Covia_데이터 시각화 with 경제

Updated: September 08, 2020

코로나가 경제에 미친영향

코로나 확진자의 통계정보를 간단하게 확인하고 코로나가 경제에 미친 영향을 벤처기업 대출금 데이터와 카드소비 데이터를 바탕으로 알아보자

코로나 통계 요약 정보

시각화 자료

import pandas as pd
import matplotlib.pyplot as plt
import missingno as msno
import folium
from folium.plugins import HeatMap
import seaborn as sns
from datetime import datetime
import numpy as np

# Pandas 데이터 프레임에서 float을 소수점 2자리 까지 출력해 준다.
pd.set_option('display.float_format', lambda x: '%.2f' % x)
# 경고를 꺼준다.
import warnings  
warnings.filterwarnings('ignore')
plt.rc('font', family='NanumGothic')

# 환자정보
PatientInfo = pd.read_csv(r'.\data\PatientInfo.csv')
# 환자이동경로
PatientRoute = pd.read_csv(r'.\data\PatientRoute.csv')
# 시간대별 확진자, 회복자, 사망자
time = pd.read_csv(r'.\data\time.csv')
# 시간대별 검색어
search_trend = pd.read_csv(r'.\data\SearchTrend.csv')
# 시간대별 나이감염
timeage = pd.read_csv(r'.\data\TimeAge.csv')
# 시간대별 성별감염
timegender = pd.read_csv(r'.\data\TimeGender.csv')
# 시간대별 지역감염
timeprovince = pd.read_csv(r'.\data\TimeProvince.csv')
# 시간대별 카드 사용처와 카드 사용횟수, 총 금액
card = pd.read_csv(r'.\data\card_20200717.csv')
# 시간대별 벤처기업 지원금
venture = pd.read_csv(r'.\data\Venture.csv',encoding='euc-kr')

PatientInfo.head()

	patient_id	global_num	sex	birth_year	age	country	province	city	disease	infection_case	infection_order	infected_by	contact_number	symptom_onset_date	confirmed_date	released_date	deceased_date	state
0	1000000001	2.00	male	1964	50s	Korea	Seoul	Gangseo-gu	NaN	overseas inflow	1.00	NaN	75	2020-01-22	2020-01-23	2020-02-05	NaN	released
1	1000000002	5.00	male	1987	30s	Korea	Seoul	Jungnang-gu	NaN	overseas inflow	1.00	NaN	31	NaN	2020-01-30	2020-03-02	NaN	released
2	1000000003	6.00	male	1964	50s	Korea	Seoul	Jongno-gu	NaN	contact with patient	2.00	2002000001	17	NaN	2020-01-30	2020-02-19	NaN	released
3	1000000004	7.00	male	1991	20s	Korea	Seoul	Mapo-gu	NaN	overseas inflow	1.00	NaN	9	2020-01-26	2020-01-30	2020-02-15	NaN	released
4	1000000005	9.00	female	1992	20s	Korea	Seoul	Seongbuk-gu	NaN	contact with patient	2.00	1000000002	2	NaN	2020-01-31	2020-02-24	NaN	released

결측값을 확인한다

def mson_matrix(df,ax=None):
    msno.matrix(df,ax=ax)

figure, (ax1,ax2) = plt.subplots(nrows=2)
figure.set_size_inches(10,12)

mson_matrix(PatientInfo,ax1)
mson_matrix(PatientRoute,ax2)

png

의미 없는 값을 제거해준다

idx_num = PatientInfo[(PatientInfo['age'] == '100s') | (PatientInfo['age'] == '30')].index
idx_num

PatientInfo.drop(idx_num, inplace = True)

현재까지 코로나 확진자들의 특징 요약

def bar_chart(df, ax=None):
    df.plot(kind='bar', ax=ax)

figure, ((ax1,ax2,ax3)) = plt.subplots(nrows=1,ncols=3)
figure.set_size_inches(18,10)

sex = PatientInfo['sex'].value_counts()
age = PatientInfo['age'].value_counts().sort_index()
province = PatientInfo['province'].value_counts()

bar_chart(sex,ax1)
bar_chart(age,ax2)
bar_chart(province,ax3)

plt.show()

png

확진자들의 경로 확인

for i in PatientRoute.index[:]:
    folium.Circle(
        location = PatientRoute.loc[i,['latitude','longitude']],
        radius = 200
    ).add_to(m)
m

나이대별 경로 변경횟수와 나이대별 확진자수의 관계

info_route = pd.merge(PatientInfo,PatientRoute, on='patient_id')
age_route = info_route['age'].value_counts().sort_index()
plt.plot(age_route)
plt.plot(age)

[<matplotlib.lines.Line2D at 0x244ae830490>]

png

시간의 흐름에 따른 시각화 자료

테스트 횟수와 확진자 수 증가량
확진자와 회복자
검색량과 코로나 확진자
나이별 확진자 추세
나이별 사망자 추세
성별 확진자 추세
지역별 확진자 추세

# 1. 테스트 횟수와 확진자 수 증가량
fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

sns.lineplot(x="date", y="test", data=time, ax=ax)
ax2 = ax.twinx()
sns.lineplot(x='date', y='confirmed', data=time, ax=ax2, color='r')

<AxesSubplot:label='5e2640fd-6d2f-4eae-97a5-93e543c1669f', xlabel='date', ylabel='confirmed'>

png

# 2. 확진자와 회복자
plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )
sns.lineplot(x="date", y="confirmed", data=time)

sns.lineplot(x="date", y="released", data=time)

<AxesSubplot:xlabel='date', ylabel='released'>

png

# 3. 검색량과 코로나 확진자
trend_time = pd.merge(time,search_trend, on='date')
fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

sns.lineplot(x="date", y="coronavirus", data=trend_time, ax=ax)
ax2 = ax.twinx()
sns.lineplot(x='date', y='confirmed', data=trend_time, ax=ax2, color='r')

<AxesSubplot:label='9b91c83a-805a-4481-9ff6-1362f83a7ecf', xlabel='date', ylabel='confirmed'>

png

# 4. 나이별 확진자 추세

fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

ages = ['20s','30s','40s','50s','60s','70s','80s']

for age in ages:
    sns.lineplot(x="date", y="confirmed", data=timeage[timeage['age']== age], label=age)

png

# 5. 나이별 사망자 추세

fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

ages = ['20s','30s','40s','50s','60s','70s','80s']

for age in ages:
    sns.lineplot(x="date", y="deceased", data=timeage[timeage['age']== age], label=age)

png

# 6. 성별 확진자 추세

fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

sexs = ['female','male']

for sex in sexs:
    sns.lineplot(x="date", y="confirmed", data=timegender[timegender['sex']== sex], label=sex)

png

# 7. 지역별 확진자 추세

fig, ax = plt.subplots()

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )

provinces = ['Seoul', 'Busan', 'Daegu', 'Incheon', 'Gwangju', 'Daejeon',
       'Ulsan', 'Sejong', 'Gyeonggi-do', 'Gangwon-do',
       'Chungcheongbuk-do', 'Chungcheongnam-do', 'Jeollabuk-do',
       'Jeollanam-do', 'Gyeongsangbuk-do', 'Gyeongsangnam-do', 'Jeju-do']

for province in provinces:
    sns.lineplot(x="date", y="confirmed", data=timeprovince[timeprovince['province']== province], label=province)

png

벤처기업 대출금 데이터 활용

venture.head()

	일련번호	지역	업력	대출년도	대출월	대출금액(백만원)	업종
0	1	강원	20년이상	2020	2	200	전자
1	2	강원	20년미만	2020	2	300	화공
2	3	강원	10년미만	2020	2	200	전기
3	4	강원	15년미만	2020	2	290	화공
4	5	강원	7년미만	2020	2	300	기타

월별 대출을 한 벤처기업의 수

venture_month_count = venture['대출월'].value_counts().sort_index()
plt.rcParams['figure.figsize']=8,8
venture_month_count.plot(kind='bar')

<AxesSubplot:>

png

월별 벤처기업 대출금의 총금액

total = venture.pivot_table(values='대출금액'+'('+'백만원'+')',index ='대출월',aggfunc=sum)
total.plot(kind='bar')

<AxesSubplot:xlabel='대출월'>

png

카드 소비 데이터

sales = card.groupby(['mrhst_induty_cl_nm','receipt_dttm']).sum()['salamt'].reset_index()
sales
sales.receipt_dttm = [datetime.strptime(str(x),'%Y%m%d').month for x in sales.receipt_dttm]
sales = sales.groupby(['mrhst_induty_cl_nm','receipt_dttm']).sum()['salamt'].reset_index()
#sales = sales[sales.receipt_dttm !=6]

total = sales.pivot_table(values=sales[sales['receipt_dttm']==2], index='receipt_dttm',columns='mrhst_induty_cl_nm')
risk2 = total.loc[2] - total.loc[1]
risk3 = total.loc[3] - total.loc[2]
mean_sales = sales.groupby('mrhst_induty_cl_nm').mean()

mean_sales.head()

	receipt_dttm	salamt
mrhst_induty_cl_nm
1급 호텔	3.50	927609955.67
2급 호텔	3.50	1006486824.17
CATV	3.50	114058693.50
CATV홈쇼핑	3.50	34443030830.67
L P G	3.50	2424949584.00

risk_data = pd.DataFrame({'risk':(risk2 + risk3)/mean_sales['salamt']})
risk_data.values
risk = np.ravel(risk_data.values, order='C')
risk_data = pd.DataFrame({'index':sales['mrhst_induty_cl_nm'].unique(),'risk':risk})
risk_data = risk_data.dropna(axis=0)
risk_data
risk_data_remove =  risk_data.drop(risk_data[(risk_data.risk < 1) & (risk_data.risk > -1)].index)

plt.rcParams['figure.figsize']=20,10
plt.xticks(rotation = - 90 )
plt.grid(True)
plt.bar(risk_data_remove['index'],risk_data_remove['risk'])

<BarContainer object of 35 artists>

png

이동과 관련된 ‘관광여행’과 ‘항공사’의 카드 사용량이 확실히 준것을 확인할 수 있다

Share on

Twitter Facebook LinkedIn

Lim Junhyeong

Covia_데이터 시각화 with 경제

코로나가 경제에 미친영향

코로나 통계 요약 정보

시간의 흐름에 따른 시각화 자료

벤처기업 대출금 데이터 활용

월별 대출을 한 벤처기업의 수

월별 벤처기업 대출금의 총금액

카드 소비 데이터

Share on

Leave a comment

You may also enjoy

mariaDB 환경설정 계정 생성 및 권한 부여

프로젝트에 필요한 Git

여러개의 원격 저장소(git)

벽 부수고 이동하기 4_16946