In [256]:
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import csv
In [257]:
df = pd.read_csv('work.csv', encoding = 'cp949')
df
Out[257]:
| 국가별 | 1995 | 1995.1 | 1995.2 | 1996 | 1996.1 | 1996.2 | 1997 | 1997.1 | 1997.2 | ... | 2016.2 | 2017 | 2017.1 | 2017.2 | 2018 | 2018.1 | 2018.2 | 2019 | 2019.1 | 2019.2 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 국가별 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | ... | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 |
| 1 | 아시아 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 2 | 대한민국 | 6.0 | 6.9 | 5.2 | 5.9 | 7.2 | 4.6 | 7.3 | 8.3 | 6.3 | ... | 10.1 | 9.8 | 10.0 | 9.5 | 10.1 | 10.3 | 10.0 | 9.8 | 10.1 | 9.6 |
| 3 | 아프가니스탄 | 18.3 | 17.3 | 23.0 | 18.3 | 17.5 | 22.8 | 18.3 | 17.3 | 23.0 | ... | 21.7 | 17.5 | 16.3 | 21.3 | 17.3 | 16.1 | 21.1 | 17.2 | 16.0 | 20.9 |
| 4 | 방글라데시 | 6.3 | 6.5 | 5.4 | 6.5 | 6.7 | 5.5 | 7.2 | 7.4 | 6.5 | ... | 14.3 | 12.3 | 10.4 | 16.7 | 12.2 | 10.2 | 16.6 | 12.1 | 10.2 | 16.6 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 137 | 짐바브웨 | 11.9 | 15.2 | 7.9 | 13.2 | 16.3 | 9.4 | 14.5 | 17.5 | 10.9 | ... | 9.6 | 8.3 | 7.3 | 9.5 | 8.2 | 7.3 | 9.3 | 8.1 | 7.2 | 9.2 |
| 138 | 오세아니아 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 139 | 오스트레일리아 | 15.2 | 15.5 | 14.8 | 15.6 | 16.4 | 14.8 | 15.8 | 16.9 | 14.6 | ... | 11.4 | 12.7 | 13.7 | 11.5 | 11.9 | 13.0 | 10.7 | 11.8 | 13.0 | 10.7 |
| 140 | 뉴질랜드 | 12.3 | 12.3 | 12.2 | 12.3 | 12.9 | 11.5 | 13.6 | 13.8 | 13.4 | ... | 13.5 | 12.9 | 12.6 | 13.2 | 11.7 | 12.5 | 10.9 | 11.2 | 11.0 | 11.3 |
| 141 | 파푸아뉴기니 | 5.2 | 6.1 | 4.3 | 5.3 | 6.0 | 4.5 | 5.2 | 6.2 | 4.3 | ... | 3.4 | 4.4 | 5.5 | 3.3 | 4.3 | 5.4 | 3.2 | 4.3 | 5.3 | 3.2 |
142 rows × 76 columns
In [258]:
df= df.dropna(axis=0)
df.head()
Out[258]:
| 국가별 | 1995 | 1995.1 | 1995.2 | 1996 | 1996.1 | 1996.2 | 1997 | 1997.1 | 1997.2 | ... | 2016.2 | 2017 | 2017.1 | 2017.2 | 2018 | 2018.1 | 2018.2 | 2019 | 2019.1 | 2019.2 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 국가별 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | ... | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 | 전체 | 남자 | 여자 |
| 2 | 대한민국 | 6.0 | 6.9 | 5.2 | 5.9 | 7.2 | 4.6 | 7.3 | 8.3 | 6.3 | ... | 10.1 | 9.8 | 10.0 | 9.5 | 10.1 | 10.3 | 10.0 | 9.8 | 10.1 | 9.6 |
| 3 | 아프가니스탄 | 18.3 | 17.3 | 23.0 | 18.3 | 17.5 | 22.8 | 18.3 | 17.3 | 23.0 | ... | 21.7 | 17.5 | 16.3 | 21.3 | 17.3 | 16.1 | 21.1 | 17.2 | 16.0 | 20.9 |
| 4 | 방글라데시 | 6.3 | 6.5 | 5.4 | 6.5 | 6.7 | 5.5 | 7.2 | 7.4 | 6.5 | ... | 14.3 | 12.3 | 10.4 | 16.7 | 12.2 | 10.2 | 16.6 | 12.1 | 10.2 | 16.6 |
| 5 | 부탄 | 4.8 | 5.1 | 4.3 | 4.8 | 5.1 | 4.3 | 4.7 | 5.2 | 4.3 | ... | 11.9 | 9.9 | 7.8 | 12.0 | 9.9 | 7.8 | 12.1 | 10.0 | 7.9 | 12.3 |
5 rows × 76 columns
In [259]:
work_df=df.reset_index(drop=True)
work_df.head()
work_df=work_df.loc[1:]
work_df
work_df=work_df.set_index('국가별')
In [260]:
work_df=work_df.astype(float)
print(work_df.head())
print(work_df.info())
1995 1995.1 1995.2 1996 1996.1 1996.2 1997 1997.1 1997.2 \
국가별
대한민국 6.0 6.9 5.2 5.9 7.2 4.6 7.3 8.3 6.3
아프가니스탄 18.3 17.3 23.0 18.3 17.5 22.8 18.3 17.3 23.0
방글라데시 6.3 6.5 5.4 6.5 6.7 5.5 7.2 7.4 6.5
부탄 4.8 5.1 4.3 4.8 5.1 4.3 4.7 5.2 4.3
캄보디아 1.4 0.7 2.1 1.4 0.7 2.1 1.5 0.9 2.1
1998 ... 2016.2 2017 2017.1 2017.2 2018 2018.1 2018.2 2019 \
국가별 ...
대한민국 15.5 ... 10.1 9.8 10.0 9.5 10.1 10.3 10.0 9.8
아프가니스탄 18.3 ... 21.7 17.5 16.3 21.3 17.3 16.1 21.1 17.2
방글라데시 8.0 ... 14.3 12.3 10.4 16.7 12.2 10.2 16.6 12.1
부탄 4.7 ... 11.9 9.9 7.8 12.0 9.9 7.8 12.1 10.0
캄보디아 1.6 ... 1.2 0.4 0.3 0.5 0.4 0.2 0.5 0.4
2019.1 2019.2
국가별
대한민국 10.1 9.6
아프가니스탄 16.0 20.9
방글라데시 10.2 16.6
부탄 7.9 12.3
캄보디아 0.2 0.5
[5 rows x 75 columns]
<class 'pandas.core.frame.DataFrame'>
Index: 135 entries, 대한민국 to 파푸아뉴기니
Data columns (total 75 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 1995 135 non-null float64
1 1995.1 135 non-null float64
2 1995.2 135 non-null float64
3 1996 135 non-null float64
4 1996.1 135 non-null float64
5 1996.2 135 non-null float64
6 1997 135 non-null float64
7 1997.1 135 non-null float64
8 1997.2 135 non-null float64
9 1998 135 non-null float64
10 1998.1 135 non-null float64
11 1998.2 135 non-null float64
12 1999 135 non-null float64
13 1999.1 135 non-null float64
14 1999.2 135 non-null float64
15 2000 135 non-null float64
16 2000.1 135 non-null float64
17 2000.2 135 non-null float64
18 2001 135 non-null float64
19 2001.1 135 non-null float64
20 2001.2 135 non-null float64
21 2002 135 non-null float64
22 2002.1 135 non-null float64
23 2002.2 135 non-null float64
24 2003 135 non-null float64
25 2003.1 135 non-null float64
26 2003.2 135 non-null float64
27 2004 135 non-null float64
28 2004.1 135 non-null float64
29 2004.2 135 non-null float64
30 2005 135 non-null float64
31 2005.1 135 non-null float64
32 2005.2 135 non-null float64
33 2006 135 non-null float64
34 2006.1 135 non-null float64
35 2006.2 135 non-null float64
36 2007 135 non-null float64
37 2007.1 135 non-null float64
38 2007.2 135 non-null float64
39 2008 135 non-null float64
40 2008.1 135 non-null float64
41 2008.2 135 non-null float64
42 2009 135 non-null float64
43 2009.1 135 non-null float64
44 2009.2 135 non-null float64
45 2010 135 non-null float64
46 2010.1 135 non-null float64
47 2010.2 135 non-null float64
48 2011 135 non-null float64
49 2011.1 135 non-null float64
50 2011.2 135 non-null float64
51 2012 135 non-null float64
52 2012.1 135 non-null float64
53 2012.2 135 non-null float64
54 2013 135 non-null float64
55 2013.1 135 non-null float64
56 2013.2 135 non-null float64
57 2014 135 non-null float64
58 2014.1 135 non-null float64
59 2014.2 135 non-null float64
60 2015 135 non-null float64
61 2015.1 135 non-null float64
62 2015.2 135 non-null float64
63 2016 135 non-null float64
64 2016.1 135 non-null float64
65 2016.2 135 non-null float64
66 2017 135 non-null float64
67 2017.1 135 non-null float64
68 2017.2 135 non-null float64
69 2018 135 non-null float64
70 2018.1 135 non-null float64
71 2018.2 135 non-null float64
72 2019 135 non-null float64
73 2019.1 135 non-null float64
74 2019.2 135 non-null float64
dtypes: float64(75)
memory usage: 80.2+ KB
None
In [261]:
work_df.head()
Out[261]:
| 1995 | 1995.1 | 1995.2 | 1996 | 1996.1 | 1996.2 | 1997 | 1997.1 | 1997.2 | 1998 | ... | 2016.2 | 2017 | 2017.1 | 2017.2 | 2018 | 2018.1 | 2018.2 | 2019 | 2019.1 | 2019.2 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 국가별 | |||||||||||||||||||||
| 대한민국 | 6.0 | 6.9 | 5.2 | 5.9 | 7.2 | 4.6 | 7.3 | 8.3 | 6.3 | 15.5 | ... | 10.1 | 9.8 | 10.0 | 9.5 | 10.1 | 10.3 | 10.0 | 9.8 | 10.1 | 9.6 |
| 아프가니스탄 | 18.3 | 17.3 | 23.0 | 18.3 | 17.5 | 22.8 | 18.3 | 17.3 | 23.0 | 18.3 | ... | 21.7 | 17.5 | 16.3 | 21.3 | 17.3 | 16.1 | 21.1 | 17.2 | 16.0 | 20.9 |
| 방글라데시 | 6.3 | 6.5 | 5.4 | 6.5 | 6.7 | 5.5 | 7.2 | 7.4 | 6.5 | 8.0 | ... | 14.3 | 12.3 | 10.4 | 16.7 | 12.2 | 10.2 | 16.6 | 12.1 | 10.2 | 16.6 |
| 부탄 | 4.8 | 5.1 | 4.3 | 4.8 | 5.1 | 4.3 | 4.7 | 5.2 | 4.3 | 4.7 | ... | 11.9 | 9.9 | 7.8 | 12.0 | 9.9 | 7.8 | 12.1 | 10.0 | 7.9 | 12.3 |
| 캄보디아 | 1.4 | 0.7 | 2.1 | 1.4 | 0.7 | 2.1 | 1.5 | 0.9 | 2.1 | 1.6 | ... | 1.2 | 0.4 | 0.3 | 0.5 | 0.4 | 0.2 | 0.5 | 0.4 | 0.2 | 0.5 |
5 rows × 75 columns
In [262]:
work_df=work_df.astype(float)
work_df.max(axis='columns')
Out[262]:
국가별
대한민국 18.9
아프가니스탄 23.1
방글라데시 16.7
부탄 14.2
캄보디아 2.3
...
우간다 7.2
짐바브웨 17.5
오스트레일리아 16.9
뉴질랜드 18.4
파푸아뉴기니 6.2
Length: 135, dtype: float64In [263]:
work_df.info()
<class 'pandas.core.frame.DataFrame'>
Index: 135 entries, 대한민국 to 파푸아뉴기니
Data columns (total 75 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 1995 135 non-null float64
1 1995.1 135 non-null float64
2 1995.2 135 non-null float64
3 1996 135 non-null float64
4 1996.1 135 non-null float64
5 1996.2 135 non-null float64
6 1997 135 non-null float64
7 1997.1 135 non-null float64
8 1997.2 135 non-null float64
9 1998 135 non-null float64
10 1998.1 135 non-null float64
11 1998.2 135 non-null float64
12 1999 135 non-null float64
13 1999.1 135 non-null float64
14 1999.2 135 non-null float64
15 2000 135 non-null float64
16 2000.1 135 non-null float64
17 2000.2 135 non-null float64
18 2001 135 non-null float64
19 2001.1 135 non-null float64
20 2001.2 135 non-null float64
21 2002 135 non-null float64
22 2002.1 135 non-null float64
23 2002.2 135 non-null float64
24 2003 135 non-null float64
25 2003.1 135 non-null float64
26 2003.2 135 non-null float64
27 2004 135 non-null float64
28 2004.1 135 non-null float64
29 2004.2 135 non-null float64
30 2005 135 non-null float64
31 2005.1 135 non-null float64
32 2005.2 135 non-null float64
33 2006 135 non-null float64
34 2006.1 135 non-null float64
35 2006.2 135 non-null float64
36 2007 135 non-null float64
37 2007.1 135 non-null float64
38 2007.2 135 non-null float64
39 2008 135 non-null float64
40 2008.1 135 non-null float64
41 2008.2 135 non-null float64
42 2009 135 non-null float64
43 2009.1 135 non-null float64
44 2009.2 135 non-null float64
45 2010 135 non-null float64
46 2010.1 135 non-null float64
47 2010.2 135 non-null float64
48 2011 135 non-null float64
49 2011.1 135 non-null float64
50 2011.2 135 non-null float64
51 2012 135 non-null float64
52 2012.1 135 non-null float64
53 2012.2 135 non-null float64
54 2013 135 non-null float64
55 2013.1 135 non-null float64
56 2013.2 135 non-null float64
57 2014 135 non-null float64
58 2014.1 135 non-null float64
59 2014.2 135 non-null float64
60 2015 135 non-null float64
61 2015.1 135 non-null float64
62 2015.2 135 non-null float64
63 2016 135 non-null float64
64 2016.1 135 non-null float64
65 2016.2 135 non-null float64
66 2017 135 non-null float64
67 2017.1 135 non-null float64
68 2017.2 135 non-null float64
69 2018 135 non-null float64
70 2018.1 135 non-null float64
71 2018.2 135 non-null float64
72 2019 135 non-null float64
73 2019.1 135 non-null float64
74 2019.2 135 non-null float64
dtypes: float64(75)
memory usage: 84.2+ KB
In [264]:
year_df=work_df.iloc[:,range(0,74,3)]
year_df.head()
Out[264]:
| 1995 | 1996 | 1997 | 1998 | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 | ... | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 국가별 | |||||||||||||||||||||
| 대한민국 | 6.0 | 5.9 | 7.3 | 15.5 | 13.7 | 10.5 | 10.0 | 8.4 | 9.9 | 10.3 | ... | 9.6 | 9.6 | 8.9 | 9.2 | 9.9 | 9.9 | 10.1 | 9.8 | 10.1 | 9.8 |
| 아프가니스탄 | 18.3 | 18.3 | 18.3 | 18.3 | 18.3 | 18.2 | 18.1 | 18.2 | 18.2 | 18.1 | ... | 18.2 | 18.1 | 18.1 | 18.1 | 17.9 | 17.8 | 17.7 | 17.5 | 17.3 | 17.2 |
| 방글라데시 | 6.3 | 6.5 | 7.2 | 8.0 | 8.9 | 9.8 | 9.3 | 8.2 | 6.7 | 7.8 | ... | 6.4 | 7.5 | 8.7 | 10.1 | 10.4 | 10.8 | 11.1 | 12.3 | 12.2 | 12.1 |
| 부탄 | 4.8 | 4.8 | 4.7 | 4.7 | 4.7 | 5.4 | 6.1 | 6.0 | 5.8 | 7.7 | ... | 8.5 | 8.8 | 6.8 | 9.0 | 8.8 | 9.7 | 9.8 | 9.9 | 9.9 | 10.0 |
| 캄보디아 | 1.4 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.8 | 1.9 | 2.0 | 2.1 | ... | 1.0 | 0.6 | 0.7 | 0.8 | 1.1 | 0.7 | 1.1 | 0.4 | 0.4 | 0.4 |
5 rows × 25 columns
In [265]:
kor=year_df.loc[['대한민국','일본','중국']]
In [268]:
year=list(year_df.columns)
In [293]:
plt.figure(figsize = (10, 5), dpi = 300)
plt.rc('font', family='Malgun Gothic')
plt.title('한 중 일 실업률')
plt.plot(year, year_df.loc['대한민국'], label = '대한민국')
plt.plot(year, year_df.loc['일본'], label = '일본')
plt.plot(year, year_df.loc['중국'], label = '중국')
plt.legend()
plt.xticks(rotation=50)
plt.savefig('한중일실업률 .png', facecolor='#eeeeee')
plt.show()
In [ ]:
In [ ]:
In [ ]:
work_df.info()
In [ ]:
kor_df=work_df.iloc[[0]]
men=kor_df.iloc[:,range(1,74,3)]
women=kor_df.iloc[:,range(2,75,3)]
men=men.astype(float)
print(len(men.columns))
print(len(women.columns))
print(women.columns)
print(men.columns)
In [ ]:
plt.rcParams['axes.unicode_minus']= False
plt.rc('font', family='Malgun Gothic')
plt.figure(figsize = (10, 5), dpi = 300)
plt.barh(year, men.iloc[0], label = 'men')
plt.barh(year, women.apply(lambda x: -x).iloc[0], label = 'women')
plt.xticks(range(-20,20,5),rotation=50)
plt.legend() # 위에서 주었던 label을 표시하겠다는 뜻입니다.
plt.show()
In [ ]:
print(year_df.loc['대한민국'])
print(year_df.loc['미국'])
In [ ]:
plt.rcParams['axes.unicode_minus']= False
plt.rc('font', family='Malgun Gothic')
plt.figure(figsize = (10, 5), dpi = 300)
plt.barh(year, year_df.loc['대한민국'], label = 'kor')
plt.barh(year, year_df.loc['미국'].apply(lambda x: -x), label = 'usa')
plt.legend() # 위에서 주었던 label을 표시하겠다는 뜻입니다.
plt.xticks(range(-17,17,5),rotation=50)
plt.show()
20대 청년 취직율¶
30대 취직률 계로 그래프화 남녀별 차이
In [25]:
df1 = pd.read_csv('고용분기별.csv', encoding = 'cp949')
df1.head(100)
Out[25]:
| 시점 | 연령계층별 | 계 | 남자 | 여자 | |
|---|---|---|---|---|---|
| 0 | 1963 | 계 | 7563 | 4930 | 2633 |
| 1 | 1963 | 20 - 29세 | 2010 | 1281 | 729 |
| 2 | 1963 | 30 - 39세 | 1878 | 1269 | 609 |
| 3 | 1963 | 40 - 49세 | 1528 | 995 | 533 |
| 4 | 1963 | 50 - 59세 | 906 | 615 | 291 |
| ... | ... | ... | ... | ... | ... |
| 95 | 1978 | 60세이상 | 663 | 426 | 237 |
| 96 | 1979 | 계 | 13602 | 8383 | 5219 |
| 97 | 1979 | 20 - 29세 | 3360 | 2029 | 1331 |
| 98 | 1979 | 30 - 39세 | 3494 | 2380 | 1114 |
| 99 | 1979 | 40 - 49세 | 3117 | 1936 | 1181 |
100 rows × 5 columns
20대 취업인구 총계 남 여 별 전처리¶
In [72]:
df20=df1[df1['연령계층별'].str.contains('20')] # 20대 만 추력
#city_data = age_data[age_data['행정구역'].str.contains('계룡시')]
df20.head()
Out[72]:
| 시점 | 연령계층별 | 계 | 남자 | 여자 | |
|---|---|---|---|---|---|
| 1 | 1963 | 20 - 29세 | 2010 | 1281 | 729 |
| 7 | 1964 | 20 - 29세 | 2010 | 1300 | 710 |
| 13 | 1965 | 20 - 29세 | 2051 | 1328 | 723 |
| 19 | 1966 | 20 - 29세 | 2047 | 1294 | 753 |
| 25 | 1967 | 20 - 29세 | 2092 | 1327 | 765 |
2010년이후에 데이터만 저장¶
남녀 취업률이 역전되는 시점
In [87]:
df2010 =df20.loc[df20['시점'] >= 1998] # 20대 만 추력\
df2010
Out[87]:
| 시점 | 연령계층별 | 계 | 남자 | 여자 | |
|---|---|---|---|---|---|
| 211 | 1998 | 20 - 29세 | 4401 | 2327 | 2075 |
| 217 | 1999 | 20 - 29세 | 4340 | 2260 | 2080 |
| 223 | 2000 | 20 - 29세 | 4493 | 2307 | 2186 |
| 229 | 2001 | 20 - 29세 | 4472 | 2255 | 2217 |
| 235 | 2002 | 20 - 29세 | 4510 | 2247 | 2263 |
| 241 | 2003 | 20 - 29세 | 4374 | 2161 | 2212 |
| 247 | 2004 | 20 - 29세 | 4352 | 2115 | 2237 |
| 253 | 2005 | 20 - 29세 | 4244 | 2027 | 2218 |
| 259 | 2006 | 20 - 29세 | 4126 | 1976 | 2150 |
| 265 | 2007 | 20 - 29세 | 4062 | 1944 | 2118 |
| 271 | 2008 | 20 - 29세 | 3950 | 1882 | 2068 |
| 277 | 2009 | 20 - 29세 | 3813 | 1826 | 1988 |
| 283 | 2010 | 20 - 29세 | 3724 | 1782 | 1942 |
| 289 | 2011 | 20 - 29세 | 3679 | 1774 | 1905 |
| 295 | 2012 | 20 - 29세 | 3605 | 1729 | 1875 |
| 301 | 2013 | 20 - 29세 | 3504 | 1681 | 1823 |
| 307 | 2014 | 20 - 29세 | 3556 | 1701 | 1855 |
| 313 | 2015 | 20 - 29세 | 3619 | 1739 | 1881 |
| 319 | 2016 | 20 - 29세 | 3664 | 1760 | 1904 |
| 325 | 2017 | 20 - 29세 | 3660 | 1748 | 1912 |
| 331 | 2018 | 20 - 29세 | 3699 | 1770 | 1929 |
| 337 | 2019 | 20 - 29세 | 3747 | 1830 | 1917 |
| 343 | 2020 | 20 - 29세 | 3601 | 1754 | 1847 |
| 349 | 2021 | 20 - 29세 | 3706 | 1772 | 1934 |
20대 취업인구 시각화¶
In [255]:
plt.figure(figsize = (10, 5), dpi = 300)
plt.rc('font', family='Malgun Gothic')
plt.title('')
plt.plot(df20['시점'], df20['계'], label = '20대 취업인구')
#plt.plot(df20['시점'], df20['남자'], label = '남자 취업인구')
#plt.plot(df20['시점'], df20['여자'], label = '여자 취업인구')
plt.legend()
plt.xticks(rotation=50)
plt.tight_layout()
plt.savefig('20대 취업인구211.png', facecolor='#eeeeee')
In [292]:
plt.figure(figsize = (10, 8), dpi = 300)
plt.rc('font', family='Malgun Gothic')
plt.title('년도별 20대 취업자수')
plt.xlabel('년도별 성별 20대 취업자수')
plt.subplot(3,1,1)
plt.plot(df20['시점'], df20['계'], label = '20대 취업인구')
plt.xlabel('년도별 20대 취업자수')
plt.legend()
plt.subplots_adjust(left=0.125, bottom=0.1, right=0.9, top=0.9, wspace=0.2, hspace=0.35)
plt.subplot(3,1,2)
plt.plot(df20['시점'], df20['남자'], label = '남자 취업인구')
plt.plot(df20['시점'], df20['여자'], label = '여자 취업인구')
plt.xlabel('년도별 성별 20대 취업자수')
plt.legend()
plt.subplots_adjust(left=0.125, bottom=0.1, right=0.9, top=0.9, wspace=0.2, hspace=0.35)
plt.subplot(3,1,3)
plt.plot(df2010['시점'], df2010['남자'], label = '남자 취업인구')
plt.plot(df2010['시점'], df2010['여자'], label = '여자 취업인구')
plt.xlabel('년도별 성별 20대 변화')
plt.legend()
plt.savefig('서브플랏_남녀취업인구.png',facecolor='#eeeeee')
plt.show()
In [ ]:
In [ ]:
20대 내국인 인구수전처리¶
불필요한 외국인포함총인구컬럼은 삭제In [162]:
df = pd.read_csv('20대인구수.csv', encoding = 'cp949')
print(df.head(10))
#
df.drop(df.iloc[:,3:7],axis=1, inplace=True)
행정구역별(읍면동) 시점 연령별 총인구(명) 총인구_남자(명) 총인구_여자(명) 총인구_성비 \
0 전국 2015 합계 51069375.0 25608502.0 25460873.0 100.6
1 전국 2015 0~4세 2258670.0 1159011.0 1099659.0 105.4
2 전국 2015 5~9세 2267851.0 1169770.0 1098081.0 106.5
3 전국 2015 10~14세 2427792.0 1262770.0 1165022.0 108.4
4 전국 2015 15~19세 3194079.0 1668683.0 1525396.0 109.4
5 전국 2015 20~24세 3531108.0 1887776.0 1643332.0 114.9
6 전국 2015 25~29세 3265288.0 1728888.0 1536400.0 112.5
7 전국 2015 30~34세 3811610.0 1986796.0 1824814.0 108.9
8 전국 2015 35~39세 3926862.0 2022466.0 1904396.0 106.2
9 전국 2015 40~44세 4338827.0 2218442.0 2120385.0 104.6
내국인(명) 내국인_남자(명) 내국인_여자(명) 내국인_성비
0 49705663.0 24819839.0 24885824.0 99.7
1 2235397.0 1147126.0 1088271.0 105.4
2 2252950.0 1162087.0 1090863.0 106.5
3 2418360.0 1257902.0 1160458.0 108.4
4 3170545.0 1657722.0 1512823.0 109.6
5 3385936.0 1808857.0 1577079.0 114.7
6 3027896.0 1581887.0 1446009.0 109.4
7 3611034.0 1854905.0 1756129.0 105.6
8 3783589.0 1927388.0 1856201.0 103.8
9 4215921.0 2142101.0 2073820.0 103.3
지역구컬럼 삭제¶
In [163]:
df.drop(['행정구역별(읍면동)'], axis=1, inplace=True)
print(df)
시점 연령별 내국인(명) 내국인_남자(명) 내국인_여자(명) 내국인_성비
0 2015 합계 49705663.0 24819839.0 24885824.0 99.7
1 2015 0~4세 2235397.0 1147126.0 1088271.0 105.4
2 2015 5~9세 2252950.0 1162087.0 1090863.0 106.5
3 2015 10~14세 2418360.0 1257902.0 1160458.0 108.4
4 2015 15~19세 3170545.0 1657722.0 1512823.0 109.6
.. ... ... ... ... ... ...
191 2021 15~64세 35464929.0 18109395.0 17355534.0 104.3
192 2021 65세이상 8619927.0 3751312.0 4868615.0 77.1
193 2021 85세이상 874045.0 245130.0 628915.0 39.0
194 2021 평균연령 43.6 42.5 44.8 -
195 2021 중위연령 44.9 43.6 46.3 -
[196 rows x 6 columns]
In [164]:
df.head()
Out[164]:
| 시점 | 연령별 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | 내국인_성비 | |
|---|---|---|---|---|---|---|
| 0 | 2015 | 합계 | 49705663.0 | 24819839.0 | 24885824.0 | 99.7 |
| 1 | 2015 | 0~4세 | 2235397.0 | 1147126.0 | 1088271.0 | 105.4 |
| 2 | 2015 | 5~9세 | 2252950.0 | 1162087.0 | 1090863.0 | 106.5 |
| 3 | 2015 | 10~14세 | 2418360.0 | 1257902.0 | 1160458.0 | 108.4 |
| 4 | 2015 | 15~19세 | 3170545.0 | 1657722.0 | 1512823.0 | 109.6 |
20대 만 추력¶
In [180]:
# 20대 만 추력
df.head()
Out[180]:
| 시점 | 연령별 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | 내국인_성비 | |
|---|---|---|---|---|---|---|
| 5 | 2015 | 20~24세 | 3385936.0 | 1808857.0 | 1577079.0 | 114.7 |
| 6 | 2015 | 25~29세 | 3027896.0 | 1581887.0 | 1446009.0 | 109.4 |
| 33 | 2016 | 20~24세 | 3400634.0 | 1816165.0 | 1584469.0 | 114.6 |
| 34 | 2016 | 25~29세 | 3068970.0 | 1607473.0 | 1461497.0 | 110.0 |
| 61 | 2017 | 20~24세 | 3355986.0 | 1786645.0 | 1569341.0 | 113.8 |
20_24, 25-29인 행을 합해서 출력¶
In [178]:
grop_year=df.groupby(df['시점']).sum()
grop_year
Out[178]:
| 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | |
|---|---|---|---|
| 시점 | |||
| 2015 | 6413832.0 | 3390744.0 | 3023088.0 |
| 2016 | 6469604.0 | 3423638.0 | 3045966.0 |
| 2017 | 6520025.0 | 3451738.0 | 3068287.0 |
| 2018 | 6549517.0 | 3466761.0 | 3082756.0 |
| 2019 | 6547164.0 | 3462128.0 | 3085036.0 |
| 2020 | 6616547.0 | 3484532.0 | 3132015.0 |
| 2021 | 6505610.0 | 3425581.0 | 3080029.0 |
In [201]:
#grop_year_reset=grop_year.reset_index()
grop_year_reset
Out[201]:
| 시점 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | |
|---|---|---|---|---|
| 0 | 2015 | 6413832.0 | 3390744.0 | 3023088.0 |
| 1 | 2016 | 6469604.0 | 3423638.0 | 3045966.0 |
| 2 | 2017 | 6520025.0 | 3451738.0 | 3068287.0 |
| 3 | 2018 | 6549517.0 | 3466761.0 | 3082756.0 |
| 4 | 2019 | 6547164.0 | 3462128.0 | 3085036.0 |
| 5 | 2020 | 6616547.0 | 3484532.0 | 3132015.0 |
| 6 | 2021 | 6505610.0 | 3425581.0 | 3080029.0 |
In [221]:
df2015 =df20.loc[df20['시점'] >= 2015] # 20대 만 추력\
df2015
df2015.drop(['연령계층별'], axis=1, inplace=True)
df2015
C:\Users\82105\AppData\Local\Temp\ipykernel_24188\4144972728.py:3: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
df2015.drop(['연령계층별'], axis=1, inplace=True)
Out[221]:
| 시점 | 계 | 남자 | 여자 | |
|---|---|---|---|---|
| 313 | 2015 | 3619 | 1739 | 1881 |
| 319 | 2016 | 3664 | 1760 | 1904 |
| 325 | 2017 | 3660 | 1748 | 1912 |
| 331 | 2018 | 3699 | 1770 | 1929 |
| 337 | 2019 | 3747 | 1830 | 1917 |
| 343 | 2020 | 3601 | 1754 | 1847 |
| 349 | 2021 | 3706 | 1772 | 1934 |
df2015는 단위가 천단위기 떄문에 곱하기 1000해서 맞춰줌¶
1. 먼저 시점 컬러를 인덱스시킨다
2. 데이테에 1000을 곱한다
3. 다시 인덱스 리셋한다
4. 비교할 데이터를 int형으로 바꿔준다In [222]:
df2015 = df2015.set_index(keys=['시점'], inplace=False, drop=True)
In [223]:
df2015=df2015.iloc[:,0:].mul(1000)
df2015
Out[223]:
| 계 | 남자 | 여자 | |
|---|---|---|---|
| 시점 | |||
| 2015 | 3619000 | 1739000 | 1881000 |
| 2016 | 3664000 | 1760000 | 1904000 |
| 2017 | 3660000 | 1748000 | 1912000 |
| 2018 | 3699000 | 1770000 | 1929000 |
| 2019 | 3747000 | 1830000 | 1917000 |
| 2020 | 3601000 | 1754000 | 1847000 |
| 2021 | 3706000 | 1772000 | 1934000 |
In [224]:
df2015=df2015.reset_index(drop=False)
In [225]:
df2015
Out[225]:
| 시점 | 계 | 남자 | 여자 | |
|---|---|---|---|---|
| 0 | 2015 | 3619000 | 1739000 | 1881000 |
| 1 | 2016 | 3664000 | 1760000 | 1904000 |
| 2 | 2017 | 3660000 | 1748000 | 1912000 |
| 3 | 2018 | 3699000 | 1770000 | 1929000 |
| 4 | 2019 | 3747000 | 1830000 | 1917000 |
| 5 | 2020 | 3601000 | 1754000 | 1847000 |
| 6 | 2021 | 3706000 | 1772000 | 1934000 |
In [ ]:
In [227]:
#grop_year_reset=grop_year_reset.astype(int)
print(df2015)
print(grop_year_reset)
시점 계 남자 여자
0 2015 3619000 1739000 1881000
1 2016 3664000 1760000 1904000
2 2017 3660000 1748000 1912000
3 2018 3699000 1770000 1929000
4 2019 3747000 1830000 1917000
5 2020 3601000 1754000 1847000
6 2021 3706000 1772000 1934000
시점 내국인(명) 내국인_남자(명) 내국인_여자(명)
0 2015 6413832 3390744 3023088
1 2016 6469604 3423638 3045966
2 2017 6520025 3451738 3068287
3 2018 6549517 3466761 3082756
4 2019 6547164 3462128 3085036
5 2020 6616547 3484532 3132015
6 2021 6505610 3425581 3080029
In [ ]:
In [ ]:
인구랑 비율
In [230]:
df_start=pd.merge(df2015, grop_year_reset, how='inner', on='시점')
df_start
Out[230]:
| 시점 | 계 | 남자 | 여자 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | |
|---|---|---|---|---|---|---|---|
| 0 | 2015 | 3619000 | 1739000 | 1881000 | 6413832 | 3390744 | 3023088 |
| 1 | 2016 | 3664000 | 1760000 | 1904000 | 6469604 | 3423638 | 3045966 |
| 2 | 2017 | 3660000 | 1748000 | 1912000 | 6520025 | 3451738 | 3068287 |
| 3 | 2018 | 3699000 | 1770000 | 1929000 | 6549517 | 3466761 | 3082756 |
| 4 | 2019 | 3747000 | 1830000 | 1917000 | 6547164 | 3462128 | 3085036 |
| 5 | 2020 | 3601000 | 1754000 | 1847000 | 6616547 | 3484532 | 3132015 |
| 6 | 2021 | 3706000 | 1772000 | 1934000 | 6505610 | 3425581 | 3080029 |
In [233]:
df_start['취업율']=df_start['계']/df_start['내국인(명)']*100
In [279]:
df_start['남자취업율']=df_start['남자']/df_start['내국인_남자(명)']*100
df_start['여자취업율']=df_start['여자']/df_start['내국인_여자(명)']*100
df_start
Out[279]:
| 시점 | 계 | 남자 | 여자 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | 취업율 | 남자취업율 | 여자취업율 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 2015 | 3619000 | 1739000 | 1881000 | 6413832 | 3390744 | 3023088 | 56.424927 | 51.286679 | 62.221146 |
| 1 | 2016 | 3664000 | 1760000 | 1904000 | 6469604 | 3423638 | 3045966 | 56.634069 | 51.407304 | 62.508905 |
| 2 | 2017 | 3660000 | 1748000 | 1912000 | 6520025 | 3451738 | 3068287 | 56.134754 | 50.641155 | 62.314901 |
| 3 | 2018 | 3699000 | 1770000 | 1929000 | 6549517 | 3466761 | 3082756 | 56.477447 | 51.056303 | 62.573879 |
| 4 | 2019 | 3747000 | 1830000 | 1917000 | 6547164 | 3462128 | 3085036 | 57.230887 | 52.857664 | 62.138659 |
| 5 | 2020 | 3601000 | 1754000 | 1847000 | 6616547 | 3484532 | 3132015 | 54.424158 | 50.336745 | 58.971621 |
| 6 | 2021 | 3706000 | 1772000 | 1934000 | 6505610 | 3425581 | 3080029 | 56.966218 | 51.728451 | 62.791617 |
In [234]:
df_start
Out[234]:
| 시점 | 계 | 남자 | 여자 | 내국인(명) | 내국인_남자(명) | 내국인_여자(명) | 취업율 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 2015 | 3619000 | 1739000 | 1881000 | 6413832 | 3390744 | 3023088 | 56.424927 |
| 1 | 2016 | 3664000 | 1760000 | 1904000 | 6469604 | 3423638 | 3045966 | 56.634069 |
| 2 | 2017 | 3660000 | 1748000 | 1912000 | 6520025 | 3451738 | 3068287 | 56.134754 |
| 3 | 2018 | 3699000 | 1770000 | 1929000 | 6549517 | 3466761 | 3082756 | 56.477447 |
| 4 | 2019 | 3747000 | 1830000 | 1917000 | 6547164 | 3462128 | 3085036 | 57.230887 |
| 5 | 2020 | 3601000 | 1754000 | 1847000 | 6616547 | 3484532 | 3132015 | 54.424158 |
| 6 | 2021 | 3706000 | 1772000 | 1934000 | 6505610 | 3425581 | 3080029 | 56.966218 |
인구와 취업인구 시각화¶
In [ ]:
In [291]:
plt.figure(figsize = (10, 5), dpi = 300)
plt.rc('font', family='Malgun Gothic')
plt.title('20대 취업률')
plt.plot(df_start['시점'], df_start['취업율'], label = '20대 취업률')
plt.plot(df_start['시점'], df_start['남자취업율'], label = '남자 ')
plt.plot(df_start['시점'], df_start['여자취업율'], label = '여자')
plt.legend()
plt.xticks(rotation=50)
plt.ylim([30,70])
plt.savefig('20대 취업률_남녀.png', facecolor='#eeeeee')
plt.show()
In [ ]:
In [ ]:
In [294]:
df = pd.read_csv('고용분기별성별.csv', encoding = 'cp949')
df.head(100)
Out[294]:
| 시점 | 항목 | 계 | 남자 | 여자 | |
|---|---|---|---|---|---|
| 0 | 1999.3/4 | 15세이상인구 (천명) | 35814.0 | 17335.0 | 18479.0 |
| 1 | 1999.3/4 | 경제활동인구 (천명) | 21934.0 | 13021.0 | 8912.0 |
| 2 | 1999.3/4 | 취업자 (천명) | 20542.0 | 12095.0 | 8446.0 |
| 3 | 1999.3/4 | 실업자 (천명) | 1392.0 | 926.0 | 466.0 |
| 4 | 1999.3/4 | 비경제활동인구 (천명) | 13881.0 | 4314.0 | 9567.0 |
| ... | ... | ... | ... | ... | ... |
| 95 | 2002.2/4 | 고용률 (%) | 60.1 | 72.4 | 48.6 |
| 96 | 2002.3/4 | 15세이상인구 (천명) | 37064.0 | 17978.0 | 19086.0 |
| 97 | 2002.3/4 | 경제활동인구 (천명) | 23034.0 | 13523.0 | 9511.0 |
| 98 | 2002.3/4 | 취업자 (천명) | 22311.0 | 13049.0 | 9262.0 |
| 99 | 2002.3/4 | 실업자 (천명) | 723.0 | 474.0 | 249.0 |
100 rows × 5 columns
주요국가 GDP¶
In [374]:
#
df = pd.read_csv('GDP2.csv', encoding = 'cp949')
df.head(100)
df= df.dropna(axis=1)
df.head()
Out[374]:
| 시점 | 대한민국 | 아프가니스탄 | 아르메니아 | 아제르바이잔 | 바레인 | 방글라데시 | 부탄 | 브루나이 | 캄보디아 | ... | 뉴칼레도니아 | 뉴질랜드 | 북마리아나제도 | 팔라우 | 파푸아뉴기니 | 사모아 | 솔로몬제도 | 통가 | 투발루 | 바누아투 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1995 | 9.6 | - | 6.9 | -11.8 | 3.9 | 5.1 | 7.1 | 4.5 | 9.9 | ... | 5.9 | 4.7 | - | - | -3.3 | 6.7 | 10.1 | 7.4 | -5.0 | 1.0 |
| 1 | 1996 | 7.9 | - | 5.9 | 1.3 | 4.1 | 4.5 | 5.6 | 2.9 | 5.9 | ... | 0.4 | 3.6 | - | - | 7.7 | 7.2 | 1.6 | 1.8 | -6.0 | 2.3 |
| 2 | 1997 | 6.2 | - | 3.3 | 5.8 | 3.1 | 4.5 | 5.4 | -1.5 | 4.0 | ... | 2.0 | 2.0 | - | - | -3.9 | 0.6 | -0.9 | 1.2 | 10.0 | 4.9 |
| 3 | 1998 | -5.1 | - | 7.3 | 10.0 | 4.8 | 5.2 | 5.9 | -0.6 | 4.7 | ... | -3.2 | 0.8 | - | - | -3.8 | 2.2 | 1.3 | 2.5 | 15.5 | 1.2 |
| 4 | 1999 | 11.5 | - | 3.3 | 7.4 | 4.3 | 4.7 | 8.0 | 3.1 | 12.7 | ... | 0.9 | 5.5 | - | - | 1.9 | 2.2 | -0.5 | 3.7 | -1.6 | 0.3 |
5 rows × 207 columns
세계 국가들 중 주요 국가 데이터만 출력 저장¶
In [375]:
df_GDP=df.loc[:,['시점','미국','대한민국','일본','중국','러시아','영국','인도']]
df_GDP
Out[375]:
| 시점 | 미국 | 대한민국 | 일본 | 중국 | 러시아 | 영국 | 인도 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 1995 | 2.7 | 9.6 | 2.6 | 11.0 | -4.1 | 2.5 | 7.6 |
| 1 | 1996 | 3.8 | 7.9 | 3.1 | 9.9 | -3.8 | 2.4 | 7.5 |
| 2 | 1997 | 4.4 | 6.2 | 1.0 | 9.2 | 1.4 | 4.9 | 4.0 |
| 3 | 1998 | 4.5 | -5.1 | -1.3 | 7.8 | -5.3 | 3.2 | 6.2 |
| 4 | 1999 | 4.8 | 11.5 | -0.3 | 7.7 | 6.4 | 3.0 | 8.8 |
| 5 | 2000 | 4.1 | 9.1 | 2.8 | 8.5 | 10.0 | 3.7 | 3.8 |
| 6 | 2001 | 1.0 | 4.9 | 0.4 | 8.3 | 5.1 | 2.1 | 4.8 |
| 7 | 2002 | 1.7 | 7.7 | 0.0 | 9.1 | 4.7 | 2.1 | 3.8 |
| 8 | 2003 | 2.8 | 3.1 | 1.5 | 10.0 | 7.3 | 3.0 | 7.9 |
| 9 | 2004 | 3.9 | 5.2 | 2.2 | 10.1 | 7.2 | 2.4 | 7.9 |
| 10 | 2005 | 3.5 | 4.3 | 1.8 | 11.4 | 6.4 | 2.6 | 7.9 |
| 11 | 2006 | 2.8 | 5.3 | 1.4 | 12.7 | 8.2 | 2.6 | 8.1 |
| 12 | 2007 | 2.0 | 5.8 | 1.5 | 14.2 | 8.5 | 2.3 | 7.7 |
| 13 | 2008 | 0.1 | 3.0 | -1.2 | 9.7 | 5.2 | -0.2 | 3.1 |
| 14 | 2009 | -2.6 | 0.8 | -5.7 | 9.4 | -7.8 | -4.2 | 7.9 |
| 15 | 2010 | 2.7 | 6.8 | 4.1 | 10.6 | 4.5 | 2.1 | 8.5 |
| 16 | 2011 | 1.5 | 3.7 | 0.0 | 9.6 | 4.3 | 1.5 | 5.2 |
| 17 | 2012 | 2.3 | 2.4 | 1.4 | 7.9 | 4.0 | 1.5 | 5.5 |
| 18 | 2013 | 1.8 | 3.2 | 2.0 | 7.8 | 1.8 | 1.9 | 6.4 |
| 19 | 2014 | 2.3 | 3.2 | 0.3 | 7.4 | 0.7 | 3.0 | 7.4 |
| 20 | 2015 | 2.7 | 2.8 | 1.6 | 7.0 | -2.0 | 2.6 | 8.0 |
| 21 | 2016 | 1.7 | 2.9 | 0.8 | 6.8 | 0.2 | 2.3 | 8.3 |
| 22 | 2017 | 2.3 | 3.2 | 1.7 | 6.9 | 1.8 | 2.1 | 6.8 |
| 23 | 2018 | 2.9 | 2.9 | 0.6 | 6.7 | 2.8 | 1.7 | 6.5 |
| 24 | 2019 | 2.3 | 2.2 | -0.2 | 6.0 | 2.2 | 1.7 | 3.7 |
| 25 | 2020 | -3.4 | -0.7 | -4.5 | 2.2 | -2.7 | -9.3 | -6.6 |
| 26 | 2021 | 5.7 | 4.1 | 1.6 | 8.1 | 4.8 | 7.4 | 8.9 |
In [328]:
df_GDP
Out[328]:
| 시점 | 미국 | 대한민국 | 일본 | 중국 | 러시아 | 영국 | 인도 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 1995 | 2.7 | 9.6 | 2.6 | 11.0 | -4.1 | 2.5 | 7.6 |
| 1 | 1996 | 3.8 | 7.9 | 3.1 | 9.9 | -3.8 | 2.4 | 7.5 |
| 2 | 1997 | 4.4 | 6.2 | 1.0 | 9.2 | 1.4 | 4.9 | 4.0 |
| 3 | 1998 | 4.5 | -5.1 | -1.3 | 7.8 | -5.3 | 3.2 | 6.2 |
| 4 | 1999 | 4.8 | 11.5 | -0.3 | 7.7 | 6.4 | 3.0 | 8.8 |
| 5 | 2000 | 4.1 | 9.1 | 2.8 | 8.5 | 10.0 | 3.7 | 3.8 |
| 6 | 2001 | 1.0 | 4.9 | 0.4 | 8.3 | 5.1 | 2.1 | 4.8 |
| 7 | 2002 | 1.7 | 7.7 | 0.0 | 9.1 | 4.7 | 2.1 | 3.8 |
| 8 | 2003 | 2.8 | 3.1 | 1.5 | 10.0 | 7.3 | 3.0 | 7.9 |
| 9 | 2004 | 3.9 | 5.2 | 2.2 | 10.1 | 7.2 | 2.4 | 7.9 |
| 10 | 2005 | 3.5 | 4.3 | 1.8 | 11.4 | 6.4 | 2.6 | 7.9 |
| 11 | 2006 | 2.8 | 5.3 | 1.4 | 12.7 | 8.2 | 2.6 | 8.1 |
| 12 | 2007 | 2.0 | 5.8 | 1.5 | 14.2 | 8.5 | 2.3 | 7.7 |
| 13 | 2008 | 0.1 | 3.0 | -1.2 | 9.7 | 5.2 | -0.2 | 3.1 |
| 14 | 2009 | -2.6 | 0.8 | -5.7 | 9.4 | -7.8 | -4.2 | 7.9 |
| 15 | 2010 | 2.7 | 6.8 | 4.1 | 10.6 | 4.5 | 2.1 | 8.5 |
| 16 | 2011 | 1.5 | 3.7 | 0.0 | 9.6 | 4.3 | 1.5 | 5.2 |
| 17 | 2012 | 2.3 | 2.4 | 1.4 | 7.9 | 4.0 | 1.5 | 5.5 |
| 18 | 2013 | 1.8 | 3.2 | 2.0 | 7.8 | 1.8 | 1.9 | 6.4 |
| 19 | 2014 | 2.3 | 3.2 | 0.3 | 7.4 | 0.7 | 3.0 | 7.4 |
| 20 | 2015 | 2.7 | 2.8 | 1.6 | 7.0 | -2.0 | 2.6 | 8.0 |
| 21 | 2016 | 1.7 | 2.9 | 0.8 | 6.8 | 0.2 | 2.3 | 8.3 |
| 22 | 2017 | 2.3 | 3.2 | 1.7 | 6.9 | 1.8 | 2.1 | 6.8 |
| 23 | 2018 | 2.9 | 2.9 | 0.6 | 6.7 | 2.8 | 1.7 | 6.5 |
| 24 | 2019 | 2.3 | 2.2 | -0.2 | 6.0 | 2.2 | 1.7 | 3.7 |
| 25 | 2020 | -3.4 | -0.7 | -4.5 | 2.2 | -2.7 | -9.3 | -6.6 |
| 26 | 2021 | 5.7 | 4.1 | 1.6 | 8.1 | 4.8 | 7.4 | 8.9 |
In [314]:
df_GDP['미국']
Out[314]:
0 2.7
1 3.8
2 4.4
3 4.5
4 4.8
5 4.1
6 1.0
7 1.7
8 2.8
9 3.9
10 3.5
11 2.8
12 2.0
13 0.1
14 -2.6
15 2.7
16 1.5
17 2.3
18 1.8
19 2.3
20 2.7
21 1.7
22 2.3
23 2.9
24 2.3
25 -3.4
26 5.7
Name: 미국, dtype: float64주요국가 시각화¶
In [345]:
plt.figure(figsize = (10, 5), dpi = 300)#
plt.rc('font', family='Malgun Gothic')
plt.title('주요 국가 GDP 변화')
plt.plot(df_GDP['시점'], df_GDP['미국'], label = '미국')
plt.plot(df_GDP['시점'], df_GDP['대한민국'], label = '대한민국 ',color='red', marker='o', linestyle='dashed', linewidth=2, markersize=5)
plt.plot(df_GDP['시점'], df_GDP['일본'], label = '일본')
plt.plot(df_GDP['시점'], df_GDP['중국'], label = '중국')
plt.plot(df_GDP['시점'], df_GDP['러시아'], label = '러시아')
plt.plot(df_GDP['시점'], df_GDP['인도'], label = '인도')
plt.legend()
plt.xticks(rotation=50)
plt.savefig('주요국가 GDP그래프.png', facecolor='#eeeeee')
plt.show()
한중일 GDP 차이 시각화¶
In [344]:
import matplotlib
matplotlib.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (10, 5), dpi = 300)#
plt.rc('font', family='Malgun Gothic')
plt.title('한중일 국가 GDP 변화')
plt.plot(df_GDP['시점'], df_GDP['대한민국'], label = '대한민국 ',color='red', marker='o', linestyle='dashed', markersize=5)
plt.plot(df_GDP['시점'], df_GDP['일본'], label = '일본')
plt.plot(df_GDP['시점'], df_GDP['중국'], label = '중국')
plt.legend()
plt.xticks(rotation=50)
plt.savefig('한중일 GDP그래프.png', facecolor='#eeeeee')
plt.show()
한미 GDP그래프¶
In [379]:
plt.figure(figsize = (10, 5), dpi = 300)#
plt.rc('font', family='Malgun Gothic')
plt.title('한미 국가 GDP 변화')
plt.plot(df_GDP['시점'], df_GDP['대한민국'], label = '대한민국 ',color='red', marker='o', linestyle='dashed', markersize=5)
plt.plot(df_GDP['시점'], df_GDP['미국'], label = '미국')
plt.legend()
plt.xticks(rotation=50)
plt.savefig('한미 GDP그래프.png', facecolor='#eeeeee')
plt.show()
In [368]:
df10 = pd.read_csv('소비자.csv', encoding = 'cp949')
df10.head(100)
Out[368]:
| 항목 | 시점 | 아시아 | 대한민국 | 아프가니스탄 | 아르메니아 | 아제르바이잔 | 바레인 | 방글라데시 | 부탄 | ... | 피지 | 키리바시 | 미크로네시아 | 뉴질랜드 | 팔라우 | 파푸아뉴기니 | 사모아 | 솔로몬제도 | 통가 | 바누아투 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 소비자물가지수 | 1995 | NaN | 54.8 | - | 44.3 | 42.6 | 83.8 | 42.5 | 56.7 | ... | 60.4 | - | - | 71.7 | - | 30.2 | 49.3 | 28.2 | 39.5 | 67.0 |
| 1 | 소비자물가지수 | 1996 | NaN | 57.5 | - | 52.6 | 51.0 | 83.4 | 43.5 | 61.6 | ... | 62.3 | - | - | 73.3 | - | 33.7 | 51.9 | 31.5 | 40.7 | 67.7 |
| 2 | 소비자물가지수 | 1997 | NaN | 60.1 | - | 59.9 | 52.9 | 85.4 | 45.9 | 65.7 | ... | 64.4 | - | - | 74.2 | - | 35.1 | 55.5 | 34.1 | 41.6 | 69.6 |
| 3 | 소비자물가지수 | 1998 | NaN | 64.6 | - | 65.1 | 52.5 | 85.1 | 49.7 | 72.6 | ... | 68.0 | - | - | 75.1 | - | 39.8 | 56.7 | 38.3 | 42.9 | 71.9 |
| 4 | 소비자물가지수 | 1999 | NaN | 65.1 | - | 65.5 | 48.0 | 84.0 | 52.7 | 77.5 | ... | 69.4 | - | 70.9 | 75.0 | - | 45.8 | 56.9 | 41.3 | 44.9 | 73.3 |
| 5 | 소비자물가지수 | 2000 | NaN | 66.6 | - | 65.0 | 48.9 | 83.4 | 53.9 | 80.6 | ... | 70.1 | - | 72.4 | 77.0 | - | 52.9 | 57.4 | 44.6 | 47.7 | 75.1 |
| 6 | 소비자물가지수 | 2001 | NaN | 69.3 | - | 67.0 | 49.6 | 82.4 | 55.0 | 83.4 | ... | 73.1 | - | 72.8 | 79.0 | 74.1 | 57.8 | 59.6 | 47.7 | 51.7 | 77.8 |
| 7 | 소비자물가지수 | 2002 | NaN | 71.2 | - | 67.8 | 51.0 | 82.0 | 56.8 | 85.4 | ... | 73.7 | - | 72.7 | 81.1 | 73.1 | 64.6 | 64.4 | 52.9 | 57.0 | 79.4 |
| 8 | 소비자물가지수 | 2003 | NaN | 73.7 | - | 71.0 | 52.1 | 83.3 | 60.0 | 86.8 | ... | 76.8 | - | 72.8 | 82.6 | 73.8 | 74.2 | 64.5 | 57.3 | 63.6 | 81.8 |
| 9 | 소비자물가지수 | 2004 | NaN | 76.3 | 63.5 | 75.9 | 55.6 | 85.3 | 64.6 | 71.1 | ... | 78.9 | - | 74.5 | 84.4 | 77.4 | 75.8 | 75.0 | 61.3 | 70.6 | 82.9 |
| 10 | 소비자물가지수 | 2005 | NaN | 78.4 | 71.6 | 76.4 | 61.0 | 87.5 | 69.2 | 74.8 | ... | 80.8 | - | 77.6 | 87.0 | 80.5 | 77.1 | 76.4 | 65.8 | 76.7 | 83.9 |
| 11 | 소비자물가지수 | 2006 | NaN | 80.2 | 76.4 | 78.6 | 66.1 | 89.3 | 73.8 | 78.6 | ... | 82.8 | 80.5 | 81.2 | 89.9 | 84.1 | 78.9 | 79.2 | 73.2 | 81.5 | 85.6 |
| 12 | 소비자물가지수 | 2007 | NaN | 82.2 | 83.1 | 82.1 | 77.1 | 92.2 | 80.6 | 82.6 | ... | 86.8 | 83.4 | 83.9 | 92.1 | 86.8 | 79.7 | 83.7 | 78.8 | 86.2 | 89.0 |
| 13 | 소비자물가지수 | 2008 | NaN | 86.1 | 105.0 | 89.4 | 93.2 | 95.4 | 87.7 | 89.5 | ... | 93.5 | 94.8 | 91.0 | 95.7 | 97.2 | 88.2 | 93.3 | 92.4 | 95.2 | 93.3 |
| 14 | 소비자물가지수 | 2009 | NaN | 88.5 | 97.9 | 92.4 | 94.6 | 98.1 | 92.5 | 93.4 | ... | 96.4 | 104.1 | 96.8 | 97.7 | 98.6 | 94.3 | 99.2 | 99.0 | 96.6 | 97.3 |
| 15 | 소비자물가지수 | 2010 | NaN | 91.1 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | ... | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 |
| 16 | 소비자물가지수 | 2011 | NaN | 94.7 | 111.8 | 107.7 | 107.9 | 99.6 | 111.4 | 108.8 | ... | 107.3 | 101.5 | 105.1 | 104.0 | 104.7 | 104.4 | 105.2 | 107.3 | 106.3 | 100.9 |
| 17 | 소비자물가지수 | 2012 | NaN | 96.8 | 119.0 | 110.4 | 109.0 | 102.3 | 118.3 | 120.7 | ... | 111.0 | 98.4 | 110.4 | 105.1 | 108.5 | 109.2 | 107.4 | 113.7 | 107.5 | 102.2 |
| 18 | 소비자물가지수 | 2013 | NaN | 98.0 | 127.8 | 116.8 | 111.6 | 105.7 | 127.2 | 129.2 | ... | 114.2 | 96.9 | 112.3 | 106.3 | 112.1 | 114.6 | 108.0 | 119.8 | 108.3 | 103.7 |
| 19 | 소비자물가지수 | 2014 | NaN | 99.3 | 133.8 | 120.3 | 113.2 | 108.5 | 136.1 | 139.9 | ... | 114.8 | 99.0 | 113.0 | 107.6 | 116.8 | 120.6 | 107.6 | 126.0 | 111.0 | 104.6 |
| 20 | 소비자물가지수 | 2015 | NaN | 100.0 | 132.9 | 124.8 | 117.7 | 110.5 | 144.6 | 146.2 | ... | 116.4 | 99.5 | 112.7 | 107.9 | 117.9 | 127.8 | 108.4 | 125.3 | 109.9 | 107.1 |
| 21 | 소비자물가지수 | 2016 | NaN | 101.0 | 138.7 | 123.0 | 132.4 | 113.6 | 152.5 | 151.0 | ... | 120.8 | 101.5 | 111.5 | 108.6 | 116.7 | 136.3 | 109.8 | 125.9 | 112.7 | 108.1 |
| 22 | 소비자물가지수 | 2017 | NaN | 102.9 | 145.6 | 124.2 | 149.5 | 115.2 | 161.2 | 158.4 | ... | 124.9 | 101.8 | 112.3 | 110.7 | 118.2 | 143.7 | 111.7 | 126.5 | 121.1 | 111.4 |
| 23 | 소비자물가지수 | 2018 | NaN | 104.5 | 146.5 | 127.3 | 152.9 | 117.6 | 170.2 | 162.7 | ... | 130.0 | 102.4 | 114.3 | 112.4 | - | 150.0 | 116.4 | 130.9 | - | 114.0 |
| 24 | 소비자물가지수 | 2019 | NaN | 104.9 | 149.9 | 129.2 | 156.9 | 118.8 | 179.7 | 167.2 | ... | 132.3 | 100.5 | - | 114.2 | - | 155.9 | 117.6 | 133.1 | - | 117.1 |
| 25 | 소비자물가지수 | 2020 | NaN | 105.4 | - | 130.7 | 161.2 | 116.0 | 189.9 | 176.6 | ... | 128.9 | - | - | 116.2 | - | 163.5 | 115.7 | 137.0 | - | - |
26 rows × 193 columns
In [369]:
df10=df10.iloc[:,1:]
In [371]:
df10
Out[371]:
| 시점 | 아시아 | 대한민국 | 아프가니스탄 | 아르메니아 | 아제르바이잔 | 바레인 | 방글라데시 | 부탄 | 브루나이 | ... | 피지 | 키리바시 | 미크로네시아 | 뉴질랜드 | 팔라우 | 파푸아뉴기니 | 사모아 | 솔로몬제도 | 통가 | 바누아투 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1995 | NaN | 54.8 | - | 44.3 | 42.6 | 83.8 | 42.5 | 56.7 | 90.9 | ... | 60.4 | - | - | 71.7 | - | 30.2 | 49.3 | 28.2 | 39.5 | 67.0 |
| 1 | 1996 | NaN | 57.5 | - | 52.6 | 51.0 | 83.4 | 43.5 | 61.6 | 92.7 | ... | 62.3 | - | - | 73.3 | - | 33.7 | 51.9 | 31.5 | 40.7 | 67.7 |
| 2 | 1997 | NaN | 60.1 | - | 59.9 | 52.9 | 85.4 | 45.9 | 65.7 | 94.3 | ... | 64.4 | - | - | 74.2 | - | 35.1 | 55.5 | 34.1 | 41.6 | 69.6 |
| 3 | 1998 | NaN | 64.6 | - | 65.1 | 52.5 | 85.1 | 49.7 | 72.6 | 93.9 | ... | 68.0 | - | - | 75.1 | - | 39.8 | 56.7 | 38.3 | 42.9 | 71.9 |
| 4 | 1999 | NaN | 65.1 | - | 65.5 | 48.0 | 84.0 | 52.7 | 77.5 | 93.5 | ... | 69.4 | - | 70.9 | 75.0 | - | 45.8 | 56.9 | 41.3 | 44.9 | 73.3 |
| 5 | 2000 | NaN | 66.6 | - | 65.0 | 48.9 | 83.4 | 53.9 | 80.6 | 95.0 | ... | 70.1 | - | 72.4 | 77.0 | - | 52.9 | 57.4 | 44.6 | 47.7 | 75.1 |
| 6 | 2001 | NaN | 69.3 | - | 67.0 | 49.6 | 82.4 | 55.0 | 83.4 | 95.5 | ... | 73.1 | - | 72.8 | 79.0 | 74.1 | 57.8 | 59.6 | 47.7 | 51.7 | 77.8 |
| 7 | 2002 | NaN | 71.2 | - | 67.8 | 51.0 | 82.0 | 56.8 | 85.4 | 93.3 | ... | 73.7 | - | 72.7 | 81.1 | 73.1 | 64.6 | 64.4 | 52.9 | 57.0 | 79.4 |
| 8 | 2003 | NaN | 73.7 | - | 71.0 | 52.1 | 83.3 | 60.0 | 86.8 | 93.6 | ... | 76.8 | - | 72.8 | 82.6 | 73.8 | 74.2 | 64.5 | 57.3 | 63.6 | 81.8 |
| 9 | 2004 | NaN | 76.3 | 63.5 | 75.9 | 55.6 | 85.3 | 64.6 | 71.1 | 94.4 | ... | 78.9 | - | 74.5 | 84.4 | 77.4 | 75.8 | 75.0 | 61.3 | 70.6 | 82.9 |
| 10 | 2005 | NaN | 78.4 | 71.6 | 76.4 | 61.0 | 87.5 | 69.2 | 74.8 | 95.5 | ... | 80.8 | - | 77.6 | 87.0 | 80.5 | 77.1 | 76.4 | 65.8 | 76.7 | 83.9 |
| 11 | 2006 | NaN | 80.2 | 76.4 | 78.6 | 66.1 | 89.3 | 73.8 | 78.6 | 95.7 | ... | 82.8 | 80.5 | 81.2 | 89.9 | 84.1 | 78.9 | 79.2 | 73.2 | 81.5 | 85.6 |
| 12 | 2007 | NaN | 82.2 | 83.1 | 82.1 | 77.1 | 92.2 | 80.6 | 82.6 | 96.6 | ... | 86.8 | 83.4 | 83.9 | 92.1 | 86.8 | 79.7 | 83.7 | 78.8 | 86.2 | 89.0 |
| 13 | 2008 | NaN | 86.1 | 105.0 | 89.4 | 93.2 | 95.4 | 87.7 | 89.5 | 98.6 | ... | 93.5 | 94.8 | 91.0 | 95.7 | 97.2 | 88.2 | 93.3 | 92.4 | 95.2 | 93.3 |
| 14 | 2009 | NaN | 88.5 | 97.9 | 92.4 | 94.6 | 98.1 | 92.5 | 93.4 | 99.6 | ... | 96.4 | 104.1 | 96.8 | 97.7 | 98.6 | 94.3 | 99.2 | 99.0 | 96.6 | 97.3 |
| 15 | 2010 | NaN | 91.1 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | ... | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 |
| 16 | 2011 | NaN | 94.7 | 111.8 | 107.7 | 107.9 | 99.6 | 111.4 | 108.8 | 100.1 | ... | 107.3 | 101.5 | 105.1 | 104.0 | 104.7 | 104.4 | 105.2 | 107.3 | 106.3 | 100.9 |
| 17 | 2012 | NaN | 96.8 | 119.0 | 110.4 | 109.0 | 102.3 | 118.3 | 120.7 | 100.2 | ... | 111.0 | 98.4 | 110.4 | 105.1 | 108.5 | 109.2 | 107.4 | 113.7 | 107.5 | 102.2 |
| 18 | 2013 | NaN | 98.0 | 127.8 | 116.8 | 111.6 | 105.7 | 127.2 | 129.2 | 100.6 | ... | 114.2 | 96.9 | 112.3 | 106.3 | 112.1 | 114.6 | 108.0 | 119.8 | 108.3 | 103.7 |
| 19 | 2014 | NaN | 99.3 | 133.8 | 120.3 | 113.2 | 108.5 | 136.1 | 139.9 | 100.4 | ... | 114.8 | 99.0 | 113.0 | 107.6 | 116.8 | 120.6 | 107.6 | 126.0 | 111.0 | 104.6 |
| 20 | 2015 | NaN | 100.0 | 132.9 | 124.8 | 117.7 | 110.5 | 144.6 | 146.2 | 99.9 | ... | 116.4 | 99.5 | 112.7 | 107.9 | 117.9 | 127.8 | 108.4 | 125.3 | 109.9 | 107.1 |
| 21 | 2016 | NaN | 101.0 | 138.7 | 123.0 | 132.4 | 113.6 | 152.5 | 151.0 | 99.7 | ... | 120.8 | 101.5 | 111.5 | 108.6 | 116.7 | 136.3 | 109.8 | 125.9 | 112.7 | 108.1 |
| 22 | 2017 | NaN | 102.9 | 145.6 | 124.2 | 149.5 | 115.2 | 161.2 | 158.4 | 98.4 | ... | 124.9 | 101.8 | 112.3 | 110.7 | 118.2 | 143.7 | 111.7 | 126.5 | 121.1 | 111.4 |
| 23 | 2018 | NaN | 104.5 | 146.5 | 127.3 | 152.9 | 117.6 | 170.2 | 162.7 | 99.4 | ... | 130.0 | 102.4 | 114.3 | 112.4 | - | 150.0 | 116.4 | 130.9 | - | 114.0 |
| 24 | 2019 | NaN | 104.9 | 149.9 | 129.2 | 156.9 | 118.8 | 179.7 | 167.2 | 99.0 | ... | 132.3 | 100.5 | - | 114.2 | - | 155.9 | 117.6 | 133.1 | - | 117.1 |
| 25 | 2020 | NaN | 105.4 | - | 130.7 | 161.2 | 116.0 | 189.9 | 176.6 | 100.9 | ... | 128.9 | - | - | 116.2 | - | 163.5 | 115.7 | 137.0 | - | - |
26 rows × 192 columns
In [377]:
df_sobi=df10.loc[:,['시점','미국','대한민국','일본','중국','러시아','영국','인도']]
df_sobi
Out[377]:
| 시점 | 미국 | 대한민국 | 일본 | 중국 | 러시아 | 영국 | 인도 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 1995 | 69.9 | 54.8 | 101.1 | 64.5 | 6.3 | 73.9 | 37.7 |
| 1 | 1996 | 71.9 | 57.5 | 101.3 | 69.8 | 9.4 | 76.0 | 41.1 |
| 2 | 1997 | 73.6 | 60.1 | 103.0 | 71.8 | 10.7 | 77.7 | 44.1 |
| 3 | 1998 | 74.8 | 64.6 | 103.7 | 71.2 | 13.7 | 79.1 | 49.9 |
| 4 | 1999 | 76.4 | 65.1 | 103.4 | 70.2 | 25.5 | 80.5 | 52.2 |
| 5 | 2000 | 79.0 | 66.6 | 102.7 | 70.5 | 30.8 | 81.5 | 54.3 |
| 6 | 2001 | 81.2 | 69.3 | 101.9 | 71.0 | 37.4 | 82.7 | 56.4 |
| 7 | 2002 | 82.5 | 71.2 | 101.0 | 70.4 | 43.3 | 84.0 | 58.8 |
| 8 | 2003 | 84.4 | 73.7 | 100.7 | 71.2 | 49.2 | 85.1 | 61.1 |
| 9 | 2004 | 86.6 | 76.3 | 100.7 | 74.0 | 54.5 | 86.3 | 63.4 |
| 10 | 2005 | 89.6 | 78.4 | 100.4 | 75.3 | 61.4 | 88.1 | 66.0 |
| 11 | 2006 | 92.4 | 80.2 | 100.7 | 76.5 | 67.4 | 90.3 | 69.9 |
| 12 | 2007 | 95.1 | 82.2 | 100.7 | 80.2 | 73.5 | 92.4 | 74.3 |
| 13 | 2008 | 98.7 | 86.1 | 102.1 | 85.0 | 83.8 | 95.7 | 80.5 |
| 14 | 2009 | 98.4 | 88.5 | 100.7 | 84.3 | 93.6 | 97.6 | 89.3 |
| 15 | 2010 | 100.0 | 91.1 | 100.0 | 87.0 | 100.0 | 100.0 | 100.0 |
| 16 | 2011 | 103.2 | 94.7 | 99.7 | 91.8 | 108.4 | 103.9 | 108.9 |
| 17 | 2012 | 105.3 | 96.8 | 99.7 | 94.3 | 113.9 | 106.5 | 119.0 |
| 18 | 2013 | 106.8 | 98.0 | 100.0 | 96.7 | 121.6 | 109.0 | 132.2 |
| 19 | 2014 | 108.6 | 99.3 | 102.8 | 98.6 | 131.2 | 110.6 | 140.9 |
| 20 | 2015 | 108.7 | 100.0 | 103.6 | 100.0 | 151.5 | 111.0 | 147.9 |
| 21 | 2016 | 110.1 | 101.0 | 103.5 | 102.0 | 162.2 | 112.1 | 155.2 |
| 22 | 2017 | 112.4 | 102.9 | 104.0 | 103.6 | 168.2 | 114.9 | 160.3 |
| 23 | 2018 | 115.2 | 104.5 | 105.0 | 105.8 | 173.0 | 117.6 | 166.7 |
| 24 | 2019 | 117.2 | 104.9 | 105.5 | 108.8 | 180.8 | 119.6 | 172.9 |
| 25 | 2020 | 118.7 | 105.4 | 105.5 | 111.5 | 186.9 | 120.8 | 184.3 |
In [404]:
df_GDP2020=df_GDP.iloc[1:-1]
df_GDP2020=df_GDP2020.reset_index(drop=True)
In [405]:
df_GDP2020
Out[405]:
| 시점 | 미국 | 대한민국 | 일본 | 중국 | 러시아 | 영국 | 인도 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 1996 | 3.8 | 7.9 | 3.1 | 9.9 | -3.8 | 2.4 | 7.5 |
| 1 | 1997 | 4.4 | 6.2 | 1.0 | 9.2 | 1.4 | 4.9 | 4.0 |
| 2 | 1998 | 4.5 | -5.1 | -1.3 | 7.8 | -5.3 | 3.2 | 6.2 |
| 3 | 1999 | 4.8 | 11.5 | -0.3 | 7.7 | 6.4 | 3.0 | 8.8 |
| 4 | 2000 | 4.1 | 9.1 | 2.8 | 8.5 | 10.0 | 3.7 | 3.8 |
| 5 | 2001 | 1.0 | 4.9 | 0.4 | 8.3 | 5.1 | 2.1 | 4.8 |
| 6 | 2002 | 1.7 | 7.7 | 0.0 | 9.1 | 4.7 | 2.1 | 3.8 |
| 7 | 2003 | 2.8 | 3.1 | 1.5 | 10.0 | 7.3 | 3.0 | 7.9 |
| 8 | 2004 | 3.9 | 5.2 | 2.2 | 10.1 | 7.2 | 2.4 | 7.9 |
| 9 | 2005 | 3.5 | 4.3 | 1.8 | 11.4 | 6.4 | 2.6 | 7.9 |
| 10 | 2006 | 2.8 | 5.3 | 1.4 | 12.7 | 8.2 | 2.6 | 8.1 |
| 11 | 2007 | 2.0 | 5.8 | 1.5 | 14.2 | 8.5 | 2.3 | 7.7 |
| 12 | 2008 | 0.1 | 3.0 | -1.2 | 9.7 | 5.2 | -0.2 | 3.1 |
| 13 | 2009 | -2.6 | 0.8 | -5.7 | 9.4 | -7.8 | -4.2 | 7.9 |
| 14 | 2010 | 2.7 | 6.8 | 4.1 | 10.6 | 4.5 | 2.1 | 8.5 |
| 15 | 2011 | 1.5 | 3.7 | 0.0 | 9.6 | 4.3 | 1.5 | 5.2 |
| 16 | 2012 | 2.3 | 2.4 | 1.4 | 7.9 | 4.0 | 1.5 | 5.5 |
| 17 | 2013 | 1.8 | 3.2 | 2.0 | 7.8 | 1.8 | 1.9 | 6.4 |
| 18 | 2014 | 2.3 | 3.2 | 0.3 | 7.4 | 0.7 | 3.0 | 7.4 |
| 19 | 2015 | 2.7 | 2.8 | 1.6 | 7.0 | -2.0 | 2.6 | 8.0 |
| 20 | 2016 | 1.7 | 2.9 | 0.8 | 6.8 | 0.2 | 2.3 | 8.3 |
| 21 | 2017 | 2.3 | 3.2 | 1.7 | 6.9 | 1.8 | 2.1 | 6.8 |
| 22 | 2018 | 2.9 | 2.9 | 0.6 | 6.7 | 2.8 | 1.7 | 6.5 |
| 23 | 2019 | 2.3 | 2.2 | -0.2 | 6.0 | 2.2 | 1.7 | 3.7 |
| 24 | 2020 | -3.4 | -0.7 | -4.5 | 2.2 | -2.7 | -9.3 | -6.6 |
In [409]:
sobi.columns = ['상승률']
sobi
Out[409]:
| 상승률 | |
|---|---|
| 0 | 1.049270 |
| 1 | 1.045217 |
| 2 | 1.074875 |
| 3 | 1.007740 |
| 4 | 1.023041 |
| 5 | 1.040541 |
| 6 | 1.027417 |
| 7 | 1.035112 |
| 8 | 1.035278 |
| 9 | 1.027523 |
| 10 | 1.022959 |
| 11 | 1.024938 |
| 12 | 1.047445 |
| 13 | 1.027875 |
| 14 | 1.029379 |
| 15 | 1.039517 |
| 16 | 1.022175 |
| 17 | 1.012397 |
| 18 | 1.013265 |
| 19 | 1.007049 |
| 20 | 1.010000 |
| 21 | 1.018812 |
| 22 | 1.015549 |
| 23 | 1.003828 |
| 24 | 1.004766 |
In [410]:
result3 = pd.concat([df_GDP2020,sobi],axis=1)
result3
Out[410]:
| 시점 | 미국 | 대한민국 | 일본 | 중국 | 러시아 | 영국 | 인도 | 상승률 | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1996 | 3.8 | 7.9 | 3.1 | 9.9 | -3.8 | 2.4 | 7.5 | 1.049270 |
| 1 | 1997 | 4.4 | 6.2 | 1.0 | 9.2 | 1.4 | 4.9 | 4.0 | 1.045217 |
| 2 | 1998 | 4.5 | -5.1 | -1.3 | 7.8 | -5.3 | 3.2 | 6.2 | 1.074875 |
| 3 | 1999 | 4.8 | 11.5 | -0.3 | 7.7 | 6.4 | 3.0 | 8.8 | 1.007740 |
| 4 | 2000 | 4.1 | 9.1 | 2.8 | 8.5 | 10.0 | 3.7 | 3.8 | 1.023041 |
| 5 | 2001 | 1.0 | 4.9 | 0.4 | 8.3 | 5.1 | 2.1 | 4.8 | 1.040541 |
| 6 | 2002 | 1.7 | 7.7 | 0.0 | 9.1 | 4.7 | 2.1 | 3.8 | 1.027417 |
| 7 | 2003 | 2.8 | 3.1 | 1.5 | 10.0 | 7.3 | 3.0 | 7.9 | 1.035112 |
| 8 | 2004 | 3.9 | 5.2 | 2.2 | 10.1 | 7.2 | 2.4 | 7.9 | 1.035278 |
| 9 | 2005 | 3.5 | 4.3 | 1.8 | 11.4 | 6.4 | 2.6 | 7.9 | 1.027523 |
| 10 | 2006 | 2.8 | 5.3 | 1.4 | 12.7 | 8.2 | 2.6 | 8.1 | 1.022959 |
| 11 | 2007 | 2.0 | 5.8 | 1.5 | 14.2 | 8.5 | 2.3 | 7.7 | 1.024938 |
| 12 | 2008 | 0.1 | 3.0 | -1.2 | 9.7 | 5.2 | -0.2 | 3.1 | 1.047445 |
| 13 | 2009 | -2.6 | 0.8 | -5.7 | 9.4 | -7.8 | -4.2 | 7.9 | 1.027875 |
| 14 | 2010 | 2.7 | 6.8 | 4.1 | 10.6 | 4.5 | 2.1 | 8.5 | 1.029379 |
| 15 | 2011 | 1.5 | 3.7 | 0.0 | 9.6 | 4.3 | 1.5 | 5.2 | 1.039517 |
| 16 | 2012 | 2.3 | 2.4 | 1.4 | 7.9 | 4.0 | 1.5 | 5.5 | 1.022175 |
| 17 | 2013 | 1.8 | 3.2 | 2.0 | 7.8 | 1.8 | 1.9 | 6.4 | 1.012397 |
| 18 | 2014 | 2.3 | 3.2 | 0.3 | 7.4 | 0.7 | 3.0 | 7.4 | 1.013265 |
| 19 | 2015 | 2.7 | 2.8 | 1.6 | 7.0 | -2.0 | 2.6 | 8.0 | 1.007049 |
| 20 | 2016 | 1.7 | 2.9 | 0.8 | 6.8 | 0.2 | 2.3 | 8.3 | 1.010000 |
| 21 | 2017 | 2.3 | 3.2 | 1.7 | 6.9 | 1.8 | 2.1 | 6.8 | 1.018812 |
| 22 | 2018 | 2.9 | 2.9 | 0.6 | 6.7 | 2.8 | 1.7 | 6.5 | 1.015549 |
| 23 | 2019 | 2.3 | 2.2 | -0.2 | 6.0 | 2.2 | 1.7 | 3.7 | 1.003828 |
| 24 | 2020 | -3.4 | -0.7 | -4.5 | 2.2 | -2.7 | -9.3 | -6.6 | 1.004766 |
In [426]:
plt.figure(figsize = (10, 5), dpi = 300)#
plt.rc('font', family='Malgun Gothic')
plt.title('한국 GDP 와 물가상승률 비교')
plt.subplot(2,1,1)
plt.plot(result3['시점'], result3['대한민국'], label = 'GDP ')
plt.xlabel('한국 GDP ')
plt.legend()
plt.subplots_adjust(left=0.125, bottom=0.1, right=0.9, top=0.9, wspace=0.2, hspace=0.35)
plt.subplot(2,1,2)
plt.plot(result3['시점'], result3['상승률'], label = '소비자물가')
plt.xlabel('소비자물가 상승율')
plt.legend()
plt.savefig('한미 GDP 상승률.png', facecolor='#eeeeee')
plt.show()
In [ ]:
plt.subplot(3,1,2)
plt.plot(df20['시점'], df20['남자'], label = '남자 취업인구')
plt.plot(df20['시점'], df20['여자'], label = '여자 취업인구')
plt.xlabel('년도별 성별 20대 취업자수')
plt.legend()
In [400]:
sobi=pd.DataFrame(kor_price_growth)
In [392]:
#년도별 한중일 소비자 물가지수 상승률
import csv
f = open('sss.csv')
data = csv.reader(f)
max_date = []
kor =[]
cha =[]
jpn =[]
kor_price_growth=[]
cha_price_growth=[]
jpn_price_growth=[]
name1 = '대한민국'
name2 = '중국'
name3 = '일본'
name4 = '국가별'
for row in data:
if name1 in row[0]:
for i in row[1:27:]:
kor.append(float(i))
elif name2 in row[0]:
for i in row[1:27:]:
cha.append(float(i))
elif name3 in row[0]:
for i in row[1:27:]:
jpn.append(float(i))
elif name4 in row[0]:
for i in row[2:27:]:
max_date.append(int(i))
for i in range(0,25):
kor_price_growth.append(kor[i+1]/kor[i])
cha_price_growth.append(cha[i+1]/cha[i])
jpn_price_growth.append(jpn[i+1]/jpn[i])
(kor_price_growth
[1.0492700729927007, 1.0452173913043479, 1.0748752079866888, 1.0077399380804954, 1.023041474654378, 1.0405405405405406, 1.0274170274170276, 1.0351123595505618, 1.0352781546811396, 1.0275229357798166, 1.0229591836734693, 1.0249376558603491, 1.0474452554744524, 1.0278745644599303, 1.0293785310734462, 1.039517014270033, 1.0221752903907075, 1.012396694214876, 1.013265306122449, 1.0070493454179255, 1.01, 1.0188118811881188, 1.0155490767735664, 1.0038277511961724, 1.0047664442326025]
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Input In [392], in <cell line: 42>()
40 import matplotlib.pyplot as plt
41 plt.figure(figsize = (10, 3), dpi = 300)
---> 42 plt.plot(max_date, kor_price_growth, label = 'kor_price_growth')
43 plt.plot(max_date, cha_price_growth, label = 'cha_price_growth')
44 plt.plot(max_date, jpn_price_growth, label = 'jpn_price_growth')
File ~\anaconda3\lib\site-packages\matplotlib\pyplot.py:2757, in plot(scalex, scaley, data, *args, **kwargs)
2755 @_copy_docstring_and_deprecators(Axes.plot)
2756 def plot(*args, scalex=True, scaley=True, data=None, **kwargs):
-> 2757 return gca().plot(
2758 *args, scalex=scalex, scaley=scaley,
2759 **({"data": data} if data is not None else {}), **kwargs)
File ~\anaconda3\lib\site-packages\matplotlib\axes\_axes.py:1632, in Axes.plot(self, scalex, scaley, data, *args, **kwargs)
1390 """
1391 Plot y versus x as lines and/or markers.
1392
(...)
1629 (``'green'``) or hex strings (``'#008000'``).
1630 """
1631 kwargs = cbook.normalize_kwargs(kwargs, mlines.Line2D)
-> 1632 lines = [*self._get_lines(*args, data=data, **kwargs)]
1633 for line in lines:
1634 self.add_line(line)
File ~\anaconda3\lib\site-packages\matplotlib\axes\_base.py:312, in _process_plot_var_args.__call__(self, data, *args, **kwargs)
310 this += args[0],
311 args = args[1:]
--> 312 yield from self._plot_args(this, kwargs)
File ~\anaconda3\lib\site-packages\matplotlib\axes\_base.py:498, in _process_plot_var_args._plot_args(self, tup, kwargs, return_kwargs)
495 self.axes.yaxis.update_units(y)
497 if x.shape[0] != y.shape[0]:
--> 498 raise ValueError(f"x and y must have same first dimension, but "
499 f"have shapes {x.shape} and {y.shape}")
500 if x.ndim > 2 or y.ndim > 2:
501 raise ValueError(f"x and y can be no greater than 2D, but have "
502 f"shapes {x.shape} and {y.shape}")
ValueError: x and y must have same first dimension, but have shapes (0,) and (25,)
'파이썬 기본 > 정규화(문자열)' 카테고리의 다른 글
| 문자열 함수 이용해보기 (0) | 2022.10.24 |
|---|---|
| 크롤링에서 정규화를 하는 이유(마음대로 문자 변경) (0) | 2022.10.24 |