데이터프레임_정리

 

 

 

 

데이터프레임 행단위/열단위 합치기¶

 

In [1]:

import pandas as pd

 

 

<행단위 합치기>

 

In [3]:

### 임시 데이터 생성
# 임시 데이터
data = [["Dog",3],["Cat",5],["Tiger",2]]
index = [0,1,2]
columns = ["동물","나이"]
df_temp1 = pd.DataFrame(data, index=index, columns=columns)
df_temp1

 

Out[3]:

	동물	나이
0	Dog	3
1	Cat	5
2	Tiger	2

 

In [4]:

### 임시 데이터 생성
# 임시 데이터
data = [["집",0],["초원",0],["초원",1]]
index = [0,1,2]
columns = ["사는곳","뿔의갯수"]
df_temp2 = pd.DataFrame(data, index=index, columns=columns)
df_temp2

 

Out[4]:

	사는곳	뿔의갯수
0	집	0
1	초원	0
2	초원	1

 

 

행단위로 합치기¶

 

In [13]:

adf= pd.concat([df_temp1,df_temp2] ,axis=0, ignore_index=True)
adf

 

Out[13]:

	동물	나이	사는곳	뿔의갯수
0	Dog	3.0	NaN	NaN
1	Cat	5.0	NaN	NaN
2	Tiger	2.0	NaN	NaN
3	NaN	NaN	집	0.0
4	NaN	NaN	초원	0.0
5	NaN	NaN	초원	1.0

 

 

열단위로 합치기¶

 

In [17]:

adf= pd.concat([df_temp1,df_temp2] ,axis=1, ignore_index=False)
adf

 

Out[17]:

	동물	나이	사는곳	뿔의갯수
0	Dog	3	집	0
1	Cat	5	초원	0
2	Tiger	2	초원	1

 

 

<열단위 합치기 : 키값을 이용해서 합치는 방식>¶

 

In [24]:

### 임시 데이터 생성
data1 = {"국적코드":[1001,1002,1003],
        "국가":["한국","미국","인도"]}
df_info1 = pd.DataFrame(data1)

data2 = {"국적코드":[1001,1001,1005],
        "인구":[100, 200, 300]}
df_info2 = pd.DataFrame(data2)
df_info1, df_info2

 

Out[24]:

(   국적코드  국가
 0  1001  한국
 1  1002  미국
 2  1003  인도,
    국적코드   인구
 0  1001  100
 1  1001  200
 2  1005  300)

 

In [32]:

### 국적 코드가 같은 값들에 대해서 합치기
# 기준은 df_info1
pd.merge(left=df_info1, right =df_info2, how="inner", left_on="국적코드", right_on="국적코드")

 

Out[32]:

	국적코드	국가	인구
0	1001	한국	100
1	1001	한국	200

 

In [33]:

### 국적 코드가 같은 값은 같은대로, 같지 않으면 NaN으로 합치기 대해서 합치기
# 기준은 df_info1
pd.merge(left=df_info1, right =df_info2, how="left", left_on="국적코드", right_on="국적코드")

 

Out[33]:

	국적코드	국가	인구
0	1001	한국	100.0
1	1001	한국	200.0
2	1002	미국	NaN
3	1003	인도	NaN

 

In [34]:

### 국적 코드가 같은 값은 같은대로, 같지 않으면 NaN으로 합치기 대해서 합치기
# 기준은 df_info2
pd.merge(left=df_info1, right =df_info2, how="right", left_on="국적코드", right_on="국적코드")

 

Out[34]:

	국적코드	국가	인구
0	1001	한국	100
1	1001	한국	200
2	1005	NaN	300

 

 

전처리¶

<결측치 처리>

 

In [38]:

### bicycle.csv 파일 읽어오기
df = pd.read_csv("./data/bicycle.csv", encoding="euc-kr")
df.info()

 

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 420 entries, 0 to 419
Data columns (total 11 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   자전거번호    420 non-null    object 
 1   대여일시     420 non-null    object 
 2   대여소번호    420 non-null    int64  
 3   대여소명     420 non-null    object 
 4   대여거치대    396 non-null    float64
 5   반납일시     420 non-null    object 
 6   반납대여소번호  420 non-null    int64  
 7   반납대여소명   420 non-null    object 
 8   반납거치대    409 non-null    float64
 9   이용시간     405 non-null    float64
 10  이용거리     404 non-null    float64
dtypes: float64(4), int64(2), object(5)
memory usage: 36.2+ KB

 

In [39]:

### 결측치 데이터 확인하기
# 결측 데이터 값은 True , 정상 데이터 값은 False 
df.isnull()

 

Out[39]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	False	False	False	False	False	False	False	False	False	False	False
1	False	False	False	False	False	False	False	False	False	False	False
2	False	False	False	False	False	False	False	False	False	False	True
3	False	False	False	False	False	False	False	False	True	False	False
4	False	False	False	False	False	False	False	False	False	False	False
...	...	...	...	...	...	...	...	...	...	...	...
415	False	False	False	False	False	False	False	False	False	False	False
416	False	False	False	False	False	False	False	False	True	False	True
417	False	False	False	False	False	False	False	False	False	False	False
418	False	False	False	False	False	False	False	False	False	False	False
419	False	False	False	False	False	False	False	False	False	False	False

420 rows × 11 columns

 

In [40]:

### 결측치가 아닌 데이터 확인하기
df.notnull()

 

Out[40]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	True	True	True	True	True	True	True	True	True	True	True
1	True	True	True	True	True	True	True	True	True	True	True
2	True	True	True	True	True	True	True	True	True	True	False
3	True	True	True	True	True	True	True	True	False	True	True
4	True	True	True	True	True	True	True	True	True	True	True
...	...	...	...	...	...	...	...	...	...	...	...
415	True	True	True	True	True	True	True	True	True	True	True
416	True	True	True	True	True	True	True	True	False	True	False
417	True	True	True	True	True	True	True	True	True	True	True
418	True	True	True	True	True	True	True	True	True	True	True
419	True	True	True	True	True	True	True	True	True	True	True

420 rows × 11 columns

 

In [41]:

# 남자 여자 : 범주
# 키 :연속형
"""
<결측치 처리 방법>
1. 결측치가 있는 부분의 데이터를 사용할지 / 말지 결정
2. 사용 안한다면 -> 칼럼과 행 중 어느 부분을 제거할 지 결정
3. 사용한다면 -> 어떻게 대체할지 결정
(대체방법) 우선 사용자에게 어찌할지 물어본다. 1/3/(5)
3.1 결측치가 있는 해당 컬럼의 평균으로 모두 대체
3.2 범주형 데이터인 경우 범주의 비율대비로 대체
3.3 숫자값인 경우 모두 0으로 대체
3.4 결측 데이터가 속한 주변 컬럼들의 데이터 유형과 휴사한 데이터들의 평균으로 대체
3.5 결측치가잇는컬럼의 직전/직후 데이터 평균으로 대체
"""

 

Out[41]:

'\n<결측치 처리 방법>\n1. 결측치가 있는 부분의 데이터를 사용할지 / 말지 결정\n2. 사용 안한다면 -> 칼럼과 행 중 어느 부분을 제거할 지 결정\n3. 사용한다면 -> 어떻게 대체할지 결정\n(대체방법) 우선 사용자에게 어찌할지 물어본다. 1/3/(5)\n3.1 결측치가 있는 해당 컬럼의 평균으로 모두 대체\n3.2 범주형 데이터인 경우 범주의 비율대비로 대체\n3.3 숫자값인 경우 모두 0으로 대체\n3.4 결측 데이터가 속한 주변 컬럼들의 데이터 유형과 휴사한 데이터들의 평균으로 대체\n3.5 결측치가잇는컬럼의 직전/직후 데이터 평균으로 대체\n'

 

In [45]:

### 결측데이터 현황 확인
# 컬럼별 결측 현황
# sum(0):0의 의미는 각열의 행 단위를 의미함
df.isnull().sum(0)

 

Out[45]:

자전거번호       0
대여일시        0
대여소번호       0
대여소명        0
대여거치대      24
반납일시        0
반납대여소번호     0
반납대여소명      0
반납거치대      11
이용시간       15
이용거리       16
dtype: int64

 

In [47]:

### 결측데이터 현황 확인
# 컬럼별 결측 현황
# sum(1):1의 의미는 각행의 칼럼 단위를 의미함
df.isnull().sum(1)

 

Out[47]:

0      0
1      0
2      1
3      1
4      0
      ..
415    0
416    2
417    0
418    0
419    0
Length: 420, dtype: int64

 

 

결측데이터 삭제하기¶

 

In [55]:

### 결측치가 있는 모든 행들 삭제하기
df_drop=df.dropna(axis=0)
df_drop

 

Out[55]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	SPB-23220	2019-11-01 8:48	646	장한평역 1번출구 (국민은행앞)	3.0	2019-11-01 9:01	3	중랑센터	7.0	12.0	1100.0
1	SPB-16216	2019-11-04 8:38	646	장한평역 1번출구 (국민은행앞)	2.0	2019-11-04 8:56	3	중랑센터	2.0	7.0	1420.0
4	SPB-07935	2019-11-05 12:29	512	뚝섬역 1번 출구 옆	11.0	2019-11-05 12:39	3	중랑센터	7.0	10.0	1650.0
5	SPB-18401	2019-11-06 8:52	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-06 9:09	3	중랑센터	7.0	11.0	1350.0
6	SPB-18350	2019-11-06 8:35	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-06 9:10	3	중랑센터	2.0	9.0	1390.0
...	...	...	...	...	...	...	...	...	...	...	...
414	SPB-24515	2019-11-15 3:58	112	극동방송국 앞	1.0	2019-11-15 4:08	101	(구)합정동 주민센터	1.0	9.0	1620.0
415	SPB-12116	2019-11-15 4:22	112	극동방송국 앞	5.0	2019-11-15 4:33	101	(구)합정동 주민센터	1.0	11.0	2200.0
417	SPB-18841	2019-11-15 20:40	113	홍대입구역 2번출구 앞	24.0	2019-11-15 20:53	101	(구)합정동 주민센터	1.0	12.0	2280.0
418	SPB-24467	2019-11-15 21:55	152	마포구민체육센터 앞	18.0	2019-11-15 22:05	101	(구)합정동 주민센터	1.0	10.0	1180.0
419	SPB-17570	2019-11-15 22:16	391	정동길입구	7.0	2019-11-15 23:04	101	(구)합정동 주민센터	5.0	48.0	8100.0

358 rows × 11 columns

 

In [56]:

### 결측치가 있는 모든 컬럼들 삭제하기
df_drop=df.dropna(axis=1)
df_drop

 

Out[56]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	SPB-23220	2019-11-01 8:48	646	장한평역 1번출구 (국민은행앞)	3.0	2019-11-01 9:01	3	중랑센터	7.0	12.0	1100.0
1	SPB-16216	2019-11-04 8:38	646	장한평역 1번출구 (국민은행앞)	2.0	2019-11-04 8:56	3	중랑센터	2.0	7.0	1420.0
4	SPB-07935	2019-11-05 12:29	512	뚝섬역 1번 출구 옆	11.0	2019-11-05 12:39	3	중랑센터	7.0	10.0	1650.0
5	SPB-18401	2019-11-06 8:52	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-06 9:09	3	중랑센터	7.0	11.0	1350.0
6	SPB-18350	2019-11-06 8:35	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-06 9:10	3	중랑센터	2.0	9.0	1390.0
...	...	...	...	...	...	...	...	...	...	...	...
414	SPB-24515	2019-11-15 3:58	112	극동방송국 앞	1.0	2019-11-15 4:08	101	(구)합정동 주민센터	1.0	9.0	1620.0
415	SPB-12116	2019-11-15 4:22	112	극동방송국 앞	5.0	2019-11-15 4:33	101	(구)합정동 주민센터	1.0	11.0	2200.0
417	SPB-18841	2019-11-15 20:40	113	홍대입구역 2번출구 앞	24.0	2019-11-15 20:53	101	(구)합정동 주민센터	1.0	12.0	2280.0
418	SPB-24467	2019-11-15 21:55	152	마포구민체육센터 앞	18.0	2019-11-15 22:05	101	(구)합정동 주민센터	1.0	10.0	1180.0
419	SPB-17570	2019-11-15 22:16	391	정동길입구	7.0	2019-11-15 23:04	101	(구)합정동 주민센터	5.0	48.0	8100.0

358 rows × 11 columns

 

In [61]:

df["이용거리"].fillna(0) # null 을 0으로 바꾼다.
# df["이용거리"].fillna("missing") # null 을 0으로 바꾼다.
df["이용거리"].fillna(df["이용거리"].mean()) 

 

Out[61]:

0      1100.000000
1      1420.000000
2      2679.678218
3      1380.000000
4      1650.000000
          ...     
415    2200.000000
416    2679.678218
417    2280.000000
418    1180.000000
419    8100.000000
Name: 이용거리, Length: 420, dtype: float64

 

 

중복데이터¶

 

In [74]:

df["이용거리"]
### 중복데이터가 행의 위치 확인하기
df[df.duplicated(["이용거리"])] # 중복된 데이터들의 정보가 나온다.


### keep : 중복 중에 몇 번째 중복을 False(남겨둘것인지)로 할것인지
### 중복 중에 첫번째는 False, 나머지는 뒤에 중복들은 모두 True로
# keep : first , last, False
# first : 첫번째만 False(뒤쪽 중복데이터는 모두 True) -> 기본값 생략가능
# last : 마지막만 False (앞쪽 중복데이터는 모두 True)
# False: 중복 데이터 전체 True
df.duplicated(["이용거리"], keep="first")
df.duplicated(["이용거리"], keep="last")
df.duplicated(["이용거리"], keep=False)
df_no_duplicates = df[~df.duplicated(["이용거리"])] # 중복된 데이터 제외하고 출

print(df.duplicated(["이용거리"]) )
df.duplicated(["이용거리"],keep="first").value_counts()

 

 

0      False
1      False
2      False
3      False
4      False
       ...  
415    False
416     True
417     True
418     True
419    False
Length: 420, dtype: bool

Out[74]:

False    258
True     162
Name: count, dtype: int64

 

In [73]:

### 중복데이터는 사용할지 말지만 결정하면 됩니다.
# 원래는 전체 열에서 중복검사를 한다.
df.drop_duplicates(["이용거리"])

 

Out[73]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리
0	SPB-23220	2019-11-01 8:48	646	장한평역 1번출구 (국민은행앞)	3.0	2019-11-01 9:01	3	중랑센터	7.0	12.0	1100.0
1	SPB-16216	2019-11-04 8:38	646	장한평역 1번출구 (국민은행앞)	2.0	2019-11-04 8:56	3	중랑센터	2.0	7.0	1420.0
2	SPB-21097	2019-11-04 8:46	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-04 8:57	3	중랑센터	7.0	10.0	NaN
3	SPB-22292	2019-11-05 8:34	646	장한평역 1번출구 (국민은행앞)	1.0	2019-11-05 8:45	3	중랑센터	NaN	10.0	1380.0
4	SPB-07935	2019-11-05 12:29	512	뚝섬역 1번 출구 옆	11.0	2019-11-05 12:39	3	중랑센터	7.0	10.0	1650.0
...	...	...	...	...	...	...	...	...	...	...	...
410	SPB-18614	2019-11-14 23:07	391	정동길입구	5.0	2019-11-14 23:49	101	(구)합정동 주민센터	3.0	40.0	7510.0
413	SPB-25161	2019-11-15 3:13	106	합정역 7번출구 앞	6.0	2019-11-15 3:18	101	(구)합정동 주민센터	1.0	3.0	640.0
414	SPB-24515	2019-11-15 3:58	112	극동방송국 앞	1.0	2019-11-15 4:08	101	(구)합정동 주민센터	1.0	9.0	1620.0
415	SPB-12116	2019-11-15 4:22	112	극동방송국 앞	5.0	2019-11-15 4:33	101	(구)합정동 주민센터	1.0	11.0	2200.0
419	SPB-17570	2019-11-15 22:16	391	정동길입구	7.0	2019-11-15 23:04	101	(구)합정동 주민센터	5.0	48.0	8100.0

258 rows × 11 columns

 

 

이상데이터 처리하기¶

 

In [76]:

"""
이상 데이터 처리순서
1.결측치 처리가 선행되어야 합니다
-결측치도 데이터로 인식되기 때문에..
2.이상데이터는 범주형, 숫자형 데이터 처리방식이 다름
-일반적으로 이상데이터는 숫자형 데이터 처리를 주로 합니다.
3.이상 데이터 확인은 시각화(boxplot)를 통해서 확인합니다.
4. 실제 처리는 계산에 의해 처리됩니다.
"""

 

Out[76]:

'\n이상 데이터 처리순서\n1.결측치 처리가 선행되어야 합니다\n-결측치도 데이터로 인식되기 때문에..\n2.이상데이터는 범주형, 숫자형 데이터 처리방식이 다름\n-일반적으로 이상데이터는 숫자형 데이터 처리를 주로 합니다.\n3.이상 데이터 확인은 시각화(boxplot)를 통해서 확인합니다.\n4. 실제 처리는 계산에 의해 처리됩니다.\n'

 

In [77]:

### 시각화 라이브러리
import matplotlib.pylab as plt

 

In [79]:

### 사용할 데이터 읽어 들이기
df = pd.read_csv("./data/bicycle_out.csv", encoding="euc_kr")

 

In [80]:

df.info()

 

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 420 entries, 0 to 419
Data columns (total 12 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   자전거번호    420 non-null    object 
 1   대여일시     420 non-null    object 
 2   대여소번호    420 non-null    int64  
 3   대여소명     420 non-null    object 
 4   대여거치대    396 non-null    float64
 5   반납일시     420 non-null    object 
 6   반납대여소번호  420 non-null    int64  
 7   반납대여소명   420 non-null    object 
 8   반납거치대    409 non-null    float64
 9   이용시간     405 non-null    float64
 10  이용거리     404 non-null    float64
 11  나이       420 non-null    int64  
dtypes: float64(4), int64(3), object(5)
memory usage: 39.5+ KB

 

In [84]:

### 결측치 처리하기
df["대여거치대"] = df["대여거치대"].fillna(int(df["대여거치대"].mean()))
df["반납거치대"] = df["반납거치대"].fillna(int(df["반납거치대"].mean()))
df["이용시간"] = df["이용시간"].fillna(int(df["이용시간"].mean()))
df["이용거리"] = df["이용거리"].fillna(int(df["이용거리"].mean()))

 

In [85]:

df.info()

 

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 420 entries, 0 to 419
Data columns (total 12 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   자전거번호    420 non-null    object 
 1   대여일시     420 non-null    object 
 2   대여소번호    420 non-null    int64  
 3   대여소명     420 non-null    object 
 4   대여거치대    420 non-null    float64
 5   반납일시     420 non-null    object 
 6   반납대여소번호  420 non-null    int64  
 7   반납대여소명   420 non-null    object 
 8   반납거치대    420 non-null    float64
 9   이용시간     420 non-null    float64
 10  이용거리     420 non-null    float64
 11  나이       420 non-null    int64  
dtypes: float64(4), int64(3), object(5)
memory usage: 39.5+ KB

 

In [87]:

## 행단위 중복 체크
df.duplicated().value_counts()

 

Out[87]:

False    420
Name: count, dtype: int64

 

In [88]:

### 이상 데이터 확인하기
df.describe()

 

Out[88]:

	대여소번호	대여거치대	반납대여소번호	반납거치대	이용시간	이용거리	나이
count	420.000000	420.000000	420.000000	420.000000	420.000000	420.000000	420.000000
mean	243.254762	7.552381	93.338095	2.809524	21.259524	2679.652381	35.445238
std	301.148255	6.078611	26.270667	1.670152	19.871587	2969.890938	31.823039
min	3.000000	1.000000	3.000000	1.000000	2.000000	0.000000	21.000000
25%	104.000000	3.000000	101.000000	1.000000	8.000000	1070.000000	24.000000
50%	117.500000	6.000000	101.000000	2.000000	15.000000	1760.000000	29.000000
75%	226.500000	10.000000	101.000000	4.000000	27.000000	3547.500000	40.000000
max	3102.000000	30.000000	101.000000	7.000000	122.000000	42070.000000	533.000000

 

In [91]:

### 나이 데이터를 기준으로 이상데이터 시각적으로 확인하기

## 박스플롯 (boxplot) 
#이 함수는 데이터의 중앙값, 사분위 범위(IQR), 특이치(outlier) 등을 시각적으로 보여줍니다.
#상자그림은 데이터의 중심 경향과 분산을 파악하는 데 유용하며, 이상치나 특이치가 있는지도 시각적으로 확인할 수 있습니다
## outliner
plt.boxplot(df["나이"])
plt.show()
"""
박스 위쪽 선: Max Outliers
박스 하단 선: Mix Outliers
이상치로 의심되는 데이터 : Max 및 Min Outliers를 벗어난 데이터들
"""

 

 

 

In [93]:

## 100살 이상 데이터 확인하기
(df["나이"]>=100).value_counts()

 

Out[93]:

나이
False    416
True       4
Name: count, dtype: int64

 

In [94]:

df.describe()

 

Out[94]:

	대여소번호	대여거치대	반납대여소번호	반납거치대	이용시간	이용거리	나이
count	420.000000	420.000000	420.000000	420.000000	420.000000	420.000000	420.000000
mean	243.254762	7.552381	93.338095	2.809524	21.259524	2679.652381	35.445238
std	301.148255	6.078611	26.270667	1.670152	19.871587	2969.890938	31.823039
min	3.000000	1.000000	3.000000	1.000000	2.000000	0.000000	21.000000
25%	104.000000	3.000000	101.000000	1.000000	8.000000	1070.000000	24.000000
50%	117.500000	6.000000	101.000000	2.000000	15.000000	1760.000000	29.000000
75%	226.500000	10.000000	101.000000	4.000000	27.000000	3547.500000	40.000000
max	3102.000000	30.000000	101.000000	7.000000	122.000000	42070.000000	533.000000

 

In [95]:

### 이상치 계산 공식
# 최대 = q3 +(1.5 * IQR)
# 최소 = q1 -(1.5 * IQR)

 

In [97]:

import numpy as np

 

In [100]:

### 25% 및 75% 시점의 값 추출하기
q1, q3 = np.percentile(df["나이"],[25,75])
q1,q3

 

Out[100]:

(24.0, 40.0)

 

In [101]:

### IQR 계산
iqr = q3-q1
iqr

 

Out[101]:

16.0

 

In [102]:

### max outlier 계산
upper_bound= q3 + (1.5*iqr)
upper_bound

 

Out[102]:

64.0

 

In [103]:

### min outlier 계산
lower_bound = q1-(1.5 *iqr)
upper_bound, lower_bound

 

Out[103]:

(64.0, 0.0)

 

In [109]:

### 이상치로 의심되는 max 또는 min을 벗어나는 데이터 추출하기
df[((df["나이"]>upper_bound) | (df["나이"]<lower_bound))]
# 이상치를 찾기 위한 조건
df[(df["나이"] > upper_bound) | (df["나이"]<lower_bound)]

 

Out[109]:

	자전거번호	대여일시	대여소번호	대여소명	대여거치대	반납일시	반납대여소번호	반납대여소명	반납거치대	이용시간	이용거리	나이
4	SPB-07935	2019-11-05 12:29	512	뚝섬역 1번 출구 옆	11.0	2019-11-05 12:39	3	중랑센터	7.0	10.0	1650.0	120
30	SPB-20840	2019-11-28 8:32	419	홈플러스 앞	1.0	2019-11-28 8:35	5	상암센터 정비실	5.0	3.0	280.0	533
47	SPB-11637	2019-11-01 15:35	103	망원역 2번출구 앞	4.0	2019-11-01 15:41	101	(구)합정동 주민센터	2.0	5.0	1110.0	320
86	SPB-04854	2019-11-02 19:52	101	(구)합정동 주민센터	5.0	2019-11-02 21:01	101	(구)합정동 주민센터	2.0	21.0	2300.0	220
123	SPB-22075	2019-11-03 21:50	152	마포구민체육센터 앞	7.0	2019-11-03 21:57	101	(구)합정동 주민센터	1.0	6.0	970.0	69
148	SPB-24758	2019-11-04 17:59	106	합정역 7번출구 앞	7.0	2019-11-04 18:20	101	(구)합정동 주민센터	5.0	20.0	1130.0	65
221	SPB-06127	2019-11-06 16:06	1925	동양미래대학교 정문 옆	6.0	2019-11-06 17:09	101	(구)합정동 주민센터	4.0	62.0	12610.0	66
294	SPB-08818	2019-11-08 23:13	108	서교동 사거리	2.0	2019-11-08 23:24	101	(구)합정동 주민센터	2.0	10.0	1360.0	65
362	SPB-24781	2019-11-12 10:45	101	(구)합정동 주민센터	3.0	2019-11-12 11:50	101	(구)합정동 주민센터	4.0	64.0	5600.0	65
363	SPB-24858	2019-11-12 11:41	113	홍대입구역 2번출구 앞	21.0	2019-11-12 11:54	101	(구)합정동 주민센터	1.0	11.0	2060.0	67

 

In [ ]: