Analytics of Seoul Sports Facilities
Semper
2021 2 1
서울시 생활체육시설에 대한 통계분석
개요: 서울시 생활체육시설에 대해서 각 구별/종목별 통계 분석을 통해서 서울시의 생활체육시설의 분포를 알아본다.
목표
서울시의 자치구를 지도로 나타냄
자치구에 생활체육시설 종류별로 지도에 색깔로 표현
각 자치구의 생활체육시설의 변화를 시계열로 나타냄.
shiny를 사용하여 각 자치구의 생활체육시설을 종류별로 지도에 크기로 표현
참고:
여기에서 사용된 지도 그리기는 김승욱 님의 아래의 사이트를 참고하였음
서울시 생활체육시설 현황은 아래 사이트에서 2010~2019년 자료를 다운로드 함.
http://data.seoul.go.kr/dataList/1391/S/2/datasetView.do#none
사전 작업
다운받은 서울시 생활체육시설 현황 자료를 위에서부터 3행을 삭제하고, 숫자 컬럼의 ’,’를 모두 제거한 후
csv로 저장한 후 시작
Import library
library(tidyverse)Read data
df = read_csv("data/data.csv", locale=locale('ko',encoding='euc-kr'))
df %>% str()tibble [260 x 28] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
$ Column1 : num [1:260] 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 ...
$ Column2 : chr [1:260] "서울시" "종로구" "중구" "용산구" ...
$ Column3 : num [1:260] 11353 315 388 221 357 ...
$ Column4 : num [1:260] 3106746 72082 124418 69597 78648 ...
$ Column5 : chr [1:260] "12" "-" "1" "1" ...
$ Column6 : chr [1:260] "54126" "-" "5808" "3676" ...
$ Column7 : chr [1:260] "79" "5" "7" "5" ...
$ Column8 : chr [1:260] "272236" "11281" "12686" "14044" ...
$ Column9 : chr [1:260] "71" "1" "5" "1" ...
$ Column10: chr [1:260] "248097" "1268" "18107" "519" ...
$ Column11: num [1:260] 2290 17 23 41 77 94 99 107 93 83 ...
$ Column12: chr [1:260] "353153" "1547" "2977" "5118" ...
$ Column13: num [1:260] 1829 36 73 37 57 ...
$ Column14: chr [1:260] "816058" "16510" "24956" "22653" ...
$ Column15: chr [1:260] "1577" "45" "63" "29" ...
$ Column16: chr [1:260] "447521" "10120" "20331" "7391" ...
$ Column17: num [1:260] 5323 193 198 103 176 ...
$ Column18: chr [1:260] "878862" "29785" "37672" "15892" ...
$ Column19: chr [1:260] "3" "-" "-" "-" ...
$ Column20: chr [1:260] "11605" "-" "-" "-" ...
$ Column21: chr [1:260] "14" "1" "1" "-" ...
$ Column22: chr [1:260] "7610" "331" "489" "-" ...
$ Column23: chr [1:260] "155" "17" "17" "4" ...
$ Column24: chr [1:260] "17477" "1240" "1392" "304" ...
$ Column25: chr [1:260] "-" "-" "-" "-" ...
$ Column26: chr [1:260] "-" "-" "-" "-" ...
$ Column27: chr [1:260] "-" "-" "-" "-" ...
$ Column28: chr [1:260] "-" "-" "-" "-" ...
- attr(*, "spec")=
.. cols(
.. Column1 = col_double(),
.. Column2 = col_character(),
.. Column3 = col_double(),
.. Column4 = col_double(),
.. Column5 = col_character(),
.. Column6 = col_character(),
.. Column7 = col_character(),
.. Column8 = col_character(),
.. Column9 = col_character(),
.. Column10 = col_character(),
.. Column11 = col_double(),
.. Column12 = col_character(),
.. Column13 = col_double(),
.. Column14 = col_character(),
.. Column15 = col_character(),
.. Column16 = col_character(),
.. Column17 = col_double(),
.. Column18 = col_character(),
.. Column19 = col_character(),
.. Column20 = col_character(),
.. Column21 = col_character(),
.. Column22 = col_character(),
.. Column23 = col_character(),
.. Column24 = col_character(),
.. Column25 = col_character(),
.. Column26 = col_character(),
.. Column27 = col_character(),
.. Column28 = col_character()
.. )컬럼의 이름을 모두 영문으로 변경: 애매한 것들은 구글번역기에서 한글의 로마자 표기 이용.
names(df)<-c('year', 'gu', 'tot_cnt', 'tot_area', 'yoteujang_cnt','yoteujang_area',
'ice_link_cnt','ice_link_area','jonghabcheyugsiseol_cnt', 'jonghabcheyugsiseol_area',
'swimming_pool_cnt','swimming_pool_area', 'cheyugdojang_cnt','cheyugdojang_area',
'golpeuyeonseubjang_cnt','golpeuyeonseubjang_area','fitness_cnt','fitness_area',
'billiard_cnt','billiard_area','sseolmaejang_cnt','sseolmaejang_area','mudojang_cnt','mudojang_area',
'mudohag-won_cnt','mudohag-won_area','golpeujang_cnt','golpeujang_area')숫자 컬럼을 모두 숫자로(integer)로 변경, year 컬럼을 char로 변경,
df[,3:28]<-df[,3:28] %>% sapply(as.integer) # 숫자 컬럼을 모두 숫자로(integer)로 변경
df$year <- as.character(df$year) #year 컬럼을 char로 변경
df <- df %>% filter(gu!='서울시') # 서울시 행 제거
df[is.na(df)]<-0 # na 값은 모두 0 값이므로 0으로 채움서울시 지도를 아래 사이트에서 다운로드(data directory에 저장): 시도/시군구/읍면동/리
Import rgdal library
rgdal 라이브러리는 ‘GDAL’( ’Geospatial’Data Abstraction Library)에 대한 바인딩을 제공
GDAL은 Open Source Geospatial Foundation의 X / MIT 스타일 오픈 소스 라이선스에 따라 출시 된 래스터 및 벡터 지리 공간 데이터 형식을위한 변환기 라이브러리임.
library(rgdal) 시도 지도(.shp 형식) 읽기
map<-readOGR('data/TL_SCCO_CTPRVN.shp') OGR data source with driver: ESRI Shapefile
Source: "C:\Rproject\seoul\data\TL_SCCO_CTPRVN.shp", layer: "TL_SCCO_CTPRVN"
with 17 features
It has 3 fieldsmap 데이터 확인
map %>% class()[1] "SpatialPolygonsDataFrame"
attr(,"package")
[1] "sp"데이터는 R의 클라스 중의 하나인 S4 클라스임. S4 클라스는 @를 이용해서 확인이 가능함.
map %>% slotNames()[1] "data" "polygons" "plotOrder" "bbox" "proj4string"map@data %>% head() CTPRVN_CD CTP_ENG_NM CTP_KOR_NM
0 42 Gangwon-do 강원도
1 41 Gyeonggi-do 경기도
2 48 Gyeongsangnam-do 경상남도
3 47 Gyeongsangbuk-do 경상북도
4 29 Gwangju 광주광역시
5 27 Daegu 대구광역시map@data %>% nrow()[1] 17map@bbox %>% str() num [1:2, 1:2] 746110 1458754 1387950 2068444
- attr(*, "dimnames")=List of 2
..$ : chr [1:2] "x" "y"
..$ : chr [1:2] "min" "max"map 데이터를 data frame으로 읽어들이기
df_map <- fortify(map) # forty: '데이터로 모델을 강화'한다는데 곧 deprecate 될 예정이며 broom 패키지를 사용하라고 권고함
df_map %>% head() long lat order hole piece id group
1 1091705 2034023 1 FALSE 1 0 0.1
2 1091705 2034038 2 FALSE 1 0 0.1
3 1091656 2034038 3 FALSE 1 0 0.1
4 1091616 2034059 4 FALSE 1 0 0.1
5 1091570 2034089 5 FALSE 1 0 0.1
6 1091550 2034094 6 FALSE 1 0 0.1df_map %>% str() # 컬럼(order,hole,piece,group)의 의미는 잘 모르겠음.'data.frame': 809620 obs. of 7 variables:
$ long : num 1091705 1091705 1091656 1091616 1091570 ...
$ lat : num 2034023 2034038 2034038 2034059 2034089 ...
$ order: int 1 2 3 4 5 6 7 8 9 10 ...
$ hole : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
$ piece: Factor w/ 2206 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ...
$ id : chr "0" "0" "0" "0" ...
$ group: Factor w/ 4748 levels "0.1","0.2","0.3",..: 1 1 1 1 1 1 1 1 1 1 ...ggplot으로 지도 그려보기
df_map %>%
ggplot()+
aes(x = long, y = lat, group=group, col=id)+
geom_polygon(fill="white")+
theme(legend.position = 'none')
id 별로 그려보기(id는 지역)
df_map[df_map$id %in% 0:5,] %>%
ggplot()+
aes(x = long, y = lat, group=group, col=id)+
geom_polygon(fill="white")+
facet_wrap(~ id, nrow = 2, scales = 'free')+
theme(legend.position = 'none')
시도의 id 집어넣기
df_map_info <- map@data
df_map_info[,'id'] <- (1:nrow(map@data))-1서울시의 시군구 데이터를 불러오기
map <- readOGR("data/TL_SCCO_SIG.shp")OGR data source with driver: ESRI Shapefile
Source: "C:\Rproject\seoul\data\TL_SCCO_SIG.shp", layer: "TL_SCCO_SIG"
with 250 features
It has 3 fieldsdf_map <- fortify(map)
df_map %>% head() long lat order hole piece id group
1 1007462 2008949 1 FALSE 1 0 0.1
2 1007512 2008902 2 FALSE 1 0 0.1
3 1007698 2008919 3 FALSE 1 0 0.1
4 1007797 2008978 4 FALSE 1 0 0.1
5 1007921 2008946 5 FALSE 1 0 0.1
6 1007947 2008939 6 FALSE 1 0 0.1df_map %>%
ggplot()+
aes(x = long, y = lat, group=group, col=id)+
geom_polygon(fill='white')+
theme(legend.position = "none")
df_map_info <- map@data
df_map_info %>% head() SIG_CD SIG_ENG_NM SIG_KOR_NM
0 42110 Chuncheon-si 춘천시
1 42130 Wonju-si 원주시
2 42150 Gangneung-si 강릉시
3 42170 Donghae-si 동해시
4 42190 Taebaek-si 태백시
5 42210 Sokcho-si 속초시이제 시군구 중에서 서울만 불러오자
df_map_info[,'id'] <- (1:nrow(df_map_info))-1 # 여기의 id는 df_map$id와 일치함.
df_map_info[,'SIDO'] <- df_map_info$SIG_CD %>%
str_sub(start = 1, end = 2) %>%
as.integer()
df_map_info_seoul <- df_map_info %>%
filter(SIDO==11) # 11은 서울을 의미함.
df_map_seoul <- df_map %>%
filter(id %in% df_map_info_seoul$id) # df_map$id 중에서 df_map_info_seoul$id를 포함하고 있는 행만 추출서울시의 지도 그리기
df_map_seoul %>%
ggplot()+
aes(x = long, y = lat, group=group, col=id)+
geom_polygon(fill='white')+
theme(legend.position = 'none')
생활체육시설 데이터(df)와 map(df_map_seoul) 데이터 병합
df_map_seoul$id %>% class()[1] "character"df_map_seoul$id <- df_map_seoul$id %>% as.integer()
# 1. df_map_info_seoul의 'SIG_KOR_NM'과 df의 'gu'를 키 값으로 병합
df_map_info_seoul <-
left_join(x = df_map_info_seoul, y = df, by=c('SIG_KOR_NM'='gu'))
# 2. df_map_seoul의 'id'와 df_map의 'id'를 키 값으로 병합
df_map_seoul_join <-
left_join(x = df_map_seoul, y = df_map_info_seoul, by=c('id'='id'))각 구를 지도위에 프린트하기 위해서 구의 df를 만듬.
df_gu <- df_map_seoul_join %>%
group_by(SIG_KOR_NM) %>%
summarise(long=mean(long), lat=mean(lat), tot_cnt=mean(tot_cnt)) 각 구별로 생활체육시설의 개수 그리기
여기서는 각 구별 체육시설의 2019년 총계(tot_cnt)를 그림.
df_map_seoul_join %>%
filter(year=='2019') %>%
ggplot()+
aes(x = long, y = lat)+
geom_polygon(aes(group=group, fill=tot_cnt), color='black',size=0.7)+
scale_fill_gradient(low = "yellow", high = "blue")+
geom_text(data=df_gu,
aes(long, lat, label = paste0(SIG_KOR_NM,"\n","(",as.integer(tot_cnt),")")), size=3)
이제 2010~2019년 시계열 데이터를 만들기
library(ggrepel) # For geom_text_repel instead of geom_text(데이터 라벨을 분리하기 위해 사용됨)
df %>%
ggplot(aes(x = year, y = tot_cnt))+
geom_line(aes(color=gu, group=gu))+
geom_point(aes(color=gu))+
scale_y_log10(n.breaks=10)+
labs(title = "서울시 각 구별 생활체육시설 총계(log 스케일임을 주의)")+
theme(plot.title = element_text(hjust = 0.5),legend.position = 'none')+
geom_text_repel(data=df %>% filter(year=='2010'),
aes(label=gu, color=gu),size=2.5, hjust=1.2, vjust=0.1)
shiny 패키지를 사용하여 각 체육시설 별로 선택해서 비교
library(shiny)
shinyApp(
ui = fluidPage(
varSelectInput("variable", "Variable:", df[,3:28]), #데이터 프레임의 열 이름으로 선택 목록을 만듬. id, label, data. server의 !!input$variable
plotOutput("data") # server의 output$data와 협력(co-work)
),
server = function(input, output) {
output$data <- renderPlot({
ggplot(df, aes(x = year, y = !!input$variable))+ #y = tot_cnt -> y = !!input$variable
geom_line(aes(color=gu, group=gu))+
geom_point(aes(color=gu))+
#scale_y_log10(n.breaks=10)+
#scale_y_sqrt(n.breaks=10)+
theme(legend.position = 'none')+
geom_text_repel(data=df %>% filter(year=='2010'),
aes(label=gu, color=gu),
size=2.5, hjust=2.0, vjust=0.1)
})
}
)Shiny applications not supported in static R Markdown documents