[대학수업] 빅데이터처리와시각화 python 프로그래밍(분석)

0. 들어가기에 앞서¶

• 본 Python 프로그래밍 코드는 2022학년 1학기 빅데이터처리와시각화 수업의 기말프로젝트 자료로 사용되었습니다
• 아래 코드는 어디까지나 참고용으로 사용하시기 바랍니다

1. 치안도 계산¶

• 치안도는 자치구별로 계산합니다.
• 치안도 계산에는 아래 요소가 사용됩니다.
  1. 강력 범죄 발생 빈도 및 검거율
  2. 시설물 확충 : 가로등, CCTV
  3. 치안 관련 시내기관 : 경찰서

1.1. 강력 범죄 발생 빈도 및 검거율¶

In [1]:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_theme(style='whitegrid', font_scale=1.5)
sns.set_palette('Set2', n_colors=10)
plt.rc('font', family='malgun gothic')
plt.rc('axes', unicode_minus=False)

In [2]:

# 강력 범죄 관련 csv파일 호출
crime_df = pd.read_csv('전처리_서울시 5대 범죄 발생현황.csv', thousands = ',')

In [3]:

crime_df.head()

Out[3]:

	자치구	살인_발생	살인_검거	강도_발생	강도_검거	강간강제추행_발생	강간강제추행_검거	절도_발생	절도_검거	폭력_발생	폭력_검거
0	종로구	9	7	7	9	192	855	1183	944	1711	1528
1	중구	2	2	5	6	186	128	1642	863	1576	1324
2	용산구	5	3	6	6	230	186	1111	534	1617	1327
3	성동구	5	5	3	3	115	98	1016	565	1223	1103
4	광진구	2	2	4	4	255	224	1664	874	1676	1407

In [4]:

crime_df.tail()

Out[4]:

	자치구	살인_발생	살인_검거	강도_발생	강도_검거	강간강제추행_발생	강간강제추행_검거	절도_발생	절도_검거	폭력_발생	폭력_검거
20	관악구	12	12	3	3	403	351	2229	1137	2614	2355
21	서초구	5	5	6	4	396	303	2021	960	2173	1780
22	강남구	6	5	14	11	708	627	2951	1491	3677	3111
23	송파구	6	6	13	17	287	235	2429	1006	2675	2280
24	강동구	3	3	15	14	188	167	1640	781	1942	1697

In [5]:

# 살인, 절도, 폭력 항목에서 object가 관찰됨
# object를 int64로 변경
crime_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 11 columns):
 #   Column     Non-Null Count  Dtype 
---  ------     --------------  ----- 
 0   자치구        25 non-null     object
 1   살인_발생      25 non-null     object
 2   살인_검거      25 non-null     object
 3   강도_발생      25 non-null     int64 
 4   강도_검거      25 non-null     int64 
 5   강간강제추행_발생  25 non-null     int64 
 6   강간강제추행_검거  25 non-null     int64 
 7   절도_발생      25 non-null     int64 
 8   절도_검거      25 non-null     int64 
 9   폭력_발생      25 non-null     int64 
 10  폭력_검거      25 non-null     int64 
dtypes: int64(8), object(3)
memory usage: 2.3+ KB

In [6]:

# 1. 살인_발생, 살인_검거를 int화
crime_df['살인_발생'] = crime_df.살인_발생.replace('-', 0).astype(int)
crime_df['살인_검거'] = crime_df.살인_검거.replace('-', 0).astype(int)

In [7]:

# 살인_발생 / 살인_검거가 무사히 int로 변경되었는지 확인
crime_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 11 columns):
 #   Column     Non-Null Count  Dtype 
---  ------     --------------  ----- 
 0   자치구        25 non-null     object
 1   살인_발생      25 non-null     int32 
 2   살인_검거      25 non-null     int32 
 3   강도_발생      25 non-null     int64 
 4   강도_검거      25 non-null     int64 
 5   강간강제추행_발생  25 non-null     int64 
 6   강간강제추행_검거  25 non-null     int64 
 7   절도_발생      25 non-null     int64 
 8   절도_검거      25 non-null     int64 
 9   폭력_발생      25 non-null     int64 
 10  폭력_검거      25 non-null     int64 
dtypes: int32(2), int64(8), object(1)
memory usage: 2.1+ KB

In [8]:

# 범죄빈도를 각 자치구별로 편하게 할당하기 위해서
# 자치구 열 리스트화
state = list(crime_df.자치구)
print(state)

['종로구', '중구', '용산구', '성동구', '광진구', '동대문구', '중랑구', '성북구', '강북구', '도봉구', '노원구', '은평구', '서대문구', '마포구', '양천구', '강서구', '구로구', '금천구', '영등포구', '동작구', '관악구', '서초구', '강남구', '송파구', '강동구']

In [9]:

# 서울 전체 범죄 중 자치구 범죄발생율
# 1. 살인
murder_sum = crime_df.살인_발생.sum()
print(murder_sum)

141

In [10]:

murder_percent = crime_df.살인_발생 / murder_sum
murder_percent

Out[10]:

0     0.063830
1     0.014184
2     0.035461
3     0.035461
4     0.014184
5     0.070922
6     0.070922
7     0.028369
8     0.063830
9     0.000000
10    0.028369
11    0.028369
12    0.021277
13    0.063830
14    0.035461
15    0.070922
16    0.042553
17    0.028369
18    0.049645
19    0.007092
20    0.085106
21    0.035461
22    0.042553
23    0.042553
24    0.021277
Name: 살인_발생, dtype: float64

In [11]:

# 2. 강도
roberry_sum = crime_df.강도_발생.sum()
roberry_sum

Out[11]:

138

In [12]:

roberry_percent = crime_df.강도_발생 / roberry_sum
roberry_percent

Out[12]:

0     0.050725
1     0.036232
2     0.043478
3     0.021739
4     0.028986
5     0.043478
6     0.036232
7     0.021739
8     0.036232
9     0.014493
10    0.021739
11    0.028986
12    0.014493
13    0.028986
14    0.021739
15    0.043478
16    0.036232
17    0.050725
18    0.043478
19    0.007246
20    0.021739
21    0.043478
22    0.101449
23    0.094203
24    0.108696
Name: 강도_발생, dtype: float64

In [13]:

# 강간강제추행
rape_sum = crime_df.강간강제추행_발생.sum()
rape_sum

Out[13]:

5763

In [14]:

rape_percent = crime_df.강간강제추행_발생 / rape_sum
rape_percent

Out[14]:

0     0.033316
1     0.032275
2     0.039910
3     0.019955
4     0.044248
5     0.027937
6     0.031754
7     0.024640
8     0.027590
9     0.014229
10    0.029325
11    0.029672
12    0.027590
13    0.060385
14    0.018914
15    0.045983
16    0.034184
17    0.020302
18    0.054659
19    0.039216
20    0.069929
21    0.068714
22    0.122853
23    0.049800
24    0.032622
Name: 강간강제추행_발생, dtype: float64

In [15]:

# 절도
thief_sum = crime_df.절도_발생.sum()
thief_sum

Out[15]:

38293

In [16]:

thief_percent = crime_df.절도_발생 / thief_sum
thief_percent

Out[16]:

0     0.030893
1     0.042880
2     0.029013
3     0.026532
4     0.043454
5     0.037605
6     0.039328
7     0.025801
8     0.020369
9     0.022485
10    0.036665
11    0.035803
12    0.028125
13    0.038728
14    0.039616
15    0.044107
16    0.046040
17    0.026088
18    0.057138
19    0.035019
20    0.058209
21    0.052777
22    0.077064
23    0.063432
24    0.042828
Name: 절도_발생, dtype: float64

In [17]:

# 폭력
violence_sum = crime_df.폭력_발생.sum()
violence_sum

Out[17]:

48344

In [18]:

violence_percent = crime_df.폭력_발생 / violence_sum
violence_percent

Out[18]:

0     0.035392
1     0.032600
2     0.033448
3     0.025298
4     0.034668
5     0.036902
6     0.041825
7     0.029580
8     0.037585
9     0.025525
10    0.044742
11    0.038061
12    0.026725
13    0.038143
14    0.032724
15    0.050575
16    0.045590
17    0.030428
18    0.055870
19    0.033737
20    0.054071
21    0.044949
22    0.076059
23    0.055333
24    0.040170
Name: 폭력_발생, dtype: float64

<범죄지수 공식1 : 1 - 범죄율>¶

In [19]:

# 범죄안전지수 계산식
# 살인지수
murder_index = 1 - murder_percent

# 강도지수
roberry_index = 1 - roberry_percent

# 강간강제추행지수
rape_index = 1 - rape_percent

# 절도지수
thief_index = 1 - thief_percent

# 폭행지수
violence_index = 1 - violence_percent

In [20]:

crime_index_list = murder_index + roberry_index + rape_index + thief_index + violence_index

In [21]:

crime_index_list

Out[21]:

0     4.785844
1     4.841829
2     4.818690
3     4.871015
4     4.834460
5     4.783156
6     4.779938
7     4.869871
8     4.814394
9     4.923269
10    4.839161
11    4.839110
12    4.881790
13    4.769928
14    4.851547
15    4.744934
16    4.795402
17    4.844089
18    4.739209
19    4.877689
20    4.710946
21    4.754621
22    4.580022
23    4.694679
24    4.754408
dtype: float64

In [22]:

crime_index_list.values

Out[22]:

array([4.78584403, 4.84182926, 4.81869005, 4.87101486, 4.83445968,
       4.78315593, 4.77993825, 4.86987139, 4.81439446, 4.92326862,
       4.83916056, 4.8391102 , 4.88179047, 4.76992848, 4.85154671,
       4.74493443, 4.79540165, 4.84408856, 4.73920851, 4.8776889 ,
       4.71094573, 4.75462056, 4.58002208, 4.69467888, 4.75440774])

In [23]:

crime_index_dict = dict(zip(state, crime_index_list.values))

In [24]:

# 범죄안전지수 완성
crime_index_dict

Out[24]:

{'종로구': 4.785844029746858,
 '중구': 4.841829260078239,
 '용산구': 4.81869005061282,
 '성동구': 4.871014862367488,
 '광진구': 4.834459679570065,
 '동대문구': 4.783155929804834,
 '중랑구': 4.779938246358383,
 '성북구': 4.869871391552214,
 '강북구': 4.814394464768535,
 '도봉구': 4.92326861755819,
 '노원구': 4.839160556266389,
 '은평구': 4.839110198417501,
 '서대문구': 4.881790472306983,
 '마포구': 4.769928478379005,
 '양천구': 4.851546708247595,
 '강서구': 4.744934434747133,
 '구로구': 4.795401654574427,
 '금천구': 4.844088555233447,
 '영등포구': 4.739208508327312,
 '동작구': 4.877688900984432,
 '관악구': 4.710945732185163,
 '서초구': 4.754620563900914,
 '강남구': 4.5800220825322,
 '송파구': 4.694678883712141,
 '강동구': 4.754407737767735}

<범죄지수 공식2 : 범죄율 순위화>¶

In [33]:

murder_percent

Out[33]:

0     0.063830
1     0.014184
2     0.035461
3     0.035461
4     0.014184
5     0.070922
6     0.070922
7     0.028369
8     0.063830
9     0.000000
10    0.028369
11    0.028369
12    0.021277
13    0.063830
14    0.035461
15    0.070922
16    0.042553
17    0.028369
18    0.049645
19    0.007092
20    0.085106
21    0.035461
22    0.042553
23    0.042553
24    0.021277
Name: 살인_발생, dtype: float64

In [113]:

# 다른 방법으로 산출한 범죄안전지수
# 높으면 높을수록 치안이 나쁘다.
# 서울시 전체 범죄 중 각 범죄를 순위화
# 살인
murder_index2 = murder_percent.rank(ascending = False) / len(murder_percent)
murder_index2

Out[113]:

0     0.24
1     0.90
2     0.54
3     0.54
4     0.90
5     0.12
6     0.12
7     0.70
8     0.24
9     1.00
10    0.70
11    0.70
12    0.82
13    0.24
14    0.54
15    0.12
16    0.40
17    0.70
18    0.32
19    0.96
20    0.04
21    0.54
22    0.40
23    0.40
24    0.82
Name: 살인_발생, dtype: float64

In [38]:

roberry_percent

Out[38]:

0     0.050725
1     0.036232
2     0.043478
3     0.021739
4     0.028986
5     0.043478
6     0.036232
7     0.021739
8     0.036232
9     0.014493
10    0.021739
11    0.028986
12    0.014493
13    0.028986
14    0.021739
15    0.043478
16    0.036232
17    0.050725
18    0.043478
19    0.007246
20    0.021739
21    0.043478
22    0.101449
23    0.094203
24    0.108696
Name: 강도_발생, dtype: float64

In [114]:

# 강도
roberry_index2 = roberry_percent.rank(ascending = False) / len(roberry_percent)
roberry_index2

Out[114]:

0     0.18
1     0.50
2     0.32
3     0.80
4     0.64
5     0.32
6     0.50
7     0.80
8     0.50
9     0.94
10    0.80
11    0.64
12    0.94
13    0.64
14    0.80
15    0.32
16    0.50
17    0.18
18    0.32
19    1.00
20    0.80
21    0.32
22    0.08
23    0.12
24    0.04
Name: 강도_발생, dtype: float64

In [40]:

rape_percent

Out[40]:

0     0.033316
1     0.032275
2     0.039910
3     0.019955
4     0.044248
5     0.027937
6     0.031754
7     0.024640
8     0.027590
9     0.014229
10    0.029325
11    0.029672
12    0.027590
13    0.060385
14    0.018914
15    0.045983
16    0.034184
17    0.020302
18    0.054659
19    0.039216
20    0.069929
21    0.068714
22    0.122853
23    0.049800
24    0.032622
Name: 강간강제추행_발생, dtype: float64

In [115]:

# 강간강제추행
rape_index2 = rape_percent.rank(ascending = False) / len(rape_percent)
rape_index2

Out[115]:

0     0.48
1     0.56
2     0.36
3     0.92
4     0.32
5     0.72
6     0.60
7     0.84
8     0.78
9     1.00
10    0.68
11    0.64
12    0.78
13    0.16
14    0.96
15    0.28
16    0.44
17    0.88
18    0.20
19    0.40
20    0.08
21    0.12
22    0.04
23    0.24
24    0.52
Name: 강간강제추행_발생, dtype: float64

In [44]:

thief_percent

Out[44]:

0     0.030893
1     0.042880
2     0.029013
3     0.026532
4     0.043454
5     0.037605
6     0.039328
7     0.025801
8     0.020369
9     0.022485
10    0.036665
11    0.035803
12    0.028125
13    0.038728
14    0.039616
15    0.044107
16    0.046040
17    0.026088
18    0.057138
19    0.035019
20    0.058209
21    0.052777
22    0.077064
23    0.063432
24    0.042828
Name: 절도_발생, dtype: float64

In [116]:

# 절도
thief_index2 = thief_percent.rank(ascending = False) / len(thief_percent)
thief_index2

Out[116]:

0     0.72
1     0.36
2     0.76
3     0.84
4     0.32
5     0.56
6     0.48
7     0.92
8     1.00
9     0.96
10    0.60
11    0.64
12    0.80
13    0.52
14    0.44
15    0.28
16    0.24
17    0.88
18    0.16
19    0.68
20    0.12
21    0.20
22    0.04
23    0.08
24    0.40
Name: 절도_발생, dtype: float64

In [49]:

violence_percent

Out[49]:

0     0.035392
1     0.032600
2     0.033448
3     0.025298
4     0.034668
5     0.036902
6     0.041825
7     0.029580
8     0.037585
9     0.025525
10    0.044742
11    0.038061
12    0.026725
13    0.038143
14    0.032724
15    0.050575
16    0.045590
17    0.030428
18    0.055870
19    0.033737
20    0.054071
21    0.044949
22    0.076059
23    0.055333
24    0.040170
Name: 폭력_발생, dtype: float64

In [117]:

# 폭행
violence_index2 = violence_percent.rank(ascending = False) / len(violence_percent)
violence_index2

Out[117]:

0     0.60
1     0.80
2     0.72
3     1.00
4     0.64
5     0.56
6     0.36
7     0.88
8     0.52
9     0.96
10    0.32
11    0.48
12    0.92
13    0.44
14    0.76
15    0.20
16    0.24
17    0.84
18    0.08
19    0.68
20    0.16
21    0.28
22    0.04
23    0.12
24    0.40
Name: 폭력_발생, dtype: float64

In [118]:

all_crime_safe = murder_index2 + roberry_index2 + rape_index2 + thief_index2 + violence_index2

In [119]:

crime_index_list2 = []

crime_index_list2.append(state)
crime_index_list2.append(murder_index2.values)
crime_index_list2.append(roberry_index2.values)
crime_index_list2.append(rape_index2.values)
crime_index_list2.append(thief_index2.values)
crime_index_list2.append(violence_index2.values)
crime_index_list2.append(all_crime_safe.values)

crime_index_list2

Out[119]:

[['종로구',
  '중구',
  '용산구',
  '성동구',
  '광진구',
  '동대문구',
  '중랑구',
  '성북구',
  '강북구',
  '도봉구',
  '노원구',
  '은평구',
  '서대문구',
  '마포구',
  '양천구',
  '강서구',
  '구로구',
  '금천구',
  '영등포구',
  '동작구',
  '관악구',
  '서초구',
  '강남구',
  '송파구',
  '강동구'],
 array([0.24, 0.9 , 0.54, 0.54, 0.9 , 0.12, 0.12, 0.7 , 0.24, 1.  , 0.7 ,
        0.7 , 0.82, 0.24, 0.54, 0.12, 0.4 , 0.7 , 0.32, 0.96, 0.04, 0.54,
        0.4 , 0.4 , 0.82]),
 array([0.18, 0.5 , 0.32, 0.8 , 0.64, 0.32, 0.5 , 0.8 , 0.5 , 0.94, 0.8 ,
        0.64, 0.94, 0.64, 0.8 , 0.32, 0.5 , 0.18, 0.32, 1.  , 0.8 , 0.32,
        0.08, 0.12, 0.04]),
 array([0.48, 0.56, 0.36, 0.92, 0.32, 0.72, 0.6 , 0.84, 0.78, 1.  , 0.68,
        0.64, 0.78, 0.16, 0.96, 0.28, 0.44, 0.88, 0.2 , 0.4 , 0.08, 0.12,
        0.04, 0.24, 0.52]),
 array([0.72, 0.36, 0.76, 0.84, 0.32, 0.56, 0.48, 0.92, 1.  , 0.96, 0.6 ,
        0.64, 0.8 , 0.52, 0.44, 0.28, 0.24, 0.88, 0.16, 0.68, 0.12, 0.2 ,
        0.04, 0.08, 0.4 ]),
 array([0.6 , 0.8 , 0.72, 1.  , 0.64, 0.56, 0.36, 0.88, 0.52, 0.96, 0.32,
        0.48, 0.92, 0.44, 0.76, 0.2 , 0.24, 0.84, 0.08, 0.68, 0.16, 0.28,
        0.04, 0.12, 0.4 ]),
 array([2.22, 3.12, 2.7 , 4.1 , 2.82, 2.28, 2.06, 4.14, 3.04, 4.86, 3.1 ,
        3.1 , 4.26, 2.  , 3.5 , 1.2 , 1.82, 3.48, 1.08, 3.72, 1.2 , 1.46,
        0.6 , 0.96, 2.18])]

In [156]:

col_name_crime = ['자치구', '살인_안전지수', '강도_안전지수','강간강제추행_안전지수', '절도_안전지수', '폭행_안전지수', '범죄안전지수_합계']

In [157]:

crime_index_df2 = pd.DataFrame(crime_index_list2).T
crime_index_df2.columns = col_name_crime

In [158]:

crime_index_df2

Out[158]:

	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계
0	종로구	0.24	0.18	0.48	0.72	0.6	2.22
1	중구	0.9	0.5	0.56	0.36	0.8	3.12
2	용산구	0.54	0.32	0.36	0.76	0.72	2.7
3	성동구	0.54	0.8	0.92	0.84	1.0	4.1
4	광진구	0.9	0.64	0.32	0.32	0.64	2.82
5	동대문구	0.12	0.32	0.72	0.56	0.56	2.28
6	중랑구	0.12	0.5	0.6	0.48	0.36	2.06
7	성북구	0.7	0.8	0.84	0.92	0.88	4.14
8	강북구	0.24	0.5	0.78	1.0	0.52	3.04
9	도봉구	1.0	0.94	1.0	0.96	0.96	4.86
10	노원구	0.7	0.8	0.68	0.6	0.32	3.1
11	은평구	0.7	0.64	0.64	0.64	0.48	3.1
12	서대문구	0.82	0.94	0.78	0.8	0.92	4.26
13	마포구	0.24	0.64	0.16	0.52	0.44	2.0
14	양천구	0.54	0.8	0.96	0.44	0.76	3.5
15	강서구	0.12	0.32	0.28	0.28	0.2	1.2
16	구로구	0.4	0.5	0.44	0.24	0.24	1.82
17	금천구	0.7	0.18	0.88	0.88	0.84	3.48
18	영등포구	0.32	0.32	0.2	0.16	0.08	1.08
19	동작구	0.96	1.0	0.4	0.68	0.68	3.72
20	관악구	0.04	0.8	0.08	0.12	0.16	1.2
21	서초구	0.54	0.32	0.12	0.2	0.28	1.46
22	강남구	0.4	0.08	0.04	0.04	0.04	0.6
23	송파구	0.4	0.12	0.24	0.08	0.12	0.96
24	강동구	0.82	0.04	0.52	0.4	0.4	2.18

In [159]:

def bar_graph(x_index, value, title):
    plt.figure(figsize = (15, 10))
    plt.bar(range(len(x_index)), value)
    
    # x축 설정
    index = np.arange(len(x_index))
    plt.xticks(index, x_index, rotation = 90)
    
    # 그래프 제목
    plt.title(title)
    plt.show()

In [160]:

# 추가 : 각 범죄별 비율 현황
# 1. 살인 : murder_percent
bar_graph(state, murder_percent.values, "서울시 전체 살인사건 발생대비 각 자치구별 사건발생비율")

In [161]:

# 2. 강도 : roberry_percent
bar_graph(state, roberry_percent.values, "서울시 전체 강도사건 발생대비 각 자치구별 사건발생비율")

In [162]:

# 3. 강간강제추행 : rape_percent
bar_graph(state, rape_percent.values, "서울시 전체 강간강제추행 발생대비 각 자치구별 사건발생비율")

In [163]:

# 4. 절도 : thief_percent
bar_graph(state, thief_percent.values, "서울시 전체 절도사건 발생대비 각 자치구별 사건발생비율")

In [164]:

# 5. 폭행 : violence_percent
bar_graph(state, violence_percent.values, "서울시 전체 폭행사건 발생대비 각 자치구별 사건발생비율")

In [165]:

# 2. 강도 : 
plt.figure(figsize = (15, 10))
plt.bar(range(len(state)), murder_percent.values)

# x축 설정
index = np.arange(len(state))
plt.xticks(index, state, rotation = 90)

# 그래프 제목
plt.title("서울시 전체 살인사건 발생대비 각 자치구별 사건발생비율", size = 20)
plt.show()

1.2. 시설물 현황 : CCTV, 가로등, 경찰서¶

In [166]:

# 서울시 면적 구성비
ground_df = pd.read_csv('서울시 자치구별 면적 구성비.csv', encoding = 'CP949')

In [167]:

# 가로등 개수 csv
lamp_df = pd.read_csv('pre_2020_서울시_자치구별_가로등개수.csv')

In [168]:

# 방범목적 CCTV 대수
cctv_df = pd.read_csv('pre_서울시_CCTV설치운영현황_목적별_방범.csv')

In [169]:

# 경찰서
police_df = pd.read_csv('pre_2020_서울시_자치구별_시내주요기관통계_경찰서및지구대.csv')

In [170]:

ground_df.head()

Out[170]:

	자치구	면적	구성비(%)
0	서울시	605.23	100.00
1	종로구	23.91	3.95
2	중구	9.96	1.65
3	용산구	21.87	3.61
4	성동구	16.86	2.79

In [171]:

lamp_df.head()

Out[171]:

	자치구	가로등
0	합계	283974
1	종로구	8818
2	중구	8550
3	용산구	7838
4	성동구	6266

In [172]:

cctv_df.head()

Out[172]:

	자치구	총계	방범
0	총 계	83557	57161
1	종로구	1715	1403
2	중구	2447	1572
3	용산구	2611	1934
4	성동구	3829	2600

In [173]:

police_df.head()

Out[173]:

	자치구	경찰서	지구대파출소치안센터	합계
0	합계	31	408	439
1	종로구	2	22	24
2	중구	2	18	20
3	용산구	1	12	13
4	성동구	1	15	16

In [174]:

# 자치구를 기준으로 merge 실시
# 면적 + 가로등
df = ground_df.merge(lamp_df, on = '자치구', how = 'inner')

In [175]:

df

Out[175]:

	자치구	면적	구성비(%)	가로등
0	종로구	23.91	3.95	8818
1	중구	9.96	1.65	8550
2	용산구	21.87	3.61	7838
3	성동구	16.86	2.79	6266
4	광진구	17.06	2.82	4908
5	동대문구	14.22	2.35	8342
6	중랑구	18.50	3.06	6521
7	성북구	24.58	4.06	5744
8	강북구	23.60	3.90	4301
9	도봉구	20.65	3.41	4584
10	노원구	35.44	5.86	9443
11	은평구	29.71	4.91	6173
12	서대문구	17.63	2.91	6245
13	마포구	23.85	3.94	8392
14	양천구	17.41	2.88	8583
15	강서구	41.44	6.85	9552
16	구로구	20.12	3.32	8199
17	금천구	13.02	2.15	5507
18	영등포구	24.55	4.06	9535
19	동작구	16.35	2.70	6105
20	관악구	29.57	4.89	5588
21	서초구	46.98	7.76	12588
22	강남구	39.50	6.53	14326
23	송파구	33.87	5.60	14184
24	강동구	24.59	4.06	7952

In [176]:

# (면적 + 가로등) + police
df = df.merge(police_df, on = '자치구', how = 'inner')

In [177]:

df

Out[177]:

	자치구	면적	구성비(%)	가로등	경찰서	지구대파출소치안센터	합계
0	종로구	23.91	3.95	8818	2	22	24
1	중구	9.96	1.65	8550	2	18	20
2	용산구	21.87	3.61	7838	1	12	13
3	성동구	16.86	2.79	6266	1	15	16
4	광진구	17.06	2.82	4908	1	12	13
5	동대문구	14.22	2.35	8342	1	20	21
6	중랑구	18.50	3.06	6521	1	17	18
7	성북구	24.58	4.06	5744	2	24	26
8	강북구	23.60	3.90	4301	1	14	15
9	도봉구	20.65	3.41	4584	1	9	10
10	노원구	35.44	5.86	9443	1	16	17
11	은평구	29.71	4.91	6173	2	20	22
12	서대문구	17.63	2.91	6245	1	10	11
13	마포구	23.85	3.94	8392	1	15	16
14	양천구	17.41	2.88	8583	1	15	16
15	강서구	41.44	6.85	9552	1	12	13
16	구로구	20.12	3.32	8199	1	17	18
17	금천구	13.02	2.15	5507	1	12	13
18	영등포구	24.55	4.06	9535	1	15	16
19	동작구	16.35	2.70	6105	1	17	18
20	관악구	29.57	4.89	5588	1	19	20
21	서초구	46.98	7.76	12588	2	19	21
22	강남구	39.50	6.53	14326	2	21	23
23	송파구	33.87	5.60	14184	1	21	22
24	강동구	24.59	4.06	7952	1	16	17

In [178]:

# (면적 + 가로등 + police) + cctv
df = df.merge(cctv_df, on = '자치구', how = 'inner')

In [179]:

df

Out[179]:

	자치구	면적	구성비(%)	가로등	경찰서	지구대파출소치안센터	합계	총계	방범
0	종로구	23.91	3.95	8818	2	22	24	1715	1403
1	중구	9.96	1.65	8550	2	18	20	2447	1572
2	용산구	21.87	3.61	7838	1	12	13	2611	1934
3	성동구	16.86	2.79	6266	1	15	16	3829	2600
4	광진구	17.06	2.82	4908	1	12	13	3211	2267
5	동대문구	14.22	2.35	8342	1	20	21	2628	1981
6	중랑구	18.50	3.06	6521	1	17	18	3737	3282
7	성북구	24.58	4.06	5744	2	24	26	4602	2792
8	강북구	23.60	3.90	4301	1	14	15	3090	2138
9	도봉구	20.65	3.41	4584	1	9	10	1930	1048
10	노원구	35.44	5.86	9443	1	16	17	2492	1341
11	은평구	29.71	4.91	6173	2	20	22	4131	2608
12	서대문구	17.63	2.91	6245	1	10	11	3055	1904
13	마포구	23.85	3.94	8392	1	15	16	2496	2010
14	양천구	17.41	2.88	8583	1	15	16	3650	2253
15	강서구	41.44	6.85	9552	1	12	13	2744	2211
16	구로구	20.12	3.32	8199	1	17	18	4608	2872
17	금천구	13.02	2.15	5507	1	12	13	2411	1783
18	영등포구	24.55	4.06	9535	1	15	16	4056	3048
19	동작구	16.35	2.70	6105	1	17	18	2306	1621
20	관악구	29.57	4.89	5588	1	19	20	5149	2686
21	서초구	46.98	7.76	12588	2	19	21	4082	2993
22	강남구	39.50	6.53	14326	2	21	23	6871	4839
23	송파구	33.87	5.60	14184	1	21	22	2897	1648
24	강동구	24.59	4.06	7952	1	16	17	2809	2327

In [180]:

# 토지구성비 산출
g_composition = df['구성비(%)'] * 0.01
g_composition

Out[180]:

0     0.0395
1     0.0165
2     0.0361
3     0.0279
4     0.0282
5     0.0235
6     0.0306
7     0.0406
8     0.0390
9     0.0341
10    0.0586
11    0.0491
12    0.0291
13    0.0394
14    0.0288
15    0.0685
16    0.0332
17    0.0215
18    0.0406
19    0.0270
20    0.0489
21    0.0776
22    0.0653
23    0.0560
24    0.0406
Name: 구성비(%), dtype: float64

In [181]:

# 1. 면적 대비 가로등 대수
lamp_index = df.가로등 * g_composition
lamp_index

Out[181]:

0     348.3110
1     141.0750
2     282.9518
3     174.8214
4     138.4056
5     196.0370
6     199.5426
7     233.2064
8     167.7390
9     156.3144
10    553.3598
11    303.0943
12    181.7295
13    330.6448
14    247.1904
15    654.3120
16    272.2068
17    118.4005
18    387.1210
19    164.8350
20    273.2532
21    976.8288
22    935.4878
23    794.3040
24    322.8512
dtype: float64

In [182]:

bar_graph(df.자치구.values, lamp_index.values, "면적 대비 가로등 대수")

In [183]:

# 2. 면적 대비 치안유지기관 수
police_index = df.합계 * g_composition
police_index

Out[183]:

0     0.9480
1     0.3300
2     0.4693
3     0.4464
4     0.3666
5     0.4935
6     0.5508
7     1.0556
8     0.5850
9     0.3410
10    0.9962
11    1.0802
12    0.3201
13    0.6304
14    0.4608
15    0.8905
16    0.5976
17    0.2795
18    0.6496
19    0.4860
20    0.9780
21    1.6296
22    1.5019
23    1.2320
24    0.6902
dtype: float64

In [184]:

bar_graph(df.자치구.values, police_index.values, "면적 대비 치안유지기관 수")

In [185]:

# 3. 면적 대비 방법용 CCTV 대수
cctv_index = df.방범 * g_composition
cctv_index

Out[185]:

0      55.4185
1      25.9380
2      69.8174
3      72.5400
4      63.9294
5      46.5535
6     100.4292
7     113.3552
8      83.3820
9      35.7368
10     78.5826
11    128.0528
12     55.4064
13     79.1940
14     64.8864
15    151.4535
16     95.3504
17     38.3345
18    123.7488
19     43.7670
20    131.3454
21    232.2568
22    315.9867
23     92.2880
24     94.4762
dtype: float64

In [186]:

bar_graph(df.자치구.values, cctv_index.values, "면적 대비 CCTV 대수")

In [187]:

# 치안도 생성
# 1. lamp_index (0 ~ 1의 수치로 표시되도록 적용, 1 = 좋음, 0 = 나쁨)
final_lamp_index = lamp_index.rank(ascending = True) / len(lamp_index)
final_lamp_index

Out[187]:

0     0.76
1     0.12
2     0.60
3     0.28
4     0.08
5     0.36
6     0.40
7     0.44
8     0.24
9     0.16
10    0.84
11    0.64
12    0.32
13    0.72
14    0.48
15    0.88
16    0.52
17    0.04
18    0.80
19    0.20
20    0.56
21    1.00
22    0.96
23    0.92
24    0.68
dtype: float64

In [188]:

# 2. police_index (0 ~ 1의 수치로 표시)
final_police_index = police_index.rank(ascending = True) / len(police_index)
final_police_index

Out[188]:

0     0.72
1     0.12
2     0.32
3     0.24
4     0.20
5     0.40
6     0.44
7     0.84
8     0.48
9     0.16
10    0.80
11    0.88
12    0.08
13    0.56
14    0.28
15    0.68
16    0.52
17    0.04
18    0.60
19    0.36
20    0.76
21    1.00
22    0.96
23    0.92
24    0.64
dtype: float64

In [189]:

# 3. cctv_index (0 ~ 1의 수치로 표시)
final_cctv_index = cctv_index.rank(ascending = True) / len(cctv_index)
final_cctv_index

Out[189]:

0     0.28
1     0.04
2     0.40
3     0.44
4     0.32
5     0.20
6     0.72
7     0.76
8     0.56
9     0.08
10    0.48
11    0.84
12    0.24
13    0.52
14    0.36
15    0.92
16    0.68
17    0.12
18    0.80
19    0.16
20    0.88
21    0.96
22    1.00
23    0.60
24    0.64
dtype: float64

In [190]:

sum_index = final_lamp_index + final_police_index + final_cctv_index
sum_index

Out[190]:

0     1.76
1     0.28
2     1.32
3     0.96
4     0.60
5     0.96
6     1.56
7     2.04
8     1.28
9     0.40
10    2.12
11    2.36
12    0.64
13    1.80
14    1.12
15    2.48
16    1.72
17    0.20
18    2.20
19    0.72
20    2.20
21    2.96
22    2.92
23    2.44
24    1.96
dtype: float64

In [191]:

index_list = []
index_list.append(df.자치구.values)
index_list.append(final_lamp_index.values)
index_list.append(final_police_index.values)
index_list.append(final_cctv_index.values)
index_list.append(sum_index.values)

index_list

Out[191]:

[array(['종로구', '중구', '용산구', '성동구', '광진구', '동대문구', '중랑구', '성북구', '강북구',
        '도봉구', '노원구', '은평구', '서대문구', '마포구', '양천구', '강서구', '구로구', '금천구',
        '영등포구', '동작구', '관악구', '서초구', '강남구', '송파구', '강동구'], dtype=object),
 array([0.76, 0.12, 0.6 , 0.28, 0.08, 0.36, 0.4 , 0.44, 0.24, 0.16, 0.84,
        0.64, 0.32, 0.72, 0.48, 0.88, 0.52, 0.04, 0.8 , 0.2 , 0.56, 1.  ,
        0.96, 0.92, 0.68]),
 array([0.72, 0.12, 0.32, 0.24, 0.2 , 0.4 , 0.44, 0.84, 0.48, 0.16, 0.8 ,
        0.88, 0.08, 0.56, 0.28, 0.68, 0.52, 0.04, 0.6 , 0.36, 0.76, 1.  ,
        0.96, 0.92, 0.64]),
 array([0.28, 0.04, 0.4 , 0.44, 0.32, 0.2 , 0.72, 0.76, 0.56, 0.08, 0.48,
        0.84, 0.24, 0.52, 0.36, 0.92, 0.68, 0.12, 0.8 , 0.16, 0.88, 0.96,
        1.  , 0.6 , 0.64]),
 array([1.76, 0.28, 1.32, 0.96, 0.6 , 0.96, 1.56, 2.04, 1.28, 0.4 , 2.12,
        2.36, 0.64, 1.8 , 1.12, 2.48, 1.72, 0.2 , 2.2 , 0.72, 2.2 , 2.96,
        2.92, 2.44, 1.96])]

In [192]:

col_name = ['자치구', '가로등_지수', '치안유지기관_지수', 'cctv_지수', '치안지수_합계']

In [193]:

index_df = pd.DataFrame(index_list).T

In [194]:

index_df.columns = col_name

In [195]:

index_df

Out[195]:

	자치구	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계
0	종로구	0.76	0.72	0.28	1.76
1	중구	0.12	0.12	0.04	0.28
2	용산구	0.6	0.32	0.4	1.32
3	성동구	0.28	0.24	0.44	0.96
4	광진구	0.08	0.2	0.32	0.6
5	동대문구	0.36	0.4	0.2	0.96
6	중랑구	0.4	0.44	0.72	1.56
7	성북구	0.44	0.84	0.76	2.04
8	강북구	0.24	0.48	0.56	1.28
9	도봉구	0.16	0.16	0.08	0.4
10	노원구	0.84	0.8	0.48	2.12
11	은평구	0.64	0.88	0.84	2.36
12	서대문구	0.32	0.08	0.24	0.64
13	마포구	0.72	0.56	0.52	1.8
14	양천구	0.48	0.28	0.36	1.12
15	강서구	0.88	0.68	0.92	2.48
16	구로구	0.52	0.52	0.68	1.72
17	금천구	0.04	0.04	0.12	0.2
18	영등포구	0.8	0.6	0.8	2.2
19	동작구	0.2	0.36	0.16	0.72
20	관악구	0.56	0.76	0.88	2.2
21	서초구	1.0	1.0	0.96	2.96
22	강남구	0.96	0.96	1.0	2.92
23	송파구	0.92	0.92	0.6	2.44
24	강동구	0.68	0.64	0.64	1.96

1.3. 총 치안도 산출¶

In [196]:

index_df1 = crime_index_df2

In [197]:

index_df1.head()

Out[197]:

	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계
0	종로구	0.24	0.18	0.48	0.72	0.6	2.22
1	중구	0.9	0.5	0.56	0.36	0.8	3.12
2	용산구	0.54	0.32	0.36	0.76	0.72	2.7
3	성동구	0.54	0.8	0.92	0.84	1.0	4.1
4	광진구	0.9	0.64	0.32	0.32	0.64	2.82

In [198]:

index_df.head()

Out[198]:

	자치구	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계
0	종로구	0.76	0.72	0.28	1.76
1	중구	0.12	0.12	0.04	0.28
2	용산구	0.6	0.32	0.4	1.32
3	성동구	0.28	0.24	0.44	0.96
4	광진구	0.08	0.2	0.32	0.6

In [199]:

all_df = index_df1.merge(index_df, on = '자치구', how = 'inner')
all_df

Out[199]:

	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계
0	종로구	0.24	0.18	0.48	0.72	0.6	2.22	0.76	0.72	0.28	1.76
1	중구	0.9	0.5	0.56	0.36	0.8	3.12	0.12	0.12	0.04	0.28
2	용산구	0.54	0.32	0.36	0.76	0.72	2.7	0.6	0.32	0.4	1.32
3	성동구	0.54	0.8	0.92	0.84	1.0	4.1	0.28	0.24	0.44	0.96
4	광진구	0.9	0.64	0.32	0.32	0.64	2.82	0.08	0.2	0.32	0.6
5	동대문구	0.12	0.32	0.72	0.56	0.56	2.28	0.36	0.4	0.2	0.96
6	중랑구	0.12	0.5	0.6	0.48	0.36	2.06	0.4	0.44	0.72	1.56
7	성북구	0.7	0.8	0.84	0.92	0.88	4.14	0.44	0.84	0.76	2.04
8	강북구	0.24	0.5	0.78	1.0	0.52	3.04	0.24	0.48	0.56	1.28
9	도봉구	1.0	0.94	1.0	0.96	0.96	4.86	0.16	0.16	0.08	0.4
10	노원구	0.7	0.8	0.68	0.6	0.32	3.1	0.84	0.8	0.48	2.12
11	은평구	0.7	0.64	0.64	0.64	0.48	3.1	0.64	0.88	0.84	2.36
12	서대문구	0.82	0.94	0.78	0.8	0.92	4.26	0.32	0.08	0.24	0.64
13	마포구	0.24	0.64	0.16	0.52	0.44	2.0	0.72	0.56	0.52	1.8
14	양천구	0.54	0.8	0.96	0.44	0.76	3.5	0.48	0.28	0.36	1.12
15	강서구	0.12	0.32	0.28	0.28	0.2	1.2	0.88	0.68	0.92	2.48
16	구로구	0.4	0.5	0.44	0.24	0.24	1.82	0.52	0.52	0.68	1.72
17	금천구	0.7	0.18	0.88	0.88	0.84	3.48	0.04	0.04	0.12	0.2
18	영등포구	0.32	0.32	0.2	0.16	0.08	1.08	0.8	0.6	0.8	2.2
19	동작구	0.96	1.0	0.4	0.68	0.68	3.72	0.2	0.36	0.16	0.72
20	관악구	0.04	0.8	0.08	0.12	0.16	1.2	0.56	0.76	0.88	2.2
21	서초구	0.54	0.32	0.12	0.2	0.28	1.46	1.0	1.0	0.96	2.96
22	강남구	0.4	0.08	0.04	0.04	0.04	0.6	0.96	0.96	1.0	2.92
23	송파구	0.4	0.12	0.24	0.08	0.12	0.96	0.92	0.92	0.6	2.44
24	강동구	0.82	0.04	0.52	0.4	0.4	2.18	0.68	0.64	0.64	1.96

In [210]:

all_df['치안도'] = all_df.범죄안전지수_합계 + all_df.치안지수_합계

In [211]:

all_df

Out[211]:

	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계	치안도
0	종로구	0.24	0.18	0.48	0.72	0.6	2.22	0.76	0.72	0.28	1.76	3.98
1	중구	0.9	0.5	0.56	0.36	0.8	3.12	0.12	0.12	0.04	0.28	3.4
2	용산구	0.54	0.32	0.36	0.76	0.72	2.7	0.6	0.32	0.4	1.32	4.02
3	성동구	0.54	0.8	0.92	0.84	1.0	4.1	0.28	0.24	0.44	0.96	5.06
4	광진구	0.9	0.64	0.32	0.32	0.64	2.82	0.08	0.2	0.32	0.6	3.42
5	동대문구	0.12	0.32	0.72	0.56	0.56	2.28	0.36	0.4	0.2	0.96	3.24
6	중랑구	0.12	0.5	0.6	0.48	0.36	2.06	0.4	0.44	0.72	1.56	3.62
7	성북구	0.7	0.8	0.84	0.92	0.88	4.14	0.44	0.84	0.76	2.04	6.18
8	강북구	0.24	0.5	0.78	1.0	0.52	3.04	0.24	0.48	0.56	1.28	4.32
9	도봉구	1.0	0.94	1.0	0.96	0.96	4.86	0.16	0.16	0.08	0.4	5.26
10	노원구	0.7	0.8	0.68	0.6	0.32	3.1	0.84	0.8	0.48	2.12	5.22
11	은평구	0.7	0.64	0.64	0.64	0.48	3.1	0.64	0.88	0.84	2.36	5.46
12	서대문구	0.82	0.94	0.78	0.8	0.92	4.26	0.32	0.08	0.24	0.64	4.9
13	마포구	0.24	0.64	0.16	0.52	0.44	2.0	0.72	0.56	0.52	1.8	3.8
14	양천구	0.54	0.8	0.96	0.44	0.76	3.5	0.48	0.28	0.36	1.12	4.62
15	강서구	0.12	0.32	0.28	0.28	0.2	1.2	0.88	0.68	0.92	2.48	3.68
16	구로구	0.4	0.5	0.44	0.24	0.24	1.82	0.52	0.52	0.68	1.72	3.54
17	금천구	0.7	0.18	0.88	0.88	0.84	3.48	0.04	0.04	0.12	0.2	3.68
18	영등포구	0.32	0.32	0.2	0.16	0.08	1.08	0.8	0.6	0.8	2.2	3.28
19	동작구	0.96	1.0	0.4	0.68	0.68	3.72	0.2	0.36	0.16	0.72	4.44
20	관악구	0.04	0.8	0.08	0.12	0.16	1.2	0.56	0.76	0.88	2.2	3.4
21	서초구	0.54	0.32	0.12	0.2	0.28	1.46	1.0	1.0	0.96	2.96	4.42
22	강남구	0.4	0.08	0.04	0.04	0.04	0.6	0.96	0.96	1.0	2.92	3.52
23	송파구	0.4	0.12	0.24	0.08	0.12	0.96	0.92	0.92	0.6	2.44	3.4
24	강동구	0.82	0.04	0.52	0.4	0.4	2.18	0.68	0.64	0.64	1.96	4.14

In [212]:

all_df.to_csv('치안도.csv',encoding = 'CP949')

2. 여성안심택배함 위치 선정¶

• 택배함 위치 선정에는 아래 데이터를 고려합니다.
  1. 자치구별 치안도
  2. 자치구별 택배 물류량
  3. 자치구별 여성 1인가구수
  4. 경찰청 성범죄 피해 현황_여성

In [213]:

# 이전에 구한 치안도 데이터(치안도 합계만 사용)
crime_index = pd.read_csv('치안도.csv', encoding = 'CP949')
crime_index

Out[213]:

	Unnamed: 0	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계	치안도
0	0	종로구	0.24	0.18	0.48	0.72	0.60	2.22	0.76	0.72	0.28	1.76	3.98
1	1	중구	0.90	0.50	0.56	0.36	0.80	3.12	0.12	0.12	0.04	0.28	3.40
2	2	용산구	0.54	0.32	0.36	0.76	0.72	2.70	0.60	0.32	0.40	1.32	4.02
3	3	성동구	0.54	0.80	0.92	0.84	1.00	4.10	0.28	0.24	0.44	0.96	5.06
4	4	광진구	0.90	0.64	0.32	0.32	0.64	2.82	0.08	0.20	0.32	0.60	3.42
5	5	동대문구	0.12	0.32	0.72	0.56	0.56	2.28	0.36	0.40	0.20	0.96	3.24
6	6	중랑구	0.12	0.50	0.60	0.48	0.36	2.06	0.40	0.44	0.72	1.56	3.62
7	7	성북구	0.70	0.80	0.84	0.92	0.88	4.14	0.44	0.84	0.76	2.04	6.18
8	8	강북구	0.24	0.50	0.78	1.00	0.52	3.04	0.24	0.48	0.56	1.28	4.32
9	9	도봉구	1.00	0.94	1.00	0.96	0.96	4.86	0.16	0.16	0.08	0.40	5.26
10	10	노원구	0.70	0.80	0.68	0.60	0.32	3.10	0.84	0.80	0.48	2.12	5.22
11	11	은평구	0.70	0.64	0.64	0.64	0.48	3.10	0.64	0.88	0.84	2.36	5.46
12	12	서대문구	0.82	0.94	0.78	0.80	0.92	4.26	0.32	0.08	0.24	0.64	4.90
13	13	마포구	0.24	0.64	0.16	0.52	0.44	2.00	0.72	0.56	0.52	1.80	3.80
14	14	양천구	0.54	0.80	0.96	0.44	0.76	3.50	0.48	0.28	0.36	1.12	4.62
15	15	강서구	0.12	0.32	0.28	0.28	0.20	1.20	0.88	0.68	0.92	2.48	3.68
16	16	구로구	0.40	0.50	0.44	0.24	0.24	1.82	0.52	0.52	0.68	1.72	3.54
17	17	금천구	0.70	0.18	0.88	0.88	0.84	3.48	0.04	0.04	0.12	0.20	3.68
18	18	영등포구	0.32	0.32	0.20	0.16	0.08	1.08	0.80	0.60	0.80	2.20	3.28
19	19	동작구	0.96	1.00	0.40	0.68	0.68	3.72	0.20	0.36	0.16	0.72	4.44
20	20	관악구	0.04	0.80	0.08	0.12	0.16	1.20	0.56	0.76	0.88	2.20	3.40
21	21	서초구	0.54	0.32	0.12	0.20	0.28	1.46	1.00	1.00	0.96	2.96	4.42
22	22	강남구	0.40	0.08	0.04	0.04	0.04	0.60	0.96	0.96	1.00	2.92	3.52
23	23	송파구	0.40	0.12	0.24	0.08	0.12	0.96	0.92	0.92	0.60	2.44	3.40
24	24	강동구	0.82	0.04	0.52	0.40	0.40	2.18	0.68	0.64	0.64	1.96	4.14

In [214]:

# 택배 물동량 데이터(합계 사용)
pakage_df = pd.read_csv('pre_자치구단위 착지 데이터.csv')
pakage_df

Out[214]:

	Unnamed: 0	자치구	합계	대분류_착지물동량_가구/인테리어(E_C_01)	대분류_착지물동량_기타(E_C_02)	대분류_착지물동량_도서/음반(E_C_03)	대분류_착지물동량_디지털/가전(E_C_04)	대분류_착지물동량_생활/건강(E_C_05)	대분류_착지물동량_스포츠/레저(E_C_06)	대분류_착지물동량_식품(E_C_07)	대분류_착지물동량_출산/육아(E_C_08)	대분류_착지물동량_패션의류(E_C_09)	대분류_착지물동량_패션잡화(E_C_10)	대분류_착지물동량_화장품/미용(E_C_11)
0	0	강남구	1263894	25035	281991	27333	51770	198635	13054	173813	14363	308202	56279	113419
1	1	서초구	1063591	19508	259466	48374	38415	165677	17343	175048	12809	192657	49330	84964
2	2	서대문구	1462383	16904	384154	29689	46772	76597	17717	466881	14987	319933	50778	37971
3	3	강서구	998425	46705	216690	49027	30791	292619	12504	161749	8194	81789	37966	60391
4	4	성동구	1318286	35119	240743	94856	88985	158192	16432	262624	11800	181675	54699	173161
5	5	성북구	954037	34412	248623	45362	32157	129171	11961	129382	10986	157248	40588	114147
6	6	강북구	1129221	24601	274533	32974	49035	114169	22840	286835	11935	174292	53061	84946
7	7	구로구	1246786	50966	280295	100624	41293	100387	7275	312770	4139	189141	43962	115934
8	8	마포구	877787	22408	158557	42586	46297	156728	10300	138826	14946	114697	68521	103921
9	9	중구	1368152	21845	575340	59529	53182	98248	9099	274131	13887	149514	53259	60118
10	10	관악구	1346302	27617	403293	92849	48138	149614	14248	216126	9590	240708	71545	72574
11	11	금천구	1014422	21538	166164	60468	42454	122456	12860	274197	16453	136463	105229	56140
12	12	중랑구	1056042	29698	250412	66154	32538	122674	13894	200381	11334	169737	64916	94304
13	13	양천구	1344295	28260	314270	30782	77412	177142	18006	280956	21391	289280	50557	56239
14	14	동작구	1363882	12945	484868	36308	52599	262019	15412	200511	5765	168042	28373	97040
15	15	영등포구	1199353	24935	210682	132970	54951	230299	18028	207414	10079	163554	70579	75862
16	16	광진구	977798	34555	202879	80819	62332	165524	11540	150618	10665	121617	85672	51577
17	17	은평구	1267147	25798	265316	50807	69997	121469	18014	252699	17116	225627	64619	155685
18	18	동대문구	1175063	40587	329217	42277	60615	150479	16835	256065	7271	119752	60991	90974
19	19	종로구	1300884	28037	217101	58980	100942	136876	9183	269503	6523	211620	100038	162081
20	20	송파구	1249014	15945	260860	72158	66037	156949	33264	328741	23651	177532	37588	76289
21	21	도봉구	991098	20552	143620	54883	26743	93015	16178	370977	13807	120724	36450	94149
22	22	강동구	1110743	14712	320868	55966	39598	89612	16200	242071	7919	191783	62760	69254
23	23	용산구	1084532	26945	236377	41941	62431	107078	24825	208159	13544	213099	61580	88553
24	24	노원구	1384308	17674	296127	51875	47013	174340	29941	442943	14245	154134	60318	95698

In [215]:

female_df = pd.read_csv('pre_2020_서울시_자치구별_연령별_여성1인가구수.csv')
female_df

Out[215]:

	자치구	합계	20세미만	20~24세	25~29세	30~34세	35~39세	40~44세	45~49세	50~54세	55~59세	60~64세	65~69세	70~74세	75~79세	80~84세	85세이상
0	합계	739702	8840	81388	124199	81326	55945	40374	37856	33911	38624	52516	48062	45288	40864	30105	20404
1	종로구	13320	264	2122	1882	1259	938	742	760	654	691	812	712	732	778	563	411
2	중구	11797	295	1456	1639	1244	896	659	621	596	656	785	718	697	649	524	362
3	용산구	20001	412	2138	3005	2499	1874	1345	1175	952	921	1088	1017	991	1054	881	649
4	성동구	21711	434	2815	3298	2216	1628	1237	1221	1027	1115	1411	1313	1249	1243	953	551
5	광진구	32731	341	4601	6993	4171	2733	1781	1477	1457	1553	1955	1597	1383	1252	857	580
6	동대문구	30686	938	6417	4621	2512	1629	1304	1234	1132	1406	1965	1832	1867	1773	1278	778
7	중랑구	28537	124	1593	3489	2550	1890	1508	1554	1727	2230	2870	2535	2254	1979	1331	903
8	성북구	34281	1291	7468	4578	2388	1775	1410	1482	1395	1549	2223	2066	2103	2000	1538	1015
9	강북구	24727	224	2257	2555	1532	1206	1078	1342	1420	1818	2395	2253	2273	2213	1365	796
10	도봉구	19446	158	1222	1465	1089	996	953	1113	1236	1580	2079	1817	1777	1705	1368	888
11	노원구	32737	408	3331	2266	1607	1531	1456	1709	1792	2172	3241	3202	3151	3039	2250	1582
12	은평구	32632	150	2048	4388	3019	2369	1825	1926	1750	2051	2984	2611	2538	2330	1672	971
13	서대문구	28504	757	6215	4459	2470	1679	1218	1243	1096	1217	1587	1479	1545	1532	1242	765
14	마포구	35908	368	4558	7334	5093	3469	2246	2032	1396	1296	1614	1483	1599	1502	1162	756
15	양천구	21378	77	810	2138	1664	1400	1174	1288	1186	1562	2284	2123	1878	1626	1290	878
16	강서구	47034	203	3291	9363	5985	3727	2579	2229	2047	2485	3658	3251	2722	2351	1769	1374
17	구로구	25886	112	1798	4072	2769	1824	1374	1405	1241	1544	2144	2050	1906	1603	1264	780
18	금천구	19487	86	1554	3627	1992	1233	923	965	1102	1298	1607	1436	1246	1158	765	495
19	영등포구	31901	116	2561	7219	4582	2633	1700	1560	1271	1420	1897	1725	1636	1526	1213	842
20	동작구	33774	630	5262	7039	3902	2209	1522	1375	1244	1304	1911	1875	1924	1584	1193	800
21	관악구	61568	553	9914	17461	8444	4246	2567	2071	1895	2065	2798	2505	2418	2199	1532	900
22	서초구	24800	392	1974	3699	3529	2633	1907	1601	1264	1179	1525	1474	1308	1024	715	576
23	강남구	39553	252	2483	6592	6302	4984	3287	2517	1713	1627	2178	2106	1914	1560	1073	965
24	송파구	40804	159	2140	7015	5796	4400	2944	2419	1910	2176	2952	2636	2307	1717	1230	1003
25	강동구	26499	96	1360	4002	2712	2043	1635	1537	1408	1709	2553	2246	1870	1467	1077	784

In [216]:

# 각 연령대별 비중을 계산할 피해자 현황
# 2020년대만 고려할 예정
female_crime_df = pd.read_csv('pre_경찰청_성범죄 피해자 현황_여성.csv')
female_crime_df

Out[216]:

	연도	여자_20세_이하	여자_30세이하	여자_40세이하	여자_50세이하	여자_60세이하	여자_60세초과
0	2016	7791	9598	3332	2416	1612	561
1	2017	8706	11220	3537	2499	1650	654
2	2018	7900	10890	3522	2545	1669	727
3	2019	7827	10812	3788	2552	1796	754
4	2020	6962	10541	3817	2418	1758	802

In [217]:

# 1. 연령대별 비중을 계산
# 가장 많은 인원을 차지하는 연령대를 1로 두고, 나머지 연령대 비율을 산출
temp_data = female_crime_df.loc[4, '여자_20세_이하' : '여자_60세초과']
temp_data

Out[217]:

여자_20세_이하     6962
여자_30세이하     10541
여자_40세이하      3817
여자_50세이하      2418
여자_60세이하      1758
여자_60세초과       802
Name: 4, dtype: int64

In [218]:

# 30세 이하 인원이 가장 많은 것을 확인할 수 있음
# 30세 이하를 1로 두고, 나머지 연령대 비중 계산 실시
temp_data.rank(ascending = False)

Out[218]:

여자_20세_이하    2.0
여자_30세이하     1.0
여자_40세이하     3.0
여자_50세이하     4.0
여자_60세이하     5.0
여자_60세초과     6.0
Name: 4, dtype: float64

In [219]:

standard_value = temp_data['여자_30세이하']
standard_value

Out[219]:

10541

In [220]:

female_ratio = temp_data / standard_value
female_ratio

Out[220]:

여자_20세_이하    0.660469
여자_30세이하     1.000000
여자_40세이하     0.362110
여자_50세이하     0.229390
여자_60세이하     0.166777
여자_60세초과     0.076084
Name: 4, dtype: float64

In [221]:

female_df['여자_30세이하'] = female_df['20~24세'] + female_df['25~29세']
female_df.drop(['20~24세','25~29세'], axis = 'columns', inplace = True)

In [222]:

female_df

Out[222]:

	자치구	합계	20세미만	30~34세	35~39세	40~44세	45~49세	50~54세	55~59세	60~64세	65~69세	70~74세	75~79세	80~84세	85세이상	여자_30세이하
0	합계	739702	8840	81326	55945	40374	37856	33911	38624	52516	48062	45288	40864	30105	20404	205587
1	종로구	13320	264	1259	938	742	760	654	691	812	712	732	778	563	411	4004
2	중구	11797	295	1244	896	659	621	596	656	785	718	697	649	524	362	3095
3	용산구	20001	412	2499	1874	1345	1175	952	921	1088	1017	991	1054	881	649	5143
4	성동구	21711	434	2216	1628	1237	1221	1027	1115	1411	1313	1249	1243	953	551	6113
5	광진구	32731	341	4171	2733	1781	1477	1457	1553	1955	1597	1383	1252	857	580	11594
6	동대문구	30686	938	2512	1629	1304	1234	1132	1406	1965	1832	1867	1773	1278	778	11038
7	중랑구	28537	124	2550	1890	1508	1554	1727	2230	2870	2535	2254	1979	1331	903	5082
8	성북구	34281	1291	2388	1775	1410	1482	1395	1549	2223	2066	2103	2000	1538	1015	12046
9	강북구	24727	224	1532	1206	1078	1342	1420	1818	2395	2253	2273	2213	1365	796	4812
10	도봉구	19446	158	1089	996	953	1113	1236	1580	2079	1817	1777	1705	1368	888	2687
11	노원구	32737	408	1607	1531	1456	1709	1792	2172	3241	3202	3151	3039	2250	1582	5597
12	은평구	32632	150	3019	2369	1825	1926	1750	2051	2984	2611	2538	2330	1672	971	6436
13	서대문구	28504	757	2470	1679	1218	1243	1096	1217	1587	1479	1545	1532	1242	765	10674
14	마포구	35908	368	5093	3469	2246	2032	1396	1296	1614	1483	1599	1502	1162	756	11892
15	양천구	21378	77	1664	1400	1174	1288	1186	1562	2284	2123	1878	1626	1290	878	2948
16	강서구	47034	203	5985	3727	2579	2229	2047	2485	3658	3251	2722	2351	1769	1374	12654
17	구로구	25886	112	2769	1824	1374	1405	1241	1544	2144	2050	1906	1603	1264	780	5870
18	금천구	19487	86	1992	1233	923	965	1102	1298	1607	1436	1246	1158	765	495	5181
19	영등포구	31901	116	4582	2633	1700	1560	1271	1420	1897	1725	1636	1526	1213	842	9780
20	동작구	33774	630	3902	2209	1522	1375	1244	1304	1911	1875	1924	1584	1193	800	12301
21	관악구	61568	553	8444	4246	2567	2071	1895	2065	2798	2505	2418	2199	1532	900	27375
22	서초구	24800	392	3529	2633	1907	1601	1264	1179	1525	1474	1308	1024	715	576	5673
23	강남구	39553	252	6302	4984	3287	2517	1713	1627	2178	2106	1914	1560	1073	965	9075
24	송파구	40804	159	5796	4400	2944	2419	1910	2176	2952	2636	2307	1717	1230	1003	9155
25	강동구	26499	96	2712	2043	1635	1537	1408	1709	2553	2246	1870	1467	1077	784	5362

In [223]:

female_df['여자_40세이하'] = female_df['30~34세'] + female_df['35~39세']
female_df.drop(['30~34세','35~39세'], axis = 'columns', inplace = True)

In [224]:

female_df['여자_50세이하'] = female_df['40~44세'] + female_df['45~49세']
female_df.drop(['40~44세','45~49세'], axis = 'columns', inplace = True)

In [225]:

female_df['여자_60세이하'] = female_df['50~54세'] + female_df['55~59세']
female_df.drop(['50~54세','55~59세'], axis = 'columns', inplace = True)

In [226]:

female_df['여자_60세초과'] = female_df['60~64세'] + female_df['65~69세'] + female_df['70~74세'] + female_df['75~79세'] + female_df['80~84세'] + female_df['85세이상']
female_df.drop(['60~64세','65~69세','70~74세','75~79세','80~84세','85세이상'], axis = 'columns', inplace = True)

In [227]:

female_df.drop(['합계'], axis = 'columns', inplace = True)

In [228]:

female_df

Out[228]:

	자치구	20세미만	여자_30세이하	여자_40세이하	여자_50세이하	여자_60세이하	여자_60세초과
0	합계	8840	205587	137271	78230	72535	237239
1	종로구	264	4004	2197	1502	1345	4008
2	중구	295	3095	2140	1280	1252	3735
3	용산구	412	5143	4373	2520	1873	5680
4	성동구	434	6113	3844	2458	2142	6720
5	광진구	341	11594	6904	3258	3010	7624
6	동대문구	938	11038	4141	2538	2538	9493
7	중랑구	124	5082	4440	3062	3957	11872
8	성북구	1291	12046	4163	2892	2944	10945
9	강북구	224	4812	2738	2420	3238	11295
10	도봉구	158	2687	2085	2066	2816	9634
11	노원구	408	5597	3138	3165	3964	16465
12	은평구	150	6436	5388	3751	3801	13106
13	서대문구	757	10674	4149	2461	2313	8150
14	마포구	368	11892	8562	4278	2692	8116
15	양천구	77	2948	3064	2462	2748	10079
16	강서구	203	12654	9712	4808	4532	15125
17	구로구	112	5870	4593	2779	2785	9747
18	금천구	86	5181	3225	1888	2400	6707
19	영등포구	116	9780	7215	3260	2691	8839
20	동작구	630	12301	6111	2897	2548	9287
21	관악구	553	27375	12690	4638	3960	12352
22	서초구	392	5673	6162	3508	2443	6622
23	강남구	252	9075	11286	5804	3340	9796
24	송파구	159	9155	10196	5363	4086	11845
25	강동구	96	5362	4755	3172	3117	9997

In [229]:

female_ratio

Out[229]:

여자_20세_이하    0.660469
여자_30세이하     1.000000
여자_40세이하     0.362110
여자_50세이하     0.229390
여자_60세이하     0.166777
여자_60세초과     0.076084
Name: 4, dtype: float64

In [230]:

for i in range(len(female_ratio)):
    female_df.iloc[:,i + 1] = female_df.iloc[:,i + 1] * female_ratio[i]

In [231]:

female_df

Out[231]:

	자치구	20세미만	여자_30세이하	여자_40세이하	여자_50세이하	여자_60세이하	여자_60세초과
0	합계	5838.542833	205587.0	49707.182146	17945.179774	12097.194763	18050.059577
1	종로구	174.363723	4004.0	795.555355	344.543781	224.315530	304.944123
2	중구	194.838251	3095.0	774.915093	293.619201	208.805237	284.173228
3	용산구	272.113082	5143.0	1583.506404	578.062802	312.373968	432.156342
4	성동구	286.643392	6113.0	1391.950289	563.840622	357.237074	511.283559
5	광진구	225.219808	11594.0	2500.006451	747.352623	501.999810	580.063372
6	동대문구	619.519590	11038.0	1499.496917	582.191822	423.280903	722.264112
7	중랑구	81.898112	5082.0	1607.767764	702.392183	659.937957	903.267622
8	성북구	852.665022	12046.0	1507.463334	663.395883	490.992505	832.737881
9	강북구	147.944977	4812.0	991.456788	555.123802	540.025045	859.367233
10	도봉구	104.354046	2687.0	754.999051	473.919742	469.645005	732.991936
11	노원구	269.471208	5597.0	1136.300730	726.019353	661.105398	1252.720804
12	은평구	99.070297	6436.0	1951.047908	860.441894	633.920691	997.155109
13	서대문구	499.974765	10674.0	1502.393796	564.528792	385.756000	620.083484
14	마포구	243.052462	11892.0	3100.384593	981.330424	448.964614	617.496632
15	양천구	50.856086	2948.0	1109.504601	564.758182	458.304146	766.849255
16	강서구	134.075135	12654.0	3516.810929	1102.907125	755.834930	1150.768428
17	구로구	73.972488	5870.0	1663.170572	637.474813	464.474908	741.589413
18	금천구	56.800304	5181.0	1167.804288	433.088322	400.265629	510.294469
19	영등포구	76.614363	9780.0	2612.622616	747.811403	448.797837	672.505265
20	동작구	416.095247	12301.0	2212.853335	664.542833	424.948677	706.590836
21	관악구	365.239161	27375.0	4595.174082	1063.910824	660.438289	939.787876
22	서초구	258.903709	5673.0	2231.320937	804.700123	407.437055	503.827341
23	강남구	166.438099	9075.0	4086.771843	1331.379566	557.036334	745.317522
24	송파구	105.014515	9155.0	3692.072099	1230.218575	681.452234	901.213357
25	강동구	63.404990	5362.0	1721.832369	727.625083	519.844986	760.610379

In [232]:

female_df['합계'] = female_df['20세미만'] + female_df['여자_30세이하'] + female_df['여자_40세이하'] + female_df['여자_50세이하'] + female_df['여자_60세이하'] + female_df['여자_60세초과']

In [233]:

female_df

Out[233]:

	자치구	20세미만	여자_30세이하	여자_40세이하	여자_50세이하	여자_60세이하	여자_60세초과	합계
0	합계	5838.542833	205587.0	49707.182146	17945.179774	12097.194763	18050.059577	309225.159093
1	종로구	174.363723	4004.0	795.555355	344.543781	224.315530	304.944123	5847.722512
2	중구	194.838251	3095.0	774.915093	293.619201	208.805237	284.173228	4851.351010
3	용산구	272.113082	5143.0	1583.506404	578.062802	312.373968	432.156342	8321.212598
4	성동구	286.643392	6113.0	1391.950289	563.840622	357.237074	511.283559	9223.954938
5	광진구	225.219808	11594.0	2500.006451	747.352623	501.999810	580.063372	16148.642064
6	동대문구	619.519590	11038.0	1499.496917	582.191822	423.280903	722.264112	14884.753344
7	중랑구	81.898112	5082.0	1607.767764	702.392183	659.937957	903.267622	9037.263637
8	성북구	852.665022	12046.0	1507.463334	663.395883	490.992505	832.737881	16393.254625
9	강북구	147.944977	4812.0	991.456788	555.123802	540.025045	859.367233	7905.917845
10	도봉구	104.354046	2687.0	754.999051	473.919742	469.645005	732.991936	5222.909781
11	노원구	269.471208	5597.0	1136.300730	726.019353	661.105398	1252.720804	9642.617494
12	은평구	99.070297	6436.0	1951.047908	860.441894	633.920691	997.155109	10977.635898
13	서대문구	499.974765	10674.0	1502.393796	564.528792	385.756000	620.083484	14246.736837
14	마포구	243.052462	11892.0	3100.384593	981.330424	448.964614	617.496632	17283.228726
15	양천구	50.856086	2948.0	1109.504601	564.758182	458.304146	766.849255	5898.272270
16	강서구	134.075135	12654.0	3516.810929	1102.907125	755.834930	1150.768428	19314.396547
17	구로구	73.972488	5870.0	1663.170572	637.474813	464.474908	741.589413	9450.682193
18	금천구	56.800304	5181.0	1167.804288	433.088322	400.265629	510.294469	7749.253012
19	영등포구	76.614363	9780.0	2612.622616	747.811403	448.797837	672.505265	14338.351485
20	동작구	416.095247	12301.0	2212.853335	664.542833	424.948677	706.590836	16726.030927
21	관악구	365.239161	27375.0	4595.174082	1063.910824	660.438289	939.787876	34999.550232
22	서초구	258.903709	5673.0	2231.320937	804.700123	407.437055	503.827341	9879.189166
23	강남구	166.438099	9075.0	4086.771843	1331.379566	557.036334	745.317522	15961.943364
24	송파구	105.014515	9155.0	3692.072099	1230.218575	681.452234	901.213357	15764.970781
25	강동구	63.404990	5362.0	1721.832369	727.625083	519.844986	760.610379	9155.317807

In [234]:

female_df = female_df.drop([0,])

In [235]:

# 관악구를 1로 두고 나머지를 계산한다.
female_df['합계'].rank(ascending = False)

Out[235]:

1     23.0
2     25.0
3     19.0
4     16.0
5      6.0
6      9.0
7     18.0
8      5.0
9     20.0
10    24.0
11    14.0
12    12.0
13    11.0
14     3.0
15    22.0
16     2.0
17    15.0
18    21.0
19    10.0
20     4.0
21     1.0
22    13.0
23     7.0
24     8.0
25    17.0
Name: 합계, dtype: float64

In [236]:

std_value = female_df.iloc[20, 7]

In [237]:

std_value

Out[237]:

34999.55023242577

In [238]:

female_df['여성가구지수'] = female_df.합계 / std_value

In [239]:

female_df

Out[239]:

	자치구	20세미만	여자_30세이하	여자_40세이하	여자_50세이하	여자_60세이하	여자_60세초과	합계	여성가구지수
1	종로구	174.363723	4004.0	795.555355	344.543781	224.315530	304.944123	5847.722512	0.167080
2	중구	194.838251	3095.0	774.915093	293.619201	208.805237	284.173228	4851.351010	0.138612
3	용산구	272.113082	5143.0	1583.506404	578.062802	312.373968	432.156342	8321.212598	0.237752
4	성동구	286.643392	6113.0	1391.950289	563.840622	357.237074	511.283559	9223.954938	0.263545
5	광진구	225.219808	11594.0	2500.006451	747.352623	501.999810	580.063372	16148.642064	0.461396
6	동대문구	619.519590	11038.0	1499.496917	582.191822	423.280903	722.264112	14884.753344	0.425284
7	중랑구	81.898112	5082.0	1607.767764	702.392183	659.937957	903.267622	9037.263637	0.258211
8	성북구	852.665022	12046.0	1507.463334	663.395883	490.992505	832.737881	16393.254625	0.468385
9	강북구	147.944977	4812.0	991.456788	555.123802	540.025045	859.367233	7905.917845	0.225886
10	도봉구	104.354046	2687.0	754.999051	473.919742	469.645005	732.991936	5222.909781	0.149228
11	노원구	269.471208	5597.0	1136.300730	726.019353	661.105398	1252.720804	9642.617494	0.275507
12	은평구	99.070297	6436.0	1951.047908	860.441894	633.920691	997.155109	10977.635898	0.313651
13	서대문구	499.974765	10674.0	1502.393796	564.528792	385.756000	620.083484	14246.736837	0.407055
14	마포구	243.052462	11892.0	3100.384593	981.330424	448.964614	617.496632	17283.228726	0.493813
15	양천구	50.856086	2948.0	1109.504601	564.758182	458.304146	766.849255	5898.272270	0.168524
16	강서구	134.075135	12654.0	3516.810929	1102.907125	755.834930	1150.768428	19314.396547	0.551847
17	구로구	73.972488	5870.0	1663.170572	637.474813	464.474908	741.589413	9450.682193	0.270023
18	금천구	56.800304	5181.0	1167.804288	433.088322	400.265629	510.294469	7749.253012	0.221410
19	영등포구	76.614363	9780.0	2612.622616	747.811403	448.797837	672.505265	14338.351485	0.409672
20	동작구	416.095247	12301.0	2212.853335	664.542833	424.948677	706.590836	16726.030927	0.477893
21	관악구	365.239161	27375.0	4595.174082	1063.910824	660.438289	939.787876	34999.550232	1.000000
22	서초구	258.903709	5673.0	2231.320937	804.700123	407.437055	503.827341	9879.189166	0.282266
23	강남구	166.438099	9075.0	4086.771843	1331.379566	557.036334	745.317522	15961.943364	0.456061
24	송파구	105.014515	9155.0	3692.072099	1230.218575	681.452234	901.213357	15764.970781	0.450434
25	강동구	63.404990	5362.0	1721.832369	727.625083	519.844986	760.610379	9155.317807	0.261584

In [240]:

female_df.to_csv('여성지수.csv',encoding = 'CP949')

택배 물동량 확인¶

In [241]:

pakage_df

Out[241]:

	Unnamed: 0	자치구	합계	대분류_착지물동량_가구/인테리어(E_C_01)	대분류_착지물동량_기타(E_C_02)	대분류_착지물동량_도서/음반(E_C_03)	대분류_착지물동량_디지털/가전(E_C_04)	대분류_착지물동량_생활/건강(E_C_05)	대분류_착지물동량_스포츠/레저(E_C_06)	대분류_착지물동량_식품(E_C_07)	대분류_착지물동량_출산/육아(E_C_08)	대분류_착지물동량_패션의류(E_C_09)	대분류_착지물동량_패션잡화(E_C_10)	대분류_착지물동량_화장품/미용(E_C_11)
0	0	강남구	1263894	25035	281991	27333	51770	198635	13054	173813	14363	308202	56279	113419
1	1	서초구	1063591	19508	259466	48374	38415	165677	17343	175048	12809	192657	49330	84964
2	2	서대문구	1462383	16904	384154	29689	46772	76597	17717	466881	14987	319933	50778	37971
3	3	강서구	998425	46705	216690	49027	30791	292619	12504	161749	8194	81789	37966	60391
4	4	성동구	1318286	35119	240743	94856	88985	158192	16432	262624	11800	181675	54699	173161
5	5	성북구	954037	34412	248623	45362	32157	129171	11961	129382	10986	157248	40588	114147
6	6	강북구	1129221	24601	274533	32974	49035	114169	22840	286835	11935	174292	53061	84946
7	7	구로구	1246786	50966	280295	100624	41293	100387	7275	312770	4139	189141	43962	115934
8	8	마포구	877787	22408	158557	42586	46297	156728	10300	138826	14946	114697	68521	103921
9	9	중구	1368152	21845	575340	59529	53182	98248	9099	274131	13887	149514	53259	60118
10	10	관악구	1346302	27617	403293	92849	48138	149614	14248	216126	9590	240708	71545	72574
11	11	금천구	1014422	21538	166164	60468	42454	122456	12860	274197	16453	136463	105229	56140
12	12	중랑구	1056042	29698	250412	66154	32538	122674	13894	200381	11334	169737	64916	94304
13	13	양천구	1344295	28260	314270	30782	77412	177142	18006	280956	21391	289280	50557	56239
14	14	동작구	1363882	12945	484868	36308	52599	262019	15412	200511	5765	168042	28373	97040
15	15	영등포구	1199353	24935	210682	132970	54951	230299	18028	207414	10079	163554	70579	75862
16	16	광진구	977798	34555	202879	80819	62332	165524	11540	150618	10665	121617	85672	51577
17	17	은평구	1267147	25798	265316	50807	69997	121469	18014	252699	17116	225627	64619	155685
18	18	동대문구	1175063	40587	329217	42277	60615	150479	16835	256065	7271	119752	60991	90974
19	19	종로구	1300884	28037	217101	58980	100942	136876	9183	269503	6523	211620	100038	162081
20	20	송파구	1249014	15945	260860	72158	66037	156949	33264	328741	23651	177532	37588	76289
21	21	도봉구	991098	20552	143620	54883	26743	93015	16178	370977	13807	120724	36450	94149
22	22	강동구	1110743	14712	320868	55966	39598	89612	16200	242071	7919	191783	62760	69254
23	23	용산구	1084532	26945	236377	41941	62431	107078	24825	208159	13544	213099	61580	88553
24	24	노원구	1384308	17674	296127	51875	47013	174340	29941	442943	14245	154134	60318	95698

In [242]:

pakage_df.합계.rank(ascending = False)

Out[242]:

0     10.0
1     18.0
2      1.0
3     21.0
4      7.0
5     24.0
6     15.0
7     12.0
8     25.0
9      3.0
10     5.0
11    20.0
12    19.0
13     6.0
14     4.0
15    13.0
16    23.0
17     9.0
18    14.0
19     8.0
20    11.0
21    22.0
22    16.0
23    17.0
24     2.0
Name: 합계, dtype: float64

In [243]:

std_value2 = pakage_df.iloc[2, 2]
std_value2

Out[243]:

1462383

In [244]:

pakage_df['택배지수'] = pakage_df.합계 / std_value2

In [245]:

pakage_df

Out[245]:

	Unnamed: 0	자치구	합계	대분류_착지물동량_가구/인테리어(E_C_01)	대분류_착지물동량_기타(E_C_02)	대분류_착지물동량_도서/음반(E_C_03)	대분류_착지물동량_디지털/가전(E_C_04)	대분류_착지물동량_생활/건강(E_C_05)	대분류_착지물동량_스포츠/레저(E_C_06)	대분류_착지물동량_식품(E_C_07)	대분류_착지물동량_출산/육아(E_C_08)	대분류_착지물동량_패션의류(E_C_09)	대분류_착지물동량_패션잡화(E_C_10)	대분류_착지물동량_화장품/미용(E_C_11)	택배지수
0	0	강남구	1263894	25035	281991	27333	51770	198635	13054	173813	14363	308202	56279	113419	0.864270
1	1	서초구	1063591	19508	259466	48374	38415	165677	17343	175048	12809	192657	49330	84964	0.727300
2	2	서대문구	1462383	16904	384154	29689	46772	76597	17717	466881	14987	319933	50778	37971	1.000000
3	3	강서구	998425	46705	216690	49027	30791	292619	12504	161749	8194	81789	37966	60391	0.682738
4	4	성동구	1318286	35119	240743	94856	88985	158192	16432	262624	11800	181675	54699	173161	0.901464
5	5	성북구	954037	34412	248623	45362	32157	129171	11961	129382	10986	157248	40588	114147	0.652385
6	6	강북구	1129221	24601	274533	32974	49035	114169	22840	286835	11935	174292	53061	84946	0.772179
7	7	구로구	1246786	50966	280295	100624	41293	100387	7275	312770	4139	189141	43962	115934	0.852571
8	8	마포구	877787	22408	158557	42586	46297	156728	10300	138826	14946	114697	68521	103921	0.600244
9	9	중구	1368152	21845	575340	59529	53182	98248	9099	274131	13887	149514	53259	60118	0.935563
10	10	관악구	1346302	27617	403293	92849	48138	149614	14248	216126	9590	240708	71545	72574	0.920622
11	11	금천구	1014422	21538	166164	60468	42454	122456	12860	274197	16453	136463	105229	56140	0.693677
12	12	중랑구	1056042	29698	250412	66154	32538	122674	13894	200381	11334	169737	64916	94304	0.722138
13	13	양천구	1344295	28260	314270	30782	77412	177142	18006	280956	21391	289280	50557	56239	0.919250
14	14	동작구	1363882	12945	484868	36308	52599	262019	15412	200511	5765	168042	28373	97040	0.932644
15	15	영등포구	1199353	24935	210682	132970	54951	230299	18028	207414	10079	163554	70579	75862	0.820136
16	16	광진구	977798	34555	202879	80819	62332	165524	11540	150618	10665	121617	85672	51577	0.668633
17	17	은평구	1267147	25798	265316	50807	69997	121469	18014	252699	17116	225627	64619	155685	0.866495
18	18	동대문구	1175063	40587	329217	42277	60615	150479	16835	256065	7271	119752	60991	90974	0.803526
19	19	종로구	1300884	28037	217101	58980	100942	136876	9183	269503	6523	211620	100038	162081	0.889564
20	20	송파구	1249014	15945	260860	72158	66037	156949	33264	328741	23651	177532	37588	76289	0.854095
21	21	도봉구	991098	20552	143620	54883	26743	93015	16178	370977	13807	120724	36450	94149	0.677728
22	22	강동구	1110743	14712	320868	55966	39598	89612	16200	242071	7919	191783	62760	69254	0.759543
23	23	용산구	1084532	26945	236377	41941	62431	107078	24825	208159	13544	213099	61580	88553	0.741620
24	24	노원구	1384308	17674	296127	51875	47013	174340	29941	442943	14245	154134	60318	95698	0.946611

각 지수 합계로 택배함 설치 위치 선정¶

In [246]:

crime_index.head()

Out[246]:

	Unnamed: 0	자치구	살인_안전지수	강도_안전지수	강간강제추행_안전지수	절도_안전지수	폭행_안전지수	범죄안전지수_합계	가로등_지수	치안유지기관_지수	cctv_지수	치안지수_합계	치안도
0	0	종로구	0.24	0.18	0.48	0.72	0.60	2.22	0.76	0.72	0.28	1.76	3.98
1	1	중구	0.90	0.50	0.56	0.36	0.80	3.12	0.12	0.12	0.04	0.28	3.40
2	2	용산구	0.54	0.32	0.36	0.76	0.72	2.70	0.60	0.32	0.40	1.32	4.02
3	3	성동구	0.54	0.80	0.92	0.84	1.00	4.10	0.28	0.24	0.44	0.96	5.06
4	4	광진구	0.90	0.64	0.32	0.32	0.64	2.82	0.08	0.20	0.32	0.60	3.42

In [247]:

result_df = pd.DataFrame(pd.concat([crime_index.자치구, crime_index.치안도], axis = 1))
result_df

Out[247]:

	자치구	치안도
0	종로구	3.98
1	중구	3.40
2	용산구	4.02
3	성동구	5.06
4	광진구	3.42
5	동대문구	3.24
6	중랑구	3.62
7	성북구	6.18
8	강북구	4.32
9	도봉구	5.26
10	노원구	5.22
11	은평구	5.46
12	서대문구	4.90
13	마포구	3.80
14	양천구	4.62
15	강서구	3.68
16	구로구	3.54
17	금천구	3.68
18	영등포구	3.28
19	동작구	4.44
20	관악구	3.40
21	서초구	4.42
22	강남구	3.52
23	송파구	3.40
24	강동구	4.14

In [248]:

pakage_df.head()

Out[248]:

	Unnamed: 0	자치구	합계	대분류_착지물동량_가구/인테리어(E_C_01)	대분류_착지물동량_기타(E_C_02)	대분류_착지물동량_도서/음반(E_C_03)	대분류_착지물동량_디지털/가전(E_C_04)	대분류_착지물동량_생활/건강(E_C_05)	대분류_착지물동량_스포츠/레저(E_C_06)	대분류_착지물동량_식품(E_C_07)	대분류_착지물동량_출산/육아(E_C_08)	대분류_착지물동량_패션의류(E_C_09)	대분류_착지물동량_패션잡화(E_C_10)	대분류_착지물동량_화장품/미용(E_C_11)	택배지수
0	0	강남구	1263894	25035	281991	27333	51770	198635	13054	173813	14363	308202	56279	113419	0.864270
1	1	서초구	1063591	19508	259466	48374	38415	165677	17343	175048	12809	192657	49330	84964	0.727300
2	2	서대문구	1462383	16904	384154	29689	46772	76597	17717	466881	14987	319933	50778	37971	1.000000
3	3	강서구	998425	46705	216690	49027	30791	292619	12504	161749	8194	81789	37966	60391	0.682738
4	4	성동구	1318286	35119	240743	94856	88985	158192	16432	262624	11800	181675	54699	173161	0.901464

In [249]:

temp_pakage = pd.DataFrame(pd.concat([pakage_df.자치구, pakage_df.택배지수], axis = 1))
temp_pakage

Out[249]:

	자치구	택배지수
0	강남구	0.864270
1	서초구	0.727300
2	서대문구	1.000000
3	강서구	0.682738
4	성동구	0.901464
5	성북구	0.652385
6	강북구	0.772179
7	구로구	0.852571
8	마포구	0.600244
9	중구	0.935563
10	관악구	0.920622
11	금천구	0.693677
12	중랑구	0.722138
13	양천구	0.919250
14	동작구	0.932644
15	영등포구	0.820136
16	광진구	0.668633
17	은평구	0.866495
18	동대문구	0.803526
19	종로구	0.889564
20	송파구	0.854095
21	도봉구	0.677728
22	강동구	0.759543
23	용산구	0.741620
24	노원구	0.946611

In [250]:

temp_female = pd.DataFrame(pd.concat([female_df.자치구, female_df.여성가구지수], axis = 1))
temp_female

Out[250]:

	자치구	여성가구지수
1	종로구	0.167080
2	중구	0.138612
3	용산구	0.237752
4	성동구	0.263545
5	광진구	0.461396
6	동대문구	0.425284
7	중랑구	0.258211
8	성북구	0.468385
9	강북구	0.225886
10	도봉구	0.149228
11	노원구	0.275507
12	은평구	0.313651
13	서대문구	0.407055
14	마포구	0.493813
15	양천구	0.168524
16	강서구	0.551847
17	구로구	0.270023
18	금천구	0.221410
19	영등포구	0.409672
20	동작구	0.477893
21	관악구	1.000000
22	서초구	0.282266
23	강남구	0.456061
24	송파구	0.450434
25	강동구	0.261584

In [251]:

result_df = result_df.merge(temp_pakage, on = '자치구', how = 'inner')

In [252]:

result_df = result_df.merge(temp_female, on = '자치구', how = 'inner')

In [253]:

result_df

Out[253]:

	자치구	치안도	택배지수	여성가구지수
0	종로구	3.98	0.889564	0.167080
1	중구	3.40	0.935563	0.138612
2	용산구	4.02	0.741620	0.237752
3	성동구	5.06	0.901464	0.263545
4	광진구	3.42	0.668633	0.461396
5	동대문구	3.24	0.803526	0.425284
6	중랑구	3.62	0.722138	0.258211
7	성북구	6.18	0.652385	0.468385
8	강북구	4.32	0.772179	0.225886
9	도봉구	5.26	0.677728	0.149228
10	노원구	5.22	0.946611	0.275507
11	은평구	5.46	0.866495	0.313651
12	서대문구	4.90	1.000000	0.407055
13	마포구	3.80	0.600244	0.493813
14	양천구	4.62	0.919250	0.168524
15	강서구	3.68	0.682738	0.551847
16	구로구	3.54	0.852571	0.270023
17	금천구	3.68	0.693677	0.221410
18	영등포구	3.28	0.820136	0.409672
19	동작구	4.44	0.932644	0.477893
20	관악구	3.40	0.920622	1.000000
21	서초구	4.42	0.727300	0.282266
22	강남구	3.52	0.864270	0.456061
23	송파구	3.40	0.854095	0.450434
24	강동구	4.14	0.759543	0.261584

In [254]:

result_df['final_index'] = result_df.치안도 + (1 - result_df.택배지수) + (1 - result_df.여성가구지수)

In [258]:

f_p = pd.read_csv('pre_new_서울시_지역별_안심택배함_설치개수.csv')

In [270]:

result_df = result_df.merge(f_p, on = '자치구', how = 'inner')

In [271]:

result_df

Out[271]:

	자치구	치안도	택배지수	여성가구지수	final_index	총계
0	종로구	3.98	0.889564	0.167080	4.923356	5
1	중구	3.40	0.935563	0.138612	4.325825	8
2	용산구	4.02	0.741620	0.237752	5.040628	9
3	성동구	5.06	0.901464	0.263545	5.894991	10
4	광진구	3.42	0.668633	0.461396	4.289971	13
5	동대문구	3.24	0.803526	0.425284	4.011190	12
6	중랑구	3.62	0.722138	0.258211	4.639651	5
7	성북구	6.18	0.652385	0.468385	7.059230	8
8	강북구	4.32	0.772179	0.225886	5.321935	9
9	도봉구	5.26	0.677728	0.149228	6.433044	11
10	노원구	5.22	0.946611	0.275507	5.997882	9
11	은평구	5.46	0.866495	0.313651	6.279855	12
12	서대문구	4.90	1.000000	0.407055	5.492945	13
13	마포구	3.80	0.600244	0.493813	4.705943	14
14	양천구	4.62	0.919250	0.168524	5.532226	11
15	강서구	3.68	0.682738	0.551847	4.445415	14
16	구로구	3.54	0.852571	0.270023	4.417406	12
17	금천구	3.68	0.693677	0.221410	4.764913	9
18	영등포구	3.28	0.820136	0.409672	4.050192	12
19	동작구	4.44	0.932644	0.477893	5.029464	14
20	관악구	3.40	0.920622	1.000000	3.479378	16
21	서초구	4.42	0.727300	0.282266	5.410434	7
22	강남구	3.52	0.864270	0.456061	4.199668	9
23	송파구	3.40	0.854095	0.450434	4.095471	11
24	강동구	4.14	0.759543	0.261584	5.118873	10

In [274]:

result_df.rename({'총계' : '여성안심택배함_총계'}, axis = 'columns', inplace = True)

In [275]:

# final_index = 낮을 수록 택배함 설치가 시급한 지역
# 관악구 지역의 택배함 설치가 시급함.
result_df

Out[275]:

	자치구	치안도	택배지수	여성가구지수	final_index	여성안심택배함_총계
0	종로구	3.98	0.889564	0.167080	4.923356	5
1	중구	3.40	0.935563	0.138612	4.325825	8
2	용산구	4.02	0.741620	0.237752	5.040628	9
3	성동구	5.06	0.901464	0.263545	5.894991	10
4	광진구	3.42	0.668633	0.461396	4.289971	13
5	동대문구	3.24	0.803526	0.425284	4.011190	12
6	중랑구	3.62	0.722138	0.258211	4.639651	5
7	성북구	6.18	0.652385	0.468385	7.059230	8
8	강북구	4.32	0.772179	0.225886	5.321935	9
9	도봉구	5.26	0.677728	0.149228	6.433044	11
10	노원구	5.22	0.946611	0.275507	5.997882	9
11	은평구	5.46	0.866495	0.313651	6.279855	12
12	서대문구	4.90	1.000000	0.407055	5.492945	13
13	마포구	3.80	0.600244	0.493813	4.705943	14
14	양천구	4.62	0.919250	0.168524	5.532226	11
15	강서구	3.68	0.682738	0.551847	4.445415	14
16	구로구	3.54	0.852571	0.270023	4.417406	12
17	금천구	3.68	0.693677	0.221410	4.764913	9
18	영등포구	3.28	0.820136	0.409672	4.050192	12
19	동작구	4.44	0.932644	0.477893	5.029464	14
20	관악구	3.40	0.920622	1.000000	3.479378	16
21	서초구	4.42	0.727300	0.282266	5.410434	7
22	강남구	3.52	0.864270	0.456061	4.199668	9
23	송파구	3.40	0.854095	0.450434	4.095471	11
24	강동구	4.14	0.759543	0.261584	5.118873	10

In [281]:

result_df.to_csv('택배함설치분석결과.csv',encoding = 'CP949', index = False)

3. 여성안심지킴이집 위치 선정¶

• 여성안심지킴이집 위치 선정에는 아래 데이터를 고려합니다.
  1. 자치구별 치안도
  2. 자치구별 여성 1인가구수
  3. 경찰청 성범죄 피해 현황_여성

• 택배함 위치선정 건의 자료를 사용한다.

In [382]:

safe_home_df = pd.read_csv('택배함설치분석결과.csv', encoding = 'CP949')

In [383]:

safe_home_df.drop(['택배지수', 'final_index', '여성안심택배함_총계'], axis = 1, inplace = True)

In [384]:

safe_home_df['final_index'] = safe_home_df.치안도 + (1 - safe_home_df.여성가구지수)

In [385]:

safe_home_df

Out[385]:

	자치구	치안도	여성가구지수	final_index
0	종로구	3.98	0.167080	4.812920
1	중구	3.40	0.138612	4.261388
2	용산구	4.02	0.237752	4.782248
3	성동구	5.06	0.263545	5.796455
4	광진구	3.42	0.461396	3.958604
5	동대문구	3.24	0.425284	3.814716
6	중랑구	3.62	0.258211	4.361789
7	성북구	6.18	0.468385	6.711615
8	강북구	4.32	0.225886	5.094114
9	도봉구	5.26	0.149228	6.110772
10	노원구	5.22	0.275507	5.944493
11	은평구	5.46	0.313651	6.146349
12	서대문구	4.90	0.407055	5.492945
13	마포구	3.80	0.493813	4.306187
14	양천구	4.62	0.168524	5.451476
15	강서구	3.68	0.551847	4.128153
16	구로구	3.54	0.270023	4.269977
17	금천구	3.68	0.221410	4.458590
18	영등포구	3.28	0.409672	3.870328
19	동작구	4.44	0.477893	4.962107
20	관악구	3.40	1.000000	3.400000
21	서초구	4.42	0.282266	5.137734
22	강남구	3.52	0.456061	4.063939
23	송파구	3.40	0.450434	3.949566
24	강동구	4.14	0.261584	4.878416

In [386]:

# 각 자치구별 여성안심지킴이집 수 계산
count_home = pd.read_csv('서울시 여성안심지킴이집 정보.csv', encoding = 'CP949')

In [387]:

count_home

Out[387]:

	번호	브랜드명	자치구	점포명	주소
0	1	CU	종로구	광화문광장점	서울특별시 종로구 신문로1가 1-1번지
1	2	CU	종로구	내자중앙점	서울특별시 종로구 내자동 61-1번지
2	3	CU	종로구	대학로광장점	서울특별시 종로구 혜화동 93번지
3	4	CU	종로구	동대문역점	서울특별시 종로구 창신동 464-16번지
4	5	CU	종로구	동숭아트점	서울특별시 종로구 동숭동 28번지
...	...	...	...	...	...
1014	1015	세븐일레븐	강동구	세븐일레븐 성내삼성점	서울특별시 강동구 성내로9길 351층 (성내동)
1015	1016	세븐일레븐	강동구	세븐일레븐 강동고덕점	서울특별시 강동구 동남로75길 13-25
1016	1017	세븐일레븐	강동구	세븐일레븐 길동4호점	서울특별시 강동구 명일로210 (길동)
1017	1018	씨스페이스	강동구	강동상일점	서울시 강동구 상일동 437-8 1층
1018	1019	GS25	강동구	천호중앙점	상암로162

1019 rows × 5 columns

In [388]:

count_home.자치구.unique()

Out[388]:

array(['종로구', '중구', '용산구', '성동구', '광진구', 'GS25', '동대문구', '중랑구', '성북구',
       '강북구', '도봉구', '노원구', '은평구', '서대문구', '마포구', '양천구', '구로구', '강서구',
       '금천구', '영등포구', '송파구', '동작구', '관악구', '서초구', '강남구', '강동구'],
      dtype=object)

In [389]:

count_home.자치구 = count_home.자치구.replace('GS25', '광진구')

In [390]:

temp_df = count_home.groupby('자치구').count()
temp_df

Out[390]:

	번호	브랜드명	점포명	주소
자치구
강남구	146	146	146	146
강동구	47	47	47	47
강북구	37	37	37	37
강서구	36	36	36	36
관악구	42	42	42	42
광진구	32	32	32	32
구로구	35	35	35	35
금천구	15	15	15	15
노원구	35	35	35	35
도봉구	28	28	28	28
동대문구	50	50	50	50
동작구	28	28	28	28
마포구	47	47	47	47
서대문구	21	21	21	21
서초구	61	61	61	61
성동구	23	23	23	23
성북구	42	42	42	42
송파구	63	63	63	63
양천구	20	20	20	20
영등포구	39	39	39	39
용산구	34	34	34	34
은평구	33	33	33	33
종로구	35	35	35	35
중구	37	37	37	37
중랑구	33	33	33	33

In [391]:

temp_df = pd.DataFrame(temp_df['번호'])

In [392]:

temp_df.reset_index()

Out[392]:

	자치구	번호
0	강남구	146
1	강동구	47
2	강북구	37
3	강서구	36
4	관악구	42
5	광진구	32
6	구로구	35
7	금천구	15
8	노원구	35
9	도봉구	28
10	동대문구	50
11	동작구	28
12	마포구	47
13	서대문구	21
14	서초구	61
15	성동구	23
16	성북구	42
17	송파구	63
18	양천구	20
19	영등포구	39
20	용산구	34
21	은평구	33
22	종로구	35
23	중구	37
24	중랑구	33

In [393]:

safe_home_df = safe_home_df.merge(temp_df, on = '자치구', how = 'inner')
safe_home_df

Out[393]:

	자치구	치안도	여성가구지수	final_index	번호
0	종로구	3.98	0.167080	4.812920	35
1	중구	3.40	0.138612	4.261388	37
2	용산구	4.02	0.237752	4.782248	34
3	성동구	5.06	0.263545	5.796455	23
4	광진구	3.42	0.461396	3.958604	32
5	동대문구	3.24	0.425284	3.814716	50
6	중랑구	3.62	0.258211	4.361789	33
7	성북구	6.18	0.468385	6.711615	42
8	강북구	4.32	0.225886	5.094114	37
9	도봉구	5.26	0.149228	6.110772	28
10	노원구	5.22	0.275507	5.944493	35
11	은평구	5.46	0.313651	6.146349	33
12	서대문구	4.90	0.407055	5.492945	21
13	마포구	3.80	0.493813	4.306187	47
14	양천구	4.62	0.168524	5.451476	20
15	강서구	3.68	0.551847	4.128153	36
16	구로구	3.54	0.270023	4.269977	35
17	금천구	3.68	0.221410	4.458590	15
18	영등포구	3.28	0.409672	3.870328	39
19	동작구	4.44	0.477893	4.962107	28
20	관악구	3.40	1.000000	3.400000	42
21	서초구	4.42	0.282266	5.137734	61
22	강남구	3.52	0.456061	4.063939	146
23	송파구	3.40	0.450434	3.949566	63
24	강동구	4.14	0.261584	4.878416	47

In [394]:

safe_home_df.rename({'번호' : '여성안심지킴이집_총계'}, axis = 'columns', inplace = True)

In [397]:

# 수치가 낮을수록 설치가 시급한 지역입니다.
safe_home_df

Out[397]:

	자치구	치안도	여성가구지수	final_index	여성안심지킴이집_총계
0	종로구	3.98	0.167080	4.812920	35
1	중구	3.40	0.138612	4.261388	37
2	용산구	4.02	0.237752	4.782248	34
3	성동구	5.06	0.263545	5.796455	23
4	광진구	3.42	0.461396	3.958604	32
5	동대문구	3.24	0.425284	3.814716	50
6	중랑구	3.62	0.258211	4.361789	33
7	성북구	6.18	0.468385	6.711615	42
8	강북구	4.32	0.225886	5.094114	37
9	도봉구	5.26	0.149228	6.110772	28
10	노원구	5.22	0.275507	5.944493	35
11	은평구	5.46	0.313651	6.146349	33
12	서대문구	4.90	0.407055	5.492945	21
13	마포구	3.80	0.493813	4.306187	47
14	양천구	4.62	0.168524	5.451476	20
15	강서구	3.68	0.551847	4.128153	36
16	구로구	3.54	0.270023	4.269977	35
17	금천구	3.68	0.221410	4.458590	15
18	영등포구	3.28	0.409672	3.870328	39
19	동작구	4.44	0.477893	4.962107	28
20	관악구	3.40	1.000000	3.400000	42
21	서초구	4.42	0.282266	5.137734	61
22	강남구	3.52	0.456061	4.063939	146
23	송파구	3.40	0.450434	3.949566	63
24	강동구	4.14	0.261584	4.878416	47

In [400]:

# 관악구의 안심지킴이집 설치가 시급합니다.
safe_home_df.final_index.rank()

Out[400]:

0     14.0
1      8.0
2     13.0
3     21.0
4      5.0
5      2.0
6     11.0
7     25.0
8     17.0
9     23.0
10    22.0
11    24.0
12    20.0
13    10.0
14    19.0
15     7.0
16     9.0
17    12.0
18     3.0
19    16.0
20     1.0
21    18.0
22     6.0
23     4.0
24    15.0
Name: final_index, dtype: float64

In [396]:

# PPT 편의를 위해 csv로 내보냅니다.
safe_home_df.to_csv('여성안심지킴이집_결과.csv',encoding = 'CP949', index = False)

4. 여성안심귀가스카우트 인원 배치 제안¶

• 여성안심귀가스카우트 인원 배치에는 아래 데이터를 고려합니다.
  1. 자치구별 치안도
  2. 자치구별 여성 1인가구수
  3. 경찰청 성범죄 피해 현황_여성

• 여성안심지킴이집의 데이터를 사용합니다.

In [404]:

scout_df = pd.read_csv('여성안심지킴이집_결과.csv', encoding = 'CP949')

In [405]:

scout_df

Out[405]:

	자치구	치안도	여성가구지수	final_index	여성안심지킴이집_총계
0	종로구	3.98	0.167080	4.812920	35
1	중구	3.40	0.138612	4.261388	37
2	용산구	4.02	0.237752	4.782248	34
3	성동구	5.06	0.263545	5.796455	23
4	광진구	3.42	0.461396	3.958604	32
5	동대문구	3.24	0.425284	3.814716	50
6	중랑구	3.62	0.258211	4.361789	33
7	성북구	6.18	0.468385	6.711615	42
8	강북구	4.32	0.225886	5.094114	37
9	도봉구	5.26	0.149228	6.110772	28
10	노원구	5.22	0.275507	5.944493	35
11	은평구	5.46	0.313651	6.146349	33
12	서대문구	4.90	0.407055	5.492945	21
13	마포구	3.80	0.493813	4.306187	47
14	양천구	4.62	0.168524	5.451476	20
15	강서구	3.68	0.551847	4.128153	36
16	구로구	3.54	0.270023	4.269977	35
17	금천구	3.68	0.221410	4.458590	15
18	영등포구	3.28	0.409672	3.870328	39
19	동작구	4.44	0.477893	4.962107	28
20	관악구	3.40	1.000000	3.400000	42
21	서초구	4.42	0.282266	5.137734	61
22	강남구	3.52	0.456061	4.063939	146
23	송파구	3.40	0.450434	3.949566	63
24	강동구	4.14	0.261584	4.878416	47

In [407]:

# 필요없는 '여성안심지킴이집_총계'열은 삭제합니다.
scout_df.drop(['여성안심지킴이집_총계'], axis = 1, inplace = True)

In [408]:

scout_df

Out[408]:

	자치구	치안도	여성가구지수	final_index
0	종로구	3.98	0.167080	4.812920
1	중구	3.40	0.138612	4.261388
2	용산구	4.02	0.237752	4.782248
3	성동구	5.06	0.263545	5.796455
4	광진구	3.42	0.461396	3.958604
5	동대문구	3.24	0.425284	3.814716
6	중랑구	3.62	0.258211	4.361789
7	성북구	6.18	0.468385	6.711615
8	강북구	4.32	0.225886	5.094114
9	도봉구	5.26	0.149228	6.110772
10	노원구	5.22	0.275507	5.944493
11	은평구	5.46	0.313651	6.146349
12	서대문구	4.90	0.407055	5.492945
13	마포구	3.80	0.493813	4.306187
14	양천구	4.62	0.168524	5.451476
15	강서구	3.68	0.551847	4.128153
16	구로구	3.54	0.270023	4.269977
17	금천구	3.68	0.221410	4.458590
18	영등포구	3.28	0.409672	3.870328
19	동작구	4.44	0.477893	4.962107
20	관악구	3.40	1.000000	3.400000
21	서초구	4.42	0.282266	5.137734
22	강남구	3.52	0.456061	4.063939
23	송파구	3.40	0.450434	3.949566
24	강동구	4.14	0.261584	4.878416

In [437]:

# 여성안심귀가스카우트의 이용현황을 붙입니다.
scout_2021 = pd.read_csv('안심귀가스카우트 이용현황(2021).csv', thousands = ',')

In [438]:

scout_2021

Out[438]:

	자치구	이용실적	스카우트 인원
0	합계	177805	500
1	종로구	8586	14
2	중구	3570	16
3	용산구	2981	13
4	성동구	8518	19
5	광진구	5733	13
6	동대문구	19085	17
7	중랑구	6889	17
8	성북구	1647	27
9	강북구	6867	25
10	도봉구	4070	16
11	노원구	3414	20
12	은평구	590	24
13	서대문구	6225	15
14	마포구	6588	15
15	양천구	4547	11
16	강서구	1670	21
17	구로구	4842	24
18	금천구	9745	24
19	영등포구	1681	21
20	동작구	16761	25
21	관악구	12780	29
22	서초구	8265	32
23	강남구	7563	19
24	송파구	19450	22
25	강동구	5738	21

In [439]:

scout_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 26 entries, 0 to 25
Data columns (total 3 columns):
 #   Column   Non-Null Count  Dtype 
---  ------   --------------  ----- 
 0   자치구      26 non-null     object
 1   이용실적     26 non-null     int64 
 2   스카우트 인원  26 non-null     int64 
dtypes: int64(2), object(1)
memory usage: 752.0+ bytes

In [440]:

# 스카우트 이용실적 비율을 집계합니다.
temp_val = scout_2021.iloc[0, 1]
temp_val

Out[440]:

177805

In [441]:

scout_2021['이용실적_비율(%)'] = (scout_2021['이용실적'] / temp_val) * 100

In [442]:

scout_2021

Out[442]:

	자치구	이용실적	스카우트 인원	이용실적_비율(%)
0	합계	177805	500	100.000000
1	종로구	8586	14	4.828886
2	중구	3570	16	2.007818
3	용산구	2981	13	1.676556
4	성동구	8518	19	4.790641
5	광진구	5733	13	3.224319
6	동대문구	19085	17	10.733669
7	중랑구	6889	17	3.874469
8	성북구	1647	27	0.926296
9	강북구	6867	25	3.862096
10	도봉구	4070	16	2.289024
11	노원구	3414	20	1.920081
12	은평구	590	24	0.331824
13	서대문구	6225	15	3.501026
14	마포구	6588	15	3.705183
15	양천구	4547	11	2.557296
16	강서구	1670	21	0.939231
17	구로구	4842	24	2.723208
18	금천구	9745	24	5.480723
19	영등포구	1681	21	0.945418
20	동작구	16761	25	9.426619
21	관악구	12780	29	7.187649
22	서초구	8265	32	4.648351
23	강남구	7563	19	4.253536
24	송파구	19450	22	10.938950
25	강동구	5738	21	3.227131

In [445]:

# scout_df에 merge
scout_df = scout_df.merge(scout_2021, on = '자치구', how = 'inner')

In [446]:

scout_df

Out[446]:

	자치구	치안도	여성가구지수	final_index	이용실적	스카우트 인원	이용실적_비율(%)
0	종로구	3.98	0.167080	4.812920	8586	14	4.828886
1	중구	3.40	0.138612	4.261388	3570	16	2.007818
2	용산구	4.02	0.237752	4.782248	2981	13	1.676556
3	성동구	5.06	0.263545	5.796455	8518	19	4.790641
4	광진구	3.42	0.461396	3.958604	5733	13	3.224319
5	동대문구	3.24	0.425284	3.814716	19085	17	10.733669
6	중랑구	3.62	0.258211	4.361789	6889	17	3.874469
7	성북구	6.18	0.468385	6.711615	1647	27	0.926296
8	강북구	4.32	0.225886	5.094114	6867	25	3.862096
9	도봉구	5.26	0.149228	6.110772	4070	16	2.289024
10	노원구	5.22	0.275507	5.944493	3414	20	1.920081
11	은평구	5.46	0.313651	6.146349	590	24	0.331824
12	서대문구	4.90	0.407055	5.492945	6225	15	3.501026
13	마포구	3.80	0.493813	4.306187	6588	15	3.705183
14	양천구	4.62	0.168524	5.451476	4547	11	2.557296
15	강서구	3.68	0.551847	4.128153	1670	21	0.939231
16	구로구	3.54	0.270023	4.269977	4842	24	2.723208
17	금천구	3.68	0.221410	4.458590	9745	24	5.480723
18	영등포구	3.28	0.409672	3.870328	1681	21	0.945418
19	동작구	4.44	0.477893	4.962107	16761	25	9.426619
20	관악구	3.40	1.000000	3.400000	12780	29	7.187649
21	서초구	4.42	0.282266	5.137734	8265	32	4.648351
22	강남구	3.52	0.456061	4.063939	7563	19	4.253536
23	송파구	3.40	0.450434	3.949566	19450	22	10.938950
24	강동구	4.14	0.261584	4.878416	5738	21	3.227131

In [447]:

# PPT 편의를 위해 csv로 내보냅니다.
scout_df.to_csv('여성안심스카우트_결과.csv',encoding = 'CP949', index = False)

In [ ]: