🧷 인구소멸위기지역 파악하기
🖇️ 인구현황데이터 정리& 소멸위기지역 파악
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import set_matplotlib_hangul
get_ipython().run_line_magic('matplotlib', 'inline')population = pd.read_excel('../data/07_population_raw_data.xlsx', header=1)
population.fillna(method='pad', inplace=True)
population.head()⇊
population.rename(
columns={'행정구역(동읍면)별(1)':'광역시도', '행정구역(동읍면)별(2)':'시도', '계':'인구수'}, inplace=True
)
population.head()⇊
population = population[(population['시도'] != '소계')]
population.head()⇊
population.is_copy = False
population.rename(columns={'항목':'구분'}, inplace=True)
population.loc[population['구분'] == '총인구수 (명)', '구분'] = '합계'
population.loc[population['구분'] == '남자인구수 (명)', '구분'] = '남자'
population.loc[population['구분'] == '여자인구수 (명)', '구분'] = '여자'
population.head()⇊
population['20-39세'] = (
population['20 - 24세']
+ population['25 - 29세']
+ population['30 - 34세']
+ population['35 - 39세']
)
population['65세이상'] = (
population['65 - 69세']
+ population['70 - 74세']
+ population['75 - 79세']
+ population['80 - 84세']
+ population['85 - 89세']
+ population['90 - 94세']
+ population['95 - 99세']
+ population['100+']
)
population.head(10)⇊
pop = pd.pivot_table(
population, index=['광역시도', '시도'], columns=['구분'], values=['인구수', '20-39세', '65세이상']
)
pop⇊
pop['소멸비율'] = pop['20-39세', '여자'] / (pop['65세이상', '합계'] / 2)
pop.head()⇊
pop['소멸위기지역'] = pop['소멸비율'] < 1.0
pop.head()⇊
pop[pop['소멸위기지역'] == True].index.get_level_values(1)⇊
Index(['고성군', '삼척시', '양양군', '영월군', '정선군', '평창군', '홍천군', '횡성군', '가평군', '양평군',
'연천군', '거창군', '고성군', '남해군', '밀양시', '산청군', '의령군', '창녕군', '하동군', '함안군',
'함양군', '합천군', '고령군', '군위군', '문경시', '봉화군', '상주시', '성주군', '영덕군', '영양군',
'영주시', '영천시', '예천군', '울릉군', '울진군', '의성군', '청도군', '청송군', '동구', '영도구',
'강화군', '옹진군', '강진군', '고흥군', '곡성군', '구례군', '담양군', '보성군', '신안군', '영광군',
'영암군', '완도군', '장성군', '장흥군', '진도군', '함평군', '해남군', '화순군', '고창군', '김제시',
'남원시', '무주군', '부안군', '순창군', '임실군', '장수군', '정읍시', '진안군', '공주시', '금산군',
'논산시', '보령시', '부여군', '서천군', '예산군', '청양군', '태안군', '홍성군', '괴산군', '단양군',
'보은군', '영동군', '옥천군'],pop.reset_index(inplace=True)
pop.head()⇊
tmp_columns = [
pop.columns.get_level_values(0)[n] + pop.columns.get_level_values(1)[n]
for n in range(0, len(pop.columns.get_level_values(0)))
]
pop.columns = tmp_columns
pop.head()⇊
🖇️ 지도 시각화를 위한 지역별 ID 만들기
- 만들어야 할 ID
- 서울 중구
- 서울 서초
- 통영
- 남양주
- 포항 북구
- 인천 남동
- 안양 만안
- 안양 동안
- 안산 단원
si_name = [None] * len(pop)
tmp_gu_dict = {
'수원':['장안구', '권선구', '팔달구', '영통구'],
'성남':['수정구', '중원구', '분당구'],
'안양':['만안구', '동안구'],
'안산':['상록구', '단원구'],
'고양':['덕양구', '일산동구', '일산서구'],
'용인':['처인구', '기흥구', '수지구'],
'청주':['상당구', '서원구', '흥덕구', '청원구'],
'천안':['동남구', '서북구'],
'전주':['완산구', '덕진구'],
'포항':['남구', '북구'],
'창원':['의창구', '성산구', '진해구', '마산합포구', '마산회원구'],
'부천':['오정구', '원미구', '소사구']
}ㄴ 행정구를 가진 시 정리
for idx, row in pop.iterrows():
if row['광역시도'][-3:] not in ['광역시', '특별시', '자치시']:
si_name[idx] = row['시도'][:-1]
elif row['광역시도'] == '세종특별자치시':
si_name[idx] = '세종'
else:
if len(row['시도']) == 2:
si_name[idx] = row['광역시도'][:2] + '' + row['시도']
else:
si_name[idx] = row['광역시도'][:2] + '' + row['시도'][:-1]ㄴ 일반 시의 이름과 세종시, 광역시도의 일반구 정리
for idx, row in pop.iterrows():
if row['광역시도'][-3:] not in ['광역시', '특별시', '자치시']: #광역시나 특별시,자치시가 아닌 경우의 팽정구에 대해서만 적용
for keys, values in tmp_gu_dict.items():
if row['시도'] in values: #행정구를 지정한 dict형 자료에 있는 지역인지 검색
if len(row['시도']) == 2: ## 분당구-> 분당, 특별히 너무 긴 이름의 구는 짧게 처리
si_name[idx] = keys + ' ' + row['시도']
elif row['시도'] in ['마산합포구', '마산회원구']:
si_name[idx] = keys + ' ' + row['시도'][2:-1]
else:
si_name[idx] = keys + ' ' + row['시도'][:-1]ㄴ 행정구에대해 다시 계산
for idx, row in pop.iterrows():
if row['광역시도'][-3:] not in ['광역시', '특별시', '자치시']:
if row['시도'][:-1] == '고성' and row['광역시도'] == '강원도':
si_name[idx] = '고성(강원)'
elif row['시도'][:-1] == '고성' and row['광역시도'] == '경상남도':
si_name[idx] = '고성(경남)'ㄴ 고성이 두 군데이므로 강원에 있는 고성과 경남에 있는 고성을 구분
pop['ID'] = si_nameㄴ pop 데이터 프레임의 ID 컬럼에 si_name 할당
del pop['20-39세남자']
del pop['65세이상남자']
del pop['65세이상여자']
pop.head()⇊
🖇️ 카르토그램으로 인구현황 시각화
draw_korea_raw = pd.read_excel('../data/07_draw_korea_raw.xlsx')
draw_korea_raw⇊
ㄴ 엑셀로 그린 지도 모양 불러오기
draw_korea_raw_stacked = pd.DataFrame(draw_korea_raw.stack())
draw_korea_raw_stacked⇊
- stack(): pivot_table의 반대. 데이터가 존재하는 index만 보여줌
draw_korea_raw_stacked.reset_index(inplace=True)
draw_korea_raw_stacked⇊
ㄴ 인덱스로 나타난 좌표를 데이터로 사용하기 위해 reset_index
draw_korea_raw_stacked.rename(
columns={'level_0':'y', 'level_1':'x', 0:'ID'}, inplace=True
)
draw_korea_raw_stacked⇊
ㄴ 이름변경
```pyhon draw_korea = draw_korea_raw_stacked ```
BORDER_LINES = [
[(5, 1), (5, 2), (7, 2), (7, 3), (11, 3), (11, 0)], # 인천
[(5, 4), (5, 5), (2, 5), (2, 7), (4, 7), (4, 9), (7, 9), (7, 7), (9, 7), (9, 5), (10, 5), (10, 4), (5, 4)], # 서울
[(1, 7), (1, 8), (3, 8), (3, 10), (10, 10), (10, 7), (12, 7), (12, 6), (11, 6), (11, 5), (12, 5), (12, 4), (11, 4), (11, 3)], # 경기도
[(8, 10), (8, 11), (6, 11), (6, 12)], # 강원도
[(12, 5), (13, 5), (13, 4), (14, 4), (14, 5), (15, 5), (15, 4), (16, 4), (16, 2)], # 충청북도
[(16, 4), (17, 4), (17, 5), (16, 5), (16, 6), (19, 6), (19, 5), (20, 5), (20, 4), (21, 4), (21, 3), (19, 3), (19, 1)], # 전라북도
[(13, 5), (13, 6), (16, 6)],
[(13, 5), (14, 5)], # 대전시 # 세종시
[(21, 2), (21, 3), (22, 3), (22, 4), (24, 4), (24, 2), (21, 2)], # 광주
[(20, 5), (21, 5), (21, 6), (23, 6)], # 전라남도
[(10, 8), (12, 8), (12, 9), (14, 9), (14, 8), (16, 8), (16, 6)], # 충청북도
[(14, 9), (14, 11), (14, 12), (13, 12), (13, 13)], # 경상북도
[(15, 8), (17, 8), (17, 10), (16, 10), (16, 11), (14, 11)], # 대구
[(17, 9), (18, 9), (18, 8), (19, 8), (19, 9), (20, 9), (20, 10), (21, 10)], # 부산
[(16, 11), (16, 13)],
[(27, 5), (27, 6), (25, 6)]
]ㄴ 경계선 그리기
def plot_text_simple(draw_korea):
for idx, row in draw_korea.iterrows():
if len(ros['ID'].split()) == 2:
dispname = '{}\n{}'.format(row['ID'].split()[0], row['ID'].split()[1])
elif row['ID'][:2] == '고성':
dispname = '고성'
else:
dispname =row['ID']
if len(dispname.splitlines()[-1]) >= 3:
fontsize, linespacing = 9.5, 1.5
else:
fontsize, linespacing = 11, 1.2
plt.annotate(
dispname,
(row['x'] + 0.5, row['y']+0.5),
weight='bold',
fontsize=fontsize,
ha='center',
va='center',
linespacing=linespacing
)ㄴ 시도 이름을 표현하는 함수
def plot_text_simple(draw_korea):
for idx, row in draw_korea.iterrows():
if len(row['ID'].split()) == 2:
dispname = '{}\n{}'.format(row['ID'].split()[0], row['ID'].split()[1])
elif row['ID'][:2] == '고성':
dispname = '고성'
else:
dispname =row['ID']
if len(dispname.splitlines()[-1]) >= 3:
fontsize, linespacing = 9.5, 1.5
else:
fontsize, linespacing = 11, 1.2
plt.annotate(
dispname,
(row['x'] + 0.5, row['y']+0.5),
weight='bold',
fontsize=fontsize,
ha='center',
va='center',
linespacing=linespacing
)def simpleDraw(draw_korea):
plt.figure(figsize=(8, 11))
plot_text_simple(draw_korea)
for path in BORDER_LINES:
ys, xs = zip(*path)
plt.plot(xs, ys, c='black', lw=1.5)
plt.gca().invert_yaxis()
plt.axis('off')
plt.tight_layout()
plt.show()
simpleDraw(draw_korea)⇊
- 검증 작업
set(draw_korea['ID'].unique()) - set(pop['ID'].unique())⇊
set()
set(pop['ID'].unique()) - set(draw_korea['ID'].unique())⇊
{'고양', '부천', '성남', '수원', '안산', '안양', '용인', '전주', '창원', '천안', '청주', '포항'}tmp_list = list(set(pop['ID'].unique()) - set(draw_korea['ID'].unique()))
for tmp in tmp_list:
pop = pop.drop(pop[pop['ID'] == tmp].index)
print(set(pop['ID'].unique()) - set(draw_korea['ID'].unique()))⇊
set()
pop = pd.merge(pop, draw_korea, how='left', on='ID')
pop.head()⇊
- 그림을 그리기 위한 데이터를 계산하는 함수
- 색상을 만들때, 최솟값을 흰색
- blockedMap: 인구현황(pop)
- targetData: 그리고 싶은 컬럼
def get_data_info(targetData, blockedMap):
whitelavelmin = (
max(blockedMap[targetData]) - min(blockedMap[targetData])
) * 0.25 + min(blockedMap[targetData])
vmin = min(blockedMap[targetData])
vmax = max(blockedMap[targetData])
mapdata = blockedMap.pivot_table(index='y', columns='x', values=targetData)
return mapdata, vmax, vmin, whitelavelmindef get_data_info_for_zero_center(targetData, blockedMap):
whitelabelmin = 5
tmp_max = max(
[np.abs(min(blockedMap[targetData])), np.abs(max(blockedMap[targetData]))]
)
vmin, vmax = -tmp_max, tmp_max
mapdata = blockedMap.pivot_table(index='y', columns='x', values=targetData)
return mapdata, vmax, vmin, whitelabelmindef plot_text(targetData, blockedMap, whitelabelmin):
for idx, row in blockedMap.iterrows():
if len(row["ID"].split()) == 2:
dispname = "{}\n{}".format(row["ID"].split()[0], row["ID"].split()[1])
elif row["ID"][:2] == "고성":
dispname = "고성"
else:
dispname = row["ID"]
if len(dispname.splitlines()[-1]) >= 3:
fontsize, linespacing = 9.5, 1.5
else:
fontsize, linespacing = 11, 1.2
annocolor = "white" if np.abs(row[targetData]) > whitelabelmin else "black"
plt.annotate(
dispname,
(row["x"] + 0.5, row["y"] + 0.5),
weight="bold",
color=annocolor,
fontsize=fontsize,
linespacing=linespacing,
ha="center", # 수평 정렬
va="center", # 수직 정렬
)def drawKorea(targetData, blockedMap, cmapname, zeroCenter=False):
if zeroCenter:
masked_mapdata, vmax, vmin, whitelabelmin = get_data_info_for_zero_center(targetData, blockedMap)
if not zeroCenter:
masked_mapdata, vmax, vmin, whitelabelmin = get_data_info(targetData, blockedMap)
plt.figure(figsize=(8, 11))
plt.pcolor(masked_mapdata, vmin=vmin, vmax=vmax, cmap=cmapname, edgecolor='#aaaaaa', linewidth=0.5)
plot_text(targetData, blockedMap, whitelabelmin)
for path in BORDER_LINES:
ys, xs = zip(*path)
plt.plot(xs, ys, c='black', lw=1.5)
plt.gca().invert_yaxis() #y축 반전
plt.axis('off')
plt.tight_layout()
cb = plt.colorbar(shrink=0, aspect=10)
cb.set_label(targetData)
plt.show()drawKorea('인구수합계', pop, 'Blues')⇊
pop['소멸위기지역'] = [1 if con else 0 for con in pop['소멸위기지역']]
drawKorea('소멸위기지역', pop, 'Reds')⇊
pop['여성비'] = (pop['인구수여자']/pop['인구수합계'] - 0.5) * 100
drawKorea('여성비', pop, 'RdBu', zeroCenter=True)⇊
- folium으로 지도 시각화
import folium
import json
pop_folium = pop.set_index('ID')
pop_folium.head()geo_path = '../data/07_skorea_municipalities_geo_simple.json'
geo_str = json.load(open(geo_path, encoding='UTF-8'))
mymap = folium.Map(location=[36.2002, 127.054], zoom_start=7)
mymap.choropleth(
geo_data=geo_str,
data=pop_folium['인구수합계'],
key_on='feature.id',
columns=[pop_folium.index, pop_folium['인구수합계']],
fill_color='YlGnBu'
)
mymap⇊
- 소멸위기지역 지도 시각화
geo_path = '../data/07_skorea_municipalities_geo_simple.json'
geo_str = json.load(open(geo_path, encoding='UTF-8'))
mymap = folium.Map(location=[36.2002, 127.054], zoom_start=7)
mymap.choropleth(
geo_data=geo_str,
data=pop_folium['소멸위기지역'],
key_on='feature.id',
columns=[pop_folium.index, pop_folium['소멸위기지역']],
fill_color='PuRd'
)
mymap⇊
from.제로베이스 데이터 취업스쿨 강의
