일상 일기 블로그

파이썬의 시각화 라이브러리인 pyplot으로 그래프를 그려보자. import pandas as pd import matplotlib.pyplot as plt data=[1,5,3,9,7] plt.plot(data) 위의 함수를 보듯이 가장 기본적인 그래프를 그리는 함수는 plot이다. plot에 들어가는 자료형은 리스트, 튜플 등이 되어야 한다. plt.plot([1,2,3,4,5]) 이런식이 되어도 그래프를 그릴 수 있다. 그래프를 보면 기본적으로 x축과 y축이 있는데, x축을 입력하지 않으면 y축의 인덱스가 자동으로 들어간다. x축만 입력하는 것은 불가능하다. 인덱스의 지정방법 ss=pd.Series([1,5,3,9,7],index=[10,20,30,40,50]) plt.plot(ss) 파이플롯의 인..

df1=pd.read_csv('./국비2일차/소상공인시장진흥공단_상가(상권)정보_20220630/소상공인시장진흥공단_상가(상권)정보_강원_202206.csv') df2=pd.read_csv('./국비2일차/소상공인시장진흥공단_상가(상권)정보_20220630/소상공인시장진흥공단_상가(상권)정보_경기_202206.csv') df3=pd.read_csv('./국비2일차/소상공인시장진흥공단_상가(상권)정보_20220630/소상공인시장진흥공단_상가(상권)정보_경남_202206.csv') df4=pd.read_csv('./국비2일차/소상공인시장진흥공단_상가(상권)정보_20220630/소상공인시장진흥공단_상가(상권)정보_경북_202206.csv') df5=pd.read_csv('./국비2일차/소상공인시장진흥공단_상가..

df=pd.read_csv('./국비2일차/아파트(매매)__실거래가_20220810114432.csv',encoding='cp949') df df[df['해제사유발생일'].notnull()].index df.drop(index=df[df['해제사유발생일'].notnull()].index) df=df[['시군구','전용면적(㎡)','거래금액(만원)']] df.head() 시군구 전용면적(㎡) 거래금액(만원) 0 강원도 강릉시 견소동 59.800 15,000 1 강원도 강릉시 견소동 84.945 25,000 2 강원도 강릉시 견소동 39.080 12,000 3 강원도 강릉시 견소동 59.990 22,700 4 강원도 강릉시 견소동 84.990 32,500 df['전용면적(㎡)']=df['전용면적(㎡)'].a..

데이터 가져오기 및 정제 df=pd.read_csv('./국비2일차/202110_202110_연령별인구현황_월간.csv',encoding='cp949') df=df.drop(columns=['2021년10월_계_총인구수','2021년10월_계_연령구간인구수']) df.index=df['행정구역'] df.head() df=df.drop(columns=['행정구역']) df.columns=df.columns.str.split('_').str[2] df.dtypes 0세 object 1세 object 2세 object 3세 object 4세 object ... 96세 object 97세 object 98세 object 99세 object 100세 이상 object Length: 101, dtype: objec..

데이터 가져오기 df=pd.read_csv('./국비2일차/202110_202110_주민등록인구및세대현황_월간.csv',encoding='cp949') df.head() 행정구역 2021년10월_총인구수 2021년10월_세대수 2021년10월_세대당 인구 2021년10월_남자 인구수 2021년10월_여자 인구수 2021년10월_남여 비율 0 전국 (1000000000) 51,662,290 23,415,533 2.21 25,760,238 25,902,052 0.99 1 서울특별시 (1100000000) 9,532,428 4,422,587 2.16 4,630,630 4,901,798 0.94 2 부산광역시 (2600000000) 3,356,311 1,541,975 2.18 1,642,368 1,713,943..

df_seoul=df[df['지점명']=='서울'].copy() df_seoul #일 최고 기온이 33도 이상을 폭염으로 정의 df_seould_hotday=df_seoul[df_seoul['최고기온(°C)']>=33].copy() plt.rcParams['figure.figsize']=(15,5) plt.plot(df_seould_hotday['일시'],df_seould_hotday['최고기온(°C)'],'r.') plt.xlabel('일시') plt.title('서울시 폭염일 현황(1911-2020',size=20) plt.ylabel('최고기온(°C)') plt.show() plt.plot(df_seould_hotday['일시'],df_seould_hotday['최저기온(°C)'],'k.') plt..

df_2020=df[df['일시'].dt.year==2020].copy() df_2020 지점 지점명 일시 평균기온(°C) 최저기온(°C) 최고기온(°C) 1257373 90 속초 2020-01-01 0.8 -3.4 4.8 1257374 90 속초 2020-01-02 2.8 -2.1 6.6 1257375 90 속초 2020-01-03 4.7 0.8 8.5 1257376 90 속초 2020-01-04 4.0 1.1 8.1 1257377 90 속초 2020-01-05 3.1 -0.6 8.8 ... ... ... ... ... ... ... 1597071 295 남해 2020-12-27 4.4 2.5 6.0 1597072 295 남해 2020-12-28 4.7 1.1 11.5 1597073 295 남해 202..

데어터 불러오기 import pandas as pd df_1911=pd.read_csv('./시각화/19111920.csv',encoding='cp949') df_1921=pd.read_csv('./시각화/19211930.csv',encoding='cp949') df_1931=pd.read_csv('./시각화/1931.csv',encoding='cp949') df_1941=pd.read_csv('./시각화/1941.csv',encoding='cp949') df_1951=pd.read_csv('./시각화/1951.csv',encoding='cp949') df_1961=pd.read_csv('./시각화/1961.csv',encoding='cp949') df_1971=pd.read_csv('./시각화/1971..