import pandas as pd
import numpy as np
import re
import missingno as msno

import os
import glob

import platform
import matplotlib.pyplot as plt
import seaborn as sns 

%matplotlib inline

import warnings
warnings.filterwarnings('ignore')


path = "c:/Windows/Fonts/malgun.ttf"
from matplotlib import font_manager, rc
if platform.system() == 'Darwin':
    rc('font', family='AppleGothic')
elif platform.system() == 'Windows':
    font_name = font_manager.FontProperties(fname=path).get_name()
    rc('font', family=font_name)
else:
    print('Unknown system... sorry~~~~')    

plt.rcParams['axes.unicode_minus'] = False

from IPython.display import set_matplotlib_formats
set_matplotlib_formats('retina')

pwd

'c:\\Users\\pc\\Desktop\\데이터스토리'

1-1. 소상공인 매출 및 사업자 정보

• 소상공인 및 경기신용보증 비대면(모바일) 보증 실적
• https://www.bigdata-region.kr/#/dataset/266e8af1-d30d-4af0-9c56-cdba6e6c4528

folder_path = "./data/소상공인매출및사업자정보/"
all_files = glob.glob(folder_path + "/*.csv")

df_seller = pd.DataFrame() # 데이터 넣을 데이터프레임 선언 (데이터마다 변수명 다르게)

li = []

for filename in all_files:
    df = pd.read_csv(filename, index_col=None, header=0)
    li.append(df)

df_seller = pd.concat(li, axis=0, ignore_index=True) # 데이터프레임에 데이터 할당 (변수명 일치하도록 주의)

df_seller.head() # 사업자등록번호, 업종코드, 기업번호 등은 현 단계 분석에 적합하지 않음

	기준년월	성별코드	연령대코드	사업자등록번호	시도명	신청년월	개업일자	과세유형명	이전과세년도	사업소득과세금액	근로소득과세금액	부가가치과세금액	신청금액	자금종류대분류명	자금종류중분류명	업종대분류명	업종중분류명	업종소분류명	업종코드	기업번호
0	2020-10	M	50	11802*****	경기도	2020-08	1996-05-01	일반과세자	2019	0	0	8058670	50000000	경기도자금	소상공인지원자금	C제조업(10~34)	특수목적용기계제조업	주형및금형제조업	C29294	Q8OLE6NDWIB5JYLXkZcELA==
1	2020-10	F	30	13547*****	경기도	2020-08	2017-10-30	일반과세자	2019	0	0	8491460	30000000	일반자금	소상공인지원자금	G도매및소매업(45~47)	종합소매업	기타음·식료품위주종합소매업	G47129	Ua5Me2f5nN1Y7EXPRpKN9A==
2	2020-10	F	50	14103*****	경기도	2020-08	2015-03-14	일반과세자	2019	0	0	17072680	50000000	경기도자금	소상공인지원자금	I숙박및음식점업(55~56)	음식점업	한식일반음식점업	I56111	eVb1xm50VeNeCrV6NKnpYg==
3	2020-10	F	40	22116*****	경기도	2020-08	2015-06-10	일반과세자	NaN	0	0	0	100000000	경기도자금	소상공인지원자금	C제조업(10~34)	기타식품제조업	기타식품첨가물제조업	C10749	OKSoJ07f2GvslToPkIhoNw==
4	2020-10	M	30	61142*****	경기도	2020-08	2020-04-03	일반과세자	2019	0	0	0	50000000	경기도자금	소상공인지원자금	H운수업(49~52)	도로화물운송업	용달화물자동차운송업	H49302	k0Imt4oZHy4swytdpbk1Cw==

df_seller.isnull().sum() # 이전과세년도에 빈값이 많음

기준년월          0
성별코드          0
연령대코드         0
사업자등록번호       0
시도명           0
신청년월          0
개업일자          0
과세유형명         0
이전과세년도      578
사업소득과세금액      0
근로소득과세금액      0
부가가치과세금액      0
신청금액          0
자금종류대분류명      0
자금종류중분류명      0
업종대분류명        0
업종중분류명        0
업종소분류명        0
업종코드          0
기업번호          0
dtype: int64

df_seller.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 778 entries, 0 to 777
Data columns (total 20 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   기준년월      778 non-null    object 
 1   성별코드      778 non-null    object 
 2   연령대코드     778 non-null    int64  
 3   사업자등록번호   778 non-null    object 
 4   시도명       778 non-null    object 
 5   신청년월      778 non-null    object 
 6   개업일자      778 non-null    object 
 7   과세유형명     778 non-null    object 
 8   이전과세년도    200 non-null    float64
 9   사업소득과세금액  778 non-null    int64  
 10  근로소득과세금액  778 non-null    int64  
 11  부가가치과세금액  778 non-null    int64  
 12  신청금액      778 non-null    int64  
 13  자금종류대분류명  778 non-null    object 
 14  자금종류중분류명  778 non-null    object 
 15  업종대분류명    778 non-null    object 
 16  업종중분류명    778 non-null    object 
 17  업종소분류명    778 non-null    object 
 18  업종코드      778 non-null    object 
 19  기업번호      778 non-null    object 
dtypes: float64(1), int64(5), object(14)
memory usage: 121.7+ KB

# 이번 분석에 사용하지 않을 컬럼 제거
drop_columns = ['시도명', '사업자등록번호', '이전과세년도', '개업일자', '자금종류대분류명', '자금종류중분류명', '업종코드', '기업번호'] 
df_seller = df_seller.drop(drop_columns, axis=1)

df_seller.head()

	기준년월	성별코드	연령대코드	신청년월	과세유형명	사업소득과세금액	근로소득과세금액	부가가치과세금액	신청금액	업종대분류명	업종중분류명	업종소분류명
0	2020-10	M	50	2020-08	일반과세자	0	0	8058670	50000000	C제조업(10~34)	특수목적용기계제조업	주형및금형제조업
1	2020-10	F	30	2020-08	일반과세자	0	0	8491460	30000000	G도매및소매업(45~47)	종합소매업	기타음·식료품위주종합소매업
2	2020-10	F	50	2020-08	일반과세자	0	0	17072680	50000000	I숙박및음식점업(55~56)	음식점업	한식일반음식점업
3	2020-10	F	40	2020-08	일반과세자	0	0	0	100000000	C제조업(10~34)	기타식품제조업	기타식품첨가물제조업
4	2020-10	M	30	2020-08	일반과세자	0	0	0	50000000	H운수업(49~52)	도로화물운송업	용달화물자동차운송업

df_seller['업종대분류명'].unique() 
# 뒤에 붙은 (10~34) 등은 불필요하므로 제거

array(['C제조업(10~34)', 'G도매및소매업(45~47)', 'I숙박및음식점업(55~56)', 'H운수업(49~52)',
       'Q보건업및사회복지서비스업(86~87)', 'N사업시설관리및사업지원서비스업(74~76)',
       'R예술;스포츠및여가관련서비스업(90~91)', 'P교육서비스업(85)', 'M전문;과학및기술서비스업(70~73)',
       'F건설업(41~42)', 'S협회및단체;수리및기타개인서비스업(94~96)', 'L부동산업및임대업(68)',
       'J정보통신업(58~63)'], dtype=object)

# https://stackoverflow.com/questions/44173155/pandas-use-apply-to-split-column-into-2
# https://kimginam1995.tistory.com/568

df_seller['업종대분류명'] = df_seller['업종대분류명'].apply(lambda x : x.split('(')[0])   

df_seller['업종대분류명']

0                  C제조업
1               G도매및소매업
2              I숙박및음식점업
3                  C제조업
4                  H운수업
             ...       
773    R예술;스포츠및여가관련서비스업
774           L부동산업및임대업
775                H운수업
776             G도매및소매업
777             G도매및소매업
Name: 업종대분류명, Length: 778, dtype: object

# https://programmers.co.kr/learn/courses/4008/lessons/48464

category_feature = [col for col in df_seller.columns if df_seller[col].dtypes == 'object']

for col in category_feature:
    print(df_seller[col].unique())
    print(df_seller[col].nunique())

['2020-10']
1
['M' 'F']
2
['2020-08' '2020-09' '2020-10' '2020-11' '2020-07']
5
[' 일반과세자 ' ' 간이과세자 ' ' 부가가치세 면세사업자 ']
3
['C제조업' 'G도매및소매업' 'I숙박및음식점업' 'H운수업' 'Q보건업및사회복지서비스업' 'N사업시설관리및사업지원서비스업'
 'R예술;스포츠및여가관련서비스업' 'P교육서비스업' 'M전문;과학및기술서비스업' 'F건설업' 'S협회및단체;수리및기타개인서비스업'
 'L부동산업및임대업' 'J정보통신업']
13
['특수목적용기계제조업' '종합소매업' '음식점업' '기타식품제조업' '도로화물운송업' '기타상품전문소매업' '의원'
 '가전제품및정보통신장비소매업' '주점및비알콜음료점업' '기타운송관련서비스업' '기타사업지원서비스업' '스포츠서비스업'
 '건축자재;철물및난방장치도매업' '일반교습학원' '나무제품제조업' '회계및세무관련서비스업' '무점포소매업'
 '실내건축및건축마무리공사업' '기타전문도매업' '상품중개업' '기타교육기관' '미용;욕탕및유사서비스업' '음·식료품및담배도매업'
 '전동기;발전기및전기변환·공급·제어장치제조업' '산업용농축산물및산동물도매업' '생활용품도매업' '직물직조및직물제품제조업'
 '전기및통신공사업' '건설장비운영업' '그외기타개인서비스업' '섬유;의복;신발및가죽제품소매업' '상품종합도매업'
 '기반조성및시설물축조관련전문공사업' '신발및신발부분품제조업' '부동산관련서비스업' '기계장비및관련물품도매업' '육상여객운송업'
 '고용알선및인력공급업' '그외기타제품제조업' '개인및가정용품임대업' '소프트웨어개발및공급업' '유원지및기타오락관련서비스업'
 '봉제의복제조업' '전구및조명장치제조업' '사진촬영및처리업' '개인및가정용품수리업' '기타비금속광물제품제조업'
 '음·식료품및담배소매업' '컴퓨터프로그래밍;시스템통합및관리업' '전문디자인업' '골판지;종이상자및종이용기제조업'
 '일반목적용기계제조업' '서적;잡지및기타인쇄물출판업' '자동차판매업' '구조용금속제품;탱크및증기발생기제조업' '연료소매업'
 '자동차부품및내장품판매업' '컴퓨터및통신장비수리업' '가구제조업' '광고업' '귀금속및장신용품제조업'
 '도서관;사적지및유사여가관련서비스업' '건축기술;엔지니어링및관련기술서비스업' '일반및생활숙박시설운영업' '반도체제조업'
 '컴퓨터및주변장치제조업' '플라스틱제품제조업' '영화;비디오물;방송프로그램제작및배급업' '인쇄및인쇄관련산업' '자동차신품부품제조업'
 '기타생활용품소매업' '텔레비전방송업' '기타금속가공제품제조업' '소화물전문운송업' '그외기타전문;과학및기술서비스업'
 '기타화학제품제조업' '전자부품제조업' '건물설비설치공사업' '1차철강제조업' '회사본부및경영컨설팅서비스업'
 '산업용기계및장비수리업' '토목건설업' '문화;오락및여가용품소매업' '자동차및모터사이클수리업' '기타종이및판지제품제조업'
 '기타정보서비스업' '인문및사회과학연구개발업']
87
['주형및금형제조업' '기타음·식료품위주종합소매업' '한식일반음식점업' '기타식품첨가물제조업' '용달화물자동차운송업'
 '애완용동물및관련용품소매업' '일반의원' '컴퓨터및주변장치;소프트웨어소매업' '슈퍼마켓' '커피전문점'
 '화물운송중개;대리및관련서비스업' '한식육류요리전문점' '그외기타분류안된사업지원서비스업' '일반화물자동차운송업' '한의원'
 '골프연습장운영업' '골재;벽돌및시멘트도매업' '통관대리및관련서비스업' '시계및귀금속소매업' '일반교과학원'
 '목재도구및주방용나무제품제조업' '세무사업' '전자상거래소매중개업' '도배;실내장식및내장목공사업' '인쇄및제책용기계제조업'
 '재생용재료수집및판매업' '산업용농축산물;섬유원료및동물중개업' '서양식음식점업' '외국어학원' '두발미용업'
 '그외기타스포츠시설운영업' '육류가공식품도매업' '전기회로접속장치제조업' '기타산업용농산물도매업' '화장품및화장용품도매업'
 '전자상거래소매업' '당구장운영업' '침구및관련제품제조업' '내부통신배선공사업' '통신기기소매업' '건설장비운영업'
 '애완동물장묘및보호서비스업' '개별화물자동차운송업' '속옷및잠옷소매업' '음악학원' '상품종합도매업' '수중공사업'
 '신발부분품제조업' '상품종합중개업' '부동산중개및대리업' '배전반및전기자동제어반제조업' '안경및렌즈소매업'
 '의복액세서리및모조장신구소매업' '체형등기타신체관리서비스업' '김밥및기타간이음식점업' '체인화편의점' '가전제품및부품도매업'
 '택시운송업' '고용알선업' '그외기타생활용품도매업' '간판및광고물제조업' '피자;햄버거;샌드위치및유사음식점업'
 '그외기타개인및가정용품임대업' '빵류;과자류;당류;초콜릿도매업' '응용소프트웨어개발및공급업' '노래연습장운영업' '기타미용업'
 '셔츠및블라우스제조업' '전시;컨벤션및행사대행업' '컴퓨터게임방운영업' '기타통신판매업' '일반용전기조명장치제조업' '치킨전문점'
 '인물사진및행사용영상촬영업' '기관구내식당업' '그외기타개인및가정용품수리업' '암면및유사제품제조업' '일식음식점업'
 '남자용겉옷소매업' '육류소매업' '컴퓨터시스템통합자문및구축서비스업' '비계및형틀공사업' '신발도매업' '제품디자인업'
 '커피가공업' '셔츠및블라우스소매업' '골판지제조업' '생활용가구도매업' '기타신선식품및단순가공식품도매업' '유압기기제조업'
 '문서작성업' '기타육상운송지원서비스업' '기타인쇄물출판업' '원목및건축관련목제품도매업' '태권도및무술교육기관' '중고자동차판매업'
 '기타직물제품제조업' '금속문;창;셔터및관련제품제조업' '운송장비용주유소운영업' '자동차신품타이어및튜브판매업'
 '전기용기계장비및관련기자재도매업' '통신장비수리업' '금속가구제조업' '탭;밸브및유사장치제조업' '광고대행업'
 '문구용품;회화용품;사무용품도매업' '그외기타분류안된교육기관' '기타산업용기계및장비도매업' '모조귀금속및모조장신용품제조업'
 '독서실운영업' '기타엔지니어링서비스업' '기타식료품소매업' '떡류제조업' '기타화학물질및화학제품도매업' '기타가공식품도매업'
 '피부미용업' '가방및기타가죽제품소매업' '여관업' '그외기타달리분류되지않은개인서비스업' '기타반도체소자제조업'
 '화장품;비누및방향제소매업' '컴퓨터제조업' '그외기타플라스틱제품제조업' '영화;비디오물및방송프로그램제작관련서비스업'
 '기타기술및직업훈련학원' '스크린인쇄업' '비알콜음료도매업' '기타주점업' '사무용가구및기기도매업' '의료용기구소매업' '경인쇄업'
 '기타자동차신품부품및내장품판매업' '일반서적출판업' '체력단련시설운영업' '컴퓨터학원' '사진처리업' '한식면요리전문점'
 '생맥주전문점' '그외자동차용신품부품제조업' '그외기타기계및장비도매업' '전기용품및조명장치소매업' '그외기타건축마무리공사업'
 '지상파방송업' '간이음식포장판매전문점' '컴퓨터및주변장치;소프트웨어도매업' '커피및차류도매업' '그외기타금속가공업' '택배업'
 '컴퓨터프로그래밍서비스업' '그외기타분류안된전문;과학및기술서비스업' '기타오락장운영업' '도장공사업' '가공및정제염제조업'
 '그외기타건축자재도매업' '여자용겉옷소매업' '가정용세탁업' '그외기타전자부품제조업' '치과의원' '화훼류및식물도매업'
 '배관및냉·난방공사업' '과실류도매업' '치약;비누및기타세제제조업' '도금;착색및기타표면처리강재제조업' '육류도매업'
 '경영컨설팅업' '미술학원' '자동차중고부품및내장품판매업' '기타물품취급장비제조업' '기타일반기계및장비수리업' '가구소매업'
 '유리및창호공사업' '의료용품도매업' '기타토목시설물건설업' '벽지및장판류도매업' '건강보조식품소매업' '기타예술학원'
 '신발소매업' '건물및토목엔지니어링서비스업' '레크리에이션교육기관' '시각디자인업' '운동및경기용품소매업' '남녀용겉옷및셔츠도매업'
 '건축설계및관련서비스업' '그외기타분류안된가정용품소매업' '교과서및학습서적출판업' '가죽및모피의복소매업' '서적임대업'
 '서적;잡지및기타인쇄물도매업' '방직용섬유및실도매업' '기타비알코올음료점업' '자동차전문수리업' '음반및비디오물도매업' '욕탕업'
 '그외기타상품전문도매업' '위생용종이제품제조업' '게임용구;인형및장난감소매업' '비누및세정제도매업' '광고매체판매업'
 '데이터베이스및온라인정보제공업' '기타인문및사회과학연구개발업' '생활용유리;요업;목재;금속제품및날붙이도매업']
201

df_seller.describe()

	연령대코드	사업소득과세금액	근로소득과세금액	부가가치과세금액	신청금액
count	778	778	778	778	778
mean	39	20450	19672	830922	56062982
std	10	229220	216886	3114525	30448300
min	20	0	0	0	10000000
25%	30	0	0	0	30000000
50%	40	0	0	0	50000000
75%	40	0	0	0	100000000
max	70	4380650	5139940	27417610	100000000

## 원본 데이터가 수정되어 문제 해결되었다!!

# 지수표기법(과학적 표기법): 1e+08은 10**8 = 1억
# 숫자형이 지수표기 식으로 되어 불편한 경우 판다스의 숫자형 표기 옵션을 바꿔준다
# https://zel0rd.tistory.com/33

# pd.options.display.float_format = '{:.0f}'.format

# df_seller.describe()
# pd.reset_option('display.float_format')

# https://pythonq.com/so/python/60301
# but 그래프에서도 지수 표현을 끌 경우 알아보기 어려워진다

numeric_feature = list(set(df_seller.columns) - set(category_feature))
numeric_feature = np.sort(numeric_feature)

for col in numeric_feature:
    sns.distplot(df_seller.loc[df_seller[col].notnull(), col])
    plt.title(col + ' 분포')
 #  ax = plt.gca()
 #  ax.get_xaxis().get_major_formatter().set_scientific(False)
    plt.show()

# kde는 '추정치' 이므로 없는 값도 표시하여 오인지할수 있어 지운다
sns.distplot(df_seller['신청금액'], kde=False, bins=40)
plt.title('신청금액 분포 (상세)')

Text(0.5, 1.0, '신청금액 분포 (상세)')

sns.histplot(df_seller['신청금액'], bins=40) # 같은 기능
plt.title('신청금액 분포 (상세)')

Text(0.5, 1.0, '신청금액 분포 (상세)')

for col in category_feature:
    plt.figure(figsize=(12,8))
   
    df_seller[col].value_counts().sort_values().plot(kind='barh')
    # plt.xticks(rotation = 45)
    plt.title(col)
    plt.show()

다양한 컬러 옵션을 줄 수 있다

• https://matplotlib.org/stable/gallery/color/named_colors.html

# df_seller[['업종중분류명', '신청금액']].groupby('업종중분류명').sum().sort_values(by=['신청금액'], ascending=False)[0:20].plot(kind='bar', cmap=plt.cm.Accent, figsize=(12,8)) #, title = "업종중분류별 신청액 상위 20 업종")
# plt.title('업종 중분류별 신청액 상위 20개 업종')

## 텍스트가 옆으로 누워 읽기 힘들다 (주석 없애고 그려보자)

# df_seller[['업종중분류명', '신청금액']].groupby('업종중분류명').sum().sort_values(by=['신청금액'], ascending=False)[0:20].plot(kind='barh', cmap=plt.cm.Accent, figsize=(12,8)) #, title = "업종중분류별 신청액 상위 20 업종")
# plt.title('업종 중분류별 신청액 상위 20개 업종')

## 제일 많은 것이 아래에 오는데 순서 바꾸고 싶다 (주석 없애고 그려보자)

df_seller_mid_20 = df_seller[['업종중분류명', '신청금액']].groupby('업종중분류명').sum().sort_values(by=['신청금액'])[-20:] # asending = True로 놓고 뒤에서부터 20개 가져오기

df_seller_mid_20.plot(kind='barh', color='tab:blue', figsize=(12,8))
plt.title('업종 중분류별 신청액 상위 20개 업종')

Text(0.5, 1.0, '업종 중분류별 신청액 상위 20개 업종')

# 코드 간단하게 (같은 기능)

df_seller_mid_20 = df_seller.groupby('업종중분류명')['신청금액'].sum().sort_values()[-20:] 

df_seller_mid_20.plot(kind='barh', color='tab:blue', figsize=(12,8))
plt.title('업종 중분류별 신청액 상위 20개 업종')

Text(0.5, 1.0, '업종 중분류별 신청액 상위 20개 업종')

df_seller_low_20 = df_seller.groupby('업종소분류명')['신청금액'].sum().sort_values()[-20:]

df_seller_low_20.plot(kind='barh', color='tab:orange', figsize=(12,8)) 
plt.title('업종 소분류별 신청액 상위 20개 업종')

Text(0.5, 1.0, '업종 소분류별 신청액 상위 20개 업종')

df_seller.groupby(['연령대코드'])['신청금액'].sum().plot(kind='bar', color='tab:green', figsize=(8,6)) 
plt.xticks(rotation = 0)
plt.title("연령대별 신청금액 (총액)")

Text(0.5, 1.0, '연령대별 신청금액 (총액)')

df.groupby(['연령대코드'])['신청금액'].mean().plot(kind='bar', color='tab:red', figsize=(8,6)) 
plt.xticks(rotation = 0)
plt.title("연령대별 신청금액 (평균)")

Text(0.5, 1.0, '연령대별 신청금액 (평균)')

pd.reset_option('display.float_format') # 소숫점 없앤 옵션 취소 (필요하면 재설정)
df_seller.corr()

	연령대코드	사업소득과세금액	근로소득과세금액	부가가치과세금액	신청금액
연령대코드	1.000000	-0.024335	-0.044772	0.024653	0.021672
사업소득과세금액	-0.024335	1.000000	0.208257	0.462019	0.027707
근로소득과세금액	-0.044772	0.208257	1.000000	0.171763	0.072882
부가가치과세금액	0.024653	0.462019	0.171763	1.000000	0.139136
신청금액	0.021672	0.027707	0.072882	0.139136	1.000000

plt.figure(figsize=(10,8))
sns.heatmap(df_seller.corr(), 
               annot = True,      
               cmap = 'RdYlBu_r',  
               linewidths=.5, 
               vmin = -1, vmax = 1, 
              )

# 소득세란 무엇인가? 
# https://www.korea.kr
# 자영사업자는 부가가치세와 별도로 사업소득에 대한 소득세를 납부하여야 합니다

<AxesSubplot:>

# https://m.blog.naver.com/kiddwannabe/221763497317

mask = np.zeros_like(df_seller.corr(), dtype=np.bool)
mask[np.triu_indices_from(mask)] = True

plt.figure(figsize=(10,6))

sns.heatmap(df_seller.corr(), 
               annot = True,  
               mask = mask,   
               cmap = 'RdYlBu_r',  
               linewidths=.5, 
               cbar_kws={"shrink": .8},
               vmin = -1, vmax = 1, 
              )

<AxesSubplot:>

1-2. 소상공인 진흥공단 상가(상권) 정보

• 정보를 지도로 시각화해보자
• https://www.data.go.kr/tcs/dss/selectFileDataDetailView.do?publicDataPk=15083033
• 필요한 패키지는 1-1번에서 설치 (여기에서 시작할 경우 위에서 패키지 다시 실행)

folder_path = "./data/소상공인시장진흥공단_상가(상권)정보_20210630/"
all_files = glob.glob(folder_path + "/*.csv")

df_shop = pd.DataFrame() # "상가(상권)" : 데이터 넣을 데이터프레임 선언 (데이터마다 변수명 다르게)

li = []

for filename in all_files:
    df = pd.read_csv(filename, index_col=None, header=0)
    li.append(df)

df_shop = pd.concat(li, axis=0, ignore_index=True) # 데이터프레임에 데이터 할당 (변수명 일치하도록 주의)

df_shop.head()

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	25033300	동그라미중고타이어	NaN	D	소매	D23	자동차/자동차용품	D23A04	타이어판매	G45211	...	4215011100110960006010791	NaN	강원도 강릉시 가작로 270	210110.0	25488.0	1	NaN	NaN	128.904472	37.770252
1	17174549	세인트존스호텔Ohcrab	NaN	O	숙박	O01	호텔/콘도	O01A01	호텔/콘도	NaN	...	4215011300100010001017124	세인트존스호텔	강원도 강릉시 창해로 307	210120.0	25467.0	NaN	NaN	NaN	128.920908	37.791299
2	17174079	평창라마다호텔	NaN	O	숙박	O01	호텔/콘도	O01A01	호텔/콘도	NaN	...	4276038024102450036000001	NaN	강원도 평창군 대관령면 오목길 107	232954.0	25342.0	NaN	NaN	NaN	128.717971	37.660051
3	17173904	호텔탑스텐스카이라운지	NaN	O	숙박	O01	호텔/콘도	O01A01	호텔/콘도	NaN	...	4215035029100920001000002	NaN	강원도 강릉시 옥계면 헌화로 455-34	210831.0	25633.0	NaN	NaN	NaN	129.052902	37.654680
4	20782013	행복나눔	NaN	D	소매	D07	가정/주방/인테리어	D07A05	정수기연수기	G47320	...	4211012000107980012030891	NaN	강원도 춘천시 후석로 275	200160.0	24282.0	NaN	NaN	NaN	127.752293	37.876199

5 rows × 39 columns

df_shop.columns

Index(['상가업소번호', '상호명', '지점명', '상권업종대분류코드', '상권업종대분류명', '상권업종중분류코드',
       '상권업종중분류명', '상권업종소분류코드', '상권업종소분류명', '표준산업분류코드', '표준산업분류명', '시도코드',
       '시도명', '시군구코드', '시군구명', '행정동코드', '행정동명', '법정동코드', '법정동명', '지번코드',
       '대지구분코드', '대지구분명', '지번본번지', '지번부번지', '지번주소', '도로명코드', '도로명', '건물본번지',
       '건물부번지', '건물관리번호', '건물명', '도로명주소', '구우편번호', '신우편번호', '동정보', '층정보',
       '호정보', '경도', '위도'],
      dtype='object')

# 사용할 변수만 선택 (번호, 코드, 관리번호, 우편번호 등 이번 분석에 의미 없는 컬럼 제외)

view_columns = ['상호명', '지점명', '상권업종대분류명', '상권업종중분류명',
              '상권업종소분류명', '시도명', '시군구명', 
              '행정동명', '법정동명', '지번주소', '도로명주소', '경도', '위도']

df_shop_new = df_shop[view_columns]
df_shop_new.head()

	상호명	지점명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	지번주소	도로명주소	경도	위도
0	동그라미중고타이어	NaN	소매	자동차/자동차용품	타이어판매	강원도	강릉시	포남1동	포남동	강원도 강릉시 포남동 1096-6	강원도 강릉시 가작로 270	128.904472	37.770252
1	세인트존스호텔Ohcrab	NaN	숙박	호텔/콘도	호텔/콘도	강원도	강릉시	초당동	강문동	강원도 강릉시 강문동 1-1	강원도 강릉시 창해로 307	128.920908	37.791299
2	평창라마다호텔	NaN	숙박	호텔/콘도	호텔/콘도	강원도	평창군	대관령면	대관령면	강원도 평창군 대관령면 횡계리 245-66	강원도 평창군 대관령면 오목길 107	128.717971	37.660051
3	호텔탑스텐스카이라운지	NaN	숙박	호텔/콘도	호텔/콘도	강원도	강릉시	옥계면	옥계면	강원도 강릉시 옥계면 금진리 92-1	강원도 강릉시 옥계면 헌화로 455-34	129.052902	37.654680
4	행복나눔	NaN	소매	가정/주방/인테리어	정수기연수기	강원도	춘천시	후평2동	후평동	강원도 춘천시 후평동 798-12	강원도 춘천시 후석로 275	127.752293	37.876199

df_shop_new.isnull().sum() # 지점명 결측치 많음

상호명               3
지점명         1895160
상권업종대분류명          0
상권업종중분류명          0
상권업종소분류명          0
시도명               0
시군구명              0
행정동명          11659
법정동명           1974
지번주소              0
도로명주소            12
경도                0
위도                0
dtype: int64

msno.matrix(df_shop_new)

<AxesSubplot:>

# 경도, 위도 정보로 지도 그려보기
df_shop_new[:10000].plot.scatter(x='경도', y='위도', grid=True)

<AxesSubplot:xlabel='경도', ylabel='위도'>

df_shop_new['시도명'].unique()

array(['강원도', '경기도', '경상남도', '경상북도', '광주광역시', '대구광역시', '대전광역시', '부산광역시',
       '서울특별시', '세종특별자치시', '울산광역시', '인천광역시', '전라남도', '전라북도', '제주특별자치도',
       '충청남도', '충청북도'], dtype=object)

# 전국 상권정보가 다 있다(이전엔 서울, 부산만 있었음) -> 이 중 서울과 경기만 선택

# https://ddolcat.tistory.com/845

# df_shop_seoul = df_shop_new.loc[df_shop_new['도로명주소'].str.startswith('서울', na=False)]
# df_shop_kyung = df_shop_new.loc[df_shop_new['도로명주소'].str.startswith('경기', na=False)]

# df_shop_kyung['시도'] = df_shop_kyung['도로명주소'].str.split(' ', expand=True)[0]
# df_shop_kyung['시군구'] = df_shop_kyung['도로명주소'].str.split(' ', expand=True)[1]

# 서울/서울특별시/서울시, 경기/경기도 등으로 입력된 경우 
# '도로명주소'를 전처리해 정확한 시도/시군구명을 추출하는 법

# 이 데이터에서는 '시도명'이 unique하므로 아래의 간단한 방법을 사용한다

df_shop_seoul = df_shop_new.loc[df_shop_new['시도명'] == '서울특별시']
df_shop_kyung = df_shop_new.loc[df_shop_new['시도명'] == '경기도']

print(df_shop_seoul.shape)
print(df_shop_kyung.shape)

(316078, 13)
(505809, 13)

다양한 컬러 옵션을 줄 수 있다

• https://matplotlib.org/stable/gallery/color/named_colors.html

df_shop_seoul.plot.scatter(x='경도', y='위도', color='tab:blue', figsize=(16, 12), grid=True)

<AxesSubplot:xlabel='경도', ylabel='위도'>

df_shop_kyung.plot.scatter(x='경도', y='위도', color='tab:green', figsize=(16, 12), grid=True)

<AxesSubplot:xlabel='경도', ylabel='위도'>

print(df_shop_seoul['시도명'].unique())

print(df_shop_seoul['시군구명'].unique())
print(df_shop_seoul['시군구명'].nunique())

['서울특별시']
['서초구' '동작구' '종로구' '영등포구' '송파구' '성동구' '성북구' '마포구' '강동구' '관악구' '양천구' '강남구'
 '중랑구' '은평구' '서대문구' '중구' '동대문구' '강북구' '광진구' '용산구' '강서구' '구로구' '도봉구' '노원구'
 '금천구']
25

print(df_shop_kyung['시도명'].unique())

print(df_shop_kyung['시군구명'].unique()) # 수원시 / 수원시 팔달구, 수원시 영동구, 수원시 권선구, 수원시 장안구 등 처리 필요 (여기에선 진행하지 않음)
print(df_shop_kyung['시군구명'].nunique())

['경기도']
['파주시' '평택시' '광명시' '성남시 분당구' '김포시' '의정부시' '광주시' '수원시 팔달구' '화성시' '수원시 영통구'
 '시흥시' '수원시 권선구' '군포시' '안산시 상록구' '포천시' '용인시 처인구' '안양시 동안구' '안양시 만안구'
 '고양시 덕양구' '고양시 일산동구' '안산시 단원구' '하남시' '수원시 장안구' '동두천시' '구리시' '용인시'
 '성남시 수정구' '가평군' '양주시' '의왕시' '부천시' '남양주시' '양평군' '용인시 수지구' '이천시' '고양시 일산서구'
 '안성시' '용인시 기흥구' '성남시 중원구' '오산시' '연천군' '여주시' '과천시' '안산시' '고양시' '수원시']
46

# 전체 데이터를 그리면 시간이 오래 걸리기 때문에 
# 슬라이싱으로 [:10000] 10000 개 포인트만 그린다

plt.figure(figsize=(16, 12))
sns.scatterplot(data=df_shop_seoul[:10000], x='경도', y='위도', hue='시군구명')
plt.title('서울시 구별 상권 분포')

Text(0.5, 1.0, '서울시 구별 상권 분포')

plt.figure(figsize=(16, 12))
sns.scatterplot(data=df_shop_kyung[:20000], x='경도', y='위도', hue='시군구명')
plt.title('경기도 시군구별 상권 분포')

Text(0.5, 1.0, '경기도 시군구별 상권 분포')

서울 - 상권업종 대분류

df_shop_seoul['상권업종대분류명'].value_counts()

음식          126203
소매           89857
생활서비스        55634
학문/교육        21426
부동산          12748
관광/여가/오락      6633
숙박            2322
스포츠           1255
Name: 상권업종대분류명, dtype: int64

count_status = pd.value_counts(df_shop_seoul['상권업종대분류명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,8), fontsize=13)
plt.title('서울시 상권업종 대분류 순위', fontsize=14)

Text(0.5, 1.0, '서울시 상권업종 대분류 순위')

plt.figure(figsize=(16, 12))
sns.scatterplot(data=df_shop_seoul[:10000], x='경도', y='위도', hue='상권업종대분류명')
plt.title('서울시 상권업종 대분류 분포', fontsize=14)

Text(0.5, 1.0, '서울시 상권업종 대분류 분포')

df_shop_seoul

	상호명	지점명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	지번주소	도로명주소	경도	위도
1284600	비지트	NaN	음식	한식	한식/백반/한정식	서울특별시	서초구	방배4동	방배동	서울특별시 서초구 방배동 854-18	서울특별시 서초구 동광로18길 82	126.991394	37.488375
1284601	쓰리에프	NaN	음식	한식	한식/백반/한정식	서울특별시	동작구	사당2동	사당동	서울특별시 동작구 사당동 139-72	서울특별시 동작구 동작대로27가길 12	126.980952	37.487105
1284602	채움	NaN	음식	한식	한식/백반/한정식	서울특별시	종로구	종로1.2.3.4가동	수송동	서울특별시 종로구 수송동 58	서울특별시 종로구 삼봉로 81	126.981794	37.572387
1284603	호구의주방	NaN	소매	가정/주방/인테리어	주방가구판매	서울특별시	영등포구	양평2동	양평동4가	서울특별시 영등포구 양평동4가 160-2	서울특별시 영등포구 선유로 269	126.897892	37.536700
1284604	다향	NaN	음식	한식	한식/백반/한정식	서울특별시	서초구	서초3동	서초동	서울특별시 서초구 서초동 1485-3	서울특별시 서초구 효령로 230	127.009382	37.483436
...	...	...	...	...	...	...	...	...	...	...	...	...	...
1600673	김씨네주방	NaN	음식	한식	한식/백반/한정식	서울특별시	서대문구	홍은2동	홍은동	서울특별시 서대문구 홍은동 456	서울특별시 서대문구 모래내로 309	126.931473	37.578889
1600674	핫플레이스	NaN	음식	한식	한식/백반/한정식	서울특별시	마포구	연남동	연남동	서울특별시 마포구 연남동 515-24	서울특별시 마포구 연남로 29	126.921671	37.562230
1600675	경인철형사	NaN	소매	철물/난방/건설자재소매	철물/건설자재소매	서울특별시	강동구	성내3동	성내동	서울특별시 강동구 성내동 420-46	서울특별시 강동구 성안로 70	127.131765	37.529776
1600676	솔시카고피자	NaN	음식	패스트푸드	피자전문	서울특별시	동작구	신대방1동	신대방동	서울특별시 동작구 신대방동 719	서울특별시 동작구 신대방1가길 38	126.906921	37.487893
1600677	피자버거플러스	NaN	음식	패스트푸드	피자전문	서울특별시	용산구	보광동	보광동	서울특별시 용산구 보광동 81-2	서울특별시 용산구 보광로 15	127.000969	37.525913

316078 rows × 13 columns

df_shop_seoul[df_shop_seoul['상권업종대분류명'] == '음식'].groupby(['시군구명']).count().sort_values()

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-126-2f98bcc5f523> in <module>
----> 1 df_shop_seoul[df_shop_seoul['상권업종대분류명'] == '음식'].groupby(['시군구명']).count().sort_values()

~\anaconda\lib\site-packages\pandas\util\_decorators.py in wrapper(*args, **kwargs)
    309                     stacklevel=stacklevel,
    310                 )
--> 311             return func(*args, **kwargs)
    312 
    313         return wrapper

TypeError: sort_values() missing 1 required positional argument: 'by'

이후 연계 분석 위해 '구별 음식점수' 데이터프레임으로 저장

df_shop_seoul_food = df_shop_seoul[df_shop_seoul['상권업종대분류명'] == '음식']

df_food_seoul = pd.DataFrame(df_shop_seoul_food['시군구명'].value_counts().reset_index())
df_food_seoul.columns = ['시군구명', '음식점수']
df_food_seoul

df_food_seoul.to_csv('./data/df_food_seoul.csv', index=False)

서울시 구별 지도 그리기 위해 위도, 경도 포함된 df_shop_seoul 저장

df_shop_seoul.to_csv('./data/df_shop_seoul.csv', index=False)

경기도 - 상권업종 대분류

df_shop_kyung['상권업종대분류명'].value_counts()

음식          183836
소매          158674
생활서비스        83434
학문/교육        39236
부동산          21576
관광/여가/오락     11133
숙박            5503
스포츠           2417
Name: 상권업종대분류명, dtype: int64

count_status = pd.value_counts(df_shop_kyung['상권업종대분류명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,8), color='tab:green', fontsize=13)
plt.title('경기도 상권업종 대분류 순위', fontsize=14)

Text(0.5, 1.0, '경기도 상권업종 대분류 순위')

plt.figure(figsize=(16, 12))
sns.scatterplot(data=df_shop_kyung[:10000], x='경도', y='위도', hue='상권업종대분류명')
plt.title('경기도 상권업종 대분류 분포', fontsize=14)

Text(0.5, 1.0, '경기도 상권업종 대분류 분포')

서울, 경기 - 상권업종 대분류 <음식> -> 상권업종 중분류

df_shop_seoul_food = df_shop_seoul[df_shop_seoul['상권업종대분류명'] == '음식']

df_shop_seoul_food['상권업종중분류명'].value_counts()

한식         43770
커피점/카페     20832
유흥주점       13131
분식         11069
일식/수산물      8179
양식          7087
닭/오리요리      5594
제과제빵떡케익     5104
패스트푸드       4798
중식          3468
별식/퓨전요리     2269
부페           467
기타음식업        356
음식배달서비스       79
Name: 상권업종중분류명, dtype: int64

count_status = pd.value_counts(df_shop_seoul_food['상권업종중분류명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,8), fontsize=13)
plt.title('서울시 <음식> 상권 중분류 순위', fontsize=14)

Text(0.5, 1.0, '서울시 <음식> 상권 중분류 순위')

plt.figure(figsize=(16, 12))
sns.scatterplot(data=df_shop_seoul_food[:10000], x='경도', y='위도', hue='상권업종중분류명')
plt.title('서울시 <음식> 상권 중분류 분포', fontsize=14)

Text(0.5, 1.0, '서울시 <음식> 상권 중분류 분포')

df_shop_kyung_food = df_shop_kyung[df_shop_kyung['상권업종대분류명'] == '음식']

df_shop_kyung_food['시군구명'].value_counts()

화성시         10766
남양주시         8671
파주시          8666
평택시          8665
김포시          7281
시흥시          7010
부천시          6594
고양시 덕양구      5959
성남시 분당구      5942
의정부시         5489
광주시          5303
고양시 일산동구     5264
이천시          5017
포천시          4591
용인시 처인구      4567
양주시          4456
안성시          4397
용인시 기흥구      4334
안산시 단원구      4192
안양시 동안구      4151
수원시 영통구      4022
수원시 권선구      3803
수원시 팔달구      3750
하남시          3700
오산시          3451
안산시 상록구      3387
고양시 일산서구     3376
성남시 수정구      3149
안양시 만안구      3030
용인시 수지구      3028
성남시 중원구      2844
수원시 장안구      2831
광명시          2816
군포시          2790
양평군          2762
여주시          2743
구리시          2575
가평군          2068
동두천시         1882
의왕시          1751
연천군          1172
안산시           769
과천시           617
용인시           153
수원시            29
고양시            23
Name: 시군구명, dtype: int64

count_status = pd.value_counts(df_shop_kyung_food['시군구명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,10), color='tab:green', fontsize=10)
plt.title('경기도 <음식> 상권 중분류 시군구별 순위', fontsize=14)

Text(0.5, 1.0, '경기도 <음식> 상권 중분류 시군구별 순위')

plt.figure(figsize=(16, 12))

sns.scatterplot(data=df_shop_kyung_food[:10000], x='경도', y='위도', hue='시군구명', alpha='auto')
plt.title('경기도 <음식> 상권 중분류 분포', fontsize=14)

Text(0.5, 1.0, '경기도 <음식> 상권 중분류 분포')

서울, 경기 - 상권업종 중분류 <한식>

• 변수명 유의해서 짓자

df_shop_seoul_food_kor = df_shop_seoul[df_shop_seoul['상권업종중분류명'] == '한식']

df_shop_seoul_food_kor['시군구명'].value_counts()

강남구     4135
마포구     3095
송파구     2851
서초구     2182
강서구     2135
영등포구    2133
종로구     1781
강동구     1772
은평구     1728
관악구     1705
중구      1640
동대문구    1632
성북구     1542
구로구     1520
용산구     1510
성동구     1493
강북구     1402
광진구     1399
중랑구     1346
서대문구    1324
노원구     1265
금천구     1126
양천구     1112
동작구     1031
도봉구      911
Name: 시군구명, dtype: int64

count_status = pd.value_counts(df_shop_seoul_food_kor['시군구명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,10), fontsize=10)
plt.title('서울시 <한식> 상권 구별 순위', fontsize=14)

Text(0.5, 1.0, '서울시 <한식> 상권 구별 순위')

plt.figure(figsize=(16, 12))

sns.scatterplot(data=df_shop_seoul_food_kor[:10000], x='경도', y='위도', hue='시군구명', alpha='auto')
plt.title('서울시 <한식> 상권 구별 분포', fontsize=14)

Text(0.5, 1.0, '서울시 <한식> 상권 구별 분포')

df_shop_kyung_food_kor = df_shop_kyung[df_shop_kyung['상권업종중분류명'] == '한식']

df_shop_kyung_food_kor['시군구명'].value_counts()

화성시         4180
파주시         3669
남양주시        3518
평택시         3482
시흥시         2871
김포시         2763
고양시 덕양구     2278
포천시         2262
광주시         2199
양주시         2083
의정부시        2027
안성시         1997
이천시         1953
부천시         1928
용인시 처인구     1899
고양시 일산동구    1893
성남시 분당구     1865
수원시 권선구     1505
용인시 기흥구     1487
안산시 단원구     1487
수원시 영통구     1479
하남시         1460
수원시 팔달구     1434
오산시         1329
양평군         1296
안양시 동안구     1284
여주시         1277
안산시 상록구     1230
수원시 장안구     1106
성남시 수정구     1079
고양시 일산서구    1075
광명시         1031
용인시 수지구     1012
성남시 중원구     1012
안양시 만안구      972
가평군          937
군포시          918
구리시          904
동두천시         802
의왕시          653
연천군          495
안산시          258
과천시          225
용인시           50
수원시           10
고양시            8
Name: 시군구명, dtype: int64

df_shop_kyung_food_kor['시군구명'].values

array(['파주시', '파주시', '파주시', ..., '안양시 만안구', '평택시', '평택시'], dtype=object)

count_status = pd.value_counts(df_shop_kyung_food_kor['시군구명'].values)

count_status.sort_values().plot.barh(grid=True, figsize=(15,10), fontsize=10, color='tab:green')
plt.title('경기도 <한식> 상권 시군구별 순위', fontsize=14)

Text(0.5, 1.0, '경기도 <한식> 상권 시군구별 순위')

plt.figure(figsize=(16, 12))

sns.scatterplot(data=df_shop_kyung_food_kor[:10000], x='경도', y='위도', hue='시군구명', alpha='auto')
plt.title('경기도 <한식> 상권 구별 분포', fontsize=14)

Text(0.5, 1.0, '경기도 <한식> 상권 구별 분포')

folium 활용한 <한식> 상권 지도 시각화

import folium

• 서울

lat = df_shop_seoul_food_kor['위도'].mean()
long = df_shop_seoul_food_kor['경도'].mean()
lat, long

(37.54595494678215, 126.99287479041476)

m = folium.Map([lat, long])
m

Make this Notebook Trusted to load map: File -> Trust Notebook

for i in df_shop_seoul_food_kor.index[:10]:
    print(i)

1284600
1284601
1284602
1284604
1284611
1284612
1284613
1284614
1284615
1284616

for i in df_shop_seoul_food_kor.index[:10]:
    sub_lat = df_shop_seoul_food_kor.loc[i, '위도']
    sub_long = df_shop_seoul_food_kor.loc[i, '경도']
    
    print(i, sub_lat, sub_long)

1284600 37.4883745422712 126.991394095675
1284601 37.4871045502058 126.980951647638
1284602 37.5723869222964 126.981794436761
1284604 37.4834357780284 127.009382169497
1284611 37.5561971380176 127.159471263976
1284612 37.562176119867 126.924659774897
1284613 37.5506889789685 126.919845300945
1284614 37.4711902396253 126.9377898093
1284615 37.512376125437 127.112318758601
1284616 37.5513400257924 126.956164271993

df_shop_seoul_food_kor.columns

Index(['상호명', '지점명', '상권업종대분류명', '상권업종중분류명', '상권업종소분류명', '시도명', '시군구명', '행정동명',
       '법정동명', '지번주소', '도로명주소', '경도', '위도'],
      dtype='object')

m = folium.Map([lat, long])

for i in df_shop_seoul_food_kor.index[:10]:
    sub_lat = df_shop_seoul_food_kor.loc[i, '위도']
    sub_long = df_shop_seoul_food_kor.loc[i, '경도']

    title =f"{df_shop_seoul_food_kor.loc[i, '상호명']} - {df_shop_seoul_food_kor.loc[i, '도로명주소']}"
    # print(i, sub_lat, sub_long, title)
    folium.Marker([sub_lat, sub_long], popup=title).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

m = folium.Map([lat, long])

for i in df_shop_seoul_food_kor.index[:10]:
    sub_lat = df_shop_seoul_food_kor.loc[i, '위도']
    sub_long = df_shop_seoul_food_kor.loc[i, '경도']

    title =f"{df_shop_seoul_food_kor.loc[i, '상호명']} - {df_shop_seoul_food_kor.loc[i, '도로명주소']}"
    # print(i, sub_lat, sub_long, title)
    folium.CircleMarker([sub_lat, sub_long], popup=title).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

m = folium.Map([lat, long], zoom_start=11, tiles='Stamen Toner')

for i in df_shop_seoul_food_kor.index[:1000]:
    sub_lat = df_shop_seoul_food_kor.loc[i, '위도']
    sub_long = df_shop_seoul_food_kor.loc[i, '경도']

    title =f"{df_shop_seoul_food_kor.loc[i, '상호명']} - {df_shop_seoul_food_kor.loc[i, '도로명주소']}"
    # print(i, sub_lat, sub_long, title)
    folium.CircleMarker([sub_lat, sub_long], radius=3, popup=title).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

서울시 구별 <한식> 점포수

df_shop_seoul_food_kor.groupby('시군구명')['상호명'].count()

시군구명
강남구     4135
강동구     1772
강북구     1402
강서구     2135
관악구     1705
광진구     1399
구로구     1520
금천구     1126
노원구     1265
도봉구      911
동대문구    1632
동작구     1031
마포구     3095
서대문구    1324
서초구     2182
성동구     1493
성북구     1542
송파구     2851
양천구     1112
영등포구    2133
용산구     1510
은평구     1728
종로구     1781
중구      1639
중랑구     1346
Name: 상호명, dtype: int64

pd.DataFrame(df_shop_seoul_food_kor.groupby('시군구명')['상호명'].count())

	상호명
시군구명
강남구	4135
강동구	1772
강북구	1402
강서구	2135
관악구	1705
광진구	1399
구로구	1520
금천구	1126
노원구	1265
도봉구	911
동대문구	1632
동작구	1031
마포구	3095
서대문구	1324
서초구	2182
성동구	1493
성북구	1542
송파구	2851
양천구	1112
영등포구	2133
용산구	1510
은평구	1728
종로구	1781
중구	1639
중랑구	1346

pd.DataFrame(df_shop_seoul_food_kor.groupby('시군구명')['상호명'].count()).reset_index()

	시군구명	상호명
0	강남구	4135
1	강동구	1772
2	강북구	1402
3	강서구	2135
4	관악구	1705
5	광진구	1399
6	구로구	1520
7	금천구	1126
8	노원구	1265
9	도봉구	911
10	동대문구	1632
11	동작구	1031
12	마포구	3095
13	서대문구	1324
14	서초구	2182
15	성동구	1493
16	성북구	1542
17	송파구	2851
18	양천구	1112
19	영등포구	2133
20	용산구	1510
21	은평구	1728
22	종로구	1781
23	중구	1639
24	중랑구	1346

df_seoul_kor = pd.DataFrame(df_shop_seoul_food_kor.groupby('시군구명')['상호명'].count()).reset_index()

df_seoul_kor.columns = ['구', '한식 매장수']
df_seoul_kor

	구	한식 매장수
0	강남구	4135
1	강동구	1772
2	강북구	1402
3	강서구	2135
4	관악구	1705
5	광진구	1399
6	구로구	1520
7	금천구	1126
8	노원구	1265
9	도봉구	911
10	동대문구	1632
11	동작구	1031
12	마포구	3095
13	서대문구	1324
14	서초구	2182
15	성동구	1493
16	성북구	1542
17	송파구	2851
18	양천구	1112
19	영등포구	2133
20	용산구	1510
21	은평구	1728
22	종로구	1781
23	중구	1639
24	중랑구	1346

df_kor_gu = pd.DataFrame(df_shop_seoul_food_kor.groupby('시군구명')['상호명'].count())
df_kor_gu.head()

	상호명
시군구명
강남구	4135
강동구	1772
강북구	1402
강서구	2135
관악구	1705

choropleth 그리기

• 구별로 매장수를 표현하기 위해 GeoJSON 파일 로드
  • 파일출처 : southkorea/seoul-maps: Seoul administrative divisions in ESRI Shapefile, GeoJSON and TopoJSON formats.

서울 외

• https://anweh.tistory.com/55
• https://youngwonhan-family.tistory.com/58

import json

# geo_path = 'data/seoul_municipalities_geo_simple.json'
geo_path = './data/skorea_municipalities_geo_simple.json'
geo_json = json.load(open(geo_path, encoding='utf-8'))

# https://python-visualization.github.io/folium/quickstart.html
# https://matplotlib.org/stable/gallery/color/colormap_reference.html

map = folium.Map(location=[df_shop_seoul['위도'].mean(), df_shop_seoul['경도'].mean()], 
                 zoom_start=11)

map.choropleth(geo_data = geo_json,
               data = df_kor_gu['상호명'],
               columns = [df_seoul_kor.index, df_kor_gu['상호명']],
               fill_color = 'OrRd',
               key_on = 'feature.properties.name',
               fill_opacity=0.7,
               line_opacity=0.2,
               highlight=True)
map

Make this Notebook Trusted to load map: File -> Trust Notebook