분석 준비¶

In [1]:

import pandas as pd
import numpy as np
import os
import re

# 시각화를 위한 패키지
import matplotlib as mpl
mpl.rcParams['axes.unicode_minus'] = False # '-' 깨짐 방지

import matplotlib.pyplot as plt
plt.rcParams["font.family"] = 'Malgun Gothic' # 한글 깨짐 방지
plt.rcParams["font.size"] = 15
plt.rcParams["figure.figsize"] = (8, 6)
# %matplotlib inline

import seaborn as sns
# sns.set()

# 결측값 시각화를 위한 패키지
import missingno as msno

Load data¶

In [ ]:

os.chdir(r"C:\Users\Gram\Desktop\네이버뉴스 립스틱효과\2. 경기종합지수,상관관계")

In [4]:

rawdata = pd.read_csv("9.2.1 소비자동향조사(한국은행_전국).csv", encoding='CP949')
print(rawdata.shape)

(82, 62)

In [5]:

rawdata.head()

Out[5]:

	항목명1	항목명2	2015년 1월	2015년 2월	2015년 3월	2015년 4월	2015년 5월	2015년 6월	2015년 7월	2015년 8월	...	2019년 3월	2019년 4월	2019년 5월	2019년 6월	2019년 7월	2019년 8월	2019년 9월	2019년 10월	2019년 11월	2019년 12월
0	경기종합지수(동행지수순환변동치)	전체	99.9	100.2	100.1	100.1	99.7	99.5	99.5	99.8	...	99.2	99.2	99.5	99.4	99.3	99.5	99.5	99.4	99.3	NaN
1	현재경기판단CSI	전체	74.0	71.0	72.0	77.0	79.0	65.0	63.0	71.0	...	70.0	74.0	69.0	69.0	67.0	63.0	68.0	72.0	73.0	74.0
2	현재경기판단CSI	남자	75.0	71.0	73.0	78.0	80.0	65.0	63.0	71.0	...	69.0	73.0	68.0	67.0	66.0	61.0	67.0	71.0	72.0	73.0
3	현재경기판단CSI	여자	72.0	71.0	71.0	74.0	79.0	64.0	64.0	72.0	...	72.0	76.0	75.0	75.0	74.0	69.0	73.0	77.0	78.0	78.0
4	현재경기판단CSI	40세미만	74.0	71.0	71.0	73.0	77.0	64.0	66.0	68.0	...	79.0	85.0	79.0	79.0	78.0	71.0	79.0	81.0	83.0	82.0

5 rows × 62 columns

In [6]:

rawdata.tail()

Out[6]:

	항목명1	항목명2	2015년 1월	2015년 2월	2015년 3월	2015년 4월	2015년 5월	2015년 6월	2015년 7월	2015년 8월	...	2019년 3월	2019년 4월	2019년 5월	2019년 6월	2019년 7월	2019년 8월	2019년 9월	2019년 10월	2019년 11월	2019년 12월
77	교통비 및 통신비 지출전망CSI	40-50세	115.0	117.0	115.0	114.0	112.0	113.0	115.0	112.0	...	111.0	111.0	112.0	109.0	107.0	107.0	109.0	108.0	110.0	110.0
78	교통비 및 통신비 지출전망CSI	50-60세	115.0	115.0	113.0	115.0	114.0	114.0	118.0	113.0	...	109.0	110.0	112.0	109.0	106.0	106.0	106.0	108.0	108.0	107.0
79	교통비 및 통신비 지출전망CSI	60-70세	107.0	106.0	105.0	110.0	107.0	110.0	109.0	110.0	...	105.0	105.0	108.0	107.0	103.0	100.0	104.0	103.0	103.0	104.0
80	교통비 및 통신비 지출전망CSI	70세이상	104.0	110.0	106.0	111.0	107.0	108.0	107.0	107.0	...	106.0	108.0	113.0	109.0	109.0	107.0	106.0	106.0	105.0	108.0
81	소비자심리지수	전체	102.1	102.8	100.9	103.7	105.0	97.7	99.8	101.1	...	99.8	101.7	97.9	97.6	95.9	92.4	97.0	98.6	101.0	100.5

5 rows × 62 columns

EDA¶

In [7]:

df = rawdata.copy()
df.head()

Out[7]:

	항목명1	항목명2	2015년 1월	2015년 2월	2015년 3월	2015년 4월	2015년 5월	2015년 6월	2015년 7월	2015년 8월	...	2019년 3월	2019년 4월	2019년 5월	2019년 6월	2019년 7월	2019년 8월	2019년 9월	2019년 10월	2019년 11월	2019년 12월
0	경기종합지수(동행지수순환변동치)	전체	99.9	100.2	100.1	100.1	99.7	99.5	99.5	99.8	...	99.2	99.2	99.5	99.4	99.3	99.5	99.5	99.4	99.3	NaN
1	현재경기판단CSI	전체	74.0	71.0	72.0	77.0	79.0	65.0	63.0	71.0	...	70.0	74.0	69.0	69.0	67.0	63.0	68.0	72.0	73.0	74.0
2	현재경기판단CSI	남자	75.0	71.0	73.0	78.0	80.0	65.0	63.0	71.0	...	69.0	73.0	68.0	67.0	66.0	61.0	67.0	71.0	72.0	73.0
3	현재경기판단CSI	여자	72.0	71.0	71.0	74.0	79.0	64.0	64.0	72.0	...	72.0	76.0	75.0	75.0	74.0	69.0	73.0	77.0	78.0	78.0
4	현재경기판단CSI	40세미만	74.0	71.0	71.0	73.0	77.0	64.0	66.0	68.0	...	79.0	85.0	79.0	79.0	78.0	71.0	79.0	81.0	83.0	82.0

5 rows × 62 columns

missing value¶

In [8]:

df.isnull().sum()

Out[8]:

항목명1         0
항목명2         0
2015년 1월     0
2015년 2월     0
2015년 3월     0
            ..
2019년 8월     0
2019년 9월     0
2019년 10월    0
2019년 11월    0
2019년 12월    1
Length: 62, dtype: int64

In [9]:

msno.matrix(df, figsize=(20,6))

Out[9]:

<matplotlib.axes._subplots.AxesSubplot at 0x1ca423ecb88>

In [10]:

# 경기종합지수 결측열 제거
df = df.drop(['2019년 12월'], axis=1)

공백 제거¶

In [11]:

# 행이름, 데이터 공백 제거
df['항목명1'] = list(map(lambda x: x.strip(), df['항목명1'].values))
df['항목명2'] = list(map(lambda x: x.strip(), df['항목명2'].values))

경기침체기 탐색¶

In [12]:

df_eco = df.T
df_eco.columns = df_eco.loc['항목명1']
df_eco = df_eco.drop(['항목명1', '항목명2'], axis=0)
df_eco = df_eco[['경기종합지수(동행지수순환변동치)', '소비자심리지수']]
df_eco.head()

Out[12]:

항목명1	경기종합지수(동행지수순환변동치)	소비자심리지수
2015년 1월	99.9	102.1
2015년 2월	100.2	102.8
2015년 3월	100.1	100.9
2015년 4월	100.1	103.7
2015년 5월	99.7	105

MinMaxScaler¶

In [13]:

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
df_eco['경기종합지수(동행지수순환변동치)'] = scaler.fit_transform(np.array(df_eco['경기종합지수(동행지수순환변동치)']).reshape(-1, 1))
df_eco['소비자심리지수'] = scaler.fit_transform(np.array(df_eco['소비자심리지수']).reshape(-1, 1))

In [14]:

df_eco.head()

Out[14]:

항목명1	경기종합지수(동행지수순환변동치)	소비자심리지수
2015년 1월	0.466667	0.487562
2015년 2월	0.666667	0.522388
2015년 3월	0.600000	0.427861
2015년 4월	0.600000	0.567164
2015년 5월	0.333333	0.631841

rawdata¶

In [15]:

df_eco.plot(figsize=(20, 10), fontsize=15, grid=True, 
            color=['red', 'blue'], linewidth=3)
plt.legend(fontsize=15)
plt.xticks([0,6,12,18,24,30,36,42,48,54], 
           ['2015년 1월','2015년 7월','2016년 1월','2016년 7월','2017년 1월','2017년 7월','2018년 1월','2018년 7월','2019년 1월','2019년 7월'])

Out[15]:

([<matplotlib.axis.XTick at 0x1ca42ec5488>,
  <matplotlib.axis.XTick at 0x1ca42ec0a48>,
  <matplotlib.axis.XTick at 0x1ca42e49808>,
  <matplotlib.axis.XTick at 0x1ca42f02808>,
  <matplotlib.axis.XTick at 0x1ca42f09548>,
  <matplotlib.axis.XTick at 0x1ca42f02c88>,
  <matplotlib.axis.XTick at 0x1ca42f10248>,
  <matplotlib.axis.XTick at 0x1ca42ec0548>,
  <matplotlib.axis.XTick at 0x1ca42f2b5c8>,
  <matplotlib.axis.XTick at 0x1ca42f300c8>],
 <a list of 10 Text xticklabel objects>)

2개월 이동평균¶

In [16]:

ma2 = df_eco['경기종합지수(동행지수순환변동치)'].rolling(window=2).mean()
df_eco.insert(len(df_eco.columns), "경기종합지수_MA2", ma2)

ma22 = df_eco['소비자심리지수'].rolling(window=2).mean()
df_eco.insert(len(df_eco.columns), "소비자심리지수_MA2", ma22)

In [17]:

df_eco[['경기종합지수_MA2', '소비자심리지수_MA2']].plot(figsize=(20, 10), fontsize=15, grid=True, 
            color=['red', 'blue'], linewidth=3)
plt.legend(fontsize=15)
plt.xticks([0,6,12,18,24,30,36,42,48,54], 
           ['2015년 1월','2015년 7월','2016년 1월','2016년 7월','2017년 1월','2017년 7월','2018년 1월','2018년 7월','2019년 1월','2019년 7월'])

Out[17]:

([<matplotlib.axis.XTick at 0x1ca43374d88>,
  <matplotlib.axis.XTick at 0x1ca433743c8>,
  <matplotlib.axis.XTick at 0x1ca4338a1c8>,
  <matplotlib.axis.XTick at 0x1ca42f76288>,
  <matplotlib.axis.XTick at 0x1ca42f76b88>,
  <matplotlib.axis.XTick at 0x1ca42f796c8>,
  <matplotlib.axis.XTick at 0x1ca42f6e148>,
  <matplotlib.axis.XTick at 0x1ca43374088>,
  <matplotlib.axis.XTick at 0x1ca42f67a48>,
  <matplotlib.axis.XTick at 0x1ca42f934c8>],
 <a list of 10 Text xticklabel objects>)

3개월 이동평균¶

In [18]:

ma3 = df_eco['경기종합지수(동행지수순환변동치)'].rolling(window=3).mean()
df_eco.insert(len(df_eco.columns), "경기종합지수_MA3", ma3)

ma33 = df_eco['소비자심리지수'].rolling(window=3).mean()
df_eco.insert(len(df_eco.columns), "소비자심리지수_MA3", ma33)

In [19]:

df_eco[['경기종합지수_MA3', '소비자심리지수_MA3']].plot(figsize=(20, 10), fontsize=15, grid=True, 
            color=['red', 'blue'], linewidth=3)
plt.legend(fontsize=15)
plt.xticks([0,6,12,18,24,30,36,42,48,54], 
           ['2015년 1월','2015년 7월','2016년 1월','2016년 7월','2017년 1월','2017년 7월','2018년 1월','2018년 7월','2019년 1월','2019년 7월'])

Out[19]:

([<matplotlib.axis.XTick at 0x1ca42fce588>,
  <matplotlib.axis.XTick at 0x1ca42fc8a08>,
  <matplotlib.axis.XTick at 0x1ca42fd1a08>,
  <matplotlib.axis.XTick at 0x1ca432aa848>,
  <matplotlib.axis.XTick at 0x1ca432ad248>,
  <matplotlib.axis.XTick at 0x1ca432ada88>,
  <matplotlib.axis.XTick at 0x1ca432b2608>,
  <matplotlib.axis.XTick at 0x1ca42f8f808>,
  <matplotlib.axis.XTick at 0x1ca432cbac8>,
  <matplotlib.axis.XTick at 0x1ca432c4b08>],
 <a list of 10 Text xticklabel objects>)

6개월 이동평균¶

In [20]:

ma6 = df_eco['경기종합지수(동행지수순환변동치)'].rolling(window=6).mean()
df_eco.insert(len(df_eco.columns), "경기종합지수_MA6", ma6)

ma66 = df_eco['소비자심리지수'].rolling(window=6).mean()
df_eco.insert(len(df_eco.columns), "소비자심리지수_MA6", ma66)

In [21]:

df_eco[['경기종합지수_MA6', '소비자심리지수_MA6']].plot(figsize=(20, 10), fontsize=15, grid=True, 
            color=['red', 'blue'], linewidth=3)
plt.legend(fontsize=15)
plt.xticks([0,6,12,18,24,30,36,42,48,54], 
           ['2015년 1월','2015년 7월','2016년 1월','2016년 7월','2017년 1월','2017년 7월','2018년 1월','2018년 7월','2019년 1월','2019년 7월'])

Out[21]:

([<matplotlib.axis.XTick at 0x1ca432d4488>,
  <matplotlib.axis.XTick at 0x1ca432d2048>,
  <matplotlib.axis.XTick at 0x1ca432fc248>,
  <matplotlib.axis.XTick at 0x1ca4332d388>,
  <matplotlib.axis.XTick at 0x1ca4332ddc8>,
  <matplotlib.axis.XTick at 0x1ca43331ac8>,
  <matplotlib.axis.XTick at 0x1ca43331048>,
  <matplotlib.axis.XTick at 0x1ca432d2608>,
  <matplotlib.axis.XTick at 0x1ca43347a08>,
  <matplotlib.axis.XTick at 0x1ca4334c288>],
 <a list of 10 Text xticklabel objects>)

-> 분석 기간 : 2017/7 - 2018/12

경제침체기 검증¶

rawdata¶

In [22]:

d1 = df_eco.loc['2015년 6월':'2019년 6월', '경기종합지수(동행지수순환변동치)'].values
d2 = df_eco.loc['2015년 11월':, '소비자심리지수'].values
np.corrcoef(d1, d2)

Out[22]:

array([[1.        , 0.37035444],
       [0.37035444, 1.        ]])

-> 전체 기간의 상관계수는 0.37

In [23]:

d1 = df_eco.loc['2017년 7월':'2018년 5월', '경기종합지수(동행지수순환변동치)'].values
d2 = df_eco.loc['2018년 2월':'2018년 12월', '소비자심리지수'].values
np.corrcoef(d1, d2)

Out[23]:

array([[1.        , 0.95777605],
       [0.95777605, 1.        ]])

-> 경기 침체기간의 상관계수는 0.96

MA(6)¶

In [24]:

d1 = df_eco.loc['2015년 6월':'2019년 6월', '경기종합지수_MA6'].values
d2 = df_eco.loc['2015년 11월':, '소비자심리지수_MA6'].values
np.corrcoef(d1, d2)

Out[24]:

array([[1.        , 0.58379559],
       [0.58379559, 1.        ]])

-> 전체 기간의 상관계수는 0.58

In [25]:

d1 = df_eco.loc['2017년 7월':'2018년 5월', '경기종합지수_MA6'].values
d2 = df_eco.loc['2018년 2월':'2018년 12월', '소비자심리지수_MA6'].values
np.corrcoef(d1, d2)

Out[25]:

array([[1.        , 0.98976982],
       [0.98976982, 1.        ]])

-> 경기 침체기간의 상관계수는 0.99

Feature Engineering¶

In [26]:

df.head()

Out[26]:

	항목명1	항목명2	2015년 1월	2015년 2월	2015년 3월	2015년 4월	2015년 5월	2015년 6월	2015년 7월	2015년 8월	...	2019년 2월	2019년 3월	2019년 4월	2019년 5월	2019년 6월	2019년 7월	2019년 8월	2019년 9월	2019년 10월	2019년 11월
0	경기종합지수(동행지수순환변동치)	전체	99.9	100.2	100.1	100.1	99.7	99.5	99.5	99.8	...	99.3	99.2	99.2	99.5	99.4	99.3	99.5	99.5	99.4	99.3
1	현재경기판단CSI	전체	74.0	71.0	72.0	77.0	79.0	65.0	63.0	71.0	...	70.0	70.0	74.0	69.0	69.0	67.0	63.0	68.0	72.0	73.0
2	현재경기판단CSI	남자	75.0	71.0	73.0	78.0	80.0	65.0	63.0	71.0	...	70.0	69.0	73.0	68.0	67.0	66.0	61.0	67.0	71.0	72.0
3	현재경기판단CSI	여자	72.0	71.0	71.0	74.0	79.0	64.0	64.0	72.0	...	71.0	72.0	76.0	75.0	75.0	74.0	69.0	73.0	77.0	78.0
4	현재경기판단CSI	40세미만	74.0	71.0	71.0	73.0	77.0	64.0	66.0	68.0	...	79.0	79.0	85.0	79.0	79.0	78.0	71.0	79.0	81.0	83.0

5 rows × 61 columns

In [27]:

df = df[['항목명1', '항목명2', 
         '2017년 7월', '2017년 8월', '2017년 9월', '2017년 10월', '2017년 11월', '2017년 12월', 
         '2018년 1월', '2018년 2월', '2018년 3월', '2018년 4월', '2018년 5월', '2017년 6월', 
         '2018년 7월', '2018년 8월', '2018년 9월', '2018년 10월', '2018년 11월', '2018년 12월']]

항목별 지출 추이¶

전체¶

In [28]:

df_all = df[df['항목명2'] == '전체']
df_all = df_all.T
df_all.columns = df_all.loc['항목명1']
df_all = df_all.drop(['항목명1', '항목명2'], axis=0)
df_all['경기_소비자_중앙값'] = (df_all['경기종합지수(동행지수순환변동치)'] + df_all['소비자심리지수']) / 2

for c in df_all.columns:
    df_all[c] = df_all[c].astype('float')
    
df_all.head()

Out[28]:

항목명1	경기종합지수(동행지수순환변동치)	현재경기판단CSI	소비지출전망CSI	내구재 지출전망CSI	의류비 지출전망CSI	외식비 지출전망CSI	여행비 지출전망CSI	교육비 지출전망CSI	의료·보건비 지출전망CSI	교양·오락·문화생활비 지출전망CSI	교통비 및 통신비 지출전망CSI	소비자심리지수	경기_소비자_중앙값
2017년 7월	100.5	96.0	108.0	97.0	101.0	94.0	99.0	106.0	111.0	91.0	108.0	111.3	105.9
2017년 8월	100.4	93.0	109.0	96.0	100.0	95.0	95.0	107.0	112.0	92.0	108.0	110.0	105.2
2017년 9월	100.4	87.0	107.0	96.0	103.0	94.0	95.0	106.0	112.0	90.0	109.0	107.6	104.0
2017년 10월	100.2	91.0	108.0	96.0	103.0	93.0	95.0	107.0	112.0	91.0	109.0	109.2	104.7
2017년 11월	100.2	98.0	109.0	97.0	103.0	94.0	97.0	108.0	112.0	93.0	109.0	112.4	106.3

In [29]:

df_all2 = df_all.copy()

In [30]:

scaler = MinMaxScaler()
df_all2['경기_소비자_중앙값'] = scaler.fit_transform(np.array(df_all2['경기_소비자_중앙값']).reshape(-1, 1))
df_all2['의료·보건비 지출전망CSI'] = scaler.fit_transform(np.array(df_all2['의료·보건비 지출전망CSI']).reshape(-1, 1))
df_all2['교양·오락·문화생활비 지출전망CSI'] = scaler.fit_transform(np.array(df_all2['교양·오락·문화생활비 지출전망CSI']).reshape(-1, 1))

In [31]:

df_all2[['경기_소비자_중앙값', '의료·보건비 지출전망CSI', '교양·오락·문화생활비 지출전망CSI']].plot(figsize=(15, 10), fontsize=15, grid=True, 
            color=['red', 'green', 'orange'], linewidth=3)
plt.legend(fontsize=15, loc='upper right')
plt.xticks([0,3,6,9,12,15], 
           ['2017년 7월','2017년 10월','2018년 1월','2018년 4월','2018년 7월','2018년 10월'])

Out[31]:

([<matplotlib.axis.XTick at 0x1ca43971e48>,
  <matplotlib.axis.XTick at 0x1ca43971088>,
  <matplotlib.axis.XTick at 0x1ca43983248>,
  <matplotlib.axis.XTick at 0x1ca439b2088>,
  <matplotlib.axis.XTick at 0x1ca439b2908>,
  <matplotlib.axis.XTick at 0x1ca439b6448>],
 <a list of 6 Text xticklabel objects>)

In [32]:

corr_all = df_all.corrwith(df_all.경기_소비자_중앙값, method='pearson') 
corr_all = pd.DataFrame(corr_all, columns=['상관계수']) 
corr_all = corr_all.sort_values(by='상관계수')
corr_all

Out[32]:

	상관계수
항목명1
의료·보건비 지출전망CSI	-0.647909
경기종합지수(동행지수순환변동치)	0.014498
소비지출전망CSI	0.019424
교양·오락·문화생활비 지출전망CSI	0.318635
교통비 및 통신비 지출전망CSI	0.324965
내구재 지출전망CSI	0.681692
외식비 지출전망CSI	0.729150
교육비 지출전망CSI	0.799966
의류비 지출전망CSI	0.818391
여행비 지출전망CSI	0.867192
현재경기판단CSI	0.984068
소비자심리지수	0.998346
경기_소비자_중앙값	1.000000

In [33]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_all, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show() 

남자¶

In [34]:

df_man = df[df['항목명2'] == '남자']
df_man = pd.concat([df.iloc[[0]], df.iloc[[81]], df_man])
df_man = df_man.T
df_man.columns = df_man.loc['항목명1']
df_man = df_man.drop(['항목명1', '항목명2'], axis=0)
df_man['경기_소비자_중앙값'] = (df_man['경기종합지수(동행지수순환변동치)'] + df_man['소비자심리지수']) / 2

for c in df_man.columns:
    df_man[c] = df_man[c].astype('float')

In [35]:

corr_man = df_man.corrwith(df_man.경기_소비자_중앙값, method='pearson') 
corr_man = pd.DataFrame(corr_man, columns=['상관계수']) 
corr_man = corr_man.sort_values(by='상관계수')

In [36]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_man, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show() 

여자¶

In [37]:

df_woman = df[df['항목명2'] == '여자']
df_woman = pd.concat([df.iloc[[0]], df.iloc[[81]], df_woman])
df_woman = df_woman.T
df_woman.columns = df_woman.loc['항목명1']
df_woman = df_woman.drop(['항목명1', '항목명2'], axis=0)
df_woman['경기_소비자_중앙값'] = (df_woman['경기종합지수(동행지수순환변동치)'] + df_woman['소비자심리지수']) / 2

for c in df_woman.columns:
    df_woman[c] = df_woman[c].astype('float')

In [38]:

corr_woman = df_woman.corrwith(df_woman.경기_소비자_중앙값, method='pearson') 
corr_woman = pd.DataFrame(corr_woman, columns=['상관계수']) 
corr_woman = corr_woman.sort_values(by='상관계수')

In [39]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_woman, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show() 

40세 미만¶

In [40]:

df_40 = df[df['항목명2'] == '40세미만']
df_40 = pd.concat([df.iloc[[0]], df.iloc[[81]], df_40])
df_40 = df_40.T
df_40.columns = df_40.loc['항목명1']
df_40 = df_40.drop(['항목명1', '항목명2'], axis=0)
df_40['경기_소비자_중앙값'] = (df_40['경기종합지수(동행지수순환변동치)'] + df_40['소비자심리지수']) / 2

for c in df_40.columns:
    df_40[c] = df_40[c].astype('float')

In [41]:

corr_40 = df_40.corrwith(df_40.경기_소비자_중앙값, method='pearson') 
corr_40 = pd.DataFrame(corr_40, columns=['상관계수']) 
corr_40 = corr_40.sort_values(by='상관계수')

In [42]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_40, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show() 

40-50세¶

In [43]:

df_450 = df[df['항목명2'] == '40-50세']
df_450 = pd.concat([df.iloc[[0]], df.iloc[[81]], df_450])
df_450 = df_450.T
df_450.columns = df_450.loc['항목명1']
df_450 = df_450.drop(['항목명1', '항목명2'], axis=0)
df_450['경기_소비자_중앙값'] = (df_450['경기종합지수(동행지수순환변동치)'] + df_450['소비자심리지수']) / 2

for c in df_450.columns:
    df_450[c] = df_450[c].astype('float')

In [44]:

corr_450 = df_450.corrwith(df_450.경기_소비자_중앙값, method='pearson') 
corr_450 = pd.DataFrame(corr_450, columns=['상관계수']) 
corr_450 = corr_450.sort_values(by='상관계수')

In [45]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_450, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show() 

50-60세¶

In [46]:

df_560 = df[df['항목명2'] == '50-60세']
df_560 = pd.concat([df.iloc[[0]], df.iloc[[81]], df_560])
df_560 = df_560.T
df_560.columns = df_560.loc['항목명1']
df_560 = df_560.drop(['항목명1', '항목명2'], axis=0)
df_560['경기_소비자_중앙값'] = (df_560['경기종합지수(동행지수순환변동치)'] + df_560['소비자심리지수']) / 2

for c in df_560.columns:
    df_560[c] = df_560[c].astype('float')

In [47]:

corr_560 = df_560.corrwith(df_560.경기_소비자_중앙값, method='pearson') 
corr_560 = pd.DataFrame(corr_560, columns=['상관계수']) 
corr_560 = corr_560.sort_values(by='상관계수')

In [48]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_560, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show()

60-70세¶

In [49]:

df_670 = df[df['항목명2'] == '60-70세']
df_670 = pd.concat([df.iloc[[0]], df.iloc[[81]], df_670])
df_670 = df_670.T
df_670.columns = df_670.loc['항목명1']
df_670 = df_670.drop(['항목명1', '항목명2'], axis=0)
df_670['경기_소비자_중앙값'] = (df_670['경기종합지수(동행지수순환변동치)'] + df_670['소비자심리지수']) / 2

for c in df_670.columns:
    df_670[c] = df_670[c].astype('float')

In [50]:

corr_670 = df_670.corrwith(df_670.경기_소비자_중앙값, method='pearson') 
corr_670 = pd.DataFrame(corr_670, columns=['상관계수']) 
corr_670 = corr_670.sort_values(by='상관계수')

In [51]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_670, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show()

70세 이상¶

In [52]:

df_70 = df[df['항목명2'] == '70세이상']
df_70 = pd.concat([df.iloc[[0]], df.iloc[[81]], df_70])
df_70 = df_70.T
df_70.columns = df_70.loc['항목명1']
df_70 = df_70.drop(['항목명1', '항목명2'], axis=0)
df_70['경기_소비자_중앙값'] = (df_70['경기종합지수(동행지수순환변동치)'] + df_70['소비자심리지수']) / 2

for c in df_70.columns:
    df_70[c] = df_70[c].astype('float')

In [53]:

corr_70 = df_70.corrwith(df_70.경기_소비자_중앙값, method='pearson') 
corr_70 = pd.DataFrame(corr_70, columns=['상관계수']) 
corr_70 = corr_70.sort_values(by='상관계수')

In [54]:

plt.figure(figsize = (5, 5))
sns.heatmap(corr_70, annot=True, fmt='.2f', linewidths=.5, cmap='RdYlGn_r')
plt.title('Heatmap')
plt.show()

시계열 예측¶

Facebook 데이터 과학팀에서 제공하는 오픈소스 시계열 예측 라이브러리

In [55]:

from fbprophet import Prophet
from datetime import datetime

ERROR:fbprophet:Importing plotly failed. Interactive plots will not work.

In [56]:

rawdata2 = pd.read_csv("9.2.1 소비자동향조사(한국은행_전국)(2009~).csv", encoding='CP949')

df_ts = rawdata2.copy()

# 행이름, 데이터 공백 제거
df_ts['항목명1'] = list(map(lambda x: x.strip(), df_ts['항목명1'].values))
df_ts['항목명2'] = list(map(lambda x: x.strip(), df_ts['항목명2'].values))

In [57]:

# '전체' 추출
df_ts_all = df_ts[df_ts['항목명2'] == '전체']
df_ts_all = df_ts_all.T
df_ts_all.columns = df_ts_all.loc['항목명1']
df_ts_all = df_ts_all.drop(['항목명1', '항목명2'], axis=0)
for c in df_ts_all.columns:
    df_ts_all[c] = df_ts_all[c].astype('float')
    
df_ts_all.head()

Out[57]:

항목명1	경기종합지수(동행지수순환변동치)	내구재 지출전망CSI	의류비 지출전망CSI	외식비 지출전망CSI	여행비 지출전망CSI	교육비 지출전망CSI	의료·보건비 지출전망CSI	교양·오락·문화생활비 지출전망CSI	교통비 및 통신비 지출전망CSI	소비자심리지수
2009년 1월	97.8	76.0	85.0	68.0	63.0	104.0	107.0	76.0	103.0	74.8
2009년 2월	97.7	76.0	85.0	68.0	63.0	105.0	107.0	75.0	103.0	76.4
2009년 3월	97.8	75.0	82.0	66.0	61.0	104.0	106.0	71.0	100.0	72.8
2009년 4월	97.9	82.0	91.0	75.0	69.0	106.0	109.0	81.0	107.0	93.0
2009년 5월	97.9	88.0	97.0	83.0	80.0	109.0	112.0	89.0	108.0	104.1

In [58]:

timestamp = []
for t in df_ts_all.index:
    t = t.replace("년", "")
    t = t.replace("월", "")
    t = t.replace(" ", "")
    timestamp.append(datetime.strptime(t, '%Y%m'))   

경기종합지수¶

In [59]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['경기종합지수(동행지수순환변동치)'].values

In [60]:

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)
forecast.tail()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

Out[60]:

	ds	trend	yhat_lower	yhat_upper	trend_lower	trend_upper	additive_terms	additive_terms_lower	additive_terms_upper	yearly	yearly_lower	yearly_upper	yhat
138	2020-06-30	98.957805	98.517614	99.326277	98.752834	99.154946	-0.016263	-0.016263	-0.016263	-0.016263	-0.016263	-0.016263	98.941542
139	2020-07-31	98.917950	98.714653	99.540001	98.667448	99.151747	0.215809	0.215809	0.215809	0.215809	0.215809	0.215809	99.133758
140	2020-08-31	98.878094	98.545639	99.468692	98.589229	99.159387	0.129639	0.129639	0.129639	0.129639	0.129639	0.129639	99.007734
141	2020-09-30	98.839525	98.537572	99.529242	98.496428	99.167317	0.193011	0.193011	0.193011	0.193011	0.193011	0.193011	99.032536
142	2020-10-31	98.799670	98.183609	99.222059	98.409308	99.163616	-0.099443	-0.099443	-0.099443	-0.099443	-0.099443	-0.099443	98.700227

In [61]:

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('경기종합지수')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

<Figure size 1440x720 with 0 Axes>

소비자심리지수¶

In [62]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['소비자심리지수'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('소비자심리지수')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

내구재비¶

In [63]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['내구재 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('내구재비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

의류비¶

In [64]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['내구재 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('내구재비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

외식비¶

In [65]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['외식비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('외식비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

여행비¶

In [66]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['여행비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('여행비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

교육비¶

In [67]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['교육비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('교육비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

의료·보건비¶

In [68]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['의료·보건비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('의료·보건비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

교양·오락·문화생활비¶

In [69]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['교양·오락·문화생활비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('교양·오락·문화생활비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

교통·통신비¶

In [70]:

df_fit = pd.DataFrame()
df_fit['ds'] = timestamp
df_fit['y'] = df_ts_all['교통비 및 통신비 지출전망CSI'].values

m = Prophet()
m.fit(df_fit)
future = m.make_future_dataframe(periods=12, freq='M')
forecast = m.predict(future)

m.plot(forecast)
plt.xlabel('날짜')
plt.ylabel('교통·통신비')
plt.rc('font', size=10)
plt.figure(figsize=(20,10))
plt.show()

INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.

<Figure size 1440x720 with 0 Axes>

In [ ]: