[COMPAS 광양시] 주어진 데이터를 활용하여 행정동별 정보를 모아보자! 2 ( 주차장, 건물, 기타 정보 )

데이터 분석 활용 시간

2020년 10월 04일 16시 40분 ~ 18시 10분 ( 총 1시간 30분 소요 )

 

사용 데이터

02.광양시_주차장_공간정보.csv

05.광양시_대중집합시설_야영장.csv

20.광양시_행정경계(읍면동).geojson

 

활용 코드

[COMPAS 광양시] 주어진 데이터를 활용하여 행정동별 정보를 모아보자! ( 충전소, 인구 수, 전기차 �

저번에 진행했던 읍면동 별 충전소, 인구 수, 전기차 보급현황 확인하기에 이어 이번에는 

주차장, 건물 정보를 추가로 확인해보기로 했습니다.

parking_spot = pd.read_csv("./data/" + file_list[1])
parking_spot

먼저 제공받은 데이터 중 주차장 관련 데이터를 pandas의 read_csv를 활용하여 열어줍니다.

park_point_dict = {}

for i in tqdm(range(len(parking_spot))):
    park_name = parking_spot['주차장명칭'].iloc[i] + " | " + parking_spot['주소'].iloc[i]
    
    park_point_dict[park_name] = {}
    park_point_dict[park_name]['Point'] = Point(parking_spot['lon'].iloc[i], parking_spot['lat'].iloc[i])

park_point_dict

{'인동숲앞 주차장 | 인서리 237-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc67dc18>},
 '구터미널주차장 | 중동 1651': {'Point': <shapely.geometry.point.Point at 0x7fafbc621828>},
 '구경찰서 주차장 | 읍내리 227-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621ba8>},
 '칠성1지구 | 칠성리 962-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621c18>},
 '칠성1지구 | 칠성리 948-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6219b0>},
 '칠성2지구 | 칠성리 1001-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6217b8>},
 '상설시장내 | 읍내리 252-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621630>},
 '칠성2지구(매화마을앞) | 구산리 767-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6215c0>},
 '칠성2지구(파랑새유치원앞) | 칠성리 996': {'Point': <shapely.geometry.point.Point at 0x7fafbc621438>},
 '칠성1지구 | 칠성리 924-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6213c8>},
 '수성당 인근 | 읍내리 178-2': {'Point': <shapely.geometry.point.Point at 0x7fafbc621240>},
 '인서지구주거환경개선 | 칠성리 491-22': {'Point': <shapely.geometry.point.Point at 0x7fafbc6211d0>},
 '성보장 | 인동리 400': {'Point': <shapely.geometry.point.Point at 0x7fafbc621fd0>},
 ...

데이터 속 위도, 경도 정보를 활용하여 각 주차장 별 Point를 생성하고 이를 dictionary로 만들어 줍니다.

umds = []
park_point_dict_keys = list(park_point_dict.keys())
umd_keys = list(umd_polys.keys())

for key in park_point_dict_keys:
    for umd_key in umd_keys:
        umd_ploy_lists = umd_polys[umd_key]

        for umd_polygon in umd_ploy_lists:
            if umd_polygon.contains(park_point_dict[key]['Point']) == True:
                park_point_dict[key]['umd'] = umd_key
                umds.append(umd_key)
                break

park_point_dict

{'인동숲앞 주차장 | 인서리 237-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc67dc18>,
  'umd': '광양읍'},
 '구터미널주차장 | 중동 1651': {'Point': <shapely.geometry.point.Point at 0x7fafbc621828>,
  'umd': '중마동'},
 '구경찰서 주차장 | 읍내리 227-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621ba8>,
  'umd': '광양읍'},
 '칠성1지구 | 칠성리 962-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621c18>,
  'umd': '광양읍'},
 '칠성1지구 | 칠성리 948-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6219b0>,
  'umd': '광양읍'},
 '칠성2지구 | 칠성리 1001-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc6217b8>,
  'umd': '광양읍'},
 '상설시장내 | 읍내리 252-1': {'Point': <shapely.geometry.point.Point at 0x7fafbc621630>,
  'umd': '광양읍'},
  ...

여기서 umds 에 저장한 정보를 바탕으로 각 읍면동 별로 주차장이 몇개씩 존재하는지 확인해봅니다.

from collections import Counter

umd_cnt = Counter(umds)

umd_cnt

Counter({'광양읍': 76,
         '중마동': 73,
         '골약동': 4,
         '광영동': 26,
         '태인동': 9,
         '금호동': 6,
         '옥룡면': 8,
         '옥곡면': 12,
         '진상면': 7,
         '진월면': 6,
         '봉강면': 8})

이를 이전에 만들었던 데이터 프레임에 합쳐줍니다.

new_umd_infos_df['주차장 개수'] = [0] * len(new_umd_infos_df['읍면동'])

for i in tqdm(range(len(new_umd_infos_df['읍면동']))):
    if new_umd_infos_df['읍면동'].iloc[i] in list(umd_cnt.keys()):
        new_umd_infos_df['주차장 개수'].iloc[i] = dict(umd_cnt)[new_umd_infos_df['읍면동'].iloc[i]]
    
new_umd_infos_df

camp_df = pd.read_csv("./data/" + file_list[4])
camp_df

new_umd_infos_df['야영장 휴양림 개수'] = [0] * len(new_umd_infos_df['읍면동'])

address = list(camp_df['주소'])

for i in tqdm(range(len(address))):
    for j in range(len(new_umd_infos_df['읍면동'])):
        if new_umd_infos_df['읍면동'].iloc[j] == address[i].split()[1]:
            new_umd_infos_df['야영장 휴양림 개수'].iloc[j] = new_umd_infos_df['야영장 휴양림 개수'].iloc[j] + 1
            break

new_umd_infos_df

execer_df = pd.read_csv("./data/" + file_list[3])
execer_df

execr_keys = list(execer_df['업종'].unique())

execr_list = []

for i in tqdm(range(len(execr_keys))):
    temp_df = execer_df[execer_df['업종'] == execr_keys[i]]
    
    execr_list.append(temp_df)

execer_dict = {}

for i in tqdm(range(len(execr_keys))):
    if execr_keys[i] not in list(execer_dict.keys()):
        execer_dict[execr_keys[i]] = {}
        execer_dict[execr_keys[i]]['Points'] = []
    
    temp_df = execr_list[i]
    
    for j in range(len(temp_df['업종'])):
        execer_dict[execr_keys[i]]['Points'].append(Point(temp_df['lon'].iloc[j], temp_df['lat'].iloc[j]))

execer_dict

{'가상체험 체육시설업': {'Points': [<shapely.geometry.point.Point at 0x7fafbc449cf8>,
   <shapely.geometry.point.Point at 0x7fafbc449b70>,
   <shapely.geometry.point.Point at 0x7fafbc449898>]},
 '골프연습장': {'Points': [<shapely.geometry.point.Point at 0x7fafbc449860>,
   <shapely.geometry.point.Point at 0x7fafbc449c50>,
   <shapely.geometry.point.Point at 0x7fafbc4497f0>,
   <shapely.geometry.point.Point at 0x7fafbc4490f0>,
   <shapely.geometry.point.Point at 0x7fafbc449dd8>,
   ...

for key in list(execer_dict.keys()):
    umds = []
    for point in execer_dict[key]['Points']:          
        umd_keys = list(umd_polys.keys())

        for umd_key in umd_keys:
            umd_ploy_lists = umd_polys[umd_key]

            for umd_polygon in umd_ploy_lists:
                if umd_polygon.contains(point) == True:
                    umds.append(umd_key)
                    break
                    
    execer_dict[key]['umds'] = umds

execer_dict

{'가상체험 체육시설업': {'Points': [<shapely.geometry.point.Point at 0x7fafbc449cf8>,
   <shapely.geometry.point.Point at 0x7fafbc449b70>,
   <shapely.geometry.point.Point at 0x7fafbc449898>],
  'umds': ['중마동', '중마동', '옥곡면']},
 '골프연습장': {'Points': [<shapely.geometry.point.Point at 0x7fafbc449860>,
   <shapely.geometry.point.Point at 0x7fafbc449c50>,
...

for key in list(execer_dict.keys()):
    new_umd_infos_df[key] = [0] * len(new_umd_infos_df['읍면동'])
    
    for umd in execer_dict[key]['umds']:
        for i in range(len(new_umd_infos_df['읍면동'])):
            if new_umd_infos_df['읍면동'].iloc[i] == umd:
                new_umd_infos_df[key].iloc[i] = new_umd_infos_df[key].iloc[i] + 1
                break

new_umd_infos_df

umd_infos_df.csv

0.00MB

여기까지 구축한 데이터를 히트맵으로 그려 상관관계를 알아보았습니다.

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
import seaborn as sns 

plt.rcParams['figure.figsize'] = [60, 30]
plt.rcParams['font.family'] = "NanumGothic"
correlations = new_umd_infos_df.corr() # plt.figure(figsize = (14, 12)) # Heatmap of correlations 
sns.heatmap(correlations, cmap = plt.cm.RdYlBu_r, vmin = 0.2, annot = True, vmax = 0.9) 
plt.title('Correlation Heatmap');