SEOYEON CHOI
July 31, 2024
\(\rightarrow\) 사용한 데이터
2015년부터 2023년까지의 농업경영체 현황(농업인)_지역별 농업인 현황 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
총 농업인 수를 기준으로 농업인이 성별로 어떻게 다른 양상을 보이는지 확인하고자 하였습니다.
dfs = []
years = range(2015, 2024)
for year in years:
file_path = f'./dataset/Farm_dataset/{year}_농업경영체 현황(농업인)_지역별 농업인 현황.csv'
df = pd.read_csv(file_path, header=1).iloc[:-1, :4]
df = df.rename(columns={'Unnamed: 0': '시도명', 'Unnamed: 1': '농업인수'})
df = df.assign(남성비율 = round((df['남'] / df['농업인수'])*100, 2))
df = df.assign(여성비율 = round((df['여'] / df['농업인수'])*100, 2))
df = df.assign(연도 = year)
dfs.append(df)
df_all = pd.concat(dfs, ignore_index=True)df_avg = df_all.groupby('연도').agg({
'남성비율': 'mean',
'여성비율': 'mean'
}).reset_index()
fig = px.line(df_avg, x='연도', y=['남성비율', '여성비율'],
title='농업인의 연도별 평균 남성비율과 여성비율',
labels={'연도': '연도', 'value': '비율 (%)'},
markers=True,
width=800,height=400)
fig.update_layout(showlegend=True,legend_title_text="" ,
yaxis=dict(
range=[40, 60]
),template='ggplot2')
figNameError: name 'px' is not defined\(\rightarrow\) 사용한 데이터
2015년부터 2023년까지의 농업경영체 현황(농업인)_지역별 농업인 현황 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
총 농업인 수를 기준으로 농업인이 연령대별로 어떻게 다른 양상을 보이는지 확인하고자 하였습니다.
dfs = []
years = range(2015, 2024)
ages = ['40대 이하','50대','60대','70대 이상']
for year in years:
file_path = f'./dataset/Farm_dataset/{year}_농업경영체 현황(농업인)_지역별 농업인 현황.csv'
df = pd.DataFrame(pd.read_csv(file_path,header=1).iloc[-1,[1,2,3] + list(range(4, 17))]).T.rename(columns={'Unnamed: 1': '농업인수'}).apply(pd.to_numeric, errors='coerce')
df = df.assign(남성비율 = round((df['남'] / df['농업인수'])*100, 2)).assign(여성비율 = round((df['여'] / df['농업인수'])*100, 2)).assign(연도 = year)
df['40대 이하'] = df['25세 미만']+df['25~29세']+df['30~34세']+df['35~39세']+df['40~44세']+df['45~49세']
df['50대'] = df['50~54세']+df['55~59세']
df['60대'] = df['60~64세']+df['65~69세']
df['70대 이상'] = df['70~74세']+df['75~79세']+df['80세 이상']
df = df.apply(pd.to_numeric, errors='coerce')
for age in ages:
df[age + ' '] = round((df[age] / df['농업인수']) * 100, 2)
dfs.append(df)
df_all = pd.concat(dfs, ignore_index=True).iloc[:,[16,17,18]+list(range(23,27))]fig = px.line(df_all, x='연도', y=df_all.columns[2:], title='연도별 성별 및 연령대 비율',
labels={'value': '비율', 'variable': '항목'},
color_discrete_sequence=px.colors.qualitative.Set3,
width = 800,height = 400)
fig.update_layout(template='ggplot2',legend_title_text="" ,
legend=dict(
orientation="h",
yanchor="top",
y=-0.2,
xanchor="center",
x=0.5
))
fig.show()NameError: name 'px' is not defined| 남성비율 | 여성비율 | 연도 | 40대 이하 | 50대 | 60대 | 70대 이상 | |
|---|---|---|---|---|---|---|---|
| 0 | 52.56 | 47.40 | 2015 | 14.72 | 26.51 | 28.30 | 30.43 |
| 1 | 53.04 | 46.96 | 2016 | 13.53 | 25.75 | 29.33 | 31.39 |
| 2 | 53.76 | 46.24 | 2017 | 11.95 | 24.30 | 30.17 | 33.58 |
| 3 | 54.04 | 45.96 | 2018 | 11.10 | 23.41 | 30.75 | 34.74 |
| 4 | 54.24 | 45.76 | 2019 | 10.41 | 22.30 | 31.65 | 35.64 |
| 5 | 54.30 | 45.70 | 2020 | 9.99 | 20.93 | 32.76 | 36.33 |
| 6 | 54.21 | 45.79 | 2021 | 9.64 | 19.76 | 34.07 | 36.53 |
| 7 | 54.16 | 45.84 | 2022 | 9.20 | 18.74 | 34.43 | 37.63 |
| 8 | 54.12 | 45.88 | 2023 | 8.69 | 18.09 | 34.77 | 38.45 |
Ref: 국가농식물통계서비스
\(\rightarrow\) 사용한 데이터
2023년 여성농업인실태조사의 여성농업인의 농사일 담당 비중 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
연령대별 여성 농업인의 농사일 담당 비중을 제시하고자 하였습니다.
비율 항목이 존재했지만, 여기서는 평균적인 여성 농업인의 농사일 담당 비중이 평균적으로 절반에 이르기 때문에 농업에서 여성의 역할을 명확히 이해할 수 있습니다.
| 구분(2) | 사례수 (명) | 25%미만 (%) | 25%~50%미만 (%) | 50%~75%미만 (%) | 75% 이상 (%) | 평균 (%) | |
|---|---|---|---|---|---|---|---|
| 7 | 40대 이하 | 125 | 13.4 | 37.7 | 34.3 | 14.5 | 46.2 |
| 8 | 50대 | 296 | 4.7 | 31.6 | 44.1 | 19.6 | 55.4 |
| 9 | 60대 | 821 | 3.8 | 41.7 | 45.9 | 8.6 | 48.3 |
| 10 | 70대 이상 | 761 | 7.4 | 41.9 | 32.4 | 18.4 | 50.8 |
age_groups = df['구분(2)']
fig = go.Figure()
fig.add_trace(go.Bar(
x=age_groups,
y=df['평균 (%)'],
name=column
))
fig.update_layout(
title='여성농업인의 농사일 담당 비중',
xaxis_title='연령대',
yaxis_title='평균 비율 (%)',
barmode='stack',width=800,height=500,template='ggplot2',
legend=dict(
orientation="h",
yanchor="top",
y=-0.2,
xanchor="center",
x=0.5
))
figNameError: name 'go' is not defined\(\rightarrow\) 사용한 데이터
2023년 여성농업인실태조사의 농외 소득활동 희망 이유 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
세 번째 그래프에서 여성농업인의 농사일 담당 비중은 평균적으로 절반에 육박하지만, 농사만으로 생활비가 부족하여 농외 소득활동을 희망하는 여성의 비중이 작지 않다는 점을 강조하고자 하였습니다.
| 구분(2) | 사례수 (명) | 농사만으로 생활비 부족 (%) | 일할 수 있을 때 추가소득 마련 (%) | 유휴시설을 활용하려고 (%) | 재능·장점을 활용하려고 (%) | 사회생활을 하려고 (%) | 타인 권유·정책적 지원 (%) | |
|---|---|---|---|---|---|---|---|---|
| 6 | 40대 이하 | 45 | 51.1 | 20.2 | 0.0 | 10.4 | 16.8 | 1.5 |
| 7 | 50대 | 75 | 45.0 | 40.1 | 0.0 | 5.8 | 9.2 | 0.0 |
| 8 | 60대 | 107 | 51.5 | 40.3 | 1.7 | 4.9 | 1.4 | 0.3 |
| 9 | 70대 이상 | 39 | 87.6 | 8.8 | 0.0 | 0.0 | 3.6 | 0.0 |
age_groups = df['구분(2)']
fig = go.Figure()
fig.add_trace(go.Bar(
x=age_groups,
y=df['농사만으로 생활비 부족 (%)']
))
fig.update_layout(
title='농외 소득활동 희망 이유',
xaxis_title='연령대',
yaxis_title='비율 (%)',
barmode='stack',width=800,height=500,template='ggplot2',
legend=dict(
orientation="h",
yanchor="top",
y=-0.2,
xanchor="center",
x=0.5
))
figNameError: name 'go' is not definedRef: 국가농식물통계서비스
\(\rightarrow\) 사용한 데이터
2023년 여성농업인실태조사의 거주 지역사회에서 여성의 지위 인식 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
항목을 나눈 이유는 아래와 같습니다.
여성 농업인의 상대적 지위 변화를 명확히 파악하고, 다양한 연령대에 따른 인식 차이를 확인하기 위해서 해당 데이터를 제시하였습니다.
| 구분(2) | 사례수 (명) | 농사만으로 생활비 부족 (%) | 일할 수 있을 때 추가소득 마련 (%) | 유휴시설을 활용하려고 (%) | 재능·장점을 활용하려고 (%) | 사회생활을 하려고 (%) | 타인 권유·정책적 지원 (%) | |
|---|---|---|---|---|---|---|---|---|
| 6 | 40대 이하 | 45 | 51.1 | 20.2 | 0.0 | 10.4 | 16.8 | 1.5 |
| 7 | 50대 | 75 | 45.0 | 40.1 | 0.0 | 5.8 | 9.2 | 0.0 |
| 8 | 60대 | 107 | 51.5 | 40.3 | 1.7 | 4.9 | 1.4 | 0.3 |
| 9 | 70대 이상 | 39 | 87.6 | 8.8 | 0.0 | 0.0 | 3.6 | 0.0 |
age_groups = df['구분(2)']
values = df.set_index('구분(2)').drop(columns='사례수 (명)')
values = values.assign(낮다 = values['여전히 남성보다 낮다 (%)']+ values['예전보다 높아졌지만 아직 남성보다 낮다 (%)'])
values = values.assign(같다 = values['남성과 같다 (%)'])
values = values.assign(높아졌다 = values['남성보다 높아졌다 (%)'])
values = values.iloc[:,5:]fig = go.Figure()
for column in values.columns:
fig.add_trace(go.Bar(
x=age_groups,
y=values[column],
name=column
))
fig.update_layout(
title='여성의 지위 인식 연령대별 비율',
xaxis_title='연령대',
yaxis_title='비율 (%)',
barmode='stack',width=800,height=500,template='ggplot2',
legend=dict(
orientation="h",
yanchor="top",
y=-0.2,
xanchor="center",
x=0.5
))
figNameError: name 'go' is not definedRef: 국가농식물통계서비스
\(\rightarrow\) 사용한 데이터
2023년 여성농업인실태조사의 디지털 기술 활용 역량 데이터
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
연령대별로 ‘혼자 능숙하게 사용함’ 응답 비율을 시각화하여 디지털 활용 능력의 차이를 보여주고자 하였습니다.
이를 통해 각 연령대가 기술을 얼마나 자립적으로 활용할 수 있는지에 대한 명확한 비교가 가능합니다.
이 정보는 연령대별 디지털 격차를 이해하고, 필요한 지원을 제공하는 데 유용합니다.
df = pd.read_csv('./dataset/Farm_dataset/2023_디지털_기술_활용_역량.csv',header=0).iloc[[0,1,9,10,11,12],2:].T.rename(columns={0:'구분',1:'항목',9:'40대 이하',10:'50대',11:'60대',12:'70대 이상'}).query('항목=="혼자 능숙하게 사용함 (%)"')
df['40대 이하'] = pd.to_numeric(df['40대 이하'], errors='coerce')
df['50대'] = pd.to_numeric(df['50대'], errors='coerce')
df['60대'] = pd.to_numeric(df['60대'], errors='coerce')
df['70대 이상'] = pd.to_numeric(df['70대 이상'], errors='coerce')
df = pd.melt(df, id_vars=['구분', '항목'], var_name='연령대', value_name='능숙도 (%)')
fig = px.line(df, x='구분', y='능숙도 (%)', color='연령대', markers=True,
title='연령대별 혼자 능숙하게 사용함의 응답 비율',
width=1000, height=600,template='ggplot2')
fig.show()NameError: name 'px' is not defined\(\rightarrow\) 사용한 데이터
2023년 여성농업인실태조사의 여성농업인의 자격증 보유_현황
\(\rightarrow\) 변수 설명
\(\rightarrow\) 데이터의 활용
연령대별 여성 농업인의 자격증 보유 현황을 제시하고자 하였습니다.
연령대별로 명확한 차이를 보이는 자격증 보유 현황을 확인함으로써, 각 연령대의 전문성 및 교육 수준을 비교하고, 자격증 취득에 대한 지원 필요성을 파악할 수 있습니다.
df = pd.read_csv('./dataset/Farm_dataset/2023_여성농업인의_자격증_보유_현황.csv').iloc[7:11,[1,-1]].rename(columns={'구분(2)':'연령','2023.4':'자격증 평균 보유 수'})
df['자격증 평균 보유 수'] = pd.to_numeric(df['자격증 평균 보유 수'], errors='coerce')
fig = px.bar(df, x='연령', y='자격증 평균 보유 수',
width=1000, height=600,template='ggplot2')
fig.show()NameError: name 'px' is not defined