import pandas as pd
import numpy as np자료분석: 저출산
데이터읽기 // pd.read_html()
- 대한민국의 저출산문제
- ref: https://ko.wikipedia.org/wiki/대한민국의_저출산
- 위의 url에서 3,5번째 테이블을 읽고싶다.
3번째 테이블: 시도별 출산율
5번째 테이블: 시도별 출생아 수
_dflst=pd.read_html('https://ko.wikipedia.org/wiki/%EB%8C%80%ED%95%9C%EB%AF%BC%EA%B5%AD%EC%9D%98_%EC%A0%80%EC%B6%9C%EC%82%B0')
_df1 = _dflst[2]
_df2 = _dflst[4]_df1 # 시도별 출산율| 지역/연도[6] | 2005 | 2006[7] | 2007 | 2008[8] | 2009[9] | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울 | 0.92 | 0.97 | 1.06 | 1.01 | 0.96 | 1.02 | 1.01 | 1.06 | 0.97 | 0.98 | 1.00 | 0.94 | 0.84 | 0.76 | 0.72 | 0.64 | 0.63 |
| 1 | 부산 | 0.88 | 0.91 | 1.02 | 0.98 | 0.94 | 1.05 | 1.08 | 1.14 | 1.05 | 1.09 | 1.14 | 1.10 | 0.98 | 0.90 | 0.83 | 0.75 | 0.73 |
| 2 | 대구 | 0.99 | 1.00 | 1.13 | 1.07 | 1.03 | 1.11 | 1.15 | 1.22 | 1.13 | 1.17 | 1.22 | 1.19 | 1.07 | 0.99 | 0.93 | 0.81 | 0.78 |
| 3 | 인천 | 1.07 | 1.11 | 1.25 | 1.19 | 1.14 | 1.21 | 1.23 | 1.30 | 1.20 | 1.21 | 1.22 | 1.14 | 1.01 | 1.01 | 0.94 | 0.83 | 0.78 |
| 4 | 광주 | 1.10 | 1.14 | 1.26 | 1.20 | 1.14 | 1.22 | 1.23 | 1.30 | 1.17 | 1.20 | 1.21 | 1.17 | 1.05 | 0.97 | 0.91 | 0.81 | 0.90 |
| 5 | 대전 | 1.10 | 1.15 | 1.27 | 1.22 | 1.16 | 1.21 | 1.26 | 1.32 | 1.23 | 1.25 | 1.28 | 1.19 | 1.08 | 0.95 | 0.88 | 0.81 | 0.81 |
| 6 | 울산 | 1.18 | 1.24 | 1.40 | 1.34 | 1.31 | 1.37 | 1.39 | 1.48 | 1.39 | 1.44 | 1.49 | 1.42 | 1.26 | 1.13 | 1.08 | 0.99 | 0.94 |
| 7 | 세종 | - | - | - | - | - | - | - | 1.60 | 1.44 | 1.35 | 1.89 | 1.82 | 1.67 | 1.57 | 1.47 | 1.28 | 1.28 |
| 8 | 경기 | 1.17 | 1.23 | 1.35 | 1.29 | 1.23 | 1.31 | 1.31 | 1.36 | 1.23 | 1.24 | 1.27 | 1.19 | 1.07 | 1.00 | 0.94 | 0.88 | 0.85 |
| 9 | 강원 | 1.18 | 1.19 | 1.35 | 1.25 | 1.25 | 1.31 | 1.34 | 1.37 | 1.25 | 1.25 | 1.31 | 1.24 | 1.12 | 1.07 | 1.08 | 1.04 | 0.98 |
| 10 | 충북 | 1.19 | 1.22 | 1.39 | 1.32 | 1.32 | 1.40 | 1.43 | 1.49 | 1.37 | 1.36 | 1.41 | 1.36 | 1.24 | 1.17 | 1.05 | 0.98 | 0.95 |
| 11 | 충남 | 1.26 | 1.35 | 1.50 | 1.44 | 1.41 | 1.48 | 1.50 | 1.57 | 1.44 | 1.42 | 1.48 | 1.40 | 1.28 | 1.19 | 1.11 | 1.03 | 0.96 |
| 12 | 전북 | 1.17 | 1.20 | 1.37 | 1.31 | 1.28 | 1.37 | 1.41 | 1.44 | 1.32 | 1.33 | 1.35 | 1.25 | 1.15 | 1.04 | 0.97 | 0.91 | 0.85 |
| 13 | 전남 | 1.28 | 1.33 | 1.53 | 1.45 | 1.45 | 1.54 | 1.57 | 1.64 | 1.52 | 1.50 | 1.55 | 1.47 | 1.33 | 1.24 | 1.23 | 1.15 | 1.02 |
| 14 | 경북 | 1.17 | 1.20 | 1.36 | 1.31 | 1.27 | 1.38 | 1.43 | 1.49 | 1.38 | 1.41 | 1.46 | 1.40 | 1.26 | 1.17 | 1.09 | 1.00 | 0.97 |
| 15 | 경남 | 1.18 | 1.25 | 1.43 | 1.37 | 1.32 | 1.41 | 1.45 | 1.50 | 1.37 | 1.41 | 1.44 | 1.36 | 1.23 | 1.12 | 1.05 | 0.95 | 0.90 |
| 16 | 제주 | 1.30 | 1.36 | 1.48 | 1.39 | 1.38 | 1.46 | 1.49 | 1.60 | 1.43 | 1.48 | 1.48 | 1.43 | 1.31 | 1.22 | 1.15 | 1.02 | 0.95 |
| 17 | 전국 | 1.08 | 1.13 | 1.25 | 1.19 | 1.15 | 1.23 | 1.24 | 1.30 | 1.19 | 1.21 | 1.24 | 1.17 | 1.05 | 0.98 | 0.92 | 0.84 | 0.81 |
_df2 # 시도별 출생아수| 지역/연도[6] | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울 | 93266 | 91526 | 93914.000 | 84066.000 | 83711.000 | 83005 | 75.536 | 65389 | 58074 | 53.673 | 47400 | 45531 |
| 1 | 부산 | 27415 | 27759 | 28673.000 | 25831.000 | 26190.000 | 26645 | 24906.000 | 21480 | 19152 | 17049.000 | 15100 | 14446 |
| 2 | 대구 | 20557 | 20758 | 21472.000 | 19340.000 | 19361.000 | 19438 | 18298.000 | 15946 | 14400 | 13233.000 | 11200 | 10661 |
| 3 | 인천 | 25752 | 20758 | 21472.000 | 25560.000 | 25786.000 | 25491 | 23609.000 | 20445 | 20087 | 18522.000 | 16000 | 14947 |
| 4 | 광주 | 13979 | 13916 | 14392.000 | 12729.000 | 12729.000 | 12441 | 11580.000 | 10120 | 9105 | 8364.000 | 7300 | 7956 |
| 5 | 대전 | 14314 | 14808 | 15279.000 | 14099.000 | 13962.000 | 13774 | 12436.000 | 10851 | 9337 | 8410.000 | 7500 | 7414 |
| 6 | 울산 | 11432 | 11542 | 12160.000 | 11330.000 | 11556.000 | 11732 | 10910.000 | 9381 | 8149 | 7539.000 | 6600 | 6127 |
| 7 | 세종 | - | - | 1054.000 | 1111.000 | 1344.000 | 2708 | 3297.000 | 3504 | 3703 | 3819.000 | 3500 | 3570 |
| 8 | 경기 | 121753 | 122027 | 124746.000 | 112129.000 | 112.169 | 113495 | 105643.000 | 94088 | 83198 | 83.198 | 77800 | 76139 |
| 9 | 강원 | 12477 | 12408 | 12426.000 | 10980.000 | 10662.000 | 10929 | 10058.000 | 9958 | 8351 | 8283.000 | 7800 | 7357 |
| 10 | 충북 | 14670 | 14804 | 15139.000 | 13658.000 | 13366.000 | 13563 | 12742.000 | 11394 | 10586 | 9333.000 | 8600 | 8190 |
| 11 | 충남 | 20.242 | 20.398 | 20.448 | 18.628 | 18200.000 | 18604 | 17302.000 | 15670 | 14380 | 13228.000 | 11900 | 10984 |
| 12 | 전북 | 16100 | 16175 | 16238.000 | 14555.000 | 14231.000 | 14087 | 12698.000 | 11348 | 10001 | 8971.000 | 8200 | 7745 |
| 13 | 전남 | 16654 | 16612 | 16990.000 | 15401.000 | 14817.000 | 15061 | 13980.000 | 12354 | 11238 | 10832.000 | 9700 | 8430 |
| 14 | 경북 | 23700 | 24250 | 24635.000 | 22206.000 | 22062.000 | 22310 | 20616.000 | 17957 | 16079 | 14472.000 | 12900 | 12045 |
| 15 | 경남 | 32203 | 32536 | 33211.000 | 29504.000 | 29763.000 | 29537 | 27138.000 | 23849 | 21224 | 19250.000 | 16800 | 15562 |
| 16 | 제주 | 5657 | 5628 | 5992.000 | 5328.000 | 5526.000 | 5600 | 5494.000 | 5037 | 4781 | 4500.000 | 4000 | 3728 |
| 17 | 전국 | 470171 | 471265 | 484550.000 | 436455.000 | 435435.000 | 438420 | 406243.000 | 357771 | 326822 | 302676.000 | 272400 | 260562 |
데이터정리
- 전국 행 삭제
- 지역/연도[6]에 있는 2006[7] 이런 것 정리
- nan값 표시
_df1.drop(17)\
.melt(id_vars='지역/연도[6]').variable.unique()array(['2005', '2006[7]', '2007', '2008[8]', '2009[9]', '2010', '2011',
'2012', '2013', '2014', '2015', '2016', '2017', '2018', '2019',
'2020', '2021'], dtype=object)df1 = _df1.drop(17)\
.melt(id_vars='지역/연도[6]')\
.assign(variable = lambda df: list(map(lambda x:x[:4], df.variable)))
df1| 지역/연도[6] | variable | value | |
|---|---|---|---|
| 0 | 서울 | 2005 | 0.92 |
| 1 | 부산 | 2005 | 0.88 |
| 2 | 대구 | 2005 | 0.99 |
| 3 | 인천 | 2005 | 1.07 |
| 4 | 광주 | 2005 | 1.10 |
| ... | ... | ... | ... |
| 284 | 전북 | 2021 | 0.85 |
| 285 | 전남 | 2021 | 1.02 |
| 286 | 경북 | 2021 | 0.97 |
| 287 | 경남 | 2021 | 0.9 |
| 288 | 제주 | 2021 | 0.95 |
289 rows × 3 columns
df1.value.unique()array(['0.92', '0.88', '0.99', '1.07', '1.10', '1.18', '-', '1.17',
'1.19', '1.26', '1.28', '1.30', '0.97', '0.91', '1.00', '1.11',
'1.14', '1.15', '1.24', '1.23', '1.22', '1.35', '1.20', '1.33',
'1.25', '1.36', '1.06', '1.02', '1.13', '1.27', '1.40', '1.39',
'1.50', '1.37', '1.53', '1.43', '1.48', '1.01', '0.98', '1.34',
'1.29', '1.32', '1.44', '1.31', '1.45', '0.96', '0.94', '1.03',
'1.16', '1.41', '1.38', '1.05', '1.21', '1.54', '1.46', '1.08',
'1.57', '1.49', 1.06, 1.14, 1.22, 1.3, 1.32, 1.48, 1.6, 1.36, 1.37,
1.49, 1.57, 1.44, 1.64, 1.5, 0.97, 1.05, 1.13, 1.2, 1.17, 1.23,
1.39, 1.25, 1.52, 1.38, 1.43, 0.98, 1.09, 1.21, 1.35, 1.24, 1.42,
1.33, 1.41, 1.0, 1.28, 1.89, 1.27, 1.31, 1.55, 1.46, 0.94, 1.1,
1.19, 1.82, 1.4, 1.47, 0.84, 1.07, 1.01, 1.08, 1.26, 1.67, 1.12,
1.15, 0.76, 0.9, 0.99, 0.95, 1.04, 0.72, 0.83, 0.93, 0.91, 0.88,
1.11, 0.64, 0.75, 0.81, 1.03, 1.02, 0.63, 0.73, 0.78, 0.85, 0.96],
dtype=object)문자열, 숫자.. 다 섞여있음
df1 = df1.assign(value=lambda df: list(map(lambda x: None if x=='-' else float(x), df.value)))df1=df1.set_axis(['지역','연도','출산율'],axis=1)
df1| 지역 | 연도 | 출산율 | |
|---|---|---|---|
| 0 | 서울 | 2005 | 0.92 |
| 1 | 부산 | 2005 | 0.88 |
| 2 | 대구 | 2005 | 0.99 |
| 3 | 인천 | 2005 | 1.07 |
| 4 | 광주 | 2005 | 1.10 |
| ... | ... | ... | ... |
| 284 | 전북 | 2021 | 0.85 |
| 285 | 전남 | 2021 | 1.02 |
| 286 | 경북 | 2021 | 0.97 |
| 287 | 경남 | 2021 | 0.90 |
| 288 | 제주 | 2021 | 0.95 |
289 rows × 3 columns
df2 = _df2.drop(17)\
.melt(id_vars='지역/연도[6]')\
.assign(value = lambda df: list(map(lambda x: None if x=='-' else float(x), df.value)))\
.set_axis(['지역','연도','출생아수'],axis=1)
df2| 지역 | 연도 | 출생아수 | |
|---|---|---|---|
| 0 | 서울 | 2010 | 93266.0 |
| 1 | 부산 | 2010 | 27415.0 |
| 2 | 대구 | 2010 | 20557.0 |
| 3 | 인천 | 2010 | 25752.0 |
| 4 | 광주 | 2010 | 13979.0 |
| ... | ... | ... | ... |
| 199 | 전북 | 2021 | 7745.0 |
| 200 | 전남 | 2021 | 8430.0 |
| 201 | 경북 | 2021 | 12045.0 |
| 202 | 경남 | 2021 | 15562.0 |
| 203 | 제주 | 2021 | 3728.0 |
204 rows × 3 columns
시각화I: 전국 출생아수 시각화
df2.groupby(['연도']).agg({'출생아수':np.sum}).reset_index().plot(x='연도',y='출생아수',backend='plotly')- 일괄적으로 감소하는 느낌은 없음
시각화II: 시도별 출생아수 시각화
- 시각화예시1
df2.plot.line(backend='plotly', x='연도', y='출생아수', color='지역')- 서울과 경기가 특이하네..
- 시각화예시2: plot.area
df2.plot.area(backend='plotly',x='연도',y='출생아수',color='지역')areaplot의 최상단의 선: 전국출생아수 시각화와 같음 (일괄적으로 감소하는 느낌은 별로 없음. 그 이유는 서울과 경기지역 때문임)
areaplot의 장점: 전국출생아수를 연도별로 시각화 하는 느낌 + 각 연도를 도시별로 분해하여 해석하는 느낌
시각화III: 시도별 출산율 시각화
df1.plot.line(backend='plotly', x='연도', y='출산율', color='지역')상식과 일치하는 정상적인 플랏 ( 출산율이 2021 이후로 꺽이는 느낌이 든다.)
여기서는 서울/경기가 정상인듯 보인다.
출산율의 경우 합계 출산율이 크게 의미가 없으므로 areaplot는 생략
해석
- 이상한점: 서울/경기지역에서 특정연도의 출생아수가 매우 낮으나 서울/경기지역의 출산’율’은 모든 년도에서 고른값을 가짐
- 해석: 데이터가 이상?? / 원본 데이터를 확인하니 오타가 있음.. 컴마를 온점으로 찍음 ㅠ
데이터의 수정 (1): df2 상태에서 수정
df2.sort_values("출생아수")[:10]| 지역 | 연도 | 출생아수 | |
|---|---|---|---|
| 62 | 충남 | 2013 | 18.628 |
| 11 | 충남 | 2010 | 20.242 |
| 28 | 충남 | 2011 | 20.398 |
| 45 | 충남 | 2012 | 20.448 |
| 153 | 서울 | 2019 | 53.673 |
| 102 | 서울 | 2016 | 75.536 |
| 161 | 경기 | 2019 | 83.198 |
| 76 | 경기 | 2014 | 112.169 |
| 41 | 세종 | 2012 | 1054.000 |
| 58 | 세종 | 2013 | 1111.000 |
- 오타로 예상되는 서울/경기/충남 이외의 가장 작은 값은 2012년 세종시인데, 이 값이 1054로 1000보다 크다.
- 출생아수 < 1000 이면 출생아수 * 1000을 수행하는 함수를 구현하자.
df2.assign(출생아수 = list(map(lambda x: x*1000 if x<1000 else x, df2.출생아수)))| 지역 | 연도 | 출생아수 | |
|---|---|---|---|
| 0 | 서울 | 2010 | 93266.0 |
| 1 | 부산 | 2010 | 27415.0 |
| 2 | 대구 | 2010 | 20557.0 |
| 3 | 인천 | 2010 | 25752.0 |
| 4 | 광주 | 2010 | 13979.0 |
| ... | ... | ... | ... |
| 199 | 전북 | 2021 | 7745.0 |
| 200 | 전남 | 2021 | 8430.0 |
| 201 | 경북 | 2021 | 12045.0 |
| 202 | 경남 | 2021 | 15562.0 |
| 203 | 제주 | 2021 | 3728.0 |
204 rows × 3 columns
- 수정 잘 됬는지 시각화
df2.assign(출생아수 = list(map(lambda x: x*1000 if x<1000 else x, df2.출생아수)))\
.plot.area(x='연도', y='출생아수', color='지역', backend='plotly')- 전체출산율이 점점 낮아지고 있고 항목별로 살펴보아도 모든 도시의 출생아수가 점차 낮아지고 있음
데이터의 수정 (2): _df2 상태에서 수정
applymap
- 예비학습
pd.DataFrame(np.arange(4).reshape(2,2)).applymap(lambda x:x**2+1)| 0 | 1 | |
|---|---|---|
| 0 | 1 | 2 |
| 1 | 5 | 10 |
- 모든 element에 똑같이 함수를 적용하는 함수
_df2.set_index('지역/연도[6]') # 임의로 인덱스를 빼자. 값에 applymap을 쓰기 위해서| 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 지역/연도[6] | ||||||||||||
| 서울 | 93266 | 91526 | 93914.000 | 84066.000 | 83711.000 | 83005 | 75.536 | 65389 | 58074 | 53.673 | 47400 | 45531 |
| 부산 | 27415 | 27759 | 28673.000 | 25831.000 | 26190.000 | 26645 | 24906.000 | 21480 | 19152 | 17049.000 | 15100 | 14446 |
| 대구 | 20557 | 20758 | 21472.000 | 19340.000 | 19361.000 | 19438 | 18298.000 | 15946 | 14400 | 13233.000 | 11200 | 10661 |
| 인천 | 25752 | 20758 | 21472.000 | 25560.000 | 25786.000 | 25491 | 23609.000 | 20445 | 20087 | 18522.000 | 16000 | 14947 |
| 광주 | 13979 | 13916 | 14392.000 | 12729.000 | 12729.000 | 12441 | 11580.000 | 10120 | 9105 | 8364.000 | 7300 | 7956 |
| 대전 | 14314 | 14808 | 15279.000 | 14099.000 | 13962.000 | 13774 | 12436.000 | 10851 | 9337 | 8410.000 | 7500 | 7414 |
| 울산 | 11432 | 11542 | 12160.000 | 11330.000 | 11556.000 | 11732 | 10910.000 | 9381 | 8149 | 7539.000 | 6600 | 6127 |
| 세종 | - | - | 1054.000 | 1111.000 | 1344.000 | 2708 | 3297.000 | 3504 | 3703 | 3819.000 | 3500 | 3570 |
| 경기 | 121753 | 122027 | 124746.000 | 112129.000 | 112.169 | 113495 | 105643.000 | 94088 | 83198 | 83.198 | 77800 | 76139 |
| 강원 | 12477 | 12408 | 12426.000 | 10980.000 | 10662.000 | 10929 | 10058.000 | 9958 | 8351 | 8283.000 | 7800 | 7357 |
| 충북 | 14670 | 14804 | 15139.000 | 13658.000 | 13366.000 | 13563 | 12742.000 | 11394 | 10586 | 9333.000 | 8600 | 8190 |
| 충남 | 20.242 | 20.398 | 20.448 | 18.628 | 18200.000 | 18604 | 17302.000 | 15670 | 14380 | 13228.000 | 11900 | 10984 |
| 전북 | 16100 | 16175 | 16238.000 | 14555.000 | 14231.000 | 14087 | 12698.000 | 11348 | 10001 | 8971.000 | 8200 | 7745 |
| 전남 | 16654 | 16612 | 16990.000 | 15401.000 | 14817.000 | 15061 | 13980.000 | 12354 | 11238 | 10832.000 | 9700 | 8430 |
| 경북 | 23700 | 24250 | 24635.000 | 22206.000 | 22062.000 | 22310 | 20616.000 | 17957 | 16079 | 14472.000 | 12900 | 12045 |
| 경남 | 32203 | 32536 | 33211.000 | 29504.000 | 29763.000 | 29537 | 27138.000 | 23849 | 21224 | 19250.000 | 16800 | 15562 |
| 제주 | 5657 | 5628 | 5992.000 | 5328.000 | 5526.000 | 5600 | 5494.000 | 5037 | 4781 | 4500.000 | 4000 | 3728 |
| 전국 | 470171 | 471265 | 484550.000 | 436455.000 | 435435.000 | 438420 | 406243.000 | 357771 | 326822 | 302676.000 | 272400 | 260562 |
- 방법1
_df2.set_index('지역/연도[6]')\
.applymap(lambda x: None if x=='-' else float(x))\
.applymap(lambda x: x*1000 if x<1000 else x)\
.drop('전국')\
.stack().reset_index()| 지역/연도[6] | level_1 | 0 | |
|---|---|---|---|
| 0 | 서울 | 2010 | 93266.0 |
| 1 | 서울 | 2011 | 91526.0 |
| 2 | 서울 | 2012 | 93914.0 |
| 3 | 서울 | 2013 | 84066.0 |
| 4 | 서울 | 2014 | 83711.0 |
| ... | ... | ... | ... |
| 197 | 제주 | 2017 | 5037.0 |
| 198 | 제주 | 2018 | 4781.0 |
| 199 | 제주 | 2019 | 4500.0 |
| 200 | 제주 | 2020 | 4000.0 |
| 201 | 제주 | 2021 | 3728.0 |
202 rows × 3 columns
- 방법2
df2=_df2.set_index('지역/연도[6]')\
.applymap(lambda x: None if x=='-' else float(x))\
.applymap(lambda x: x*1000 if x<1000 else x)\
.drop('전국')\
.reset_index()\
.melt(id_vars='지역/연도[6]')\
.set_axis(['지역','연도','출생아수'],axis=1)
df2| 지역 | 연도 | 출생아수 | |
|---|---|---|---|
| 0 | 서울 | 2010 | 93266.0 |
| 1 | 부산 | 2010 | 27415.0 |
| 2 | 대구 | 2010 | 20557.0 |
| 3 | 인천 | 2010 | 25752.0 |
| 4 | 광주 | 2010 | 13979.0 |
| ... | ... | ... | ... |
| 199 | 전북 | 2021 | 7745.0 |
| 200 | 전남 | 2021 | 8430.0 |
| 201 | 경북 | 2021 | 12045.0 |
| 202 | 경남 | 2021 | 15562.0 |
| 203 | 제주 | 2021 | 3728.0 |
204 rows × 3 columns
df2.plot.area(backend='plotly',x='연도',y='출생아수',color='지역')숙제
아래와 같은 통계량을 구하라.
- \(서울_{2010} = \frac{\text{2010년 서울의 출생자 수}}{\text{2010년 출생자수}}, \dots, 서울_{2021} = \frac{\text{2021년 서울의 출생자 수}}{\text{2021년 출생자수}}\)
참고로 계산결과는 [0.198, 0.196, 0.196, 0.193, 0.192, 0.189, 0.186, 0.182, 0.18, 0.177, 0.174, 0.175] 와 같다.
lineplot을 이용하여 아래와 같이 시각화 하라.
dfyear=df2.groupby('연도')['출생아수'].sum().reset_index().rename({'출생아수':'연도별출생아수합'},axis=1)
dfyear| 연도 | 연도별출생아수합 | |
|---|---|---|
| 0 | 2010 | 470171.0 |
| 1 | 2011 | 465905.0 |
| 2 | 2012 | 478241.0 |
| 3 | 2013 | 436455.0 |
| 4 | 2014 | 435435.0 |
| 5 | 2015 | 438420.0 |
| 6 | 2016 | 406243.0 |
| 7 | 2017 | 358771.0 |
| 8 | 2018 | 321845.0 |
| 9 | 2019 | 302676.0 |
| 10 | 2020 | 272300.0 |
| 11 | 2021 | 260832.0 |
seoul=df2.query('지역=="서울"')
seoul.reset_index()| index | 지역 | 연도 | 출생아수 | |
|---|---|---|---|---|
| 0 | 0 | 서울 | 2010 | 93266.0 |
| 1 | 17 | 서울 | 2011 | 91526.0 |
| 2 | 34 | 서울 | 2012 | 93914.0 |
| 3 | 51 | 서울 | 2013 | 84066.0 |
| 4 | 68 | 서울 | 2014 | 83711.0 |
| 5 | 85 | 서울 | 2015 | 83005.0 |
| 6 | 102 | 서울 | 2016 | 75536.0 |
| 7 | 119 | 서울 | 2017 | 65389.0 |
| 8 | 136 | 서울 | 2018 | 58074.0 |
| 9 | 153 | 서울 | 2019 | 53673.0 |
| 10 | 170 | 서울 | 2020 | 47400.0 |
| 11 | 187 | 서울 | 2021 | 45531.0 |
dfyear.merge(seoul).eval('비율=출생아수/연도별출생아수합')| 연도 | 연도별출생아수합 | 지역 | 출생아수 | 비율 | |
|---|---|---|---|---|---|
| 0 | 2010 | 470171.0 | 서울 | 93266.0 | 0.198366 |
| 1 | 2011 | 465905.0 | 서울 | 91526.0 | 0.196448 |
| 2 | 2012 | 478241.0 | 서울 | 93914.0 | 0.196374 |
| 3 | 2013 | 436455.0 | 서울 | 84066.0 | 0.192611 |
| 4 | 2014 | 435435.0 | 서울 | 83711.0 | 0.192247 |
| 5 | 2015 | 438420.0 | 서울 | 83005.0 | 0.189328 |
| 6 | 2016 | 406243.0 | 서울 | 75536.0 | 0.185938 |
| 7 | 2017 | 358771.0 | 서울 | 65389.0 | 0.182258 |
| 8 | 2018 | 321845.0 | 서울 | 58074.0 | 0.180441 |
| 9 | 2019 | 302676.0 | 서울 | 53673.0 | 0.177328 |
| 10 | 2020 | 272300.0 | 서울 | 47400.0 | 0.174073 |
| 11 | 2021 | 260832.0 | 서울 | 45531.0 | 0.174561 |
dfyear.merge(seoul).eval('비율=출생아수/연도별출생아수합').plot.line(x='연도',y='비율',backend='plotly')df2.groupby('연도')[['출생아수']].sum().reset_index().rename({'출생아수':'년도별출생아수합'},axis=1).\
merge(df2).eval('ratio = 출생아수/년도별출생아수합').query('지역=="서울"').\
plot.line(x='연도',y='ratio',backend='plotly')