🤍

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/59

 API 신청하기 

1. 회원가입, 로그인 하기 

http://data.seoul.go.kr

2. 원하는 데이터의 인증키 신청 클릭 

본 포스팅에서는 서울 열린데이터 광장의 공공자전거 실시간 대여정보 API 를 사용한다.

다음의 링크에서 API를 신청할 수 있다. 

http://data.seoul.go.kr/dataList/OA-15493/A/1/datasetView.do

인증키 신청을 클릭한다. 

3. 가입 신청서 작성 

활용할 목적에 맞게 신청서를 작성해 준다. 현재 데이터분석 학습에 사용할 것이기 때문에 사용 url이 없다. 이 처럼 사용url이 없을 경우에는 localhost를 작성해준다. 

4. 상단 [나의화면 - 인증키 관리] 

나의화면 - 인증키 관리에 들어간다. 

5. 인증키 복사 

인증키 복사를 한다. 이제 API신청이 완료되었고, 데이터를 불러와보자. 

 데이터셋 불러오기 

1. 라이브러리 import

import requests  # API를 이용해 자료를 받아오기 위해
import pandas as pd   # 자료 저장, 다루기 위해

2. 서울특별시 공공자전거 실시간 대여정보 데이터 살펴보기 

- 호출

한번에 최대 1000건을 호출할 수 없으므로 2번에 걸쳐 호출한 후, 데이터를 합치는 작업을 해야한다. 

- 예시

위의 샘플 URL을 사용하여 API를 호출할 수 있다. (인증키) 부터 값의 의미는 다음과 같다. 

인증키, 요청파일 타입, 서비스명, 요청시작위치, 요청종료위치를 의미한다. 요청시작위치와 요청종료위치를 조절하여 데이터를 호출하면 된다. 

- 출력값 

데이터프레임의 컬럼이 될 변수들이다. 거치대개수, 대여소이름, 자전거주차총건수, 거치율, 위도, 경도, 대여소ID 로 총 7개로 구성되어 있다. 

3. 데이터 불러오기 

- 인증키 입력 

apikey = ' '  # 받은 key 값 입력

본인의 api 값을 넣어준다. 

- API 요청하기 

startnum = 1
endnum = 1000
url1 = f'http://openapi.seoul.go.kr:8088/{apikey}/json/bikeList/{startnum}/{endnum}/'

requests.get(url1)
# requests.get(url1).text
# requests.get(url1).content

requests.get() 을 사용하면 응답이 온다. 이 외에도 text, content로 안의 내용을 실행해볼 수도 있다. 

- 자료 요청 

json1 = requests.get(url1).json()

json1

이렇게 json 형태로 된 데이터가 1000개 나오게 된다. 

- 필요한 정보(키) 선택 

json1['rentBikeStatus'].keys()

현재 데이터 분석을 위해 필요한 정보는 rentBikeStatus 안에 있는 row 키의 데이터이지만,  모든 키를 꺼내본다.

json1['rentBikeStatus']['list_total_count']  # 데이터의 개수

json1['rentBikeStatus']['RESULT']  # 오류 여부

json1['rentBikeStatus']['row']  # 자전거 정류장별 자전거 현황

- 데이터프레임으로 변경

raw1 = pd.DataFrame(json1['rentBikeStatus']['row'])
raw1.head()

- 1000 ~ 2000 & 2000 ~ 3000 데이터 가져오고 합병하기 

startnum = 1001
endnum = 2000
url2 = f'http://openapi.seoul.go.kr:8088/{apikey}/json/bikeList/{startnum}/{endnum}/'
json2 = requests.get(url2).json()

raw2 = pd.DataFrame(json2['rentBikeStatus']['row'])
raw2.tail()

data_mid = raw1.append(raw2)
data_mid

데이터가 2000개를 더 넘어가는 것 같으니 2000 ~ 3000 데이터도 호출한 후 추가해준다. 

startnum = 2001
endnum = 3000
url3 = f'http://openapi.seoul.go.kr:8088/{apikey}/json/bikeList/{startnum}/{endnum}/'
json3 = requests.get(url3).json()

raw3 = pd.DataFrame(json3['rentBikeStatus']['row'])
raw3.tail()

data = data_mid.append(raw3)
data

모든 데이터를 추가하였다. 총 2540개의 데이터를 가지고 있다. 그런데 인덱스가 조금 이상해서 인덱스를 초기화 해준 후, 데이터를 엑셀 파일로 저장해준다. 

- 최종 데이터 

data.reset_index(drop=True)

data.info()

총 2450개의 row가 존재하고, null 값이 없는 것을 볼 수 있다. 

- 엑셀파일로 저장 

data.to_excel('./data/bicycle.xlsx', index = False)

엑셀파일로 저장해준다. 다음시간에는 이러한 과정으로 불러온 자전거 데이터셋을 folium 라이브러리를 이용하여 서울시 따릉이 현황 지도를 생성해 볼 것이다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/58

 데이터 불러오기 & 살펴보기 

import pandas as pd

raw = pd.read_excel('./data/subway_raw.xlsx')

2-1 포스팅에서 합병해 놓은 2019년 1월 - 6월 지하철 데이터를 불러온다. 

raw.info()

총 99342 개의 row가 존재하고 , null 값이 없는 것을 확인하였다. 

 어느 역에서 , 언제 지하철을 가장 많이 탈까 ? 

1. 승객이 가장 많이 타는 역

data_station = raw.pivot_table(index = '역명', values = '승차총승객수', aggfunc='sum')
data_station = data_station.sort_values(by = '승차총승객수', ascending = False)
data_station.head(10)  # 승차승객수가 가장 많은 역 상위 10개

역별로 승차총승객수를 내림차순 정렬한 피벗테이블이다. 상위 10개 역을 출력하였고 , 2019년 상반기 가장 많은 승객수가 있었던 역은 잠실역임을 알 수 있다. 

2. 시각화 : 노선 별 (1-9호선) 역별/요일별 승객수 비교해 보기

* 히트맵 

• sns.heatmap(data, annot = True, fmt = '.0f', cmap = "RdBu_r")
  • annot : True 일경우 값을 그래프에 표시
  • fmt : 값 표시 형태.
    • ex) 'f' : 실수로 표현(default 로 값이 있는 소수 자리까지 표시됨)
    • ex) '.0f' : 실수로 표현해달라 (소수 0번째 자리까지만 == 정수자리만 )
    • ex) '.1f' : 실수로 표현해달라 (소수 1번째 자리까지만)
    • ex) .1% 는 퍼센트(소수 첫번째 자리까지 표시)
  • cmap : 색상 차트. _r 으로 끝나는 차트는 색상 방향 반대로 되어있는 버전임(아래 컬러 리스트 참고)

* cmap 종류

Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spring, spring_r, summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, terrain, terrain_r, twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r

- 1호선만 시각화 해보기 

line = '1호선'
data_line = raw[raw['노선명'] == line]

# 피벗테이블: 노선의 역 순서에 맞춰 정리하기 위해 역ID도 인덱스에 포함
df_pivot = data_line.pivot_table(index = ['역ID', '역명'], columns = '요일', values = '승차총승객수',aggfunc = 'sum') 
df_pivot = df_pivot[['월','화','수','목','금','토','일']]   # 컬럼 순서를 요일에 맞게 정리
df_pivot = df_pivot / 10000  # 만명단위로 표현하기 위해 데이터프레임 전체를 1만으로 나누기
df_pivot

역별 요일별 승차총객수를 집계한 피벗테이블이다. 요일이 뒤죽박죽 나오기 때문에 다시 선택하여 순서대로 정리해 준다. 

import matplotlib.pyplot as plt
import seaborn as sns 
from matplotlib import font_manager, rc
import platform 

# 한글 폰트 사용
if 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() == 'Darwin':
    rc('font', family='AppleGothic')

fig, ax = plt.subplots( figsize=(6,5) )   # 그래프 사이즈 지정
plt.title(f"{line} 역별/요일별 승객수", fontsize = 20) # for title
sns.heatmap(df_pivot, cmap = "Reds", 
           annot = True, fmt = '.0f')

1호선의 역별 요일별 승객수 히트맵니다. 서울역과 종각역의 승객수가 가장 많아보이고, 그중에서도 서울역의 금요일에 승객수가 가장 많은 것을 볼 수 있다. 

동일한 방법으로 모든 노선을 시각화하여 비교 해 보자. 

- 1호선~9호선 시각화 하여 비교 해보기 

raw['노선명'].unique()

이렇게 많은 노선이 있는데 , 본 포스팅에서는 1호선 ~ 9호선 만을 시각화 한다. 

line_seoul_list = [ ]
for line in raw['노선명'].unique():
    if line[1:] == '호선':    # x호선 인 경우를 선택. 
        line_seoul_list.append(line)
line_seoul_list

for line in sorted(line_seoul_list):
    
    # 데이터 정리하기
    data_line = raw[raw['노선명'] == line]
    df_pivot = data_line.pivot_table(index = ['역ID', '역명'], columns = '요일', values = '승차총승객수',aggfunc = 'sum')
    df_pivot = df_pivot[['월','화','수','목','금','토','일']]
    df_pivot = df_pivot / 10000  # 만명단위로 수정
    
    
    # 그래프 그리기
    fig, ax = plt.subplots( figsize=(6,len(df_pivot)/3 ) )   # 그래프 사이즈를 조정하여, 역 수가 많은 경우는 세로를 길게 표현
    plt.title(f"{line} 역별/요일별 승객수", fontsize = 20) # for title
    sns.heatmap(df_pivot, cmap = "Reds", 
               annot = True, fmt = '.0f')

진한 빨간색일 수록 승객수가 많은 것을 의미한다. 승객수가 많은 역은 모든 요일이 대체적으로 색이 진한 것을 확인할 수 있다. 이전 포스팅에서 전체적으로 금요일에 승객수가 가장 많고 , 주말이 되면 승객수가 떨어지는 경향이 있었는데 , 역 별로 보니 주말이 더 많은 역도 발견할 수 있었다. (  ex, 이태원, 고속터미널, 홍대입구 )  

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/57

 데이터 불러오기 & 살펴보기 

import pandas as pd

raw = pd.read_excel('./data/subway_raw.xlsx')
raw.head()

이전 글에서 병합했던 파일을 불러와 준다. 

raw.info()

총 99342개의 row가 존재하고 ,  null값이 없는 것을 알 수 있다. 

 승객이 많아지는 날은 언제인가 ? 

- 일자 , 요일 별 승차총승객수 확인 해 보기 

data_date = pd.pivot_table(raw, index = ['사용일자', '요일'], values= '승차총승객수', aggfunc= 'sum')
data_date.head()

- 일자 , 요일 별 승차총승객 수 내림차순 정렬 

data_date_sort = data_date.sort_values(by = '승차총승객수', ascending= False)
data_date_sort

일자, 요일 별 승차승객수를 내림차순으로 정렬 해 보았다. 이 결과에 대한 데이터프레임을 확인해 보면 두가지 가정을 세울 수 있다. 

1. 5월에 지하철 승객수가 가장 많다. 

2. 금요일에 지하철 승객수가 가장 많다. 

(1) 5월에 지하철 승객수가 가장 많다 

- '연월' 컬럼 , '월일' 컬럼 추가 

yearmonth_list = []
monthday_list = []
for date in raw['사용일자']:
    yearmonth = str(date)[:6]   # 왼쪽부터 6자리 문자 선택
    yearmonth_list.append(yearmonth)
    monthday = str(date)[4:]    # 왼쪽에서 5번째 문자부터 끝까지 선택
    monthday_list.append(monthday)
    
# 연월/ 월일 컬럼 추가하기
raw['연월'] = yearmonth_list
raw['월일'] = monthday_list
raw.head()

월 별 승객수를 보기 위해 사용일자를 연월, 월일로 나누어 새로운 컬럼을 추가하였다. 

data_month = pd.pivot_table(raw, index = '연월', values = '승차총승객수', aggfunc='sum')
data_month = data_month.sort_values(by = '승차총승객수', ascending= False)
data_month

월별 승차총객수 피벗데이블을 생성하고 , 승차종승객수를 기준으로 내림차순 정렬을 해보니 , 5월에 가장 승객수가 많은 것을 확인할 수 있다. 

결론 -> 5월에 지하철 승객수가 가장 많다 : True

(2) 금요일에 지하철 승객수가 가장 많다 

data_week = pd.pivot_table(raw, index = '요일', values = '승차총승객수', aggfunc='sum')
data_week = data_week.sort_values(by = '승차총승객수', ascending= False)
data_week

요일별 승차총객수 피벗테이블을 생성하고 , 승차총승객수를 기준으로 내림차순 정렬을 해보니 금요일에 승객수가 가장 많은 것을 확인할 수 있다. 

결론 -> 금요일에 지하철 승객수가 가장 많다 : True

* 월별 / 일자별 승객수 그래프 시각화 

- 2019년 1월 데이터로 테스트 해보기 

df_selected = raw[ raw['연월'] == '201901']
df_selected.head()

df_pivot = pd.pivot_table(df_selected, index = ['월일','요일'], values = '승차총승객수', aggfunc= 'sum')
df_pivot = df_pivot.reset_index()
df_pivot

2019년 1월 날짜별 승차총승객수를 집계하는 피벗테이블을 생성한다. 이를 pointplot을 사용하여 시각화 해보자. 

import matplotlib.pyplot as plt
import seaborn as sns 
from matplotlib import font_manager, rc
import platform 

# 한글 폰트 사용
if 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() == 'Darwin':
    rc('font', family='AppleGothic')

fig, ax = plt.subplots( figsize=(20,6) )
# 그래프 그리기
sns.pointplot(data = df_pivot, x = '월일', y = '승차총승객수')

fig, ax = plt.subplots( figsize=(20,6) )
# 그래프 그리기
sns.pointplot(data = df_pivot, x = '요일', y = '승차총승객수')

1월 그래프만 그려보았더니 , 금요일에 가장 많은 승객수를 찍고, 그 이후로 줄어들어 일요일에는 승객수가 대폭 줄어드는 경향을 보인다. 매 달마다 편차가 있는지 확인하기 위해 1-6월의 날짜별 승객수 시각화를 해본다. 

- 상반기 날짜별 승객수 시각화 

raw['연월'].unique()

for yearmonth in raw['연월'].unique():
    df_selected = raw[ raw['연월'] == yearmonth]  # 해당 연월 데이터 선택하기
    df_pivot = pd.pivot_table(df_selected, index = ['월일','요일'], values = '승차총승객수', aggfunc= 'sum')# 일자별 승객수 계
    df_pivot = df_pivot.reset_index()
    
    fig, ax = plt.subplots( figsize=(20,6) )
    
    ax.set_title(f'일자별 지하철승객수({yearmonth})')  # 그래프 제목 추가하기
    sns.pointplot(data = df_pivot, x = '월일', y = '승차총승객수')

해석 :  전체적으로 형태가 비슷한 것을 볼 수 있다. 금요일 이후 주말에는 승객수가 떨어지고 , 일요일에 대폭 하락하는 경향을 보인다. 2월달을 보면 설연휴로 인해서 2월 초 주중에도 승객수의 수가 낮으며 , 6월 6일 현충일에도 승객수가 떨어지는 현상 또한 확인할 수 있다. 이를 통해 지하철 승객수는 공휴일의 영향을 받는다고 해석할 수 있다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/56

import pandas as pd

* pandas로 파일 읽어오기 

< 관련 참고 문서 > 

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_excel.html

 pandas 를 사용하여 엑셀 파일 병합하기 

(1) 엑셀파일 한개 불러와서 살펴보기 

* 파일 : 일자 / 노선 / 지하철역 별 승하차 고객 수 ( 2019년 상반기 - 1월 ~ 6월, 러닝스푼즈 제공 ) 

file = './rawfiles/CARD_SUBWAY_MONTH_201901.csv'
raw = pd.read_csv(file)

raw.head()

raw.info()

총 18334 개의 데이터가 있고, 결측값은 없는 것을 볼 수 있다. 

(2) 두개 엑셀파일 합쳐보기  

raw = pd.DataFrame()  # 빈 데이터 프레임 생성 
raw.head()

# 첫 번째 파일
file = './rawfiles/CARD_SUBWAY_MONTH_201901.csv'
temp = pd.read_csv(file)
# temp.head()
raw = raw.append(temp)  # 데이터 프레임 추가 
# raw.head()

# 두 번째 파일
file = './rawfiles/CARD_SUBWAY_MONTH_201902.csv'
temp = pd.read_csv(file)
raw = raw.append(temp)  # 데이터 프레임 추가 

raw.info()

우선 , 빈 데이터 프레임을 생성한 후, 파일을 읽어 와서 append를 사용하여 빈 데이터 프레임에 데이터를 추가해 준다. 여러개의 파일을 합치기 위해서는 이러한 반복되는 작업을 for문으로 작성해주면 된다. 

(3) 폴더에 있는 모든 엑셀파일 병합하기

- 폴더 안의 파일 이름 가져오기 

# 폴더 , 파일을 관리하는 os 라이브러리 
import os

os.listdir()

os.listdir() 을 사용하여 현재 폴더에 있는 폴더와 파일들의 이름을 그대로 가져올 수 있다. 

dirpath = './rawfiles/'
files = os.listdir(dirpath)
files

같은 방법으로 본 포스팅에서 사용할 현재 폴더 안의 rawfiles안의 파일들을 불러 온다. 

이를 이용하여 일일이 파일 이름을 복붙하지 않아도 파일을 불러올 수 있다. 

- 병합하기 

# 빈 데이터프레임 준비
raw = pd.DataFrame() 

# 병합
for file in os.listdir('./rawfiles'):
#     print(file)
    fpath = './rawfiles/'+file
    print(fpath)
    temp = pd.read_csv(fpath)
    raw = raw.append(temp, ignore_index = True)   #ignore_index = True  --> 기존 인덱스는 무시하라.

위와 같이 빈 데이터프레임에 파일을 하나씩 추가한다. ignore_index=True를 사용하여 기존 인덱스를 무시하지 않으면 원래 자신의 인덱스를 사용하여 인덱스가 뒤죽박죽으로 설정되어 있게된다. 순서대로 해주기 위함이다. 

 병합한 데이터 살펴보기 

raw.head()

raw.tail()

raw.info()

총 99342 개의 row로 , raw.tail()을 했을 때 index의 결과와 같으므로 정상적으로 병합된 것을 볼 수 있다. 

 '요일' 컬럼 추가 해보기 - datetime 사용 

from datetime import datetime

- datetime.strptime()

date_str = str(20190601)     # 숫자가 아닌 문자로 입력되어야 함
date = datetime.strptime(date_str, "%Y%m%d")
date

datetime.datetime(2019, 6, 1, 0, 0)

# 월요일 : 0 ~ 일요일 : 6
weekday = date.weekday()
weekday

5

직접 달력을 찾아보지 않고도 , datetime 라이브러리를 사용하면 이렇게 요일을 반환해 준다. 

- '요일' 컬럼 추가 

weekday_dict = [ '월','화','수','목','금','토','일']
weekday_list = []

for date_str in raw['사용일자']:
    date = datetime.strptime(str(date_str), "%Y%m%d")
    weekday_index  = date.weekday()
    weekday = weekday_dict[weekday_index]
    weekday_list.append(weekday)

weekday_list에 각 row의 요일을 추가해 준다. 

raw['요일'] = weekday_list
raw.sample(5)

'요일' 컬럼을 추가해 주고 , sample을 이용하여 랜덤으로 row를 불러와서 확인해 본다. 

raw.columns

new_columns = ['사용일자',  '요일', '노선명', '역ID', '역명', '승차총승객수', '하차총승객수', '등록일자']
raw = raw[ new_columns ]
raw.head()

요일을 앞에 두기 위해 컬럼의 위치를 바꾸어 선택해준다. 

 데이터 저장 

raw.to_excel('./data/subway_raw.xlsx', index = False)

to_excel() 을 이용하여 엑셀 파일로 저장해 준다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/55

 특정 팀에 강한 선수가 있을까? 

* idea : '상대' 컬럼으로 겨루었던 상대 팀을 추출하여 각각의 상대 팀과의 경기에서의 출루율을 계산한다.  

- 데이터 불러오기 

import pandas as pd

file  = './data/KBO_2019_player_gamestats.csv'
raw = pd.read_csv(file, encoding = 'cp949')
raw.head()

- 상대 팀별 기록 정리 

raw['상대'].unique()

우선 unique() 를 이용하여 '상대' 컬럼에 있는 값들을 확인해 준다. 앞에 @가 붙은 경우는 원정경기, 그렇지 않으면 홈 경기를 의미한다. 이를 '홈어웨이' 라는 컬럼을 추가하여 구분하도록 하고 , '상대팀' 컬럼에는 팀명만을 넣어준다.  

opp_list = [ ]
home_away_list = [ ]

for opp in raw['상대']:
    if "@" in opp:
        home_away = '원정'
        opp = opp.replace('@', '')
    else:
        home_away = '홈'
    home_away_list.append(home_away)
    opp_list.append(opp)

raw['홈어웨이'] = home_away_list
raw['상대팀'] = opp_list
raw.head()

for문을 이용하여 홈어웨이와 상대팀을 구분하고 ,  두개의 컬럼을 추가해 주었다. 

factors = ['타수','안타','홈런', '루타', '타점','볼넷', '사구', '희비']
data = raw.pivot_table(index = ['팀','이름','생일', '상대팀'],
                      values = factors,
                       aggfunc = 'sum')
data.head()

선수들의 상태팀 별 실적을 집계하기 위해 피벗 테이블을 생성한다. 

cond = data['타수'] > 0 
data = data[ cond ]
data.head()

타수가 없는 선수들은 데이터프레임에서 제외시킨다. 

data = data.reset_index()
data.head()

reset_index를 사용하여 index를 모두 컬럼으로 변경해 준다. 

- 타자 vs 상대팀 별 실적 계산 

def cal_hit(df):
    '''
    - 타율 : 공을 쳐서 나가는 비율 --> 안타 / 타수
    - 출루율: 진루해서 나가는 비율 -->  (안타+볼넷+몸에맞는볼)/(타수+볼넷+몸에맞는볼+희생플라이)
    - 장타율 : 타율에 진루한 베이스 가중치 추가 -->   루타 / 타수
    '''
    
    df['타율'] = df['안타'] / df['타수']
    df['출루율'] = (df['안타'] + df['볼넷'] + df['사구']) / (df['타수'] + df['사구'] + df['희비'])
    df['장타율'] = df['루타'] / df['타수']
    df['OPS'] = df['출루율'] + df['장타율']
    return df

이전 글에서 사용했던 함수 , 실적 계산을 하고 컬럼을 추가해 준다. 

player_stats_opp = cal_hit(data)
player_stats_opp

- 결과 보기 : DataFrame 

(1) 두산에 강한 선수 ? - 상위 10명

team = '두산'
cond = (player_stats_opp['상대팀'] == team) & (player_stats_opp['타수'] > 10)
player_stats_opp[cond].sort_values(by = '출루율', ascending = False).head(10)

상대팀이 두산이면서 , 타수가 20보다 큰 선수들을 뽑아 내고, 출루율을 기준으로 정렬하여 10명의 선수를 출력해 본다. 

따라서 상대팀이 '두산' 일 때 출루율 상위 10명의 이름을 뽑아보면 다음과 같다

player_stats_opp[cond].sort_values(by = '출루율', ascending = False)['이름'].head(10)

(2) 롯데에 강한 선수 ? - 상위 10명

team = '롯데'
cond = (player_stats_opp['상대팀'] == team) & (player_stats_opp['타수'] > 20)
player_stats_opp[cond].sort_values(by = '출루율', ascending = False).head(10)

동일하게 시행 해 준다. 

상대팀이 '두산' 일 때 출루율 상위 10명의 이름을 뽑아보면 다음과 같다

player_stats_opp[cond].sort_values(by = '출루율', ascending = False)['이름'].head(10)

(3) KBO 전체 팀을 상대로 팀 별 출루율 상위 5인 타자들 확인해 보기 

hitter_df = pd.DataFrame()

for team in player_stats_opp['상대팀'].unique():
    print(team)
    cond = (player_stats_opp['상대팀'] == team) & (player_stats_opp['타수'] > 20)
    df = player_stats_opp[cond].sort_values(by = '출루율', ascending = False).head(5)
    hitter_df = hitter_df.append(df)

hitter_df

특정 팀 상대 출루율 Top5 안에 들어 있는 타자 리스트 (중복 제거) 

hitter_df['이름'].unique()

- 결과보기 : Heatmap (시각화) 

cond = player_stats_opp['이름'].isin(hitter_df['이름'].unique())
top_df = player_stats_opp[cond]
top_pivot = top_df.pivot_table(index = ['팀','이름'], values = '출루율', columns = '상대팀', aggfunc = 'sum')
top_pivot

위에서 만들어 놓았던 특정 팀을 상대로 출루율 top5 안에 들었던 이름들만 player_stats_opp에서 뽑아온 후 , 해당 선수들의 상대팀 별 출루율 pivot_table을 생성한다.  

import matplotlib
from matplotlib import font_manager, rc
import platform
import matplotlib.pyplot as plt
import seaborn as sns

# 이미지 한글 표시 설정
if platform.system() == 'Windows':  # 윈도우인 경우 맑은고딕
    font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
    rc('font', family=font_name)
else:    # Mac 인 경우 애플고딕
    rc('font', family='AppleGothic')

#그래프에서 마이너스 기호가 표시되도록 하는 설정입니다.
matplotlib.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots( figsize=(15,15) )

sns.heatmap(data = top_pivot, 
            annot = True, fmt = '.3f', 
            cmap = 'Reds',
            center= 0.4   # 컬러맵 중간값 지정
           )

색이 진할수록 출루율이 높음을 의미한다. 예를 들어 , NC의 양의지 선수는 해당 시즌에서 KIA를 상대로 한 경기에서 출루율이 높았으며 , 한화의 정근우 선수는 LG와의 경기에서 강했다는 것을 알 수 있다.  

sns.heatmap(data = top_pivot, 
            annot = True, fmt = '.3f', 
            cmap = 'Reds',
            center= 0.6   # 컬러맵 중간값 지정
           )

상대적인 크기를 살펴보고자 할 때는 center를 변경해 가며 확인해볼 수 있다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/54

 데이터 불러오기 

import pandas as pd

file  = './data/KBO_2019_player_gamestats.csv'
raw = pd.read_csv(file, encoding = 'cp949')
raw.head()

이전 포스팅에서 사용했던 데이터를 그대로 불러온다. 

 야구선수가 강해지는 계절이 있을까 ? 

idea : '일자' 컬럼에서 월 정보만 추출해 내어 월 별 출루율을 시각화 해본다. 

1. 월 별 기록 정리하기 

- '일자' 컬럼에서 월 추출하기 

month_list = []
for monthdate in raw['일자']:
    month, date = monthdate.split('-')
    month_list.append(month)
raw['월'] = month_list

raw.head()

- 분석에 필요한 컬럼 선택 

columns_select = ['팀', '이름', '생일','일자', '상대','타수','안타','홈런', '루타', '타점','볼넷', '사구', '희비', '월']

data = raw[columns_select]
data.head()

- 월별 실적 집계 

data_player_month = data.pivot_table(index = ['팀','이름','생일', '월'], 
                               values = ['타수','안타','홈런','루타','타점','볼넷','사구','희비'], 
                              aggfunc = 'sum', fill_value = 0
                                )
data_player_month

팀, 이름, 생일로 선수를 구분하고, 월별 실적을 집계하는 pivot table을 생성한다. 비어있는 곳은 0으로 값을 채워 준다. 

data_player_month = data_player_month.reset_index()
data_player_month

reset_index로 멀티인덱스를 컬럼으로 변경해 준다. 

- 타율, 출루율, 장타율, OPS ( 주요 실적 계산 ) 컬럼 추가 

def cal_hit(df):
    '''
    - 타율 : 공을 쳐서 나가는 비율 --> 안타 / 타수
    - 출루율: 진루해서 나가는 비율 -->  (안타+볼넷+몸에맞는볼)/(타수+볼넷+몸에맞는볼+희생플라이)
    - 장타율 : 타율에 진루한 베이스 가중치 추가 -->   루타 / 타수
    '''
    
    df['타율'] = df['안타'] / df['타수']
    df['출루율'] = (df['안타'] + df['볼넷'] + df['사구']) / (df['타수'] + df['볼넷'] + df['사구'] + df['희비'])
    df['장타율'] = df['루타'] / df['타수']
    df['OPS'] = df['출루율'] + df['장타율']
    return df

player_month_stat = cal_hit(data_player_month)
player_month_stat.head()

player_month_stat.info()

결측값이 있는 것을 확인할 수 있다. 

player_month_stat = player_month_stat.dropna()
player_month_stat.head()

dropna()를 이용하여 결측값이 있는 row를 제거해 준다. 

player_month_stat.info()

결측값이 모두 채워졌다! 

- 월별 출루율 

month_pivot = player_month_stat.pivot_table(index = ['팀','이름','생일'],
                             columns = '월',
                             values = '출루율')
month_pivot = month_pivot.reset_index()
month_pivot

위와 같이 선수들의 월 별 출루율 피벗테이블을 생성하였다. 

2. 결과 : KBO 출루율 최고타자들의 월 별 출루율 확인해 보기 

- KBO 출루율 최고타자 데이터 불러오기 

file = './data/player_stat.csv'
player_stat = pd.read_csv(file, encoding = 'cp949')
player_stat.head(20)

저번 글의 주제였던 출루율을 기준으로 정렬해 놓은 데이터이다. 이 데이터와 위에서 만들어 놓은 월 별 출루율 데이터를 합병하여 출루율 상위 50명의 선수들의 월 별 출루율 기록을 확인해 보자. 

- 데이터 합병 

df = pd.merge(player_stat, month_pivot, how = 'left', on = ['팀','이름','생일'])
# left_on = ['팀','이름','생일'], right_on = ['팀','이름','생일']
df.head(10)

df_sort = df.sort_values(by = '출루율', ascending = False).head(50)
df_sort

다시한번 출루율을 기준으로 정렬 하고 , 50개의 데이터를 df_sort 에 넣어 준다. 

df_selected = df_sort[['팀', '이름', '출루율', '03', '04', '05', '06', '07', '08', '09', '10']]
df_selected

그리고 df_sort에서 출루율과 관련된 컬럼만 뽑아서 df_selectied 변수를 선언한다. 

숫자로 나와있으니 50명의 선수들의 월 별 기록이 어떤지 가늠이 안 간다. 따라서 시각화를 통하여 확인하도록 한다. 

- 시각화로 한눈에 보기 

df_selected = df_selected.set_index(['팀','이름'])
df_selected

히트맵을 사용하여 시각화를 할 것이다. 이 때 데이터프레임의 values 부분은 모두 숫자형 데이터로만 되어 있어야 한다. 따라서 팀, 이름 컬럼은 index로 변경해 준다. 

import matplotlib
from matplotlib import font_manager, rc
import platform
import matplotlib.pyplot as plt
import seaborn as sns

# 이미지 한글 표시 설정
if platform.system() == 'Windows':  # 윈도우인 경우 맑은고딕
    font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
    rc('font', family=font_name)
else:    # Mac 인 경우 애플고딕
    rc('font', family='AppleGothic')

#그래프에서 마이너스 기호가 표시되도록 하는 설정입니다.
matplotlib.rcParams['axes.unicode_minus'] = False

sns.heatmap(df_selected)

조금 더 설정을 주어 보기 쉽게 만들어 보자. 

fig, ax = plt.subplots( figsize=(15,15) )
sns.heatmap(data = df_selected, 
            annot = True, fmt = '.3f', 
            cmap = 'Reds'
           )

진한 빨간색일 수록 보다 높은 출루율을 가진다. 아직은 월 별로 더 잘한 건지 못한 건지 한 눈에 보기는 어렵다. 따라서 시즌 전체 출루율과의 차이를 구하여  확인해 보자. 

for col in df_selected.columns[1:]:
    df_selected[col] = df_selected[col] - df_selected['출루율'] 
df_selected['출루율'] = 0.0

시즌 출루율과 월별 출루율의 차이를 모두 구한 후, 시즌 출루율의 영향을 받지 않게 하기 위해 모두 0으로 바꾸어 준다. 

fig, ax = plt.subplots( figsize=(10,10) )

sns.heatmap(data = df_selected.head(50), 
            annot = True, fmt = '.3f', 
            cmap = 'RdBu_r'
           )

빨간색이 짙으면 시즌 출루율 보다 높은 출루율을 갖고 있으며, 파란색이 짙다면 , 시즌 출루율 보다 더 낮은 출루율을 갖고 있음을 의미 한다. 예를 들어 한화 최재훈 선수는 3월 출루율이 우세했고, KIA 유민상 선수는 6월에 비해 7월에 엄청난 출루율 상승을 보인다. 계절에 따른 영향이 있는지 궁금했는데 , (더운 여름철에는 기록이 줄어드는 등 ) 선수 마다 모두 다르고, 확실히 특정 달에 출루율이 높아지는 선수들이 있는 것을 볼 수 있었다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/53

 사전 지식 

• 타율 : 타격에 성공해 살아나가는 정도 

= 타격 성공 횟수 / 타격 기회 수 

= 안타 수 / 타수 

• 출루율 : 살아서 나가는 정도 

= 진루 성공 횟수 / 진루 기회 수 

= (안타+볼넷+몸에 맞는 볼) / (타수+볼넷+몸에 맞는 볼+희생 플라이) 

• 장타율 : 타격에 성공해 멀리 살아나가는 정도 

= 진루한 베이스 수 / 타격 기회 수 

= 루타 수 / 타수 

(타율에 거리 개념 추가 : 2루타 = 1루타 x 2) 

• OPS  : 살아서 멀리 나가는 정도   

= 출루율 + 장타율 

*** 본 기초 시각화 프로젝트에서는 출루율 - 장타율 - ops - 타율 을 기준으로 best player 를 분석한다. ***

 데이터 불러오기 & 살펴보기 

import pandas as pd

file  = './data/KBO_2019_player_gamestats.csv'
raw = pd.read_csv(file, encoding = 'cp949')

데이터 : KBO 2019 시즌 타자 기록지 데이터 (러닝스푼즈 제공) 

raw.head()

타자 & 게임 별로 기록되어 있다. 

raw.info()

raw.columns

사용할 컬럼을 뽑기 위해 전체 컬럼을 살펴 본다. 

columns_select = ['팀', '이름', '생일','일자', '상대','타수','안타','홈런', '루타', '타점','볼넷', '사구', '희비']
data = raw[columns_select]
data.head()

원하는 컬럼만 뽑아서 DataFrame을 생성하고, data에 넣어주었다. 

 KBO best player 분석하기 

- 선수별 기록 집계 

data_player = data.pivot_table(index = ['팀','이름','생일'], 
                               values = ['타수','안타','홈런','루타','타점','볼넷','사구','희비'], 
                              aggfunc = 'sum')

data_player

pivot_table 을 사용하여 팀, 이름 , 생일을 기준으로 타수, 안타, 홈런, 루타, 타점, 볼넷, 사구, 희비의 총 합계를 집계한다. 

data_player['타수'].hist()

판다스에서 기본으로 내장되어 있는 시리즈.hist()를 사용하여 타수의 분포 살펴보기 . ( 타수가 적은 선수를 제외하기 위해 어느 정도가 적은지 판단하는 데 사용 ) 분포를 살펴보니, 타수가 50 이하인 선수를 제외하면 적절할 것 같다. 

cond = data_player['타수'] > 50
data_player = data_player[cond].reset_index()    # 다중 인덱스 --> 컬럼으로 변경하기
data_player

타수가 50 초과인 선수들만 추리고, 수월한 컨트롤을 위해 reset_index()를 사용하여 다중 인덱스를 컬럼으로 변경해준다. 

def cal_hit(df):
    '''
    - 타율 : 타격에 성공해서 진루하는 비율 --> 안타 / 타수
    - 출루율: 살아서 진루하는 비율 -->  (안타+볼넷+몸에맞는볼)/(타수+볼넷+몸에맞는볼+희생플라이)
    - 장타율 : 타율에 진루한 베이스 가중치 추가 -->   루타 / 타수
    - OPS : 출루율 + 장타율 
    '''
    
    df['타율'] = df['안타'] / df['타수']
    df['출루율'] = (df['안타'] + df['볼넷'] + df['사구']) / (df['타수'] + df['볼넷'] + df['사구'] + df['희비'])
    df['장타율'] = df['루타'] / df['타수']
    df['OPS'] = df['출루율'] + df['장타율']
    return df

데이터프레임을 넣어 주면 best player 를 선정하는 기준인 타율, 출루율, 장타율, OPS 컬럼을 계산하여 생성하는 함수이다. 

player_stat = cal_hit(data_player)
player_stat

- 출루율 -> 장타율 -> OPS -> 타율 순서대로 정렬하여 best 10 player 뽑아보기 

player_stat = player_stat.sort_values(by = ['출루율','장타율','OPS', '타율'], ascending = False)
player_stat = player_stat.reset_index(drop = True)
player_stat.head(10)

인덱스가 뒤죽박죽으로 정렬되므로, reset_index()를 이용하여 인덱스를 정렬해 준다. 

결론적으로 출루율을 기준으로 한 KBO 2019 시즌 best player는 다음과 같다.

player_stat['이름'][:10]

 팀별 선수들의 출루율 분포 살펴보기 

import matplotlib
from matplotlib import font_manager, rc
import platform
import matplotlib.pyplot as plt
import seaborn as sns

# 이미지 한글 표시 설정
if platform.system() == 'Windows':  # 윈도우인 경우 맑은고딕
    font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
    rc('font', family=font_name)
else:    # Mac 인 경우 애플고딕
    rc('font', family='AppleGothic')

#그래프에서 마이너스 기호가 표시되도록 하는 설정입니다.
matplotlib.rcParams['axes.unicode_minus'] = False

우선 그래프를 그렸을 때 한글이 깨지는 것을 방지하기 위해 폰트설정을 하고 , 마이너스 기호 표시 여부를 설정한다. 

- 팀 별 출루율 분포 ( boxplot & swarmplot ) 

sns.boxplot(data = player_stat, x = '팀', y = '출루율')

개수도 직관적으로 보기 위해 swarmplot을 추가 한다. 

sns.swarmplot(data = player_stat, x = '팀', y = '출루율')
sns.boxplot(data = player_stat, x = '팀', y = '출루율')

색깔이 겹치기 때문에 boxplot에 여러 옵션을 주어 보기 편하게 만들어 준다. 

sns.swarmplot(data = player_stat, x = '팀', y = '출루율')
sns.boxplot(data = player_stat, x = '팀', y = '출루율',
            showcaps=False,             # 박스 상단 가로라인 보이지 않기
            whiskerprops={'linewidth':0}, # 박스 상단 세로 라인 보이지 않기 
            showfliers=False,           # 박스 범위 벗어난 아웃라이어 표시하지 않기
            boxprops={'facecolor':'None'}, # 박스 색상 지우기
           )

이렇게 팀별 선수들의 출루율 분포를 확인해볼 수 있다. NC 팀이 가장 높은 출루율을 가진 선수를 보유하고 있고, 출루율이 가장 많이 몰려 있는 팀은 LG팀인 것으로 보여지며, 출루율의 중위수가 가장 높은 팀은 두산인 것 등을 한 눈에 알 수 있다.    

 마무리 : csv 파일로 저장하기 

file = './data/player_stat.csv'
player_stat.to_csv(file, encoding = 'cp949', index = False)

본 포스팅에서 분석에 사용한 player_stat을 csv 파일로 저장하는 방법이다. 

러닝스푼즈 수업 정리 

< 이전 글 > 

https://silvercoding.tistory.com/52

1. folium 라이브러리 사용해보기 

 folium 라이브러리 

!pip install folium

folium 라이브러리 설치하기 

import folium

folium 라이브러리를 import 해준다. 

 folium 지도 시각화 사용 법 

지도 시각화

• 지도생성하기
  • m = folium.Map(location = [위도, 경도], zoom_start = 확대정도)
• 정보 추가하기
  • 마커 추가하기
    • folium.Marker([위도, 경도]).add_to(m)
  • 원 추가하기
    • folium.CircleMarker([위도, 경도], radius= 원크기).add_to(m)
  • 추가옵션:
    • tooltip="마우스 올리면 보여질 정보"
    • popup="클릭하면 보여질 정보"
  • 기타) ClickForMarker('체크').add_to(m) 지도에서 클릭할 경우 마커 추가하기

 서울역 지도 시각화

m = folium.Map(location=[37.5536067,126.9674308],  
               zoom_start=12)
m

- 마커 추가 

folium.Marker([37.5536067,126.9674308],    # 서울역위치
              tooltip="서울역(마우스올리면보여짐)",
              popup="서울역(클릭하면 보여짐)",
              ).add_to(m)
m

tooltip과 popup을 사용하여 마우스를 올리거나 , 클릭하면 메시지를 띄울 수 있다. 

- 서클마커 추가 

folium.CircleMarker([37.5536067,126.9674308],
                    radius=20,
                    tooltip = '마우스올릴경우'
               ).add_to(m)
m

- 미니맵 추가 MiniMap 

from folium.plugins import MiniMap

# 지도 생성하기
m = folium.Map(location=[37.5536067,126.9674308],   # 기준좌표: 서울역
               zoom_start=12)

# 미니맵 추가하기
minimap = MiniMap() 
minimap.add_to(m)


# 마커 추가하기
folium.Marker([37.5536067,126.9674308],    # 서울역위치
              tooltip="서울역(마우스올리면보여짐)",
              popup="서울역(클릭하면 보여짐)",
              ).add_to(m)
m

미니맵을 생성하고, add_to로 추가해 준다. 

 - 클릭해서 마크 추가하기 

# 지도 생성하기
m = folium.Map(location=[37.5536067,126.9674308],   # 기준좌표: 서울역
               zoom_start=12)

# 써클마커 추가하기
folium.CircleMarker([37.5536067,126.9674308],
                    radius=20,
                    tooltip = '마우스올릴경우'
               ).add_to(m)
folium.ClickForMarker('체크추가').add_to(m)    
m

마우스로 클릭해서 직접 마커를 추가해줄 수도 있다. (ClickForMarker 사용) 

2. 응용 : 서울 대피소 현황 지도 만들기 

< 데이터 출처 > 

http://data.seoul.go.kr/dataList/OA-2189/S/1/datasetView.do

import pandas as pd

DataFrame을 사용할 것이기 때문에 pandas를 import 해준다. 

file = './data/서울시 대피소 방재시설 현황 (좌표계_ WGS1984).csv'
raw = pd.read_csv(file, encoding = 'cp949')   # encoding = 'cp949' : MS 프로그램 사용시, 그외의 경우 encoding = 'utf-8'  (기본값)

raw.head()

raw.info()

수업에서는 위도, 경도를 설정하여 마커를 추가하고 , 마우스를 마커 위에 올리면 대피소 명칭을 보여주는 것 까지 배웠고 , 거기에 더해서 클릭하면 최대 수용인원이 나오도록 하는 지도를 만들어 본다. 

i = 7

lat = raw.loc[i, '위도']
long = raw.loc[i, '경도']
name = raw.loc[i,'대피소명칭']
num = raw.loc[i, '최대수용인원']

print(lat, long, name, num)

37.5365343 126.9650202 남정초등학교 300

우선 인덱스가 7일 때의 필요한 정보를 얻어보기 

for i in range(len(raw)):
    lat = raw.loc[i, '위도']
    long = raw.loc[i, '경도']
    name = raw.loc[i,'대피소명칭']
    num = raw.loc[i, '최대수용인원']


    print(name, lat, long, num)

총 694개의 데이터가 나왔을 것이다. 

# 지도 생성하기
m = folium.Map(location=[37.5536067,126.9674308],
               zoom_start=12)
m
# 대피소 마커 추가하기

for i in range(len(raw)):
    lat = raw.loc[i, '위도']
    long = raw.loc[i, '경도']
    name = raw.loc[i,'대피소명칭']
    num = raw.loc[i, '최대수용인원']


    folium.Marker([lat, long],tooltip= name, popup='%d명'%num).add_to(m)    
m

for문을 이용하여 대피소 모든 곳에 마커를 찍어 준다. 

* 문제점 : 마커가 너무 많아서 지도를 살펴보기에 어려움이 생긴다 

* 해결 : MarkerCluster 를 이용하여 근처에 있는 마커들 끼리 그룹으로 표현한다. 

 MarkerCluster 사용하여 그룹 생성하기 

# 지도 생성하기
m = folium.Map(location=[37.5536067,126.9674308],
               zoom_start=12)
marker_cluster = MarkerCluster().add_to(m)  # 클러스터 추가하기

# 대피소 마커 추가하기

for i in range(len(raw)):
    lat = raw.loc[i, '위도']
    long = raw.loc[i, '경도']
    name = raw.loc[i,'대피소명칭']
    num = raw.loc[i, '최대수용인원']


    folium.Marker([lat, long],tooltip= name, popup='%d명'%num).add_to(marker_cluster)    
m

그룹을 클릭하여 자세히 확대가 되면, 마커를 볼 수 있다. 보다 지도를 효율적으로 확인할 수 있게 되었다. 

- 미니맵 추가 

from folium.plugins import MiniMap

# 지도 생성하기
m = folium.Map(location=[37.5536067,126.9674308],
               zoom_start=12)
marker_cluster = MarkerCluster().add_to(m)  # 클러스터 추가하기


# 미니맵 추가 
minimap = MiniMap()
m.add_child(minimap) 


# 대피소 마커 추가하기
for i in range(len(raw)):
    lat = raw.loc[i, '위도']
    long = raw.loc[i, '경도']
    name = raw.loc[i,'대피소명칭']
    num = raw.loc[i, '최대수용인원']


    folium.Marker([lat, long],tooltip= name, popup='%d명'%num).add_to(marker_cluster)    
m

 마무리 : 지도 저장 (html) 

m.save('./data/Sheltermap.html')

html로 저장하여 큰 화면으로 언제든 지도를 꺼내볼 수 있다.