Ccode/데이터 시각화

공공데이터를 이용한 카페 상권 분석(2021 Ver.)

맨사설 2021. 7. 31. 13:14

728x90

소상공인시장진흥공단_상가(상권)정보_세종_202103.csv

6.53MB

https://www.data.go.kr/tcs/dss/selectFileDataDetailView.do?publicDataPk=15083033

소상공인시장진흥공단_상가(상권)정보_20210630

영업 중인 전국 상가업소 데이터를 제공합니다.
(상호명, 업종코드, 업종명, 지번주소, 도로명주소, 경도, 위도 등)

www.data.go.kr

해당 사이트에 접속해서 다운 받은 후 같이 진행해 봐요~

~~쥬피터로 아래 파일을 열어 보시면 더 예쁘게 나와요~~~

상권분석.ipynb

0.19MB

공공데이터를 이용한 카페 상권분석(2021 Ver.)¶

In [2]:

# 먼저 필요한 라이브러리를 불러옵니다.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

1. 데이터 불러오기¶

In [3]:

# 다운로드 받은 데이터중 일부를 열어봅니다.
temp = pd.read_csv("../my room/data1/소상공인시장진흥공단_상가(상권)정보_인천_202103.csv"
                   ,sep=',',encoding = "utf-8")
temp.head(2)

Out[3]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	23498449	츄로하임	NaN	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	...	2826010400109750004000001	청라반도유보라	인천광역시 서구 솔빛로 55	404170.0	22765.0	NaN	NaN	102	126.626740	37.525163
1	22882934	간석미용실	NaN	F	생활서비스	F01	이/미용/건강	F01A01	여성미용실	S96112	...	2820010200101900026021270	NaN	인천광역시 남동구 석촌로14번길 5	405230.0	21545.0	NaN	NaN	NaN	126.709349	37.461969

2 rows × 39 columns

In [4]:

# 39개의 변수를 확인해 볼 필요가 있다.
temp.columns
# 변수가 너무 많다!! 
# 카페를 분석하는 데 필요한 변수만 추출할 것이다!!
#temp.상권업종소분류명.unique()

Out[4]:

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')

(1) 일단 여러 csv 파일 한번에 불러오기¶

In [5]:

# data 폴더에 있는 모든 csv 파일을 읽어오기 위해 glob을 사용합니다.
from glob import glob

# csv 목록 불러오기
file_names = glob("../my room/data1/*.csv")
total = pd.DataFrame()

# 모든 csv 병합하기
for file_name in file_names:
    temp = pd.read_csv(file_name,sep=',',encoding='utf-8')
    total = pd.concat([total,temp])
# reset index로 인덱스를 새로 지정할 수 있다.
total.reset_index(inplace=True, drop=True) #기존 index 제거하고 싶을땐 drop=True
total

C:\work\envs\datascience\lib\site-packages\IPython\core\interactiveshell.py:3165: DtypeWarning: Columns (35) have mixed types.Specify dtype option on import or set low_memory=False.
  has_raised = await self.run_ast_nodes(code_ast.body, cell_name,

Out[5]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	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
1	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
2	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
3	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
4	17175358	국수나루	NaN	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	...	4215010900101730002015569	NaN	강원도 강릉시 토성로 193	210934.0	25531.0	NaN	NaN	NaN	128.896783	37.757642
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2233992	17433055	더:예쁨	NaN	F	생활서비스	F01	이/미용/건강	F01A01	여성미용실	S96112	...	4313011800116250000000008	연수세영리첼1단지아파트상가	충청북도 충주시 연수동산로 35	380100.0	27352.0	상가	NaN	104	127.941797	36.985736
2233993	17451070	우리집밥상	NaN	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	...	4377025021103370004010973	NaN	충청북도 음성군 음성읍 시장로 68	369807.0	27702.0	NaN	NaN	NaN	127.693937	36.933781
2233994	17433002	빅스타	서충주점	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	...	4313033531110450000000001	NaN	충청북도 충주시 대소원면 첨단산업4로 13	380871.0	27466.0	NaN	1.0	104	127.829923	36.985799
2233995	17389939	무한닭발	NaN	Q	음식	Q05	닭/오리요리	Q05A10	닭내장/닭발요리	I56111	...	4311311500104920003016198	NaN	충청북도 청주시 흥덕구 직지대로639번길 75	361817.0	28475.0	NaN	NaN	105	127.465799	36.646244
2233996	17433391	모아모아플레이	NaN	Q	음식	Q01	한식	Q01A01	한식/백반/한정식	I56111	...	4311110800100190005048885	NaN	충청북도 청주시 상당구 탑동로1번길 25	360050.0	28716.0	NaN	1.0	101	127.494822	36.628995

2233997 rows × 39 columns

In [6]:

# 분석에 필요한 column을 고릅니다. ## 자유롭게 하셔도 상관없습니다.
data=total[['상호명','지점명','상권업종대분류명','상권업종중분류명','시도명','시군구명','행정동명']]
data

Out[6]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	평창라마다호텔	NaN	숙박	호텔/콘도	강원도	평창군	대관령면
1	호텔탑스텐스카이라운지	NaN	숙박	호텔/콘도	강원도	강릉시	옥계면
2	동그라미중고타이어	NaN	소매	자동차/자동차용품	강원도	강릉시	포남1동
3	세인트존스호텔Ohcrab	NaN	숙박	호텔/콘도	강원도	강릉시	초당동
4	국수나루	NaN	음식	한식	강원도	강릉시	옥천동
...	...	...	...	...	...	...	...
2233992	더:예쁨	NaN	생활서비스	이/미용/건강	충청북도	충주시	연수동
2233993	우리집밥상	NaN	음식	한식	충청북도	음성군	음성읍
2233994	빅스타	서충주점	음식	한식	충청북도	충주시	대소원면
2233995	무한닭발	NaN	음식	닭/오리요리	충청북도	청주시 흥덕구	봉명2.송정동
2233996	모아모아플레이	NaN	음식	한식	충청북도	청주시 상당구	성안동

2233997 rows × 7 columns

2. 데이터 구경하기¶

In [7]:

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2233997 entries, 0 to 2233996
Data columns (total 7 columns):
 #   Column    Dtype 
---  ------    ----- 
 0   상호명       object
 1   지점명       object
 2   상권업종대분류명  object
 3   상권업종중분류명  object
 4   시도명       object
 5   시군구명      object
 6   행정동명      object
dtypes: object(7)
memory usage: 119.3+ MB

In [8]:

data.describe()

Out[8]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
count	2233994	327569	2233997	2233997	2233997	2233997	2233997
unique	1273411	111919	8	95	17	234	3221
top	CU	본점	음식	한식	경기도	서구	중앙동
freq	11208	2371	845782	324746	508845	66428	40277

In [9]:

set(data["상권업종중분류명"])

Out[9]:

{'PC/오락/당구/볼링등',
 '가구소매',
 '가방/신발/액세서리',
 '가전제품소매',
 '가정/주방/인테리어',
 '개인/가정용품수리',
 '개인서비스',
 '건강/미용식품',
 '경마/경륜/성인오락',
 '광고/인쇄',
 '기타교육기관',
 '기타서비스업',
 '기타음식업',
 '기타판매업',
 '놀이/여가/취미',
 '닭/오리요리',
 '대중목욕탕/휴게',
 '대행업',
 '도서관/독서실',
 '모텔/여관/여인숙',
 '무도/유흥/가무',
 '물품기기대여',
 '민박/하숙',
 '법무세무회계',
 '별식/퓨전요리',
 '부동산관련서비스',
 '부동산임대',
 '부동산중개',
 '부페',
 '분식',
 '분양',
 '사무/문구/컴퓨터',
 '사진',
 '사진/광학/정밀기기소매',
 '선물/팬시/기념품',
 '세탁/가사서비스',
 '스포츠/운동',
 '시계/귀금속소매',
 '실내운동시설',
 '실외운동시설',
 '애견/애완/동물',
 '양식',
 '연구소',
 '연극/영화/극장',
 '예술품/골동품/수석/분재',
 '예식/의례/관혼상제',
 '요가/단전/마사지',
 '운동/경기용품소매',
 '운송/배달/택배',
 '운영관리시설',
 '유스호스텔',
 '유아교육',
 '유아용품',
 '유흥주점',
 '음/식료품소매',
 '음식배달서비스',
 '의복의류',
 '의약/의료품소매',
 '이/미용/건강',
 '인력/고용/용역알선',
 '일식/수산물',
 '자동차/이륜차',
 '자동차/자동차용품',
 '장례/묘지',
 '전시/관람',
 '제과제빵떡케익',
 '종교용품판매',
 '종합소매점',
 '주유소/충전소',
 '주택수리',
 '중고품소매/교환',
 '중식',
 '책/서적/도서',
 '철물/난방/건설자재소매',
 '취미/오락관련소매',
 '캠프/별장/펜션',
 '커피점/카페',
 '특수교육기관',
 '패스트푸드',
 '페인트/유리제품소매',
 '평가/개발/관리',
 '학교',
 '학문교육기타',
 '학원-보습교습입시',
 '학원-어학',
 '학원-예능취미체육',
 '학원-음악미술무용',
 '학원-자격/국가고시',
 '학원-창업취업취미',
 '학원-컴퓨터',
 '학원기타',
 '한식',
 '행사/이벤트',
 '호텔/콘도',
 '화장품소매'}

In [10]:

# 카페만 뽑아냅니다.
df_coffee = data[data["상권업종중분류명"]=='커피점/카페']
print("전국 커피 전문점 점포 수 : ", len(df_coffee))
df_coffee.head()

전국 커피 전문점 점포 수 :  106710

Out[10]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
16	키즈까페아이사랑	NaN	음식	커피점/카페	강원도	강릉시	성덕동
43	카페마실	NaN	음식	커피점/카페	강원도	원주시	단계동
51	힐링	NaN	음식	커피점/카페	강원도	원주시	단구동
67	드롭탑	속초엑스포점	음식	커피점/카페	강원도	속초시	조양동
89	상유재카페	NaN	음식	커피점/카페	강원도	정선군	정선읍

In [11]:

set(data['시도명'])

Out[11]:

{'강원도',
 '경기도',
 '경상남도',
 '경상북도',
 '광주광역시',
 '대구광역시',
 '대전광역시',
 '부산광역시',
 '서울특별시',
 '세종특별자치시',
 '울산광역시',
 '인천광역시',
 '전라남도',
 '전라북도',
 '제주특별자치도',
 '충청남도',
 '충청북도'}

In [12]:

# 시도별로 구분하는 데이터 만들기
df_coffee_seoul = df_coffee[df_coffee['시도명']=='서울특별시']
df_coffee_seoul.index = range(len(df_coffee_seoul)) # index 재설정
# df_coffee_seoul.reset_index(inplace=True, drop=True)
df_coffee_seoul.head()

Out[12]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	커피빈	코리아대학로대명거리점	음식	커피점/카페	서울특별시	종로구	혜화동
1	요거프레소	쌍문점	음식	커피점/카페	서울특별시	도봉구	쌍문2동
2	메머드커피	NaN	음식	커피점/카페	서울특별시	마포구	서교동
3	버블베어	NaN	음식	커피점/카페	서울특별시	강서구	방화3동
4	우성커피숍	NaN	음식	커피점/카페	서울특별시	양천구	신월4동

In [13]:

# for문으로 전국 시도명별 데이터 만드는 법
a=list(set(data['시도명']))
import sys
mod = sys.modules[__name__]
for i in range(len(a)):
    setattr(mod, 'df_coffee_{}' .format(a[i]), df_coffee[df_coffee['시도명']==a[i]])
# 이건 for문을 돌릴 방법을 못 찾겠네요...
df_coffee_강원도.index = range(len(df_coffee_강원도))
df_coffee_경기도.index = range(len(df_coffee_경기도))
df_coffee_경상남도.index = range(len(df_coffee_경상남도))
df_coffee_경상북도.index = range(len(df_coffee_경상북도))
df_coffee_광주광역시.index = range(len(df_coffee_광주광역시))
df_coffee_대구광역시.index = range(len(df_coffee_대구광역시))
df_coffee_대전광역시.index = range(len(df_coffee_대전광역시))
df_coffee_부산광역시.index = range(len(df_coffee_부산광역시))
df_coffee_서울특별시.index = range(len(df_coffee_서울특별시))
df_coffee_세종특별자치시.index = range(len(df_coffee_세종특별자치시))
df_coffee_울산광역시.index = range(len(df_coffee_울산광역시))
df_coffee_인천광역시.index = range(len(df_coffee_인천광역시))
df_coffee_전라남도.index = range(len(df_coffee_전라남도))
df_coffee_전라북도.index = range(len(df_coffee_전라북도))
df_coffee_제주특별자치도.index = range(len(df_coffee_제주특별자치도))
df_coffee_충청남도.index = range(len(df_coffee_충청남도))
df_coffee_충청북도.index = range(len(df_coffee_충청북도))

df_coffee_대구광역시

Out[13]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	브라운	NaN	음식	커피점/카페	대구광역시	수성구	고산2동
1	커피명가	2호점	음식	커피점/카페	대구광역시	중구	삼덕동
2	대림다방	NaN	음식	커피점/카페	대구광역시	수성구	수성2.3가동
3	카페머그	NaN	음식	커피점/카페	대구광역시	중구	성내2동
4	샌디버블	NaN	음식	커피점/카페	대구광역시	남구	대명2동
...	...	...	...	...	...	...	...
5108	카페	이루다스터디	음식	커피점/카페	대구광역시	달서구	월성1동
5109	커피지상주의	NaN	음식	커피점/카페	대구광역시	달서구	용산1동
5110	그린바스켓	NaN	음식	커피점/카페	대구광역시	수성구	만촌3동
5111	티앤오T.N.O	NaN	음식	커피점/카페	대구광역시	북구	침산2동
5112	커피가득	NaN	음식	커피점/카페	대구광역시	서구	비산2.3동

5113 rows × 7 columns

전국 스타벅스¶

In [14]:

df_스타벅스 = df_coffee[df_coffee["상호명"].str.contains("스타벅스")]
df_스타벅스.index = range(len(df_스타벅스))
print('전국 스타벅스 점포 수 :', len(df_스타벅스))
df_스타벅스.head()

전국 스타벅스 점포 수 : 1563

Out[14]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	스타벅스강릉안목항점	강릉안목항점	음식	커피점/카페	강원도	강릉시	송정동
1	스타벅스	대명델피노리조트점	음식	커피점/카페	강원도	고성군	토성면
2	스타벅스춘천후평DT점	춘천후평DT점	음식	커피점/카페	강원도	춘천시	후평3동
3	스타벅스	춘천명동점	음식	커피점/카페	강원도	춘천시	약사명동
4	스타벅스설악워터피아점	설악워터피아점	음식	커피점/카페	강원도	속초시	영랑동

In [15]:

# 한글깨짐 해결을 위해 코드
import matplotlib.font_manager as fm
path = 'C:\\Users\\설위준\\Desktop\\my room\\NanumBarunGothic.ttf'
fontprob=fm.FontProperties(fname=path,size=18)

In [16]:

# 시도별 스타벅스 분포
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

a = list(set(data['시도명']))
v1 = [len(df_스타벅스[df_스타벅스["시도명"]==a[i]]) for i in range(len(a))]
index = np.arange(len(a))
plt.bar(a, v1)
plt.xticks(index, a, fontsize=13,fontproperties=fontprob, rotation=90)

Out[16]:

([<matplotlib.axis.XTick at 0x22f93e53b50>,
  <matplotlib.axis.XTick at 0x22f93e53b20>,
  <matplotlib.axis.XTick at 0x22f93e4cdc0>,
  <matplotlib.axis.XTick at 0x22f9429d6d0>,
  <matplotlib.axis.XTick at 0x22f9429dbe0>,
  <matplotlib.axis.XTick at 0x22f9429d850>,
  <matplotlib.axis.XTick at 0x22f942a72e0>,
  <matplotlib.axis.XTick at 0x22f942a77f0>,
  <matplotlib.axis.XTick at 0x22f942a7d00>,
  <matplotlib.axis.XTick at 0x22f942ae250>,
  <matplotlib.axis.XTick at 0x22f942ae760>,
  <matplotlib.axis.XTick at 0x22f942aec70>,
  <matplotlib.axis.XTick at 0x22f942b41c0>,
  <matplotlib.axis.XTick at 0x22f942b46d0>,
  <matplotlib.axis.XTick at 0x22f942ae430>,
  <matplotlib.axis.XTick at 0x22f942a74c0>,
  <matplotlib.axis.XTick at 0x22f942b42e0>],
 [Text(0, 0, '제주특별자치도'),
  Text(1, 0, '대전광역시'),
  Text(2, 0, '충청남도'),
  Text(3, 0, '충청북도'),
  Text(4, 0, '부산광역시'),
  Text(5, 0, '서울특별시'),
  Text(6, 0, '강원도'),
  Text(7, 0, '전라북도'),
  Text(8, 0, '전라남도'),
  Text(9, 0, '경상남도'),
  Text(10, 0, '경기도'),
  Text(11, 0, '대구광역시'),
  Text(12, 0, '세종특별자치시'),
  Text(13, 0, '인천광역시'),
  Text(14, 0, '광주광역시'),
  Text(15, 0, '울산광역시'),
  Text(16, 0, '경상북도')])

In [17]:

# 시도별 스타벅스 분포
plt.barh(index, v1)
plt.yticks(index, a, fontsize=13,fontproperties=fontprob, rotation=0)
plt.show()
#plt.savefig('savefig_200dpi.png', dpi=200)
# 대부분의 스타벅스가 서울과 경기도 지역에 분포하는 것을 확인할 수 있다.

In [18]:

# 지역별 스타벅스 비율 
sum_star = sum(v1)
for i in range(len(a)):
    print('스타벅스의 전국 대비 {}에서의 비율 : {:.3f}%' .format(a[i],v1[i]/sum_star*100))

스타벅스의 전국 대비 제주특별자치도에서의 비율 : 1.727%
스타벅스의 전국 대비 대전광역시에서의 비율 : 3.263%
스타벅스의 전국 대비 충청남도에서의 비율 : 2.687%
스타벅스의 전국 대비 충청북도에서의 비율 : 1.983%
스타벅스의 전국 대비 부산광역시에서의 비율 : 7.550%
스타벅스의 전국 대비 서울특별시에서의 비율 : 31.158%
스타벅스의 전국 대비 강원도에서의 비율 : 2.687%
스타벅스의 전국 대비 전라북도에서의 비율 : 1.663%
스타벅스의 전국 대비 전라남도에서의 비율 : 1.536%
스타벅스의 전국 대비 경상남도에서의 비율 : 3.967%
스타벅스의 전국 대비 경기도에서의 비율 : 22.905%
스타벅스의 전국 대비 대구광역시에서의 비율 : 4.543%
스타벅스의 전국 대비 세종특별자치시에서의 비율 : 0.576%
스타벅스의 전국 대비 인천광역시에서의 비율 : 4.351%
스타벅스의 전국 대비 광주광역시에서의 비율 : 3.839%
스타벅스의 전국 대비 울산광역시에서의 비율 : 1.855%
스타벅스의 전국 대비 경상북도에서의 비율 : 3.711%

전국 투썸¶

In [19]:

df_투썸 = df_coffee[df_coffee["상호명"].str.contains("투썸")]
df_투썸.index = range(len(df_투썸))
print('전국 투썸 점포 수 :', len(df_투썸))
df_투썸.head()

전국 투썸 점포 수 : 1108

Out[19]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	투썸플레이스	춘천명동점	음식	커피점/카페	강원도	춘천시	조운동
1	투썸플레이스	강릉포남점	음식	커피점/카페	강원도	강릉시	포남1동
2	투썸플레이스	춘천퇴계점	음식	커피점/카페	강원도	춘천시	퇴계동
3	투썸플레이스	소양강댐점	음식	커피점/카페	강원도	춘천시	신북읍
4	투썸플레이스	용평리조트점	음식	커피점/카페	강원도	평창군	대관령면

In [20]:

a = list(set(data['시도명']))
a # 이것을 계속 활용한다.

Out[20]:

['제주특별자치도',
 '대전광역시',
 '충청남도',
 '충청북도',
 '부산광역시',
 '서울특별시',
 '강원도',
 '전라북도',
 '전라남도',
 '경상남도',
 '경기도',
 '대구광역시',
 '세종특별자치시',
 '인천광역시',
 '광주광역시',
 '울산광역시',
 '경상북도']

In [21]:

v2 = [len(df_투썸[df_투썸["시도명"]==a[i]]) for i in range(len(a))]
index = np.arange(len(a))
plt.bar(a, v2)
plt.xticks(index, a, fontsize=13,fontproperties=fontprob, rotation=90)

Out[21]:

([<matplotlib.axis.XTick at 0x22f9f94a790>,
  <matplotlib.axis.XTick at 0x22f9f94a760>,
  <matplotlib.axis.XTick at 0x22f9f947a00>,
  <matplotlib.axis.XTick at 0x22f9f99d280>,
  <matplotlib.axis.XTick at 0x22f9f99d790>,
  <matplotlib.axis.XTick at 0x22f9f99dca0>,
  <matplotlib.axis.XTick at 0x22f9f9a41f0>,
  <matplotlib.axis.XTick at 0x22f9f9a4700>,
  <matplotlib.axis.XTick at 0x22f9f9a4c10>,
  <matplotlib.axis.XTick at 0x22f9f9aa160>,
  <matplotlib.axis.XTick at 0x22f9f9a47c0>,
  <matplotlib.axis.XTick at 0x22f9f99d850>,
  <matplotlib.axis.XTick at 0x22f9f9aa4c0>,
  <matplotlib.axis.XTick at 0x22f9f9aa9d0>,
  <matplotlib.axis.XTick at 0x22f9f9aaee0>,
  <matplotlib.axis.XTick at 0x22f9f9b1430>,
  <matplotlib.axis.XTick at 0x22f9f9b1970>],
 [Text(0, 0, '제주특별자치도'),
  Text(1, 0, '대전광역시'),
  Text(2, 0, '충청남도'),
  Text(3, 0, '충청북도'),
  Text(4, 0, '부산광역시'),
  Text(5, 0, '서울특별시'),
  Text(6, 0, '강원도'),
  Text(7, 0, '전라북도'),
  Text(8, 0, '전라남도'),
  Text(9, 0, '경상남도'),
  Text(10, 0, '경기도'),
  Text(11, 0, '대구광역시'),
  Text(12, 0, '세종특별자치시'),
  Text(13, 0, '인천광역시'),
  Text(14, 0, '광주광역시'),
  Text(15, 0, '울산광역시'),
  Text(16, 0, '경상북도')])

In [22]:

# 시도별 투썸 분포
plt.barh(index, v2)
plt.yticks(index, a, fontsize=13,fontproperties=fontprob, rotation=0)
plt.show()

In [23]:

sum_star = sum(v2)
for i in range(len(a)):
    print('투썸의 전국 대비 {}에서의 비율 : {:.3f}%' .format(a[i],v2[i]/sum_star*100))

투썸의 전국 대비 제주특별자치도에서의 비율 : 1.986%
투썸의 전국 대비 대전광역시에서의 비율 : 3.881%
투썸의 전국 대비 충청남도에서의 비율 : 4.242%
투썸의 전국 대비 충청북도에서의 비율 : 3.520%
투썸의 전국 대비 부산광역시에서의 비율 : 5.505%
투썸의 전국 대비 서울특별시에서의 비율 : 24.639%
투썸의 전국 대비 강원도에서의 비율 : 3.159%
투썸의 전국 대비 전라북도에서의 비율 : 3.159%
투썸의 전국 대비 전라남도에서의 비율 : 2.347%
투썸의 전국 대비 경상남도에서의 비율 : 4.242%
투썸의 전국 대비 경기도에서의 비율 : 21.209%
투썸의 전국 대비 대구광역시에서의 비율 : 6.137%
투썸의 전국 대비 세종특별자치시에서의 비율 : 0.722%
투썸의 전국 대비 인천광역시에서의 비율 : 5.686%
투썸의 전국 대비 광주광역시에서의 비율 : 2.527%
투썸의 전국 대비 울산광역시에서의 비율 : 2.617%
투썸의 전국 대비 경상북도에서의 비율 : 4.422%

전국 이디야¶

In [24]:

df_이디야 = df_coffee[df_coffee["상호명"].str.contains("이디야")]
df_이디야.index = range(len(df_이디야))
print('전국 이디야 점포 수 :', len(df_이디야))
df_이디야.head()

전국 이디야 점포 수 : 2158

Out[24]:

	상호명	지점명	상권업종대분류명	상권업종중분류명	시도명	시군구명	행정동명
0	이디야커피	원주반곡동점	음식	커피점/카페	강원도	원주시	반곡관설동
1	이디야커피	춘천제일점	음식	커피점/카페	강원도	춘천시	강남동
2	이디야커피	흥업점	음식	커피점/카페	강원도	원주시	흥업면
3	이디야커피	주문진점	음식	커피점/카페	강원도	강릉시	주문진읍
4	이디야커피	강릉입암남부점	음식	커피점/카페	강원도	강릉시	성덕동

In [25]:

v3 = [len(df_이디야[df_이디야["시도명"]==a[i]]) for i in range(len(a))]
index = np.arange(len(a))
plt.bar(a, v3)
plt.xticks(index, a, fontsize=13,fontproperties=fontprob, rotation=90)

Out[25]:

([<matplotlib.axis.XTick at 0x22f9fa82280>,
  <matplotlib.axis.XTick at 0x22f9fa82250>,
  <matplotlib.axis.XTick at 0x22f9fa804f0>,
  <matplotlib.axis.XTick at 0x22f9facae20>,
  <matplotlib.axis.XTick at 0x22f9fad8370>,
  <matplotlib.axis.XTick at 0x22f9fad8880>,
  <matplotlib.axis.XTick at 0x22f9fad8d90>,
  <matplotlib.axis.XTick at 0x22f9fadf2e0>,
  <matplotlib.axis.XTick at 0x22f9fadf7f0>,
  <matplotlib.axis.XTick at 0x22f9fadfd00>,
  <matplotlib.axis.XTick at 0x22f9fadf520>,
  <matplotlib.axis.XTick at 0x22f9fad85b0>,
  <matplotlib.axis.XTick at 0x22f9fae60a0>,
  <matplotlib.axis.XTick at 0x22f9fae65b0>,
  <matplotlib.axis.XTick at 0x22f9fae6ac0>,
  <matplotlib.axis.XTick at 0x22f9fae6fd0>,
  <matplotlib.axis.XTick at 0x22f9faec520>],
 [Text(0, 0, '제주특별자치도'),
  Text(1, 0, '대전광역시'),
  Text(2, 0, '충청남도'),
  Text(3, 0, '충청북도'),
  Text(4, 0, '부산광역시'),
  Text(5, 0, '서울특별시'),
  Text(6, 0, '강원도'),
  Text(7, 0, '전라북도'),
  Text(8, 0, '전라남도'),
  Text(9, 0, '경상남도'),
  Text(10, 0, '경기도'),
  Text(11, 0, '대구광역시'),
  Text(12, 0, '세종특별자치시'),
  Text(13, 0, '인천광역시'),
  Text(14, 0, '광주광역시'),
  Text(15, 0, '울산광역시'),
  Text(16, 0, '경상북도')])

In [26]:

# 시도별 이디야 분포
plt.barh(index, v3)
plt.yticks(index, a, fontsize=13,fontproperties=fontprob, rotation=0)
plt.show()

In [27]:

sum_star = sum(v3)
for i in range(len(a)):
    print('이디야의 전국 대비 {}에서의 비율 : {:.3f}%' .format(a[i],v3[i]/sum_star*100))

이디야의 전국 대비 제주특별자치도에서의 비율 : 0.649%
이디야의 전국 대비 대전광역시에서의 비율 : 1.483%
이디야의 전국 대비 충청남도에서의 비율 : 3.105%
이디야의 전국 대비 충청북도에서의 비율 : 3.105%
이디야의 전국 대비 부산광역시에서의 비율 : 6.024%
이디야의 전국 대비 서울특별시에서의 비율 : 20.992%
이디야의 전국 대비 강원도에서의 비율 : 3.939%
이디야의 전국 대비 전라북도에서의 비율 : 3.151%
이디야의 전국 대비 전라남도에서의 비율 : 3.661%
이디야의 전국 대비 경상남도에서의 비율 : 5.746%
이디야의 전국 대비 경기도에서의 비율 : 27.108%
이디야의 전국 대비 대구광역시에서의 비율 : 2.873%
이디야의 전국 대비 세종특별자치시에서의 비율 : 0.834%
이디야의 전국 대비 인천광역시에서의 비율 : 6.441%
이디야의 전국 대비 광주광역시에서의 비율 : 2.688%
이디야의 전국 대비 울산광역시에서의 비율 : 3.475%
이디야의 전국 대비 경상북도에서의 비율 : 4.727%

3대 커피브랜드의 점포 수 비교¶

In [28]:

star = sum(v1)
two = sum(v2)
edia = sum(v3)
X=["스타벅스","투썸","이디야"]
Y=[star, two, edia]
index = [0,1,2]
plt.bar(X, Y)
plt.xticks(index, X, fontsize=13,fontproperties=fontprob, rotation=90)

Out[28]:

([<matplotlib.axis.XTick at 0x22f9fbbc670>,
  <matplotlib.axis.XTick at 0x22f9fbbc640>,
  <matplotlib.axis.XTick at 0x22f9fbb8940>],
 [Text(0, 0, '스타벅스'), Text(1, 0, '투썸'), Text(2, 0, '이디야')])

In [29]:

from IPython.core.display import display, HTML
display(HTML("<style>.container {width:90% !important;}</style>"))

728x90

저작자표시 비영리 변경금지

'Ccode > 데이터 시각화' 카테고리의 다른 글

데이터 시각화 Tableau 로 시작하기 (0)	2021.11.14
주가 분석 (0)	2021.08.18
신용카드 사용자 연체 예측_EDA(2) (0)	2021.08.17
신용카드 사용자 연체 예측_EDA(1) (0)	2021.08.13
Netflix 데이터 간략히 EDA 해보기 (0)	2021.08.05

현재글공공데이터를 이용한 카페 상권 분석(2021 Ver.)

#wannabeeeeeee the best DataScientist