티스토리 뷰
6장 - 19대 대선 결과 분석¶
대선이나 총선, 지방선거 등의 자료는 대부분 중앙선거관리위원회에 들어가면 아주 손쉽게 데이터를 구할 수 있다.
6-1 selenium과 Beautiful Soup를 이용한 데이터 획득 준비 작업¶
In [1]:
import pandas as pd
import numpy as np
import platform
import matplotlib.pyplot as plt
%matplotlib inline
from matplotlib import font_manager, rc
plt.rcParams['axes.unicode_minus'] = False
if platform.system() == 'Darwin':
rc('font', family='AppleGothic')
elif platform.system() == 'Windows':
path = "c:/Windows/Fonts/malgun.ttf"
font_name = font_manager.FontProperties(fname=path).get_name()
rc('font', family=font_name)
elif platform.system() == 'Linux':
path = "/usr/share/fonts/NanumGothic.ttf"
font_name = font_manager.FontProperties(fname=path).get_name()
plt.rc('font', family=font_name)
else:
print('Unknown system... sorry~~~~')
In [2]:
from selenium import webdriver
import time
In [8]:
driver = webdriver.Chrome('C:/Users/이재윤/Downloads/chromedriver_win32/chromedriver')
driver.get("http://info.nec.go.kr/main/showDocument.xhtml?electionId=0000000000&topMenuId=VC&secondMenuId=VCCP09")
driver.get으로 사이트를 호출하면 크롬 드라이버가 열릴것이다. 크롬 개발자 도구로 들어가서 sources 탭을 확인하면 frame으로 되어있을 것이다. selenium에서 프레임 이동은 switch_to_frame 명령으로 수행하자.
In [9]:
driver.find_element_by_id("electionType1").click()
대통령선거라는 글자부분을 클릭한다. 해당 글자에서 앞 장에서 설명한 크롬 개발자 도구로 코드를 확인하면 id가 electionType1으로 나타난다.
In [10]:
driver.find_element_by_id("electionName").send_keys("제19대")
그리고 나타나는 선택항목에서 제19대를 선택하자. 역시 크롬 개발자 도구에서 해당 위치의 id는 electionName이라는 것을 찾을 수 있다.
In [11]:
driver.find_element_by_id("electionCode").send_keys("대통령선거")
그리고 나서 대통령 선거를 선택한다. 이제 나타나는 시도 항목에서 선택 부분의 XPath를 찾고 리스트를 가져온다.
In [13]:
sido_list_raw = driver.find_element_by_xpath("""//*[@id="cityCode"]""")
sido_list = sido_list_raw.find_elements_by_tag_name("option")
sido_names_values = [option.text for option in sido_list]
sido_names_values = sido_names_values[2:]
sido_names_values
Out[13]:
['서울특별시', '부산광역시', '대구광역시', '인천광역시', '광주광역시', '대전광역시', '울산광역시', '세종특별자치시', '경기도', '강원도', '충청북도', '충청남도', '전라북도', '전라남도', '경상북도', '경상남도', '제주특별자치도']
6-2 19대 대선 개표 결과 데이터 획득하기¶
In [41]:
import re
def get_num(tmp):
return float(re.split('\(', tmp)[0].replace(',',''))
지역을 선택하면 나타나는 화면에서 득표수에 득표율이 괄호()로 함께 나타난다. 이를 제거하고 (를 기준으로 왼쪽 숫자만 얻어서, 콤마를 제거하고, float형으로 변경하는 함수를 get_num으로 준비하자.
In [42]:
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
wait = WebDriverWait(driver, 10)
def move_sido(name):
element = driver.find_element_by_id("cityCode")
element.send_keys(name)
make_xpath = """//*[@id="searchBtn"]"""
wait.until(EC.element_to_be_clickable((By.XPATH,make_xpath)))
driver.find_element_by_xpath(make_xpath).click()
위 모듈을 import해서 wait.until 함수를 사용할 수 있다. 이 함수는 검색버튼이 클릭가능할 때 까지 기다리는 기능을 한다. 그리고 move_sido 함수는 광역시도 이름을 리스트에 전송하고 검색 버튼을 누르는 역할을 합니다.
아래와 같이 append_data 함수는 빈 내용으로 미리 준비한 DataFrame에 append 명령으로 읽은 데이터를 하나씩 추가하는 기능이다. 이 함수가 실행되면 전체 투표수, 문재인후보, 홍준표후보, 안철수후보의 득표수가 추가된다.
In [43]:
def append_data(df, sido_name, data):
for each in df[0].values[1:]:
data['광역시도'].append(sido_name)
data['시군'].append(each[0])
data['pop'].append(get_num(each[2]))
data['moon'].append(get_num(each[3]))
data['hong'].append(get_num(each[4]))
data['ahn'].append(get_num(each[5]))
미리 변수를 하나 만들자.
In [44]:
election_result_raw = {'광역시도' : [],
'시군' : [],
'pop' : [],
'moon' : [],
'hong' : [],
'ahn' : [] }
In [45]:
from bs4 import BeautifulSoup
for each_sido in sido_names_values:
move_sido(each_sido)
html = driver.page_source
soup = BeautifulSoup(html, 'html.parser')
table = soup.find('table')
df = pd.read_html(str(table))
append_data(df, each_sido, election_result_raw)
--------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-45-b6a5c550f7a6> in <module> 10 df = pd.read_html(str(table)) 11 ---> 12 append_data(df, each_sido, election_result_raw) <ipython-input-43-2fea3a34f347> in append_data(df, sido_name, data) 3 data['광역시도'].append(sido_name) 4 data['시군'].append(each[0]) ----> 5 data['pop'].append(get_num(each[2])) 6 data['moon'].append(get_num(each[3])) 7 data['hong'].append(get_num(each[4])) <ipython-input-41-7257c1f87d2d> in get_num(tmp) 2 3 def get_num(tmp): ----> 4 return float(re.split('\(', tmp)[0].replace(',','')) c:\program files\python39\lib\re.py in split(pattern, string, maxsplit, flags) 229 and the remainder of the string is returned as the final element 230 of the list.""" --> 231 return _compile(pattern, flags).split(string, maxsplit) 232 233 def findall(pattern, string, flags=0): TypeError: expected string or bytes-like object
In [40]:
election_result = pd.DataFrame(election_result_raw,
columns=['광역시도', '시군', 'pop', 'moon','hong','ahn'])
election_result
--------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-40-3a30be464ffe> in <module> ----> 1 election_result = pd.DataFrame(election_result_raw, 2 columns=['광역시도', '시군', 'pop', 'moon','hong','ahn']) 3 election_result ~\AppData\Roaming\Python\Python39\site-packages\pandas\core\frame.py in __init__(self, data, index, columns, dtype, copy) 527 528 elif isinstance(data, dict): --> 529 mgr = init_dict(data, index, columns, dtype=dtype) 530 elif isinstance(data, ma.MaskedArray): 531 import numpy.ma.mrecords as mrecords ~\AppData\Roaming\Python\Python39\site-packages\pandas\core\internals\construction.py in init_dict(data, index, columns, dtype) 256 # GH10856 257 # raise ValueError if only scalars in dict --> 258 index = extract_index(arrays[~missing]) 259 else: 260 index = ensure_index(index) ~\AppData\Roaming\Python\Python39\site-packages\pandas\core\internals\construction.py in extract_index(data) 399 lengths = list(set(raw_lengths)) 400 if len(lengths) > 1: --> 401 raise ValueError("arrays must all be same length") 402 403 if have_dicts: ValueError: arrays must all be same length
In [49]:
driver.close()
6-3 각 후보의 득표율과 지역 ID 정리하기¶
In [46]:
election_result = pd.read_csv('C:/Users/이재윤/DataScience/data/05. election_result.csv', encoding='UTF-8',
index_col=0)
election_result
Out[46]:
| 광역시도 | 시군 | pop | moon | hong | ahn | |
|---|---|---|---|---|---|---|
| 0 | 서울특별시 | 종로구 | 102566.0 | 42512.0 | 22325.0 | 22313.0 |
| 1 | 서울특별시 | 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 |
| 2 | 서울특별시 | 용산구 | 148157.0 | 58081.0 | 35230.0 | 32109.0 |
| 3 | 서울특별시 | 성동구 | 203175.0 | 86686.0 | 40566.0 | 45674.0 |
| 4 | 서울특별시 | 광진구 | 240030.0 | 105512.0 | 46368.0 | 52824.0 |
| ... | ... | ... | ... | ... | ... | ... |
| 245 | 경상남도 | 산청군 | 24513.0 | 6561.0 | 12544.0 | 2753.0 |
| 246 | 경상남도 | 거창군 | 41325.0 | 11256.0 | 19976.0 | 4923.0 |
| 247 | 경상남도 | 합천군 | 33021.0 | 7143.0 | 19699.0 | 3077.0 |
| 248 | 제주특별자치도 | 제주시 | 273163.0 | 125717.0 | 48027.0 | 55971.0 |
| 249 | 제주특별자치도 | 서귀포시 | 101296.0 | 43776.0 | 20036.0 | 21890.0 |
250 rows × 6 columns
In [48]:
sido_candi = election_result['광역시도']
sido_candi = [name[:2] if name[:2] in ['서울','부산','대구','광주','인천','대전','울산']
else '' for name in sido_candi]
광역시 이름을 정리한다.
In [50]:
def cut_char_sigu(name):
return name if len(name)==2 else name[:-1]
미리 함수 하나를 정의한다. 중구, 남구와 같은 두 글자 이름은 그대로 보내고 중랑구, 서초구,의왕시 같은 입력은 중랑,서초,의왕과 같이 줄이기 위한 용도이다.
In [52]:
import re
sigun_candi = ['']*len(election_result)
for n in election_result.index:
each = election_result['시군'][n]
if each[:2] in ['수원','성남','안양','안산','고양',
'용인','청주','천안','전주','포항','창원']:
sigun_candi[n] = re.split('시',each)[0]+' '+\
cut_char_sigu(re.split('시',each)[1])
else:
sigun_candi[n] = cut_char_sigu(each)
sigun_candi
Out[52]:
['종로', '중구', '용산', '성동', '광진', '동대문', '중랑', '성북', '강북', '도봉', '노원', '은평', '서대문', '마포', '양천', '강서', '구로', '금천', '영등포', '동작', '관악', '서초', '강남', '송파', '강동', '중구', '서구', '동구', '영도', '부산진', '동래', '남구', '북구', '해운대', '기장', '사하', '금정', '강서', '연제', '수영', '사상', '중구', '동구', '서구', '남구', '북구', '수성', '달서', '달성', '중구', '동구', '남구', '연수', '남동', '부평', '계양', '서구', '강화', '옹진', '동구', '서구', '남구', '북구', '광산', '동구', '중구', '서구', '유성', '대덕', '중구', '남구', '동구', '북구', '울주', '세종특별자치', '수원 장안', '수원 권선', '수원 팔달', '수원 영통', '성남 수정', '성남 중원', '성남 분당', '의정부', '안양 만안', '안양 동안', '부천', '광명', '평택', '양주', '동두천', '안산 상록', '안산 단원', '고양 덕양', '고양 일산동', '고양 일산서', '과천', '의왕', '구리', '남양주', '오산', '화성', '시흥', '군포', '하남', '파주', '여주', '이천', '용인 처인', '용인 수지', '용인 기흥', '안성', '김포', '광주', '포천', '연천', '양평', '가평', '춘천', '원주', '강릉', '동해', '삼척', '태백', '정선', '속초', '고성', '양양', '인제', '홍천', '횡성', '영월', '평창', '화천', '양구', '철원', '청주 상당', '청주 서원', '청주 흥덕', '청주 청원', '충주', '제천', '단양', '영동', '보은', '옥천', '음성', '진천', '괴산', '증평', '천안 서북', '천안 동남', '공주', '보령', '아산', '서산', '태안', '금산', '논산', '계룡', '당진', '부여', '서천', '홍성', '청양', '예산', '전주 완산', '전주 덕진', '군산', '익산', '정읍', '남원', '김제', '완주', '진안', '무주', '장수', '임실', '순창', '고창', '부안', '목포', '여수', '순천', '나주', '광양', '담양', '장성', '곡성', '구례', '고흥', '보성', '화순', '장흥', '강진', '완도', '해남', '진도', '영암', '무안', '영광', '함평', '신안', '포항 북구', '포항 남구', '울릉', '경주', '김천', '안동', '구미', '영주', '영천', '상주', '문경', '예천', '경산', '청도', '고령', '성주', '칠곡', '군위', '의성', '청송', '영양', '영덕', '봉화', '울진', '창원 의창', '창원 성산', '창원 마산합포', '창원 마산회원', '창원 진해', '진주', '통영', '고성', '사천', '김해', '밀양', '거제', '의령', '함안', '창녕', '양산', '하동', '남해', '함양', '산청', '거창', '합천', '제주', '서귀포']
이제 광역시가 아닌데 행정구를 가지고 있는 '수원','성남','안양','안산','고양','용인','청주','천안','전주','포항','창원'에 대해 '안양 만안','안양 동안'과 같이 정리하기 위한 코드를 작성했다.
In [53]:
ID_candi = [sido_candi[n]+' '+sigun_candi[n] for n in range(0,len(sigun_candi))]
ID_candi = [name[1:] if name[0]==' ' else name for name in ID_candi]
ID_candi = [name[:2] if name[:2]=='세종' else name for name in ID_candi]
ID_candi
Out[53]:
['서울 종로', '서울 중구', '서울 용산', '서울 성동', '서울 광진', '서울 동대문', '서울 중랑', '서울 성북', '서울 강북', '서울 도봉', '서울 노원', '서울 은평', '서울 서대문', '서울 마포', '서울 양천', '서울 강서', '서울 구로', '서울 금천', '서울 영등포', '서울 동작', '서울 관악', '서울 서초', '서울 강남', '서울 송파', '서울 강동', '부산 중구', '부산 서구', '부산 동구', '부산 영도', '부산 부산진', '부산 동래', '부산 남구', '부산 북구', '부산 해운대', '부산 기장', '부산 사하', '부산 금정', '부산 강서', '부산 연제', '부산 수영', '부산 사상', '대구 중구', '대구 동구', '대구 서구', '대구 남구', '대구 북구', '대구 수성', '대구 달서', '대구 달성', '인천 중구', '인천 동구', '인천 남구', '인천 연수', '인천 남동', '인천 부평', '인천 계양', '인천 서구', '인천 강화', '인천 옹진', '광주 동구', '광주 서구', '광주 남구', '광주 북구', '광주 광산', '대전 동구', '대전 중구', '대전 서구', '대전 유성', '대전 대덕', '울산 중구', '울산 남구', '울산 동구', '울산 북구', '울산 울주', '세종', '수원 장안', '수원 권선', '수원 팔달', '수원 영통', '성남 수정', '성남 중원', '성남 분당', '의정부', '안양 만안', '안양 동안', '부천', '광명', '평택', '양주', '동두천', '안산 상록', '안산 단원', '고양 덕양', '고양 일산동', '고양 일산서', '과천', '의왕', '구리', '남양주', '오산', '화성', '시흥', '군포', '하남', '파주', '여주', '이천', '용인 처인', '용인 수지', '용인 기흥', '안성', '김포', '광주', '포천', '연천', '양평', '가평', '춘천', '원주', '강릉', '동해', '삼척', '태백', '정선', '속초', '고성', '양양', '인제', '홍천', '횡성', '영월', '평창', '화천', '양구', '철원', '청주 상당', '청주 서원', '청주 흥덕', '청주 청원', '충주', '제천', '단양', '영동', '보은', '옥천', '음성', '진천', '괴산', '증평', '천안 서북', '천안 동남', '공주', '보령', '아산', '서산', '태안', '금산', '논산', '계룡', '당진', '부여', '서천', '홍성', '청양', '예산', '전주 완산', '전주 덕진', '군산', '익산', '정읍', '남원', '김제', '완주', '진안', '무주', '장수', '임실', '순창', '고창', '부안', '목포', '여수', '순천', '나주', '광양', '담양', '장성', '곡성', '구례', '고흥', '보성', '화순', '장흥', '강진', '완도', '해남', '진도', '영암', '무안', '영광', '함평', '신안', '포항 북구', '포항 남구', '울릉', '경주', '김천', '안동', '구미', '영주', '영천', '상주', '문경', '예천', '경산', '청도', '고령', '성주', '칠곡', '군위', '의성', '청송', '영양', '영덕', '봉화', '울진', '창원 의창', '창원 성산', '창원 마산합포', '창원 마산회원', '창원 진해', '진주', '통영', '고성', '사천', '김해', '밀양', '거제', '의령', '함안', '창녕', '양산', '하동', '남해', '함양', '산청', '거창', '합천', '제주', '서귀포']
그리고 광역시도 이름이 저장된 변수 sido_candi와 위에서 시군구 이름이 정리된 변수 sigun_candi를 합친다. 여기서 sido_candi 변수에 그냥 공란이 있으면 첫 글자가 띄어쓰기가 될 수 있어서 첫 글자가 공백인 경우에 대해 대응하도록 하는 코드가 있다. 마지막으로 세종시의 경우는 예외로 처리한다.
In [54]:
election_result['ID'] = ID_candi
election_result.head(10)
Out[54]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | |
|---|---|---|---|---|---|---|---|
| 0 | 서울특별시 | 종로구 | 102566.0 | 42512.0 | 22325.0 | 22313.0 | 서울 종로 |
| 1 | 서울특별시 | 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 | 서울 중구 |
| 2 | 서울특별시 | 용산구 | 148157.0 | 58081.0 | 35230.0 | 32109.0 | 서울 용산 |
| 3 | 서울특별시 | 성동구 | 203175.0 | 86686.0 | 40566.0 | 45674.0 | 서울 성동 |
| 4 | 서울특별시 | 광진구 | 240030.0 | 105512.0 | 46368.0 | 52824.0 | 서울 광진 |
| 5 | 서울특별시 | 동대문구 | 236092.0 | 98958.0 | 51631.0 | 53359.0 | 서울 동대문 |
| 6 | 서울특별시 | 중랑구 | 265706.0 | 111450.0 | 56545.0 | 62778.0 | 서울 중랑 |
| 7 | 서울특별시 | 성북구 | 295866.0 | 129263.0 | 57584.0 | 66518.0 | 서울 성북 |
| 8 | 서울특별시 | 강북구 | 210614.0 | 89645.0 | 42268.0 | 51669.0 | 서울 강북 |
| 9 | 서울특별시 | 도봉구 | 229233.0 | 94898.0 | 47461.0 | 55600.0 | 서울 도봉 |
이렇게 만든 ID_candi 변수를 election_result에 합친다. 이렇게 해서 지도를 그리기 위한 기초 ID 작업을 수행했다.
In [57]:
election_result[['rate_moon','rate_hong','rate_ahn']] = election_result[['moon','hong','ahn']].div(election_result['pop'], axis=0)
election_result[['rate_moon','rate_hong','rate_ahn']] *= 100
election_result.head()
Out[57]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울특별시 | 종로구 | 102566.0 | 42512.0 | 22325.0 | 22313.0 | 서울 종로 | 41.448433 | 21.766472 | 21.754773 |
| 1 | 서울특별시 | 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 | 서울 중구 | 41.111862 | 21.605996 | 23.381451 |
| 2 | 서울특별시 | 용산구 | 148157.0 | 58081.0 | 35230.0 | 32109.0 | 서울 용산 | 39.202333 | 23.778829 | 21.672280 |
| 3 | 서울특별시 | 성동구 | 203175.0 | 86686.0 | 40566.0 | 45674.0 | 서울 성동 | 42.665682 | 19.966039 | 22.480128 |
| 4 | 서울특별시 | 광진구 | 240030.0 | 105512.0 | 46368.0 | 52824.0 | 서울 광진 | 43.957839 | 19.317585 | 22.007249 |
위 처럼 문,홍,안 득표수에서 투표자수를 나눠서 각각의 득표율을 계산한다.
문 후보가 높은 비율로 득표한 지역을 확인하면 다음과 같다.
In [61]:
election_result.sort_values(['rate_moon'], ascending=[False]).head(10)
Out[61]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 182 | 전라남도 | 순천시 | 181451.0 | 122595.0 | 4525.0 | 40429.0 | 순천 | 67.563695 | 2.493786 | 22.280946 |
| 166 | 전라북도 | 전주시덕진구 | 187921.0 | 125375.0 | 5183.0 | 40188.0 | 전주 덕진 | 66.716865 | 2.758074 | 21.385582 |
| 165 | 전라북도 | 전주시완산구 | 236383.0 | 157637.0 | 7003.0 | 50506.0 | 전주 완산 | 66.687114 | 2.962565 | 21.366173 |
| 175 | 전라북도 | 장수군 | 16079.0 | 10714.0 | 717.0 | 3353.0 | 장수 | 66.633497 | 4.459233 | 20.853287 |
| 184 | 전라남도 | 광양시 | 96384.0 | 63544.0 | 4100.0 | 20080.0 | 광양 | 65.927955 | 4.253818 | 20.833333 |
| 173 | 전라북도 | 진안군 | 18107.0 | 11918.0 | 819.0 | 3904.0 | 진안 | 65.819849 | 4.523113 | 21.560722 |
| 172 | 전라북도 | 완주군 | 62470.0 | 41057.0 | 2107.0 | 13897.0 | 완주 | 65.722747 | 3.372819 | 22.245878 |
| 168 | 전라북도 | 익산시 | 192208.0 | 123422.0 | 6470.0 | 45737.0 | 익산 | 64.212728 | 3.366145 | 23.795576 |
| 170 | 전라북도 | 남원시 | 55371.0 | 35539.0 | 1939.0 | 13854.0 | 남원 | 64.183417 | 3.501833 | 25.020317 |
| 63 | 광주광역시 | 광산구 | 248209.0 | 159119.0 | 3630.0 | 65402.0 | 광주 광산 | 64.106862 | 1.462477 | 26.349568 |
홍 후보의 득표율은 다음과 같다.
In [63]:
election_result.sort_values(['rate_hong'], ascending=[False]).head(10)
Out[63]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 219 | 경상북도 | 군위군 | 17627.0 | 2251.0 | 11651.0 | 1939.0 | 군위 | 12.770182 | 66.097464 | 11.000170 |
| 220 | 경상북도 | 의성군 | 37855.0 | 5365.0 | 23790.0 | 4767.0 | 의성 | 14.172500 | 62.845067 | 12.592788 |
| 223 | 경상북도 | 영덕군 | 26125.0 | 3786.0 | 16314.0 | 3231.0 | 영덕 | 14.491866 | 62.445933 | 12.367464 |
| 247 | 경상남도 | 합천군 | 33021.0 | 7143.0 | 19699.0 | 3077.0 | 합천 | 21.631689 | 59.655976 | 9.318313 |
| 216 | 경상북도 | 고령군 | 22396.0 | 3754.0 | 13248.0 | 2600.0 | 고령 | 16.761922 | 59.153420 | 11.609216 |
| 213 | 경상북도 | 예천군 | 32124.0 | 5261.0 | 18863.0 | 4427.0 | 예천 | 16.377163 | 58.719338 | 13.780974 |
| 215 | 경상북도 | 청도군 | 30398.0 | 5323.0 | 17678.0 | 3654.0 | 청도 | 17.511020 | 58.155142 | 12.020528 |
| 221 | 경상북도 | 청송군 | 18418.0 | 3218.0 | 10669.0 | 2387.0 | 청송 | 17.472038 | 57.927028 | 12.960148 |
| 240 | 경상남도 | 창녕군 | 42878.0 | 10310.0 | 24464.0 | 3877.0 | 창녕 | 24.044965 | 57.054900 | 9.041933 |
| 212 | 경상북도 | 문경시 | 49113.0 | 8616.0 | 27832.0 | 6905.0 | 문경 | 17.543217 | 56.669314 | 14.059414 |
마지막으로 안 후보의 지지율을 보자.
In [64]:
election_result.sort_values(['rate_ahn'], ascending=[False]).head(10)
Out[64]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 196 | 전라남도 | 진도군 | 21189.0 | 10392.0 | 511.0 | 8855.0 | 진도 | 49.044315 | 2.411629 | 41.790552 |
| 201 | 전라남도 | 신안군 | 28950.0 | 14370.0 | 713.0 | 12000.0 | 신안 | 49.637306 | 2.462867 | 41.450777 |
| 193 | 전라남도 | 강진군 | 25175.0 | 12476.0 | 753.0 | 10152.0 | 강진 | 49.557100 | 2.991063 | 40.325720 |
| 195 | 전라남도 | 해남군 | 48351.0 | 25901.0 | 1158.0 | 18157.0 | 해남 | 53.568696 | 2.394987 | 37.552481 |
| 197 | 전라남도 | 영암군 | 36402.0 | 18999.0 | 825.0 | 13610.0 | 영암 | 52.192187 | 2.266359 | 37.388056 |
| 180 | 전라남도 | 목포시 | 145476.0 | 77896.0 | 2584.0 | 53303.0 | 목포 | 53.545602 | 1.776238 | 36.640408 |
| 59 | 광주광역시 | 동구 | 66287.0 | 37053.0 | 1308.0 | 23438.0 | 광주 동구 | 55.897838 | 1.973238 | 35.358366 |
| 192 | 전라남도 | 장흥군 | 27149.0 | 14821.0 | 636.0 | 9593.0 | 장흥 | 54.591329 | 2.342628 | 35.334635 |
| 190 | 전라남도 | 보성군 | 29967.0 | 16666.0 | 732.0 | 10514.0 | 보성 | 55.614509 | 2.442687 | 35.085260 |
| 198 | 전라남도 | 무안군 | 52516.0 | 29516.0 | 983.0 | 18052.0 | 무안 | 56.203824 | 1.871810 | 34.374286 |
이제 이전 장에서 만들었던 draw_korea.csv 파일을 읽어 전국지도를 그리자.
In [70]:
draw_korea = pd.read_csv('C:/Users/이재윤/DataScience/data/05. draw_korea.csv', encoding='UTF-8', index_col=0)
draw_korea.head()
Out[70]:
| y | x | ID | |
|---|---|---|---|
| 0 | 0 | 7 | 철원 |
| 1 | 0 | 8 | 화천 |
| 2 | 0 | 9 | 양구 |
| 3 | 0 | 10 | 고성(강원) |
| 4 | 1 | 3 | 양주 |
지도에서 지역별 좌표 정보를 가지고 있던 draw_korea의 ID와 시각화돼야 할 대상은 election_result의 ID는 서로 일치해야 한다. 그래서 일치하는지 알 수 있는 방법이 집합으로 보고 서로의 차집합을 구해서 둘 다 공집합이면 된다.
In [71]:
set(draw_korea['ID'].unique()) - set(election_result['ID'].unique())
Out[71]:
{'고성(강원)', '고성(경남)', '부천 소사', '부천 오정', '부천 원미', '창원 합포', '창원 회원'}
In [72]:
set(election_result['ID'].unique()) - set(draw_korea['ID'].unique())
Out[72]:
{'고성', '부천', '창원 마산합포', '창원 마산회원'}
In [73]:
election_result[election_result['ID'] == '고성']
Out[73]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 125 | 강원도 | 고성군 | 18692.0 | 5664.0 | 6511.0 | 3964.0 | 고성 | 30.301733 | 34.833084 | 21.206933 |
| 233 | 경상남도 | 고성군 | 34603.0 | 9848.0 | 16797.0 | 4104.0 | 고성 | 28.459960 | 48.542034 | 11.860243 |
먼저 고성의 경우는 강원도 고성과 경남 고성을 구분하면 된다.
In [74]:
election_result.loc[125, 'ID'] = '고성(강원)'
election_result.loc[233, 'ID'] = '고성(경남)'
election_result[election_result['시군'] == '고성군']
Out[74]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 125 | 강원도 | 고성군 | 18692.0 | 5664.0 | 6511.0 | 3964.0 | 고성(강원) | 30.301733 | 34.833084 | 21.206933 |
| 233 | 경상남도 | 고성군 | 34603.0 | 9848.0 | 16797.0 | 4104.0 | 고성(경남) | 28.459960 | 48.542034 | 11.860243 |
그리고 경남에 창원시에는 마산합포구와 마산회원구로 이름이 변경된 곳이 있는데 지도로 시각화하기엔 너무 길다. 따라서 두 지역을 각각 합포,회원으로 변경하자.
In [75]:
election_result[election_result['광역시도'] == '경상남도']
Out[75]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 226 | 경상남도 | 창원시의창구 | 164047.0 | 60757.0 | 56887.0 | 22830.0 | 창원 의창 | 37.036337 | 34.677257 | 13.916743 |
| 227 | 경상남도 | 창원시성산구 | 153327.0 | 63717.0 | 42052.0 | 22923.0 | 창원 성산 | 41.556282 | 27.426350 | 14.950400 |
| 228 | 경상남도 | 창원시마산합포구 | 119281.0 | 35592.0 | 54488.0 | 14686.0 | 창원 마산합포 | 29.838784 | 45.680368 | 12.312103 |
| 229 | 경상남도 | 창원시마산회원구 | 136757.0 | 45014.0 | 56340.0 | 17744.0 | 창원 마산회원 | 32.915317 | 41.197160 | 12.974839 |
| 230 | 경상남도 | 창원시진해구 | 114779.0 | 41249.0 | 40049.0 | 17435.0 | 창원 진해 | 35.937759 | 34.892271 | 15.190061 |
| 231 | 경상남도 | 진주시 | 222813.0 | 73929.0 | 93751.0 | 26687.0 | 진주 | 33.179841 | 42.076091 | 11.977308 |
| 232 | 경상남도 | 통영시 | 82855.0 | 25477.0 | 36128.0 | 10738.0 | 통영 | 30.748899 | 43.603886 | 12.959990 |
| 233 | 경상남도 | 고성군 | 34603.0 | 9848.0 | 16797.0 | 4104.0 | 고성(경남) | 28.459960 | 48.542034 | 11.860243 |
| 234 | 경상남도 | 사천시 | 71555.0 | 22370.0 | 32475.0 | 8350.0 | 사천 | 31.262665 | 45.384669 | 11.669345 |
| 235 | 경상남도 | 김해시 | 318253.0 | 147972.0 | 82880.0 | 45126.0 | 김해 | 46.495084 | 26.042174 | 14.179285 |
| 236 | 경상남도 | 밀양시 | 70687.0 | 20842.0 | 32394.0 | 9073.0 | 밀양 | 29.484912 | 45.827380 | 12.835458 |
| 237 | 경상남도 | 거제시 | 150230.0 | 68291.0 | 38775.0 | 20359.0 | 거제 | 45.457632 | 25.810424 | 13.551887 |
| 238 | 경상남도 | 의령군 | 19258.0 | 5115.0 | 10134.0 | 1984.0 | 의령 | 26.560390 | 52.622287 | 10.302212 |
| 239 | 경상남도 | 함안군 | 43866.0 | 13597.0 | 19809.0 | 5399.0 | 함안 | 30.996672 | 45.157981 | 12.307938 |
| 240 | 경상남도 | 창녕군 | 42878.0 | 10310.0 | 24464.0 | 3877.0 | 창녕 | 24.044965 | 57.054900 | 9.041933 |
| 241 | 경상남도 | 양산시 | 199835.0 | 83412.0 | 58811.0 | 30945.0 | 양산 | 41.740436 | 29.429780 | 15.485275 |
| 242 | 경상남도 | 하동군 | 34324.0 | 11211.0 | 14864.0 | 4150.0 | 하동 | 32.662277 | 43.304976 | 12.090665 |
| 243 | 경상남도 | 남해군 | 30208.0 | 8680.0 | 14166.0 | 3906.0 | 남해 | 28.734110 | 46.894862 | 12.930350 |
| 244 | 경상남도 | 함양군 | 26640.0 | 7388.0 | 13008.0 | 3203.0 | 함양 | 27.732733 | 48.828829 | 12.023273 |
| 245 | 경상남도 | 산청군 | 24513.0 | 6561.0 | 12544.0 | 2753.0 | 산청 | 26.765390 | 51.172847 | 11.230776 |
| 246 | 경상남도 | 거창군 | 41325.0 | 11256.0 | 19976.0 | 4923.0 | 거창 | 27.237750 | 48.338778 | 11.912886 |
| 247 | 경상남도 | 합천군 | 33021.0 | 7143.0 | 19699.0 | 3077.0 | 합천 | 21.631689 | 59.655976 | 9.318313 |
In [76]:
election_result.loc[228, 'ID'] = '창원 합포'
election_result.loc[229, 'ID'] = '창원 회원'
election_result[election_result['광역시도'] == '경상남도']
Out[76]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 226 | 경상남도 | 창원시의창구 | 164047.0 | 60757.0 | 56887.0 | 22830.0 | 창원 의창 | 37.036337 | 34.677257 | 13.916743 |
| 227 | 경상남도 | 창원시성산구 | 153327.0 | 63717.0 | 42052.0 | 22923.0 | 창원 성산 | 41.556282 | 27.426350 | 14.950400 |
| 228 | 경상남도 | 창원시마산합포구 | 119281.0 | 35592.0 | 54488.0 | 14686.0 | 창원 합포 | 29.838784 | 45.680368 | 12.312103 |
| 229 | 경상남도 | 창원시마산회원구 | 136757.0 | 45014.0 | 56340.0 | 17744.0 | 창원 회원 | 32.915317 | 41.197160 | 12.974839 |
| 230 | 경상남도 | 창원시진해구 | 114779.0 | 41249.0 | 40049.0 | 17435.0 | 창원 진해 | 35.937759 | 34.892271 | 15.190061 |
| 231 | 경상남도 | 진주시 | 222813.0 | 73929.0 | 93751.0 | 26687.0 | 진주 | 33.179841 | 42.076091 | 11.977308 |
| 232 | 경상남도 | 통영시 | 82855.0 | 25477.0 | 36128.0 | 10738.0 | 통영 | 30.748899 | 43.603886 | 12.959990 |
| 233 | 경상남도 | 고성군 | 34603.0 | 9848.0 | 16797.0 | 4104.0 | 고성(경남) | 28.459960 | 48.542034 | 11.860243 |
| 234 | 경상남도 | 사천시 | 71555.0 | 22370.0 | 32475.0 | 8350.0 | 사천 | 31.262665 | 45.384669 | 11.669345 |
| 235 | 경상남도 | 김해시 | 318253.0 | 147972.0 | 82880.0 | 45126.0 | 김해 | 46.495084 | 26.042174 | 14.179285 |
| 236 | 경상남도 | 밀양시 | 70687.0 | 20842.0 | 32394.0 | 9073.0 | 밀양 | 29.484912 | 45.827380 | 12.835458 |
| 237 | 경상남도 | 거제시 | 150230.0 | 68291.0 | 38775.0 | 20359.0 | 거제 | 45.457632 | 25.810424 | 13.551887 |
| 238 | 경상남도 | 의령군 | 19258.0 | 5115.0 | 10134.0 | 1984.0 | 의령 | 26.560390 | 52.622287 | 10.302212 |
| 239 | 경상남도 | 함안군 | 43866.0 | 13597.0 | 19809.0 | 5399.0 | 함안 | 30.996672 | 45.157981 | 12.307938 |
| 240 | 경상남도 | 창녕군 | 42878.0 | 10310.0 | 24464.0 | 3877.0 | 창녕 | 24.044965 | 57.054900 | 9.041933 |
| 241 | 경상남도 | 양산시 | 199835.0 | 83412.0 | 58811.0 | 30945.0 | 양산 | 41.740436 | 29.429780 | 15.485275 |
| 242 | 경상남도 | 하동군 | 34324.0 | 11211.0 | 14864.0 | 4150.0 | 하동 | 32.662277 | 43.304976 | 12.090665 |
| 243 | 경상남도 | 남해군 | 30208.0 | 8680.0 | 14166.0 | 3906.0 | 남해 | 28.734110 | 46.894862 | 12.930350 |
| 244 | 경상남도 | 함양군 | 26640.0 | 7388.0 | 13008.0 | 3203.0 | 함양 | 27.732733 | 48.828829 | 12.023273 |
| 245 | 경상남도 | 산청군 | 24513.0 | 6561.0 | 12544.0 | 2753.0 | 산청 | 26.765390 | 51.172847 | 11.230776 |
| 246 | 경상남도 | 거창군 | 41325.0 | 11256.0 | 19976.0 | 4923.0 | 거창 | 27.237750 | 48.338778 | 11.912886 |
| 247 | 경상남도 | 합천군 | 33021.0 | 7143.0 | 19699.0 | 3077.0 | 합천 | 21.631689 | 59.655976 | 9.318313 |
다음은 부천이다. 부천은 꽤 특이한 지역이다. 2016년 6월부터 부천시는 소사,오정,원미구를 폐지하고 책임동제를 실시하는 지역이 됐다.
In [77]:
set(draw_korea['ID'].unique()) - set(election_result['ID'].unique())
Out[77]:
{'부천 소사', '부천 오정', '부천 원미'}
In [78]:
set(election_result['ID'].unique()) - set(draw_korea['ID'].unique())
Out[78]:
{'부천'}
그래서 draw_korea의 데이터에는 부천시의 구가 존재하고 election_result 에는 없다. 그러나 애초 Cartogram의 형태로 지도를 그릴 때 행정구를 인정하기로 한 것이 인구수를 10만~20만 정도로 맞추는 것이었는데 부천시의 약 80~90만명 되는 인구는 그 기준에 따르면 다른 지역의 칸과 차이가 난다. 부천시는 단순히 3으로 나눠서 진행하자.
In [79]:
election_result[election_result['시군'] == '부천시']
Out[79]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 85 | 경기도 | 부천시 | 543777.0 | 239697.0 | 100544.0 | 128297.0 | 부천 | 44.080018 | 18.489932 | 23.593679 |
부천시 전체 데이터를 3으로 나누면 된다. 단, 득표율인 rate_moon,hong,ahn은 나눌 필요가 없다.
In [80]:
election_result.tail()
Out[80]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 245 | 경상남도 | 산청군 | 24513.0 | 6561.0 | 12544.0 | 2753.0 | 산청 | 26.765390 | 51.172847 | 11.230776 |
| 246 | 경상남도 | 거창군 | 41325.0 | 11256.0 | 19976.0 | 4923.0 | 거창 | 27.237750 | 48.338778 | 11.912886 |
| 247 | 경상남도 | 합천군 | 33021.0 | 7143.0 | 19699.0 | 3077.0 | 합천 | 21.631689 | 59.655976 | 9.318313 |
| 248 | 제주특별자치도 | 제주시 | 273163.0 | 125717.0 | 48027.0 | 55971.0 | 제주 | 46.022704 | 17.581810 | 20.489964 |
| 249 | 제주특별자치도 | 서귀포시 | 101296.0 | 43776.0 | 20036.0 | 21890.0 | 서귀포 | 43.215922 | 19.779656 | 21.609935 |
데이터를 삽입할 인덱스 번호를 확인하고,
In [81]:
ahn_tmp = election_result.loc[85, 'ahn']/3
hong_tmp = election_result.loc[85, 'hong']/3
moon_tmp = election_result.loc[85, 'moon']/3
pop_tmp = election_result.loc[85, 'pop']/3
rate_moon_tmp = election_result.loc[85, 'rate_moon']
rate_hong_tmp = election_result.loc[85, 'rate_hong']
rate_ahn_tmp = election_result.loc[85, 'rate_ahn']
election_result.loc[250] = [ahn_tmp, hong_tmp, moon_tmp, pop_tmp,
'경기도', '부천시', '부천 소사',
rate_moon_tmp, rate_hong_tmp, rate_ahn_tmp]
election_result.loc[251] = [ahn_tmp, hong_tmp, moon_tmp, pop_tmp,
'경기도', '부천시', '부천 오정',
rate_moon_tmp, rate_hong_tmp, rate_ahn_tmp]
election_result.loc[252] = [ahn_tmp, hong_tmp, moon_tmp, pop_tmp,
'경기도', '부천시', '부천 원미',
rate_moon_tmp, rate_hong_tmp, rate_ahn_tmp]
In [82]:
election_result[election_result['시군'] == '부천시']
Out[82]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | |
|---|---|---|---|---|---|---|---|---|---|---|
| 85 | 경기도 | 부천시 | 543777.0 | 239697.0 | 100544.0 | 128297.0 | 부천 | 44.080018 | 18.489932 | 23.593679 |
In [87]:
election_result.drop([85], inplace=True)
election_result[election_result['시군'] == '부천시']
Out[87]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn |
|---|
In [88]:
set(draw_korea['ID'].unique()) - set(election_result['ID'].unique())
Out[88]:
set()
In [90]:
set(election_result['ID'].unique()) - set(draw_korea['ID'].unique())
Out[90]:
set()
두 변수의 데이터가 모두 일치하는지 알게 되었다.
In [91]:
final_elect_data = pd.merge(election_result, draw_korea, how='left', on=['ID'])
final_elect_data.head()
Out[91]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | y | x | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울특별시 | 종로구 | 102566.0 | 42512.0 | 22325.0 | 22313.0 | 서울 종로 | 41.448433 | 21.766472 | 21.754773 | 4 | 6 |
| 1 | 서울특별시 | 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 | 서울 중구 | 41.111862 | 21.605996 | 23.381451 | 5 | 6 |
| 2 | 서울특별시 | 용산구 | 148157.0 | 58081.0 | 35230.0 | 32109.0 | 서울 용산 | 39.202333 | 23.778829 | 21.672280 | 6 | 6 |
| 3 | 서울특별시 | 성동구 | 203175.0 | 86686.0 | 40566.0 | 45674.0 | 서울 성동 | 42.665682 | 19.966039 | 22.480128 | 5 | 7 |
| 4 | 서울특별시 | 광진구 | 240030.0 | 105512.0 | 46368.0 | 52824.0 | 서울 광진 | 43.957839 | 19.317585 | 22.007249 | 6 | 7 |
이제 election_result와 draw_korea르 합칠 수 있게 되었다. 마지막으로 문 후보대 홍 후보의 득표울차이, 문 후보 대 안 후보의 득표울 차이, 안 후보 대 홍 후보의 득표울 차이를 계산한다.
In [92]:
final_elect_data['moon_vs_hong'] = final_elect_data['rate_moon'] - final_elect_data['rate_hong']
final_elect_data['moon_vs_ahn'] = final_elect_data['rate_moon'] - final_elect_data['rate_ahn']
final_elect_data['ahn_vs_hong'] = final_elect_data['rate_ahn'] - final_elect_data['rate_hong']
final_elect_data.head()
Out[92]:
| 광역시도 | 시군 | pop | moon | hong | ahn | ID | rate_moon | rate_hong | rate_ahn | y | x | moon_vs_hong | moon_vs_ahn | ahn_vs_hong | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울특별시 | 종로구 | 102566.0 | 42512.0 | 22325.0 | 22313.0 | 서울 종로 | 41.448433 | 21.766472 | 21.754773 | 4 | 6 | 19.681961 | 19.693661 | -0.011700 |
| 1 | 서울특별시 | 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 | 서울 중구 | 41.111862 | 21.605996 | 23.381451 | 5 | 6 | 19.505866 | 17.730411 | 1.775455 |
| 2 | 서울특별시 | 용산구 | 148157.0 | 58081.0 | 35230.0 | 32109.0 | 서울 용산 | 39.202333 | 23.778829 | 21.672280 | 6 | 6 | 15.423503 | 17.530053 | -2.106549 |
| 3 | 서울특별시 | 성동구 | 203175.0 | 86686.0 | 40566.0 | 45674.0 | 서울 성동 | 42.665682 | 19.966039 | 22.480128 | 5 | 7 | 22.699643 | 20.185554 | 2.514089 |
| 4 | 서울특별시 | 광진구 | 240030.0 | 105512.0 | 46368.0 | 52824.0 | 서울 광진 | 43.957839 | 19.317585 | 22.007249 | 6 | 7 | 24.640253 | 21.950590 | 2.689664 |
6-4 19대 대선 결과 득표율 시각화 하기¶
시각화에 사용할 함수는 이미 앞장에서 작성한 drawKorea 함수이다. 아래는 BORDER_LINES 이다.
In [93]:
BORDER_LINES = [
[(5, 1), (5,2), (7,2), (7,3), (11,3), (11,0)], # 인천
[(5,4), (5,5), (2,5), (2,7), (4,7), (4,9), (7,9),
(7,7), (9,7), (9,5), (10,5), (10,4), (5,4)], # 서울
[(1,7), (1,8), (3,8), (3,10), (10,10), (10,7),
(12,7), (12,6), (11,6), (11,5), (12, 5), (12,4),
(11,4), (11,3)], # 경기도
[(8,10), (8,11), (6,11), (6,12)], # 강원도
[(12,5), (13,5), (13,4), (14,4), (14,5), (15,5),
(15,4), (16,4), (16,2)], # 충청북도
[(16,4), (17,4), (17,5), (16,5), (16,6), (19,6),
(19,5), (20,5), (20,4), (21,4), (21,3), (19,3), (19,1)], # 전라북도
[(13,5), (13,6), (16,6)], # 대전시
[(13,5), (14,5)], #세종시
[(21,2), (21,3), (22,3), (22,4), (24,4), (24,2), (21,2)], #광주
[(20,5), (21,5), (21,6), (23,6)], #전라남도
[(10,8), (12,8), (12,9), (14,9), (14,8), (16,8), (16,6)], #충청북도
[(14,9), (14,11), (14,12), (13,12), (13,13)], #경상북도
[(15,8), (17,8), (17,10), (16,10), (16,11), (14,11)], #대구
[(17,9), (18,9), (18,8), (19,8), (19,9), (20,9), (20,10), (21,10)], #부산
[(16,11), (16,13)], #울산
[(27,5), (27,6), (25,6)],
]
In [94]:
def drawKorea(targetData, blockedMap, cmapname):
gamma = 0.75
whitelabelmin = 20.
datalabel = targetData
tmp_max = max([ np.abs(min(blockedMap[targetData])),
np.abs(max(blockedMap[targetData]))])
vmin, vmax = -tmp_max, tmp_max
mapdata = blockedMap.pivot_table(index='y', columns='x', values=targetData)
masked_mapdata = np.ma.masked_where(np.isnan(mapdata), mapdata)
plt.figure(figsize=(9, 11))
plt.pcolor(masked_mapdata, vmin=vmin, vmax=vmax, cmap=cmapname,
edgecolor='#aaaaaa', linewidth=0.5)
# 지역 이름 표시
for idx, row in blockedMap.iterrows():
# 광역시는 구 이름이 겹치는 경우가 많아서 시단위 이름도 같이 표시한다.
#(중구, 서구)
if len(row['ID'].split())==2:
dispname = '{}\n{}'.format(row['ID'].split()[0], row['ID'].split()[1])
elif row['ID'][:2]=='고성':
dispname = '고성'
else:
dispname = row['ID']
# 서대문구, 서귀포시 같이 이름이 3자 이상인 경우에 작은 글자로 표시한다.
if len(dispname.splitlines()[-1]) >= 3:
fontsize, linespacing = 10.0, 1.1
else:
fontsize, linespacing = 11, 1.
annocolor = 'white' if np.abs(row[targetData]) > whitelabelmin else 'black'
plt.annotate(dispname, (row['x']+0.5, row['y']+0.5), weight='bold',
fontsize=fontsize, ha='center', va='center', color=annocolor,
linespacing=linespacing)
# 시도 경계 그린다.
for path in BORDER_LINES:
ys, xs = zip(*path)
plt.plot(xs, ys, c='black', lw=2)
plt.gca().invert_yaxis()
plt.axis('off')
cb = plt.colorbar(shrink=.1, aspect=10)
cb.set_label(datalabel)
plt.tight_layout()
plt.show()
In [95]:
drawKorea('moon_vs_hong', final_elect_data, 'RdBu')
이를 이용해서 먼저 당시 문재인 후보대 홍준표 후보의 득표율 격차를 그려보았다.
In [96]:
drawKorea('moon_vs_ahn', final_elect_data, 'RdBu')
위 처럼 문재인 후보의 승리이다.
마지막으로 안철수 후보 대 홍준표 후보이다.
In [97]:
drawKorea('ahn_vs_hong', final_elect_data, 'RdBu')
마지막으로 folium을 이용해서 문재인 후보 대 홍준표 후보의 득표율을 비교해보자.
In [99]:
import folium
import json
import warnings
warnings.simplefilter(action='ignore', category=FutureWarning)
In [102]:
pop_folium = final_elect_data.set_index('ID')
del pop_folium['광역시도']
del pop_folium['시군']
pop_folium.head()
Out[102]:
| pop | moon | hong | ahn | rate_moon | rate_hong | rate_ahn | y | x | moon_vs_hong | moon_vs_ahn | ahn_vs_hong | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ID | ||||||||||||
| 서울 종로 | 102566.0 | 42512.0 | 22325.0 | 22313.0 | 41.448433 | 21.766472 | 21.754773 | 4 | 6 | 19.681961 | 19.693661 | -0.011700 |
| 서울 중구 | 82852.0 | 34062.0 | 17901.0 | 19372.0 | 41.111862 | 21.605996 | 23.381451 | 5 | 6 | 19.505866 | 17.730411 | 1.775455 |
| 서울 용산 | 148157.0 | 58081.0 | 35230.0 | 32109.0 | 39.202333 | 23.778829 | 21.672280 | 6 | 6 | 15.423503 | 17.530053 | -2.106549 |
| 서울 성동 | 203175.0 | 86686.0 | 40566.0 | 45674.0 | 42.665682 | 19.966039 | 22.480128 | 5 | 7 | 22.699643 | 20.185554 | 2.514089 |
| 서울 광진 | 240030.0 | 105512.0 | 46368.0 | 52824.0 | 43.957839 | 19.317585 | 22.007249 | 6 | 7 | 24.640253 | 21.950590 | 2.689664 |
ID를 index로 잡겠다.
In [104]:
geo_path = 'C:/Users/이재윤/DataScience/data/05. skorea_municipalities_geo_simple.json'
geo_str = json.load(open(geo_path, encoding='UTF-8'))
map = folium.Map(location=[36.2002, 127.054], zoom_start=6)
map.choropleth(geo_data = geo_str,
data = pop_folium['moon_vs_hong'],
columns = [pop_folium.index, pop_folium['moon_vs_hong']],
fill_color = 'PuBu', #PuRd, YlGnBu
key_on = 'feature.id')
map
Out[104]:
Make this Notebook Trusted to load map: File -> Trust Notebook
출처 : 파이썬으로 데이터 주무르기
'파이썬으로 데이터 주무르기' 카테고리의 다른 글
| 파이썬으로 데이터 주무르기 ch.8 (0) | 2021.05.22 |
|---|---|
| 파이썬으로 데이터 주무르기 ch.7 (0) | 2021.04.06 |
| 파이썬으로 데이터 주무르기 ch.5 (0) | 2021.04.04 |
| 파이썬으로 데이터 주무르기 ch.4 (0) | 2021.04.03 |
| 파이썬으로 데이터 주무르기 ch.3-2 (0) | 2021.04.02 |