인천 1호선 일자 및 시간대별 승하차 현황 시각화/prophet을 통한 승객 수요 예측

 

www.data.go.kr/data/15060369/fileData.do

공공데이터 포털

먼저, 공공 데이터 포털에서 자료를 다운로드 받는다.

자료는 인천 1호선 19년도 일별 승하차 현황이다.

라이브러리 임포트

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns

오늘은 코랩이 아닌 아나콘다의 jupyter notebook에서 코딩을 했다.

 

matplotlib.pyplot에서 한글 사용을 위한 라이르러리 임포트

import platform
from matplotlib import font_manager, rc
plt.rcParams['axes.unicode_minus'] = False

if platform.system() == 'Darwin':
    rc('font', family='AppleGothic')
elif platform.system() == 'Windows':
    path = "c:/Windows/Fonts/malgun.ttf"
    font_name = font_manager.FontProperties(fname=path).get_name()
    rc('font', family=font_name)
else:
    print('Unknown system... sorry~~~~')

 

csv 파일 pandas로 import. 
1000단위마다 ,가 들어있으면 object형태로 인식하기에 thousands=','사용
한글처리를 위해 encoding='cp949' 사용

subway = pd.read_csv('subway.csv',encoding='cp949',  thousands=',')

 

#자료확인

subway.head()

 

index를 일자로 변경해 준다.

subway=subway.set_index('일자')

 

subway 데이터 프래임의 컬럼 type확인

subway.info()

마찬가지로 subway에 NaN 데이터가 있는지 확인

subway.isna().sum()

연간 시간대 별 합계만 추출하여 slot_data로 변수 선언

slot_data = subway.iloc[:,2:].sum()

pie plot으로 확인

plt.figure(figsize=(10,10))
explode = (0, 0, 0, 0.1 ,0, 0, 0, 0,0, 0, 0, 0,0, 0, 0, 0,0, 0, 0, 0,0, 0, 0, 0)
plt.pie(slot_data, labels = slot_data.index ,explode = explode , autopct='%1.1f%%', startangle = 90, counterclock = False)
plt.legend(slot_data,
           loc="best",
          title ="시간대 별 이용객 수")

plt.show()

생각보다 보기 불편하다.

 

plot 차트로도 확인해보기

plt.figure(figsize = (12,7))
plt.plot(slot_data, '.-')
plt.title('시간대 별 총 이용 승객수')
plt.xlabel('시간대')
plt.ylabel('승객 수')
plt.show()

 

이제 승차 승객, 하차 승객 별 데이터를 확인해보겠다.

 

승차 승객 데이터

ride_subway=subway.loc[subway['구분']=='승차']
ride_subway=ride_subway.drop(['구분','계'], axis=1)
ride_subway.head()

sum()을 적용하지 않아 일자 별 시간대 별 자료가 너무 많다.

 

ride_subway=ride_subway.sum()

plt.figure(figsize = (12,7))
plt.plot(ride_subway, '.-')
plt.title('시간대 별 승차 승객 수')
plt.xlabel('시간대')
plt.ylabel('승객 수')
plt.show()

 

하차 승객 데이터

takeoff_subway=subway.loc[subway['구분']=='하차']
takeoff_subway=takeoff_subway.drop(['구분','계'], axis=1)
takeoff_subway= takeoff_subway.sum()

plt.figure(figsize = (12,7))
plt.plot(takeoff_subway, '.-')
plt.title('시간대 별 하차 승객 수')
plt.xlabel('시간대')
plt.ylabel('승객 수')
plt.show()

 

승차 승객과 하차 승객의 수를 비교 해 보기 위해 한번 더 시각화 하겠다.

plt.figure(figsize = (12,7))
plt.plot(ride_subway, '.-', label='승차객 수')
plt.plot(takeoff_subway, '.-', label='하차객 수')
plt.title('시간대 별 승차 및 하차 승객 수')
plt.xlabel('시간대')
plt.ylabel('승객 수')
plt.legend()
plt.show()

 

============================================================================

 

다 만들고나서 저녁먹고 산책까지 갔다와서 생각이 났다.

일자별 데이터이고, 숫자데이터가 있으면 facebook의 prophet을 사용해서 미래를 예측할 수 있으니까 지하철의 수요를 예측 할 수 있다.

참고로 주피터 노트북에서는 잘 안되는거같아서 코랩으로 옮겨서 코딩했다.

 

pip install fbprophet
pip install plotly

먼저 라이브러리를 설치해 준다.

처음에 plotly를 설치안하고 진행했는데 설치하라고 메세지가 나온다.

 

fb_subway = subway.reset_index()
fb_subway['일자']=pd.to_datetime(fb_subway['일자'])
fb_subway.info()

프로펫을 사용하기 위해서는 '일자'컬럼의 데이터가 datetime 타입이어야 한다.

fb_subway의 데이터프레임을 살펴보자.

1년치 데이터임에도 승차와 하차로 나뉘어 730개의 행으로 이루어져 있다.

 

fb_ride_subway=fb_subway.loc[fb_subway['구분']=='승차']
fb_takeoff_subway=fb_subway.loc[fb_subway['구분']=='하차']

ride = fb_ride_subway.iloc[:,[0,2]].set_index('일자')
takeoff = fb_takeoff_subway.iloc[:,[0,2]].set_index('일자')

total = ride +takeoff

total=total.reset_index()

먼저 승차와 하차로 데이터를 나누었고, 필요한 컬럼(['일자', '계'])만 추렸다. 사실.. 순서가 반대였다면 코드 한 줄은 덜쳐도 되지 않았을까..라고 뒤늦게 생각이 나네..?

 

그러고나서 '일자'컬럼을 인덱스로 설정하고 두 데이터 프레임의 숫자를 더해줬다.

 

그리고 다시 리셋 인덱스~

 

깔-끔

from fbprophet import Prophet

total = total.rename(columns={'일자':'ds', '계':'y'})
total
total.info()
total.isna().sum()

프로펫 라이브러리를 import해주고 일자 컬럼을 ds로, 계 컬럼을 y로 이름을 변경 해주었다.

프로펫을 쓰려면 변경해야한다.

 

각 자료를 다시 확인했다.

 

m = Prophet()
m.fit(total)
future=m.make_future_dataframe(periods=365)
forecast=m.predict(future)
forecast

프로펫을 통해 학습시키고 365일치의 예측을 진행한다.

예측을 하게되면 다양한 자료들이 나오게 되는데 yhat의 값이 제일 중요하다. 

yhat은 y^값이며, 예측값이다.

 

m.plot(forecast, xlabel= 'Date', ylabel='passengers')
plt.show()

 

19년 자료이기 때문에 20년 12월 이후까지의 승객 수 추이를 예측한 표다.

티나게 보이지는 않지만 미세하게 우상향하고있다.

 

m.plot_components(forecast)
plt.show()

요건 어떤식으로 흘러갈지 trand 자료이고, 주별 자료를 보면 주말에는 완전히 저조한 모습을 볼 수 있다. 

 

 

참고 사이트

matplotlib.org/stable/gallery/index.html

Gallery — Matplotlib 3.4.1 documentation