(지도 활용)강원도_코로나19 확진자 현황 분석 및 시각화

February 24, 2022 2 분 소요

데이터셋 준비

공공데이터포털에서 데이터셋 다운

import pandas as pd

data = pd.read_csv('/content/drive/MyDrive/강원도_코로나19 확진자 현황_20210731.csv', encoding="CP949")
data

	시군명	확진시기	확진자수
0	춘천	2020-02-22	2
1	원주	2020-02-22	0
2	강릉	2020-02-22	0
3	동해	2020-02-22	0
4	태백	2020-02-22	0
...	...	...	...
9463	화천	2021-07-31	0
9464	양구	2021-07-31	0
9465	인제	2021-07-31	0
9466	고성	2021-07-31	1
9467	양양	2021-07-31	3

9468 rows × 3 columns

데이터 분석 및 시각화

# 한글 폰트 적용
import matplotlib
%matplotlib inline

import matplotlib.pyplot as plt 
import matplotlib.font_manager as fm  

!apt-get update -qq
!apt-get install fonts-nanum* -qq

font_path = '/usr/share/fonts/truetype/nanum/NanumBarunGothic.ttf'
font_name = fm.FontProperties(fname=font_path, size=10).get_name()
print(font_name)
plt.rc('font', family=font_name)

fm._rebuild()
matplotlib.rcParams['axes.unicode_minus'] = False

NanumBarunGothic

시군별 코로나 확진자수 시각화

sample = data[data['시군명'] == '춘천']

plt.figure(figsize=(10,8))
plt.title('춘천')
plt.plot(sample['확진자수'])
plt.show()

cols = data['시군명'].unique()
cols

array(['춘천', '원주', '강릉', '동해', '태백', '속초', '삼척', '홍천', '횡성', '영월', '평창',
       '정선', '철원', '화천', '양구', '인제', '고성', '양양'], dtype=object)

count = data['시군명'].nunique()

plt.figure(figsize=(20,16))

for i in range(count):
  mask = data['시군명'] == cols[i]
  sample = data[mask]
  plt.subplot(4, 5, i+1)
  plt.title(cols[i])
  plt.plot(sample['확진자수'])
plt.show()

plt.figure(figsize=(10,8))
plt.title('total')
plt.plot(data['확진자수'])
plt.show()

시군별로 봤을 때는 시간이 지날수록 점점 확진자 수는 많아지고 춘천과 원주가 눈에 띕니다. 그리고 강원도 전체적으로 봐도 시간이 지날수록 더 많아집니다.

data['month'] = data['확진시기'].map(lambda x: x.split('-')[0] + x.split('-')[1])
data

	시군명	확진시기	확진자수	month
0	춘천	2020-02-22	2	202002
1	원주	2020-02-22	0	202002
2	강릉	2020-02-22	0	202002
3	동해	2020-02-22	0	202002
4	태백	2020-02-22	0	202002
...	...	...	...	...
9463	화천	2021-07-31	0	202107
9464	양구	2021-07-31	0	202107
9465	인제	2021-07-31	0	202107
9466	고성	2021-07-31	1	202107
9467	양양	2021-07-31	3	202107

9468 rows × 4 columns

월별 확진자수 추이

data.groupby('month').mean()

	확진자수
month
202002	0.055556
202003	0.053763
202004	0.027778
202005	0.007168
202006	0.014815
202007	0.016129
202008	0.213262
202009	0.057407
202010	0.103943
202011	0.701852
202012	1.032258
202101	0.835125
202102	0.329365
202103	0.862007
202104	0.625926
202105	0.913978
202106	0.687037
202107	1.734767

plt.figure(figsize=(10,8))
plt.plot(data.groupby('month').mean())
plt.show()

지도 위 시각화

시군별 확진자수 평균에 따라 원 크기로 각 위치에 지도로 표시합니다.

라이브러리: follium 이용

folium을 이용하려면 위도와 경도를 알아야 합니다.

강원도 춘천 (+16 km), 위도 37.757687 경도 128.873749

강원도 강릉 (+16 km), 위도 38.078366 경도 128.228302

강원도 인제 (+16 km), 위도 38.214446 경도 128.571625

강원도 속초 (+16 km), 위도 37.348326 경도 127.928925

강원도 원주 (+16 km), 위도 37.53151 경도 129.098969

# dat = data[data['시군명'] == '춘천' | data['시군명'] == '강릉']
data = data[data['시군명'].isin(['춘천', '강릉', '인제', '속초', '원주'])]
data

	시군명	확진시기	확진자수	month
0	춘천	2020-02-22	2	202002
1	원주	2020-02-22	0	202002
2	강릉	2020-02-22	0	202002
5	속초	2020-02-22	2	202002
15	인제	2020-02-22	0	202002
...	...	...	...	...
9450	춘천	2021-07-31	8	202107
9451	원주	2021-07-31	8	202107
9452	강릉	2021-07-31	16	202107
9455	속초	2021-07-31	1	202107
9465	인제	2021-07-31	0	202107

2630 rows × 4 columns

fea1 = {'춘천': 37.757687, '강릉': 38.078366, '인제': 38.214446, '속초': 37.348326, '원주': 37.53151}
fea2 = {'춘천': 128.873749, '강릉': 128.228302, '인제': 128.571625, '속초': 127.928925, '원주': 129.098969}

counts = data.groupby('시군명').mean()['확진자수']
counts

시군명
강릉    1.545627
속초    0.671103
원주    1.866920
인제    0.123574
춘천    1.134981
Name: 확진자수, dtype: float64

import folium

map = folium.Map(location = [37.8,128.5], zoom_start=10) #지도 초기 위치

for i in counts.index:
  lat = fea1[i]    #위도
  long = fea2[i]   #경도

  folium.CircleMarker([lat, long], radius=counts[i] * 50, color='red', fill=True).add_to(map)

map

지도를 보면 인제와 동해는 확진자수가 많고 속초는 적은 것을 알 수 있습니다.

Twitter Facebook LinkedIn

(지도 활용)강원도_코로나19 확진자 현황 분석 및 시각화

데이터셋 준비

데이터 분석 및 시각화

지도 위 시각화

공유하기

댓글남기기

참고

DALL-E 2 사용법 (사용기), 텍스트로 이미지를 만드는 인공지능

구글 드라이브 파일 다운받는 gdown 사용법과 안될 시 해결법

스테이블 디퓨전(Stable Diffusion) 간단한 사용법과 가이드 및 원리 이해 by 코랩(colab)

머신러닝 - K-최근접 이웃(KNN classifier)을 이용한 분류