PYCON 2025

🌏 튜토리얼(folium으로 지도 표현하기)

서울시 버스정류장 밀집도 시각화

필요한 라이브러리 설치

pip install geopandas folium pyproj
pip install --upgrade geopandas fiona

지도 데이터 불러와 좌표를 이용해 마커 표현하기

import folium
import geopandas as gpd

map = folium.Map(location=[37.4729081, 127.039306], zoom_start=12)
folium.Marker(location=[37.4729081, 127.039306]).add_to(map)
map

버스정류장 위치정보 불러와 지도에 둥근 마커로 표시하기

import pandas as pd
import folium

df = pd.read_csv('/content/국토교통부_전국 버스정류장 위치정보_20241028.csv', encoding='cp949')

df =df[df['도시명'].str.contains("서울특별시")]
map = folium.Map(location=[37.6424341, 127.4890319], zoom_start=12)
for item in df.itertuples():
  if item[3]==item[3] and item[4]==item[4]:
      folium.CircleMarker(
      location = [item[3],item[4]],
        radius = 1,
        color = 'red',
        fill_color = 'red'
      ).add_to(map)


map

버스정류장 수를 군집으로 묶어 지도에 표시하기

import pandas as pd
import folium
from folium.plugins import MarkerCluster
from folium import Marker
mc = MarkerCluster()

df = pd.read_csv('/content/국토교통부_전국 버스정류장 위치정보_20241028.csv', encoding='cp949')
df =df[df['도시명'].str.contains("서울특별시")]

map = folium.Map(location=[36.6424341, 127.4890319], zoom_start=12)

mc = MarkerCluster()
for item in df.itertuples():
  if item[3]==item[3] and item[4]==item[4]:
    mc.add_child(
          Marker(location = [item[3], item[4]],
               popup=item[2]
              )
    )

map.add_child(mc)
map

서울특별시 자치구 경계 데이터 불러오기

gdf = gpd.read_file('/content/서울 자치구 경계 2017.geojson')
gdf

gdf = gpd.read_file('/content/Hangjeongdong 서울특별시.geojson')
gdf

자치구 경계 데이터와 버스정류장 개수 데이터를 sjoin 연산한 후 지도에 표현하기

import pandas as pd
import folium
from folium.plugins import MarkerCluster
from folium import Marker
import json
import geopandas as gpd
from shapely.geometry import Point

map = folium.Map(location=[36.6424341, 127.4890319], zoom_start=12)

mc = MarkerCluster()
df = pd.read_csv('/content/국토교통부_전국 버스정류장 위치정보_20241028.csv', encoding='cp949')
df =df[df['도시명'].str.contains("서울특별시")]

gdf = gpd.read_file('/content/서울 자치구 경계 2017.geojson')


# 3. 좌표를 Point 객체로 변환
points = gpd.GeoDataFrame(df, geometry=[Point(xy) for xy in zip(df['경도'], df['위도'])], crs="EPSG:4326")

# 4. 구역 매칭 (Spatial join)
joined = gpd.sjoin(points, gdf, how="left", predicate='within')

# 5. 구역별 개수 집계
counts = joined.groupby('SIG_CD').size().reset_index(name='count')
joined


folium.Choropleth(
    geo_data='/content/서울 자치구 경계 2017.geojson',
    data=counts,
    columns=['SIG_CD', 'count'],
    key_on='feature.properties.SIG_CD',
    fill_color='YlOrRd',
    fill_opacity=0.7,
    line_opacity=0.2,
    legend_name='Count'
).add_to(map)

map

서울시 휴게음식점 시각화

서울시 휴게음식점 데이터 가져와 데이터 마이닝 하기

from io import StringIO
import pandas as  pd
with open("/content/서울시 휴게음식점 인허가 정보.csv", 'r', encoding='euc_kr', errors='ignore') as f:
    text = f.read()


brands = ["버거킹","롯데리아","KFC","맘스터치"]
pattern = "|".join(brands)

store = pd.read_csv(StringIO(text))
filtered_store = store[(store['영업상태명'] != '폐업') & (store['사업장명'].str.contains(pattern, case=False ,regex=True))]
#filtered_store = store[(store['영업상태명'] != '폐업')]

filtered_store = filtered_store.dropna(subset=['좌표정보(X)', '좌표정보(Y)'])
filtered_store[['사업장명',"좌표정보(X)","좌표정보(Y)"]]


gdf = gpd.GeoDataFrame(filtered_store, geometry=gpd.points_from_xy(filtered_store['좌표정보(X)'], filtered_store['좌표정보(Y)']), crs="EPSG:5174")
gdf = gdf.to_crs(epsg=4326)
gdf[['사업장명',"좌표정보(X)","좌표정보(Y)",'geometry']]
gdf = gdf.dropna(subset=['geometry'])
gdf = gdf[~gdf.geometry.is_empty]
gdf

좌표정보 표시하기

# 값 바꾸기
from pyproj import Transformer

transformer = Transformer.from_crs("EPSG:5174", "EPSG:4326", always_xy=True)
filtered_store['lon'], filtered_store['lat'] = transformer.transform(
    filtered_store['좌표정보(X)'], filtered_store['좌표정보(Y)']
)

gdf = gpd.GeoDataFrame(filtered_store, geometry=gpd.points_from_xy(filtered_store['lon'], filtered_store['lat']), crs="EPSG:4326")
gdf = gdf.to_crs(epsg=4326)
gdf[['사업장명',"좌표정보(X)","좌표정보(Y)",'geometry']]
gdf = gdf.dropna(subset=['geometry'])
gdf = gdf[~gdf.geometry.is_empty]
gdf

매장 개수 및 주소를 지도에 시각화하기(주소는 팝업형태로)

map = folium.Map(location=[37.56353,127.06344], zoom_start=12)

area = gpd.read_file('/content/Hangjeongdong 서울특별시.geojson')

# 4. 구역 매칭 (Spatial join)
joined = gpd.sjoin(gdf, area, how="left", predicate='within')

# 5. 구역별 개수 집계
counts = joined.groupby('adm_cd2').size().reset_index(name='count')
joined


# folium.Choropleth(
#     geo_data='/content/서울 자치구 경계 2017.geojson',
#     data=counts,
#     columns=['SIG_CD', 'count'],
#     key_on='feature.properties.SIG_CD',
#     fill_color='YlOrRd',
#     fill_opacity=0.7,
#     line_opacity=0.2,
#     legend_name='Count',
#     popup=counts
# ).add_to(map)

folium.Choropleth(
    geo_data='/content/Hangjeongdong 서울특별시.geojson',
    data=counts,
    columns=['adm_cd2', 'count'],
    key_on='feature.properties.adm_cd2',
    fill_color='YlOrRd',
    fill_opacity=0.7,
    line_opacity=0.2,
    legend_name='Count'
).add_to(map)

folium.GeoJson(
    data='/content/Hangjeongdong 서울특별시.geojson',
    name='popup',
    tooltip=folium.GeoJsonTooltip(
        fields=['adm_nm'],  # GeoJSON 속성 중 표시할 필드명
        localize=True
    ),
    fill_opacity=0,
    style_function=lambda feature: {
        "color": None,
    },
).add_to(map)

map

기술 상세 설명

라이브러리 정리

pandas: 표 형태(테이블) 데이터 전처리

geopandas: pandas + 공간 정보(점/선/면) 지원 (Shapely 기반)

folium: Leaflet.js 기반의 인터랙티브 웹 지도 시각화 (HTML로 저장 가능)

pyproj: 좌표계 변환(투영/경위도 ↔ 평면, EPSG 변환)

fiona: 벡터 파일(Shapefile, GeoJSON 등) 읽기/쓰기 백엔드

Folium 핵심 기술 정리

Folium은 위경도(WGS84) 기준으로 지도를 그린다.

기본 지도

import folium

m = folium.Map(location=[37.5665, 126.9780], zoom_start=12, tiles="cartodbpositron")
m.save("map.html")

마커류

# 단일 마커
folium.Marker([37.57, 126.98], popup="종로", tooltip="클릭!").add_to(m)

# 원형 마커
folium.CircleMarker(
    location=[37.56, 126.97], radius=8, fill=True, fill_opacity=0.7
).add_to(m)

MarkerCluster

from folium.plugins import MarkerCluster

cluster = MarkerCluster().add_to(m)
for lat, lon, name in [(37.57,126.98,"A"), (37.56,126.97,"B")]:
    folium.Marker([lat, lon], popup=name).add_to(cluster)

Chorolpleth (범례지도)

# df: pandas DataFrame (열: 지역코드 'code', 값 'value')
# geo: 지역 경계 GeoJSON (속성에 지역코드 키 존재)
folium.Choropleth(
    geo_data="regions.geojson",
    data=df,
    columns=["code", "value"],
    key_on="feature.properties.code",   # GeoJSON 속성 경로
    fill_opacity=0.8,
    line_opacity=0.4,
    legend_name="지표 값"
).add_to(m)

데이터 활용

GeoDataFrame

import pandas as pd
import geopandas as gpd
from shapely.geometry import Point

# CSV -> 점 포인트 변환 (경위도)
df = pd.read_csv("points.csv")  # columns: lat, lon, name
gdf = gpd.GeoDataFrame(df, geometry=gpd.points_from_xy(df["lon"], df["lat"]), crs="EPSG:4326")

# 투영 좌표계(미터 단위)로 변환 (예: 서울 근처 UTM 52N: 32652 권장, 혹은 3857)
gdf_m = gdf.to_crs(3857)

파일 읽기/쓰기

# 지역 경계(면) 읽기
poly = gpd.read_file("regions.geojson")        # 또는 .shp
poly = poly.to_crs(4326)                        # Folium 그릴 거면 4326

# 저장
gdf.to_file("points.geojson", driver="GeoJSON")

sjoin 연산
개념
- 두 공간 레이어(점/선/면) 를 공간 관계(포함·교차 등)로 조인
- SQL의 join과 비슷하지만, 키 대신 공간관계(predicate) 사용
코드
```
gpd.sjoin(left_gdf, right_gdf, how="left", predicate="intersects")
```
- how: "left"(기본), "inner", "right"
- predicate(자주 쓰는 것)
  - "intersects": 겹치기만 하면 매칭(가장 범용)
  - "within": 왼쪽 지오메트리가 오른쪽 안에 있어야 함
  - "contains": 왼쪽이 오른쪽을 포함해야 함
  - "touches": 경계만 접촉
  - "overlaps": 일부 겹치되 어느 한쪽이 완전 포함 아님
  - "crosses", "covers", "covered_by" 등도 사용 가능
    (환경/버전에 따라 지원 predicate가 다를 수 있으나 Shapely 2.x 기준 위 항목들 지원)