[Mini Project] 5. 대중교통(지하철, 버스) 위치 데이터 병합

🥑 데이터 셋 불러오기

• 지하철역 위도 경도
• 버스정류장 위도 경도
• 상권코드 위도 경도

import pandas as pd

market_area = pd.read_csv('./상권_총합본(Center_Points).csv')
subway_stations = pd.read_csv('./최종_지하철_3개년_승하차.csv')
bus_stations = pd.read_csv('./최종_버스데이터+버스정류장_위경도_값(Bus_Points).csv')

 

 

➡ market_area(상권) 데이터 프레임 각각, 위도 경도 값 추출

# 문자열을 쉼표를 기준으로 분할하여 '경도'와 '위도' 컬럼 생성
market_area[['경도', '위도']] = market_area['상권_중앙위경도_값'].str.split(', ', expand=True)
market_area[['경도', '위도']] = market_area[['경도', '위도']].astype(float)
market_area.head(3)

 

➡ market_area(상권) 데이터 프레임 : 상권코드 별 경도와 위도 값 추출

상권 중심 좌표 리스트에 저장(중복삭제)

markets = market_area[['상권_코드','경도', '위도']]
markets = markets.drop_duplicates().sort_values(by = '상권_코드')
market_list = list(zip(markets['경도'], markets['위도']))
market_list[:3]

 

➡ subway & bus 데이터 프레임 : 상권코드 별 경도와 위도 값 추출

지하철역 좌표 리스트에 저장(중복삭제)

sub_temp = subway_stations[['위도', '경도']]
sub_temp = sub_temp.drop_duplicates()

sub_list = list(zip(sub_temp['경도'], sub_temp['위도']))
sub_list[:3]
len(sub_list)

버스정류장 좌표 리스트에 저장(중복삭제)

display(bus_stations.head(3), bus_stations.info())  
bus_stations = bus_stations.dropna()
bus_stations.info()

bus_temp = bus_stations[['X좌표', 'Y좌표']]
bus_temp = bus_temp.drop_duplicates()

bus_list = list(zip(bus_temp['Y좌표'], bus_temp['X좌표']))
bus_list[:3]
len(bus_list)

 

 

➡ 상권 좌표 500미터 이내 지하철역, 버스정류장 개수를 반환

• market_summary에 기준이 되는 상권코드와 상권별 위도와 경도 저장

market_summary = markets[['상권_코드', '경도', '위도']]
market_summary.head(3)

• geopy 라이브러리를 사용하여, 상권좌표 - 지하철역/버스정류장 사이의 거리를 측정하여
• 반경 500미터 안에 들 경우, 지하철역/버스정류장 개수를 count 하는 함수 정의
• market_summary 데이터프레임에 상권코드별 반경 500미터 지하철역/버스정류장 개수 컬럼 추가

from geopy.distance import geodesic

def within_radius(center, target):
    return geodesic(center, target).meters <= 500


def count_bus_stations_within_radius(market_list, bus_list):
    bus_count = 0

    for station in bus_list:
        if any(within_radius(market, station) for market in market_list):
            bus_count += 1
    return bus_count


def count_sub_stations_within_radius(market_list, sub_list):
    sub_count = 0

    for station in sub_list:
        if any(within_radius(market, station) for market in market_list):
            sub_count += 1
    return sub_count

market_summary['지하철역_수'] = [count_sub_stations_within_radius([market], sub_list) for market in market_list]            
market_summary['버스정류장_수'] = [count_bus_stations_within_radius([market], bus_list) for market in market_list]

 

---

상권 분류팀

• k-means clustering 으로 유의미해보이는 변수별로 군집화 시도 ->> 제대로 된 군집이 나오지 않는 중
• 집객 시설 선택 : 다양한 상권분석 서비스 내의 집객 시설 중, 의미있을 것으로 예상되는 집객 시설 분류, 선택
• 골목상권의 배후지 데이터(집객시설 한정) 병합 예정

 

---

09.11 업데이트 사항 ➡ 본 포스팅의 결과 데이터 사용하지 않음

• 상권 중앙 지점의 반경 내 지하철역 수 / 버스정류장 수 데이터는 사용하지 않기로 결정했다.
• 이유는, 기본적으로 상권의 정확한 면적 내에 집계된 데이터를 수집하고 있었기 때문에 동일한 방식으로 반경 개념을 폐기하고 '영역내' 개념으로 지하철역 수와 버스정류장 수를 집계하기로 했다.