[Python] 2. 포항시 BIS 교통카드 사용내역 데이터 전처리 시각화 (히트맵 heatmap)

 

 

 

 

 

 

프로그래밍 세계를 탐구합시다.

 

 

 

 

 

 

1, 3편은 아래 게시글 참고 바랍니다.

 

 

 

2023.12.05 - [IT/Python] - [Python] 1. 포항시 BIS 교통카드 사용내역 데이터 수집 (교통데이터 수집, 가공, 시각화)

[Python] 1. 포항시 BIS 교통카드 사용내역 데이터 수집 (교통데이터 수집, 가공, 시각화)

 

 

 

 

2023.12.07 - [IT/Python] - [Python] 3. 포항시 BIS 교통카드 사용내역 데이터 전처리 시각화 (막대그래프 히스토그램, histplot)

[Python] 3. 포항시 BIS 교통카드 사용내역 데이터 전처리 시각화 (막대그래프 히스토그램, histplot)

 

 

 

 

 

 

<  2.  포항시 BIS 교통카드 사용내역 데이터 전처리 시각화  (히트맵 heatmap) >

 

 

 

분석 주제

 

 - 대주제 : 포항시 버스 이용량 분석

 - 소주제

   (버스 이용량 분석)
   * 기준월 및 기준일자별 버스 이용량 분석 비교
   * 기준일 및 시간대별 버스 이용량 분석 비교
   * 기준시간 및 시간(분)별 버스 이용량 분석 비교

   (버스 내 체류시간 분석)
   * 기준월 및 기준일자별 버스 체류시간 분석 비교
   * 기준일 및 기준일자별 버스 체류시간 분석 비교
   * 기준시간 및 시간(분)별 버스 체류시간 분석 비교
   
   * 승하차정류장 구간별 버스 내 체류시간
    - 체류시간(분) 상위 30건 분석 비교

 

 

- URL : 국가교통 데이터 오픈마켓

국가교통 데이터 오픈마켓 (bigdata-transportation.kr)

국가교통 데이터 오픈마켓

 

 

 

 

 

 

라이브러리 정의하기 

 

 

### 라이브러리 정의하기
import pandas as pd

 

 

 

 

사용할 데이터 읽어들이기 

 

### 사용할 데이터 읽어들이기
# 데이터프레임 변수명 : df_bus_coard_tot
df_bus_card_tot = pd.read_csv("./01_data/all/df_bus_card_tot.csv")
print("갯수 : ", len(df_bus_card_tot))
df_bus_card_tot.head(1)

 

 

 

 

 

 

 

 

데이터 정보 확인

 

### 데이터 정보확인
# - 결측치 있는지 확인 : 승객연령
df_bus_card_tot.info()

 

 

 

 

 

 

 

 

 

 

기초통계 확인하기

 

### 기초통계 확인하기
df_bus_card_tot.describe()

 

 

 

 

 

 

 

 

 

[  데이터 시각화  ]

 

 

 

시각화 라이브러리

 

 

그래프 내에 한글이 포함된 경우 폰트 처리가 필요합니다.

 

 

### 시각화 라이브러리
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns

### 그래프 내에 한글이 포함된 경우 폰트 처리가 필요함
# - 한글 깨짐 방지를 위해서
### 폰트 환경설정 라이브러리
from matplotlib import font_manager, rc
plt.rc("font", family = "Malgun Gothic")
### Mac
# plt.rc("font", family = "AppleGothic")

### 그래프 내에 마이너스(-) 표시 기호 적용하기
plt.rcParams["axes.unicode_minus"] = False

 

 

df_bus_card_tot.head(1)

 

 

 

 

 

 

 

 

1.  기준월 및 기준일자별 버스 이용량 시각화 분석 

 

 

### 사용할 컬럼 : 기준월, 기준일, 승객연령
# - 사용할 집계함수 : count
# - 이용량 집계를 위한 함수 : pivot_table() -> 히트맵 시각화 시 데이터 생성
# - 사용할 그래프 : 히트맵(hitmap)

### 데이터 count 집계하기
# - y축 : index
# - x축 : columns
# - 집계 : count(승객연령)
df_pivot = df_bus_card_tot.pivot_table(index = "기준월",
                                        columns = "기준일",
                                        values = "승객연령",
                                        aggfunc = "count")
df_pivot

 

 

 

 

 

 

 

 

결측치(NaN) 처리하기

 

 

### 모든 결측치(NaN)는 0으로 대체하기
df_pivot = df_pivot.fillna(0)
df_pivot

 

 

 

 

 

 

 

 

히트맵(heatmap) 시각화

 

 

 

히트맵 그리기 : 히트맵은 seaborn 라이브러리에 있습니다.

 

 

### 그래프 전체 너비, 높이 설정
plt.figure(figsize=(20, 10))

### 그래프 제목 넣기
plt.title("기준월 및 기준일자별 버스 이용량 분석")

### 히트맵 그리기 : 히트맵은 seaborn 라이브러리에 있습니다.
# - annot : False는 집계값 숨기기, True는 집계값 보이기
# - fmt : ".0f"는 소숫점 1자리까지 보이기
# - cmap : 컬러 색상그룹

sns.heatmap(df_pivot, annot=True, fmt=".0f", cmap="rocket_r")

### 그래프 보여줘~
plt.show()

"""
(해석)
 - 1월~3월까지의 이용량을 분석한 결과 1월에 가장 많은 이용량을 나타내고 있으며,
   2월에서 3월로 가면서 이용량이 점진적으로 줄어들고 있는 것으로 확인됨
 - 줄어드는 이유는 포항시의 특성상 외부에서 관광객의 유입에 따라
   버스를 이용하는 사람들이 많을 것으로 예상됨
 - 이에 따라, 포항시 관광객에 대한 데이터를 수집하여 해당 년월에 대한 데이터를
   비교 분석해볼 필요성이 있음

"""

 

 

 

 

 

 

 

 

해석
 

 - 1월~3월까지의 이용량을 분석한 결과 1월에 가장 많은 이용량을 나타내고 있으며,

   2월에서 3월로 가면서 이용량이 점진적으로 줄어들고 있는 것으로 확인됨
 - 줄어드는 이유는 포항시의 특성상 외부에서 관광객의 유입에 따라 버스를 이용하는 사람들이 많을 것으로 예상됨
 - 이에 따라, 포항시 관광객에 대한 데이터를 수집하여 해당 년월에 대한 데이터를 비교 분석해볼 필요성이 있음

 

 

 

 

2. 기준일 및 기준시간별 버스 이용량 시각화 분석 

 

 

 

데이터 count 집계하기

 

### 데이터 count 집계하기
# - y축 : index
# - x축 : columns
# - 집계 : count(승객연령)
df_pivot = df_bus_card_tot.pivot_table(index = "기준일",
                                        columns = "기준시간",
                                        values = "승객연령",
                                        aggfunc = "count")
df_pivot

 

 

 

 

 

모든 결측치(NaN)은 0으로 대체하기

 

### 모든 결측치(NaN)는 0으로 대체하기
df_pivot = df_pivot.fillna(0)
df_pivot

 

 

 

 

 

 

히트맵(heatmap) 시각화

 

### 그래프 전체 너비, 높이 설정
plt.figure(figsize=(20, 10))

### 그래프 제목 넣기
plt.title("기준일 및 기준시간별 버스 이용량 분석")

### 히트맵 그리기 : 히트맵은 seaborn 라이브러리에 있습니다.
# - annot : False는 집계값 숨기기, True는 집계값 보이기
# - fmt : ".0f"는 소숫점 1자리까지 보이기
# - cmap : 컬러 색상그룹

sns.heatmap(df_pivot, annot=True, fmt=".0f", cmap="rocket_r")

### 그래프 보여줘~
plt.show()

"""
(해석)
 - 버스 이용량에 대한 분석 결과,
 - 일반적으로 출/퇴근 시간에 많아야 할 버스 이용량이 포항시의 경우
   오후 시간대에 이용량이 밀집되어 있음
 - 특히 오후 1시, 3시에 높은 이용량을 나타내고 있음
 - 이는 출/퇴근 시간에 자가 차량을 이용하는 사람이 많을 수도 있다는 예상을 할 수 있으며,
   인구 분포가 노령인구가 많기 때문에 오후에 이용자가 많을 수 있음
 - 따라서, 포항시 인구현황 데이터, 경제활동인구 분석을 통해 비교 분석이 가능할 것으로 예상됨
 - 또한, 해당 이용량이 높은 시간대에 노선을 확인하여 특성 확인도 필요할 것으로 예상됨

"""

 

 

 

 

 

해석
 

 - 버스 이용량에 대한 분석 결과,
 - 일반적으로 출/퇴근 시간에 많아야 할 버스 이용량이 포항시의 경우
   오후 시간대에 이용량이 밀집되어 있음
 - 특히 오후 1시, 3시에 높은 이용량을 나타내고 있음
 - 이는 출/퇴근 시간에 자가 차량을 이용하는 사람이 많을 수도 있다는 예상을 할 수 있으며,
   인구 분포가 노령인구가 많기 때문에 오후에 이용자가 많을 수 있음
 - 따라서, 포항시 인구현황 데이터, 경제활동인구 분석을 통해 비교 분석이 가능할 것으로 예상됨
 - 또한, 해당 이용량이 높은 시간대에 노선을 확인하여 특성 확인도 필요할 것으로 예상됨

 

 

 

 

 

3. 기준시간 및 분별 버스 이용량 시각화 분석 

 

 

데이터 count 집계하기

 

 

### 데이터 count 집계하기
# - y축 : index
# - x축 : columns
# - 집계 : count(승객연령)
df_pivot = df_bus_card_tot.pivot_table(index = "기준시간",
                                        columns = "기준시간(분)",
                                        values = "승객연령",
                                        aggfunc = "count")
df_pivot

 

 

 

 

 

 

 

모든 결측치(NaN)은 0으로 대체하기

 

 

### 모든 결측치(NaN)는 0으로 대체하기
df_pivot = df_pivot.fillna(0)
df_pivot

 

 

 

 

 

 

히트맵(heatmap) 시각화

 

 

### 그래프 전체 너비, 높이 설정
plt.figure(figsize=(20, 10))

### 그래프 제목 넣기
plt.title("기준시간 및 기준시간(분)별 버스 이용량 분석")

### 히트맵 그리기 : 히트맵은 seaborn 라이브러리에 있습니다.
# - annot : False는 집계값 숨기기, True는 집계값 보이기
# - fmt : ".0f"는 소숫점 1자리까지 보이기
# - cmap : 컬러 색상그룹

sns.heatmap(df_pivot, annot=True, fmt=".0f", cmap="rocket_r")

### 그래프 보여줘~
plt.show()

"""
(해석)
 - 출근 시간대의 버스이용량을 볼 때 오전 7시 55분~8시 10분 사이에 이용량이 많은 것으로 보임
 - 퇴근 시간대의 경우에는 오후 6시~6시 20분까지 이용량이 많은 것으로 보임
 - 특히 오후 3시 20분까지 버스 이용량이 매우 크게 나타나고 있음
 - 오후 시간대 이용자에 대한 추가 확인은 필요할 것으로 보임

"""

 

 

 

 

 

 

 

 

해석

 

 - 출근 시간대의 버스이용량을 볼 때 오전 7시 55분~8시 10분 사이에 이용량이 많은 것으로 보임
 - 퇴근 시간대의 경우에는 오후 6시~6시 20분까지 이용량이 많은 것으로 보임
 - 특히 오후 3시 20분까지 버스 이용량이 매우 크게 나타나고 있음
 - 오후 시간대 이용자에 대한 추가 확인은 필요할 것으로 보임

 

 

 

 

 

4. 기준일 및 시간별 버스내체류시간(분) 시각화 분석 

 

 

피봇 데이터 생성하기

 

# df_bus_card_tot
### 피봇 데이터 생성하기
df_pivot = df_bus_card_tot.pivot_table(index = "기준일",
                                        columns = "기준시간",
                                        values = "버스내체류시간(분)",
                                        aggfunc = "mean")
df_pivot

 

 

 

 

 

 

모든 결측치(NaN)은 0으로 대체하기

 

### 모든 결측치(NaN)는 0으로 대체하기
df_pivot = df_pivot.fillna(0)
df_pivot

 

 

 

 

 

 

히트맵(heatmap) 시각화

 

 

### 그래프 전체 너비, 높이 설정
plt.figure(figsize=(20, 10))

### 그래프 제목 넣기
plt.title("기준일 및 시간별 버스내체류시간(분) 분석")

### 히트맵 그리기 : 히트맵은 seaborn 라이브러리에 있습니다.
# - annot : False는 집계값 숨기기, True는 집계값 보이기
# - fmt : ".0f"는 소숫점 1자리까지 보이기
# - cmap : 컬러 색상그룹

sns.heatmap(df_pivot, annot=True, fmt=".0f", cmap="rocket_r")

### 그래프 보여줘~
plt.show()

"""
(해석)

 - 매월 1일에 장거리 이용자가 다수 분포하고 있으며,
 - 오전 5시부터 장거리 이용자가 증가하고 있음
 - 오후 5시에 장거리 이용자가 매우 많게 나타남
 - 이는 포항시 주변 상권(경제활동인구)의 촐/퇴근 시간의 영향을 받을 수도 있을 것으로 예상됨
 - 7시 이후로는 장거리 이용자는 보편적으로 나타나고 있으며,
   위에서 분석한 기준일 및 시간별 이용량 분석에서 확인한 바와 같이 7시 이후의 버스 이용량도 급격하게 줄어드는 것으로 보아,
   저녁 시간 버스 이용이 현저히 낮은 것으로 여겨짐
 - 장거리 이용자가 많은 시간대에 급행버스의 도입에 대한 추가 확인은 필요할 것으로 여겨짐

"""

 

 

 

 

 

해석

 

 - 매월 1일에 장거리 이용자가 다수 분포하고 있으며,
 - 오전 5시부터 장거리 이용자가 증가하고 있음
 - 오후 5시에 장거리 이용자가 매우 많게 나타남
 - 이는 포항시 주변 상권(경제활동인구)의 촐/퇴근 시간의 영향을 받을 수도 있을 것으로 예상됨
 - 7시 이후로는 장거리 이용자는 보편적으로 나타나고 있으며,
   위에서 분석한 기준일 및 시간별 이용량 분석에서 확인한 바와 같이 7시 이후의 버스 이용량도 급격하게 줄어드는 것으       로 보아, 저녁 시간 버스 이용이 현저히 낮은 것으로 여겨짐
 - 장거리 이용자가 많은 시간대에 급행버스의 도입에 대한 추가 확인은 필요할 것으로 여겨짐