image.png

1.광역시별 15-29세 실업자수

행정구역_시도__연령별_실업자_20250828112631.csv

image.png

image.png

  1. 광역시별 15-29세 고용률

행정구역_시도__연령별_경제활동인구_20250828112622.csv

분기 고용률

시도 고용률(%) 분기
부산광역시 46.7 2024.3/4
대구광역시 36.6 2024.3/4
인천광역시 49.2 2024.3/4
광주광역시 38.8 2024.3/4
대전광역시 44.2 2024.3/4

시도별 × 분기 고용률

시도 2024.3/4 2024/4 2025.1/4 2025.2/4
광주광역시 38.8 36.3 37.2 37.1
대구광역시 36.6 35.6 38.0 40.7
대전광역시 44.2 42.8 44.6 46.0
부산광역시 46.7 46.0 43.8 44.0
울산광역시 40.8 41.0 41.5 43.7
인천광역시 49.2 48.0 46.0 45.1 
import pandas as pd
import re

# 1) 서울 제외 광역시 조건 (부산/대구/인천/광주/대전/울산)
metros_no_seoul = ["부산광역시","대구광역시","인천광역시","광주광역시","대전광역시","울산광역시"]

# 2) df3에서 조건 필터 (df3가 이미 15-29세만 담고 있지 않을 수도 있으니 안전하게 한 번 더 체크)
mask_city = df3["시도별"].isin(metros_no_seoul)
mask_age  = df3["연령계층별"].eq("15 - 29세") if "연령계층별" in df3.columns else True
sub = df3.loc[mask_city & mask_age].copy()

# 3) '고용률(%)' 컬럼만 자동 선택
#   - 패턴 예: 2024.3/4(총인구), 2024.3/4.1(경제활동인구), 2024.3/4.2(비경제활동인구),
#              2024.3/4.3(경제활동참가율), 2024.3/4.4(고용률)
#   - 따라서 고용률은 ".4"로 끝나는 컬럼들
emp_rate_cols = [c for c in sub.columns if re.match(r"^\\d{4}\\.\\d/4\\.4$", c)]

# 4) long 형태 (시각화/가공에 편리)
emp_long = (
    sub[["시도별"] + emp_rate_cols]
      .melt(id_vars="시도별", var_name="분기_raw", value_name="고용률(%)")
)
# 숫자 변환 + 분기 라벨 정리(뒤의 ".4" 제거)
emp_long["고용률(%)"] = pd.to_numeric(emp_long["고용률(%)"], errors="coerce")
emp_long["분기"] = emp_long["분기_raw"].str.replace(".4", "", regex=False)
emp_long = emp_long.drop(columns=["분기_raw"])

# 5) pivot 형태 (광역시 × 분기 표)
emp_pivot = emp_long.pivot(index="시도별", columns="분기", values="고용률(%)")

# 확인
print(emp_long.head())   # long 미리보기 (시도별, 분기, 고용률)
print(emp_pivot)         # pivot 표 (시도별 × 분기 고용률)

KOSIS 실업률 지도 시각화 직접 진행

Colab

※참고 CSV 파일 :

전체 실업률.csv

행정구역_시도__연령별_경제활동인구_20250828112622.csv