프로젝트 수행 기간 (2024 / 02 / 02 - 2024 / 02 / 07)

프로젝트의 목적

메가서울 : 메가서울의 모델인 메가시티는 핵심 도시를 중심으로 주변 지역과 교통·경제·문화를 연결한 인구 1000만 명 이상의 거대 도시 권역을 뜻한다.

서울 메가시티 통합 발표 후 부동산 투자에 관심을 갖는 모든 자본이 이목을 집중하고 있다.
정책으로 인해, 부동산 가격 상승의 직접적인 수혜를 받게 될 것이라고 예상되는 김포시 및 서울 주변 지역 거주민들은 서울 외곽의 거주민들보다 정책에 대한 기대감이 높다.
하지만 김포시와 서울시의 부동산 시장에, 정책이 끼치는 영향은 미미하다라고 보는 시각 또한 존재한다.
프로젝트는 김포시와 서울시의 부동산 시장 데이터를 활용하여 부동산 시장 동향을 시각화하고,
부동산 시장에 대한 분석과 해석을 제공하는 대시보드를 개발하는데 목적을 둔다.
이를 통해, 사용자는 김포시와 서울시의 부동산 시장 가격 변동과 거래량을 한 눈에 파악 할 수 있고, 부동산 시장 분석과 김포시 인구 확장 방법에 대한 인사이트를 제공받는다.
이로 인해, 사용자는 김포시와 서울시의 부동산 시장을 쉽게 파악하고 정책 수립을 결정하는 데 활용할 것이다.

팀원 소개

본 프로젝트에서 사용한 주요 개발환경 요약

Programming Languages : Python(ver. 3.11.7)
Web Framework : Streamlit, Jupyter lab

주요 라이브러리 버전

Pandas, Plotly.express , Numpy

데모페이지

Streamlit에서 구현한 Demo는 다음과 같습니다.
- https://teamminiproject-6qy4frxnwbz4ubp8dbhql7.streamlit.app/

주요 기능

본 프로젝트에서 활용한 주요 메서드는 다음과 같습니다.

def seoul_sale(house_gbn_nm) 1_부동산 가격 추이.py

주택 유형(아파트, 오피스텔, 연립다세대)을 인자값으로 받아 해당하는 주택 유형의 서울시 월별 매매 가격을 그래프로 시각화하는 함수.

def seoul_sale(house_gbn_nm):
    df_seoul = pd.read_csv('서울전체/df_서울.csv')
    df_seoul = df_seoul.loc[df_seoul['주택유형'] == f'{house_gbn_nm}', :]
    df_seoul['계약년월'] = df_seoul['계약년월'].astype(str)

    st.subheader(f'서울 월별 {house_gbn_nm} 매매 평균 가격')

    fig = px.line(
        x=df_seoul['계약년월'].unique(),
        y=df_seoul.groupby('계약년월')['물건금액(만원)'].mean(),
        labels={'x': '월', 'y': f'평균 {house_gbn_nm} 가격(만원)'},
        template='plotly_dark',
        line_shape='linear',
        width=800,
        height=400,
        markers=True, )

    fig.update_yaxes(tickformat=",d")
    st.plotly_chart(fig)

def seoul_rent(rent_gbn, house_gbn_nm) 1_부동산 가격 추이.py

렌트 유형(전세, 월세)와 주택 유형(아파트, 오피스텔, 연립다세대)을 인자값으로 받아 해당하는 주택 유형의 서울시 월별 보증금 가격을 그래프로 시각화하는 함수.

def seoul_rent(rent_gbn, house_gbn_nm):
    df = pd.read_csv('서울전체/seoul_all.csv', encoding='euc_kr')
    df = df[(df['RENT_GBN'] == rent_gbn) & (df['HOUSE_GBN_NM'] == house_gbn_nm)]

    df = df[['RENT_GTN', 'CNTRCT_DE']]

    # 'RENT_GTN'을 월 별로 그룹화하여 평균값 계산
    monthly_data = df.groupby(df['CNTRCT_DE'].astype(str).str[:-2])['RENT_GTN'].mean().reset_index()

    # Streamlit 앱 시작
    st.subheader(f'서울 월별 {house_gbn_nm} {rent_gbn} 평균가격')

    # 선 그래프 그리기
    fig = px.line(
        monthly_data,
        x='CNTRCT_DE',
        y='RENT_GTN',
        labels={'CNTRCT_DE': '월', 'RENT_GTN': f'평균 {rent_gbn} 가격(만원)'},
        template='plotly_dark',  # Dark mode template
        line_shape='linear',  # Linear interpolation between points
        markers=True,  # Show markers on data points
        width=800,  # Width of the plot
        height=400,  # Height of the plot
    )

    # y-axis tick 포맷 변경 (5억 단위로)
    fig.update_yaxes(tickformat=",d")

    # Plotly 그래프를 Streamlit에 표시
    st.plotly_chart(fig)

def get_increase(df, temp) 4_메가서울 발표 후 김포 평균 가격 변화율.py

df는 김포 매매 데이터프레임과 김포 전월세 데이터프레임으로 구분
temp는 매매/전세/월세로 구분
해당된 df, temp를 기준으로 메가서울 발표 전후 김포시 평균 가격 변화율을 반환해줌.

(예시) 김포 아파트의 매매 가격 변화율
df는 gimpo_apart, temp는 매매를 넣어줄 경우 메가서울 발표 전후 아파트 매매 증가율 -3%를 반환

def get_increase(df,temp):
    sentence = ""
    if temp == "매매":
        sentence ="거래금액(만원)"
    else:
        sentence = "보증금(만원)"

    df['계약년월'] = pd.to_datetime(df['계약년월'], format='%Y%m')

    # '보증금(만원)' 열의 쉼표 제거하고 숫자로 변환
    df[f'{sentence}'] = df[f'{sentence}'].replace({',': ''}, regex=True).astype(float)

    if temp == "매매":
        before_megaseoul = df[(df['계약년월'] <= '2023-09') & (df['계약년월'] >= '2023-06')]
        after_megaseoul = df[(df['계약년월'] <= '2024-01') & (df['계약년월'] >= '2023-10')]
    else:
    # 조건에 따라 데이터 필터링
        before_megaseoul = df[(df['전월세구분'] == f'{temp}') & (df['계약년월'] <= '2023-09') & (df['계약년월'] >= '2023-06')]
        after_megaseoul = df[(df['전월세구분'] == f'{temp}') & (df['계약년월'] <= '2024-01') & (df['계약년월'] >= '2023-10')]

    before_mean = before_megaseoul[f'{sentence}'].mean()
    after_mean = after_megaseoul[f'{sentence}'].mean()

    # 증가율 계산
    increase_rate = ((after_mean - before_mean) / before_mean) * 100

    return increase_rate

프로젝트의 폴더 및 파일 설명

Folder/Files	Description
images	홈화면에 배치한 이미지 폴더
pages	Streamlit 사이드바 목록 페이지 폴더
김포데이터	김포시 부동산 데이터 폴더
서울전체	서울특별시 부동산 데이터 폴더
analysis(매매).ipynb	서울/김포 매매 분석 코드
analysis(전월세)	서울/김포 전월세 분석 코드
app.py	Streamlit 구현 코드
data_collect.ipynb	부동산 데이터 수집 코드
data_split.ipynb	수집한 데이터 중 필요한 부분 분할 및 병합 코드
requirements.txt	필요 라이브러리 기술 ('pip install -r requirements.txt' : 설치 명령어)
게시판.db	건의사항 저장 Database