Python 10

1. 10살 단위로 인구를 정리한다.¶

In [2]:

import numpy as np
import pandas as pd

#frame1 = pd.read_csv('files/180630_Daegu.csv', sep=',')
#frame2 = pd.read_csv('files/181231_Daegu.csv', sep=',')
#frame3 = pd.read_csv('files/190630_Daegu.csv', sep=',')

In [21]:

resident_01 = pd.read_csv('files/180630_Daegu.csv', sep=',')
resident_01.head(3)

Out[21]:

	구분	총계	총계 남	총계 여	중구 계	중구 남	중구 여	동구 계	동구 남	동구 여	...	북구 여	수성구 계	수성구 남	수성구 여	달서구 계	달서구 남	달서구 여	달성군 계	달성군 남	달성군 여
0	0세	14568	7488	7080	511	275	236	2263	1161	1102	...	1356	1784	911	873	3215	1719	1496	2724	1374	1350
1	1세	17475	8947	8528	609	309	300	2755	1410	1345	...	1670	2264	1170	1094	3818	2017	1801	3063	1543	1520
2	2세	19562	9985	9577	612	308	304	3000	1467	1533	...	1847	2684	1410	1274	4423	2317	2106	3327	1668	1659

3 rows × 28 columns

In [22]:

df = resident_01.copy()

In [23]:

drop_list = []
check_list = ['총계', '구분', ' 남', ' 여'] # 남구 삭제 방지를 위해 '남' 앞에 공백 추가 
for chk in check_list:
    for item in df.columns :
        if chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [24]:

df1 = df.drop(drop_list, axis=1)
df1.head(3)

Out[24]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
0	511	2263	719	586	2766	1784	3215	2724
1	609	2755	887	718	3361	2264	3818	3063
2	612	3000	1010	776	3730	2684	4423	3327

In [25]:

df1['인구0'] = (pd.DataFrame(range(0,101))/10).astype(int)*10
df1 = df1.groupby('인구0')
df1 = df1.sum()
df1

Out[25]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
인구0
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	7385	27835	16212	14612	25635	26830	30320	12057
80	2997	10725	5702	6239	9784	12104	12259	5235
90	433	1251	656	729	1054	1404	1291	636
100	88	106	89	72	68	97	68	26

2. 70대 이상은 하나로 합친다.¶

In [26]:

df1['인구'] = df1.index
df1['인구'] = np.where(df1['인구'] >= 70, 70, df1.인구)
df1 = df1.groupby('인구')
df1 = df1.sum()
df1

Out[26]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
인구
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	10903	39917	22659	21652	36541	40435	43938	17954

In [27]:

resident_02 = pd.read_csv('files/181231_Daegu.csv', sep=',')
resident_02.head(3)

Out[27]:

	구분	총계	총계 남	총계 여	중구 계	중구 남	중구 여	동구 계	동구 남	동구 여	...	북구 여	수성구 계	수성구 남	수성구 여	달서구 계	달서구 남	달서구 여	달성군 계	달성군 남	달성군 여
0	0세	13993	7075	6918	521	272	249	2173	1100	1073	...	1318	1685	874	811	2954	1483	1471	2735	1362	1373
1	1세	16306	8442	7864	548	278	270	2569	1365	1204	...	1550	2097	1060	1037	3627	1959	1668	2968	1521	1447
2	2세	18774	9576	9198	656	325	331	2875	1433	1442	...	1791	2484	1313	1171	4160	2185	1975	3282	1624	1658

3 rows × 28 columns

In [28]:

df = resident_02.copy()

In [29]:

drop_list = []
check_list = ['총계', '구분', ' 남', ' 여'] # 남구 삭제 방지를 위해 '남' 앞에 공백 추가 
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [30]:

df2 = df.drop(drop_list, axis=1)
df2

Out[30]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
0	521	2173	650	587	2688	1685	2954	2735
1	548	2569	784	628	3085	2097	3627	2968
2	656	2875	960	720	3637	2484	4160	3282
3	639	3055	965	779	3827	2858	4623	3264
4	594	3055	937	759	3790	3106	4571	3208
...	...	...	...	...	...	...	...	...
96	21	62	22	41	64	64	64	31
97	17	45	25	27	33	54	52	20
98	18	31	13	25	41	25	17	8
99	8	27	10	11	19	24	19	12
100	85	110	95	76	71	90	76	25

101 rows × 8 columns

In [31]:

df2['인구'] = (pd.DataFrame(range(0,101))/10).astype(int)*10
df2['인구'] = np.where(df2['인구'] >= 70, 70, df2.인구)
df2 = df2.groupby('인구')
df2 = df2.sum()
df2

Out[31]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
인구
0	5744	28571	9287	7520	36774	31851	45262	29944
10	5583	29313	13294	10849	48006	56785	62415	23427
20	11670	43532	24698	20423	60735	57599	82364	29824
30	11653	48399	20686	18483	57192	45823	72346	43396
40	11368	53666	26316	21908	76298	77586	96358	40770
50	12107	59146	37819	26357	75980	74581	105563	39590
60	10215	47617	29113	22849	46874	47295	63772	25015
70	11061	41047	23159	22112	37630	41239	45333	18577

In [32]:

resident_03 = pd.read_csv('files/190630_Daegu.csv', thousands=',')
resident_03.head(3)

Out[32]:

	행정구역	총계	총계 남	총계 여	중구 계	중구 남	중구 여	동구 계	동구 남	동구 여	...	북구 여	수성구 계	수성구 남	수성구 여	달서구 계	달서구 남	달서구 여	달성군 계	달성군 남	달성군 여
0	0세	13085	6754	6331	456	228	228	2019	1021	998	...	1221	1565	839	726	2771	1413	1358	2660	1358	1302
1	1세	15384	7854	7530	524	273	251	2401	1235	1166	...	1434	1964	986	978	3370	1780	1590	2885	1429	1456
2	2세	17580	9026	8554	588	293	295	2718	1429	1289	...	1682	2387	1217	1170	3836	2028	1808	3138	1579	1559

3 rows × 28 columns

In [33]:

df = resident_03.copy()

In [34]:

drop_list = []
check_list = ['행정구역', '총계', ' 남', ' 여'] # 남구 삭제 방지를 위해 '남 '추가 
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [35]:

df3 = df.drop(drop_list, axis=1)
df3

Out[35]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
0	456	2019	559	532	2523	1565	2771	2660
1	524	2401	688	598	2954	1964	3370	2885
2	588	2718	852	675	3386	2387	3836	3138
3	625	2947	947	742	3717	2839	4480	3362
4	628	3103	885	722	3853	3069	4710	3260
...	...	...	...	...	...	...	...	...
96	28	56	32	52	76	67	77	36
97	19	64	22	26	41	54	46	20
98	16	29	16	23	34	32	30	11
99	16	27	12	21	26	25	17	8
100	87	115	93	77	76	95	79	28

101 rows × 8 columns

In [36]:

df3.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 101 entries, 0 to 100
Data columns (total 8 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   중구 계    101 non-null    int64
 1   동구 계    101 non-null    int64
 2   서구 계    101 non-null    int64
 3   남구 계    101 non-null    int64
 4   북구 계    101 non-null    int64
 5   수성구 계   101 non-null    int64
 6   달서구 계   101 non-null    int64
 7   달성군 계   101 non-null    int64
dtypes: int64(8)
memory usage: 6.4 KB

In [37]:

df3 = df.drop(drop_list, axis=1)
df3

Out[37]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
0	456	2019	559	532	2523	1565	2771	2660
1	524	2401	688	598	2954	1964	3370	2885
2	588	2718	852	675	3386	2387	3836	3138
3	625	2947	947	742	3717	2839	4480	3362
4	628	3103	885	722	3853	3069	4710	3260
...	...	...	...	...	...	...	...	...
96	28	56	32	52	76	67	77	36
97	19	64	22	26	41	54	46	20
98	16	29	16	23	34	32	30	11
99	16	27	12	21	26	25	17	8
100	87	115	93	77	76	95	79	28

101 rows × 8 columns

In [38]:

df3['인구'] = (pd.DataFrame(range(0,101))/10).astype(int)*10
df3['인구'] = np.where(df3['인구'] >= 70, 70, df3.인구)
df3 = df3.groupby('인구')
df3 = df3.sum()
df3

Out[38]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
인구
0	5572	27937	8765	7221	36116	31376	44236	30293
10	5370	28629	12665	10462	46834	55090	60556	23621
20	11620	42833	23711	20327	60691	56987	81862	29765
30	11311	47415	19635	17871	56384	45226	71171	43412
40	11108	52960	25199	21400	75095	76047	94565	41490
50	11798	58640	36882	26010	76729	74962	105716	40356
60	10069	48272	29378	22886	48297	48484	66056	26081
70	11087	42139	23685	22505	38947	42309	47141	19221

3. 3개의 기간동안 인구가 증가하는 곳을 찾는다.¶

인구증가 비교를 위해 총합 index 생성

In [39]:

# 전치
df1 = df1.T
df1['총합'] = df1.sum(axis='columns').astype(int)
df1

Out[39]:

인구	0	10	20	30	40	50	60	70	총합
중구 계	5674	5549	11300	11396	11358	12107	10243	10903	78530
동구 계	29075	29903	43608	48971	54564	59064	46790	39917	351892
서구 계	9719	14006	25542	21529	27671	38473	29106	22659	188705
남구 계	7797	11162	20608	18912	22502	26615	22642	21652	151890
북구 계	37401	48985	61021	57670	77961	75014	45549	36541	440142
수성구 계	32508	57880	58097	46528	79395	74095	46530	40435	435468
달서구 계	46276	63987	82987	72962	98641	104487	61842	43938	575120
달성군 계	29751	23382	29853	43404	40726	38816	23984	17954	247870

In [40]:

df2 = df2.T
df2['총합'] = df2.sum(axis='columns').astype(int)
df2

Out[40]:

인구	0	10	20	30	40	50	60	70	총합
중구 계	5744	5583	11670	11653	11368	12107	10215	11061	79401
동구 계	28571	29313	43532	48399	53666	59146	47617	41047	351291
서구 계	9287	13294	24698	20686	26316	37819	29113	23159	184372
남구 계	7520	10849	20423	18483	21908	26357	22849	22112	150501
북구 계	36774	48006	60735	57192	76298	75980	46874	37630	439489
수성구 계	31851	56785	57599	45823	77586	74581	47295	41239	432759
달서구 계	45262	62415	82364	72346	96358	105563	63772	45333	573413
달성군 계	29944	23427	29824	43396	40770	39590	25015	18577	250543

In [41]:

df3 = df3.T
df3['총합'] = df3.sum(axis='columns').astype(int)
df3

Out[41]:

인구	0	10	20	30	40	50	60	70	총합
중구 계	5572	5370	11620	11311	11108	11798	10069	11087	77935
동구 계	27937	28629	42833	47415	52960	58640	48272	42139	348825
서구 계	8765	12665	23711	19635	25199	36882	29378	23685	179920
남구 계	7221	10462	20327	17871	21400	26010	22886	22505	148682
북구 계	36116	46834	60691	56384	75095	76729	48297	38947	439093
수성구 계	31376	55090	56987	45226	76047	74962	48484	42309	430481
달서구 계	44236	60556	81862	71171	94565	105716	66056	47141	571303
달성군 계	30293	23621	29765	43412	41490	40356	26081	19221	254239

In [42]:

pop1 = df2['총합'] > df1['총합']
pop2 = df3['총합'] > df2['총합']
df3['인구증가'] = pop1 & pop2
df3

Out[42]:

인구	0	10	20	30	40	50	60	70	총합	인구증가
중구 계	5572	5370	11620	11311	11108	11798	10069	11087	77935	False
동구 계	27937	28629	42833	47415	52960	58640	48272	42139	348825	False
서구 계	8765	12665	23711	19635	25199	36882	29378	23685	179920	False
남구 계	7221	10462	20327	17871	21400	26010	22886	22505	148682	False
북구 계	36116	46834	60691	56384	75095	76729	48297	38947	439093	False
수성구 계	31376	55090	56987	45226	76047	74962	48484	42309	430481	False
달서구 계	44236	60556	81862	71171	94565	105716	66056	47141	571303	False
달성군 계	30293	23621	29765	43412	41490	40356	26081	19221	254239	True

In [43]:

df3[df3.인구증가 == True]

Out[43]:

인구	0	10	20	30	40	50	60	70	총합	인구증가
달성군 계	30293	23621	29765	43412	41490	40356	26081	19221	254239	True

4. 다음조건 찾기¶

• 남성인구 > 여성인구
• 인구수 > 20만

In [53]:

df = resident_01.copy()

In [54]:

#공통제거
drop_list = []
check_list = ['총계', '구분']
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [55]:

df = df.drop(drop_list, axis=1)

In [56]:

df['인구'] = (pd.DataFrame(range(0,101))/10).astype(int)*10
df['인구'] = np.where(df['인구'] >= 70, 70, df.인구)
df = df.groupby('인구')
df = df.sum()
df = df.T
df['총합'] = df.sum(axis='columns').astype(int)
df = df.T
df

Out[56]:

	중구 계	중구 남	중구 여	동구 계	동구 남	동구 여	서구 계	서구 남	서구 여	남구 계	...	북구 여	수성구 계	수성구 남	수성구 여	달서구 계	달서구 남	달서구 여	달성군 계	달성군 남	달성군 여
인구
0	5674	2952	2722	29075	14987	14088	9719	4936	4783	7797	...	18260	32508	16713	15795	46276	23865	22411	29751	15132	14619
10	5549	2801	2748	29903	15815	14088	14006	7406	6600	11162	...	23284	57880	30792	27088	63987	33506	30481	23382	12302	11080
20	11300	5611	5689	43608	23707	19901	25542	14240	11302	20608	...	27737	58097	31464	26633	82987	45010	37977	29853	16533	13320
30	11396	5877	5519	48971	25221	23750	21529	11920	9609	18912	...	28127	46528	22290	24238	72962	37075	35887	43404	22386	21018
40	11358	5868	5490	54564	28261	26303	27671	14669	13002	22502	...	39635	79395	36264	43131	98641	47547	51094	40726	21246	19480
50	12107	6000	6107	59064	28461	30603	38473	19174	19299	26615	...	37602	74095	36270	37825	104487	50800	53687	38816	19554	19262
60	10243	4642	5601	46790	21842	24948	29106	13749	15357	22642	...	23545	46530	21938	24592	61842	30114	31728	23984	11985	11999
70	10903	4343	6560	39917	16048	23869	22659	9023	13636	21652	...	22217	40435	16218	24217	43938	17326	26612	17954	7004	10950
총합	78530	38094	40436	351892	174342	177550	188705	95117	93588	151890	...	220407	435468	211949	223519	575120	285243	289877	247870	126142	121728

9 rows × 24 columns

In [58]:

#남자만 뽑기
drop_list = []
check_list = [' 계', ' 여']
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [59]:

ex4_df1_M = df.drop(drop_list, axis=1)
ex4_df1_M = ex4_df1_M.T
ex4_df1_M

Out[59]:

인구	0	10	20	30	40	50	60	70	총합
중구 남	2952	2801	5611	5877	5868	6000	4642	4343	38094
동구 남	14987	15815	23707	25221	28261	28461	21842	16048	174342
서구 남	4936	7406	14240	11920	14669	19174	13749	9023	95117
남구 남	3986	5829	10837	9790	11423	12691	10382	8566	73504
북구 남	19141	25701	33284	29543	38326	37412	22004	14324	219735
수성구 남	16713	30792	31464	22290	36264	36270	21938	16218	211949
달서구 남	23865	33506	45010	37075	47547	50800	30114	17326	285243
달성군 남	15132	12302	16533	22386	21246	19554	11985	7004	126142

In [60]:

#여자만 뽑기
drop_list = []
check_list = [' 계', ' 남']
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [61]:

ex4_df1_F = df.drop(drop_list, axis=1)
ex4_df1_F = ex4_df1_F.T
ex4_df1_F 

Out[61]:

인구	0	10	20	30	40	50	60	70	총합
중구 여	2722	2748	5689	5519	5490	6107	5601	6560	40436
동구 여	14088	14088	19901	23750	26303	30603	24948	23869	177550
서구 여	4783	6600	11302	9609	13002	19299	15357	13636	93588
남구 여	3811	5333	9771	9122	11079	13924	12260	13086	78386
북구 여	18260	23284	27737	28127	39635	37602	23545	22217	220407
수성구 여	15795	27088	26633	24238	43131	37825	24592	24217	223519
달서구 여	22411	30481	37977	35887	51094	53687	31728	26612	289877
달성군 여	14619	11080	13320	21018	19480	19262	11999	10950	121728

In [62]:

#합계만 뽑기
drop_list = []
check_list = [' 남', ' 여']
for chk in check_list:
    for item in df.columns :
        if  chk in item:
            drop_list.append(item)
drop_list = list(set(drop_list))

In [63]:

ex4_df1_T = df.drop(drop_list, axis=1)
ex4_df1_T = ex4_df1_T.T
ex4_df1_T

Out[63]:

인구	0	10	20	30	40	50	60	70	총합
중구 계	5674	5549	11300	11396	11358	12107	10243	10903	78530
동구 계	29075	29903	43608	48971	54564	59064	46790	39917	351892
서구 계	9719	14006	25542	21529	27671	38473	29106	22659	188705
남구 계	7797	11162	20608	18912	22502	26615	22642	21652	151890
북구 계	37401	48985	61021	57670	77961	75014	45549	36541	440142
수성구 계	32508	57880	58097	46528	79395	74095	46530	40435	435468
달서구 계	46276	63987	82987	72962	98641	104487	61842	43938	575120
달성군 계	29751	23382	29853	43404	40726	38816	23984	17954	247870

In [64]:

ex4_df1_T['남초여부'] = (ex4_df1_M['총합'].values > ex4_df1_F['총합'].values) 
# result = (ex4_df1_M['총합'].values > ex4_df1_F['총합'].values) > 0
# index = ex4_df1_T.index
# obj = pd.Series(result, index=index)
# ex4_df1_T['남초여부'] = obj
ex4_df1_T

Out[64]:

인구	0	10	20	30	40	50	60	70	총합	남초여부
중구 계	5674	5549	11300	11396	11358	12107	10243	10903	78530	False
동구 계	29075	29903	43608	48971	54564	59064	46790	39917	351892	False
서구 계	9719	14006	25542	21529	27671	38473	29106	22659	188705	True
남구 계	7797	11162	20608	18912	22502	26615	22642	21652	151890	False
북구 계	37401	48985	61021	57670	77961	75014	45549	36541	440142	False
수성구 계	32508	57880	58097	46528	79395	74095	46530	40435	435468	False
달서구 계	46276	63987	82987	72962	98641	104487	61842	43938	575120	False
달성군 계	29751	23382	29853	43404	40726	38816	23984	17954	247870	True

In [65]:

case1 = ex4_df1_T['남초여부'] == True 
case2 = ex4_df1_T['총합']> 200000
case = case1 & case2
ex4_df1_T['결과'] = case
ex4_df1_T

Out[65]:

인구	0	10	20	30	40	50	60	70	총합	남초여부	결과
중구 계	5674	5549	11300	11396	11358	12107	10243	10903	78530	False	False
동구 계	29075	29903	43608	48971	54564	59064	46790	39917	351892	False	False
서구 계	9719	14006	25542	21529	27671	38473	29106	22659	188705	True	False
남구 계	7797	11162	20608	18912	22502	26615	22642	21652	151890	False	False
북구 계	37401	48985	61021	57670	77961	75014	45549	36541	440142	False	False
수성구 계	32508	57880	58097	46528	79395	74095	46530	40435	435468	False	False
달서구 계	46276	63987	82987	72962	98641	104487	61842	43938	575120	False	False
달성군 계	29751	23382	29853	43404	40726	38816	23984	17954	247870	True	True

In [66]:

ex4_df1_T[ex4_df1_T['결과'] == True]

Out[66]:

인구	0	10	20	30	40	50	60	70	총합	남초여부	결과
달성군 계	29751	23382	29853	43404	40726	38816	23984	17954	247870	True	True

In [67]:

ex4_df1_T = ex4_df1_T.T
ex4_df1_T

Out[67]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군 계
인구
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	10903	39917	22659	21652	36541	40435	43938	17954
총합	78530	351892	188705	151890	440142	435468	575120	247870
남초여부	False	False	True	False	False	False	False	True
결과	False	False	False	False	False	False	False	True

컬럼 이름 변경¶

1. 새로운 리스트로 덮어씀

In [68]:

ex4_df1_T.columns = ['중구','동구','서구','남구','북구','수성구','달서구','달성군']
ex4_df1_T

Out[68]:

	중구	동구	서구	남구	북구	수성구	달서구	달성군
인구
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	10903	39917	22659	21652	36541	40435	43938	17954
총합	78530	351892	188705	151890	440142	435468	575120	247870
남초여부	False	False	True	False	False	False	False	True
결과	False	False	False	False	False	False	False	True

1. replace를 사용하여 이름 명 변경(대체)

In [70]:

ex4_df1_T.columns = ex4_df1_T.columns.str.replace("구","구 계")
ex4_df1_T

Out[70]:

	중구 계	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군
인구
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	10903	39917	22659	21652	36541	40435	43938	17954
총합	78530	351892	188705	151890	440142	435468	575120	247870
남초여부	False	False	True	False	False	False	False	True
결과	False	False	False	False	False	False	False	True

1. 각각 이름 변경시 rename을 사용

In [71]:

ex4_df1_T = ex4_df1_T.rename({'중구 계':'대구중구'}, axis='columns')
ex4_df1_T

Out[71]:

	대구중구	동구 계	서구 계	남구 계	북구 계	수성구 계	달서구 계	달성군
인구
0	5674	29075	9719	7797	37401	32508	46276	29751
10	5549	29903	14006	11162	48985	57880	63987	23382
20	11300	43608	25542	20608	61021	58097	82987	29853
30	11396	48971	21529	18912	57670	46528	72962	43404
40	11358	54564	27671	22502	77961	79395	98641	40726
50	12107	59064	38473	26615	75014	74095	104487	38816
60	10243	46790	29106	22642	45549	46530	61842	23984
70	10903	39917	22659	21652	36541	40435	43938	17954
총합	78530	351892	188705	151890	440142	435468	575120	247870
남초여부	False	False	True	False	False	False	False	True
결과	False	False	False	False	False	False	False	True