전 포스트에 기재했던 상주인구, 직장인구, 생활인구 데이터 EDA 이외의 다른 상권 데이터의 EDA를 기록할 예정이다.

4. 상권-아파트

1-1)분기별 아파트 평균시가 (단위: 억) 및 단지 수

분석 결과 : 2014년 2분기부터 2021년 3분기까지 분기별로 아파트 평균시가(억)와 단지 수를 확인한 결과, 아파트 평균시가 & 단지 수 모두 2020년 1분기에 급격히 상승하고 2021년 2분기에 또 한 번 상승한 것으로 파악된다. 또한, 아파트 평균시가와 아파트 단지 수 모두 2018년 1분기부터 2019년 4분기까지 2년 동안 데이터가 똑같은 걸로 보아, 업데이트가 제대로 되어있지 않음을 추측할 수 있다. 이외 다른 시기에도 지속적으로 3-4분기 동안 업데이트되어 있지 않은 것을 볼 수 있다.

1-2)2020년 1분기에 총 아파트 평균시가와 단지 수가 왜 늘었을까?

분석 결과 : 2020년 1분기에 급격하게 아파트 평균시가와 단지 수가 증가하여서 데이터 검증이 필요하다고 생각하였다. 일단, 2019년 4분기에서 2020년 1분기로 넘어갈 때 어느 구에서 가장 많이 증가하였는지 파악해 보고자 2019년 4분기 대비 2020년 1분기의 아파트 평균시가 및 단지 수의 증가율을 확인하였다. 표로 확인한 결과, 아파트 평균시가는 용산구, 마포구, 서초구, 서대문구, 강남구, 중구 등이 가장 많이 증가하였고, 단지 수는 송파구, 강서구, 강남구, 강동구, 서초구, 강북구 등이 가장 많이 증가하였다.

분석 결과 : 구보다 조금 더 작은 단위인 상권을 확인해본 결과, 아파트 평균 시가는 선릉역1, 한강대로43길, 강남역1, 대치역2, 압구정 로데오거리1, 중구 명동역, 사평대로26길, 모래내로15길 등이 많이 증가하였고, 아파트 단지 수는 오패산로52길, 백제고분로50길, 백제고분로34길, 암사길, 개봉로11길, 백제고분로32길, 초록마을로8길 등이 가장 많이 증가하였다.

2)구별 아파트 평균시가 & 단지 수 & 평균 면적

• 첫 번째 그래프는 분기별로 확인한 그래프이며, 두 번째 그래프는 분기를 나누지 않고 확인한 막대 그래프임

분석 결과 : 분기별로 구별 아파트 평균 시가를 확인한 결과, 강남구의 아파트 평균 시가가 꾸준히 높고 최근에 급격하게 상승하는 추세이며, 다음은 용산구>서초구>송파구>마포구 순으로 높다. 또한, 도봉구<강북구<은평구<노원구<성북구의 평균 시가가 낮다.

분석 결과 : 분기별로 구별 아파트 단지 수를 확인한 결과, 단지 수는 은평구>강서구>송파구>강남구>양천구 순으로 많고, 최근에는 강서구>송파구>은평구 순으로 많다. 또한, 노원구<중구<종로구<성동구<영등포구는 적다.

분석 결과 : 분기별로 구별 아파트 평균 면적을 확인한 결과, 서초구>강남구>용산구>종로구>구로구 순으로 크고, 최근에는 강남구>서초구>용산구 순으로 크다. 또한, 도봉구<노원구<성북구<강북구<중랑구는 작다.

3)상권별 아파트 평균시가 & 단지 수 & 평균 면적

분석 결과 : 상권별로 아파트 평균 시가를 확인한 결과, 시가가 높은 상권은 청담역_1>대치역_1>청담삼익시장>압구정 로데오거리_1>청담역2 등이고, 낮은 상권은 아차산로15길<새석관시장<장한평역<연신내역_3<구로디지털1단지 등이다.

분석 결과 : 상권별로 아파트 단지 수를 확인한 결과, 단지 수가 많은 상권은 구로동로8길>백제고분로 50길>백제고분로34길>남부순환로70길>백제고분로22길 등이고, 적은 상권은 강변역, 율곡로16길, 청담삼익시장, 청담역1, 금남시장 등이다.

분석 결과 : 상권별로 아파트 평균 면적을 확인한 결과, 면적이 넓은 상권은 가리봉시장>청담역_1>공덕역>압구정 로데오거리_1>강변역 등이고, 좁은 상권은 아차산로15길<영등포역_1<신림역_1<신설동역<가산디지털단지역_3 등이다.

5. 상권-집객시설

1-1)분기별 집객 시설 수(만)

• 위 그래프는 주어진 데이터에서 "총 집객 시설 수"를 분기별로 시각화한 그래프임
• 아래 그래프는 모든 집객 시설을 합해 “집객시설 합계”라는 새로운 컬럼을 생성한 후 시각화한 그래프임
• 비교 결과: 주어진 분기별 집객 시설 수와 모든 집객 시설을 합한 수가 동일하지 않음

분석 결과 : 2015년 1분기부터 2021년 3분기까지 분기별로 집객 시설 수(만)을 확인한 결과, 2018년 1분기에 급격한 상승 이후, 2018년 1분기부터 2021년 1분기까지의 데이터는 전혀 변화가 없으며, 2021년 2분기에 급격히 감소한 형태를 보인다. 3년 이상 데이터가 잘 집계되지 않았음을 알 수 있다.

1-2)분기별 각 집객 시설 수

분석 결과 : 집객 시설별로 각 집객 시설 수를 확인한 결과, 2016년 3분기에 버스 정거장 수가 급격히 감소하고, 2017년 1분기에 숙박시설 수가 급격히 증가하고 2021년 2분기에 급격히 감소했다.

2-1)구별 집객 시설 수

분석 결과 : 분기별로 구별 집객 시설 수를 확인한 결과, 총 집객 시설 수는 강남구>중구>종로구>서초구>마포구 순으로 많고, 노원구<도봉구<양천구<중랑구<성동구 순으로 적다.

2-1)구별 각 집객 시설 수

분석 결과 : 구별로 각 집객 시설 수를 확인한 결과, 위 그래프와 같이 유치원 수, 초등학교 수, 중학교 수, 고등학교 수, 종합병원 수, 철도역 수 등 많은 데이터가 없거나 제대로 집계되지 않았다는 것을 알 수 있다. 따라서, 집객 시설 데이터의 경우 더이상 EDA를 진행하지 않기로 했으며 모델링할 때 사용할 수 없는 데이터로 판단했다.

6. 상권-점포

1)분기별 점포 수 & 프랜차이즈 점포 수 & 개업/폐업 점포 수

분석 결과 : 2016년 1분기부터 2021년 3분기까지 분기별로 점포 수 & 프랜차이즈 점포 수 & 개업/폐업 점포 수를 확인한 결과, 총 점포 수는 코로나 시기인 2020년 1분기 에 급격히 하락하는 모습을 보인다. 프랜차이즈 점포 수는 2017년 3분기부터 2019년 3분기까지 지속적으로 하락하다가 2019년 4분기에 급격하게 상승한 이후 2020년 1분기에 조금 하락하는 형태를 보인다. 한편, 개업 수는 2017년 4분기에 급격하게 하락하고, 코로나 시기인 2020년 1분기에 하락하며, 폐업 수는 2017년 1분기에에 가장 많고, 2018년 1분기와 2020년 1분기에 많다.

2)구별 점포 수 & 프랜차이즈 점포 수 & 개업/폐업 점포 수

• 첫 번째 그래프는 분기별로 확인한 그래프이며, 두 번째 그래프는 분기를 나누지 않고 확인한 막대 그래프임

분석 결과 : 분기별로 구별 점포 수를 확인한 결과, 총 점포 수는 중구>강남구>종로구>서초구>송파구 순으로 많고, 노원구<도봉구<서대문구<강북구<중랑구가 적다.

분석 결과 : 분기별로 구별 프랜차이즈 점포 수를 확인한 결과, 강남구가 현저히 많고, 다음으로 중구>서초구>송파구>종로구 순으로 많다. 또한, 도봉구<노원구<중랑구<성동구<강북구가 적다.

분석 결과 : 분기별로 구별 개업 점포 수를 확인한 결과, 강남구>중구>마포구>서초구>종로구 순으로 많고, 강남구, 중구는 2017년 4분기에 급격히 하락하는 형태를 보인다. 또한, 노원구<도봉구<서대문구<중랑구<강북구가 적다.

분석 결과 : 분기별로 구별 폐업 점포 수를 확인한 결과, 중구>강남구>서초구>종로구>마포구 순으로 많고, 노원구<도봉구<서대문구<성동구<중랑구 순으로 적다.

3)상권별 점포 수 & 프랜차이즈 점포 수 & 개업/폐업 점포 수

분석 결과 : 구보다 더 작은 단위인 상권별로 확인한 결과, 점포 수는 동대문패션타운 관광특구>남대문 북창동 다동 무교통 관광특구>종로청계 관광특구>홍익대학교 주변>남대문시장 순으로 많고, 푸른터시장<박미시장<양남시장<번동시장 등이 적다.

분석 결과 : 상권별로 확인한 결과, 프랜차이즈 점포 수는 남대문 북창동 다동 무교통 관광특구>홍익대학교 주변>강남역>명동거리>신촌역 순으로 많고, 양남시장, 번동시장, 천호대로12길, 신정2동골목시장, 천호대로45길 등이 없다.

분석 결과 : 상권별로 확인한 결과, 개업 점포 수는 동대문패션타운 관광특구>홍익대학교 주변>남대문 북창동 다동 무교통 관광특구>신사동 가로수길>강남역 순으로 많고, 양남시장, 상계시장, 동부청과시장, 번동시장, 푸른터시장 등이 없다

분석 결과 : 상권별로 확인한 결과, 폐업 점포 수는 동대문패션타운 관광특구>남대문 북창동 다동 무교통 관광특구>홍익대학교 주변>종로청계 관광특구>신사동 가로수길 순으로 많고, 유영시장, 푸른터시장, 용두시장, 신곡종합시장, 양남시장 등이 적다.

4-1)점포 수가 많은 서비스 업종 상위 15

분석 결과 : 서비스 업종 코드별로 분기별 점포 수 합계를 구해 어떠한 서비스 업종의 점포가 가장 많았는지 확인한 결과, 100개의 서비스 업종 중 상위 15개 서비스 업종을 위와 같았다. 일반의류>한식음식점>부동산중개업>화장품>미용실>호프간이주점>슈퍼마켓>커피음료>분식전문점>전자상거래업>컴퓨터 및 주변 장치 판매>반찬가게>일반의원>노래방>일반교습학원 순으로 많았다.

4-2)상위 15 서비스 업종별 점포 수 & 프랜차이즈 점포 수

분석 결과 : 위에서 분석한 상위 15 서비스 업종별로 점포 수를 확인한 결과, 일반의류와 한식음식점의 점포 수는 꾸준히 많았으며, 한식 음식점의 경우 2020년 1분기에 감소하는 형태를 보인다. 프랜차이즈 점포 수의 경우, 한식 음식점과 커피음료의 점포 수가 꾸준히 많았으며, 최근에는 커피음료 업종의 점포 수가 더 많아진 것을 알 수 있다.

4-3)상위 15 서비스 업종별 개업 점포 수 & 폐업 점포 수

분석 결과 : 상위 15 서비스 업종 별로 개업 점포 수를 확인한 결과, 과거에 일반의류가 많았으나 2017년 이후 많이 감소하는 형태이며 지금까지 꾸준히 감소하고 있으며, 한식음식점의 개업 점포 수는 꾸준히 많다. 폐업 점포 수의 경우, 일반의류와 한식음식점이 꾸준히 많으며 최근에는 한식음식점이 더 많은 것을 알 수 있다.

4-4)상위 15 서비스 업종별 점포 수 (전분기 대비 % Change)

분석 결과 : 상위 15 서비스 업종별로 점포 수를 전분기 대비 퍼센트 변화로 확인해본 결과, 코로나 사태가 터진 2020년 1분기에 일반교습학원, 전자상거래업, 호프간이주점을 제외한 전 업종이 다 하락하는 형태를 보인다. 특히 슈퍼마켓이 가장 많이 하락했으며 다음으로 분식전문점, 커피음료, 한식음식점, 미용실 등이 많이 하락했다. 그리고 그 다음 분기인 2020 2분기에는 커피음료, 분식전문점, 슈퍼마켓, 반찬가게, 한식음식점 이 전분기 대비 많이 상승하는 형태를 보인다.

7. 상권-추정매출

1-1)분기별 매출 금액(10억) 및 남성 & 여성 매출 건수(만)

분석 결과 : 2016년 1분기부터 2021년 3분기까지 분기별로 매출 금액(10억)과 성별 매출 건수(만)을 확인한 결과, 남성 매출 건수가 항상 여성 매출 건수에 비해 많고 매출 금액과 매출 건수는 같은 양상으로 움직이는 경우가 많다. 매출 금액과 매출 건수는 2019년 1분기에 모두 급격히 하락하였으며, 2019년 4분기까지 지속적으로 상승한 후 2020년 1분기에 하락한다. 이후 2020년 2분기부터 2021년 1분기까지 하락하는 모습을 보인다.

1-2)분기별 매출 금액(10억) 및 점포 수

분석 결과 : 분기별로 매출 금액(10억)과 점포 수를 확인한 결과, 2019년 1분기에 둘다 급격하게 하락하는 형태를 보인다. 하지만, 2020년 1분기에는 매출 금액이 많이 하락하지만, 점포 수는 하락하는 변화가 없음을 알 수 있다.

2)구별 매출 금액 & 매출 건수 & 점포 수

분석 결과 : 분기별로 구별 매출 금액을 확인한 결과, 구별 총 매출 금액은 강남구>중구>서초구>용산구>송파구 순으로 많고, 다른 구에 비해 강남구가 압도적으로 많은 것을 확인할 수 있다. 매출 금액이 적은 구는 도봉구<노원구<중랑구<성북구<은평구 등이다.

분석 결과 : 분기별로 구별 매출 건수를 확인한 결과, 구별 총 매출 건수는 강남구>중구>서초구>마포구>종로구 순으로 많고, 다른 구에 비해 강남구가 압도적으로 많은 것을 확인할 수 있다. 매출 건수가 적은 구는 도봉구<노원구<중랑구<양천구<강북구 등이다.

분석 결과 : 분기별로 구별 점포 수를 확인한 결과, 구별 총 점포 수는 중구>강남구>종로구>서초구>송파구 순으로 많고, 다른 구에 비해 강남구가 압도적으로 많은 것을 확인할 수 있다. 점포 수가 적은 구는 노원구<도봉구<강북구<서대문구<중랑구 등이다.

3)상권별 매출 금액 & 매출 건수

분석 결과 : 구보다 더 작은 단위인 상권별로 확인한 결과, 매출 금액은 남대문 북창동 다동 무교동 관광특구>가락시장>용산 전자상가_1>용산 전자상가_2>홍익대학교 주변 순으로 많고, 자양종합시장<번동시장<동부청과시장<유영시장<구의시장 순으로 적다.

분석 결과 : 구보다 더 작은 단위인 상권별로 확인한 결과, 매출 건수는 남대문 북창동 다동 무교통 관광특구>홍익대학교 주변>강남역>동대문패션타운 관광특구>잠실 관광특구 순으로 많고, 자양종합시장<번동시장<푸른터시장<용두시장<도림시장 순으로 적다.

4-1)매출 금액/매출 건수가 많은 서비스 업종 상위 15

분석 결과 : 서비스 업종 코드별로 분기별 매출 금액 합계를 구해 어떠한 서비스 업종의 매출 금액이 가장 많았는지 확인한 결과, 100개의 서비스 업종 중 상위 15개 서비스 업종을 위와 같았다. 한식음식점>일반의류>편의점>컴퓨터 및 주변 장치 판매>슈퍼마켓>일반의원>의약품>화장품>육류판매>호프간이주점>커피음료>청과상>치과의원>반찬가게>분식전문점 순으로 많았다.

분석 결과 : 서비스 업종 코드별로 분기별 매출 건수 합계를 구해 어떠한 서비스 업종의 매출 건수가 가장 많았는지 확인한 결과, 63개의 서비스 업종 중 상위 15개 서비스 업종을 위와 같았다. 편의점>한식음식점>커피음료>슈퍼마켓>의약품>분식전문점>일반의원>일반의류>화장품>호프간이주점>반찬가게>육류판매>청과상>컴퓨터 및 주변 장치 판매>치과의원 순으로 많았다.

4-2)상위 15 서비스 업종별 매출 금액 & 매출 건수

분석 결과 : 위에서 분석한 상위 15 서비스 업종별로 매출 금액을 확인한 결과,한식음식점이 꾸준히 많고 그 다음은 일반의류의 매출 금액이 꾸준히 많았으며, 2019년 4분기에 반찬가게의 상승세가 있다. 매출 건수의 경우, 편의점이 다른 업종에 비해 훨씬 많고, 다음으로 한식음식점, 커피음료 등이 많다.

4-3)상위 15 서비스 업종별 매출 금액 (전분기 대비 % Change)

분석 결과 : 상위 15 서비스 업종별로 매출 금액을 전분기 대비 퍼센트 변화로 확인해본 결과, 2019년 4분기에 반찬가게>컴퓨터 및 주변 장치 판매>청과상>일반의류>육류판매>의약품>일반의원이 크게 상승하였다. 또한, 2020년 1분기에 육류판매>의약품>슈퍼마켓이 상승하였고, 일반의류, 한식음식점, 분식전문점, 커피음료, 호프간이주점이 크게 하락하였다. 이는 코로나로 인한 영향으로 파악된다.

먼저 상권 데이터부터 EDA를 진행하였다.

1. 상권-상주인구

1)분기별 상주인구 및 가구수 (단위: 백만)

분석 결과 : 2014년 2분기부터 2021년 3분기까지 분기별로 상주 인구와 가구 수를 확인한 결과, 상주 인구 & 가구 수 모두 2015 2분기에 급격하게 상승한 것으로 보아 그전 데이터가 소실 되었을 가능성이 크다는 것을 파악해 2015 2분기부터 데이터 사용이 가능하다는 것을 확인하였다. 또한, 전체적으로 2015년을 제외하고 이후 크게 증가하거나 감소하지 않았다.

2)구별 상주인구 및 가구수 (단위: 백만)

• 위에서 언급한 이유로, 2015년 1분기까지의 데이터를 제외함
• 첫 번째 그래프는 분기별로 확인한 그래프이며, 두 번째 그래프는 분기를 나누지 않고 확인한 막대 그래프임

분석 결과 : 분기별로 구별 상주 인구를 확인한 결과, 관악구의 상주인구가 꾸준하게 가장 많고, 다음은 강서구>강남구>강동구>은평구 순으로 많다. 또한, 서대문구>도봉구>종로구>중구>노원구의 상주인구가 적다.

분석 결과 : 분기별로 구별 가구 수를 확인한 결과, 관악구의 가구 수가 가장 많으며 분기마다 꾸준히 늘어나는 추세이다. 다음은 강남구>강서구>강동구>광진구 순으로 많다. 또, 노원구의 가구 수가 가장 적고, 다음으로 서대문구>도봉구>종로구>중구가 적다.

3)상권별 상주인구 (단위: 백만)

분석 결과 : 구보다 더 작은 단위인 상권별로 확인한 결과, 총 상주인구 수 & 남성 상주인구 수 & 여성 상주인구 평균적으로 모두 잠실 관광특구>모래내로 15길>백제고분로 50길>백제고분로 34길>진황도로 27길 순으로 많고, 총 상주인구 수는 청평화시장<동부처과시장<왕십리역_1<동부시장<고속터미널역순으로, 남성 상주인구 수는 동부시장<고속터미널역<청평화시장<왕십리역_1<동부청과시장순으로, 여성 상주인구 수는 동대문종합시장<동서시장<동부청과시장<청평화시장<왕십리역_1순으로 적다.

2. 상권-직장인구

1-1)분기별 직장인구 및 성별 직장인구 (단위: 만)

분석 결과 : 2014년 2분기부터 2021년 3분기까지 분기별로 직장 인구와 성별 직장 인구를 확인한 결과, 2019 2분기에 급격하게 직장 인구가 줄어들었으며, 2019 4분기 이후의 데이터는 모두 똑같은 것으로 보아 업데이트 되어 있지 않음을 알 수 있다.

1-2)2019년 2분기에 총 직장인구가 왜 줄었을까?

분석 결과 : 2019년 2분기에 급격하게 직장 인구가 감소하여서 데이터 검증이 필요하다고 생각하였다. 일단, 2019년 1분기에서 2019년 2분기로 넘어갈 때 어느 구에서 가장 많이 감소하였는지 파악해 보고자 2019년 1분기 대비 2019년 2분기의 직장 인구 감소율을 확인하였다. 표로 확인한 결과, 중구, 영등포구, 종로구, 마포구, 용산구 등이 가장 많이 감소하였다.

분석 결과 : 구보다 조금 더 작은 단위인 상권을 확인해본 결과, 명동 남대문 북창동 다동 무교동 관광특구, 종로구청, 여의도역, 구로디지털1단지, 을지로3가역이 많이 감소하였다.

2)구별 직장인구 및 성별 직장인구

• 첫 번째 그래프는 분기별로 확인한 그래프이며, 두 번째 그래프는 분기를 나누지 않고 확인한 막대 그래프임

분석 결과 : 분기별로 구별 직장 인구를 확인한 결과, 구별 총 직장 인구 수 & 구별 남성 / 여성 직장인구 수는 강남구>중구>서초구>종로구>영등포구 순으로 많으며, 다른 구에 비해 강남구가 압도적으로 많은 것을 확인할 수 있다. 총 직장 인구가 적은 구는 은평구>강북구>중랑구>도봉구>노원구 등이다.

3)상권별 직장인구

분석 결과 : 상권별로 총 직장 인구를 확인한 결과, 총 직장 인구 수는 남대문 북창동 다동 무교동 관광특구, 강남역_1, 구로디지털1단지, 가산디지털단지역_2, 시청역_1 순으로 많고, 푸른터시장<용두시장<이태원제일시장<신신림시장<새석관시장이 적다.

분석 결과 : 상권별로 총 남성 직장 인구를 확인한 결과, 남성 직장 인구 수는 남대문 북창동 다동 무교동 관광특구, 강남역_1, 구로디지털1단지, 가산디지털단지역_2, 시청역_1 순으로 많고, 푸른터시장<용두시장<상계시장<이태원제일시장<새석관시장이 적다.

분석 결과 : 상권별로 총 여성 직장 인구를 확인한 결과, 여성 직장 인구 수는 남대문 북창동 다동 무교동 관광특구, 강남역_1, 구로디지털1단지, 롯데백화점, 선릉역_1 순으로 많고, 푸른터시장<신신림시장<용두시장<이태원제일시장<동서시장이 적다.

3. 상권-생활인구

1-1)분기별 생활인구 및 성별 생활인구 (단위: 천만)

분석 결과 : 2014년 1분기부터 2021년 3분기까지 분기별로 생활 인구와 성별 생활 인구를 확인한 결과, 2019년 1분기에 급격하게 생활 인구가 상승하였으며, 2020 1분기부터 지속적으로 조금씩 하향세를 보이고 있다.

1-2)2019년 1분기에 총 생활인구가 왜 늘었을까?

분석 결과 : 2019년 1분기에 급격하게 생활 인구가 증가하여서 데이터 검증이 필요하다고 생각하였다. 일단, 2018년 4분기에서 2019년 1분기로 넘어갈 때 어느 구에서 가장 많이 증가하였는지 파악해 보고자 2018년 4분기 대비 2019년 1분기의 생활 인구 증가율을 확인하였다. 표로 확인한 결과, 관악구, 강남구, 강동구, 강서구, 광진구 등이 가장 많이 증가하였다.

분석 결과 : 구보다 조금 더 작은 단위인 상권을 확인해본 결과, 첫호옛길, 천중로39길, 방울내로9안길, 진황도로27길, 북아현로4길 등이 가장 많이 증가하였다.

2)구별 생활인구 및 성별 생활인구

• 1-2에서 분석한 것을 바탕으로, 2018년 4분기에 비해 2019년 1분기에 증가한 수치가 너무 크다는 것을 알게 되었고, 이러한 이유로 2019년 1분기 데이터부터 사용하였음
• 첫 번째 그래프는 분기별로 확인한 그래프이며, 두 번째 그래프는 분기를 나누지 않고 확인한 막대 그래프임

분석 결과 : 분기별로 구별 생활 인구를 확인한 결과, 강남구가 많은 것을 확인할 수 있다. 구별 총 생활 인구 수 & 여성 생활 인구 수는 강남구>관악구>강동구>강서구>마포구 순으로 많으며, 노원구<금천구<도봉구<용산구<성동구 순으로 적다. 한편, 구별 남성 생활 인구 수는 강남구>관악구>강동구>강서구>서초구 순으로 많고, 노원구<도봉구<금천구<용산구<성동구 순으로 적다.

3)상권별 생활인구

분석 결과 : 상권별로 총 생활 인구를 확인한 결과, 총 생활 인구 수는 홍익대학교 주변>북아현로4길>종로 청계 관광특구>명동 남대문 북창동 다동 무교동 관광특구>신촌역>선릉역2 순으로 많고, 마포농수산물시장<동부청과시장<양재 화물트럭터미널앞1<번동시장<국회의사당역1<양재동꽃시장이 적다.

분석 결과 : 상권별로 총 남성 생활 인구를 확인한 결과, 남성 생활 인구 수는 홍익대학교 주변>북아현로4길>종로 청계 관광특구>명동 남대문 북창동 다동 무교동 관광특구>선릉역2>신촌역 순으로 많고, 마포농수산물시장<동부청과시장<번동시장<양재 화물트럭터미널앞1<구의시장<양재동꽃시장이 적다.

분석 결과 : 상권별로 총 여성 생활 인구를 확인한 결과, 여성 생활 인구 수는 홍익대학교 주변>북아현로4길>신촌역>명동 남대문 북창동 다동 무교동 관광특구>신사동 가로수길>종로 청계 관광특구 순으로 많고, 마포농수산물시장<국회의사당역1<동부청과시장<양재 화물트럭터미널앞1<양재동꽃시장<번동시장이 적다.

상권 데이터와 매출 예측을 위한 데이터들을 좌표를 기준으로 매핑을 진행하려 하였으나, 서로 사용하는 데이터의 좌표가 다른 것을 깨달았다. 결론부터 얘기하면, 라이브러리 pyproj 을 사용해서 상권 데이터의 epsg5181 좌표를 카카오 맵이 사용하는 wgs84 로 변환하여 주소 데이터를 추출하였다.

좌표값에 대한 설명

우선 좌표값을 변환하는 과정중에 알게 된 사실들을 간단히 적어서, 이에 대한 내용을 공유하려고 한다.

위도와 경도 (wgs84)

카카오 맵 API에서 사용하는 좌표값은 위도(latitude)와 경도(longitude)이며, 정확하게는 지리좌표계이다. 위도(latitude)는 지구를 360도의 구로 가정하여 적도가 0도가 된다. 이때 위도는 적도를 기준으로 북쪽 남쪽의 거리를 잰다. 경도(longitude)는 영국의 본초 자오선을 기준으로 동,서를 표시하는 선이다.

카카오 지도 API (ESPG:5181)

EPSG 코드는 전세계 좌표계 정의에 대한 고유한 명칭이다. EPSG 코드에 대한 상세 정의는 prj4와 wkt라는 문자열로 되어 있으며, proj4와 EPSG의 wkt는 좌표계의 다양한 제원값을 정해진 문자열로 구성되어 있다.

ESPG5181은 GRS80 타원체의 한국 중부원점이며 Y 축으로 500,000미터만큼 이동시킨 좌표계이다.

파이썬 코드

자세한 코딩은 깃헙에 최대한 자세하게 작성하였다. Github

from pyproj import Transformer, CRS

def map_address(key, x_axis, y_axis):

    key = 'KakaoAK ' + key
    url = 'https://dapi.kakao.com/v2/local/geo/coord2regioncode.json?x={}&y={}'.format(x_axis, y_axis)
    headers = {"Authorization": key}
    api_test = requests.get(url, headers=headers)
    url_text = json.loads(api_test.text)
    output = url_text['documents'][0]['address_name']

    return output

epsg5181 = CRS.from_proj4('+proj=tmerc +lat_0=38 +lon_0=127 +k=1 +x_0=200000 +y_0=500000 +ellps=GRS80 +units=m +no_defs')

wgs84 = CRS.from_proj4("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs")
transformer = Transformer.from_crs(epsg5181, wgs84, always_xy=True)

df_address = pd.DataFrame()

for x, y in zip(상권_아파트['x'], 상권_아파트['y']):
df_address = df_address.append([map_address(key='', x_axis=x, y_axis=y)], ignore_index=True)

자료

프로젝트 Github 주소 : https://github.com/Jinmun-Park/seoul_tradehub

프로젝트 기획

'서울 열린데이터광장'에서 제공하는 빅데이터를 이용한 ML/DL 활용 프로젝트를 구상하던 중, 상권 데이터와 의료시설 및 학교 등 상권과 연계되어 서울시에 위치한 상권의 매출을 예상할 수 있는 모델을 만들 수 있겠다고 생각했다.

이미 API 웹사이트 (https://ourdatapark.com) 프로젝트를 통해 HTML / CSS 를 어느 정도 활용할 수 있었기에, 상권 데이터를 분석하고 리포트를 만든 후 모바일 앱 개발을 시도하기로 결정했다.

필요한 앱 개발 기술은 어느 때와 같이 맨땅에 헤딩하며 배우는 걸로 진행하되, 데이터 분석만큼은 꼼꼼하게 검증하며 리포트를 작성하는 방향으로 정했다.

프로젝트 목적

프로젝트의 최종 목적은 사용자가 서울시 내에서 좌표/지역구/행정동과 업종을 입력하면, 월별/분기별 예상 매출 금액을 예측해 제공해주는 모바일 앱을 배포하는 것이다.

프로젝트는 아래와 같은 순서로 진행한다. (1) 추출한 모든 데이터를 분석하여 EDA를 포함한 데이터 분석 리포트 작성 (2) 이후 분석 결과를 활용하여 ML/DL을 활용한 모델을 구축 (3) 예측 모델이 완성되면 앱 제작 후 배포

프로젝트 타임라인

깃헙에 프로젝트 기획을 작성하였고, API 웹사이트 프로젝트를 진행했던 경험을 기반으로 조금 더 타이트한 타임라인을 계획했다.

1. 분석 리포트 작성

2. 모바일 어플리케이션 제작

프로젝트 출처

정확한 데이터 출처 또한 깃헙에 공유하였다.

1. 데이터 출처

프로젝트 시작

이직과 취업을 준비하며 다양한 프로젝트를 진행하고 싶었고, 이번 프로젝트를 통해 빅데이터를 활용한 데이터 분석에 초점을 두고 싶었다. 모바일 앱으로 배포하는 것에 대한 궁금증도 평소 가지고 있었기에 이 모두를 경험하기에 좋은 주제라고 생각했다.