# !pip install yfinance
import numpy as np
import pandas as pd
import yfinance as yf10wk-1: 야후 finance, 출산율 자료 시각화
plotly
1. 강의영상
2. Imports
3. yfinance를 이용한 주식자료 시각화
A. 크롤링 + 데이터정리
- yahoo finance: https://finance.yahoo.com/
Apple: 'AAPL'
삼성전자: '005930.KS'
- 크롤링을 위한 코드
symbols = ['AMZN','AAPL','GOOG','MSFT','NFLX','NVDA','TSLA']
start = '2020-01-01'
end = '2023-11-06'
df = yf.download(symbols,start,end)
df[ 0%% ][************** 29%% ] 2 of 7 completed[********************* 43%% ] 3 of 7 completed[**********************57%%* ] 4 of 7 completed[**********************71%%******** ] 5 of 7 completed[**********************86%%*************** ] 6 of 7 completed[*********************100%%**********************] 7 of 7 completed| Adj Close | Close | ... | Open | Volume | |||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| AAPL | AMZN | GOOG | MSFT | NFLX | NVDA | TSLA | AAPL | AMZN | GOOG | ... | NFLX | NVDA | TSLA | AAPL | AMZN | GOOG | MSFT | NFLX | NVDA | TSLA | |
| Date | |||||||||||||||||||||
| 2020-01-02 | 73.152657 | 94.900497 | 68.368500 | 154.779526 | 329.809998 | 59.744045 | 28.684000 | 75.087502 | 94.900497 | 68.368500 | ... | 326.100006 | 59.687500 | 28.299999 | 135480400 | 80580000 | 28132000 | 22622100 | 4485800 | 23753600 | 142981500 |
| 2020-01-03 | 72.441467 | 93.748497 | 68.032997 | 152.852249 | 325.899994 | 58.787781 | 29.534000 | 74.357498 | 93.748497 | 68.032997 | ... | 326.779999 | 58.775002 | 29.366667 | 146322800 | 75288000 | 23728000 | 21116200 | 3806900 | 20538400 | 266677500 |
| 2020-01-06 | 73.018700 | 95.143997 | 69.710503 | 153.247330 | 335.829987 | 59.034309 | 30.102667 | 74.949997 | 95.143997 | 69.710503 | ... | 323.119995 | 58.080002 | 29.364668 | 118387200 | 81236000 | 34646000 | 20813700 | 5663100 | 26263600 | 151995000 |
| 2020-01-07 | 72.675278 | 95.343002 | 69.667000 | 151.850067 | 330.750000 | 59.749020 | 31.270666 | 74.597504 | 95.343002 | 69.667000 | ... | 336.470001 | 59.549999 | 30.760000 | 108872000 | 80898000 | 30054000 | 21634100 | 4703200 | 31485600 | 268231500 |
| 2020-01-08 | 73.844345 | 94.598503 | 70.216003 | 154.268814 | 339.260010 | 59.861080 | 32.809334 | 75.797501 | 94.598503 | 70.216003 | ... | 331.489990 | 59.939999 | 31.580000 | 132079200 | 70160000 | 30560000 | 27746500 | 7104500 | 27710800 | 467164500 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 2023-10-30 | 170.065933 | 132.710007 | 125.750000 | 336.626770 | 410.079987 | 411.573792 | 197.360001 | 170.289993 | 132.710007 | 125.750000 | ... | 402.350006 | 410.869995 | 209.279999 | 51131000 | 72485500 | 24165600 | 22828100 | 5317100 | 38802800 | 136448200 |
| 2023-10-31 | 170.545319 | 133.089996 | 125.300003 | 337.425140 | 411.690002 | 407.764130 | 200.839996 | 170.770004 | 133.089996 | 125.300003 | ... | 409.239990 | 404.500000 | 196.119995 | 44846000 | 51589400 | 21123400 | 20265300 | 3877600 | 51796900 | 118068300 |
| 2023-11-01 | 173.741104 | 137.000000 | 127.570000 | 345.369019 | 420.190002 | 423.212799 | 205.660004 | 173.970001 | 137.000000 | 127.570000 | ... | 414.769989 | 408.839996 | 204.039993 | 56934900 | 61529400 | 26536600 | 28158800 | 4806100 | 43759300 | 121661700 |
| 2023-11-02 | 177.336380 | 138.070007 | 128.580002 | 347.614471 | 424.709991 | 435.021759 | 218.509995 | 177.570007 | 138.070007 | 128.580002 | ... | 421.170013 | 433.279999 | 212.970001 | 77334800 | 52236700 | 24091700 | 24348100 | 4476000 | 40917200 | 125987600 |
| 2023-11-03 | 176.417572 | 138.600006 | 130.369995 | 352.085388 | 432.359985 | 450.010406 | 219.960007 | 176.649994 | 138.600006 | 130.369995 | ... | 428.760010 | 440.200012 | 221.149994 | 79763700 | 44007200 | 19517900 | 23624000 | 3664800 | 42385500 | 119281000 |
968 rows × 42 columns
- 데이터를 살펴보자.
df.stack()| Adj Close | Close | High | Low | Open | Volume | ||
|---|---|---|---|---|---|---|---|
| Date | |||||||
| 2020-01-02 | AAPL | 73.152657 | 75.087502 | 75.150002 | 73.797501 | 74.059998 | 135480400 |
| AMZN | 94.900497 | 94.900497 | 94.900497 | 93.207497 | 93.750000 | 80580000 | |
| GOOG | 68.368500 | 68.368500 | 68.406998 | 67.077499 | 67.077499 | 28132000 | |
| MSFT | 154.779526 | 160.619995 | 160.729996 | 158.330002 | 158.779999 | 22622100 | |
| NFLX | 329.809998 | 329.809998 | 329.980011 | 324.779999 | 326.100006 | 4485800 | |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 2023-11-03 | GOOG | 130.369995 | 130.369995 | 130.729996 | 129.009995 | 129.089996 | 19517900 |
| MSFT | 352.085388 | 352.799988 | 354.390015 | 347.329987 | 349.630005 | 23624000 | |
| NFLX | 432.359985 | 432.359985 | 434.820007 | 425.529999 | 428.760010 | 3664800 | |
| NVDA | 450.010406 | 450.049988 | 453.089996 | 437.230011 | 440.200012 | 42385500 | |
| TSLA | 219.960007 | 219.960007 | 226.369995 | 218.399994 | 221.149994 | 119281000 |
6776 rows × 6 columns
ChatGPT
“Adj Close”는 “Adjusted Closing Price”를 의미합니다. 주식 시장에서 각 거래일의 마감 가격을 조정하여 나타낸 값입니다. “조정”이라는 용어는 주식 분할, 배당금 지급, 자본 변동과 같은 기업 활동을 반영하여 가격을 수정한 것을 의미합니다. 이는 투자자들이 시간이 지나면서 주식의 실제 성과를 더 정확히 비교할 수 있게 해줍니다.
“Close”는 해당 거래일에 주식 시장이 닫힐 때의 주식 가격입니다.
다른 열은 다음을 의미합니다:
- “High”는 해당 거래일에 주식이 거래된 최고 가격입니다.
- “Low”는 해당 거래일에 주식이 거래된 최저 가격입니다.
- “Open”은 주식 시장이 개장했을 때의 주식 가격입니다.
- “Volume”은 그 날에 거래된 주식의 총 수량입니다.
표는 다양한 날짜에 대한 여러 주요 기술 회사들(예: AAPL - Apple Inc., AMZN - Amazon.com Inc., GOOG - Alphabet Inc., MSFT - Microsoft Corporation, NFLX - Netflix Inc., NVDA - NVIDIA Corporation, TSLA - Tesla Inc.)의 주식 정보를 보여줍니다.
- Adj Close만을 선택
df.stack().loc[:,'Adj Close']Date
2020-01-02 AAPL 73.152657
AMZN 94.900497
GOOG 68.368500
MSFT 154.779526
NFLX 329.809998
...
2023-11-03 GOOG 130.369995
MSFT 352.085388
NFLX 432.359985
NVDA 450.010406
TSLA 219.960007
Name: Adj Close, Length: 6776, dtype: float64- Adj Close만을 선택 – 또 다른 방법 (일단 이거로 할게요)
df.loc[:,'Adj Close']| AAPL | AMZN | GOOG | MSFT | NFLX | NVDA | TSLA | |
|---|---|---|---|---|---|---|---|
| Date | |||||||
| 2020-01-02 | 73.152657 | 94.900497 | 68.368500 | 154.779526 | 329.809998 | 59.744045 | 28.684000 |
| 2020-01-03 | 72.441467 | 93.748497 | 68.032997 | 152.852249 | 325.899994 | 58.787781 | 29.534000 |
| 2020-01-06 | 73.018700 | 95.143997 | 69.710503 | 153.247330 | 335.829987 | 59.034309 | 30.102667 |
| 2020-01-07 | 72.675278 | 95.343002 | 69.667000 | 151.850067 | 330.750000 | 59.749020 | 31.270666 |
| 2020-01-08 | 73.844345 | 94.598503 | 70.216003 | 154.268814 | 339.260010 | 59.861080 | 32.809334 |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 2023-10-30 | 170.065933 | 132.710007 | 125.750000 | 336.626770 | 410.079987 | 411.573792 | 197.360001 |
| 2023-10-31 | 170.545319 | 133.089996 | 125.300003 | 337.425140 | 411.690002 | 407.764130 | 200.839996 |
| 2023-11-01 | 173.741104 | 137.000000 | 127.570000 | 345.369019 | 420.190002 | 423.212799 | 205.660004 |
| 2023-11-02 | 177.336380 | 138.070007 | 128.580002 | 347.614471 | 424.709991 | 435.021759 | 218.509995 |
| 2023-11-03 | 176.417572 | 138.600006 | 130.369995 | 352.085388 | 432.359985 | 450.010406 | 219.960007 |
968 rows × 7 columns
B. 시각화
- tidydata를 생성
df.loc[:,'Adj Close'].stack().reset_index()\
.set_axis(['Date','Company','Price'],axis=1)| Date | Company | Price | |
|---|---|---|---|
| 0 | 2020-01-02 | AAPL | 73.152657 |
| 1 | 2020-01-02 | AMZN | 94.900497 |
| 2 | 2020-01-02 | GOOG | 68.368500 |
| 3 | 2020-01-02 | MSFT | 154.779526 |
| 4 | 2020-01-02 | NFLX | 329.809998 |
| ... | ... | ... | ... |
| 6771 | 2023-11-03 | GOOG | 130.369995 |
| 6772 | 2023-11-03 | MSFT | 352.085388 |
| 6773 | 2023-11-03 | NFLX | 432.359985 |
| 6774 | 2023-11-03 | NVDA | 450.010406 |
| 6775 | 2023-11-03 | TSLA | 219.960007 |
6776 rows × 3 columns
- 바로 이어서 시각화! – x='Date', y='Price', color='Company'
df.loc[:,'Adj Close'].stack().reset_index()\
.set_axis(['Date','Company','Price'],axis=1)\
.plot.line(x='Date',y='Price',color='Company',backend='plotly')/home/cgb2/anaconda3/envs/ag/lib/python3.10/site-packages/_plotly_utils/basevalidators.py:105: FutureWarning:
The behavior of DatetimeProperties.to_pydatetime is deprecated, in a future version this will return a Series containing python datetime objects instead of an ndarray. To retain the old behavior, call `np.array` on the result
4. 출산율 시각화
A. 크롤링 + 데이터정리
- 대한민국의 저출산문제
ref: https://ko.wikipedia.org/wiki/대한민국의_저출산
- 위의 url에서 5번째 테이블을 읽고싶다.
- 5번째 테이블: 시도별 출생아 수
df_lst = 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')
df = df_lst[4]
df| 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 |
- '-'로 표현된 값을 0으로 처리하는게 좋겠음
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).reset_index()/tmp/ipykernel_1174230/1737303492.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
| 지역 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 서울 | 93266.000 | 91526.000 | 93914.000 | 84066.000 | 83711.000 | 83005.0 | 75.536 | 65389.0 | 58074.0 | 53.673 | 47400.0 | 45531.0 |
| 1 | 부산 | 27415.000 | 27759.000 | 28673.000 | 25831.000 | 26190.000 | 26645.0 | 24906.000 | 21480.0 | 19152.0 | 17049.000 | 15100.0 | 14446.0 |
| 2 | 대구 | 20557.000 | 20758.000 | 21472.000 | 19340.000 | 19361.000 | 19438.0 | 18298.000 | 15946.0 | 14400.0 | 13233.000 | 11200.0 | 10661.0 |
| 3 | 인천 | 25752.000 | 20758.000 | 21472.000 | 25560.000 | 25786.000 | 25491.0 | 23609.000 | 20445.0 | 20087.0 | 18522.000 | 16000.0 | 14947.0 |
| 4 | 광주 | 13979.000 | 13916.000 | 14392.000 | 12729.000 | 12729.000 | 12441.0 | 11580.000 | 10120.0 | 9105.0 | 8364.000 | 7300.0 | 7956.0 |
| 5 | 대전 | 14314.000 | 14808.000 | 15279.000 | 14099.000 | 13962.000 | 13774.0 | 12436.000 | 10851.0 | 9337.0 | 8410.000 | 7500.0 | 7414.0 |
| 6 | 울산 | 11432.000 | 11542.000 | 12160.000 | 11330.000 | 11556.000 | 11732.0 | 10910.000 | 9381.0 | 8149.0 | 7539.000 | 6600.0 | 6127.0 |
| 7 | 세종 | 0.000 | 0.000 | 1054.000 | 1111.000 | 1344.000 | 2708.0 | 3297.000 | 3504.0 | 3703.0 | 3819.000 | 3500.0 | 3570.0 |
| 8 | 경기 | 121753.000 | 122027.000 | 124746.000 | 112129.000 | 112.169 | 113495.0 | 105643.000 | 94088.0 | 83198.0 | 83.198 | 77800.0 | 76139.0 |
| 9 | 강원 | 12477.000 | 12408.000 | 12426.000 | 10980.000 | 10662.000 | 10929.0 | 10058.000 | 9958.0 | 8351.0 | 8283.000 | 7800.0 | 7357.0 |
| 10 | 충북 | 14670.000 | 14804.000 | 15139.000 | 13658.000 | 13366.000 | 13563.0 | 12742.000 | 11394.0 | 10586.0 | 9333.000 | 8600.0 | 8190.0 |
| 11 | 충남 | 20.242 | 20.398 | 20.448 | 18.628 | 18200.000 | 18604.0 | 17302.000 | 15670.0 | 14380.0 | 13228.000 | 11900.0 | 10984.0 |
| 12 | 전북 | 16100.000 | 16175.000 | 16238.000 | 14555.000 | 14231.000 | 14087.0 | 12698.000 | 11348.0 | 10001.0 | 8971.000 | 8200.0 | 7745.0 |
| 13 | 전남 | 16654.000 | 16612.000 | 16990.000 | 15401.000 | 14817.000 | 15061.0 | 13980.000 | 12354.0 | 11238.0 | 10832.000 | 9700.0 | 8430.0 |
| 14 | 경북 | 23700.000 | 24250.000 | 24635.000 | 22206.000 | 22062.000 | 22310.0 | 20616.000 | 17957.0 | 16079.0 | 14472.000 | 12900.0 | 12045.0 |
| 15 | 경남 | 32203.000 | 32536.000 | 33211.000 | 29504.000 | 29763.000 | 29537.0 | 27138.000 | 23849.0 | 21224.0 | 19250.000 | 16800.0 | 15562.0 |
| 16 | 제주 | 5657.000 | 5628.000 | 5992.000 | 5328.000 | 5526.000 | 5600.0 | 5494.000 | 5037.0 | 4781.0 | 4500.000 | 4000.0 | 3728.0 |
| 17 | 전국 | 470171.000 | 471265.000 | 484550.000 | 436455.000 | 435435.000 | 438420.0 | 406243.000 | 357771.0 | 326822.0 | 302676.000 | 272400.0 | 260562.0 |
B. 시각화1: 전국 출생아수 시각화
- 전국으로 집계가 되어있던 정보를 남겨도 좋지만, groupy+agg 조합으로 새롭게 계산해보자.
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.groupby('년도').agg({'출생아수':'sum'}).reset_index()\
.plot.line(x='년도',y='출생아수',backend='plotly')/tmp/ipykernel_1174230/1805618332.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
C. 시각화2: 시도별 출생아수 시각화 (line)
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.plot.line(x='년도',y='출생아수',color='지역',backend='plotly')/tmp/ipykernel_1174230/277281482.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
D. 시각화3: 시도별 출생아수 시각화 (area)
- 시각화1,시각화2의 정보가 적절히 혼합되어있는 시각화는 없을까?
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.plot.area(x='년도',y='출생아수',color='지역',backend='plotly')/tmp/ipykernel_1174230/70633050.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
- 기묘하다..
- 해석: 2014년 경기, 2016년 서울, 2019년 경기에 애를 낳지 않는다.
- 데이터와 비교
df| 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 |
E. 시각화1,2,3 수정
- 시각화1의 수정
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.applymap(lambda x: x*1000 if x<1000 else x)\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.groupby('년도').agg({'출생아수':'sum'}).reset_index()\
.plot.line(x='년도',y='출생아수',backend='plotly')/tmp/ipykernel_1174230/1274971694.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
/tmp/ipykernel_1174230/1274971694.py:4: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
- 시각화2의 수정
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.applymap(lambda x: x*1000 if x<1000 else x)\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.plot.line(x='년도',y='출생아수',color='지역',backend='plotly')/tmp/ipykernel_1174230/1526382732.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
/tmp/ipykernel_1174230/1526382732.py:4: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
- 시각화3의 수정
df.rename({'지역/연도[6]':'지역'},axis=1)\
.set_index(['지역'])\
.applymap(lambda x: 0 if '-' in str(x) else float(x)).drop('전국')\
.applymap(lambda x: x*1000 if x<1000 else x)\
.stack().reset_index().rename({'level_1':'년도',0:'출생아수'},axis=1)\
.plot.area(x='년도',y='출생아수',color='지역',backend='plotly')/tmp/ipykernel_1174230/3339566067.py:3: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
/tmp/ipykernel_1174230/3339566067.py:4: FutureWarning:
DataFrame.applymap has been deprecated. Use DataFrame.map instead.
5. HW
삼성전자와 카카오에 대한 주가('Adj Close' 기준)를 아래와 같이 시각화 하라.
- start = ‘2020-01-01’
- end = ‘2023-11-06’
시각화예시
