파이썬 - 범죄 통계 조사

PYTHON PROGRAMMING

레퍼런스 : 파이썬으로 데이터 주무르기

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb

%matplotlib inline

import platform

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)
else:
    print('Unknown system... sorry~~~~')

서울시 구별 범죄 발생과 검거율 데이터 분석

‘서울시 관서별 5대 범죄 발생 검거 현황’ 파일을 가지고 분석합니다.

실습 1. crime_in_Seoul.csv 파일을 pandas 로 읽어오세요.

한글이 깨지지 않도록 encoding=’euc-kr’ 옵션을 넣습니다.

crime_anal_police = pd.read_csv('crime_in_Seoul.csv',encoding='euc-kr',thousands=',')

crime_anal_police.head(3)

	관서명	살인 발생	살인 검거	강도 발생	강도 검거	강간 발생	강간 검거	절도 발생	절도 검거	폭력 발생	폭력 검거
0	중부서	2	2	3	2	105	65	1395	477	1355	1170
1	종로서	3	3	6	5	115	98	1070	413	1278	1070
2	남대문서	1	0	6	4	65	46	1153	382	869	794

# 1. 구글에 주소정보를 받기 위한 API key를 얻습니다.

# 2. 우리가 짜는 파이썬 코드에서, API를 호출하기 위한 라이브러리를 설치합니다.
#    2-1 Anaconda Prompt 를 실행합니다.
#    2-2 라이브러리 인스톨을 위한 명령어를 수행합니다.
#        pip install googlemaps

실습 2. 경찰서들은 하나의 구에 여러개가 있을 수 있습니다. 따라서 우리는 구 단위로 데이터를 통합하겠습니다.

실습 2-1. 구글 맵 API 를 이용해서, 경찰서가 무슨 구에 있는지 확인하기 위해

아나콘다 프롬프트웨어 다음을 실행. pip install googlemaps

실습 2-2. 구글 클라우드의 MAPS API 페이지로 이동하여, API 키를 생성합니다.

https://cloud.google.com/maps-platform/?hl=ko

콘솔로 이동 => Geocoding API 선택 => 사용자인증정보 에서 API 키 생성

• 구글 맵스를 사용해서 경찰서의 위치(위도, 경도) 정보를 받아온다

import googlemaps

gmaps_key = "my_key" # 자신의 key를 사용합니다.
gmaps = googlemaps.Client(key=gmaps_key)

gmaps.geocode('서울중부경찰서', language='ko')

[{'address_components': [{'long_name': '２７',
    'short_name': '２７',
    'types': ['premise']},
   {'long_name': '수표로',
    'short_name': '수표로',
    'types': ['political', 'sublocality', 'sublocality_level_4']},
   {'long_name': '을지로동',
    'short_name': '을지로동',
    'types': ['political', 'sublocality', 'sublocality_level_2']},
   {'long_name': '중구',
    'short_name': '중구',
    'types': ['political', 'sublocality', 'sublocality_level_1']},
   {'long_name': '서울특별시',
    'short_name': '서울특별시',
    'types': ['administrative_area_level_1', 'political']},
   {'long_name': '대한민국',
    'short_name': 'KR',
    'types': ['country', 'political']},
   {'long_name': '100-032',
    'short_name': '100-032',
    'types': ['postal_code']}],
  'formatted_address': '대한민국 서울특별시 중구 을지로동 수표로 27',
  'geometry': {'location': {'lat': 37.5636465, 'lng': 126.9895796},
   'location_type': 'ROOFTOP',
   'viewport': {'northeast': {'lat': 37.56499548029149,
     'lng': 126.9909285802915},
    'southwest': {'lat': 37.56229751970849, 'lng': 126.9882306197085}}},
  'place_id': 'ChIJc-9q5uSifDURLhQmr5wkXmc',
  'plus_code': {'compound_code': 'HX7Q+FR 대한민국 서울특별시',
   'global_code': '8Q98HX7Q+FR'},
  'types': ['establishment', 'point_of_interest', 'police']}]

# 정확한 지명으로 붜꿔서 , api를 호출해야 결과가 정확히 떄문에
# 관서명 컬럼에 있는 값들을, 왼쪽에는 서울을 붙이고 오른쪽에는 경찰서를 붙인다.

police_names = []
for name in crime_anal_police['관서명']:
    police_names.append('서울'+ name[:-1]+'경찰서')
print(police_names) 

['서울중부경찰서', '서울종로경찰서', '서울남대문경찰서', '서울서대문경찰서', '서울혜화경찰서', '서울용산경찰서', '서울성북경찰서', '서울동대문경찰서', '서울마포경찰서', '서울영등포경찰서', '서울성동경찰서', '서울동작경찰서', '서울광진경찰서', '서울서부경찰서', '서울강북경찰서', '서울금천경찰서', '서울중랑경찰서', '서울강남경찰서', '서울관악경찰서', '서울강서경찰서', '서울강동경찰서', '서울종암경찰서', '서울구로경찰서', '서울서초경찰서', '서울양천경찰서', '서울송파경찰서', '서울노원경찰서', '서울방배경찰서', '서울은평경찰서', '서울도봉경찰서', '서울수서경찰서']

# 구글 api를 호출해서 결과를 받아옴
# 우리가 필요한 건 전체 주소가 나와있는 문자열이다.
# 따라서 구글 api의 결과로 온  JSON 데이터에서 
# 어느 부분을 가져올지 파악한다.

result = [{'address_components': [{'long_name': '２７',
    'short_name': '２７',
    'types': ['premise']},
   {'long_name': '수표로',
    'short_name': '수표로',
    'types': ['political', 'sublocality', 'sublocality_level_4']},
   {'long_name': '을지로동',
    'short_name': '을지로동',
    'types': ['political', 'sublocality', 'sublocality_level_2']},
   {'long_name': '중구',
    'short_name': '중구',
    'types': ['political', 'sublocality', 'sublocality_level_1']},
   {'long_name': '서울특별시',
    'short_name': '서울특별시',
    'types': ['administrative_area_level_1', 'political']},
   {'long_name': '대한민국',
    'short_name': 'KR',
    'types': ['country', 'political']},
   {'long_name': '100-032',
    'short_name': '100-032',
    'types': ['postal_code']}],
  'formatted_address': '대한민국 서울특별시 중구 을지로동 수표로 27',
  'geometry': {'location': {'lat': 37.5636465, 'lng': 126.9895796},
   'location_type': 'ROOFTOP',
   'viewport': {'northeast': {'lat': 37.56499548029149,
     'lng': 126.9909285802915},
    'southwest': {'lat': 37.56229751970849, 'lng': 126.9882306197085}}},
  'place_id': 'ChIJc-9q5uSifDURLhQmr5wkXmc',
  'plus_code': {'compound_code': 'HX7Q+FR 대한민국 서울특별시',
   'global_code': '8Q98HX7Q+FR'},
  'types': ['establishment', 'point_of_interest', 'police']}]

result_station = result[0]['formatted_address'].split()[2]

result_station = []

for police in police_names:
    result = gmaps.geocode(police, language = 'ko')
    result_station.append(result[0]['formatted_address'].split()[2])

실습 3. station_addreess 에 저장된 주소에서, 구만 따로 띄어냅니다. (예, 종로구)

따로 띄어낸 구를, crime_anal_police 에 ‘구별’ 컬럼을 만들어서 넣습니다.

crime_anal_police['구별'] = result_station

crime_anal_police.set_index('구별',inplace = True)

crime_anal_police.head()

	관서명	살인 발생	살인 검거	강도 발생	강도 검거	강간 발생	강간 검거	절도 발생	절도 검거	폭력 발생	폭력 검거
구별
중구	중부서	2	2	3	2	105	65	1395	477	1355	1170
종로구	종로서	3	3	6	5	115	98	1070	413	1278	1070
중구	남대문서	1	0	6	4	65	46	1153	382	869	794
서대문구	서대문서	2	2	5	4	154	124	1812	738	2056	1711
종로구	혜화서	3	2	5	4	96	63	1114	424	1015	861

.실습 3. crime_anal_police 데이터프레임을, csv 파일로 저장합니다.

저장할 파일명은 new_crime_in_Seoul.csv 로 저장하세요.

저장하는 함수는, 데이터프레임의 to_csv 입니다.

crime_anal_police.to_csv('new_crime_in_Seoul')

new_crime_in_Seoul = pd.read_csv('new_crime_in_Seoul.csv',index_col = 0)

new_crime_in_Seoul.set_index('구별',inplace=True)

pandas의 pivot_table 익히기

# 피봇팅 한다. 즉 컬럼의 값을 열로 만드는것.

df = pd.read_excel('sales-funnel.xlsx')

df

	Account	Name	Rep	Manager	Product	Quantity	Price	Status
0	714466	Trantow-Barrows	Craig Booker	Debra Henley	CPU	1	30000	presented
1	714466	Trantow-Barrows	Craig Booker	Debra Henley	Software	1	10000	presented
2	714466	Trantow-Barrows	Craig Booker	Debra Henley	Maintenance	2	5000	pending
3	737550	Fritsch, Russel and Anderson	Craig Booker	Debra Henley	CPU	1	35000	declined
4	146832	Kiehn-Spinka	Daniel Hilton	Debra Henley	CPU	2	65000	won
5	218895	Kulas Inc	Daniel Hilton	Debra Henley	CPU	2	40000	pending
6	218895	Kulas Inc	Daniel Hilton	Debra Henley	Software	1	10000	presented
7	412290	Jerde-Hilpert	John Smith	Debra Henley	Maintenance	2	5000	pending
8	740150	Barton LLC	John Smith	Debra Henley	CPU	1	35000	declined
9	141962	Herman LLC	Cedric Moss	Fred Anderson	CPU	2	65000	won
10	163416	Purdy-Kunde	Cedric Moss	Fred Anderson	CPU	1	30000	presented
11	239344	Stokes LLC	Cedric Moss	Fred Anderson	Maintenance	1	5000	pending
12	239344	Stokes LLC	Cedric Moss	Fred Anderson	Software	1	10000	presented
13	307599	Kassulke, Ondricka and Metz	Wendy Yule	Fred Anderson	Maintenance	3	7000	won
14	688981	Keeling LLC	Wendy Yule	Fred Anderson	CPU	5	100000	won
15	729833	Koepp Ltd	Wendy Yule	Fred Anderson	CPU	2	65000	declined
16	729833	Koepp Ltd	Wendy Yule	Fred Anderson	Monitor	2	5000	presented

pd.pivot_table(df,index = ['Name'],aggfunc=np.sum)

	Account	Price	Quantity
Name
Barton LLC	740150	35000	1
Fritsch, Russel and Anderson	737550	35000	1
Herman LLC	141962	65000	2
Jerde-Hilpert	412290	5000	2
Kassulke, Ondricka and Metz	307599	7000	3
Keeling LLC	688981	100000	5
Kiehn-Spinka	146832	65000	2
Koepp Ltd	1459666	70000	4
Kulas Inc	437790	50000	3
Purdy-Kunde	163416	30000	1
Stokes LLC	478688	15000	2
Trantow-Barrows	2143398	45000	4

pd.pivot_table(df,index = ['Manager','Rep'], aggfunc = np.sum )

		Account	Price	Quantity
Manager	Rep
Debra Henley	Craig Booker	2880948	80000	5
	Daniel Hilton	584622	115000	5
	John Smith	1152440	40000	3
Fred Anderson	Cedric Moss	784066	110000	5
	Wendy Yule	2456246	177000	12

pd.pivot_table(df,index = ['Name'],aggfunc=np.sum,values=['Price','Quantity'])

	Price	Quantity
Name
Barton LLC	35000	1
Fritsch, Russel and Anderson	35000	1
Herman LLC	65000	2
Jerde-Hilpert	5000	2
Kassulke, Ondricka and Metz	7000	3
Keeling LLC	100000	5
Kiehn-Spinka	65000	2
Koepp Ltd	70000	4
Kulas Inc	50000	3
Purdy-Kunde	30000	1
Stokes LLC	15000	2
Trantow-Barrows	45000	4

범죄 데이터 구별로 정리하기

crime_anal = pd.pivot_table(crime_anal_police,index='구별',aggfunc = np.sum)

crime_anal.head()

	강간 검거	강간 발생	강도 검거	강도 발생	살인 검거	살인 발생	절도 검거	절도 발생	폭력 검거	폭력 발생
구별
강남구	349	449	18	21	10	13	1650	3850	3705	4284
강동구	123	156	8	6	3	4	789	2366	2248	2712
강북구	126	153	13	14	8	7	618	1434	2348	2649
관악구	221	320	14	12	8	9	827	2706	2642	3298
광진구	220	240	26	14	4	4	1277	3026	2180	2625

실습 5. ‘강간검거율’ , ‘강도검거율’, ‘살인검거율’, ‘절도검거율’, ‘폭력검거율’ 을 계산하여, crime_anal에 각 컬럼을 추가한다. ( 검거율은 * 100 까지 한 값)

crime_anal['절도검거율'] = crime_anal['절도 검거']/crime_anal['절도 발생'] * 100

crime_anal['강간검거율'] = crime_anal['강간 검거']/crime_anal['강간 발생'] * 100

crime_anal['강도검거율'] = crime_anal['강도 검거']/crime_anal['강도 발생'] * 100

crime_anal['살인검거율'] = crime_anal['살인 검거']/crime_anal['살인 발생'] * 100

crime_anal['폭력검거율'] = crime_anal['폭력 검거']/crime_anal['폭력 발생'] * 100

실습 6. 이제 필요없는, ‘강간 검거’ , ‘강도 검거’, ‘살인 검거’, ‘절도 검거’, ‘폭력 검거’ 컬럼을 제거한다.

crime_anal.drop(['강간 검거' , '강도 검거', '살인 검거', '절도 검거', '폭력 검거'],axis = 1,inplace=True)

crime_anal.head()

	강간 발생	강도 발생	살인 발생	절도 발생	폭력 발생	절도검거율	강간검거율	강도검거율	살인검거율	폭력검거율
구별
강남구	449	21	13	3850	4284	42.857143	77.728285	85.714286	76.923077	86.484594
강동구	156	6	4	2366	2712	33.347422	78.846154	100.000000	75.000000	82.890855
강북구	153	14	7	1434	2649	43.096234	82.352941	92.857143	100.000000	88.637222
관악구	320	12	9	2706	3298	30.561715	69.062500	100.000000	88.888889	80.109157
광진구	240	14	4	3026	2625	42.200925	91.666667	100.000000	100.000000	83.047619

실습 7. describe() 함수로 값을 확인해 보니, 검거율이 100 이상인 경우도 있다. 따라서 100보다 크면, 100으로 값을 셋팅하세요.

crime_anal.loc[crime_anal['절도검거율']>100, '절도검거율'] = 100

crime_anal.loc[crime_anal['강도검거율']>100, '강도검거율'] = 100

crime_anal.loc[crime_anal['강간검거율']>100, '강간검거율'] = 100

crime_anal.loc[crime_anal['살인검거율']>100, '살인검거율'] = 100

crime_anal.loc[crime_anal['폭력검거율']>100, '폭력검거율'] = 100

실습 8. 강간 발생, 강도 발생, 살인 발생, 절도 발생, 폭력 발생 의 컬럼 명을, 강간, 강도, 살인, 절도, 폭력으로 rename 하세요.

crime_anal.columns = ['강간', '강도', '살인', '절도', '폭력', '절도검거율', '폭력검거율', '강간검거율',
       '강도검거율', '살인검거율']

crime_anal

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율
구별
강남구	449	21	13	3850	4284	42.857143	77.728285	85.714286	76.923077	86.484594
강동구	156	6	4	2366	2712	33.347422	78.846154	100.000000	75.000000	82.890855
강북구	153	14	7	1434	2649	43.096234	82.352941	92.857143	100.000000	88.637222
관악구	320	12	9	2706	3298	30.561715	69.062500	100.000000	88.888889	80.109157
광진구	240	14	4	3026	2625	42.200925	91.666667	100.000000	100.000000	83.047619
구로구	281	15	8	2335	3007	38.072805	58.362989	73.333333	75.000000	80.877951
금천구	151	6	3	1567	2054	56.668794	80.794702	100.000000	100.000000	86.465433
노원구	197	7	10	2193	2723	36.525308	61.421320	100.000000	100.000000	85.530665
도봉구	102	9	3	1063	1487	44.967074	100.000000	100.000000	100.000000	87.626093
동대문구	173	13	5	1981	2548	41.090358	84.393064	100.000000	100.000000	87.401884
동작구	285	9	5	1865	1910	35.442359	48.771930	55.555556	100.000000	83.089005
마포구	294	14	8	2555	2983	31.819961	84.013605	71.428571	100.000000	84.445189
서대문구	154	5	2	1812	2056	40.728477	80.519481	80.000000	100.000000	83.219844
서초구	393	9	8	2635	2399	41.404175	63.358779	66.666667	75.000000	87.453105
성동구	126	9	4	1607	1612	37.149969	94.444444	88.888889	100.000000	86.538462
성북구	150	5	5	1785	2209	41.512605	82.666667	80.000000	100.000000	83.974649
송파구	220	13	11	3239	3295	34.856437	80.909091	76.923077	90.909091	84.552352
양천구	382	19	10	3986	5716	48.469644	77.486911	84.210526	100.000000	83.065080
영등포구	295	22	14	2964	3572	32.995951	62.033898	90.909091	85.714286	82.894737
용산구	194	14	5	1557	2050	37.700706	89.175258	100.000000	100.000000	83.121951
은평구	166	9	3	1914	2653	37.147335	84.939759	66.666667	100.000000	86.920467
종로구	211	11	6	2184	2293	38.324176	76.303318	81.818182	83.333333	84.212822
중구	170	9	3	2548	2224	33.712716	65.294118	66.666667	66.666667	88.309353
중랑구	187	11	13	2135	2847	38.829040	79.144385	81.818182	92.307692	84.545135

.실습 9. 강간, 강도, 살인, 절도, 폭력 을 노멀라이징 합니다.

데이터 노멀라이징 하는 이유는, 각각의 레인지를 통일하여, 해석하기 쉽게 하기 위함입니다.

from sklearn.preprocessing import StandardScaler,MinMaxScaler

# 표준화 하는 라이브러리
s_scaler = StandardScaler()

# 표준화 하는 함수
# 각 컬럼의 평균과 표준편차를 학습하여, 표준화 식을 통해 결과를 변환하는 함수
crime_anal.loc[:,"강간":"폭력"] = MinMaxScaler().fit_transform(crime_anal.loc[:,"강간":"폭력"])

mm_scaler = MinMaxScaler()

crime_anal.describe()

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율
count	24.000000	24.000000	24.000000	24.000000	24.000000	24.000000	24.000000	24.000000	24.000000	24.000000
mean	0.360351	0.382353	0.399306	0.424721	0.290829	39.145055	77.237094	85.144035	92.072626	84.808901
std	0.263464	0.274814	0.297919	0.250679	0.212406	5.759176	12.285098	13.583076	10.949588	2.310261
min	0.000000	0.000000	0.000000	0.000000	0.000000	30.561715	48.771930	55.555556	66.666667	80.109157
25%	0.154179	0.235294	0.166667	0.253934	0.161681	35.295879	68.120404	76.025641	85.119048	83.083024
50%	0.269452	0.352941	0.291667	0.385050	0.271932	38.198490	79.831933	84.962406	100.000000	84.495162
75%	0.533862	0.529412	0.604167	0.543876	0.355167	41.684685	84.108470	100.000000	100.000000	86.633963
max	1.000000	1.000000	1.000000	1.000000	1.000000	56.668794	100.000000	100.000000	100.000000	88.637222

실습 10. 강간, 강도, 살인, 절도, 폭력 의 값을 모두 더하고, 이 더한값을 ‘범죄’ 라는 컬럼을 만들어서 넣습니다.

CCTV_result= pd.read_csv('CCTV_result.csv')

CCTV_result.set_index('구별',inplace = True)

CCTV_result.rename(columns={'소계':'CCTV'},inplace = True)

pop_cctv= CCTV_result[['CCTV','인구수']]

crime_cctv = pd.merge(crime_anal,pop_cctv,on='구별')

crime_cctv['범죄']= crime_cctv.loc[:,'강간':'폭력'].sum(axis=1)

crime_cctv.head(3)

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율	CCTV	인구수	범죄
구별
강남구	1.000000	0.941176	0.916667	0.953472	0.661386	42.857143	77.728285	85.714286	76.923077	86.484594	2780	570500.0	4.472701
강동구	0.155620	0.058824	0.166667	0.445775	0.289667	33.347422	78.846154	100.000000	75.000000	82.890855	773	453233.0	1.116551
강북구	0.146974	0.529412	0.416667	0.126924	0.274769	43.096234	82.352941	92.857143	100.000000	88.637222	748	330192.0	1.494746

실습 11. ‘강간검거율’,’강도검거율’,’살인검거율’,’절도검거율’,’폭력검거율’ 의 값을 모두 더하고, 이 더한값을 ‘검거’ 라는 컬럼을 만들어서 넣습니다.

crime_cctv['검거']= crime_cctv.loc[:,'절도검거율':'살인검거율'].sum(axis=1)

crime_cctv.head()

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율	CCTV	인구수	범죄	검거
구별
강남구	1.000000	0.941176	0.916667	0.953472	0.661386	42.857143	77.728285	85.714286	76.923077	86.484594	2780	570500.0	4.472701	369.707384
강동구	0.155620	0.058824	0.166667	0.445775	0.289667	33.347422	78.846154	100.000000	75.000000	82.890855	773	453233.0	1.116551	370.084431
강북구	0.146974	0.529412	0.416667	0.126924	0.274769	43.096234	82.352941	92.857143	100.000000	88.637222	748	330192.0	1.494746	406.943540
관악구	0.628242	0.411765	0.583333	0.562094	0.428234	30.561715	69.062500	100.000000	88.888889	80.109157	1496	525515.0	2.613667	368.622261
광진구	0.397695	0.529412	0.166667	0.671570	0.269094	42.200925	91.666667	100.000000	100.000000	83.047619	707	372164.0	2.034438	416.915211

Visualization using seaborn

# 한글 그래프 처리 코드 실행
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb

%matplotlib inline

import platform

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)
else:
    print('Unknown system... sorry~~~~')

실습 12. sb의 pairplot 으로 “강도”, “살인”, “폭력” 을 나타내세요. (연관성 확인)

sb.pairplot(data = crime_cctv[['강도','살인','폭력']])

plt.show()

sb.pairplot(data = crime_cctv, vars=['강도','살인','폭력'],kind='reg')

plt.show()

crime_cctv[['강도','살인','폭력']].corr()

	강도	살인	폭력
강도	1.000000	0.672924	0.707703
살인	0.672924	1.000000	0.681428
폭력	0.707703	0.681428	1.000000

실습 13. x_vars는 “인구수”, “CCTV” 를, y_vars는 “살인”, “강도”로 pariplot을 나타내고, 연관성을 확인하세요.

sb.pairplot(data= crime_cctv,x_vars = ['인구수','CCTV'],y_vars = ['살인','강도'],kind='reg')

plt.show()

crime_cctv[['인구수','CCTV','살인','강도']].corr()

	인구수	CCTV	살인	강도
인구수	1.000000	0.361204	0.555986	0.201035
CCTV	0.361204	1.000000	0.253698	0.320451
살인	0.555986	0.253698	1.000000	0.672924
강도	0.201035	0.320451	0.672924	1.000000

실습 14. x_vars는 “인구수”, “CCTV” 를, y_vars는 “살인검거율”, “폭력검거율”로 pariplot을 나타내고, 연관성을 확인하세요.

sb.pairplot(data= crime_cctv,x_vars = ['인구수','CCTV'],y_vars = ['살인검거율','폭력검거율'],kind='reg')

plt.show()

crime_cctv[['인구수','CCTV','살인검거율','폭력검거율']].corr()

	인구수	CCTV	살인검거율	폭력검거율
인구수	1.000000	0.361204	-0.249549	-0.179233
CCTV	0.361204	1.000000	-0.053107	-0.191364
살인검거율	-0.249549	-0.053107	1.000000	0.296559
폭력검거율	-0.179233	-0.191364	0.296559	1.000000

실습 15. x_vars는 “인구수”, “CCTV” 를, y_vars는 “절도검거율”, “강도검거율”로 pariplot을 나타내고, 연관성을 확인하세요.

sb.pairplot(data= crime_cctv,x_vars = ['인구수','CCTV'],y_vars = ['절도검거율','강도검거율'],kind='reg')

plt.show()

crime_cctv[['인구수','CCTV','절도검거율','강도검거율']].corr()

	인구수	CCTV	절도검거율	강도검거율
인구수	1.000000	0.361204	-0.173292	0.034423
CCTV	0.361204	1.000000	0.203458	-0.164280
절도검거율	-0.173292	0.203458	1.000000	0.309570
강도검거율	0.034423	-0.164280	0.309570	1.000000

실습 16. 검거가 가장 높은 구는 어디입니까? 이를 확인하기 위해, 검거가 가장 높은 구부터 정렬하여 5개의 구까지 나타내세요.

crime_cctv.sort_values('검거',ascending=False,inplace=True)

crime_cctv.head(5)

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율	CCTV	인구수	범죄	검거
구별
도봉구	0.000000	0.235294	0.083333	0.000000	0.000000	44.967074	100.000000	100.0	100.0	87.626093	485	348646.0	0.318627	432.593167
금천구	0.141210	0.058824	0.083333	0.172426	0.134074	56.668794	80.794702	100.0	100.0	86.465433	1015	255082.0	0.589867	423.928929
광진구	0.397695	0.529412	0.166667	0.671570	0.269094	42.200925	91.666667	100.0	100.0	83.047619	707	372164.0	2.034438	416.915211
동대문구	0.204611	0.470588	0.250000	0.314061	0.250887	41.090358	84.393064	100.0	100.0	87.401884	1294	369496.0	1.490147	412.885306
용산구	0.265130	0.529412	0.250000	0.169004	0.133128	37.700706	89.175258	100.0	100.0	83.121951	1624	244203.0	1.346674	409.997915

실습 17. 검거가 가장 큰값이 432.593167 입니다. 검거의 값이 최대가 100이 되도록 정규화를 하세요. 그리고 검거값으로 정렬하세요.

crime_cctv['검거']= crime_cctv['검거'] / crime_cctv['검거'].max() * 100

crime_cctv.head()

	강간	강도	살인	절도	폭력	절도검거율	폭력검거율	강간검거율	강도검거율	살인검거율	CCTV	인구수	범죄	검거
구별
도봉구	0.000000	0.235294	0.083333	0.000000	0.000000	44.967074	100.000000	100.0	100.0	87.626093	485	348646.0	0.318627	100.000000
금천구	0.141210	0.058824	0.083333	0.172426	0.134074	56.668794	80.794702	100.0	100.0	86.465433	1015	255082.0	0.589867	97.997139
광진구	0.397695	0.529412	0.166667	0.671570	0.269094	42.200925	91.666667	100.0	100.0	83.047619	707	372164.0	2.034438	96.375820
동대문구	0.204611	0.470588	0.250000	0.314061	0.250887	41.090358	84.393064	100.0	100.0	87.401884	1294	369496.0	1.490147	95.444250
용산구	0.265130	0.529412	0.250000	0.169004	0.133128	37.700706	89.175258	100.0	100.0	83.121951	1624	244203.0	1.346674	94.776790

.실습 18. sb.heatmap 을 이용해서 ‘강간검거율’, ‘강도검거율’, ‘살인검거율’, ‘절도검거율’, ‘폭력검거율’ 을 보여주세요. 단, ‘검거’ 로 정렬한 데이터로 보여주세요.

df1 = crime_cctv[['강간검거율', '강도검거율', '살인검거율', '절도검거율', '폭력검거율']]

# 데이터 프레임의 수치를, 바로 색깔의 진하기로 변경하는 히트맵은 , seaborn의 히트맵 함수를 이용

plt.figure(figsize=(10,8))
sb.heatmap(data=df1,cmap='RdPu',annot=True,fmt='.1f',linewidths=0.8)
plt.show()

실습 19. 위에서 배운 히트맵을 이용해서, 살기 무서운 구가 어디인지 분석하세요.

df2 = crime_cctv.sort_values('범죄',ascending=False).iloc[:,0:5]

plt.figure(figsize=(10,8))
sb.heatmap(data=df2,cmap='RdPu',annot=True,fmt='.1f',linewidths=0.8)
plt.show()

실습 20. crime_in_Seoul_final.csv 파일로, crime_cctv 를 저장하세요.

crime_cctv.to_csv('crime_in_Seoul_final')