Visualization Library

1
2
3

import seaborn as sns

sns.heatmap(gu_df[])

Visualization Issues

1. 한글 데이터 표시 오류
2. 서로 다른 자릿수로 구성된 열에 동일한 스케일 적용
3. 시각화된 테이블 형태의 비직관성 문제
4. 인구수가 고려되지 않은 부정확한 데이터

한글 데이터 시각화

1
2
3
4
5
6
7
8

matplotlib inline

# Windows
font_name = font_manager.FontProperties(fname="C:/~/malgun.ttf").get_name()
rc('font', family=font_name)

# Mac
rc('font', family='AppleGothic')

Feature Scaling/Normalization

1. Min-Max Algorithm
   • 열에 대한 최솟값(min)을 0, 열에 대한 최댓값(max)를 1로 맞춤
   • 기존 열을 old_x, 새로운 열을 new_x라 할 때,
     new_x = ( old_x - min(column) ) / ( max(column) - min(column) )
2. Standardization
   • 열에 대한 평균값(mean)을 0, 열에 대한 표준편차 값(std)를 1로 맞춤
   • 기존 열을 old_x, 새로운 열을 new_x라 할 때,
     new_x = ( old_x - mean(column) ) / std(column)
   • 표준 점수 (Z-score)와 동일

시각화 개선

1. 전체 테이블의 사이즈 조정
   pit.figure(figsize = (x, y))
2. 셀 형식 및 색상 등 변경
   sns.heatmap(norm, annot=, fmt=, linewidths=, cmap=)
   • annot: 셀 내에 수치 입력 여부 (defualt False)
   • fmt: 셀 내에 입력될 수치의 format ('f' == float)
   • linewidths: 셀 간 거리 (내부 테두리)
   • cmap: matplotlib colormap @https://goo.gl/YWpBES
3. 테이블 제목 설정
   plt.tile()
4. 시각화 설정된 테이블 표시
   plt.show()

데이터 정확성 개선

1. 범죄 발생 횟수에 인구수 반영

1
2

# 시각화된 데이터에서 열방향(axis=0)을 기준으로 인구수 데이터를 나눔 (인구 10만 단위)
crime_ratio = crime_count_norm.div(gu_df['인구수'], axis=0) * 100000

2. 구별 5대 범죄 발생 수치 평균 계산

1

crime_ratio['전체발생비율'] = crime_ratio.mean(axis=1)

• 각 사건들의 중형도를 고려하지 못할 수 있음
• ‘살인’ 열에 스케일 적용 중 이미 큰 값이 곱해졌기 때문에 가중치가 적용되었다고도 판단 가능

Improved Visualization

1
2
3
4
5
6

plt.figure(figsize = (10,10))

sns.heatmap(crime_ratio.sort_values(by='전체발생비율', ascending=False),
            annot=True, fmt='f', linewidths=.5, cmap='Reds')
plt.title('범죄 발생(전체발생비율로 정렬) - 각 항목을 정규화한 후 인구로 나눔')
plt.show()