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

 

 

 

 

 

 

프로그래밍 세계를 탐구합시다.

 

 

 

 

 

 

1,2편은 이전 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)

 

 

 

2023.12.06 - [IT/Python] - [Python] 2. 포항시 BIS 교통카드 사용내역 데이터 전처리 시각화 (히트맵 heatmap)

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

 

 

 

 

 

 

 

<  3.  포항시 BIS 교통카드 사용내역 데이터 전처리 시각화 (막대그래프 히스토그램, histplot)  >

 

 

 

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

 

 

 

 

 

 

1. 시간대 및 승객연령별 버스내체류시간(분) 시각화(막대그래프)

 

 

 

필요한 데이터 : 기준시간, 승객연령, 버스내체류시간(분)

 

### 필요한 데이터 : 기준시간, 승객연령, 버스내체류시간(분)
df_temp = pd.DataFrame()
df_temp["기준시간"] = df_bus_card_tot["기준시간"]
df_temp["승객구분"] = df_bus_card_tot["승객연령"]
df_temp["버스내체류시간"] = df_bus_card_tot["버스내체류시간(분)"]
df_temp

 

 

 

 

승객 빈도 확인하기

 

### 승객 빈도 확인하기
df_temp["승객구분"].value_counts()

 

 

 

 

 

 

 

그룹화 하기

 

### 그룹화 하기
df_temp2 = df_temp.groupby(["기준시간", "승객구분"], as_index=False).sum()
df_temp2 = df_temp2.sort_values(by=["버스내체류시간"], ascending=False)
df_temp2

 

 

 

 

### groupby 이후의 head()의 역할
# - 그룹단위로 조회됨
# - head(1) : 각 그룹의 첫번째 값을 조회시켜 줍니다.
df_temp2.head(1)

 

 

 

 

 

 

 

데이터 행과 열을 교환하기

 

 

transepose 함수

 

### 데이터 행과 열을 교환하기
df_temp2.transpose()

 

 

 

 

 

 

 

그래프 시각화하기 (막대그래프)

 

fig = plt.figure(figsize=(25, 10))

plt.title("시간 및 승객구분별 버스내 체류시간(분단위) 분석")

### hue : x축 및 y축을 기준으로 비교할 대상 컬럼 지정(범주형 데이터를 보통 사용)
sns.barplot(x="기준시간", y="버스내체류시간", hue="승객구분", data=df_temp2)

plt.show()

 

 

 

 

 

 

 

 

그래프 시각화하기 (histplot : 두 개의 그래프 조합)

 

 

 

histplot 시각화 : 두 개 그래프 조합 (밀도그래프라고 칭하기도 합니다.)

 

### histplot 시각화 : 두 개 그래프 조합 (밀도그래프라고 칭하기도 합니다.)
plt.figure(figsize = (12, 4))
plt.title("시간 및 승객구분별 버스내 체류시간(분단위) 분석")

sns.histplot(data = df_temp2,
             x = "기준시간",
             ### 사용할 막대의 최대 갯수
             bins = 30,
             ### 막대그래프에 밀도 선그리기
             kde = True,
             ### 범주 데이터
             hue = "승객구분",
             ### 여러 범주를 하나의 막대에 표현하기
             multiple = "stack",
             ### 비율로 표시
             stat = "density",
             ### 막대 너비 : 0.6은 원본 100% 사이즈에서 60% 축소한 너비 사이즈
             shrink = 0.6)
plt.show()

 

 

 

 

 

 

3.  승하차정류장별 버스내체류시간(분) 상위 30건 시각화 분석

 

 

 

구간(승차정류장~하차정류장)별 버스내체류시간(분) sum() (그룹화) 하기

 

df_bus_card_tot

### 구간(승차정류장~하차정류장)별 버스내체류시간(분) sum() (그룹화) 하기
### - 내림차순 정렬
### - 상위 30개 추출

df_temp3 = pd.DataFrame()
df_temp3["승하차정류장"] = df_bus_card_tot["승차정류장"] + "-->" + \
                           df_bus_card_tot["하차정류장"]
df_temp3["버스내체류시간"] = df_bus_card_tot["버스내체류시간(분)"]
df_temp3

 

 

 

 

 

 

 

 

 

승하차정류장별 체류시간 그룹화하기

 

 

상위 30건 추출하기

df_temp_30 = df_temp_gp.head(30)

 

### 승하차정류장별 체류시간 그룹화하기
df_temp_gp = df_temp3.groupby(["승하차정류장"], as_index=False).sum()
df_temp_gp = df_temp_gp.sort_values(by=["버스내체류시간"], ascending=False)
### 상위 30건 추출하기
df_temp_30 = df_temp_gp.head(30)
df_temp_30

 

 

 

 

 

 

 

 

선그래프 시각화하기

 

 

 

 x축의 값의 기울기를 이용하여 조정하기
 - xticks() : x축을 컨트롤하는 함수

 

x축 및 y축 제목 넣기

 - plt.xlabel("승하차정류장")
 - plt.ylabel("버스내체류시간(분)")

 

격자선 표시하기

 - plt.grid(True)

 

plt.figure(figsize=(12, 4))
plt.title("승하차정류장별 버스내 체류시간 분석")

### 선그래프
plt.plot(df_temp_30["승하차정류장"], df_temp_30["버스내체류시간"])

### x축 및 y축 제목 넣기
plt.xlabel("승하차정류장")
plt.ylabel("버스내체류시간(분)")

### x축의 값의 기울기를 이용하여 조정하기
# - xticks() : x축을 컨트롤하는 함수
plt.xticks(rotation = 90)

### 격자선 표시하기
plt.grid(True)

plt.show()

 

 

 

 

 

 

 

해석

 

- 죽도시장 정류장 버스내 체류시간이 길다.

- 죽도시장행 급행버스가 필요할 가능성이 있다.