Pandas¶

지하철 데이터¶

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv('CARD_SUBWAY_MONTH_201901.csv')

data.head()
#data.tail()

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 18334 entries, 0 to 18333
Data columns (total 7 columns):
사용일자      18334 non-null int64
노선명       18334 non-null object
역ID       18334 non-null int64
역명        18334 non-null object
승차총승객수    18334 non-null int64
하차총승객수    18334 non-null int64
등록일자      18334 non-null int64
dtypes: int64(5), object(2)
memory usage: 1002.7+ KB

data.describe()

data.index

RangeIndex(start=0, stop=18334, step=1)

data.columns

Index(['사용일자', '노선명', '역ID', '역명', '승차총승객수', '하차총승객수', '등록일자'], dtype='object')

data['사용일자'] # [''] 한 컬럼에 대해서 data값을 구하면 시리즈 형식으로 나온다.
data.사용일자

0        20190101
1        20190101
2        20190101
3        20190101
4        20190101
5        20190101
6        20190101
7        20190101
8        20190101
9        20190101
10       20190101
11       20190101
12       20190101
13       20190101
14       20190101
15       20190101
16       20190101
17       20190101
18       20190101
19       20190101
20       20190101
21       20190101
22       20190101
23       20190101
24       20190101
25       20190101
26       20190101
27       20190101
28       20190101
29       20190101
           ...   
18304    20190131
18305    20190131
18306    20190131
18307    20190131
18308    20190131
18309    20190131
18310    20190131
18311    20190131
18312    20190131
18313    20190131
18314    20190131
18315    20190131
18316    20190131
18317    20190131
18318    20190131
18319    20190131
18320    20190131
18321    20190131
18322    20190131
18323    20190131
18324    20190131
18325    20190131
18326    20190131
18327    20190131
18328    20190131
18329    20190131
18330    20190131
18331    20190131
18332    20190131
18333    20190131
Name: 사용일자, Length: 18334, dtype: int64

data.head()

data2 = data[ ['승차총승객수','하차총승객수'] ]
data2.head()

data2.values  # 데이터 프레임이 넘파이 어레이로 바뀐다.

array([[ 1520,  1436],
       [  275,   114],
       [ 1509,  1083],
       ...,
       [36804, 35050],
       [51970, 50080],
       [29059, 29169]], dtype=int64)

data[data.승차총승객수<10]

pd.DataFrame([[1,2],[3,None]])

data.isnull()

data[['승차총승객수','하차총승객수']].mean()

승차총승객수    12100.360751
하차총승객수    12048.564143
dtype: float64

data.notnull().sum()  #판다스의 sum은 칼럼단위이다.

사용일자      18334
노선명       18334
역ID       18334
역명        18334
승차총승객수    18334
하차총승객수    18334
등록일자      18334
dtype: int64

# ser.name, df.index.name, df.columns.name

pd.to_datetime(['20190308']) # 대부분의 날짜형식은 datetime을 이용해 바꿔줄수 있다.
pd.to_datetime([20190308])

DatetimeIndex(['1970-01-01 00:00:00.020190308'], dtype='datetime64[ns]', freq=None)

data2 = data.copy()

# data2['year'] = data2.사용일자//10000
# data2['month'] = (data2.사용일자%10000)//100
# data2['day'] = data2.사용일자%100
# import calendar
#data2['wday'] = data2.apply(lambda ser: calendar.weekday(ser.year, ser.month, ser.day),axis=1)
# ser은 행 중에서 찾는다는 것을 의미한다.
#apply는 열 단위로 읽는다. applymap은 항목을 하나하나 처리한다.

theday = pd.to_datetime(data2.사용일자, format='%Y%m%d')
theday

0       2019-01-01
1       2019-01-01
2       2019-01-01
3       2019-01-01
4       2019-01-01
5       2019-01-01
6       2019-01-01
7       2019-01-01
8       2019-01-01
9       2019-01-01
10      2019-01-01
11      2019-01-01
12      2019-01-01
13      2019-01-01
14      2019-01-01
15      2019-01-01
16      2019-01-01
17      2019-01-01
18      2019-01-01
19      2019-01-01
20      2019-01-01
21      2019-01-01
22      2019-01-01
23      2019-01-01
24      2019-01-01
25      2019-01-01
26      2019-01-01
27      2019-01-01
28      2019-01-01
29      2019-01-01
           ...    
18304   2019-01-31
18305   2019-01-31
18306   2019-01-31
18307   2019-01-31
18308   2019-01-31
18309   2019-01-31
18310   2019-01-31
18311   2019-01-31
18312   2019-01-31
18313   2019-01-31
18314   2019-01-31
18315   2019-01-31
18316   2019-01-31
18317   2019-01-31
18318   2019-01-31
18319   2019-01-31
18320   2019-01-31
18321   2019-01-31
18322   2019-01-31
18323   2019-01-31
18324   2019-01-31
18325   2019-01-31
18326   2019-01-31
18327   2019-01-31
18328   2019-01-31
18329   2019-01-31
18330   2019-01-31
18331   2019-01-31
18332   2019-01-31
18333   2019-01-31
Name: 사용일자, Length: 18334, dtype: datetime64[ns]

data2['year'] = theday.dt.year
data2['month'] = theday.dt.month
data2['day'] = theday.dt.day
wday={0:'월', 1:'화', 2:'수', 3:'목', 4:'금', 5:'토', 6:'일'}
data2['wday'] = theday.dt.dayofweek.map(wday)  # map함수는 값을 하나하나 바꿔준다.

data2.tail()

data3 = data2.drop('year', axis=1)[:3] # return new DataFrame
data3

data2[data2.day==31].head()

data2[data2.day==31][2:3]

(data2 > 10000)[:5]

data2[['승차총승객수','하차총승객수']] # DataFrame - Series

data2[['승차총승객수','하차총승객수']] - [10000,10000] # DataFrame - Series

data3 = data2[['승차총승객수','하차총승객수']]
data3[:3]

np.maximum(data3,10000)

data3.apply(np.sin)

data3.apply(lambda ser: ser.max() - ser.min())

승차총승객수    132726
하차총승객수    137826
dtype: int64

data3.apply(lambda ser: pd.Series([ser.max(), ser.min(), ser.mean(), ser.std()]))

data3 - data3.min()

data3.apply(lambda col: col - col.min(), axis=1)

data3.applymap(lambda x: x//10000)

Series.apply()
Series.map()
DataFrame.apply() # for each column
DataFrame.applymap() # for each value

data.sort_values('승차총승객수', ascending=False)

data3.sort_values('승차총승객수', ascending=False)

data3.idxmax()

승차총승객수    5960
하차총승객수    5960
dtype: int64

data3.iloc[5960] # iloc 특정행의 정보를 가져오겠다.

승차총승객수    132727
하차총승객수    137826
Name: 5960, dtype: int64

data.iloc[:10, [0,3]]

1 - (2 - 3)

help(data.count)

Help on method count in module pandas.core.frame:

count(axis=0, level=None, numeric_only=False) method of pandas.core.frame.DataFrame instance
    Count non-NA cells for each column or row.
    
    The values `None`, `NaN`, `NaT`, and optionally `numpy.inf` (depending
    on `pandas.options.mode.use_inf_as_na`) are considered NA.
    
    Parameters
    ----------
    axis : {0 or 'index', 1 or 'columns'}, default 0
        If 0 or 'index' counts are generated for each column.
        If 1 or 'columns' counts are generated for each **row**.
    level : int or str, optional
        If the axis is a `MultiIndex` (hierarchical), count along a
        particular `level`, collapsing into a `DataFrame`.
        A `str` specifies the level name.
    numeric_only : boolean, default False
        Include only `float`, `int` or `boolean` data.
    
    Returns
    -------
    Series or DataFrame
        For each column/row the number of non-NA/null entries.
        If `level` is specified returns a `DataFrame`.
    
    See Also
    --------
    Series.count: number of non-NA elements in a Series
    DataFrame.shape: number of DataFrame rows and columns (including NA
        elements)
    DataFrame.isna: boolean same-sized DataFrame showing places of NA
        elements
    
    Examples
    --------
    Constructing DataFrame from a dictionary:
    
    >>> df = pd.DataFrame({"Person":
    ...                    ["John", "Myla", None, "John", "Myla"],
    ...                    "Age": [24., np.nan, 21., 33, 26],
    ...                    "Single": [False, True, True, True, False]})
    >>> df
       Person   Age  Single
    0    John  24.0   False
    1    Myla   NaN    True
    2    None  21.0    True
    3    John  33.0    True
    4    Myla  26.0   False
    
    Notice the uncounted NA values:
    
    >>> df.count()
    Person    4
    Age       4
    Single    5
    dtype: int64
    
    Counts for each **row**:
    
    >>> df.count(axis='columns')
    0    3
    1    2
    2    2
    3    3
    4    3
    dtype: int64
    
    Counts for one level of a `MultiIndex`:
    
    >>> df.set_index(["Person", "Single"]).count(level="Person")
            Age
    Person
    John      2
    Myla      1

#data[data.isnull()] = 0
data.count()

사용일자      18334
노선명       18334
역ID       18334
역명        18334
승차총승객수    18334
하차총승객수    18334
등록일자      18334
dtype: int64

Datetime 으로 변환¶

pd.to_datetime(data.사용일자,format='%Y%m%d') # data.사용일자.astype(str) 으로 변환하지 않아도 됨

0       2019-01-01
1       2019-01-01
2       2019-01-01
3       2019-01-01
4       2019-01-01
5       2019-01-01
6       2019-01-01
7       2019-01-01
8       2019-01-01
9       2019-01-01
10      2019-01-01
11      2019-01-01
12      2019-01-01
13      2019-01-01
14      2019-01-01
15      2019-01-01
16      2019-01-01
17      2019-01-01
18      2019-01-01
19      2019-01-01
20      2019-01-01
21      2019-01-01
22      2019-01-01
23      2019-01-01
24      2019-01-01
25      2019-01-01
26      2019-01-01
27      2019-01-01
28      2019-01-01
29      2019-01-01
           ...    
18304   2019-01-31
18305   2019-01-31
18306   2019-01-31
18307   2019-01-31
18308   2019-01-31
18309   2019-01-31
18310   2019-01-31
18311   2019-01-31
18312   2019-01-31
18313   2019-01-31
18314   2019-01-31
18315   2019-01-31
18316   2019-01-31
18317   2019-01-31
18318   2019-01-31
18319   2019-01-31
18320   2019-01-31
18321   2019-01-31
18322   2019-01-31
18323   2019-01-31
18324   2019-01-31
18325   2019-01-31
18326   2019-01-31
18327   2019-01-31
18328   2019-01-31
18329   2019-01-31
18330   2019-01-31
18331   2019-01-31
18332   2019-01-31
18333   2019-01-31
Name: 사용일자, Length: 18334, dtype: datetime64[ns]

data.역명.str.len()

0         2
1         2
2         2
3         3
4         2
5         3
6         4
7         2
8         2
9         3
10        2
11        2
12        2
13        2
14        3
15        2
16        2
17        2
18        2
19        2
20        2
21        2
22        2
23        2
24        2
25        2
26        2
27        2
28        2
29        2
         ..
18304     2
18305     2
18306     8
18307     5
18308     4
18309     8
18310     4
18311    10
18312     8
18313     4
18314     2
18315     2
18316     3
18317     9
18318     4
18319     2
18320     9
18321     5
18322     5
18323     5
18324     2
18325     3
18326    12
18327     3
18328     3
18329     3
18330     4
18331     4
18332     2
18333     2
Name: 역명, Length: 18334, dtype: int64

상관관계¶

data3.corr()

data3.cov()

data.head() # data.tail()

data.노선명.unique() # numpy array 출력

array(['경춘선', '경인선', '경의선', '경원선', '경부선', '2호선', '경강선', '수인선', '분당선',
       '9호선2~3단계', '9호선', '8호선', '7호선', '6호선', '공항철도 1호선', '5호선', '4호선',
       '3호선', '1호선', '중앙선', '안산선', '우이신설선', '일산선', '장항선', '과천선'],
      dtype=object)

np.sort(data.역명.unique())

array(['4.19민주묘지', '가능', '가락시장', '가산디지털단지', '가양', '가오리', '가좌', '가천대',
       '가평', '간석', '갈매', '강남', '강남구청', '강동', '강동구청', '강매', '강변(동서울터미널)',
       '강촌', '개롱', '개봉', '개포동', '개화', '개화산', '거여', '건대입구', '검암', '경기광주',
       '경마공원', '경복궁(정부서울청사)', '경찰병원', '계양', '고덕', '고려대(종암)', '고속터미널',
       '고잔', '곡산', '곤지암', '공덕', '공릉(서울과학기술대)', '공항시장', '공항화물청사', '과천',
       '관악', '광나루(장신대)', '광명', '광명사거리', '광운대', '광화문(세종문화회관)', '광흥창(서강)',
       '교대(법원.검찰청)', '구로', '구로디지털단지', '구룡', '구리', '구반포', '구산', '구성',
       '구의(광진구청)', '구일', '구파발', '국수', '국회의사당', '군자(능동)', '군포', '굴봉산',
       '굴포천', '굽은다리(강동구민회관앞)', '금곡', '금릉', '금정', '금천구청', '금촌', '금호', '기흥',
       '길동', '길음', '김유정', '김포공항', '까치산', '까치울', '낙성대', '남구로', '남동인더스파크',
       '남부터미널(예술의전당)', '남성', '남영', '남춘천', '남태령', '남한산성입구(성남법원.검찰청)', '내방',
       '노들', '노량진', '노원', '녹번', '녹사평(용산구청)', '녹양', '녹천', '논현', '능곡',
       '단대오거리', '달월', '답십리', '당고개', '당산', '당정', '대곡', '대공원', '대림(구로구청)',
       '대모산입구', '대방', '대성리', '대야미', '대청', '대치', '대화', '대흥(서강대앞)', '덕계',
       '덕소', '덕정', '도곡', '도농', '도림천', '도봉', '도봉산', '도심', '도원', '도화',
       '독립문', '독바위', '독산', '돌곶이', '동대문', '동대문역사문화공원', '동대입구', '동두천',
       '동두천중앙', '동묘앞', '동암', '동인천', '동작(현충원)', '두정', '둔촌동', '둔촌오륜', '등촌',
       '디지털미디어시티', '뚝섬', '뚝섬유원지', '마곡', '마곡나루', '마두', '마들', '마석', '마장',
       '마천', '마포', '마포구청', '망우', '망원', '망월사', '망포', '매교', '매봉', '매탄권선',
       '먹골', '면목', '명동', '명일', '명학', '모란', '목동', '몽촌토성(평화의문)', '무악재',
       '문래', '문산', '문정', '미금', '미아(서울사이버대학)', '미아사거리', '반월', '반포', '발산',
       '방배', '방이', '방학', '방화', '배방', '백마', '백석', '백양리', '백운', '버티고개',
       '범계', '별내', '병점', '보라매', '보문', '보산', '보정', '복정', '봉명', '봉은사', '봉천',
       '봉화산(서울의료원)', '부개', '부발', '부천', '부천시청', '부천종합운동장', '부평', '부평구청',
       '북한산보국문', '북한산우이', '불광', '사가정', '사당', '사릉', '사평', '산본', '산성',
       '삼각지', '삼동', '삼산체육관', '삼성(무역센터)', '삼성중앙', '삼송', '삼양', '삼양사거리',
       '삼전', '상갈', '상계', '상도', '상동', '상록수', '상봉(시외버스터미널)', '상수', '상왕십리',
       '상월곡(한국과학기술연구원)', '상일동', '상천', '새절(신사)', '샛강', '서강대', '서대문', '서동탄',
       '서빙고', '서울대입구(관악구청)', '서울숲', '서울역', '서정리', '서초', '서현', '석계', '석수',
       '석촌', '석촌고분', '선릉', '선바위', '선유도', '선정릉', '성균관대', '성수',
       '성신여대입구(돈암)', '성환', '세류', '세마', '세종대왕릉', '소래포구', '소사', '소요산',
       '솔밭공원', '솔샘', '송내', '송도', '송정', '송탄', '송파', '송파나루', '수내', '수락산',
       '수리산', '수색', '수서', '수원', '수원시청', '수유(강북구청)', '수진', '숙대입구(갈월)',
       '숭실대입구(살피재)', '숭의', '시청', '신갈', '신금호', '신길', '신길온천', '신내', '신논현',
       '신답', '신당', '신대방', '신대방삼거리', '신도림', '신둔도예촌', '신림', '신목동', '신반포',
       '신방화', '신사', '신설동', '신용산', '신원', '신이문', '신정(은행정)', '신정네거리', '신중동',
       '신창(순천향대)', '신촌', '신포', '신풍', '신흥', '쌍문', '쌍용(나사렛대)', '아산', '아신',
       '아차산(어린이대공원후문)', '아현', '안국', '안산', '안암(고대병원앞)', '안양', '암사', '압구정',
       '압구정로데오', '애오개', '야당', '야탑', '약수', '양수', '양원', '양재(서초구청)', '양정',
       '양주', '양천구청', '양천향교', '양평', '어린이대공원(세종대)', '언주', '여의나루', '여의도',
       '여주', '역곡', '역삼', '역촌', '연수', '연신내', '염창', '영등포', '영등포구청', '영등포시장',
       '영종', '영통', '오금', '오류동', '오리', '오목교(목동운동장앞)', '오빈', '오산', '오산대',
       '오이도', '옥수', '온수(성공회대입구)', '온양온천', '올림픽공원(한국체대)', '왕십리(성동구청)',
       '외대앞', '용답', '용두(동대문구청)', '용마산', '용문', '용산', '우장산', '운길산', '운서',
       '운정', '원당', '원덕', '원인재', '원흥', '월계', '월곡(동덕여대)', '월곶',
       '월드컵경기장(성산)', '월롱', '을지로3가', '을지로4가', '을지로입구', '응봉', '응암', '의왕',
       '의정부', '이대', '이매', '이수', '이천', '이촌(국립중앙박물관)', '이태원', '인덕원', '인천',
       '인천공항1터미널', '인천공항2터미널', '인천논현', '인하대', '일산', '일원', '잠실(송파구청)',
       '잠실나루', '잠실새내', '잠원', '장승배기', '장암', '장지', '장한평', '정릉', '정발산',
       '정부과천청사', '정왕', '정자', '제기동', '제물포', '종각', '종로3가', '종로5가', '종합운동장',
       '주안', '주엽', '죽전', '중계', '중곡', '중동', '중랑', '중앙', '중앙보훈병원', '중화',
       '증미', '증산(명지대앞)', '지제', '지축', '지평', '지행', '직산', '진위', '창동', '창신',
       '천마산', '천안', '천왕', '천호(풍납토성)', '철산', '청구', '청담', '청라국제도시',
       '청량리(서울시립대입구)', '청명', '청평', '초월', '초지', '총신대입구(이수)', '춘의', '춘천',
       '충무로', '충정로(경기대입구)', '탄현', '태릉입구', '태평', '퇴계원', '파주', '판교', '팔당',
       '평내호평', '평촌', '평택', '풍산', '하계', '학동', '학여울', '한강진', '한남', '한대앞',
       '한성대입구(삼선교)', '한성백제', '한양대', '한티', '합정', '행당', '행신', '혜화', '호구포',
       '홍대입구', '홍제', '화계', '화곡', '화랑대(서울여대입구)', '화서', '화전', '화정', '회기',
       '회룡', '회현(남대문시장)', '효창공원앞', '흑석(중앙대입구)'], dtype=object)

data.노선명.value_counts()

5호선         1581
7호선         1581
2호선         1550
경부선         1209
6호선         1164
분당선         1071
3호선         1049
경원선          912
경의선          806
4호선          806
9호선          775
중앙선          651
경인선          620
경춘선          589
8호선          527
공항철도 1호선     434
수인선          403
9호선2~3단계     403
안산선          403
우이신설선        403
경강선          341
일산선          312
1호선          310
과천선          248
장항선          186
Name: 노선명, dtype: int64

s = data.역명.value_counts()
s[s%31 !=0]

서울역     164
김포공항    102
홍대입구     95
충무로      57
복정       48
연신내      48
창동       44
계양       38
검암       35
지축       33
Name: 역명, dtype: int64

data[data.역명=='서울역']

data.isin(['대성리']).head()

NaN¶

dropna()
fillna()
isnull()
notnull()

==isnull, ==notnull을 이용하여 널값을 찾을수 있다.

인덱스 설정¶

set_index()
reset_index()
reindex()
rename() # 인덱스와 칼럼의 명칭 바꾸기

d = pd.DataFrame(np.arange(12).reshape(4,3))
d

d.drop([1,2]).reset_index(drop=True)

data.head()

p = pd.pivot_table(data, values='승차총승객수', index='사용일자', columns='노선명', aggfunc=np.mean).reset_index()
wday={0:'월', 1:'화', 2:'수', 3:'목', 4:'금', 5:'토', 6:'일'}
p.insert(1, '요일', pd.to_datetime(p.사용일자, format='%Y%m%d').dt.dayofweek.map(wday))
p

dt = pd.to_datetime(data.사용일자, format='%Y%m%d')
dt.head()

0   2019-01-01
1   2019-01-01
2   2019-01-01
3   2019-01-01
4   2019-01-01
Name: 사용일자, dtype: datetime64[ns]

dt.dt.dayofweek # 0 이 월요일

0        1
1        1
2        1
3        1
4        1
5        1
6        1
7        1
8        1
9        1
10       1
11       1
12       1
13       1
14       1
15       1
16       1
17       1
18       1
19       1
20       1
21       1
22       1
23       1
24       1
25       1
26       1
27       1
28       1
29       1
        ..
18304    3
18305    3
18306    3
18307    3
18308    3
18309    3
18310    3
18311    3
18312    3
18313    3
18314    3
18315    3
18316    3
18317    3
18318    3
18319    3
18320    3
18321    3
18322    3
18323    3
18324    3
18325    3
18326    3
18327    3
18328    3
18329    3
18330    3
18331    3
18332    3
18333    3
Name: 사용일자, Length: 18334, dtype: int64

노선명 코드화¶

line_name = np.sort(data.노선명.unique())
line_code = pd.DataFrame(list(enumerate(line_name)), columns=['노선코드','노선명'])
line_code

s = data[['노선명','역ID']].drop_duplicates().노선명.value_counts()
line_code['역수'] = line_code.노선명.map(s)
line_code

pd.merge(data.노선명.to_frame(),line_code)

line_code2 = pd.Series({s:i for i,s in enumerate(data.노선명.unique())})
line_code2

경춘선          0
경인선          1
경의선          2
경원선          3
경부선          4
2호선          5
경강선          6
수인선          7
분당선          8
9호선2~3단계     9
9호선         10
8호선         11
7호선         12
6호선         13
공항철도 1호선    14
5호선         15
4호선         16
3호선         17
1호선         18
중앙선         19
안산선         20
우이신설선       21
일산선         22
장항선         23
과천선         24
dtype: int64

data.노선명.map(line_code2)

0         0
1         0
2         0
3         0
4         0
5         0
6         0
7         0
8         0
9         0
10        0
11        0
12        1
13        1
14        1
15        1
16        2
17        2
18        2
19        2
20        2
21        2
22        2
23        2
24        2
25        2
26        2
27        2
28        2
29        2
         ..
18304     5
18305     5
18306     5
18307     5
18308     5
18309     5
18310     5
18311     5
18312     5
18313     5
18314     5
18315     5
18316     5
18317     5
18318     5
18319     5
18320     5
18321     5
18322     5
18323     5
18324     5
18325    18
18326    18
18327    18
18328    18
18329    18
18330    18
18331    18
18332    18
18333    18
Name: 노선명, Length: 18334, dtype: int64

역ID 코드 테이블¶

data[['역ID','역명','노선명']].values.tolist()

[[1323, '가평', '경춘선'],
 [1322, '상천', '경춘선'],
 [1321, '청평', '경춘선'],
 [1320, '대성리', '경춘선'],
 [1319, '마석', '경춘선'],
 [1318, '천마산', '경춘선'],
 [1317, '평내호평', '경춘선'],
 [1316, '금곡', '경춘선'],
 [1315, '사릉', '경춘선'],
 [1314, '퇴계원', '경춘선'],
 [1313, '별내', '경춘선'],
 [1312, '갈매', '경춘선'],
 [1804, '부천', '경인선'],
 [1803, '역곡', '경인선'],
 [1802, '오류동', '경인선'],
 [1801, '개봉', '경인선'],
 [1296, '계양', '경의선'],
 [1284, '문산', '경의선'],
 [1283, '파주', '경의선'],
 [1282, '월롱', '경의선'],
 [1280, '금촌', '경의선'],
 [1279, '금릉', '경의선'],
 [1278, '운정', '경의선'],
 [1277, '야당', '경의선'],
 [1276, '탄현', '경의선'],
 [1275, '일산', '경의선'],
 [1274, '풍산', '경의선'],
 [1273, '백마', '경의선'],
 [1272, '곡산', '경의선'],
 [1271, '능곡', '경의선'],
 [1270, '행신', '경의선'],
 [1269, '강매', '경의선'],
 [1268, '화전', '경의선'],
 [1267, '수색', '경의선'],
 [1266, '디지털미디어시티', '경의선'],
 [1265, '가좌', '경의선'],
 [1264, '홍대입구', '경의선'],
 [1263, '서강대', '경의선'],
 [1262, '공덕', '경의선'],
 [1261, '효창공원앞', '경의선'],
 [1252, '신촌', '경의선'],
 [1251, '서울역', '경의선'],
 [1916, '소요산', '경원선'],
 [1915, '동두천', '경원선'],
 [1914, '보산', '경원선'],
 [1913, '동두천중앙', '경원선'],
 [1912, '지행', '경원선'],
 [1911, '덕정', '경원선'],
 [1910, '덕계', '경원선'],
 [1909, '양주', '경원선'],
 [1908, '녹양', '경원선'],
 [1907, '가능', '경원선'],
 [1906, '의정부', '경원선'],
 [1905, '회룡', '경원선'],
 [1904, '망월사', '경원선'],
 [1903, '도봉산', '경원선'],
 [1902, '도봉', '경원선'],
 [1901, '방학', '경원선'],
 [1021, '녹천', '경원선'],
 [1020, '월계', '경원선'],
 [1019, '광운대', '경원선'],
 [1018, '석계', '경원선'],
 [1017, '신이문', '경원선'],
 [1016, '외대앞', '경원선'],
 [1014, '청량리(서울시립대입구)', '경원선'],
 [1013, '왕십리(성동구청)', '경원선'],
 [1012, '응봉', '경원선'],
 [1011, '옥수', '경원선'],
 [1010, '한남', '경원선'],
 [1009, '서빙고', '경원선'],
 [1008, '이촌(국립중앙박물관)', '경원선'],
 [1750, '광명', '경부선'],
 [1749, '서동탄', '경부선'],
 [1729, '당정', '경부선'],
 [1728, '천안', '경부선'],
 [1727, '두정', '경부선'],
 [1726, '직산', '경부선'],
 [1725, '성환', '경부선'],
 [1724, '평택', '경부선'],
 [1723, '지제', '경부선'],
 [1722, '서정리', '경부선'],
 [1721, '송탄', '경부선'],
 [1720, '진위', '경부선'],
 [1719, '오산', '경부선'],
 [1718, '오산대', '경부선'],
 [1717, '세마', '경부선'],
 [1716, '병점', '경부선'],
 [1715, '세류', '경부선'],
 [1714, '독산', '경부선'],
 [1713, '수원', '경부선'],
 [1712, '화서', '경부선'],
 [1711, '성균관대', '경부선'],
 [1710, '의왕', '경부선'],
 [1709, '군포', '경부선'],
 [1708, '금정', '경부선'],
 [1707, '명학', '경부선'],
 [1706, '안양', '경부선'],
 [1705, '관악', '경부선'],
 [1704, '석수', '경부선'],
 [1703, '금천구청', '경부선'],
 [1702, '가산디지털단지', '경부선'],
 [224, '서초', '2호선'],
 [1701, '구로', '경부선'],
 [1032, '신길', '경부선'],
 [1007, '신도림', '경부선'],
 [1006, '영등포', '경부선'],
 [1005, '대방', '경부선'],
 [1004, '노량진', '경부선'],
 [1003, '용산', '경부선'],
 [1002, '남영', '경부선'],
 [1001, '서울역', '경부선'],
 [1511, '여주', '경강선'],
 [1510, '세종대왕릉', '경강선'],
 [1509, '부발', '경강선'],
 [1508, '이천', '경강선'],
 [1507, '신둔도예촌', '경강선'],
 [1879, '월곶', '수인선'],
 [1878, '달월', '수인선'],
 [1872, '매교', '분당선'],
 [1871, '수원시청', '분당선'],
 [1870, '매탄권선', '분당선'],
 [1869, '망포', '분당선'],
 [1506, '곤지암', '경강선'],
 [1505, '초월', '경강선'],
 [1504, '경기광주', '경강선'],
 [1503, '삼동', '경강선'],
 [1502, '이매', '경강선'],
 [1501, '판교', '경강선'],
 [4138, '중앙보훈병원', '9호선2~3단계'],
 [4137, '둔촌오륜', '9호선2~3단계'],
 [4136, '올림픽공원(한국체대)', '9호선2~3단계'],
 [4135, '한성백제', '9호선2~3단계'],
 [4134, '송파나루', '9호선2~3단계'],
 [4133, '석촌', '9호선2~3단계'],
 [4132, '석촌고분', '9호선2~3단계'],
 [4131, '삼전', '9호선2~3단계'],
 [4130, '종합운동장', '9호선2~3단계'],
 [4129, '봉은사', '9호선2~3단계'],
 [4128, '삼성중앙', '9호선2~3단계'],
 [4127, '선정릉', '9호선2~3단계'],
 [4126, '언주', '9호선2~3단계'],
 [4125, '신논현', '9호선'],
 [4124, '사평', '9호선'],
 [4123, '고속터미널', '9호선'],
 [4122, '신반포', '9호선'],
 [4121, '구반포', '9호선'],
 [4120, '동작(현충원)', '9호선'],
 [4119, '흑석(중앙대입구)', '9호선'],
 [4118, '노들', '9호선'],
 [4117, '노량진', '9호선'],
 [4116, '샛강', '9호선'],
 [4115, '여의도', '9호선'],
 [4114, '국회의사당', '9호선'],
 [4113, '당산', '9호선'],
 [4112, '선유도', '9호선'],
 [4111, '신목동', '9호선'],
 [4110, '염창', '9호선'],
 [4109, '등촌', '9호선'],
 [4108, '증미', '9호선'],
 [4106, '양천향교', '9호선'],
 [4105, '마곡나루', '9호선'],
 [4104, '신방화', '9호선'],
 [4103, '공항시장', '9호선'],
 [4102, '김포공항', '9호선'],
 [4101, '개화', '9호선'],
 [2827, '모란', '8호선'],
 [2826, '수진', '8호선'],
 [2825, '신흥', '8호선'],
 [2824, '단대오거리', '8호선'],
 [2823, '남한산성입구(성남법원.검찰청)', '8호선'],
 [2822, '산성', '8호선'],
 [2821, '복정', '8호선'],
 [2820, '장지', '8호선'],
 [2819, '문정', '8호선'],
 [2818, '가락시장', '8호선'],
 [2817, '송파', '8호선'],
 [2816, '석촌', '8호선'],
 [2815, '잠실(송파구청)', '8호선'],
 [2814, '몽촌토성(평화의문)', '8호선'],
 [2813, '강동구청', '8호선'],
 [2812, '천호(풍납토성)', '8호선'],
 [2811, '암사', '8호선'],
 [2761, '부평구청', '7호선'],
 [2760, '굴포천', '7호선'],
 [2759, '삼산체육관', '7호선'],
 [2758, '상동', '7호선'],
 [2757, '부천시청', '7호선'],
 [2756, '신중동', '7호선'],
 [2755, '춘의', '7호선'],
 [2754, '부천종합운동장', '7호선'],
 [2753, '까치울', '7호선'],
 [2752, '온수(성공회대입구)', '7호선'],
 [2750, '광명사거리', '7호선'],
 [2749, '철산', '7호선'],
 [2748, '가산디지털단지', '7호선'],
 [2747, '남구로', '7호선'],
 [2746, '대림(구로구청)', '7호선'],
 [2745, '신풍', '7호선'],
 [2744, '보라매', '7호선'],
 [2743, '신대방삼거리', '7호선'],
 [2742, '장승배기', '7호선'],
 [2741, '상도', '7호선'],
 [2740, '숭실대입구(살피재)', '7호선'],
 [2739, '남성', '7호선'],
 [2738, '이수', '7호선'],
 [2737, '내방', '7호선'],
 [2736, '고속터미널', '7호선'],
 [2735, '반포', '7호선'],
 [2734, '논현', '7호선'],
 [2733, '학동', '7호선'],
 [2732, '강남구청', '7호선'],
 [2731, '청담', '7호선'],
 [2730, '뚝섬유원지', '7호선'],
 [2729, '건대입구', '7호선'],
 [2728, '어린이대공원(세종대)', '7호선'],
 [2727, '군자(능동)', '7호선'],
 [2726, '중곡', '7호선'],
 [2725, '용마산', '7호선'],
 [2724, '사가정', '7호선'],
 [2723, '면목', '7호선'],
 [2722, '상봉(시외버스터미널)', '7호선'],
 [2721, '중화', '7호선'],
 [2720, '먹골', '7호선'],
 [2719, '태릉입구', '7호선'],
 [2718, '공릉(서울과학기술대)', '7호선'],
 [2717, '하계', '7호선'],
 [2716, '중계', '7호선'],
 [2715, '노원', '7호선'],
 [2714, '마들', '7호선'],
 [2713, '수락산', '7호선'],
 [2712, '도봉산', '7호선'],
 [2711, '장암', '7호선'],
 [2648, '봉화산(서울의료원)', '6호선'],
 [2647, '화랑대(서울여대입구)', '6호선'],
 [2646, '태릉입구', '6호선'],
 [2645, '석계', '6호선'],
 [2644, '돌곶이', '6호선'],
 [2643, '상월곡(한국과학기술연구원)', '6호선'],
 [2642, '월곡(동덕여대)', '6호선'],
 [2641, '고려대(종암)', '6호선'],
 [2640, '안암(고대병원앞)', '6호선'],
 [2639, '보문', '6호선'],
 [2638, '창신', '6호선'],
 [2637, '동묘앞', '6호선'],
 [2636, '신당', '6호선'],
 [2635, '청구', '6호선'],
 [2634, '약수', '6호선'],
 [2633, '버티고개', '6호선'],
 [2632, '한강진', '6호선'],
 [2631, '이태원', '6호선'],
 [2630, '녹사평(용산구청)', '6호선'],
 [2629, '삼각지', '6호선'],
 [2628, '효창공원앞', '6호선'],
 [2627, '공덕', '6호선'],
 [2626, '대흥(서강대앞)', '6호선'],
 [4209, '검암', '공항철도 1호선'],
 [2625, '광흥창(서강)', '6호선'],
 [2624, '상수', '6호선'],
 [2623, '합정', '6호선'],
 [2622, '망원', '6호선'],
 [2621, '마포구청', '6호선'],
 [2620, '월드컵경기장(성산)', '6호선'],
 [2619, '디지털미디어시티', '6호선'],
 [2618, '증산(명지대앞)', '6호선'],
 [2617, '새절(신사)', '6호선'],
 [2616, '구산', '6호선'],
 [2615, '연신내', '6호선'],
 [2614, '독바위', '6호선'],
 [2613, '불광', '6호선'],
 [2612, '역촌', '6호선'],
 [2611, '응암', '6호선'],
 [2561, '마천', '5호선'],
 [2560, '거여', '5호선'],
 [2559, '개롱', '5호선'],
 [2558, '오금', '5호선'],
 [2557, '방이', '5호선'],
 [2556, '올림픽공원(한국체대)', '5호선'],
 [2555, '둔촌동', '5호선'],
 [2554, '상일동', '5호선'],
 [2553, '고덕', '5호선'],
 [2552, '명일', '5호선'],
 [2551, '굽은다리(강동구민회관앞)', '5호선'],
 [2550, '길동', '5호선'],
 [2549, '강동', '5호선'],
 [2548, '천호(풍납토성)', '5호선'],
 [2547, '광나루(장신대)', '5호선'],
 [2546, '아차산(어린이대공원후문)', '5호선'],
 [2545, '군자(능동)', '5호선'],
 [2544, '장한평', '5호선'],
 [2543, '답십리', '5호선'],
 [2542, '마장', '5호선'],
 [2541, '왕십리(성동구청)', '5호선'],
 [2540, '행당', '5호선'],
 [2539, '신금호', '5호선'],
 [2538, '청구', '5호선'],
 [2537, '동대문역사문화공원', '5호선'],
 [2536, '을지로4가', '5호선'],
 [2535, '종로3가', '5호선'],
 [2534, '광화문(세종문화회관)', '5호선'],
 [2533, '서대문', '5호선'],
 [2532, '충정로(경기대입구)', '5호선'],
 [2531, '애오개', '5호선'],
 [2530, '공덕', '5호선'],
 [2529, '마포', '5호선'],
 [2528, '여의나루', '5호선'],
 [2527, '여의도', '5호선'],
 [2526, '신길', '5호선'],
 [2525, '영등포시장', '5호선'],
 [2524, '영등포구청', '5호선'],
 [2523, '양평', '5호선'],
 [2522, '오목교(목동운동장앞)', '5호선'],
 [2521, '목동', '5호선'],
 [2520, '신정(은행정)', '5호선'],
 [2519, '까치산', '5호선'],
 [2518, '화곡', '5호선'],
 [2517, '우장산', '5호선'],
 [2516, '발산', '5호선'],
 [2515, '마곡', '5호선'],
 [2514, '송정', '5호선'],
 [2513, '김포공항', '5호선'],
 [2512, '개화산', '5호선'],
 [2511, '방화', '5호선'],
 [434, '남태령', '4호선'],
 [433, '사당', '4호선'],
 [432, '총신대입구(이수)', '4호선'],
 [431, '동작(현충원)', '4호선'],
 [430, '이촌(국립중앙박물관)', '4호선'],
 [429, '신용산', '4호선'],
 [428, '삼각지', '4호선'],
 [427, '숙대입구(갈월)', '4호선'],
 [426, '서울역', '4호선'],
 [425, '회현(남대문시장)', '4호선'],
 [424, '명동', '4호선'],
 [423, '충무로', '4호선'],
 [422, '동대문역사문화공원', '4호선'],
 [421, '동대문', '4호선'],
 [420, '혜화', '4호선'],
 [419, '한성대입구(삼선교)', '4호선'],
 [418, '성신여대입구(돈암)', '4호선'],
 [417, '길음', '4호선'],
 [416, '미아사거리', '4호선'],
 [415, '미아(서울사이버대학)', '4호선'],
 [414, '수유(강북구청)', '4호선'],
 [413, '쌍문', '4호선'],
 [412, '창동', '4호선'],
 [411, '노원', '4호선'],
 [410, '상계', '4호선'],
 [409, '당고개', '4호선'],
 [342, '오금', '3호선'],
 [341, '경찰병원', '3호선'],
 [340, '가락시장', '3호선'],
 [339, '수서', '3호선'],
 [4107, '가양', '9호선'],
 [338, '일원', '3호선'],
 [337, '대청', '3호선'],
 [336, '학여울', '3호선'],
 [335, '대치', '3호선'],
 [334, '도곡', '3호선'],
 [333, '매봉', '3호선'],
 [332, '양재(서초구청)', '3호선'],
 [331, '남부터미널(예술의전당)', '3호선'],
 [330, '교대(법원.검찰청)', '3호선'],
 [329, '고속터미널', '3호선'],
 [328, '잠원', '3호선'],
 [327, '신사', '3호선'],
 [326, '압구정', '3호선'],
 [325, '옥수', '3호선'],
 [324, '금호', '3호선'],
 [323, '약수', '3호선'],
 [322, '동대입구', '3호선'],
 [321, '충무로', '3호선'],
 [320, '을지로3가', '3호선'],
 [319, '종로3가', '3호선'],
 [318, '안국', '3호선'],
 [317, '경복궁(정부서울청사)', '3호선'],
 [316, '독립문', '3호선'],
 [315, '무악재', '3호선'],
 [314, '홍제', '3호선'],
 [313, '녹번', '3호선'],
 [312, '불광', '3호선'],
 [311, '연신내', '3호선'],
 [310, '구파발', '3호선'],
 [309, '지축', '3호선'],
 [250, '용두(동대문구청)', '2호선'],
 [249, '신정네거리', '2호선'],
 [248, '양천구청', '2호선'],
 [247, '도림천', '2호선'],
 [246, '신설동', '2호선'],
 [245, '신답', '2호선'],
 [244, '용답', '2호선'],
 [243, '충정로(경기대입구)', '2호선'],
 [242, '아현', '2호선'],
 [241, '이대', '2호선'],
 [240, '신촌', '2호선'],
 [239, '홍대입구', '2호선'],
 [238, '합정', '2호선'],
 [237, '당산', '2호선'],
 [236, '영등포구청', '2호선'],
 [235, '문래', '2호선'],
 [234, '신도림', '2호선'],
 [233, '대림(구로구청)', '2호선'],
 [232, '구로디지털단지', '2호선'],
 [231, '신대방', '2호선'],
 [230, '신림', '2호선'],
 [229, '봉천', '2호선'],
 [228, '서울대입구(관악구청)', '2호선'],
 [227, '낙성대', '2호선'],
 [226, '사당', '2호선'],
 [225, '방배', '2호선'],
 [223, '교대(법원.검찰청)', '2호선'],
 [222, '강남', '2호선'],
 [221, '역삼', '2호선'],
 [220, '선릉', '2호선'],
 [219, '삼성(무역센터)', '2호선'],
 [218, '종합운동장', '2호선'],
 [217, '잠실새내', '2호선'],
 [216, '잠실(송파구청)', '2호선'],
 [215, '잠실나루', '2호선'],
 [214, '강변(동서울터미널)', '2호선'],
 [213, '구의(광진구청)', '2호선'],
 [212, '건대입구', '2호선'],
 [211, '성수', '2호선'],
 [210, '뚝섬', '2호선'],
 [209, '한양대', '2호선'],
 [208, '왕십리(성동구청)', '2호선'],
 [207, '상왕십리', '2호선'],
 [206, '신당', '2호선'],
 [205, '동대문역사문화공원', '2호선'],
 [204, '을지로4가', '2호선'],
 [203, '을지로3가', '2호선'],
 [202, '을지로입구', '2호선'],
 [201, '시청', '2호선'],
 [159, '동묘앞', '1호선'],
 [158, '청량리(서울시립대입구)', '1호선'],
 [157, '제기동', '1호선'],
 [156, '신설동', '1호선'],
 [155, '동대문', '1호선'],
 [154, '종로5가', '1호선'],
 [153, '종로3가', '1호선'],
 [1022, '창동', '경원선'],
 [152, '종각', '1호선'],
 [151, '시청', '1호선'],
 [150, '서울역', '1호선'],
 [1220, '지평', '중앙선'],
 [1861, '보정', '분당선'],
 [1862, '죽전', '분당선'],
 [1863, '구성', '분당선'],
 [1864, '신갈', '분당선'],
 [1865, '기흥', '분당선'],
 [1866, '상갈', '분당선'],
 [1867, '청명', '분당선'],
 [1868, '영통', '분당선'],
 [1880, '소래포구', '수인선'],
 [1881, '인천논현', '수인선'],
 [1882, '호구포', '수인선'],
 [1883, '남동인더스파크', '수인선'],
 [1884, '원인재', '수인선'],
 [1885, '연수', '수인선'],
 [1886, '송도', '수인선'],
 [1888, '인하대', '수인선'],
 [1889, '숭의', '수인선'],
 [1890, '신포', '수인선'],
 [1891, '인천', '수인선'],
 [1751, '산본', '안산선'],
 [1752, '대야미', '안산선'],
 [1753, '반월', '안산선'],
 [1754, '상록수', '안산선'],
 [1755, '한대앞', '안산선'],
 [1756, '중앙', '안산선'],
 [1757, '고잔', '안산선'],
 [1758, '초지', '안산선'],
 [1759, '안산', '안산선'],
 [1760, '신길온천', '안산선'],
 [1761, '정왕', '안산선'],
 [1762, '오이도', '안산선'],
 [1763, '수리산', '안산선'],
 [4701, '북한산우이', '우이신설선'],
 [4702, '솔밭공원', '우이신설선'],
 [4703, '4.19민주묘지', '우이신설선'],
 [4704, '가오리', '우이신설선'],
 [4705, '화계', '우이신설선'],
 [4706, '삼양', '우이신설선'],
 [4707, '삼양사거리', '우이신설선'],
 [4708, '솔샘', '우이신설선'],
 [4709, '북한산보국문', '우이신설선'],
 [4710, '정릉', '우이신설선'],
 [4711, '성신여대입구(돈암)', '우이신설선'],
 [4712, '보문', '우이신설선'],
 [4713, '신설동', '우이신설선'],
 [1948, '원흥', '일산선'],
 [1950, '삼송', '일산선'],
 [1951, '원당', '일산선'],
 [1952, '화정', '일산선'],
 [1953, '대곡', '일산선'],
 [1954, '백석', '일산선'],
 [1955, '마두', '일산선'],
 [1956, '정발산', '일산선'],
 [1957, '주엽', '일산선'],
 [1958, '대화', '일산선'],
 [1401, '봉명', '장항선'],
 [1402, '쌍용(나사렛대)', '장항선'],
 [1403, '아산', '장항선'],
 [1405, '배방', '장항선'],
 [1407, '온양온천', '장항선'],
 [1408, '신창(순천향대)', '장항선'],
 [1015, '회기', '중앙선'],
 [1201, '중랑', '중앙선'],
 [1202, '상봉(시외버스터미널)', '중앙선'],
 [1203, '망우', '중앙선'],
 [1204, '양원', '중앙선'],
 [1205, '구리', '중앙선'],
 [1206, '도농', '중앙선'],
 [1207, '양정', '중앙선'],
 [1208, '덕소', '중앙선'],
 [1209, '도심', '중앙선'],
 [1210, '팔당', '중앙선'],
 [1211, '운길산', '중앙선'],
 [1454, '정부과천청사', '과천선'],
 [1455, '인덕원', '과천선'],
 [1456, '평촌', '과천선'],
 [1457, '범계', '과천선'],
 [1023, '선릉', '분당선'],
 [1024, '한티', '분당선'],
 [1025, '도곡', '분당선'],
 [1026, '구룡', '분당선'],
 [1027, '개포동', '분당선'],
 [1028, '대모산입구', '분당선'],
 [1311, '신내', '경춘선'],
 [1823, '도화', '경인선'],
 [1822, '중동', '경인선'],
 [1821, '온수(성공회대입구)', '경인선'],
 [1817, '도원', '경인선'],
 [1816, '간석', '경인선'],
 [1815, '부개', '경인선'],
 [1814, '소사', '경인선'],
 [1813, '구일', '경인선'],
 [1812, '인천', '경인선'],
 [1811, '동인천', '경인선'],
 [1810, '제물포', '경인선'],
 [1809, '주안', '경인선'],
 [1808, '동암', '경인선'],
 [1807, '백운', '경인선'],
 [1806, '부평', '경인선'],
 [1805, '송내', '경인선'],
 [1030, '수서', '분당선'],
 [2751, '천왕', '7호선'],
 [1846, '수원', '분당선'],
 [1847, '서울숲', '분당선'],
 [1848, '압구정로데오', '분당선'],
 [1849, '강남구청', '분당선'],
 [1850, '선정릉', '분당선'],
 [1851, '가천대', '분당선'],
 [1852, '태평', '분당선'],
 [1853, '모란', '분당선'],
 [1854, '야탑', '분당선'],
 [1855, '서현', '분당선'],
 [1856, '수내', '분당선'],
 [1857, '정자', '분당선'],
 [1858, '미금', '분당선'],
 [1859, '오리', '분당선'],
 [1860, '이매', '분당선'],
 [4208, '계양', '공항철도 1호선'],
 [4210, '청라국제도시', '공항철도 1호선'],
 [4207, '김포공항', '공항철도 1호선'],
 [4206, '마곡나루', '공항철도 1호선'],
 [4204, '디지털미디어시티', '공항철도 1호선'],
 [4203, '홍대입구', '공항철도 1호선'],
 [4202, '공덕', '공항철도 1호선'],
 [4201, '서울역', '공항철도 1호선'],
 [1329, '춘천', '경춘선'],
 [1328, '남춘천', '경춘선'],
 [1327, '김유정', '경춘선'],
 [1326, '강촌', '경춘선'],
 [1325, '백양리', '경춘선'],
 [1324, '굴봉산', '경춘선'],
 [4211, '운서', '공항철도 1호선'],
 [4212, '공항화물청사', '공항철도 1호선'],
 [4213, '인천공항1터미널', '공항철도 1호선'],
 [4215, '인천공항2터미널', '공항철도 1호선'],
 [4217, '영종', '공항철도 1호선'],
 [1450, '선바위', '과천선'],
 [1451, '경마공원', '과천선'],
 [1452, '대공원', '과천선'],
 [1453, '과천', '과천선'],
 [1212, '양수', '중앙선'],
 [1213, '신원', '중앙선'],
 [1214, '국수', '중앙선'],
 [1215, '아신', '중앙선'],
 [1216, '오빈', '중앙선'],
 [1217, '양평', '중앙선'],
 [1218, '원덕', '중앙선'],
 [1219, '용문', '중앙선'],
 [1024, '한티', '분당선'],
 [203, '을지로3가', '2호선'],
 [204, '을지로4가', '2호선'],
 [205, '동대문역사문화공원', '2호선'],
 [206, '신당', '2호선'],
 [207, '상왕십리', '2호선'],
 [208, '왕십리(성동구청)', '2호선'],
 [209, '한양대', '2호선'],
 [210, '뚝섬', '2호선'],
 [211, '성수', '2호선'],
 [212, '건대입구', '2호선'],
 [213, '구의(광진구청)', '2호선'],
 [214, '강변(동서울터미널)', '2호선'],
 [215, '잠실나루', '2호선'],
 [216, '잠실(송파구청)', '2호선'],
 [217, '잠실새내', '2호선'],
 [218, '종합운동장', '2호선'],
 [219, '삼성(무역센터)', '2호선'],
 [220, '선릉', '2호선'],
 [221, '역삼', '2호선'],
 [222, '강남', '2호선'],
 [223, '교대(법원.검찰청)', '2호선'],
 [224, '서초', '2호선'],
 [225, '방배', '2호선'],
 [226, '사당', '2호선'],
 [227, '낙성대', '2호선'],
 [1212, '양수', '중앙선'],
 [1213, '신원', '중앙선'],
 [1214, '국수', '중앙선'],
 [1220, '지평', '중앙선'],
 [1219, '용문', '중앙선'],
 [1218, '원덕', '중앙선'],
 [1217, '양평', '중앙선'],
 [1216, '오빈', '중앙선'],
 [1215, '아신', '중앙선'],
 [228, '서울대입구(관악구청)', '2호선'],
 [229, '봉천', '2호선'],
 [230, '신림', '2호선'],
 [231, '신대방', '2호선'],
 [232, '구로디지털단지', '2호선'],
 [233, '대림(구로구청)', '2호선'],
 [234, '신도림', '2호선'],
 [235, '문래', '2호선'],
 [236, '영등포구청', '2호선'],
 [237, '당산', '2호선'],
 [238, '합정', '2호선'],
 [239, '홍대입구', '2호선'],
 [240, '신촌', '2호선'],
 [241, '이대', '2호선'],
 [242, '아현', '2호선'],
 [243, '충정로(경기대입구)', '2호선'],
 [244, '용답', '2호선'],
 [245, '신답', '2호선'],
 [246, '신설동', '2호선'],
 [247, '도림천', '2호선'],
 [248, '양천구청', '2호선'],
 [249, '신정네거리', '2호선'],
 [250, '용두(동대문구청)', '2호선'],
 [309, '지축', '3호선'],
 [310, '구파발', '3호선'],
 [311, '연신내', '3호선'],
 [312, '불광', '3호선'],
 [313, '녹번', '3호선'],
 [314, '홍제', '3호선'],
 [315, '무악재', '3호선'],
 [316, '독립문', '3호선'],
 [317, '경복궁(정부서울청사)', '3호선'],
 [318, '안국', '3호선'],
 [319, '종로3가', '3호선'],
 [320, '을지로3가', '3호선'],
 [321, '충무로', '3호선'],
 [322, '동대입구', '3호선'],
 [323, '약수', '3호선'],
 [324, '금호', '3호선'],
 [325, '옥수', '3호선'],
 [326, '압구정', '3호선'],
 [327, '신사', '3호선'],
 [328, '잠원', '3호선'],
 [329, '고속터미널', '3호선'],
 [330, '교대(법원.검찰청)', '3호선'],
 [331, '남부터미널(예술의전당)', '3호선'],
 [332, '양재(서초구청)', '3호선'],
 [333, '매봉', '3호선'],
 [334, '도곡', '3호선'],
 [335, '대치', '3호선'],
 [336, '학여울', '3호선'],
 [337, '대청', '3호선'],
 [338, '일원', '3호선'],
 [339, '수서', '3호선'],
 [340, '가락시장', '3호선'],
 [341, '경찰병원', '3호선'],
 [342, '오금', '3호선'],
 [409, '당고개', '4호선'],
 [410, '상계', '4호선'],
 [411, '노원', '4호선'],
 [412, '창동', '4호선'],
 [413, '쌍문', '4호선'],
 [414, '수유(강북구청)', '4호선'],
 [415, '미아(서울사이버대학)', '4호선'],
 [416, '미아사거리', '4호선'],
 [417, '길음', '4호선'],
 [418, '성신여대입구(돈암)', '4호선'],
 [419, '한성대입구(삼선교)', '4호선'],
 [420, '혜화', '4호선'],
 [421, '동대문', '4호선'],
 [422, '동대문역사문화공원', '4호선'],
 [423, '충무로', '4호선'],
 [424, '명동', '4호선'],
 [425, '회현(남대문시장)', '4호선'],
 [426, '서울역', '4호선'],
 [427, '숙대입구(갈월)', '4호선'],
 [428, '삼각지', '4호선'],
 [429, '신용산', '4호선'],
 [430, '이촌(국립중앙박물관)', '4호선'],
 [431, '동작(현충원)', '4호선'],
 [432, '총신대입구(이수)', '4호선'],
 [433, '사당', '4호선'],
 [434, '남태령', '4호선'],
 [2511, '방화', '5호선'],
 [2512, '개화산', '5호선'],
 [2513, '김포공항', '5호선'],
 [2514, '송정', '5호선'],
 [2515, '마곡', '5호선'],
 [2516, '발산', '5호선'],
 [2517, '우장산', '5호선'],
 [2518, '화곡', '5호선'],
 [2519, '까치산', '5호선'],
 [2520, '신정(은행정)', '5호선'],
 [2521, '목동', '5호선'],
 [2522, '오목교(목동운동장앞)', '5호선'],
 [2523, '양평', '5호선'],
 [2524, '영등포구청', '5호선'],
 [2525, '영등포시장', '5호선'],
 [2526, '신길', '5호선'],
 [2527, '여의도', '5호선'],
 [2528, '여의나루', '5호선'],
 [2529, '마포', '5호선'],
 [2530, '공덕', '5호선'],
 [2531, '애오개', '5호선'],
 [2532, '충정로(경기대입구)', '5호선'],
 [2533, '서대문', '5호선'],
 [2534, '광화문(세종문화회관)', '5호선'],
 [2535, '종로3가', '5호선'],
 [2536, '을지로4가', '5호선'],
 [2537, '동대문역사문화공원', '5호선'],
 [2538, '청구', '5호선'],
 [2539, '신금호', '5호선'],
 [2540, '행당', '5호선'],
 [2541, '왕십리(성동구청)', '5호선'],
 [2542, '마장', '5호선'],
 [2543, '답십리', '5호선'],
 [2544, '장한평', '5호선'],
 [2545, '군자(능동)', '5호선'],
 [2546, '아차산(어린이대공원후문)', '5호선'],
 [2547, '광나루(장신대)', '5호선'],
 [2548, '천호(풍납토성)', '5호선'],
 [2549, '강동', '5호선'],
 [2550, '길동', '5호선'],
 [2551, '굽은다리(강동구민회관앞)', '5호선'],
 [2552, '명일', '5호선'],
 [2553, '고덕', '5호선'],
 [2554, '상일동', '5호선'],
 [2555, '둔촌동', '5호선'],
 [2556, '올림픽공원(한국체대)', '5호선'],
 [2557, '방이', '5호선'],
 [2558, '오금', '5호선'],
 [2559, '개롱', '5호선'],
 [2560, '거여', '5호선'],
 [2561, '마천', '5호선'],
 [2611, '응암', '6호선'],
 [2612, '역촌', '6호선'],
 [2613, '불광', '6호선'],
 [2614, '독바위', '6호선'],
 [2615, '연신내', '6호선'],
 [2616, '구산', '6호선'],
 [2617, '새절(신사)', '6호선'],
 [2618, '증산(명지대앞)', '6호선'],
 [2619, '디지털미디어시티', '6호선'],
 [2620, '월드컵경기장(성산)', '6호선'],
 [2621, '마포구청', '6호선'],
 [2622, '망원', '6호선'],
 [2623, '합정', '6호선'],
 [2624, '상수', '6호선'],
 [2625, '광흥창(서강)', '6호선'],
 [2626, '대흥(서강대앞)', '6호선'],
 [2627, '공덕', '6호선'],
 [2628, '효창공원앞', '6호선'],
 [2629, '삼각지', '6호선'],
 [2630, '녹사평(용산구청)', '6호선'],
 [2631, '이태원', '6호선'],
 [2632, '한강진', '6호선'],
 [2633, '버티고개', '6호선'],
 [2634, '약수', '6호선'],
 [2635, '청구', '6호선'],
 [2636, '신당', '6호선'],
 [2637, '동묘앞', '6호선'],
 [2638, '창신', '6호선'],
 [2639, '보문', '6호선'],
 [2640, '안암(고대병원앞)', '6호선'],
 [2641, '고려대(종암)', '6호선'],
 [2642, '월곡(동덕여대)', '6호선'],
 [2643, '상월곡(한국과학기술연구원)', '6호선'],
 [2644, '돌곶이', '6호선'],
 [2645, '석계', '6호선'],
 [2646, '태릉입구', '6호선'],
 [2647, '화랑대(서울여대입구)', '6호선'],
 [2648, '봉화산(서울의료원)', '6호선'],
 [2711, '장암', '7호선'],
 [2712, '도봉산', '7호선'],
 [2713, '수락산', '7호선'],
 [2714, '마들', '7호선'],
 [2715, '노원', '7호선'],
 [2716, '중계', '7호선'],
 [2717, '하계', '7호선'],
 [2718, '공릉(서울과학기술대)', '7호선'],
 [2719, '태릉입구', '7호선'],
 [2720, '먹골', '7호선'],
 [2721, '중화', '7호선'],
 [2722, '상봉(시외버스터미널)', '7호선'],
 [2723, '면목', '7호선'],
 [2724, '사가정', '7호선'],
 [2725, '용마산', '7호선'],
 [2726, '중곡', '7호선'],
 [2727, '군자(능동)', '7호선'],
 [2728, '어린이대공원(세종대)', '7호선'],
 [2729, '건대입구', '7호선'],
 [2730, '뚝섬유원지', '7호선'],
 [2731, '청담', '7호선'],
 [2732, '강남구청', '7호선'],
 [2733, '학동', '7호선'],
 [2734, '논현', '7호선'],
 [2735, '반포', '7호선'],
 [2736, '고속터미널', '7호선'],
 [2737, '내방', '7호선'],
 [2738, '이수', '7호선'],
 [2739, '남성', '7호선'],
 [2740, '숭실대입구(살피재)', '7호선'],
 [2741, '상도', '7호선'],
 [2742, '장승배기', '7호선'],
 [2743, '신대방삼거리', '7호선'],
 [2744, '보라매', '7호선'],
 [2745, '신풍', '7호선'],
 [2746, '대림(구로구청)', '7호선'],
 [2747, '남구로', '7호선'],
 [2748, '가산디지털단지', '7호선'],
 [2749, '철산', '7호선'],
 [2750, '광명사거리', '7호선'],
 [2751, '천왕', '7호선'],
 [2752, '온수(성공회대입구)', '7호선'],
 [2753, '까치울', '7호선'],
 [2754, '부천종합운동장', '7호선'],
 [2755, '춘의', '7호선'],
 [2756, '신중동', '7호선'],
 [2757, '부천시청', '7호선'],
 [2758, '상동', '7호선'],
 [2759, '삼산체육관', '7호선'],
 [2760, '굴포천', '7호선'],
 [2761, '부평구청', '7호선'],
 [2811, '암사', '8호선'],
 [2812, '천호(풍납토성)', '8호선'],
 [2813, '강동구청', '8호선'],
 [2814, '몽촌토성(평화의문)', '8호선'],
 [2815, '잠실(송파구청)', '8호선'],
 [2816, '석촌', '8호선'],
 [2817, '송파', '8호선'],
 [2818, '가락시장', '8호선'],
 [2819, '문정', '8호선'],
 [2820, '장지', '8호선'],
 [2821, '복정', '8호선'],
 [2822, '산성', '8호선'],
 [2823, '남한산성입구(성남법원.검찰청)', '8호선'],
 [2824, '단대오거리', '8호선'],
 [2825, '신흥', '8호선'],
 [2826, '수진', '8호선'],
 [2827, '모란', '8호선'],
 [4101, '개화', '9호선'],
 [4102, '김포공항', '9호선'],
 [4103, '공항시장', '9호선'],
 [4104, '신방화', '9호선'],
 [4105, '마곡나루', '9호선'],
 [4106, '양천향교', '9호선'],
 [4107, '가양', '9호선'],
 [4108, '증미', '9호선'],
 [4109, '등촌', '9호선'],
 [4110, '염창', '9호선'],
 [4111, '신목동', '9호선'],
 [4112, '선유도', '9호선'],
 [4113, '당산', '9호선'],
 [4114, '국회의사당', '9호선'],
 [4115, '여의도', '9호선'],
 [4116, '샛강', '9호선'],
 [4117, '노량진', '9호선'],
 [4118, '노들', '9호선'],
 [4119, '흑석(중앙대입구)', '9호선'],
 [4120, '동작(현충원)', '9호선'],
 [4121, '구반포', '9호선'],
 [4122, '신반포', '9호선'],
 [4123, '고속터미널', '9호선'],
 [4124, '사평', '9호선'],
 [4125, '신논현', '9호선'],
 [4126, '언주', '9호선2~3단계'],
 [4127, '선정릉', '9호선2~3단계'],
 [4128, '삼성중앙', '9호선2~3단계'],
 [4129, '봉은사', '9호선2~3단계'],
 [4130, '종합운동장', '9호선2~3단계'],
 [4131, '삼전', '9호선2~3단계'],
 [4132, '석촌고분', '9호선2~3단계'],
 [4133, '석촌', '9호선2~3단계'],
 [4134, '송파나루', '9호선2~3단계'],
 [4135, '한성백제', '9호선2~3단계'],
 [4136, '올림픽공원(한국체대)', '9호선2~3단계'],
 [4137, '둔촌오륜', '9호선2~3단계'],
 [4138, '중앙보훈병원', '9호선2~3단계'],
 [1501, '판교', '경강선'],
 [1502, '이매', '경강선'],
 [1503, '삼동', '경강선'],
 [1504, '경기광주', '경강선'],
 [1505, '초월', '경강선'],
 [1506, '곤지암', '경강선'],
 [1507, '신둔도예촌', '경강선'],
 [1508, '이천', '경강선'],
 [1509, '부발', '경강선'],
 [1510, '세종대왕릉', '경강선'],
 [1511, '여주', '경강선'],
 [1001, '서울역', '경부선'],
 [1002, '남영', '경부선'],
 [1003, '용산', '경부선'],
 [1004, '노량진', '경부선'],
 [1005, '대방', '경부선'],
 [1006, '영등포', '경부선'],
 [1007, '신도림', '경부선'],
 [1032, '신길', '경부선'],
 [1701, '구로', '경부선'],
 [1702, '가산디지털단지', '경부선'],
 [1703, '금천구청', '경부선'],
 [1704, '석수', '경부선'],
 [1705, '관악', '경부선'],
 [1706, '안양', '경부선'],
 [1707, '명학', '경부선'],
 [1708, '금정', '경부선'],
 [1709, '군포', '경부선'],
 [1710, '의왕', '경부선'],
 [1711, '성균관대', '경부선'],
 [1712, '화서', '경부선'],
 [1713, '수원', '경부선'],
 [1714, '독산', '경부선'],
 [1715, '세류', '경부선'],
 [1716, '병점', '경부선'],
 [1717, '세마', '경부선'],
 [1718, '오산대', '경부선'],
 [1719, '오산', '경부선'],
 [1720, '진위', '경부선'],
 [1721, '송탄', '경부선'],
 [1722, '서정리', '경부선'],
 [1723, '지제', '경부선'],
 [1724, '평택', '경부선'],
 [1725, '성환', '경부선'],
 [1726, '직산', '경부선'],
 [1727, '두정', '경부선'],
 [1728, '천안', '경부선'],
 [1729, '당정', '경부선'],
 [1749, '서동탄', '경부선'],
 [1750, '광명', '경부선'],
 [1008, '이촌(국립중앙박물관)', '경원선'],
 [1009, '서빙고', '경원선'],
 [1010, '한남', '경원선'],
 [1011, '옥수', '경원선'],
 [1012, '응봉', '경원선'],
 [1013, '왕십리(성동구청)', '경원선'],
 [1014, '청량리(서울시립대입구)', '경원선'],
 [1016, '외대앞', '경원선'],
 [1017, '신이문', '경원선'],
 [1018, '석계', '경원선'],
 [1019, '광운대', '경원선'],
 [1020, '월계', '경원선'],
 [1021, '녹천', '경원선'],
 [1901, '방학', '경원선'],
 [1902, '도봉', '경원선'],
 [1903, '도봉산', '경원선'],
 [1904, '망월사', '경원선'],
 [1905, '회룡', '경원선'],
 [1906, '의정부', '경원선'],
 [1907, '가능', '경원선'],
 [1908, '녹양', '경원선'],
 [1909, '양주', '경원선'],
 [1910, '덕계', '경원선'],
 [1911, '덕정', '경원선'],
 [1912, '지행', '경원선'],
 [1913, '동두천중앙', '경원선'],
 [1914, '보산', '경원선'],
 [1915, '동두천', '경원선'],
 [1916, '소요산', '경원선'],
 [1251, '서울역', '경의선'],
 [1252, '신촌', '경의선'],
 [1261, '효창공원앞', '경의선'],
 [1262, '공덕', '경의선'],
 [1263, '서강대', '경의선'],
 [1264, '홍대입구', '경의선'],
 [1265, '가좌', '경의선'],
 [1266, '디지털미디어시티', '경의선'],
 [1267, '수색', '경의선'],
 [1268, '화전', '경의선'],
 [1269, '강매', '경의선'],
 [1270, '행신', '경의선'],
 [1271, '능곡', '경의선'],
 [1272, '곡산', '경의선'],
 [1273, '백마', '경의선'],
 [1274, '풍산', '경의선'],
 ...]

station_code = data[['역ID','역명','노선명']].drop_duplicates().sort_values('역ID').reset_index(drop=True)
station_code

data.역ID.unique().shape

(598,)

s = station_code.역명.value_counts()
s[s>2]

서울역          6
공덕           4
김포공항         4
홍대입구         4
왕십리(성동구청)    3
디지털미디어시티     3
종로3가         3
고속터미널        3
신설동          3
동대문역사문화공원    3
Name: 역명, dtype: int64

station_code['노선수'] = station_code.역명.map(s)
station_code

station_code.sort_values(['노선수','역명'],ascending=False)

Merge¶

s = data.groupby('역ID')['승차총승객수'].mean(); s.name='승차평균'
data2 = pd.merge(data, s.to_frame(), left_on='역ID', right_index=True).sort_index()
data2

# data2 = data.copy()
# data2['승차평균'] = data2.역ID.map(s)
# data2

concat()¶

df = pd.concat([data,data[['승차총승객수','하차총승객수']].mean(axis=1)], axis=1)
df.columns = df.columns[:-1].tolist()+['평균']
df

df2 = pd.concat([df, df], axis=1)
df2.shape, df.shape

((18334, 16), (18334, 8))

data.take([1,3,5])

get_dummies()¶

data.join(pd.get_dummies(data.노선명))

String¶

station_code[station_code.역명.str.contains('\(')]

그룹¶

data.head()

for key, df in data.groupby('사용일자'):
    display(key, df)
    break

20190101

data.groupby('노선명').size()

노선명
1호선          310
2호선         1550
3호선         1049
4호선          806
5호선         1581
6호선         1164
7호선         1581
8호선          527
9호선          775
9호선2~3단계     403
경강선          341
경부선         1209
경원선          912
경의선          806
경인선          620
경춘선          589
공항철도 1호선     434
과천선          248
분당선         1071
수인선          403
안산선          403
우이신설선        403
일산선          312
장항선          186
중앙선          651
dtype: int64

data.dtypes

사용일자       int64
노선명       object
역ID        int64
역명        object
승차총승객수     int64
하차총승객수     int64
등록일자       int64
dtype: object

data[['노선명']]

data.groupby('사용일자').agg(len) # size()

사용일자
20190101    592
20190102    592
20190103    593
20190104    590
20190105    589
20190106    590
20190107    592
20190108    591
20190109    591
20190110    591
20190111    592
20190112    592
20190113    592
20190114    592
20190115    591
20190116    592
20190117    591
20190118    591
20190119    591
20190120    592
20190121    593
20190122    591
20190123    590
20190124    592
20190125    589
20190126    591
20190127    592
20190128    592
20190129    593
20190130    593
20190131    591
dtype: int64

data.groupby('사용일자').agg(lambda df: df.max() - df.min())

data.groupby('노선명').agg(['mean', 'std']).승차총승객수

data.groupby('사용일자').apply(lambda df: df.sort_values('승차총승객수', ascending=False).head())

data.groupby('사용일자', group_keys=False).apply(lambda df: df.sort_values('승차총승객수', ascending=False).head())

# dt = pd.to_datetime(data2.사용일자, format='%Y%m%d')
# data2['year'] = dt.dt.year
# data2['month'] = dt.dt.month
# data2['day'] = dt.dt.day
# wday={0:'월', 1:'화', 2:'수', 3:'목', 4:'금', 5:'토', 6:'일'}
# data2['wday'] = dt.dt.dayofweek.map(wday)

dt = pd.to_datetime(data.사용일자, format='%Y%m%d')
wday={0:'월', 1:'화', 2:'수', 3:'목', 4:'금', 5:'토', 6:'일'}
data.groupby(['노선명',dt.dt.dayofweek]).mean()[['승차총승객수']]

dt = pd.to_datetime(data.사용일자, format='%Y%m%d')
wday={0:'월', 1:'화', 2:'수', 3:'목', 4:'금', 5:'토', 6:'일'}
data2 = data.groupby(['노선명',dt.dt.dayofweek]).mean().승차총승객수.unstack()

import matplotlib.font_manager as fm
prop=fm.FontProperties(fname='C:/Windows/Fonts/gulim.ttc')

plt.figure(figsize=[12,10])
plt.plot(data2.T)
plt.legend(data2.index.tolist(), prop=prop)

<matplotlib.legend.Legend at 0x2367bf78860>

data.head()

data.pivot_table(values=['승차총승객수','하차총승객수'], index='사용일자', columns='노선명',
                aggfunc='mean', margins=True)

타임시리즈¶

from datetime import datetime

t = datetime.strptime('20190301','%Y%m%d')
t

datetime.datetime(2019, 3, 1, 0, 0)

t.strftime('%Y-%m(%b, %B)-%d %w(%a, %A) %p, %x')

'2019-03(Mar, March)-01 5(Fri, Friday) AM, 03/01/19'

di = pd.to_datetime(['2019/3/1', '2019/3/2', '2019/3/3'])
type(di)

pandas.core.indexes.datetimes.DatetimeIndex

t = pd.Series(di)
t

0   2019-03-01
1   2019-03-02
2   2019-03-03
dtype: datetime64[ns]

t[0]

Timestamp('2019-03-01 00:00:00')

pd.date_range('2019/1/1','2019/1/31')

DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
               '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',
               '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',
               '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20',
               '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24',
               '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28',
               '2019-01-29', '2019-01-30', '2019-01-31'],
              dtype='datetime64[ns]', freq='D')

help(pd.to_datetime)

Help on function to_datetime in module pandas.core.tools.datetimes:

to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, box=True, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=False)
    Convert argument to datetime.
    
    Parameters
    ----------
    arg : integer, float, string, datetime, list, tuple, 1-d array, Series
    
        .. versionadded:: 0.18.1
    
           or DataFrame/dict-like
    
    errors : {'ignore', 'raise', 'coerce'}, default 'raise'
    
        - If 'raise', then invalid parsing will raise an exception
        - If 'coerce', then invalid parsing will be set as NaT
        - If 'ignore', then invalid parsing will return the input
    dayfirst : boolean, default False
        Specify a date parse order if `arg` is str or its list-likes.
        If True, parses dates with the day first, eg 10/11/12 is parsed as
        2012-11-10.
        Warning: dayfirst=True is not strict, but will prefer to parse
        with day first (this is a known bug, based on dateutil behavior).
    yearfirst : boolean, default False
        Specify a date parse order if `arg` is str or its list-likes.
    
        - If True parses dates with the year first, eg 10/11/12 is parsed as
          2010-11-12.
        - If both dayfirst and yearfirst are True, yearfirst is preceded (same
          as dateutil).
    
        Warning: yearfirst=True is not strict, but will prefer to parse
        with year first (this is a known bug, based on dateutil beahavior).
    
        .. versionadded:: 0.16.1
    
    utc : boolean, default None
        Return UTC DatetimeIndex if True (converting any tz-aware
        datetime.datetime objects as well).
    box : boolean, default True
    
        - If True returns a DatetimeIndex
        - If False returns ndarray of values.
    format : string, default None
        strftime to parse time, eg "%d/%m/%Y", note that "%f" will parse
        all the way up to nanoseconds.
    exact : boolean, True by default
    
        - If True, require an exact format match.
        - If False, allow the format to match anywhere in the target string.
    
    unit : string, default 'ns'
        unit of the arg (D,s,ms,us,ns) denote the unit, which is an
        integer or float number. This will be based off the origin.
        Example, with unit='ms' and origin='unix' (the default), this
        would calculate the number of milliseconds to the unix epoch start.
    infer_datetime_format : boolean, default False
        If True and no `format` is given, attempt to infer the format of the
        datetime strings, and if it can be inferred, switch to a faster
        method of parsing them. In some cases this can increase the parsing
        speed by ~5-10x.
    origin : scalar, default is 'unix'
        Define the reference date. The numeric values would be parsed as number
        of units (defined by `unit`) since this reference date.
    
        - If 'unix' (or POSIX) time; origin is set to 1970-01-01.
        - If 'julian', unit must be 'D', and origin is set to beginning of
          Julian Calendar. Julian day number 0 is assigned to the day starting
          at noon on January 1, 4713 BC.
        - If Timestamp convertible, origin is set to Timestamp identified by
          origin.
    
        .. versionadded:: 0.20.0
    cache : boolean, default False
        If True, use a cache of unique, converted dates to apply the datetime
        conversion. May produce sigificant speed-up when parsing duplicate date
        strings, especially ones with timezone offsets.
    
        .. versionadded:: 0.23.0
    
    Returns
    -------
    ret : datetime if parsing succeeded.
        Return type depends on input:
    
        - list-like: DatetimeIndex
        - Series: Series of datetime64 dtype
        - scalar: Timestamp
    
        In case when it is not possible to return designated types (e.g. when
        any element of input is before Timestamp.min or after Timestamp.max)
        return will have datetime.datetime type (or corresponding
        array/Series).
    
    Examples
    --------
    Assembling a datetime from multiple columns of a DataFrame. The keys can be
    common abbreviations like ['year', 'month', 'day', 'minute', 'second',
    'ms', 'us', 'ns']) or plurals of the same
    
    >>> df = pd.DataFrame({'year': [2015, 2016],
                           'month': [2, 3],
                           'day': [4, 5]})
    >>> pd.to_datetime(df)
    0   2015-02-04
    1   2016-03-05
    dtype: datetime64[ns]
    
    If a date does not meet the `timestamp limitations
    <http://pandas.pydata.org/pandas-docs/stable/timeseries.html
    #timeseries-timestamp-limits>`_, passing errors='ignore'
    will return the original input instead of raising any exception.
    
    Passing errors='coerce' will force an out-of-bounds date to NaT,
    in addition to forcing non-dates (or non-parseable dates) to NaT.
    
    >>> pd.to_datetime('13000101', format='%Y%m%d', errors='ignore')
    datetime.datetime(1300, 1, 1, 0, 0)
    >>> pd.to_datetime('13000101', format='%Y%m%d', errors='coerce')
    NaT
    
    Passing infer_datetime_format=True can often-times speedup a parsing
    if its not an ISO8601 format exactly, but in a regular format.
    
    >>> s = pd.Series(['3/11/2000', '3/12/2000', '3/13/2000']*1000)
    
    >>> s.head()
    0    3/11/2000
    1    3/12/2000
    2    3/13/2000
    3    3/11/2000
    4    3/12/2000
    dtype: object
    
    >>> %timeit pd.to_datetime(s,infer_datetime_format=True)
    100 loops, best of 3: 10.4 ms per loop
    
    >>> %timeit pd.to_datetime(s,infer_datetime_format=False)
    1 loop, best of 3: 471 ms per loop
    
    Using a unix epoch time
    
    >>> pd.to_datetime(1490195805, unit='s')
    Timestamp('2017-03-22 15:16:45')
    >>> pd.to_datetime(1490195805433502912, unit='ns')
    Timestamp('2017-03-22 15:16:45.433502912')
    
    .. warning:: For float arg, precision rounding might happen. To prevent
        unexpected behavior use a fixed-width exact type.
    
    Using a non-unix epoch origin
    
    >>> pd.to_datetime([1, 2, 3], unit='D',
                       origin=pd.Timestamp('1960-01-01'))
    0    1960-01-02
    1    1960-01-03
    2    1960-01-04
    
    See also
    --------
    pandas.DataFrame.astype : Cast argument to a specified dtype.
    pandas.to_timedelta : Convert argument to timedelta.

t = pd.to_datetime([20190101, 20190102], format='%Y%m%d')
t.resample('D')

----------------------------------------------------------------------
AttributeError                       Traceback (most recent call last)
<ipython-input-38-750675c5f7bb> in <module>()
      1 t = pd.to_datetime([20190101, 20190102], format='%Y%m%d')
----> 2 t.resample('D')

AttributeError: 'DatetimeIndex' object has no attribute 'resample'

help(pd.Series.resample)

Help on function resample in module pandas.core.generic:

resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None)
    Convenience method for frequency conversion and resampling of time
    series.  Object must have a datetime-like index (DatetimeIndex,
    PeriodIndex, or TimedeltaIndex), or pass datetime-like values
    to the on or level keyword.
    
    Parameters
    ----------
    rule : string
        the offset string or object representing target conversion
    axis : int, optional, default 0
    closed : {'right', 'left'}
        Which side of bin interval is closed. The default is 'left'
        for all frequency offsets except for 'M', 'A', 'Q', 'BM',
        'BA', 'BQ', and 'W' which all have a default of 'right'.
    label : {'right', 'left'}
        Which bin edge label to label bucket with. The default is 'left'
        for all frequency offsets except for 'M', 'A', 'Q', 'BM',
        'BA', 'BQ', and 'W' which all have a default of 'right'.
    convention : {'start', 'end', 's', 'e'}
        For PeriodIndex only, controls whether to use the start or end of
        `rule`
    kind: {'timestamp', 'period'}, optional
        Pass 'timestamp' to convert the resulting index to a
        ``DateTimeIndex`` or 'period' to convert it to a ``PeriodIndex``.
        By default the input representation is retained.
    loffset : timedelta
        Adjust the resampled time labels
    base : int, default 0
        For frequencies that evenly subdivide 1 day, the "origin" of the
        aggregated intervals. For example, for '5min' frequency, base could
        range from 0 through 4. Defaults to 0
    on : string, optional
        For a DataFrame, column to use instead of index for resampling.
        Column must be datetime-like.
    
        .. versionadded:: 0.19.0
    
    level : string or int, optional
        For a MultiIndex, level (name or number) to use for
        resampling.  Level must be datetime-like.
    
        .. versionadded:: 0.19.0

data2 = data.copy()
data2['day'] = pd.to_datetime(data2.사용일자, format='%Y%m%d')
data2.head()

data2.resample('D', on='day').mean()

data2.groupby('day').mean()

pd.to_datetime('2019/3/3') + pd.tseries.offsets.MonthEnd(0)

Timestamp('2019-03-31 00:00:00')

pd.to_datetime('2019/3/2') + pd.tseries.offsets.MonthBegin(0)

Timestamp('2019-04-01 00:00:00')

pd.tseries.offsets.MonthEnd(datetime.now())

----------------------------------------------------------------------
TypeError                            Traceback (most recent call last)
pandas\_libs\tslibs\offsets.pyx in pandas._libs.tslibs.offsets._BaseOffset._validate_n()

TypeError: int() argument must be a string, a bytes-like object or a number, not 'datetime.datetime'

During handling of the above exception, another exception occurred:

TypeError                            Traceback (most recent call last)
<ipython-input-65-97634b37577e> in <module>()
----> 1 pd.tseries.offsets.MonthEnd(datetime.now())

C:\Anaconda3\lib\site-packages\pandas\tseries\offsets.py in __init__(self, n, normalize)
    956 
    957     def __init__(self, n=1, normalize=False):
--> 958         self.n = self._validate_n(n)
    959         self.normalize = normalize
    960 

pandas\_libs\tslibs\offsets.pyx in pandas._libs.tslibs.offsets._BaseOffset._validate_n()

TypeError: `n` argument must be an integer, got <class 'datetime.datetime'>

	사용일자	역ID	승차총승객수	하차총승객수	등록일자
count	1.833400e+04	18334.000000	18334.000000	18334.000000	1.833400e+04
mean	2.019012e+07	1882.867296	12100.360751	12048.564143	2.019013e+07
std	8.945375e+00	1178.994356	12968.981816	13155.849968	2.615326e+01
min	2.019010e+07	150.000000	1.000000	0.000000	2.019010e+07
25%	2.019011e+07	1030.000000	3848.250000	3661.250000	2.019011e+07
50%	2.019012e+07	1812.000000	8364.000000	8177.000000	2.019012e+07
75%	2.019012e+07	2634.000000	15865.000000	15733.750000	2.019013e+07
max	2.019013e+07	4713.000000	132727.000000	137826.000000	2.019020e+07

	승차총승객수	하차총승객수
0	1520	1436
1	275	114
2	1509	1083
3	357	271
4	1772	1963
5	787	765
6	2649	2661
7	734	726
8	1347	1534
9	1542	1516
10	1321	1232
11	1068	954
12	24321	24169
13	13653	14049
14	7126	6603
15	11366	11785
16	1	0
17	3860	4170
18	729	659
19	719	1761
20	4346	5071
21	2311	2469
22	2572	2670
23	2377	2265
24	3252	3199
25	3725	3768
26	2476	2508
27	2606	2497
28	215	209
29	1748	1700
...	...	...
18304	63414	69744
18305	69459	61644
18306	65186	67747
18307	10254	10959
18308	27967	27937
18309	89355	85642
18310	20006	19265
18311	44302	44291
18312	28067	26975
18313	44899	49051
18314	34567	37720
18315	21130	22598
18316	8791	9700
18317	20764	17129
18318	16668	15952
18319	16242	16890
18320	17863	20145
18321	13946	13843
18322	26344	26216
18323	55692	56015
18324	29981	29575
18325	9483	9727
18326	29384	30328
18327	25142	26221
18328	18001	17784
18329	14563	15139
18330	30249	29703
18331	36804	35050
18332	51970	50080
18333	29059	29169

	승차총승객수	하차총승객수
0	-8480	-8564
1	-9725	-9886
2	-8491	-8917
3	-9643	-9729
4	-8228	-8037
5	-9213	-9235
6	-7351	-7339
7	-9266	-9274
8	-8653	-8466
9	-8458	-8484
10	-8679	-8768
11	-8932	-9046
12	14321	14169
13	3653	4049
14	-2874	-3397
15	1366	1785
16	-9999	-10000
17	-6140	-5830
18	-9271	-9341
19	-9281	-8239
20	-5654	-4929
21	-7689	-7531
22	-7428	-7330
23	-7623	-7735
24	-6748	-6801
25	-6275	-6232
26	-7524	-7492
27	-7394	-7503
28	-9785	-9791
29	-8252	-8300
...	...	...
18304	53414	59744
18305	59459	51644
18306	55186	57747
18307	254	959
18308	17967	17937
18309	79355	75642
18310	10006	9265
18311	34302	34291
18312	18067	16975
18313	34899	39051
18314	24567	27720
18315	11130	12598
18316	-1209	-300
18317	10764	7129
18318	6668	5952
18319	6242	6890
18320	7863	10145
18321	3946	3843
18322	16344	16216
18323	45692	46015
18324	19981	19575
18325	-517	-273
18326	19384	20328
18327	15142	16221
18328	8001	7784
18329	4563	5139
18330	20249	19703
18331	26804	25050
18332	41970	40080
18333	19059	19169

	승차총승객수	하차총승객수
0	-0.506262	-0.288019
1	-0.993885	0.784980
2	0.860131	0.750928
3	-0.909285	0.733211
4	0.141269	0.475391
5	0.999518	-0.999754
6	-0.595102	-0.070963
7	-0.905553	-0.287961
8	0.676683	0.785055
9	0.498609	0.983566
10	0.999212	0.475630
11	-0.141030	-0.864506
12	-0.935730	-0.665166
13	-0.353839	-0.200969
14	0.762948	-0.587332
15	-0.278489	-0.774520
16	0.841471	0.000000
17	0.850729	-0.894159
18	0.149937	-0.670184
19	0.412064	0.990587
20	-0.923597	0.452402
21	-0.936388	-0.287701
22	0.821698	-0.346423
23	0.926739	0.088189
24	-0.436409	0.756980
25	-0.800954	-0.942625
26	0.412311	0.846333
27	-0.998805	0.536395
28	0.980246	0.996467
29	0.956420	-0.387921
...	...	...
18304	-0.814744	0.599671
18305	-0.999085	-0.325035
18306	-0.888484	0.992170
18307	-0.157759	0.902192
18308	0.516020	0.925922
18309	0.968677	0.817657
18310	0.331584	0.684449
18311	-0.673993	0.735747
18312	0.011233	0.959572
18313	-0.598963	-0.967183
18314	-0.056003	0.892560
18315	-0.344952	-0.500384
18316	0.733703	-0.945170
18317	-0.937074	0.860807
18318	-0.961007	-0.845497
18319	-0.034012	0.715887
18320	-0.095682	0.894765
18321	-0.453074	0.909786
18322	-0.984761	0.556938
18323	-0.834393	0.392167
18324	-0.704208	0.046742
18325	0.994744	0.588453
18326	-0.631829	-0.804883
18327	0.165245	0.954421
18328	-0.320166	0.527803
18329	-0.989178	0.328767
18330	0.984703	0.687862
18331	-0.239706	0.681080
18332	0.979360	0.128138
18333	-0.668393	0.634830

	승차총승객수	하차총승객수
0	132727.000000	137826.000000
1	1.000000	0.000000
2	12100.360751	12048.564143
3	12968.981816	13155.849968

조환희의 학습 블로그

티스토리 뷰

Pandas를 이용한 지하철 데이터 분석

Pandas¶

지하철 데이터¶

Datetime 으로 변환¶

상관관계¶

NaN¶

인덱스 설정¶

노선명 코드화¶

역ID 코드 테이블¶

Merge¶

concat()¶

get_dummies()¶

String¶

그룹¶

타임시리즈¶

'beginner > 파이썬 분석' 카테고리의 다른 글

티스토리툴바

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자
18329	20190131	1호선	155	동대문	14563	15139	20190203
18330	20190131	1호선	154	종로5가	30249	29703	20190203
18331	20190131	1호선	153	종로3가	36804	35050	20190203
18332	20190131	1호선	152	종각	51970	50080	20190203
18333	20190131	1호선	151	시청	29059	29169	20190203

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자
0	20190101	경춘선	1323	가평	1520	1436	20190104
1	20190101	경춘선	1322	상천	275	114	20190104
2	20190101	경춘선	1321	청평	1509	1083	20190104
3	20190101	경춘선	1320	대성리	357	271	20190104
4	20190101	경춘선	1319	마석	1772	1963	20190104

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자
16	20190101	경의선	1296	계양	1	0	20190104
266	20190101	6호선	2615	연신내	1	0	20190104
370	20190101	3호선	321	충무로	2	0	20190104
439	20190101	경원선	1022	창동	1	0	20190104
662	20190102	3호선	321	충무로	2	0	20190105
765	20190102	6호선	2615	연신내	1	0	20190105
1009	20190102	경의선	1295	김포공항	1	0	20190105
1077	20190102	분당선	1031	복정	1	0	20190105
1285	20190103	분당선	1031	복정	3	0	20190106
1354	20190103	경의선	1296	계양	1	0	20190106
1355	20190103	경의선	1295	김포공항	1	0	20190106
1397	20190103	경원선	1022	창동	1	0	20190106
1699	20190103	3호선	321	충무로	2	0	20190106
2255	20190104	분당선	1031	복정	1	0	20190107
2358	20190104	경원선	1022	창동	3	0	20190107
2457	20190105	3호선	321	충무로	1	0	20190108
3138	20190106	경의선	1295	김포공항	1	0	20190109
3380	20190106	6호선	2615	연신내	4	0	20190109
3685	20190107	분당선	1031	복정	1	0	20190110
3765	20190107	3호선	321	충무로	2	0	20190110
3842	20190107	6호선	2615	연신내	1	0	20190110
4039	20190107	경의선	1291	서울역	2	0	20190110
4245	20190108	경의선	1293	홍대입구	1	0	20190111
4349	20190108	분당선	1031	복정	3	0	20190111
4672	20190108	3호선	321	충무로	2	0	20190111
4837	20190109	경의선	1291	서울역	1	0	20190112
5081	20190109	6호선	2615	연신내	1	0	20190112
5276	20190109	일산선	1949	지축	1	0	20190112
5702	20190110	경원선	1022	창동	1	0	20190113
5744	20190110	경의선	1295	김포공항	2	0	20190113
...	...	...	...	...	...	...	...
13481	20190123	경의선	1295	김포공항	1	0	20190126
13746	20190124	경의선	1291	서울역	1	0	20190127
13788	20190124	경원선	1022	창동	4	0	20190127
14018	20190124	6호선	2615	연신내	3	0	20190127
14192	20190124	분당선	1031	복정	2	0	20190127
14351	20190125	3호선	321	충무로	4	0	20190128
14993	20190126	경원선	1022	창동	1	0	20190129
15195	20190126	6호선	2615	연신내	2	0	20190129
15298	20190126	3호선	321	충무로	3	0	20190129
15394	20190127	3호선	321	충무로	1	0	20190130
15483	20190127	분당선	1031	복정	1	0	20190130
15640	20190127	경의선	1296	계양	1	0	20190130
15641	20190127	경의선	1291	서울역	1	0	20190130
16073	20190128	3호선	321	충무로	3	0	20190131
16193	20190128	경의선	1296	계양	1	0	20190131
16194	20190128	경의선	1291	서울역	2	0	20190131
16435	20190128	6호선	2615	연신내	3	0	20190131
16564	20190129	6호선	2615	연신내	2	0	20190201
16750	20190129	분당선	1031	복정	1	0	20190201
16851	20190129	경의선	1297	검암	2	0	20190201
16852	20190129	경의선	1295	김포공항	1	0	20190201
17053	20190129	3호선	321	충무로	2	0	20190201
17163	20190130	경원선	1022	창동	1	0	20190202
17204	20190130	경의선	1291	서울역	1	0	20190202
17273	20190130	분당선	1031	복정	2	0	20190202
17569	20190130	6호선	2615	연신내	1	0	20190202
17672	20190130	3호선	321	충무로	2	0	20190202
17856	20190131	분당선	1031	복정	2	0	20190203
17945	20190131	경원선	1022	창동	2	0	20190203
18242	20190131	3호선	321	충무로	4	0	20190203

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자
0	False	False	False	False	False	False	False
1	False	False	False	False	False	False	False
2	False	False	False	False	False	False	False
3	False	False	False	False	False	False	False
4	False	False	False	False	False	False	False
5	False	False	False	False	False	False	False
6	False	False	False	False	False	False	False
7	False	False	False	False	False	False	False
8	False	False	False	False	False	False	False
9	False	False	False	False	False	False	False
10	False	False	False	False	False	False	False
11	False	False	False	False	False	False	False
12	False	False	False	False	False	False	False
13	False	False	False	False	False	False	False
14	False	False	False	False	False	False	False
15	False	False	False	False	False	False	False
16	False	False	False	False	False	False	False
17	False	False	False	False	False	False	False
18	False	False	False	False	False	False	False
19	False	False	False	False	False	False	False
20	False	False	False	False	False	False	False
21	False	False	False	False	False	False	False
22	False	False	False	False	False	False	False
23	False	False	False	False	False	False	False
24	False	False	False	False	False	False	False
25	False	False	False	False	False	False	False
26	False	False	False	False	False	False	False
27	False	False	False	False	False	False	False
28	False	False	False	False	False	False	False
29	False	False	False	False	False	False	False
...	...	...	...	...	...	...	...
18304	False	False	False	False	False	False	False
18305	False	False	False	False	False	False	False
18306	False	False	False	False	False	False	False
18307	False	False	False	False	False	False	False
18308	False	False	False	False	False	False	False
18309	False	False	False	False	False	False	False
18310	False	False	False	False	False	False	False
18311	False	False	False	False	False	False	False
18312	False	False	False	False	False	False	False
18313	False	False	False	False	False	False	False
18314	False	False	False	False	False	False	False
18315	False	False	False	False	False	False	False
18316	False	False	False	False	False	False	False
18317	False	False	False	False	False	False	False
18318	False	False	False	False	False	False	False
18319	False	False	False	False	False	False	False
18320	False	False	False	False	False	False	False
18321	False	False	False	False	False	False	False
18322	False	False	False	False	False	False	False
18323	False	False	False	False	False	False	False
18324	False	False	False	False	False	False	False
18325	False	False	False	False	False	False	False
18326	False	False	False	False	False	False	False
18327	False	False	False	False	False	False	False
18328	False	False	False	False	False	False	False
18329	False	False	False	False	False	False	False
18330	False	False	False	False	False	False	False
18331	False	False	False	False	False	False	False
18332	False	False	False	False	False	False	False
18333	False	False	False	False	False	False	False

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자	year	month	day	wday
17743	20190131	과천선	1450	선바위	10584	8356	20190203	2019	1	31	목
17744	20190131	8호선	2821	복정	12066	9845	20190203	2019	1	31	목
17745	20190131	8호선	2822	산성	5864	5624	20190203	2019	1	31	목
17746	20190131	8호선	2823	남한산성입구(성남법원.검찰청)	14838	13285	20190203	2019	1	31	목
17747	20190131	8호선	2824	단대오거리	11850	11518	20190203	2019	1	31	목

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자	year	month	day
0	True	True	False	True	False	False	True	False	False	False
1	True	True	False	True	False	False	True	False	False	False
2	True	True	False	True	False	False	True	False	False	False
3	True	True	False	True	False	False	True	False	False	False
4	True	True	False	True	False	False	True	False	False	False

	승차총승객수	하차총승객수
0	10000	10000
1	10000	10000
2	10000	10000
3	10000	10000
4	10000	10000
5	10000	10000
6	10000	10000
7	10000	10000
8	10000	10000
9	10000	10000
10	10000	10000
11	10000	10000
12	24321	24169
13	13653	14049
14	10000	10000
15	11366	11785
16	10000	10000
17	10000	10000
18	10000	10000
19	10000	10000
20	10000	10000
21	10000	10000
22	10000	10000
23	10000	10000
24	10000	10000
25	10000	10000
26	10000	10000
27	10000	10000
28	10000	10000
29	10000	10000
...	...	...
18304	63414	69744
18305	69459	61644
18306	65186	67747
18307	10254	10959
18308	27967	27937
18309	89355	85642
18310	20006	19265
18311	44302	44291
18312	28067	26975
18313	44899	49051
18314	34567	37720
18315	21130	22598
18316	10000	10000
18317	20764	17129
18318	16668	15952
18319	16242	16890
18320	17863	20145
18321	13946	13843
18322	26344	26216
18323	55692	56015
18324	29981	29575
18325	10000	10000
18326	29384	30328
18327	25142	26221
18328	18001	17784
18329	14563	15139
18330	30249	29703
18331	36804	35050
18332	51970	50080
18333	29059	29169

	승차총승객수	하차총승객수
0	1519	1436
1	274	114
2	1508	1083
3	356	271
4	1771	1963
5	786	765
6	2648	2661
7	733	726
8	1346	1534
9	1541	1516
10	1320	1232
11	1067	954
12	24320	24169
13	13652	14049
14	7125	6603
15	11365	11785
16	0	0
17	3859	4170
18	728	659
19	718	1761
20	4345	5071
21	2310	2469
22	2571	2670
23	2376	2265
24	3251	3199
25	3724	3768
26	2475	2508
27	2605	2497
28	214	209
29	1747	1700
...	...	...
18304	63413	69744
18305	69458	61644
18306	65185	67747
18307	10253	10959
18308	27966	27937
18309	89354	85642
18310	20005	19265
18311	44301	44291
18312	28066	26975
18313	44898	49051
18314	34566	37720
18315	21129	22598
18316	8790	9700
18317	20763	17129
18318	16667	15952
18319	16241	16890
18320	17862	20145
18321	13945	13843
18322	26343	26216
18323	55691	56015
18324	29980	29575
18325	9482	9727
18326	29383	30328
18327	25141	26221
18328	18000	17784
18329	14562	15139
18330	30248	29703
18331	36803	35050
18332	51969	50080
18333	29058	29169

	승차총승객수	하차총승객수
0	84	0
1	161	0
2	426	0
3	86	0
4	0	191
5	22	0
6	0	12
7	8	0
8	0	187
9	26	0
10	89	0
11	114	0
12	152	0
13	0	396
14	523	0
15	0	419
16	1	0
17	0	310
18	70	0
19	0	1042
20	0	725
21	0	158
22	0	98
23	112	0
24	53	0
25	0	43
26	0	32
27	109	0
28	6	0
29	48	0
...	...	...
18304	0	6330
18305	7815	0
18306	0	2561
18307	0	705
18308	30	0
18309	3713	0
18310	741	0
18311	11	0
18312	1092	0
18313	0	4152
18314	0	3153
18315	0	1468
18316	0	909
18317	3635	0
18318	716	0
18319	0	648
18320	0	2282
18321	103	0
18322	128	0
18323	0	323
18324	406	0
18325	0	244
18326	0	944
18327	0	1079
18328	217	0
18329	0	576
18330	546	0
18331	1754	0
18332	1890	0
18333	0	110

	사용일자	노선명	역ID	역명	승차총승객수	하차총승객수	등록일자
5960	20190111	2호선	222	강남	132727	137826	20190114
14310	20190125	2호선	222	강남	131976	136614	20190128
10306	20190118	2호선	222	강남	130864	136701	20190121
1844	20190104	2호선	222	강남	129878	134948	20190107
5591	20190110	2호선	222	강남	124860	124336	20190113
9379	20190116	2호선	222	강남	124782	124193	20190119
13377	20190123	2호선	222	강남	124516	125097	20190126
14160	20190124	2호선	222	강남	124412	125178	20190127
10020	20190117	2호선	222	강남	124182	125391	20190120
5223	20190109	2호선	222	강남	123657	122365	20190112
4291	20190108	2호선	222	강남	123559	123099	20190111
8761	20190115	2호선	222	강남	122593	121979	20190118
1740	20190103	2호선	222	강남	122254	122889	20190106
12762	20190122	2호선	222	강남	122092	121935	20190125
3730	20190107	2호선	222	강남	121527	121092	20190110
17012	20190129	2호선	222	강남	120636	120632	20190201
8263	20190114	2호선	222	강남	118984	119047	20190117
12384	20190121	2호선	222	강남	118767	119423	20190124
16015	20190128	2호선	222	강남	118690	118726	20190131
17713	20190130	2호선	222	강남	118278	118613	20190202
18303	20190131	2호선	222	강남	116722	117092	20190203
612	20190102	2호선	222	강남	116550	116482	20190105
15322	20190126	2호선	239	홍대입구	101250	114445	20190129
10300	20190118	2호선	216	잠실(송파구청)	97378	92987	20190121
14304	20190125	2호선	216	잠실(송파구청)	97301	92983	20190128
1799	20190104	2호선	216	잠실(송파구청)	95791	92454	20190107
5954	20190111	2호선	216	잠실(송파구청)	95124	91752	20190114
6632	20190112	2호선	239	홍대입구	94280	107908	20190115
15339	20190126	2호선	222	강남	94215	100006	20190129
6649	20190112	2호선	222	강남	94172	100223	20190115
...	...	...	...	...	...	...	...
7323	20190113	경의선	1291	서울역	1	0	20190116
17204	20190130	경의선	1291	서울역	1	0	20190202
12287	20190121	경의선	1297	검암	1	0	20190124
12009	20190121	일산선	1949	지축	1	0	20190124
13336	20190123	3호선	321	충무로	1	0	20190126
9564	20190117	6호선	2615	연신내	1	0	20190120
13481	20190123	경의선	1295	김포공항	1	0	20190126
13746	20190124	경의선	1291	서울역	1	0	20190127
10061	20190118	경원선	1022	창동	1	0	20190121
16193	20190128	경의선	1296	계양	1	0	20190131
3842	20190107	6호선	2615	연신내	1	0	20190110
3685	20190107	분당선	1031	복정	1	0	20190110
15641	20190127	경의선	1291	서울역	1	0	20190130
4245	20190108	경의선	1293	홍대입구	1	0	20190111
3138	20190106	경의선	1295	김포공항	1	0	20190109
16852	20190129	경의선	1295	김포공항	1	0	20190201
15640	20190127	경의선	1296	계양	1	0	20190130
8134	20190114	6호선	2615	연신내	1	0	20190117
12329	20190121	경원선	1022	창동	1	0	20190124
15483	20190127	분당선	1031	복정	1	0	20190130
9875	20190117	분당선	1031	복정	1	0	20190120
7411	20190113	3호선	321	충무로	1	0	20190116
6608	20190112	3호선	321	충무로	1	0	20190115
7083	20190112	6호선	2615	연신내	1	0	20190115
10258	20190118	경의선	1295	김포공항	1	0	20190121
10956	20190119	6호선	2615	연신내	1	0	20190122
2255	20190104	분당선	1031	복정	1	0	20190107
7540	20190113	6호선	2615	연신내	1	0	20190116
7032	20190112	경의선	1295	김포공항	1	0	20190115
8146	20190114	3호선	321	충무로	1	0	20190117

	0	1
0	1	2.0
1	3	NaN

	승차총승객수	하차총승객수
승차총승객수	1.681945e+08	1.696511e+08
하차총승객수	1.696511e+08	1.730764e+08

노선명	사용일자	요일	1호선	2호선	3호선	4호선	5호선	6호선	7호선	8호선	...	경춘선	공항철도 1호선	과천선	분당선	수인선	안산선	우이신설선	일산선	장항선	중앙선
0	20190101	화	15295.5	13624.08	7108.411765	10613.538462	4885.941176	4410.684211	5844.882353	5008.235294	...	1068.368421	5552.500000	4899.875	4401.411765	1785.076923	5196.538462	1726.000000	5170.400000	1729.666667	2197.190476
1	20190102	수	28386.1	32342.00	17164.264706	22394.730769	12758.666667	9424.236842	14909.098039	11785.882353	...	1874.631579	8469.214286	14023.625	11034.285714	3427.384615	9720.461538	3271.153846	11702.200000	2089.666667	4435.523810
2	20190103	목	29592.5	33702.84	17881.382353	23318.000000	13137.647059	10095.918919	15274.019608	12094.882353	...	1916.000000	8479.285714	14200.000	11437.800000	3548.846154	9898.692308	3386.000000	12048.900000	2138.500000	4643.571429
3	20190104	금	31664.8	35276.84	19443.151515	24231.153846	13534.058824	10527.513514	15751.156863	12827.000000	...	2013.105263	8948.142857	15780.625	12376.285714	3721.538462	10452.307692	3493.153846	12459.000000	2648.833333	4794.619048
4	20190105	토	25247.3	25251.02	13766.147059	18629.576923	8932.529412	7642.648649	10723.843137	8723.294118	...	1594.421053	6928.214286	12030.250	8690.882353	2774.307692	8354.230769	2727.692308	9272.900000	2255.666667	4053.476190
5	20190106	일	17574.4	17694.24	9817.727273	13388.692308	6294.450980	5461.552632	7644.509804	6364.588235	...	1305.947368	5683.285714	9755.000	6162.735294	2249.692308	6424.538462	2292.461538	6958.900000	1844.333333	2895.571429
6	20190107	월	29460.1	33224.28	17652.705882	22749.500000	13041.627451	9655.315789	15350.176471	12094.764706	...	1968.631579	8117.500000	13849.375	11368.571429	3566.230769	9997.076923	3373.461538	12072.900000	2166.833333	4629.238095
7	20190108	화	29955.2	33742.72	17991.588235	23310.307692	13252.882353	10106.756757	15371.843137	12274.882353	...	1971.631579	8095.928571	14154.875	11506.885714	3530.923077	9925.076923	3449.461538	12056.200000	2129.000000	4692.238095
8	20190109	수	28726.1	33413.94	18313.939394	22785.269231	13081.156863	9701.710526	15279.411765	12249.000000	...	1824.526316	7999.214286	14554.750	12021.735294	3490.538462	9820.384615	3312.076923	10809.636364	2274.000000	4514.047619
9	20190110	목	30103.2	34152.46	18661.393939	23337.115385	13292.039216	10153.648649	15451.725490	12301.882353	...	1943.894737	8263.071429	14575.375	11966.676471	3558.230769	10124.000000	3408.384615	12091.800000	2161.000000	4753.523810
10	20190111	금	32108.4	35644.20	19143.088235	24303.730769	13584.215686	10570.783784	15870.549020	12731.411765	...	2033.736842	8952.857143	15957.125	12624.617647	3793.076923	10702.076923	3527.923077	12612.000000	2520.833333	4861.476190
11	20190112	토	26814.4	26124.62	14537.470588	19352.884615	9114.764706	7729.815789	11068.254902	8818.882353	...	1784.263158	7281.285714	12204.000	8921.882353	2963.076923	8751.923077	2851.153846	9645.900000	2418.666667	3985.142857
12	20190113	일	17741.0	18251.76	9758.941176	13693.846154	6256.019608	5505.631579	7859.431373	6386.176471	...	1423.210526	5767.071429	9842.875	6061.314286	2293.615385	6830.076923	2160.384615	7002.600000	1993.833333	3045.714286
13	20190114	월	28666.5	32552.70	17408.911765	22222.769231	12824.117647	9455.421053	15112.313725	12082.352941	...	1905.894737	8261.357143	13691.000	11300.971429	3376.615385	9787.615385	3269.384615	11718.800000	2340.833333	4469.761905
14	20190115	화	29400.6	33491.86	17749.470588	22892.115385	13116.607843	9998.216216	15267.803922	12101.705882	...	1882.631579	8243.142857	13913.000	11287.114286	3393.000000	9800.615385	3332.846154	11859.200000	2068.000000	4598.238095
15	20190116	수	29605.6	33897.38	17923.411765	23047.461538	13198.431373	10118.000000	15289.607843	12198.294118	...	1858.368421	8285.857143	14684.500	11538.628571	3472.076923	9828.153846	3374.384615	12161.400000	2078.500000	4605.809524
16	20190117	목	30716.8	34320.44	18512.323529	23484.269231	13392.078431	10021.552632	15477.058824	12339.352941	...	1992.473684	8562.071429	14594.125	11669.228571	3582.076923	10094.538462	3460.769231	12255.700000	2160.166667	4662.285714
17	20190118	금	32380.4	35586.86	19395.941176	24344.269231	13609.235294	10662.459459	15855.921569	12686.411765	...	2096.526316	9093.642857	15962.625	12579.911765	3686.461538	10720.384615	3522.076923	12505.800000	2451.500000	4876.476190
18	20190119	토	26445.3	25834.22	14579.382353	18944.307692	9155.882353	7646.894737	10985.784314	9124.823529	...	1680.210526	7206.000000	12078.875	8980.257143	2952.076923	8851.692308	2724.153846	9517.500000	2736.833333	4002.952381
19	20190120	일	18177.7	18204.88	10024.588235	13815.115385	6369.862745	5679.105263	7980.666667	6499.882353	...	1398.052632	5823.000000	10103.500	6321.235294	2217.076923	6883.923077	2221.923077	6991.800000	1917.666667	3129.285714
20	20190121	월	29176.8	32911.78	17544.529412	22469.769231	12898.549020	9456.947368	15122.705882	11942.882353	...	1936.157895	8325.500000	13652.500	11563.823529	3436.846154	9934.076923	3380.230769	10803.454545	2161.833333	4518.809524
21	20190122	화	30385.1	33846.56	17992.058824	23197.115385	13262.921569	10083.351351	15413.686275	12179.058824	...	2002.947368	8520.142857	14211.000	11482.314286	3565.692308	10010.846154	3460.769231	12098.100000	2089.166667	4624.619048
22	20190123	수	30479.8	34518.60	18108.676471	23512.730769	13388.117647	10191.567568	15538.431373	12337.235294	...	1934.210526	8633.285714	15047.125	11996.970588	3619.384615	10161.153846	3470.230769	12227.900000	2115.666667	4767.666667
23	20190124	목	30946.7	34648.28	18948.727273	23583.461538	13410.764706	9925.052632	15492.117647	12598.176471	...	1957.157895	8805.214286	14498.875	12038.685714	3548.769231	9983.000000	3474.615385	12130.600000	2467.000000	4708.428571
24	20190125	금	32804.4	36225.90	19456.088235	24601.961538	13724.921569	10660.756757	15974.882353	12842.058824	...	2015.578947	9260.428571	15936.750	12719.617647	3643.538462	10483.461538	3586.307692	12535.600000	2335.166667	4938.095238
25	20190126	토	26851.7	26342.38	14711.441176	19448.000000	9294.705882	7963.447368	11107.058824	9019.941176	...	1686.947368	7406.214286	12389.375	9052.911765	2881.769231	8514.769231	2781.153846	9966.900000	2301.166667	4048.952381
26	20190127	일	19390.4	18731.14	9972.705882	14107.576923	6706.196078	5811.027027	7918.215686	6544.823529	...	1431.789474	5980.357143	10286.000	6180.085714	2286.769231	6753.846154	2189.153846	7299.300000	1892.166667	3033.476190
27	20190128	월	29776.7	33275.40	17783.794118	22917.730769	13090.568627	9629.657895	15320.588235	12150.705882	...	1998.789474	8550.285714	13794.375	11711.058824	3412.076923	9842.307692	3450.153846	12039.900000	2130.666667	4715.095238
28	20190129	화	30298.7	33719.62	18035.676471	23317.230769	13236.196078	9839.657895	15432.588235	12560.000000	...	1951.947368	8459.428571	14238.750	11861.171429	3517.230769	9880.307692	3494.923077	12036.700000	2457.666667	4660.285714
29	20190130	수	30727.1	33922.58	18246.264706	23645.807692	13465.254902	10041.131579	15561.529412	12385.705882	...	1979.000000	8541.285714	15091.500	11685.514286	3574.769231	10075.384615	3533.153846	12358.600000	2171.666667	4835.666667
30	20190131	목	30242.6	33520.92	17966.588235	23120.192308	13240.607843	10148.162162	15374.941176	12296.588235	...	1889.421053	8493.500000	14339.625	11456.714286	3381.461538	9796.153846	3497.769231	11909.300000	2073.833333	4612.714286

	역ID	역명	노선명	노선수
0	150	서울역	1호선	6
111	426	서울역	4호선	6
120	1001	서울역	경부선	6
171	1251	서울역	경의선	6
196	1291	서울역	경의선	6
571	4201	서울역	공항철도 1호선	6
48	239	홍대입구	2호선	4
176	1264	홍대입구	경의선	4
197	1293	홍대입구	경의선	4
573	4203	홍대입구	공항철도 1호선	4
198	1295	김포공항	경의선	4
378	2513	김포공항	5호선	4
534	4102	김포공항	9호선	4
576	4207	김포공항	공항철도 1호선	4
174	1262	공덕	경의선	4
395	2530	공덕	5호선	4
443	2627	공덕	6호선	4
572	4202	공덕	공항철도 1호선	4
3	153	종로3가	1호선	3
70	319	종로3가	3호선	3
400	2535	종로3가	5호선	3
17	208	왕십리(성동구청)	2호선	3
132	1013	왕십리(성동구청)	경원선	3
406	2541	왕십리(성동구청)	5호선	3
6	156	신설동	1호선	3
55	246	신설동	2호선	3
597	4713	신설동	우이신설선	3
178	1266	디지털미디어시티	경의선	3
435	2619	디지털미디어시티	6호선	3
574	4204	디지털미디어시티	공항철도 1호선	3
...	...	...	...	...
239	1506	곤지암	경강선	1
184	1272	곡산	경의선	1
282	1757	고잔	안산선	1
457	2641	고려대(종암)	6호선	1
418	2553	고덕	5호선	1
92	341	경찰병원	3호선	1
68	317	경복궁(정부서울청사)	3호선	1
227	1451	경마공원	과천선	1
237	1504	경기광주	경강선	1

	승차총승객수	하차총승객수
승차총승객수	1.000000	0.994333
하차총승객수	0.994333	1.000000

	역ID	역명	노선명	노선수
8	158	청량리(서울시립대입구)	1호선	2
17	208	왕십리(성동구청)	2호선	3
22	213	구의(광진구청)	2호선	1
23	214	강변(동서울터미널)	2호선	1
25	216	잠실(송파구청)	2호선	2
28	219	삼성(무역센터)	2호선	1
32	223	교대(법원.검찰청)	2호선	2
37	228	서울대입구(관악구청)	2호선	1
42	233	대림(구로구청)	2호선	2
52	243	충정로(경기대입구)	2호선	2
59	250	용두(동대문구청)	2호선	1
68	317	경복궁(정부서울청사)	3호선	1
81	330	교대(법원.검찰청)	3호선	2
82	331	남부터미널(예술의전당)	3호선	1
83	332	양재(서초구청)	3호선	1
99	414	수유(강북구청)	4호선	1
100	415	미아(서울사이버대학)	4호선	1
103	418	성신여대입구(돈암)	4호선	2
104	419	한성대입구(삼선교)	4호선	1
110	425	회현(남대문시장)	4호선	1
112	427	숙대입구(갈월)	4호선	1
115	430	이촌(국립중앙박물관)	4호선	2
116	431	동작(현충원)	4호선	2
117	432	총신대입구(이수)	4호선	1
127	1008	이촌(국립중앙박물관)	경원선	2
132	1013	왕십리(성동구청)	경원선	3
133	1014	청량리(서울시립대입구)	경원선	2
152	1202	상봉(시외버스터미널)	중앙선	2
221	1402	쌍용(나사렛대)	장항선	1
225	1408	신창(순천향대)	장항선	1
...	...	...	...	...
413	2548	천호(풍납토성)	5호선	2
416	2551	굽은다리(강동구민회관앞)	5호선	1
421	2556	올림픽공원(한국체대)	5호선	2
433	2617	새절(신사)	6호선	1
434	2618	증산(명지대앞)	6호선	1
436	2620	월드컵경기장(성산)	6호선	1
441	2625	광흥창(서강)	6호선	1
442	2626	대흥(서강대앞)	6호선	1
446	2630	녹사평(용산구청)	6호선	1
456	2640	안암(고대병원앞)	6호선	1
457	2641	고려대(종암)	6호선	1
458	2642	월곡(동덕여대)	6호선	1
459	2643	상월곡(한국과학기술연구원)	6호선	1
463	2647	화랑대(서울여대입구)	6호선	1
464	2648	봉화산(서울의료원)	6호선	1
472	2718	공릉(서울과학기술대)	7호선	1
476	2722	상봉(시외버스터미널)	7호선	2
481	2727	군자(능동)	7호선	2
482	2728	어린이대공원(세종대)	7호선	1
494	2740	숭실대입구(살피재)	7호선	1
500	2746	대림(구로구청)	7호선	2
506	2752	온수(성공회대입구)	7호선	2
517	2812	천호(풍납토성)	8호선	2
519	2814	몽촌토성(평화의문)	8호선	1
520	2815	잠실(송파구청)	8호선	2
528	2823	남한산성입구(성남법원.검찰청)	8호선	1
551	4119	흑석(중앙대입구)	9호선	1
552	4120	동작(현충원)	9호선	2
568	4136	올림픽공원(한국체대)	9호선2~3단계	2
595	4711	성신여대입구(돈암)	우이신설선	2

	mean	std
노선명
1호선	27714.254839	14872.985189
2호선	30257.951613	25011.375844
3호선	16306.236416	13897.214190
4호선	21121.942928	11142.280935
5호선	11566.161923	8244.471969
6호선	8968.502577	4824.543259
7호선	13568.542062	7473.634137
8호선	10888.738140	6002.298732
9호선	10686.589677	8853.881716
9호선2~3단계	5722.858561	4171.910992
경강선	2302.199413	1703.859833
경부선	11644.869313	11348.782076
경원선	6889.365132	4951.897655
경의선	3793.387097	2568.209279
경인선	15491.914516	11394.502010
경춘선	1816.789474	1486.308924
공항철도 1호선	7902.847926	4492.030156
과천선	13365.846774	10016.050405
분당선	10456.872082	7520.537228
수인선	3233.878412	1798.083037
안산선	9277.406948	6038.748526
우이신설선	3135.590571	1403.149495
일산선	10848.756410	5188.597498
장항선	2203.881720	1475.389912
중앙선	4300.321045	6195.087971

	사용일자	역ID	승차총승객수	하차총승객수	등록일자
day
2019-01-01	20190101.0	1882.940878	5776.939189	5732.271959	20190104.0
2019-01-02	20190102.0	1882.954392	12874.439189	12824.888514	20190105.0
2019-01-03	20190103.0	1879.278246	13277.726813	13225.161889	20190106.0
2019-01-04	20190104.0	1883.898305	14017.533898	13964.298305	20190107.0
2019-01-05	20190105.0	1884.156197	10292.519525	10237.760611	20190108.0
2019-01-06	20190106.0	1887.045763	7472.403390	7424.657627	20190109.0
2019-01-07	20190107.0	1882.947635	13216.939189	13166.797297	20190110.0
2019-01-08	20190108.0	1881.712352	13389.445008	13333.705584	20190111.0
2019-01-09	20190109.0	1887.143824	13224.035533	13169.321489	20190112.0
2019-01-10	20190110.0	1883.350254	13497.969543	13441.384095	20190113.0
2019-01-11	20190111.0	1880.714527	14106.962838	14057.800676	20190114.0
2019-01-12	20190112.0	1882.939189	10611.805743	10557.322635	20190115.0
2019-01-13	20190113.0	1882.947635	7603.130068	7553.091216	20190116.0
2019-01-14	20190114.0	1882.957770	12973.709459	12922.288851	20190117.0
2019-01-15	20190115.0	1881.253807	13243.169205	13192.695431	20190118.0
2019-01-16	20190116.0	1880.719595	13329.574324	13278.153716	20190119.0
2019-01-17	20190117.0	1883.949239	13595.201354	13542.375635	20190120.0
2019-01-18	20190118.0	1881.700508	14148.287648	14096.795262	20190121.0
2019-01-19	20190119.0	1883.949239	10591.871404	10532.864636	20190122.0
2019-01-20	20190120.0	1883.390203	7653.648649	7599.599662	20190123.0
2019-01-21	20190121.0	1883.053963	13045.849916	12998.018550	20190124.0
2019-01-22	20190122.0	1881.715736	13417.159052	13362.830795	20190125.0
2019-01-23	20190123.0	1883.157627	13618.425424	13565.737288	20190126.0
2019-01-24	20190124.0	1884.131757	13653.226351	13600.606419	20190127.0
2019-01-25	20190125.0	1884.156197	14327.000000	14274.300509	20190128.0
2019-01-26	20190126.0	1883.934010	10745.443316	10689.658206	20190129.0
2019-01-27	20190127.0	1880.719595	7830.212838	7781.349662	20190130.0
2019-01-28	20190128.0	1883.395270	13251.771959	13203.326014	20190131.0
2019-01-29	20190129.0	1881.966273	13404.536256	13355.789207	20190201.0
2019-01-30	20190130.0	1881.495784	13557.890388	13506.682968	20190202.0
2019-01-31	20190131.0	1881.253807	13366.074450	13317.610829	20190203.0

캐글 타이타닉 데이터 분석 - 2 (1)	2019.04.12
캐글 타이타닉 데이터 분석 - 1 (0)	2019.04.11
분석 -1 (0)	2019.03.06
로지스틱 회귀분석 실습 (0)	2019.02.11
인공신경망 실습 (2)	2019.02.10