빅데이터 - 9. 인구수와 이동량에 대한 집값 상승률 비교

1. 데이터 소개

• homeprice.csv : 3개월간의 전국 집값, 집값의 상승률
• movehouse.csv : 3개월간의 전국 이동량
• koreahuman.csv : 3개월간의 인구수
• ※ 실제 통계된 내용은 정확한 자료가 아닐 수 있으며, 정확한 통계가 아닐 수 있습니다.

2. 데이터 생성-1

• csv 파일을 작성 및 클라우드에 올린 후, 해당 클라우드 사이트에 접근을 요청하여 다운로드
•  

데이터를 받아옴

2.1 데이터 생성-2

• 각각의 데이터를 pyspark를 통하여 csv 파일을 읽어 들여 출력
•  

해당 csv 파일을 읽어들임

2.2 데이터 생성-3

• homeprice의 데이터 값을 count한 결과 데이터가 상당히 불규칙하여, 지역별로 균등하게 나누었다.
•  

지역별로 균등하게 나눔

2.3 데이터 생성-4

• movehouse의 2,3,4월에 대한 전입-전출 = 변동량으로 하여, 새로운 열을 생성하고, 불필요 데이터 제거
•  

불필요 데이터가 있는 movehouse.csv

불필요 데이터 제거 movehouse.csv

• 마찬가지로, koreahuman의 데이터도 불필요 데이터를 제거
•  

불필요 데이터 제거 koreahuman.csv

3.1 데이터 비교-1

• homeprice의 2,3,4월에 대한 가격 변동 지수를 sort를 통하여 각각 정렬
• 대구가 1,2,3월 대비 공시가 대비 가장 낮은 변동 수치를 보여주었고
• 전라북도, 강원도가 공시가 대비 가장 높은 변동 수치를 보여주었다
•  

2,3,4월 가격 변동지수 homeprice.csv

3.2 데이터 비교-2

• movehouse도 마찬가지로, sort를 통하여 정렬한 결과
• 2월에는 서울이 가장 많이 줄었고, 3,4월에는 경상남도가 가장 많이 줄었다.
• 반면에 2월에 경기도, 3월에는 서울, 4월에는 인천이 가장 많이 늘었다.
•  

이사 변동량 movehouse.csv

3.3 데이터 비교-3

• koreahuman도 정렬 한 결과
• 경기도가 가장 많은 인구수가 분포, 세종시가 가장 적은 인구수가 분포
•  

인구수 변동량 koreahuman.csv

3.4 데이터 비교-4

• 하지만, homeprice에 지역별 평균 가격이 존재하지 않아, 30평 대 아파트 기준으로 조사를 하여,
• 새로운 열을 삽입하였다
•  

아파트 평균가격 열 삽입 homeprice.csv

3.5 데이터 비교-5

• join 연산을 통하여 지역별 행정구역을 기준으로 보았다.
• 그 결과, 변동량에 따라 인구수가 달라지는 것을 볼 수 있었다
•  

조인 연산

3.6 데이터 비교-6

• 2월에 대한 사항을 살펴보면 인구수 변동량의 상위 3지역은 경기도, 세종, 인천
• 그에 따른 가격 변동지수를 살펴보면, 93.3 93.1 93.7 인 것을 알 수 있다.
•  

2월 변동

3.7 데이터 비교-7

• 3월에 대한 사항을 살펴보면, 인구수 변동량의 상위 3지역은 서울, 경기, 인천 순이다.
• 그에 따른 가격 변동지수를 살펴보면, 88.9, 92.4, 93.5 인 것을 알 수 있다.
•  

3월 변동

3.8 데이터 비교-8

• 4월에 대한 사항을 살펴보면, 인구수 변동량의 상위 3지역은 인천, 경기, 충북 순이다.
• 그에 따른 가격 변동지수를 살펴보면, 94.3, 93.4, 99.4 인 것을 알 수 있다.
•  

4월 변동

3.9 데이터 비교-9

• 최종적으로 정리하여 보면, 인구 수 증가량에 따라 어느정도 집값의 상승률도 올라가는 현상을 볼 수 있다.
• 인천으로 예를 들어보면, 최종적으로 2월에 2,950,978명에서 4월에 2,953,260명으로 대략 3천명 이상이 늘은 것을 볼 수 있다.
• 이에 따른 집값 상승률은 대략 (94.3-93.7) 0.6에 해당하는 상승률을 볼 수 있다.
• 대략 예측하여 보면 3000명은 0.6 상승률 1000명당 0.2에 비례한다고 예측하여 볼 수 있다.
•  

상승률