

연령대 / 성별 컬럼 생성

# 연령대
select_loc['10대'] = select_loc['m10'] + select_loc['f10']
select_loc['20대'] = select_loc['m20'] + select_loc['f20']
select_loc['30대'] = select_loc['m30'] + select_loc['f30']
select_loc['40대'] = select_loc['m40'] + select_loc['f40']
select_loc['50대'] = select_loc['m50'] + select_loc['f50']
select_loc['60대'] = select_loc['m60'] + select_loc['f60']
select_loc['70대'] = select_loc['m70'] + select_loc['f70']

# 성별
select_loc['여성'] = select_loc.iloc[:,4:11].sum(axis=1)
select_loc['남성'] = select_loc.iloc[:,11:18].sum(axis=1)

성별

법정동별 성별 집계함수

gen_agg = select_loc.groupby('법정동')[['여성','남성']].agg(['mean','sum']).reset_index()
gen_agg

# output

	법정동		여성					남성
				mean		sum			mean		sum
0	당산동		17.404937	2584650.55	19.108124	2837575.54
1	당산동1가	30.739663	1859380.75	33.834365	2046573.07
2	당산동2가	26.394831	1235278.10	24.996037	1169814.55
3	당산동3가	30.969687	3162686.33	33.308881	3401569.57
4	당산동4가	45.533573	3868623.39	54.115329	4597746.60
5	당산동5가	30.401843	2500369.16	35.958794	2957395.02
6	당산동6가	39.533652	1878204.26	42.832377	2034923.42
7	대림동		29.375065	16829885.27	31.079543	17806433.92
8	도림동		24.259191	4035152.61	26.439045	4397738.63
9	문래동1가	25.679849	1224286.82	25.551138	1218150.49
10	문래동2가	14.732221	594003.14	13.029197	525337.21
11	문래동3가	25.510510	4913706.89	28.013079	5395739.17
12	문래동4가	18.566977	909039.17	17.839680	873430.71
13	문래동5가	17.767139	1273388.63	17.608673	1262031.17
14	문래동6가	27.349650	2316405.96	29.102588	2464872.78
15	신길동		22.338304	22728799.94	25.166831	25606772.14
16	양평동		8.547349	885838.69	8.454930	876260.53
17	양평동1가	28.300617	1885104.11	29.492957	1964525.88
18	양평동2가	27.219579	1368001.60	29.711336	1493232.32
19	양평동3가	24.889915	3231980.36	25.985540	3374248.29
20	양평동4가	27.103771	2841965.89	26.792024	2809277.72
21	양평동5가	31.103663	1993122.75	31.365771	2009918.62
22	양평동6가	24.762714	891457.72	23.403869	842539.29
23	양화동		5.292033	1105807.44	4.361001	911261.77
24	여의도동		26.672933	29676572.38	23.154221	25761618.17
25	영등포동		21.884118	3688283.52	23.681413	3991194.30
26	영등포동1가	56.608654	1263505.15	46.869292	1046122.60
27	영등포동2가	16.775238	1382598.33	14.239823	1173631.97
28	영등포동3가	38.555388	1331587.45	34.345339	1186184.99
29	영등포동4가	35.329965	1859946.03	45.929269	2417946.36
30	영등포동5가	21.485027	603299.55	19.696241	553070.45
31	영등포동6가	40.605435	1052492.87	38.897074	1008212.15
32	영등포동7가	26.469895	2118994.52	24.641619	1972635.49
33	영등포동8가	87.697098	3914798.46	101.314230	4522667.22

성별 컬럼 생성 및 컬럼을 값으로 변경

gen_male = gen_agg.set_index('법정동')[['남성']].stack(level=0).reset_index()
gen_female = gen_agg.set_index('법정동')[['여성']].stack(level=0).reset_index()
level_df = gen_female.merge(gen_male, on=['법정동','level_1','mean','sum'],how='outer')
level_df

histplot

def gen(x):
    return ['Female' if x == '여성' else 'Male'][0]
    
level_df['level_1'] = level_df['level_1'].map(gen)

plt.figure(figsize=(15,5))
sns.histplot(level_df, x='mean', hue='level_1', kde=True)
plt.legend(title='gender',labels=level_df.level_1.unique().tolist()[::-1])
plt.savefig('hist_plot.png')

평균 생활인구의 성별 분포는 비슷함.

---

연령대

법정동별 연령대 집계함수

age_df = select_loc.groupby('법정동')[['10대','20대','30대','40대','50대','60대','70대']].agg(['mean','sum']).reset_index()
age_df.head(2)

	법정동		10대					20대					30대					40대					50대					60대					70대
				mean		sum			mean		sum			mean		sum			mean		sum			mean		sum			mean		sum			mean		sum
0	당산동		2.261163	335784.93	8.678359	1288744.93	9.179425	1363153.73	6.345295	942282.68	4.845142	719508.37	3.189747	473680.55	2.013932	299070.9
1	당산동1가	3.306034	199975.37	10.888741	658638.15	15.119263	914533.96	10.742620	649799.57	10.846424	656078.47	8.452030	511246.40	5.218918	315681.9

연령대별 컬럼 생성 및 컬럼을 값으로 변경

age_10 = age_df.set_index('법정동')[['10대']].stack(level=0).reset_index()
for i in range(20,80,10):
    age_range = age_df.set_index('법정동')[[f'{i}대']].stack(level=0).reset_index()
    age_10 = age_10.merge(age_range, on=['법정동','level_1','mean','sum'],how='outer')

histplot

age_10['level_1'] = age_10['level_1'].str.replace('대','')

plt.figure(figsize=(15,5))
sns.histplot(age_10, x='sum', hue='level_1', kde=True)
plt.savefig('hist_plot_age.png')

특정 연령대 확인

30-40대

target_age = age_10[age_10['level_1'].isin(['30','40'])]

plt.figure(figsize=(15,5))
sns.histplot(target_age, x='sum', hue='level_1', kde=True)
plt.savefig('hist_plot_age3040.png')

target_age['mean'].std()

# output
6.9572093072979495

mode / median / mean

round(target_age['mean']).mode()[0],target_age['mean'].median(),target_age['mean'].mean()

# output
(9.0, 11.410605288489172, 12.355457334040697)

10대/70대

target_age = age_10[age_10['level_1'].isin(['10','70'])]

plt.figure(figsize=(15,5))
sns.histplot(target_age, x='sum', hue='level_1',palette='Accent', kde=True)
plt.savefig('hist_plot_age1070.png')

target_age['mean'].std()

# output
2.27766613014633

mode / median / mean

round(target_age['mean']).mode()[0],target_age['mean'].median(),target_age['mean'].mean()

# output
(4.0, 3.404662687708904, 3.6857111421246325)

10대와 70대의 평균 생활인구 수가 가장 낮았으며 분포가 유사했다. 30-40대의 평균 생활인구 수가 가장 높고, 분포가 유사하며 표준편차가 더 큰 것으로 확인되었다.