In [1]:

import pandas as pd

In [2]:

df = pd.read_csv('/content/drive/MyDrive/KDT/5. 데이터 분석/데이터/소상공인시장진흥공단_상가(상권)정보_서울_202303.csv')
df

<ipython-input-2-0a2cea16a6c4>:1: DtypeWarning: Columns (2) have mixed types. Specify dtype option on import or set low_memory=False.
  df = pd.read_csv('/content/drive/MyDrive/KDT/5. 데이터 분석/데이터/소상공인시장진흥공단_상가(상권)정보_서울_202303.csv')

Out[2]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	MA0101202210A0037544	영자's곱창	NaN	I2	음식	I201	한식	I20109	곱창 전골/구이	I56111	...	1121510100101690021003140	NaN	서울특별시 광진구 면목로 172	143900	4904	NaN	1	NaN	127.082832	37.568503
1	MA0101202210A0097916	호텔클로이	NaN	I1	숙박	I101	일반 숙박	I10102	여관/모텔	I55102	...	1114014500101300000014092	유성장	서울특별시 중구 을지로42길 11	100411	4561	NaN	NaN	NaN	127.005849	37.565708
2	MA0101202210A0096343	나라차중계태권도장	NaN	P1	교육	P106	기타 교육	P10601	태권도/무술학원	P85611	...	1135010600103640019010971	삼부프라자	서울특별시 노원구 한글비석로 242	139861	1734	NaN	NaN	NaN	127.076956	37.649226
3	MA0101202210A0093845	이상한스냅	NaN	M1	과학·기술	M113	사진 촬영	M11301	사진촬영업	M73303	...	1147010300100090004000001	백송주택	서울특별시 양천구 월정로 283	158822	7902	NaN	NaN	NaN	126.828832	37.542117
4	MA010120220805430767	토끼정	NaN	I2	음식	I201	한식	I20101	백반/한정식	I56111	...	1150010500107740012000001	마커스빌딩	서울특별시 강서구 마곡동로 55	157805	7802	NaN	2	NaN	126.833022	37.560053
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
474255	MA0101202302A0049414	행복한부동산중개사무소	NaN	L1	부동산	L102	부동산 서비스	L10203	부동산 중개/대리업	L68221	...	1147010300101670002011800	NaN	서울특별시 양천구 남부순환로 374	158829	7910	NaN	NaN	NaN	126.829372	37.533608
474256	MA0101202302A0001316	좋은소식법률사무소	NaN	M1	과학·기술	M103	법무관련	M10301	변호사	M71101	...	1121510700100200030025643	NaN	서울특별시 광진구 동일로30길 16	143916	5007	NaN	1	NaN	127.068072	37.547501
474257	MA0101202302A0036033	루젤라	NaN	I2	음식	I204	서양식	I20401	경양식	I56123	...	1168010800102110021000002	펜트힐루논현	서울특별시 강남구 언주로 641	135996	6105	NaN	1	NaN	127.034849	37.513922
474258	MA0101202302A0049679	153커피	NaN	S2	수리·개인	S205	가전제품 수리	S20501	가전제품 수리업	S95310	...	1156012800102380003019433	NaN	서울특별시 영등포구 양평로20길 14-2	150867	7206	NaN	NaN	NaN	126.896172	37.538297
474259	MA0101202302A0109595	송죽상회	NaN	G2	소매	G205	식료품 소매	G20504	건어물/젓갈 소매업	G47213	...	1114015100100760001012670	NaN	서울특별시 중구 을지로 230-1	100195	4561	NaN	3	NaN	127.003676	37.566546

474260 rows × 39 columns

In [3]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 474260 entries, 0 to 474259
Data columns (total 39 columns):
 #   Column     Non-Null Count   Dtype  
---  ------     --------------   -----  
 0   상가업소번호     474260 non-null  object 
 1   상호명        474260 non-null  object 
 2   지점명        1216 non-null    object 
 3   상권업종대분류코드  474260 non-null  object 
 4   상권업종대분류명   474260 non-null  object 
 5   상권업종중분류코드  474260 non-null  object 
 6   상권업종중분류명   474260 non-null  object 
 7   상권업종소분류코드  474260 non-null  object 
 8   상권업종소분류명   474260 non-null  object 
 9   표준산업분류코드   474260 non-null  object 
 10  표준산업분류명    474260 non-null  object 
 11  시도코드       474260 non-null  int64  
 12  시도명        474260 non-null  object 
 13  시군구코드      474260 non-null  int64  
 14  시군구명       474260 non-null  object 
 15  행정동코드      474260 non-null  int64  
 16  행정동명       474260 non-null  object 
 17  법정동코드      474260 non-null  int64  
 18  법정동명       474260 non-null  object 
 19  지번코드       474260 non-null  int64  
 20  대지구분코드     474260 non-null  int64  
 21  대지구분명      474260 non-null  object 
 22  지번본번지      474260 non-null  int64  
 23  지번부번지      395801 non-null  float64
 24  지번주소       474260 non-null  object 
 25  도로명코드      474260 non-null  int64  
 26  도로명        474260 non-null  object 
 27  건물본번지      474259 non-null  float64
 28  건물부번지      62306 non-null   float64
 29  건물관리번호     474256 non-null  object 
 30  건물명        223494 non-null  object 
 31  도로명주소      474260 non-null  object 
 32  구우편번호      474260 non-null  int64  
 33  신우편번호      474260 non-null  int64  
 34  동정보        0 non-null       float64
 35  층정보        326900 non-null  object 
 36  호정보        0 non-null       float64
 37  경도         474260 non-null  float64
 38  위도         474260 non-null  float64
dtypes: float64(7), int64(10), object(22)
memory usage: 141.1+ MB

In [4]:

shop = ['엽기떡볶이', '죠스떡볶이', '신전떡볶이', '청년다방', '감탄떡볶이']

In [5]:

# 파리바게트(파리바게뜨) 데이터 필터링
# contains(): 특정 문자열 포함 여부에 따라 True, False를 반환
data = df['상호명'].str.contains('파리바게트|파리바게뜨')
df_paris = df.loc[data, ['상가업소번호', '상호명', '경도', '위도']].copy()
df_paris

Out[5]:

	상가업소번호	상호명	경도	위도
1225	MA010120220805464775	파리바게뜨풍납초교점	127.117232	37.534101
2603	MA010120220805503393	파리바게뜨	127.086178	37.594830
3016	MA010120220805515071	파리바게뜨오금현대	127.128655	37.507317
6824	MA010120220805839680	파리바게트그라시움	127.159471	37.556197
7749	MA010120220805926470	파리바게트양재역	127.034934	37.482755
...	...	...	...	...
467693	MA0101202301A0046528	파리바게뜨서초우면점	127.024937	37.470698
469312	MA0101202302A0012597	파리바게뜨문정	127.129498	37.483436
470560	MA0101202302A0083824	파리바게뜨문정카페점	127.131290	37.487792
472672	MA0101202302A0059905	파리바게뜨레이크펠리스점	127.092487	37.507008
474144	MA0101202302A0059526	파리바게뜨상계	127.074410	37.658100

598 rows × 4 columns

In [6]:

df_paris = df_paris.set_axis(['업소번호', '업소상호명', '업소경도', '업소위도'], axis=1).reset_index(drop=True)
df_paris

Out[6]:

	업소번호	업소상호명	업소경도	업소위도
0	MA010120220805464775	파리바게뜨풍납초교점	127.117232	37.534101
1	MA010120220805503393	파리바게뜨	127.086178	37.594830
2	MA010120220805515071	파리바게뜨오금현대	127.128655	37.507317
3	MA010120220805839680	파리바게트그라시움	127.159471	37.556197
4	MA010120220805926470	파리바게트양재역	127.034934	37.482755
...	...	...	...	...
593	MA0101202301A0046528	파리바게뜨서초우면점	127.024937	37.470698
594	MA0101202302A0012597	파리바게뜨문정	127.129498	37.483436
595	MA0101202302A0083824	파리바게뜨문정카페점	127.131290	37.487792
596	MA0101202302A0059905	파리바게뜨레이크펠리스점	127.092487	37.507008
597	MA0101202302A0059526	파리바게뜨상계	127.074410	37.658100

598 rows × 4 columns

In [7]:

# 떡볶이 프랜차이즈 데이터 필터링
df_shop = df.copy()
# 상가업소번호, 상호명, 시군구명, 경도, 위도
# extract(): 특정 문자열을 포함하고 있으면 그 문자열을 반환하고, 포함하지 않으면 NaN을 반환
# '엽기떡볶이|죠스떡볶이|신전떡볶이|청년다방|감탄떡볶이']
df_shop['상호명'] = df_shop['상호명'].str.extract('({})'.format('|'.join(shop)))[0]

In [8]:

df_shop

Out[8]:

	상가업소번호	상호명	지점명	상권업종대분류코드	상권업종대분류명	상권업종중분류코드	상권업종중분류명	상권업종소분류코드	상권업종소분류명	표준산업분류코드	...	건물관리번호	건물명	도로명주소	구우편번호	신우편번호	동정보	층정보	호정보	경도	위도
0	MA0101202210A0037544	NaN	NaN	I2	음식	I201	한식	I20109	곱창 전골/구이	I56111	...	1121510100101690021003140	NaN	서울특별시 광진구 면목로 172	143900	4904	NaN	1	NaN	127.082832	37.568503
1	MA0101202210A0097916	NaN	NaN	I1	숙박	I101	일반 숙박	I10102	여관/모텔	I55102	...	1114014500101300000014092	유성장	서울특별시 중구 을지로42길 11	100411	4561	NaN	NaN	NaN	127.005849	37.565708
2	MA0101202210A0096343	NaN	NaN	P1	교육	P106	기타 교육	P10601	태권도/무술학원	P85611	...	1135010600103640019010971	삼부프라자	서울특별시 노원구 한글비석로 242	139861	1734	NaN	NaN	NaN	127.076956	37.649226
3	MA0101202210A0093845	NaN	NaN	M1	과학·기술	M113	사진 촬영	M11301	사진촬영업	M73303	...	1147010300100090004000001	백송주택	서울특별시 양천구 월정로 283	158822	7902	NaN	NaN	NaN	126.828832	37.542117
4	MA010120220805430767	NaN	NaN	I2	음식	I201	한식	I20101	백반/한정식	I56111	...	1150010500107740012000001	마커스빌딩	서울특별시 강서구 마곡동로 55	157805	7802	NaN	2	NaN	126.833022	37.560053
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
474255	MA0101202302A0049414	NaN	NaN	L1	부동산	L102	부동산 서비스	L10203	부동산 중개/대리업	L68221	...	1147010300101670002011800	NaN	서울특별시 양천구 남부순환로 374	158829	7910	NaN	NaN	NaN	126.829372	37.533608
474256	MA0101202302A0001316	NaN	NaN	M1	과학·기술	M103	법무관련	M10301	변호사	M71101	...	1121510700100200030025643	NaN	서울특별시 광진구 동일로30길 16	143916	5007	NaN	1	NaN	127.068072	37.547501
474257	MA0101202302A0036033	NaN	NaN	I2	음식	I204	서양식	I20401	경양식	I56123	...	1168010800102110021000002	펜트힐루논현	서울특별시 강남구 언주로 641	135996	6105	NaN	1	NaN	127.034849	37.513922
474258	MA0101202302A0049679	NaN	NaN	S2	수리·개인	S205	가전제품 수리	S20501	가전제품 수리업	S95310	...	1156012800102380003019433	NaN	서울특별시 영등포구 양평로20길 14-2	150867	7206	NaN	NaN	NaN	126.896172	37.538297
474259	MA0101202302A0109595	NaN	NaN	G2	소매	G205	식료품 소매	G20504	건어물/젓갈 소매업	G47213	...	1114015100100760001012670	NaN	서울특별시 중구 을지로 230-1	100195	4561	NaN	3	NaN	127.003676	37.566546

474260 rows × 39 columns

In [9]:

df_shop = df_shop.dropna(subset=['상호명']).iloc[:, [0, 1, 14, 37, 38]].reset_index(drop=True)
df_shop

Out[9]:

	상가업소번호	상호명	시군구명	경도	위도
0	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400
1	MA010120220805541204	엽기떡볶이	은평구	126.919784	37.618410
2	MA010120220805686053	청년다방	은평구	126.919538	37.635383
3	MA010120220805693796	엽기떡볶이	관악구	126.913418	37.485890
4	MA010120220805725890	엽기떡볶이	노원구	127.075399	37.658792
...	...	...	...	...	...
352	MA0101202302A0019465	엽기떡볶이	성북구	127.011724	37.605061
353	MA0101202302A0010347	청년다방	강서구	126.866315	37.550728
354	MA0101202302A0032718	엽기떡볶이	강동구	127.146476	37.550391
355	MA0101202301A0037432	감탄떡볶이	노원구	127.061300	37.649715
356	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779

357 rows × 5 columns

In [10]:

# 곱집합
df1 = pd.DataFrame(['A', 'B'])
df2 = pd.DataFrame(['가', '나', '다'])
df1.merge(df2, how='cross')

Out[10]:

	0_x	0_y
0	A	가
1	A	나
2	A	다
3	B	가
4	B	나
5	B	다

In [11]:

# 하버사인 공식
# 두 지점의 위도와 경도를 입력하면 거리를 구해주는 모듈
!pip install haversine

Collecting haversine
  Downloading haversine-2.8.1-py2.py3-none-any.whl (7.7 kB)
Installing collected packages: haversine
Successfully installed haversine-2.8.1

In [12]:

from haversine import haversine

In [13]:

seoul = [37.541, 126.986]
paris = [48.8567, 2.3508]
print(haversine(seoul, paris, unit='km'))
print(haversine(seoul, paris, unit='m'))

8968.562580161477
8968562.580161477

In [14]:

df_shop.shape

Out[14]:

(357, 5)

In [15]:

df_paris.shape

Out[15]:

(598, 4)

In [16]:

df_cross = df_shop.merge(df_paris, how='cross')
df_cross

Out[16]:

	상가업소번호	상호명	시군구명	경도	위도	업소번호	업소상호명	업소경도	업소위도
0	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805464775	파리바게뜨풍납초교점	127.117232	37.534101
1	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805503393	파리바게뜨	127.086178	37.594830
2	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805515071	파리바게뜨오금현대	127.128655	37.507317
3	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805839680	파리바게트그라시움	127.159471	37.556197
4	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805926470	파리바게트양재역	127.034934	37.482755
...	...	...	...	...	...	...	...	...	...
213481	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202301A0046528	파리바게뜨서초우면점	127.024937	37.470698
213482	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0012597	파리바게뜨문정	127.129498	37.483436
213483	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0083824	파리바게뜨문정카페점	127.131290	37.487792
213484	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0059905	파리바게뜨레이크펠리스점	127.092487	37.507008
213485	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0059526	파리바게뜨상계	127.074410	37.658100

213486 rows × 9 columns

In [17]:

df_cross['거리'] = df_cross.apply(lambda x: haversine([x['위도'], x['경도']], [x['업소위도'], x['업소경도']], unit='m'), axis=1)
df_cross

Out[17]:

	상가업소번호	상호명	시군구명	경도	위도	업소번호	업소상호명	업소경도	업소위도	거리
0	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805464775	파리바게뜨풍납초교점	127.117232	37.534101	3033.819143
1	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805503393	파리바게뜨	127.086178	37.594830	6391.763178
2	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805515071	파리바게뜨오금현대	127.128655	37.507317	5229.360832
3	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805839680	파리바게트그라시움	127.159471	37.556197	7051.848831
4	MA010120220805508370	엽기떡볶이	광진구	127.083078	37.537400	MA010120220805926470	파리바게트양재역	127.034934	37.482755	7413.113137
...	...	...	...	...	...	...	...	...	...	...
213481	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202301A0046528	파리바게뜨서초우면점	127.024937	37.470698	9435.362901
213482	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0012597	파리바게뜨문정	127.129498	37.483436	2684.625542
213483	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0083824	파리바게뜨문정카페점	127.131290	37.487792	2273.541361
213484	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0059905	파리바게뜨레이크펠리스점	127.092487	37.507008	2579.427353
213485	MA0101202302A0078594	청년다방	송파구	127.121728	37.506779	MA0101202302A0059526	파리바게뜨상계	127.074410	37.658100	17335.054211

213486 rows × 10 columns

In [18]:

# 개별 떡볶이 매장과 파리바게트와의 최소 거리
df_dis = df_cross.groupby(['상가업소번호', '상호명'])['거리'].min().reset_index()
df_dis

Out[18]:

	상가업소번호	상호명	거리
0	MA010120220800007341	엽기떡볶이	45.677208
1	MA010120220800033857	죠스떡볶이	323.845827
2	MA010120220800040224	엽기떡볶이	348.538405
3	MA010120220800106006	신전떡볶이	308.577801
4	MA010120220800191557	청년다방	93.419619
...	...	...	...
352	MA0101202302A0003449	신전떡볶이	180.934977
353	MA0101202302A0010347	청년다방	292.351727
354	MA0101202302A0019465	엽기떡볶이	390.205288
355	MA0101202302A0032718	엽기떡볶이	236.454718
356	MA0101202302A0078594	청년다방	403.980995

357 rows × 3 columns

In [19]:

# 각 프렌차이즈 별 파리바게트와의 평균 거리
df_dis.groupby('상호명')['거리'].mean()

Out[19]:

상호명
감탄떡볶이    332.304595
신전떡볶이    241.867223
엽기떡볶이    231.986667
죠스떡볶이    203.369123
청년다방     235.989978
Name: 거리, dtype: float64

In [21]:

# agg(): 다중집계작업을 간단하게 해주는 함수
df_dis.groupby('상호명')['거리'].agg(['mean', 'count'])

Out[21]:

	mean	count
상호명
감탄떡볶이	332.304595	12
신전떡볶이	241.867223	88
엽기떡볶이	231.986667	129
죠스떡볶이	203.369123	62
청년다방	235.989978	66

In [22]:

# 거리를 입력하면 프랜차이즈 별 파리바게트와의 평균거리와 매장개수를 출력하는 함수
def distance(x):
    dis = df_dis['거리'] <= x
    return df_dis[dis].groupby('상호명')['거리'].agg(['mean', 'count'])

In [23]:

distance(50)

Out[23]:

	mean	count
상호명
감탄떡볶이	0.000000	1
신전떡볶이	32.342522	4
엽기떡볶이	20.017968	9
죠스떡볶이	17.309602	13
청년다방	32.611560	4

In [24]:

!pip install pandasecharts

Collecting pandasecharts
  Downloading pandasecharts-0.5-py3-none-any.whl (15 kB)
Requirement already satisfied: pandas in /usr/local/lib/python3.10/dist-packages (from pandasecharts) (2.0.3)
Collecting pyecharts>=1.0.0 (from pandasecharts)
  Downloading pyecharts-2.0.5-py3-none-any.whl (146 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 146.3/146.3 kB 3.6 MB/s eta 0:00:00
Requirement already satisfied: jinja2 in /usr/local/lib/python3.10/dist-packages (from pyecharts>=1.0.0->pandasecharts) (3.1.4)
Requirement already satisfied: prettytable in /usr/local/lib/python3.10/dist-packages (from pyecharts>=1.0.0->pandasecharts) (3.10.0)
Collecting simplejson (from pyecharts>=1.0.0->pandasecharts)
  Downloading simplejson-3.19.2-cp310-cp310-manylinux_2_5_x86_64.manylinux1_x86_64.manylinux_2_17_x86_64.manylinux2014_x86_64.whl (137 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 137.9/137.9 kB 7.2 MB/s eta 0:00:00
Requirement already satisfied: python-dateutil>=2.8.2 in /usr/local/lib/python3.10/dist-packages (from pandas->pandasecharts) (2.8.2)
Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas->pandasecharts) (2023.4)
Requirement already satisfied: tzdata>=2022.1 in /usr/local/lib/python3.10/dist-packages (from pandas->pandasecharts) (2024.1)
Requirement already satisfied: numpy>=1.21.0 in /usr/local/lib/python3.10/dist-packages (from pandas->pandasecharts) (1.25.2)
Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.8.2->pandas->pandasecharts) (1.16.0)
Requirement already satisfied: MarkupSafe>=2.0 in /usr/local/lib/python3.10/dist-packages (from jinja2->pyecharts>=1.0.0->pandasecharts) (2.1.5)
Requirement already satisfied: wcwidth in /usr/local/lib/python3.10/dist-packages (from prettytable->pyecharts>=1.0.0->pandasecharts) (0.2.13)
Installing collected packages: simplejson, pyecharts, pandasecharts
Successfully installed pandasecharts-0.5 pyecharts-2.0.5 simplejson-3.19.2

In [26]:

df_100 = distance(100).reset_index()
df_100

Out[26]:

	상호명	mean	count
0	감탄떡볶이	0.000000	1
1	신전떡볶이	68.270158	17
2	엽기떡볶이	59.276805	35
3	죠스떡볶이	54.716025	34
4	청년다방	67.892397	15

In [27]:

import IPython
from pandasecharts import echart

In [28]:

df_100.echart.pie(x='상호명', y='count', figsize=(600, 400),
                  radius=['20%', '60%'], label_opts={'position':'outer'},
                  title='떡볶이 프렌차이즈의 입점전략은 과연 파리바게트 옆인가?',
                  legend_opts={'pos_right':'0%', 'orient':'vertical'},
                  subtitle='100m 이내 매장수').render()

IPython.display.HTML(filename='render.html')

Out[28]:

In [29]:

from pyecharts.charts import Timeline, Grid

In [30]:

tl = Timeline({'width':'600px', 'height':'400px'})
pie1 = df_100.echart.pie(x='상호명', y='count', figsize=(600, 400),
                  radius=['20%', '60%'], label_opts={'position':'outer'},
                  title='떡볶이 프렌차이즈의 입점전략은 과연 파리바게트 옆인가?',
                  legend_opts={'pos_right':'0%', 'orient':'vertical'},
                  subtitle='100m 이내 매장수')
tl.add(pie1, '100m').render()
IPython.display.HTML(filename='render.html')

In [32]:

tl = Timeline({'width':'600px', 'height':'400px'})

for i in [1000, 100, 50, 30]:
    df_d = distance(i).reset_index()
    pie1 = df_d.echart.pie(x='상호명', y='count', figsize=(600, 400),
                    radius=['20%', '60%'], label_opts={'position':'outer'},
                    title='떡볶이 프렌차이즈의 입점전략은 과연 파리바게트 옆인가?',
                    legend_opts={'pos_right':'0%', 'orient':'vertical'},
                    subtitle='{}m 이내 매장수'.format(i))
    tl.add(pie1, '{}m'.format(i)).render()
IPython.display.HTML(filename='render.html')

서울시 따릉이 API 활용 (0)	2024.06.07
전국 도시공원 데이터 (0)	2024.06.07
상권별 업종 밀집 통계 데이터 (0)	2024.06.07
가상 온라인 쇼핑몰 데이터 (1)	2024.06.07
Matplotlib (1)	2024.06.07

개발일지

떡볶이 프렌차이즈의 입점전략

'코딩 > 데이터 분석' 카테고리의 다른 글

티스토리툴바

떡볶이 프렌차이즈의 입점전략

'코딩 > 데이터 분석' 카테고리의 다른 글

관련글

티스토리툴바