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')

3. 서울시 구별 코로나 환자수

https://www.seoul.go.kr/coronaV/coronaStatus.do

• 서울시 코로나 발생동향 페이지에서 직접 크롤링
• 매일 집계되므로 실행시 결과는 이 코드와 다릅니다

# 웹페이지의 '테이블' 형식 데이터는 판다스만으로 크롤링

url = 'https://www.seoul.go.kr/coronaV/coronaStatus.do'
url

'https://www.seoul.go.kr/coronaV/coronaStatus.do'

# 페이지에 있는 전체 테이블 (크롤링은 실시간 집계되므로 데이터가 다름)

pd.read_html(url)

[    강남구   강동구   강북구   강서구   관악구   광진구   구로구   금천구   노원구   도봉구  동대문구   동작구  \
 0  7296  4183  2923  4758  5703  3730  4774  2328  4198  2833  3967  4387   
 1   +28   +31   +21   +23   +24   +24   +64   +23   +24   +12   +29   +23   
 2  서대문구   서초구   성동구   성북구   송파구   양천구  영등포구   용산구   은평구   종로구    중구   중랑구   
 3  2911  4463  3026  4087  6815  3537  4817  2906  4616  1842  1899  4027   
 4   +12    +7    +7   +22   +35    +9   +20   +28   +31   +11    +7   +21   
 
     마포구  
 0  4012  
 1   +18  
 2    기타  
 3  7586  
 4   +29  ,
      강남구   강동구   강북구   강서구   관악구   광진구
 0   7296  4183  2923  4758  5703  3730
 1    +28   +31   +21   +23   +24   +24
 2    구로구   금천구   노원구   도봉구  동대문구   동작구
 3   4774  2328  4198  2833  3967  4387
 4    +64   +23   +24   +12   +29   +23
 5    마포구  서대문구   서초구   성동구   성북구   송파구
 6   4012  2911  4463  3026  4087  6815
 7    +18   +12    +7    +7   +22   +35
 8    양천구  영등포구   용산구   은평구   종로구    중구
 9   3537  4817  2906  4616  1842  1899
 10    +9   +20   +28   +31   +11    +7
 11   중랑구    기타   NaN   NaN   NaN   NaN
 12  4027  7586   NaN   NaN   NaN   NaN
 13   +21   +29   NaN   NaN   NaN   NaN,
       구 분  합 계  9세 이하  10세~19세  20세~29세  30세~39세  40세~49세  50세~59세  60세~69세  \
 0  확진자(명)  583   37.0     60.0    115.0    102.0     81.0     64.0     72.0   
 1   비율(%)  100    6.4     10.3     19.7     17.5     13.9     10.9     12.4   
 
    70세 이상  
 0    52.0  
 1     8.9  ,
        일자    10.9.    10.8.    10.7.    10.6.    10.5.    10.4.    10.3.
 0  검사자(명)  50888.0  76612.0  77003.0  75738.0  79500.0  61079.0  42024.0
 1  확진자(명)    583.0    712.0    775.0    836.0    689.0    521.0    574.0
 2  확진율(%)      0.8      0.9      1.0      1.1      1.1      1.2      1.0,
        소계  해외 유입  노원구 소재 병원 관련('21.10.)  송파구 소재 시장 관련('21.9.)  \
 0  107624   1783                     33                   732   
 
    강서구 소재 시장 관련(‘21.10.)  마포구 소재 시장 관련  기타 집단 감염  기타 확진자 접촉  타시도 확진자 접촉  \
 0                     26            89     23598      41332        4341   
 
    감염 경로 조사중  
 0      35690  ,
 Empty DataFrame
 Columns: [연번, 환자, 확진일, 거주지, 여행력, 접촉력, 퇴원현황]
 Index: [],
 Empty DataFrame
 Columns: [연번, 환자, 확진일, 거주지, 여행력, 접촉력, 퇴원현황]
 Index: [],
                      일                   월                   화  \
 0                  NaN                 NaN                 NaN   
 1   3  102,934  (+735)  4  103,508  (+574)  5  104,029  (+521)   
 2  10  107,624  (+583)                  11                  12   
 3                   17                  18                  19   
 4                   24                  25                  26   
 5                   31                 NaN                 NaN   
 
                     수                   목                   금  \
 0                 NaN                 NaN  1  101,407  (+915)   
 1  6  104,718  (+689)  7  105,554  (+836)  8  106,329  (+775)   
 2                  13                  14                  15   
 3                  20                  21                  22   
 4                  27                  28                  29   
 5                 NaN                 NaN                 NaN   
 
                     토  
 0  2  102,199  (+792)  
 1  9  107,041  (+712)  
 2                  16  
 3                  23  
 4                  30  
 5                 NaN  ]

# 한페이지 내의 전체 테이블 갯수 
table = pd.read_html(url)

len(table)

8

# "구별 발생 환자수" 만 필요하므로 첫번째 테이블을 사용한다
# table[1] 부터 table[7]까지 실행하여 나머지 테이블을 확인해보자 (나이대, 감염경로, 여행력, 퇴원현황 등)
table[0]

	강남구	강동구	강북구	강서구	관악구	광진구	구로구	금천구	노원구	도봉구	동대문구	동작구	마포구
0	7296	4183	2923	4758	5703	3730	4774	2328	4198	2833	3967	4387	4012
1	+28	+31	+21	+23	+24	+24	+64	+23	+24	+12	+29	+23	+18
2	서대문구	서초구	성동구	성북구	송파구	양천구	영등포구	용산구	은평구	종로구	중구	중랑구	기타
3	2911	4463	3026	4087	6815	3537	4817	2906	4616	1842	1899	4027	7586
4	+12	+7	+7	+22	+35	+9	+20	+28	+31	+11	+7	+21	+29

df_raw = table[0].T.reset_index()
df_raw

	index	0	1	2	3	4
0	강남구	7296	+28	서대문구	2911	+12
1	강동구	4183	+31	서초구	4463	+7
2	강북구	2923	+21	성동구	3026	+7
3	강서구	4758	+23	성북구	4087	+22
4	관악구	5703	+24	송파구	6815	+35
5	광진구	3730	+24	양천구	3537	+9
6	구로구	4774	+64	영등포구	4817	+20
7	금천구	2328	+23	용산구	2906	+28
8	노원구	4198	+24	은평구	4616	+31
9	도봉구	2833	+12	종로구	1842	+11
10	동대문구	3967	+29	중구	1899	+7
11	동작구	4387	+23	중랑구	4027	+21
12	마포구	4012	+18	기타	7586	+29

df_1 = df_raw[['index', 0]]
df_1.columns = ['시군구명', '확진자수']
df_1

	시군구명	확진자수
0	강남구	7296
1	강동구	4183
2	강북구	2923
3	강서구	4758
4	관악구	5703
5	광진구	3730
6	구로구	4774
7	금천구	2328
8	노원구	4198
9	도봉구	2833
10	동대문구	3967
11	동작구	4387
12	마포구	4012

df_2 = df_raw[[2, 3]]
df_2.columns = ['시군구명', '확진자수']
df_2

	시군구명	확진자수
0	서대문구	2911
1	서초구	4463
2	성동구	3026
3	성북구	4087
4	송파구	6815
5	양천구	3537
6	영등포구	4817
7	용산구	2906
8	은평구	4616
9	종로구	1842
10	중구	1899
11	중랑구	4027
12	기타	7586

df_corona = pd.concat([df_1, df_2], axis=0, ignore_index=True)
df_corona

	시군구명	확진자수
0	강남구	7296
1	강동구	4183
2	강북구	2923
3	강서구	4758
4	관악구	5703
5	광진구	3730
6	구로구	4774
7	금천구	2328
8	노원구	4198
9	도봉구	2833
10	동대문구	3967
11	동작구	4387
12	마포구	4012
13	서대문구	2911
14	서초구	4463
15	성동구	3026
16	성북구	4087
17	송파구	6815
18	양천구	3537
19	영등포구	4817
20	용산구	2906
21	은평구	4616
22	종로구	1842
23	중구	1899
24	중랑구	4027
25	기타	7586

# index 위치 이용해 사용하지 않을 '기타' 행 제거
df_corona = df_corona.drop(df_corona.index[25])
df_corona

	시군구명	확진자수
0	강남구	7296
1	강동구	4183
2	강북구	2923
3	강서구	4758
4	관악구	5703
5	광진구	3730
6	구로구	4774
7	금천구	2328
8	노원구	4198
9	도봉구	2833
10	동대문구	3967
11	동작구	4387
12	마포구	4012
13	서대문구	2911
14	서초구	4463
15	성동구	3026
16	성북구	4087
17	송파구	6815
18	양천구	3537
19	영등포구	4817
20	용산구	2906
21	은평구	4616
22	종로구	1842
23	중구	1899
24	중랑구	4027

df_corona_seoul = pd.DataFrame(df_corona.groupby('시군구명')['확진자수'].sum())
df_corona_seoul

	확진자수
시군구명
강남구	7296
강동구	4183
강북구	2923
강서구	4758
관악구	5703
광진구	3730
구로구	4774
금천구	2328
노원구	4198
도봉구	2833
동대문구	3967
동작구	4387
마포구	4012
서대문구	2911
서초구	4463
성동구	3026
성북구	4087
송파구	6815
양천구	3537
영등포구	4817
용산구	2906
은평구	4616
종로구	1842
중구	1899
중랑구	4027

df_corona_seoul.info()

<class 'pandas.core.frame.DataFrame'>
Index: 25 entries, 강남구 to 중랑구
Data columns (total 1 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   확진자수    25 non-null     object
dtypes: object(1)
memory usage: 400.0+ bytes

df_corona_seoul['확진자수'] = pd.to_numeric(df_corona_seoul['확진자수'])
df_corona_seoul.info()

<class 'pandas.core.frame.DataFrame'>
Index: 25 entries, 강남구 to 중랑구
Data columns (total 1 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   확진자수    25 non-null     int64
dtypes: int64(1)
memory usage: 400.0+ bytes

df_corona_seoul.sort_values(by='확진자수')

	확진자수
시군구명
종로구	1842
중구	1899
금천구	2328
도봉구	2833
용산구	2906
서대문구	2911
강북구	2923
성동구	3026
양천구	3537
광진구	3730
동대문구	3967
마포구	4012
중랑구	4027
성북구	4087
강동구	4183
노원구	4198
동작구	4387
서초구	4463
은평구	4616
강서구	4758
구로구	4774
영등포구	4817
관악구	5703
송파구	6815
강남구	7296

# df_corona_seoul.groupby('시군구명')['확진자수'].sum().sort_values().plot(kind='barh', color='palevioletred', figsize=(12,8))
# plt.title('서울시 구별 코로나 확진자수 총계')
## 좀더 간단한 아래 코드를 사용한다

df_corona_seoul.sort_values(by='확진자수').plot.barh(color='palevioletred', figsize=(12,8))
plt.title('서울시 구별 코로나 확진자수 총계')

Text(0.5, 1.0, '서울시 구별 코로나 확진자수 총계')

folium 활용한 <코로나 확진자> 지도 choropleth 시각화

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

import folium
import json

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

# 지도 그리기 위해 앞에서 처리한 서울시 상권 위도, 경도 데이터 로딩
df_shop_seoul = pd.read_csv('./data/df_shop_seoul.csv')
df_shop_seoul.head()

	상호명	지점명	상권업종대분류명	상권업종중분류명	상권업종소분류명	시도명	시군구명	행정동명	법정동명	지번주소	도로명주소	경도	위도
0	비지트	NaN	음식	한식	한식/백반/한정식	서울특별시	서초구	방배4동	방배동	서울특별시 서초구 방배동 854-18	서울특별시 서초구 동광로18길 82	126.991394	37.488375
1	쓰리에프	NaN	음식	한식	한식/백반/한정식	서울특별시	동작구	사당2동	사당동	서울특별시 동작구 사당동 139-72	서울특별시 동작구 동작대로27가길 12	126.980952	37.487105
2	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
3	호구의주방	NaN	소매	가정/주방/인테리어	주방가구판매	서울특별시	영등포구	양평2동	양평동4가	서울특별시 영등포구 양평동4가 160-2	서울특별시 영등포구 선유로 269	126.897892	37.536700
4	다향	NaN	음식	한식	한식/백반/한정식	서울특별시	서초구	서초3동	서초동	서울특별시 서초구 서초동 1485-3	서울특별시 서초구 효령로 230	127.009382	37.483436

df_corona_seoul

	확진자수
시군구명
강남구	7296
강동구	4183
강북구	2923
강서구	4758
관악구	5703
광진구	3730
구로구	4774
금천구	2328
노원구	4198
도봉구	2833
동대문구	3967
동작구	4387
마포구	4012
서대문구	2911
서초구	4463
성동구	3026
성북구	4087
송파구	6815
양천구	3537
영등포구	4817
용산구	2906
은평구	4616
종로구	1842
중구	1899
중랑구	4027

# 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_corona_seoul['확진자수'],
               columns = [df_shop_seoul.index, df_corona_seoul['확진자수']],
               fill_color = 'BuPu',
               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

구별 음식점수, 쓰레기 배출량과 코로나 발생의 상관관계 (학습용)

• 음식점수, 쓰레기 배출량, 코로나 확진 측정 시기와 기준이 다릅니다 (통계 자료)
• 실제로 상관관계를 보려면 기준/기간을 동일하게 하여 측정한 데이터를 사용해야 합니다
• 여기에서는 "학습" 차원에서, 여러 데이터를 합쳐 변수간 상관관계를 살펴보는 방법을 실습합니다

# 앞에서 처리한 서울시 구별 음식점 수 csv 데이터 로딩
df_food_seoul = pd.read_csv('./data/df_food_seoul.csv')
df_food_seoul

	시군구명	음식점수
0	강남구	12723
1	마포구	7684
2	송파구	7348
3	서초구	6610
4	강서구	6393
5	영등포구	6389
6	관악구	5387
7	강동구	5181
8	종로구	5158
9	중구	4869
10	구로구	4615
11	은평구	4596
12	용산구	4583
13	광진구	4569
14	성북구	4294
15	동대문구	4137
16	서대문구	4072
17	노원구	4047
18	성동구	3917
19	중랑구	3656
20	양천구	3465
21	동작구	3336
22	강북구	3289
23	금천구	3195
24	도봉구	2690

# 앞에서 처리한 서울시 구별 쓰레기 배출량 csv 데이터 로딩
df_garbage_seoul = pd.read_csv('./data/df_garbage_seoul.csv')
df_garbage_seoul

	시군구명	배출량
0	송파구	38265512065
1	도봉구	34790954457
2	노원구	32942231384
3	마포구	20825545358
4	영등포구	18647711639
5	강동구	14253903549
6	양천구	12177225579
7	중랑구	11582342110
8	동작구	11450788663
9	서대문구	11004141699
10	성동구	9915469267
11	서초구	9714324358
12	동대문구	8487977398
13	강서구	7844540723
14	금천구	7115182020
15	성북구	5924439193
16	광진구	5490445600
17	관악구	4566695953
18	중구	4395584448
19	은평구	4248779407
20	구로구	3732283305
21	종로구	2390357650
22	강남구	1418405631
23	강북구	1385646550
24	용산구	220185394

df_food_garbage = pd.merge(df_food_seoul, df_garbage_seoul)
df_food_garbage

	시군구명	음식점수	배출량
0	강남구	12723	1418405631
1	마포구	7684	20825545358
2	송파구	7348	38265512065
3	서초구	6610	9714324358
4	강서구	6393	7844540723
5	영등포구	6389	18647711639
6	관악구	5387	4566695953
7	강동구	5181	14253903549
8	종로구	5158	2390357650
9	중구	4869	4395584448
10	구로구	4615	3732283305
11	은평구	4596	4248779407
12	용산구	4583	220185394
13	광진구	4569	5490445600
14	성북구	4294	5924439193
15	동대문구	4137	8487977398
16	서대문구	4072	11004141699
17	노원구	4047	32942231384
18	성동구	3917	9915469267
19	중랑구	3656	11582342110
20	양천구	3465	12177225579
21	동작구	3336	11450788663
22	강북구	3289	1385646550
23	금천구	3195	7115182020
24	도봉구	2690	34790954457

df_food_garbage_corona = pd.merge(df_food_garbage, df_corona)
df_food_garbage_corona 

	시군구명	음식점수	배출량	확진자수
0	강남구	12723	1418405631	7296
1	마포구	7684	20825545358	4012
2	송파구	7348	38265512065	6815
3	서초구	6610	9714324358	4463
4	강서구	6393	7844540723	4758
5	영등포구	6389	18647711639	4817
6	관악구	5387	4566695953	5703
7	강동구	5181	14253903549	4183
8	종로구	5158	2390357650	1842
9	중구	4869	4395584448	1899
10	구로구	4615	3732283305	4774
11	은평구	4596	4248779407	4616
12	용산구	4583	220185394	2906
13	광진구	4569	5490445600	3730
14	성북구	4294	5924439193	4087
15	동대문구	4137	8487977398	3967
16	서대문구	4072	11004141699	2911
17	노원구	4047	32942231384	4198
18	성동구	3917	9915469267	3026
19	중랑구	3656	11582342110	4027
20	양천구	3465	12177225579	3537
21	동작구	3336	11450788663	4387
22	강북구	3289	1385646550	2923
23	금천구	3195	7115182020	2328
24	도봉구	2690	34790954457	2833

df_food_garbage_corona.describe() # 확진자수가 숫자형 아님

	음식점수	배출량
count	25.000000	2.500000e+01
mean	5048.120000	1.131163e+10
std	2064.582349	1.041689e+10
min	2690.000000	2.201854e+08
25%	3917.000000	4.395584e+09
50%	4583.000000	8.487977e+09
75%	5387.000000	1.217723e+10
max	12723.000000	3.826551e+10

df_food_garbage_corona['확진자수'] = pd.to_numeric(df_food_garbage_corona['확진자수'], errors='coerce')

df_food_garbage_corona.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 25 entries, 0 to 24
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   시군구명    25 non-null     object
 1   음식점수    25 non-null     int64 
 2   배출량     25 non-null     int64 
 3   확진자수    25 non-null     int64 
dtypes: int64(3), object(1)
memory usage: 1000.0+ bytes

plt.figure(figsize = (12,8))
sns.scatterplot(x='배출량', y='확진자수', hue='시군구명', data=df_food_garbage_corona)
plt.title('구별 음식물 쓰레기 배출량과 코로나 발생의 관계 (학습용)')

Text(0.5, 1.0, '구별 음식물 쓰레기 배출량과 코로나 발생의 관계 (학습용)')

plt.figure(figsize = (12,8))
sns.regplot(x='배출량', y='확진자수', data=df_food_garbage_corona)
plt.title('구별 음식물 쓰레기 배출량과 코로나 발생의 관계 (학습용)')

Text(0.5, 1.0, '구별 음식물 쓰레기 배출량과 코로나 발생의 관계 (학습용)')

plt.figure(figsize = (12,8))
sns.regplot(x='음식점수', y='확진자수', color='orange', data=df_food_garbage_corona)
plt.title('구별 음식점수와 코로나 발생의 관계 (학습용)')

Text(0.5, 1.0, '구별 음식점수와 코로나 발생의 관계 (학습용)')

sns.pairplot(df_food_garbage_corona)

<seaborn.axisgrid.PairGrid at 0x1dcdec10250>

df_food_garbage_corona.corr()

	음식점수	배출량	확진자수
음식점수	1.000000	-0.036131	0.685306
배출량	-0.036131	1.000000	0.204424
확진자수	0.685306	0.204424	1.000000

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

plt.figure(figsize = (8, 6))
sns.heatmap(df_food_garbage_corona.corr(), 
            annot = True,      
            cmap = 'RdYlBu_r',
            linewidths=.5, 
            vmin = -1, vmax = 1, 
            )

<AxesSubplot:>

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

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

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

<AxesSubplot:>

• 음식점수 - 확진자수 상관관게 0.69
• 음식점수와 쓰레기 배출량 상관관계는 없음 (매우 약함)
• 확진자수와 쓰레기 배출량은 약한 상관관계 보이므로 추가 분석 필요

• 상관관계와 인과관계는 다르다
• 식당에서의 접촉이 많은 구에 확진자가 많이 발생?
• 단순히 인구 수에 비례해 음식점수와 확진자가 우연히 같이 많이 발생?
• 음식점수와 쓰레기 배출량은 거의 무관
• 확진자수와 쓰레기 배출량은 약한 양의 상관관계

재현을 위해 csv로 저장

# df_food_garbage_corona.to_csv('./data/df_food_garbage_corona.csv', index=False)
df_food_garbage_corona.to_csv('./data/df_food_garbage_corona2.csv', index=False)

df = pd.read_csv('./data/df_food_garbage_corona.csv')
df

	시군구명	음식점수	배출량	확진자수
0	강남구	12723	1418405631	7146
1	마포구	7684	20825545358	3889
2	송파구	7348	38265512065	6606
3	서초구	6610	9714324358	4380
4	강서구	6393	7844540723	4627
5	영등포구	6389	18647711639	4654
6	관악구	5387	4566695953	5580
7	강동구	5181	14253903549	4000
8	종로구	5158	2390357650	1745
9	중구	4869	4395584448	1824
10	구로구	4615	3732283305	4485
11	은평구	4596	4248779407	4449
12	용산구	4583	220185394	2814
13	광진구	4569	5490445600	3633
14	성북구	4294	5924439193	3944
15	동대문구	4137	8487977398	3761
16	서대문구	4072	11004141699	2814
17	노원구	4047	32942231384	4041
18	성동구	3917	9915469267	2961
19	중랑구	3656	11582342110	3886
20	양천구	3465	12177225579	3421
21	동작구	3336	11450788663	4255
22	강북구	3289	1385646550	2776
23	금천구	3195	7115182020	2214
24	도봉구	2690	34790954457	2735

df2 = pd.read_csv('./data/df_food_garbage_corona2.csv')
df2

	시군구명	음식점수	배출량	확진자수
0	강남구	12723	1418405631	7296
1	마포구	7684	20825545358	4012
2	송파구	7348	38265512065	6815
3	서초구	6610	9714324358	4463
4	강서구	6393	7844540723	4758
5	영등포구	6389	18647711639	4817
6	관악구	5387	4566695953	5703
7	강동구	5181	14253903549	4183
8	종로구	5158	2390357650	1842
9	중구	4869	4395584448	1899
10	구로구	4615	3732283305	4774
11	은평구	4596	4248779407	4616
12	용산구	4583	220185394	2906
13	광진구	4569	5490445600	3730
14	성북구	4294	5924439193	4087
15	동대문구	4137	8487977398	3967
16	서대문구	4072	11004141699	2911
17	노원구	4047	32942231384	4198
18	성동구	3917	9915469267	3026
19	중랑구	3656	11582342110	4027
20	양천구	3465	12177225579	3537
21	동작구	3336	11450788663	4387
22	강북구	3289	1385646550	2923
23	금천구	3195	7115182020	2328
24	도봉구	2690	34790954457	2833