서울 지하철 역별 시간대별 혼잡도 분석 및 시각화¶

1. 환경 설정¶

한글 폰트 설정

In [ ]:

!sudo apt-get install -y fonts-nanum
!sudo fc-cache -fv
!rm ~/.cache/matplotlib -rf

구글 드라이브를 사용하는 경우

In [ ]:

from google.colab import drive
drive.mount('/content/drive')

Mounted at /content/drive

2. 데이터 변환¶

In [ ]:

import pandas as pd

df = pd.read_csv("/content/drive/MyDrive/Project/Data_viz/역별시간대별_혼잡도/서울교통공사_역별시간대별혼잡도_20221231.csv", encoding='euc-kr')

In [ ]:

# 시간 컬럼들의 이름을 확인하여 변환 대상을 파악
time_columns = df.columns[6:]  # 시간 데이터가 시작하는 컬럼부터 선택

# 시간 형식 변환 함수 정의
def convert_time_format(time_str):
    # "시"와 "분"을 기준으로 시간과 분을 분리
    hour, minute = time_str.split('시')
    minute = minute.rstrip('분')
    # 시간 형식을 "HH:MM"으로 변환
    return f"{int(hour):02d}:{int(minute):02d}"

# 시간 컬럼들의 이름을 새로운 형식으로 변환
new_time_columns = [convert_time_format(col) for col in time_columns]

# 데이터프레임의 컬럼 이름을 업데이트
df.columns = list(df.columns[:6]) + new_time_columns

# 변환된 데이터의 처음 몇 줄을 출력하여 확인
df.head()

Out[ ]:

	연번	요일구분	호선	역번호	출발역	상하구분	05:30	06:00	06:30	07:00	...	20:00	20:30	21:00	21:30	22:00	22:30	23:00	23:30	00:00	00:30
0	1	평일	1	150	서울역	상선	7.3	18.1	18.1	30.9	...	15.6	17.1	17.7	14.9	13.7	17.2	10.4	8.8	8.8	1.2
1	2	평일	1	150	서울역	하선	11.5	11.0	13.2	21.4	...	35.3	36.1	35.0	29.4	39.2	26.1	17.1	11.8	8.5	0.0
2	3	평일	1	151	시청	상선	6.6	15.4	14.7	25.0	...	19.1	20.7	21.8	17.5	18.5	18.4	14.9	11.5	7.0	2.8
3	4	평일	1	151	시청	하선	9.0	9.1	14.6	20.0	...	30.5	32.4	31.1	28.5	30.2	22.2	15.4	10.1	6.5	0.8
4	5	평일	1	152	종각	상선	6.3	14.4	10.7	17.6	...	26.8	25.2	29.7	22.6	26.1	24.0	19.7	14.6	9.6	4.2

5 rows × 45 columns

In [ ]:

df.shape

Out[ ]:

(1658, 45)

In [ ]:

# "요일구분"이 "평일"인 데이터만 필터링
weekday_df = df[df['요일구분'] == '평일']

In [ ]:

# 시간대별 컬럼 리스트 생성
time_columns = weekday_df.columns[6:]

# 결과를 저장할 빈 DataFrame 생성
results_df = pd.DataFrame(columns=['시간대', '호선', '출발역(상하구분)', '혼잡도'])

# 각 시간대별로 반복
for time in time_columns:
    for line in range(1, 10):  # 1호선부터 9호선까지
        # 현재 시간대와 호선에 해당하는 행들 필터링
        line_df = weekday_df[weekday_df['호선'] == line]
        if not line_df.empty:
            # 혼잡도가 가장 높은 행 찾기
            max_row = line_df.loc[line_df[time].idxmax()]
            # 결과 데이터프레임에 추가
            results_df = results_df.append({
                '시간대': time,
                '호선': f"{line}호선",
                '출발역(상하구분)': f"{max_row['출발역']}({max_row['상하구분']})",
                '혼잡도': max_row[time]
            }, ignore_index=True)

results_df

In [ ]:

results_df[results_df['시간대'] == '05:30']

Out[ ]:

	시간대	호선	출발역(상하구분)	혼잡도
0	05:30	1호선	신설동(하선)	20.2
1	05:30	2호선	대림(내선)	82.5
2	05:30	3호선	무악재(하선)	43.7
3	05:30	4호선	성신여대입구(하선)	67.0
4	05:30	5호선	양평(하선)	42.6
5	05:30	6호선	망원(하선)	35.0
6	05:30	7호선	어린이대공원(하선)	109.0
7	05:30	8호선	문정(상선)	40.2

3. 데이터 애니메이션 시각화¶

3-1. 레이싱 바 차트¶

In [ ]:

import plotly.express as px
import plotly.graph_objects as go

In [ ]:

# 호선별 색상 매핑
color_map = {
    '1호선': '#0052A4',
    '2호선': '#00A84D',
    '3호선': '#EF7C1C',
    '4호선': '#00A5DE',
    '5호선': '#996CAC',
    '6호선': '#CD7C2F',
    '7호선': '#747F00',
    '8호선': '#E6186C',
    '9호선': '#BDB092'
}

In [ ]:

# 혼잡도의 최댓값 계산
max_congestion = results_df['혼잡도'].max()

In [ ]:

# 가로 바 차트 생성 및 애니메이션 적용
fig = px.bar(results_df, y='호선', x='혼잡도', color='호선',
             animation_frame='시간대', orientation='h', range_x=[0, max_congestion+5],
             color_discrete_map=color_map, text='출발역(상하구분)',
             category_orders={"순위": list(range(1, 11))})

# 출발역(상하구분) 텍스트 추가 및 y축 라벨 수정
fig.update_layout(xaxis_title='혼잡도',
                  yaxis=dict(title='호선', categoryorder='total descending', autorange='reversed'),
                  # title=dict(text='지하철 혼잡도 순위', font=dict(size=50), automargin=True, yref='paper'),
                legend_title_text='호선',
                plot_bgcolor='rgba(0,0,0,0)',  # 배경색 변경
                paper_bgcolor='rgba(0,0,0,0)',  # 배경색 변경
                font=dict(
                    family="NanumGothic",  # 글꼴 설정
                    size=12,  # 기본 글꼴 크기
                    color="RebeccaPurple"  # 글꼴 색상
                    ), )

# 그리드 라인 스타일 조정
fig.update_xaxes(showgrid=True, gridwidth=1, gridcolor='RebeccaPurple')

# Y축 레이블 숨기기 및 눈금 라벨 제거
fig.update_layout(yaxis_title="")
fig.update_yaxes(showticklabels=False)

fig.layout.updatemenus[0].buttons[0].args[1]["frame"]["duration"] = 1000  # 여기서 1000은 1000밀리초, 즉 1초를 의미합니다.

fig.show()

In [ ]:

fig.write_html("racing_bar_plot.html")

3-2. 지도 차트¶

In [ ]:

df_map_xy = pd.read_csv("https://raw.githubusercontent.com/henewsuh/subway_crd_line_info/main/%EC%A7%80%ED%95%98%EC%B2%A0%EC%97%AD_%EC%A2%8C%ED%91%9C.csv", encoding='cp949')

In [ ]:

df_map_xy.head()

Out[ ]:

	역이름	y	x
0	가락시장	37.492522	127.118234
1	종로3가	37.571607	126.991806
2	오금	37.502162	127.128111
3	동대문	37.571420	127.009745
4	동대문역사문화공원	37.565138	127.007896

In [ ]:

gis_results_df = results_df.copy()

In [ ]:

# 출발역(상하구분) 컬럼의 값을 활용하여 해당 역의 x 및 y 좌표를 찾아서 부동소수점(float)으로 변환하여 저장합니다.
def get_x_coordinate(station_name):
    station_row = df_map_xy[df_map_xy['역이름'] == station_name]
    if len(station_row) > 0:
        return float(station_row["x"].values[0])
    else:
        return None

def get_y_coordinate(station_name):
    station_row = df_map_xy[df_map_xy['역이름'] == station_name]
    if len(station_row) > 0:
        return float(station_row["y"].values[0])
    else:
        return None

gis_results_df["X"] = gis_results_df["출발역(상하구분)"].apply(lambda x: get_x_coordinate(x[:x.find('(')]))
gis_results_df["Y"] = gis_results_df["출발역(상하구분)"].apply(lambda x: get_y_coordinate(x[:x.find('(')]))

In [ ]:

gis_results_df[gis_results_df["X"].isna()]

Out[ ]:

	시간대	호선	출발역(상하구분)	혼잡도	X	Y
48	08:30	1호선	서울역(상선)	82.7	NaN	NaN
64	09:30	1호선	서울역(상선)	52.3	NaN	NaN
72	10:00	1호선	서울역(상선)	36.9	NaN	NaN
88	11:00	1호선	서울역(상선)	30.9	NaN	NaN
96	11:30	1호선	서울역(상선)	30.9	NaN	NaN
112	12:30	1호선	서울역(상선)	39.2	NaN	NaN
136	14:00	1호선	서울역(하선)	34.2	NaN	NaN
152	15:00	1호선	서울역(하선)	42.3	NaN	NaN
168	16:00	1호선	서울역(하선)	48.7	NaN	NaN
176	16:30	1호선	서울역(하선)	54.5	NaN	NaN
184	17:00	1호선	서울역(하선)	62.7	NaN	NaN
192	17:30	1호선	서울역(하선)	70.2	NaN	NaN
200	18:00	1호선	서울역(하선)	107.8	NaN	NaN
208	18:30	1호선	서울역(하선)	82.2	NaN	NaN
216	19:00	1호선	서울역(하선)	46.5	NaN	NaN
224	19:30	1호선	서울역(하선)	37.1	NaN	NaN
232	20:00	1호선	서울역(하선)	35.3	NaN	NaN
240	20:30	1호선	서울역(하선)	36.1	NaN	NaN
264	22:00	1호선	서울역(하선)	39.2	NaN	NaN

In [ ]:

import numpy as np

# 결측치인 행을 찾습니다.
missing_rows = gis_results_df[gis_results_df["X"].isna()]

# 결측치인 행에 대해 "X" 및 "Y" 값을 지정하여 입력합니다.
for index, row in missing_rows.iterrows():
    station_name = row["출발역(상하구분)"][:row["출발역(상하구분)"].find('(')]
    x_coordinate = get_x_coordinate(station_name)
    y_coordinate = get_y_coordinate(station_name)

    gis_results_df.at[index, "X"] = 37.554648
    gis_results_df.at[index, "Y"] = 126.972559

# 결과 확인
print(gis_results_df)

       시간대   호선   출발역(상하구분)   혼잡도           X          Y
0    05:30  1호선     신설동(하선)  20.2  127.025087  37.575297
1    05:30  2호선      대림(내선)  82.5  126.895801  37.492970
2    05:30  3호선     무악재(하선)  43.7  126.950291  37.582299
3    05:30  4호선  성신여대입구(하선)  67.0  127.016403  37.592624
4    05:30  5호선      양평(하선)  42.6  126.885778  37.525648
..     ...  ...         ...   ...         ...        ...
307  00:30  4호선   한성대입구(상선)  18.3  127.006221  37.588458
308  00:30  5호선   영등포구청(상선)  26.7  126.895951  37.524970
309  00:30  6호선     동묘앞(하선)  12.8  127.016429  37.572627
310  00:30  7호선     용마산(상선)  23.8  127.086727  37.573647
311  00:30  8호선      송파(하선)  12.1  127.112183  37.499703

[312 rows x 6 columns]

In [ ]:

gis_results_df[gis_results_df["X"].isna()]

Out[ ]:

	시간대	호선	출발역(상하구분)	혼잡도	X	Y

In [ ]:

# 서울특별시 경계선을 포함한 GeoJSON 파일을 불러옵니다.
import geopandas as gpd

# GeoJSON 파일을 읽어옵니다.
seoul_boundary_gdf = gpd.read_file('https://blog.kakaocdn.net/dn/dzgBUs/btrDtibaqaT/aYboMA5dCPJiEMBI15OSA1/SIDO_MAP_2022.json?attach=1&knm=tfile.json')

In [ ]:

seoul_boundary_gdf = seoul_boundary_gdf[seoul_boundary_gdf['CTP_KOR_NM'] == '서울특별시']

In [ ]:

seoul_boundary_gdf

Out[ ]:

	CTPRVN_CD	CTP_ENG_NM	CTP_KOR_NM	geometry
0	11	Seoul	서울특별시	POLYGON ((126.98400 37.63600, 126.94800 37.657...

In [ ]:

# 호선별 색상 매핑
color_map = {
    '1호선': '#0052A4',
    '2호선': '#00A84D',
    '3호선': '#EF7C1C',
    '4호선': '#00A5DE',
    '5호선': '#996CAC',
    '6호선': '#CD7C2F',
    '7호선': '#747F00',
    '8호선': '#E6186C',
    '9호선': '#BDB092'
}

In [ ]:

# 출발역의 호선 정보에 대한 색상을 매핑합니다.
gis_results_df['색상'] = gis_results_df['호선'].map(color_map)

In [ ]:

gis_results_df

Out[ ]:

	시간대	호선	출발역(상하구분)	혼잡도	X	Y	색상
0	05:30	1호선	신설동(하선)	20.2	127.025087	37.575297	#0052A4
1	05:30	2호선	대림(내선)	82.5	126.895801	37.492970	#00A84D
2	05:30	3호선	무악재(하선)	43.7	126.950291	37.582299	#EF7C1C
3	05:30	4호선	성신여대입구(하선)	67.0	127.016403	37.592624	#00A5DE
4	05:30	5호선	양평(하선)	42.6	126.885778	37.525648	#996CAC
...	...	...	...	...	...	...	...
307	00:30	4호선	한성대입구(상선)	18.3	127.006221	37.588458	#00A5DE
308	00:30	5호선	영등포구청(상선)	26.7	126.895951	37.524970	#996CAC
309	00:30	6호선	동묘앞(하선)	12.8	127.016429	37.572627	#CD7C2F
310	00:30	7호선	용마산(상선)	23.8	127.086727	37.573647	#747F00
311	00:30	8호선	송파(하선)	12.1	127.112183	37.499703	#E6186C

312 rows × 7 columns

In [ ]:

gis_results_df

In [ ]:

# 출발역(상하구분)과 색상을 딕셔너리로 변환
color_dict = dict(zip(gis_results_df['출발역(상하구분)'], gis_results_df['색상']))

print(color_dict)

{'신설동(하선)': '#0052A4', '대림(내선)': '#00A84D', '무악재(하선)': '#EF7C1C', '성신여대입구(하선)': '#00A5DE', '양평(하선)': '#996CAC', '망원(하선)': '#CD7C2F', '어린이대공원(하선)': '#747F00', '문정(상선)': '#E6186C', '낙성대(외선)': '#00A84D', '독립문(하선)': '#EF7C1C', '한성대입구(하선)': '#00A5DE', '광나루(하선)': '#996CAC', '강동구청(하선)': '#E6186C', '사당(외선)': '#00A84D', '길동(상선)': '#996CAC', '중곡(하선)': '#747F00', '몽촌토성(하선)': '#E6186C', '동묘앞(하선)': '#CD7C2F', '지축(하선)': '#EF7C1C', '홍제(하선)': '#EF7C1C', '서울역(상선)': '#0052A4', '창신(상선)': '#CD7C2F', '철산(상선)': '#747F00', '장지(상선)': '#E6186C', '동대문(하선)': '#00A5DE', '남태령(상선)': '#00A5DE', '교대(외선)': '#00A84D', '경복궁(하선)': '#EF7C1C', '군자(하선)': '#747F00', '송파(상선)': '#E6186C', '방배(외선)': '#00A84D', '혜화(하선)': '#00A5DE', '옥수(하선)': '#EF7C1C', '안국(하선)': '#EF7C1C', '종로5가(하선)': '#0052A4', '교대(상선)': '#EF7C1C', '서초(외선)': '#00A84D', '종로3가(상선)': '#0052A4', '서울역(하선)': '#0052A4', '강남(내선)': '#00A84D', '압구정(하선)': '#EF7C1C', '동대문역사문화공원(상선)': '#00A5DE', '방배(내선)': '#00A84D', '신사(상선)': '#EF7C1C', '길동(하선)': '#996CAC', '합정(상선)': '#CD7C2F', '건대입구(상선)': '#747F00', '압구정(상선)': '#EF7C1C', '남태령(하선)': '#00A5DE', '시청(하선)': '#0052A4', '안국(상선)': '#EF7C1C', '동대문(상선)': '#00A5DE', '군자(상선)': '#747F00', '서초(내선)': '#00A84D', '독립문(상선)': '#EF7C1C', '가산디지털단지(하선)': '#747F00', '석촌(하선)': '#E6186C', '혜화(상선)': '#00A5DE', '가락시장(상선)': '#E6186C', '경복궁(상선)': '#EF7C1C', '강동구청(상선)': '#E6186C', '내방(하선)': '#747F00', '잠실(상선)': '#E6186C', '어린이대공원(상선)': '#747F00', '종로5가(상선)': '#0052A4', '동묘앞(상선)': '#0052A4', '사당(내선)': '#00A84D', '홍제(상선)': '#EF7C1C', '한성대입구(상선)': '#00A5DE', '망원(상선)': '#CD7C2F', '을지로4가(내선)': '#00A84D', '영등포구청(상선)': '#996CAC', '신설동(상선)': '#0052A4', '교대(내선)': '#00A84D', '지축(상선)': '#EF7C1C', '용마산(상선)': '#747F00', '송파(하선)': '#E6186C'}

In [ ]:

import plotly.graph_objects as go
import plotly.express as px

# Scattermapbox 그래프를 생성합니다.
fig = px.scatter_mapbox(gis_results_df, lat="Y", lon="X", size_max=100,
                        size="혼잡도", color="출발역(상하구분)",
                        animation_frame="시간대", animation_group="출발역(상하구분)",
                        zoom=10, center={"lat": 37.57, "lon": 127.0},
                        mapbox_style="open-street-map",
                        title="출발역 혼잡도 시각화",
                        color_discrete_map=color_dict)

# 원의 색상과 크기를 설정합니다.
fig.update_traces(marker=dict(opacity=0.7))

# Choroplethmapbox 그래프를 생성하여 서울시 경계를 지도에 추가합니다.
fig.add_trace(go.Choroplethmapbox(
    geojson=seoul_boundary_gdf.__geo_interface__,
    locations=seoul_boundary_gdf.index,
    z=seoul_boundary_gdf.index,
    colorscale="Viridis",
    marker_opacity=0.3,
    hoverinfo='location+z'
))

# 폰트 지정
fig.update_layout(font=dict(
    family="NanumGothic",
    size=12,
    color="RebeccaPurple"
))

# 범례 레이아웃 투명하게 설정
fig.update_layout(legend=dict(
    yanchor="top",
    y=0.99,
    xanchor="right",
    x=0.99,
    bgcolor='rgba(255,255,255,0.8)'
))

# 애니메이션 슬라이더의 단계 설정
steps = []
for i, hour in enumerate(gis_results_df['시간대'].unique()):
    step = dict(
        method="animate",
        args=[[hour], {"frame": {"duration": 3000, "redraw": True}, "mode": "immediate"}],
        label=f"{hour}"
    )
    steps.append(step)

# 그래프의 크기와 애니메이션 속도 설정
fig.update_layout(
    width=1000,  # 그래프의 너비
    height=800,  # 그래프의 높이
    sliders=dict(
        currentvalue=dict(
            prefix="애니메이션 속도: ",
            font=dict(size=16),
            visible=True,
            xanchor="center",
            yanchor="top",  # y축 위치 조정
            y=-0.1  # y축 위치 조정
        ),
        steps=[]
    )
)

fig.show()

In [ ]:

import plotly.graph_objects as go
import plotly.express as px

# Scattermapbox 그래프를 생성합니다.
fig = px.scatter_mapbox(gis_results_df, lat="Y", lon="X", size_max=100,
                        size="혼잡도", color="출발역(상하구분)",
                        animation_frame="시간대", animation_group="출발역(상하구분)",
                        zoom=10, center={"lat": 37.57, "lon": 127.0},
                        mapbox_style="open-street-map",
                        title="출발역 혼잡도 시각화",
                        color_discrete_map=color_dict)

# 원의 색상과 크기를 설정합니다.
fig.update_traces(marker=dict(opacity=0.7))

# Choroplethmapbox 그래프를 생성하여 서울시 경계를 지도에 추가합니다.
fig.add_trace(go.Choroplethmapbox(
    geojson=seoul_boundary_gdf.__geo_interface__,
    locations=seoul_boundary_gdf.index,
    z=[1]*len(seoul_boundary_gdf),  # 임의의 값 할당
    colorscale="Viridis",
    marker_opacity=0.3,
    hoverinfo='location+z',
))

# 폰트 지정
fig.update_layout(font=dict(
    family="NanumGothic",
    size=12,
    color="RebeccaPurple"
))

# 범례 레이아웃 설정
fig.update_layout(legend=dict(
    yanchor="top",
    y=0.99,
    xanchor="right",
    x=0.99,
    bgcolor='rgba(255,255,255,0.8)',
    itemsizing='constant',  # 범례 아이템 크기 고정
    itemwidth=100,  # 각 범례 아이템의 너비 설정
    font=dict(size=16)  # 폰트 크기 설정
))

# 애니메이션 슬라이더의 단계 설정
steps = []
for i, hour in enumerate(gis_results_df['시간대'].unique()):
    step = dict(
        method="animate",
        args=[[hour], {"frame": {"duration": 3000, "redraw": True}, "mode": "immediate"}],
        label=f"{hour}"
    )
    steps.append(step)

# 그래프의 크기와 애니메이션 속도 설정
fig.update_layout(
    width=1000,  # 그래프의 너비
    height=800,  # 그래프의 높이
    sliders=dict(
        currentvalue=dict(
            prefix="애니메이션 속도: ",
            font=dict(size=16),
            visible=True,
            xanchor="center",
            yanchor="top",  # y축 위치 조정
            y=-0.1  # y축 위치 조정
        ),
        steps=[]
    )
)

fig.show()

In [ ]:

fig.write_html("animation_plot.html")

* 브라우저 및 디바이스에 따라 시각화 애니메이션이 잘 안 보일 수 있습니다.

'IT > 데이터분석' 카테고리의 다른 글

[시각화][애니메이션] 유튜버의 미래는 밝을까? - 2024 문화여가활동 분석 (0)	2024.03.01
[시각화] MZ세대의 문해력은 정말로 낮을까? - 성인문해능력조사 분석 (0)	2024.02.07

logN^블

[시각화][애니메이션] 지하철은 내가 탈 때만 붐비는 걸까? - 서울 지하철 시간대별 혼잡도 분석

서울 지하철 역별 시간대별 혼잡도 분석 및 시각화¶

1. 환경 설정¶

2. 데이터 변환¶

3. 데이터 애니메이션 시각화¶

3-1. 레이싱 바 차트¶

3-2. 지도 차트¶

'IT > 데이터분석' 카테고리의 다른 글

티스토리툴바

[시각화][애니메이션] 지하철은 내가 탈 때만 붐비는 걸까? - 서울 지하철 시간대별 혼잡도 분석

서울 지하철 역별 시간대별 혼잡도 분석 및 시각화¶

1. 환경 설정¶

2. 데이터 변환¶

3. 데이터 애니메이션 시각화¶

3-1. 레이싱 바 차트¶

3-2. 지도 차트¶

'IT > 데이터분석' 카테고리의 다른 글

관련글

티스토리툴바