부동산 거래량 (~2019년 03월)

 

 

 

부동산 거래량¶

2018년도 부동산 거래량에 대해 알아본다.

• 부동산 거래량은 부동산 실거래가 사이트에서 받을 수 있다.
• 이 곳에서는 부동산 거래량과 평균 거래 금액의 추이를 광역시 별로 살펴보는 시간을 가져보도록 한다.

In [20]:

#-*- encoding: utf8 -*-
import os
import glob
import pandas as pd
import matplotlib.pyplot as plt
import unicodedata

import matplotlib

 

1. 준비¶

맥에서 자모 분리되는 문제로 폰트를 변경해 준다.

In [21]:

matplotlib.rc('font', family='AppleGothic')

 

2. Data prepation¶

다운 받은 데이터를 csv file format으로 변경해서 저장한다.

In [23]:

!ls trade/*.csv

 

trade/all_201801_아파트(매매)_실거래가_20190407180211.csv
trade/all_201802_아파트(매매)_실거래가_20190407180234.csv
trade/all_201803_아파트(매매)_실거래가_20190407180301.csv
trade/all_201804_아파트(매매)_실거래가_20190407180321.csv
trade/all_201805_아파트(매매)_실거래가_20190407180347.csv
trade/all_201806_아파트(매매)_실거래가_20190407180409.csv
trade/all_201807_아파트(매매)_실거래가_20190407180427 2.csv
trade/all_201808_아파트(매매)_실거래가_20190407180445.csv
trade/all_201809_아파트(매매)_실거래가_20190407180506.csv
trade/all_201810_아파트(매매)_실거래가_20190407180528.csv
trade/all_201811_아파트(매매)_실거래가_20190407180544.csv
trade/all_201812_아파트(매매)_실거래가_20190407180604.csv
trade/all_201901_아파트(매매)_실거래가_20190407175942.csv
trade/all_201902_아파트(매매)_실거래가_20190407175914.csv
trade/all_201903_아파트(매매)_실거래가_20190407173819.csv

In [67]:

def load_data_all(path):
    filenames = glob.glob(os.path.join(path, '*.csv'))
    ret = []

    for fname in filenames:
        dft = pd.read_csv(fname)
        dft.columns = dft.columns.str.normalize('NFC')
        dft['거래금액(만원)'] = dft['거래금액(만원)'].str.replace(',', '')# extract('(\d+),(\d+)')
        dft['거래금액(만원)'] =  pd.to_numeric(dft['거래금액(만원)'])
        dft['광역시'] = dft['시군구'].map(lambda x: x.split(' ')[0])
        ret.append(dft)
    return pd.concat( ret)

In [31]:

df = load_data_all('./trade/')

In [32]:

df.shape

Out[32]:

(576864, 13)

In [33]:

df.head()

Out[33]:

	시군구	번지	본번	부번	단지명	전용면적(㎡)	계약년월	계약일	거래금액(만원)	층	건축년도	도로명	광역시
0	강원도 강릉시 견소동	289	289	0	송정해변신도브래뉴아파트	59.9900	201811	11~20	16250	11	2005	경강로2539번길	강원도
1	강원도 강릉시 견소동	289	289	0	송정해변신도브래뉴아파트	59.9900	201811	21~30	17500	9	2005	경강로2539번길	강원도
2	강원도 강릉시 견소동	289	289	0	송정해변신도브래뉴아파트	59.9900	201811	21~30	17500	11	2005	경강로2539번길	강원도
3	강원도 강릉시 교동	1982	1982	0	강릉교동롯데캐슬1단지	135.1727	201811	1~10	35000	7	2009	화부산로99번길	강원도
4	강원도 강릉시 교동	1982	1982	0	강릉교동롯데캐슬1단지	163.9852	201811	21~30	41000	13	2009	화부산로99번길	강원도

 

• 광역시 별로 분류할 수 있게 준비했다.

In [36]:

df['광역시'].unique()

Out[36]:

array(['강원도', '경기도', '경상남도', '경상북도', '광주광역시', '대구광역시', '대전광역시', '부산광역시',
       '서울특별시', '세종특별자치시', '울산광역시', '인천광역시', '전라남도', '전라북도', '제주특별자치도',
       '충청남도', '충청북도'], dtype=object)

 

3. 거래량을 Plot해 본다.¶

In [48]:

def cal_volume_all(df_all):
    data = {}

    for key, dft in df_all.groupby('광역시'): # .items():
        data[key] = dft.groupby('계약년월').count()['시군구']
    df_count = pd.DataFrame(data)
    df_count.index = pd.to_datetime(df_count.index, format='%Y%m')
    
    return df_count

In [49]:

dfvol = cal_volume_all(df)

In [54]:

dfvol2 = dfvol / dfvol.iloc[0]

In [59]:

figsize = (12, 8)

In [60]:

dfvol2.plot(figsize=figsize)

Out[60]:

<matplotlib.axes._subplots.AxesSubplot at 0x118db6fd0>

 

 

4. 평균 거래량을 plot 해 본다.¶

In [68]:

def cal_mean_all(df_all):
    data = {}

    for key, dft in df_all.groupby('광역시'): 
        data[key] = dft[['계약년월', '거래금액(만원)']].groupby('계약년월').mean()['거래금액(만원)']
    df_mean = pd.DataFrame(data)
    df_mean.index = pd.to_datetime(df_mean.index, format='%Y%m')
    
    return df_mean

In [64]:

df_mean = cal_mean_all(df)

In [65]:

df_mean2 = df_mean / df_mean.iloc[0]

In [66]:

df_mean2.plot(figsize=figsize)

Out[66]:

<matplotlib.axes._subplots.AxesSubplot at 0x116c77898>