패스트캠퍼스 환급챌린지 47일차 미션 (3월 18일) : 데이터 분석 Master Class 강의 후기

 

47일차!

 

어제에 이어서 교통 데이터를 활용한 지리 데이터 시각화 프로젝트를 진행하였다.

사실 어제 이번 프로젝트 내용이 시각화 위주라는 것을 알고

이전 프로젝트들에 비해 좀 기대가 적었다ㅎㅎ

아무래도 지금까지의 프로젝트들은 해보지 않은 분석이라

열심히 또 배워가야지 이런 마음이 많았다.

반면 지도시각화는 다른 프로젝트를 통해 해본 경험이 있어

이번 프로젝트에서는 새로운 지도시각화 방법 배울 수 있었음 좋겠다 정도?

 

하지만 오늘 내용을 배우며 K-means 클러스터링 기법을 통해

데이터를 효과적으로 유의미한 구역으로 분류할 수 있었다

또한 heatmap을 지도시각화에 구현하는 방법을 배웠다.

지난 번에 배웠던 지역의 경계선 데이터를 활용하여 색에 따라 정도를 표현한

분석보다 더 세심한 구역을 표현해야할 때 좋을 것 같다!

오늘과 같은 도시의 교통 흐름이나 인구 밀도와 같은

다양한 현상을 시각화할 때 유용할 것 같다.

 

이번 프로젝트를 통해 지도 시각화에 대한 이해를 한 층 더 깊게 할 수 있었고,

새로운 분석 툴도 배울 수 있어 좋았다=)

 

 

 

 

---

 

Part 3. PYTHON _ 데이터 분석 프로젝트

 

 

 

 

 

 

04. 파이썬 데이터 분석 프로젝트

 

5. 교통 데이터를 활용한 지리 데이터 시각화

 
4) 분석

 

(1) 승차 인원이 가장 많은 역

- 전처리 데이터의 합계 컬럼을 groupby를 통해 지하철역별 월 평균 승차 인원 구하기

 

 

(2) 연도별로 혹은 월별로 승차 인원 추이에 차이가 있는가?

- 연도 지정 후 연도별 / 월별 groupby 수행

 

(3) 시간대별로 가장 승차인원이 많은 역 top10

- 월평균 컬럼을 sort_values를 하여 상위권 10개의 지하철역 추출

 

 

(4) 지하철역 시간대별 인원 유형 군집화

- K-Means 모델을 정의하여 군집화 수

 

 

(6) 분석 결과의 지도시각화

- Heatmap을 이용하여 지도시각화

m = folium.Map(location=center, zoom_start=12)
m.add_child(plugins.HeatMap(zip(hour_mean_coor['위도'], hour_mean_coor['경도'], hour_mean_coor['08시'])))

 

- Circle Marker를 활용하여 승차 인원 유형을 지도 시각화

 

 

 

 

 

 

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

 

 

 

:: https://bit.ly/48sS29N

패스트캠퍼스 [직장인 실무교육]