[2월 3주차-2/20(3)]대한민국 행복 지도 데이터 분석

대한민국의 행복 수준을 시각적으로 분석하기 위해 다양한 데이터를 활용하여 행복 지수를 분석하고, 요소별 시각화를 수행하였습니다. 이번 포스팅에서는 건강, 경제, 사회 참여, 교육, 삶의 만족도, 안전, 여가, 환경 등 다양한 요소를 분석하고 시각화한 결과를 공유합니다.

1. 데이터 불러오기 및 전처리

우선, 대한민국 행복 지도 데이터셋을 불러오고 전처리를 진행합니다.

import pandas as pd

health = pd.read_excel('data/대한민국행복지도_건강.xlsx')
economy = pd.read_excel('data/대한민국행복지도_경제.xlsx')
society = pd.read_excel('data/대한민국행복지도_관계및사회참여.xlsx')
education = pd.read_excel('data/대한민국행복지도_교육.xlsx')
satisfaction = pd.read_excel('data/대한민국행복지도_삶의만족도.xlsx')
safety = pd.read_excel('data/대한민국행복지도_안전.xlsx')
leisure = pd.read_excel('data/대한민국행복지도_여가.xlsx')
environment = pd.read_excel('data/대한민국행복지도_환경.xlsx')

각 데이터셋의 결측치를 확인하고, 필요한 열만 선택하여 하나의 데이터프레임으로 병합합니다.

health= health.iloc[:,0:4].rename(columns={'평균': '건강_평균'})
economy= economy[['No', '평균']].rename(columns={'평균': '경제_평균'})
society= society[['No', '평균']].rename(columns={'평균': '사회_평균'})
education= education[['No', '평균']].rename(columns={'평균': '교육_평균'})
satisfaction= satisfaction[['No', '삶의 만족도']].rename(columns={'삶의 만족도': '만족도_평균'})
safety= safety[['No', '평균']].rename(columns={'평균': '안전_평균'})
leisure= leisure[['No', '평균']].rename(columns={'평균': '여가_평균'})
environment= environment[['No', '평균']].rename(columns={'평균': '환경_평균'})

mg = pd.merge(health, economy, on='No', how='left')
mg = pd.merge(mg, society, on='No', how='left')
mg = pd.merge(mg, education, on='No', how='left')
mg = pd.merge(mg, satisfaction, on='No', how='left')
mg = pd.merge(mg, safety, on='No', how='left')
mg = pd.merge(mg, leisure, on='No', how='left')
mg = pd.merge(mg, environment, on='No', how='left')

2. 시도별 행복 지수 요소별 시각화 (선 그래프)

import matplotlib.pyplot as plt
import seaborn as sns

sido_avg = mg.groupby('시도')[['건강_평균', '경제_평균', '사회_평균', '교육_평균', 
                               '만족도_평균', '안전_평균', '여가_평균', '환경_평균']].mean().reset_index()

plt.figure(figsize=(10, 5))
sns.lineplot(x='시도', y='건강_평균', data=sido_avg, marker='o', color='b')
sns.lineplot(x='시도', y='경제_평균', data=sido_avg, marker='o', color='r')
sns.lineplot(x='시도', y='사회_평균', data=sido_avg, marker='o', color='pink')
sns.lineplot(x='시도', y='교육_평균', data=sido_avg, marker='o', color='yellow')
sns.lineplot(x='시도', y='만족도_평균', data=sido_avg, marker='o', color='green')
sns.lineplot(x='시도', y='안전_평균', data=sido_avg, marker='o', color='black')
sns.lineplot(x='시도', y='여가_평균', data=sido_avg, marker='o', color='skyblue')
sns.lineplot(x='시도', y='환경_평균', data=sido_avg, marker='o', color='darkblue')

plt.title('시도별 평균 행복지수 변화', fontsize=14)
plt.xlabel('시도', fontsize=12)
plt.ylabel('행복지수', fontsize=12)
plt.xticks(rotation=45)
plt.grid(True)
plt.show()

3. 행복 지수 요소별 각각 시각화 (막대 그래프)

plt.style.use("ggplot")
factors = ['건강_평균', '경제_평균', '사회_평균', '교육_평균', '만족도_평균', '안전_평균', '여가_평균', '환경_평균']
fig, axes = plt.subplots(2, 4, figsize=(20, 10))  
axes = axes.flatten()

for i, factor in enumerate(factors):
    sns.barplot(x=mg["시도"], y=mg[factor], ax=axes[i], palette="Blues")
    axes[i].set_title(factor)
    axes[i].set_xticklabels(mg["시도"], rotation=45)

plt.tight_layout()
plt.show()

4. 행복 지수 요소 간 상관관계 (히트맵)

correlation_matrix = mg[['건강_평균', '경제_평균', '사회_평균', '교육_평균', 
                         '만족도_평균', '안전_평균', '여가_평균', '환경_평균']].corr()

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f", linewidths=0.5)
plt.title("행복 지수 요소 간 상관관계", fontsize=15)
plt.show()

결론

• 행복지수는 단일 요소가 아닌, 다양한 요인의 복합적인 영향을 받는다.
• 수도권 및 대도시 지역의 행복지수가 전반적으로 높은 경향을 보이지만, 특정 요소에서 다른 지역이 우위를 점할 수도 있다.
• 경제적 요인이 중요하지만, 만족도나 사회참여, 여가와 같은 요소들도 행복에 중요한 영향을 미친다.
• 정책적 관점에서는 지역별 강점과 약점을 분석하여 맞춤형 개선 전략이 필요하며, 단순히 경제 발전만이 아니라, 사회적 요소(교육, 관계, 안전, 환경 등)도 고려해야 한다.