Skip to content

Commit

Permalink
Formatted with black
Browse files Browse the repository at this point in the history
  • Loading branch information
@Re-st
Re-st committed Oct 30, 2023
1 parent 5b33b93 commit fd6873c
Show file tree
Hide file tree
Showing 2 changed files with 77 additions and 67 deletions.
6 changes: 3 additions & 3 deletions API/candidate.py
View file
Original file line number Diff line number Diff line change
Expand Up @@ -12,9 +12,9 @@

parliamentVote = [
# 20100602,
# 20140604,
# 20180613,
20220601,
# 20140604,
# 20180613,
20220601,
]
sgCodes = input("Input the number of sgTypecode: ").split(",")
data_list = []
Expand Down
138 changes: 74 additions & 64 deletions analysis/age_group.py
View file
Original file line number Diff line number Diff line change
Expand Up @@ -17,92 +17,102 @@
outdir = os.path.join(BASE_DIR, "output")

# 폰트 경로를 rcParams에 설정합니다.
plt.rcParams['font.family'] = 'NanumGothic'
plt.rcParams['axes.unicode_minus'] = False # 마이너스 기호 표시 설정
plt.rcParams["font.family"] = "NanumGothic"
plt.rcParams["axes.unicode_minus"] = False # 마이너스 기호 표시 설정

for d in os.listdir(datadir):
# xlsx 파일을 읽어옵니다.
if not d.endswith(".xlsx"):
continue
df = pd.read_excel(os.path.join(datadir, d))
# xlsx 파일을 읽어옵니다.
if not d.endswith(".xlsx"):
continue
df = pd.read_excel(os.path.join(datadir, d))

# 필요한 열만 추출합니다.
df = df[['sdName', 'name', 'age']]
# 필요한 열만 추출합니다.
df = df[["sdName", "name", "age"]]

# 나이를 기반으로 그룹을 만듭니다.
age_groups = pd.cut(df['age'], [0, 30, 40, 50, 60, 70, 80, 90, 100], labels=['0-30', '31-40', '41-50', '51-60', '61-70', '71-80', '81-90', '91-100'])
# 나이를 기반으로 그룹을 만듭니다.
age_groups = pd.cut(
df["age"],
[0, 30, 40, 50, 60, 70, 80, 90, 100],
labels=["0-30", "31-40", "41-50", "51-60", "61-70", "71-80", "81-90", "91-100"],
)

# 나이 그룹을 데이터프레임에 추가합니다.
df['age_group'] = age_groups
# 나이 그룹을 데이터프레임에 추가합니다.
df["age_group"] = age_groups

# 각 구역에서 가장 많은 나이 그룹을 찾습니다.
most_common_age_group_by_region = df.groupby('sdName')['age_group'].agg(lambda x: x.mode().iloc[0])
# 각 구역에서 가장 많은 나이 그룹을 찾습니다.
most_common_age_group_by_region = df.groupby("sdName")["age_group"].agg(
lambda x: x.mode().iloc[0]
)

# 결과를 출력합니다.
print(d, most_common_age_group_by_region)
# 결과를 출력합니다.
print(d, most_common_age_group_by_region)

# 각 구역의 나이 평균을 계산합니다.
average_age_by_region = df.groupby('sdName')['age'].mean()
# 각 구역의 나이 평균을 계산합니다.
average_age_by_region = df.groupby("sdName")["age"].mean()

# 결과를 출력합니다.
print(average_age_by_region)
# 결과를 출력합니다.
print(average_age_by_region)

# K-means 클러스터링을 위한 데이터를 준비합니다.
data_for_clustering = df[['age']]
# K-means 클러스터링을 위한 데이터를 준비합니다.
data_for_clustering = df[["age"]]

# 클러스터의 개수 설정
n_clusters = 5 # 원하는 클러스터 개수를 지정합니다.
# 클러스터의 개수 설정
n_clusters = 5 # 원하는 클러스터 개수를 지정합니다.

# K-means 모델을 초기화하고 학습합니다.
kmeans = KMeans(n_clusters=n_clusters, random_state=0)
kmeans.fit(data_for_clustering)
# K-means 모델을 초기화하고 학습합니다.
kmeans = KMeans(n_clusters=n_clusters, random_state=0)
kmeans.fit(data_for_clustering)

# 각 데이터 포인트가 속한 클러스터를 나타내는 레이블을 가져옵니다.
cluster_labels = kmeans.labels_
# 각 데이터 포인트가 속한 클러스터를 나타내는 레이블을 가져옵니다.
cluster_labels = kmeans.labels_

# 클러스터 중심 나이를 계산합니다.
cluster_centers_age = []
for i in range(n_clusters):
cluster_data = df[cluster_labels == i]
cluster_center_age = round(cluster_data['age'].mean(), 2) # 나이를 소수점 2자리까지 반올림
cluster_centers_age.append(cluster_center_age)
# 클러스터 중심 나이를 계산합니다.
cluster_centers_age = []
for i in range(n_clusters):
cluster_data = df[cluster_labels == i]
cluster_center_age = round(cluster_data["age"].mean(), 2) # 나이를 소수점 2자리까지 반올림
cluster_centers_age.append(cluster_center_age)

# 결과를 출력합니다.
print(cluster_centers_age)
# 결과를 출력합니다.
print(cluster_centers_age)

# 클러스터링 결과로 얻은 레이블을 데이터프레임에 추가합니다.
df['cluster_label'] = cluster_labels
# 클러스터링 결과로 얻은 레이블을 데이터프레임에 추가합니다.
df["cluster_label"] = cluster_labels

# 클러스터 중심 위치를 가져옵니다.
cluster_centers = kmeans.cluster_centers_
# 클러스터 중심 위치를 가져옵니다.
cluster_centers = kmeans.cluster_centers_

# 클러스터링 결과로부터 각 데이터 포인트와 클러스터 중심 간의 거리를 계산합니다.
distances = pairwise_distances(data_for_clustering, cluster_centers)
# 클러스터링 결과로부터 각 데이터 포인트와 클러스터 중심 간의 거리를 계산합니다.
distances = pairwise_distances(data_for_clustering, cluster_centers)

# 각 클러스터에서 가장 가까운 데이터의 인덱스를 찾습니다.
closest_data_indices = distances.argmin(axis=1)
# 각 클러스터에서 가장 가까운 데이터의 인덱스를 찾습니다.
closest_data_indices = distances.argmin(axis=1)

# 각 클러스터에서 가장 가까운 데이터의 수를 세어 출력합니다.
for cluster_label in range(n_clusters):
closest_data_count = sum(df['cluster_label'] == cluster_label)
print(f"Cluster {cluster_label}: Age {cluster_centers_age[cluster_label]}, {closest_data_count} closest data points")
# 각 클러스터에서 가장 가까운 데이터의 수를 세어 출력합니다.
for cluster_label in range(n_clusters):
closest_data_count = sum(df["cluster_label"] == cluster_label)
print(
f"Cluster {cluster_label}: Age {cluster_centers_age[cluster_label]}, {closest_data_count} closest data points"
)

# 산점도로 클러스터링 결과를 시각화합니다.
sns.set(style="whitegrid") # Seaborn 스타일 설정 (선택적)
plt.figure(figsize=(10, 6)) # 그림 크기 설정 (선택적)
# 산점도로 클러스터링 결과를 시각화합니다.
sns.set(style="whitegrid") # Seaborn 스타일 설정 (선택적)
plt.figure(figsize=(10, 6)) # 그림 크기 설정 (선택적)

sns.scatterplot(data=df, x='age', y='sdName', hue='cluster_label', palette='viridis')
sns.scatterplot(
data=df, x="age", y="sdName", hue="cluster_label", palette="viridis"
)

# 클러스터 중심 나이를 플롯에 추가합니다.
for i, age in enumerate(cluster_centers_age):
plt.text(age, i, f'Cluster {i}: {age:.2f}', fontsize=12, ha='right')
# 클러스터 중심 나이를 플롯에 추가합니다.
for i, age in enumerate(cluster_centers_age):
plt.text(age, i, f"Cluster {i}: {age:.2f}", fontsize=12, ha="right")

plt.xlabel('나이')
plt.ylabel('지역')
plt.title('K-means 클러스터링 결과')
plt.legend(title='클러스터')
# 그래프를 이미지 파일로 저장합니다.
pngpath = os.path.join(outdir, 'clustering_result.png')
plt.savefig(pngpath, dpi=300) # 파일 이름 및 해상도 설정 (선택적)
plt.xlabel("나이")
plt.ylabel("지역")
plt.title("K-means 클러스터링 결과")
plt.legend(title="클러스터")
# 그래프를 이미지 파일로 저장합니다.
pngpath = os.path.join(outdir, "clustering_result.png")
plt.savefig(pngpath, dpi=300) # 파일 이름 및 해상도 설정 (선택적)

break
break

0 comments on commit fd6873c

Please sign in to comment.