유동인구분석:순위

유동인구 관련 분석

• 유동인구(행정동별 평균, 나이대고려:행정동별 제일 많이 나온 나이대) :2021년 10월 만
• 각 행정동별 나이대 순위구하기

1. 데이터

import pandas as pd
people=pd.read_csv('LOCAL_PEOPLE_DONG_202110.csv',engine='python', encoding='euc-kr')
people

	기준일ID	시간대구분	행정동코드	총생활인구수	남자0세부터9세생활인구수	남자10세부터14세생활인구수	남자15세부터19세생활인구수	남자20세부터24세생활인구수	남자25세부터29세생활인구수	남자30세부터34세생활인구수	...	여자25세부터29세생활인구수	여자30세부터34세생활인구수	여자35세부터39세생활인구수	여자40세부터44세생활인구수	여자45세부터49세생활인구수	여자50세부터54세생활인구수	여자55세부터59세생활인구수	여자60세부터64세생활인구수	여자65세부터69세생활인구수	여자70세이상생활인구수
0	20211001	0	11500550	14235.2719	677.9083	307.5833	302.4226	340.4496	512.9114	526.7665	...	574.5701	511.1651	619.6140	608.3882	658.8701	460.4023	548.1657	571.3773	442.0823	1020.2156
1	20211001	0	11650580	19030.2106	835.5190	616.6510	726.6034	468.8152	415.6875	432.9448	...	394.7077	457.2903	770.4217	962.1563	1200.6410	743.1393	587.3082	517.9607	409.1231	1243.8078
2	20211001	0	11560650	15500.9823	495.4932	232.5452	345.5708	348.8626	604.8602	608.3597	...	669.6094	664.0441	598.1471	525.5730	645.8569	589.3231	833.4194	643.0477	449.3879	1046.4871
3	20211001	0	11140570	7338.3524	179.1488	59.7162	246.3065	419.2554	412.5466	375.7084	...	311.4558	305.1289	272.2215	191.8767	185.8954	183.6736	166.3003	201.4220	94.7262	385.0645
4	20211001	0	11200560	16180.9931	347.0175	199.4538	306.5052	591.6085	697.1087	665.0602	...	742.6981	807.3914	947.1588	671.7726	651.7558	515.6408	616.6335	487.2112	320.8738	925.3486
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
315451	20211031	23	11650600	17478.4904	714.1254	299.4715	453.6923	493.4247	574.7405	606.6867	...	703.1150	766.5846	897.7361	740.0324	746.0500	635.1522	612.5224	614.9323	512.0810	1090.7791
315452	20211031	23	11500615	32460.6023	1837.3040	1071.3764	1092.1734	741.0566	1040.5055	961.6468	...	1161.5092	1100.7893	1327.8705	1578.7395	1590.2784	1020.4864	1061.3069	915.4145	804.8437	1750.1258
315453	20211031	23	11500550	13687.5952	678.8032	307.9898	296.3808	320.4280	456.3872	514.8138	...	544.6161	469.5416	590.1995	595.4880	632.0972	435.8399	502.1215	531.8227	408.1603	1020.4507
315454	20211031	23	11170685	25708.8859	627.0877	269.1795	381.0943	784.8365	1166.8808	1359.7283	...	1123.1349	1510.6559	1732.9463	1111.6756	1070.1019	819.6220	835.5903	739.6944	531.0385	1472.6105
315455	20211031	23	11350670	19975.0783	616.9828	428.6838	633.5190	637.5429	577.8528	535.0696	...	617.2234	579.1297	606.5020	546.3732	864.8004	887.2383	1033.1701	794.3919	652.8658	1966.1422

315456 rows × 32 columns

pd.options.display.float_format = '{:,.0f}'.format

2. 행정동 이름 불러오기

• 주민등록 행정기관(행정동) 및 관할 법정동 현황

hang=pd.read_csv('행정동코드_매핑정보_20200325.csv',encoding='CP949')
hang=hang[1:]
hang

	통계청행정동코드	행자부행정동코드	시도명	시군구명	행정동명
1	1101053	11110530	서울	종로구	사직동
2	1101054	11110540	서울	종로구	삼청동
3	1101055	11110550	서울	종로구	부암동
4	1101056	11110560	서울	종로구	평창동
5	1101057	11110570	서울	종로구	무악동
...	...	...	...	...	...
420	1125070	11740690	서울	강동구	둔촌1동
421	1125071	11740700	서울	강동구	둔촌2동
422	1125072	11740570	서울	강동구	암사1동
423	1125073	11740610	서울	강동구	천호2동
424	1125074	11740685	서울	강동구	길동

424 rows × 5 columns

hang['행자부행정동코드']=hang['행자부행정동코드'].astype(str)
people['행정동코드']=people['행정동코드'].astype(str)
local_people = pd.merge(people,hang , how='inner',left_on='행정동코드', right_on='행자부행정동코드')
local_people

	기준일ID	시간대구분	행정동코드	총생활인구수	남자0세부터9세생활인구수	남자10세부터14세생활인구수	남자15세부터19세생활인구수	남자20세부터24세생활인구수	남자25세부터29세생활인구수	남자30세부터34세생활인구수	...	여자50세부터54세생활인구수	여자55세부터59세생활인구수	여자60세부터64세생활인구수	여자65세부터69세생활인구수	여자70세이상생활인구수	통계청행정동코드	행자부행정동코드	시도명	시군구명	행정동명
0	20211001	0	11500550	14,235	678	308	302	340	513	527	...	460	548	571	442	1,020	1116057	11500550	서울	강서구	화곡2동
1	20211001	1	11500550	15,882	790	359	339	385	623	567	...	502	592	640	491	1,074	1116057	11500550	서울	강서구	화곡2동
2	20211001	2	11500550	16,227	734	333	399	398	646	589	...	518	603	622	489	1,094	1116057	11500550	서울	강서구	화곡2동
3	20211001	3	11500550	16,296	745	338	404	398	645	589	...	507	616	637	499	1,073	1116057	11500550	서울	강서구	화곡2동
4	20211001	4	11500550	16,650	742	337	436	403	634	614	...	531	609	617	474	1,117	1116057	11500550	서울	강서구	화곡2동
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
315451	20211031	19	11530595	11,107	108	55	89	262	640	609	...	425	436	353	252	587	1117070	11530595	서울	구로구	가리봉동
315452	20211031	20	11530595	11,200	84	43	93	247	665	608	...	441	436	375	257	610	1117070	11530595	서울	구로구	가리봉동
315453	20211031	21	11530595	11,486	88	45	97	267	738	628	...	434	471	384	246	580	1117070	11530595	서울	구로구	가리봉동
315454	20211031	22	11530595	11,559	64	33	105	291	789	650	...	455	498	380	236	574	1117070	11530595	서울	구로구	가리봉동
315455	20211031	23	11530595	11,348	91	47	62	276	825	639	...	411	455	323	252	595	1117070	11530595	서울	구로구	가리봉동

315456 rows × 37 columns

3. 총생활인구 분석

• 총생활인구 많은 곳 : 역삼1동, 여의도, 서초3동, 서교동, 진관동

local_people.pivot_table("총생활인구수", index=["시군구명","행정동명"],aggfunc = 'sum').sort_values(by=["총생활인구수"],ascending=False)

		총생활인구수
시군구명	행정동명
강남구	역삼1동	71,345,464
영등포구	여의동	61,345,535
서초구	서초3동	48,717,916
마포구	서교동	47,042,072
은평구	진관동	46,549,791
...	...	...
종로구	삼청동	4,093,912
	창신3동	3,739,527
양천구	신월6동	3,689,072
강동구	둔촌1동	3,665,295
서초구	반포본동	3,274,845

424 rows × 1 columns

4. 순위 분석 : 각 평균에 따른 합 비교

1) 성별에 따른 순위 (남)

 
sex_lp=local_people.filter(regex='남자|시군구명|행정동명')
boy=sex_lp.groupby(["시군구명","행정동명"]).mean().sum(axis=1).sort_values(ascending=False)
pd.concat([boy],axis=1)

		0
시군구명	행정동명
강남구	역삼1동	50,095
영등포구	여의동	44,343
서초구	서초3동	33,468
금천구	가산동	33,036
종로구	종로1.2.3.4가동	30,693
	...	...
	삼청동	2,805
강동구	둔촌1동	2,665
양천구	신월6동	2,381
종로구	창신3동	2,259
서초구	반포본동	2,136

424 rows × 1 columns

2) 성별에 따른 순위(여)

sex_lp=local_people.filter(regex='여자|시군구명|행정동명')
girl=sex_lp.groupby(["시군구명","행정동명"]).mean().sum(axis=1).sort_values(ascending=False)
pd.concat([girl],axis=1)

		0
시군구명	행정동명
강남구	역삼1동	45,800
영등포구	여의동	38,110
마포구	서교동	34,276
은평구	진관동	34,142
서초구	서초3동	32,013
...	...	...
종로구	창신3동	2,767
	삼청동	2,698
양천구	신월6동	2,578
서초구	반포본동	2,266
강동구	둔촌1동	2,262

424 rows × 1 columns

3) 행정동 별 나이대 순위 : 1위

age_lp=local_people.filter(regex='\d|시군구명|행정동명')
age_lp_1=pd.DataFrame()
age_lp_1["0세부터9세"]=age_lp.apply(lambda x: x["남자0세부터9세생활인구수"]+x["여자0세부터9세생활인구수"], axis=1)
age_lp_1["10세부터14세"]=age_lp.apply(lambda x: x["남자10세부터14세생활인구수"]+x["여자10세부터14세생활인구수"], axis=1)
age_lp_1["15세부터19세"]=age_lp.apply(lambda x: x["남자15세부터19세생활인구수"]+x["여자15세부터19세생활인구수"], axis=1)
age_lp_1["20세부터24세"]=age_lp.apply(lambda x: x["남자20세부터24세생활인구수"]+x["여자20세부터24세생활인구수"], axis=1)
age_lp_1["25세부터29세"]=age_lp.apply(lambda x: x["남자25세부터29세생활인구수"]+x["여자25세부터29세생활인구수"], axis=1)
age_lp_1["30세부터34세"]=age_lp.apply(lambda x: x["남자30세부터34세생활인구수"]+x["여자30세부터34세생활인구수"], axis=1)
age_lp_1["35세부터39세"]=age_lp.apply(lambda x: x["남자35세부터39세생활인구수"]+x["여자35세부터39세생활인구수"], axis=1)
age_lp_1["40세부터44세"]=age_lp.apply(lambda x: x["남자40세부터44세생활인구수"]+x["여자40세부터44세생활인구수"], axis=1)
age_lp_1["45세부터49세"]=age_lp.apply(lambda x: x["남자45세부터49세생활인구수"]+x["여자45세부터49세생활인구수"], axis=1)

age_lp_1["50세부터54세"]=age_lp.apply(lambda x: x["남자50세부터54세생활인구수"]+x["여자50세부터54세생활인구수"], axis=1)
age_lp_1["55세부터59세"]=age_lp.apply(lambda x: x["남자55세부터59세생활인구수"]+x["여자55세부터59세생활인구수"], axis=1)
age_lp_1["60세부터64세"]=age_lp.apply(lambda x: x["남자60세부터64세생활인구수"]+x["여자60세부터64세생활인구수"], axis=1)
age_lp_1["65세부터69세"]=age_lp.apply(lambda x: x["남자65세부터69세생활인구수"]+x["여자65세부터69세생활인구수"], axis=1)
age_lp_1["70세이상"]=age_lp.apply(lambda x: x["남자70세이상생활인구수"]+x["여자70세이상생활인구수"], axis=1)
age_lp_1

	0세부터9세	10세부터14세	15세부터19세	20세부터24세	25세부터29세	30세부터34세	35세부터39세	40세부터44세	45세부터49세	50세부터54세	55세부터59세	60세부터64세	65세부터69세	70세이상
0	1,181	551	630	795	1,087	1,038	1,352	1,214	1,257	888	1,050	898	734	1,559
1	1,344	627	694	877	1,290	1,135	1,554	1,355	1,395	973	1,147	1,011	800	1,678
2	1,262	589	799	918	1,296	1,161	1,604	1,447	1,430	1,024	1,167	1,000	826	1,705
3	1,312	613	778	941	1,302	1,185	1,600	1,390	1,457	1,006	1,187	1,004	821	1,701
4	1,352	632	841	945	1,328	1,212	1,666	1,431	1,476	1,057	1,182	988	802	1,737
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
315451	205	106	181	598	1,191	1,074	1,117	956	1,040	1,056	1,221	821	542	998
315452	166	86	208	639	1,251	1,090	1,103	939	1,008	1,083	1,198	848	547	1,034
315453	142	74	191	685	1,383	1,153	1,208	917	1,018	1,089	1,224	883	538	981
315454	121	63	194	707	1,479	1,178	1,167	923	1,008	1,089	1,246	868	535	981
315455	159	82	144	686	1,473	1,110	1,230	899	1,045	983	1,191	818	550	978

315456 rows × 14 columns

age_lp_1['시군구명']=age_lp['시군구명']
age_lp_1['행정동명']=age_lp['행정동명']
age_lp_1

	0세부터9세	10세부터14세	15세부터19세	20세부터24세	25세부터29세	30세부터34세	35세부터39세	40세부터44세	45세부터49세	50세부터54세	55세부터59세	60세부터64세	65세부터69세	70세이상	시군구명	행정동명
0	1,181	551	630	795	1,087	1,038	1,352	1,214	1,257	888	1,050	898	734	1,559	강서구	화곡2동
1	1,344	627	694	877	1,290	1,135	1,554	1,355	1,395	973	1,147	1,011	800	1,678	강서구	화곡2동
2	1,262	589	799	918	1,296	1,161	1,604	1,447	1,430	1,024	1,167	1,000	826	1,705	강서구	화곡2동
3	1,312	613	778	941	1,302	1,185	1,600	1,390	1,457	1,006	1,187	1,004	821	1,701	강서구	화곡2동
4	1,352	632	841	945	1,328	1,212	1,666	1,431	1,476	1,057	1,182	988	802	1,737	강서구	화곡2동
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
315451	205	106	181	598	1,191	1,074	1,117	956	1,040	1,056	1,221	821	542	998	구로구	가리봉동
315452	166	86	208	639	1,251	1,090	1,103	939	1,008	1,083	1,198	848	547	1,034	구로구	가리봉동
315453	142	74	191	685	1,383	1,153	1,208	917	1,018	1,089	1,224	883	538	981	구로구	가리봉동
315454	121	63	194	707	1,479	1,178	1,167	923	1,008	1,089	1,246	868	535	981	구로구	가리봉동
315455	159	82	144	686	1,473	1,110	1,230	899	1,045	983	1,191	818	550	978	구로구	가리봉동

315456 rows × 16 columns

a=age_lp_1.groupby(["시군구명","행정동명"]).mean()
a

		0세부터9세	10세부터14세	15세부터19세	20세부터24세	25세부터29세	30세부터34세	35세부터39세	40세부터44세	45세부터49세	50세부터54세	55세부터59세	60세부터64세	65세부터69세	70세이상
시군구명	행정동명
강남구	개포1동	666	426	431	314	376	506	723	788	830	647	660	560	497	913
	개포2동	1,710	1,456	2,109	1,211	1,098	1,183	1,600	1,961	2,446	1,825	1,852	1,534	1,285	2,674
	개포4동	1,083	684	987	823	1,065	1,146	1,413	1,321	1,453	1,333	1,186	1,059	805	1,372
	논현1동	938	403	1,157	3,684	5,674	5,552	5,448	4,180	3,629	2,600	2,220	1,650	1,351	2,508
	논현2동	1,690	662	1,118	2,807	4,965	5,134	5,292	4,539	3,860	2,628	2,185	1,619	1,265	2,734
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑구	상봉2동	934	385	751	1,889	2,803	2,511	2,361	1,790	1,952	1,887	2,193	1,678	1,217	2,552
	신내1동	3,828	1,567	1,753	1,708	2,091	2,002	2,702	2,728	2,699	2,675	2,874	2,536	1,715	4,140
	신내2동	1,314	754	1,005	930	1,058	1,061	1,432	1,240	1,334	1,361	1,557	1,307	977	2,475
	중화1동	1,699	699	846	970	1,197	1,191	1,365	1,140	1,242	1,178	1,382	1,183	929	2,287
	중화2동	1,445	621	909	1,537	1,724	1,738	1,940	1,673	1,896	1,994	2,422	1,998	1,543	3,718

424 rows × 14 columns

a["1위"]=a.idxmax(axis=1)
a

		0세부터9세	10세부터14세	15세부터19세	20세부터24세	25세부터29세	30세부터34세	35세부터39세	40세부터44세	45세부터49세	50세부터54세	55세부터59세	60세부터64세	65세부터69세	70세이상	1위
시군구명	행정동명
강남구	개포1동	666	426	431	314	376	506	723	788	830	647	660	560	497	913	70세이상
	개포2동	1,710	1,456	2,109	1,211	1,098	1,183	1,600	1,961	2,446	1,825	1,852	1,534	1,285	2,674	70세이상
	개포4동	1,083	684	987	823	1,065	1,146	1,413	1,321	1,453	1,333	1,186	1,059	805	1,372	45세부터49세
	논현1동	938	403	1,157	3,684	5,674	5,552	5,448	4,180	3,629	2,600	2,220	1,650	1,351	2,508	25세부터29세
	논현2동	1,690	662	1,118	2,807	4,965	5,134	5,292	4,539	3,860	2,628	2,185	1,619	1,265	2,734	35세부터39세
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑구	상봉2동	934	385	751	1,889	2,803	2,511	2,361	1,790	1,952	1,887	2,193	1,678	1,217	2,552	25세부터29세
	신내1동	3,828	1,567	1,753	1,708	2,091	2,002	2,702	2,728	2,699	2,675	2,874	2,536	1,715	4,140	70세이상
	신내2동	1,314	754	1,005	930	1,058	1,061	1,432	1,240	1,334	1,361	1,557	1,307	977	2,475	70세이상
	중화1동	1,699	699	846	970	1,197	1,191	1,365	1,140	1,242	1,178	1,382	1,183	929	2,287	70세이상
	중화2동	1,445	621	909	1,537	1,724	1,738	1,940	1,673	1,896	1,994	2,422	1,998	1,543	3,718	70세이상

424 rows × 15 columns

4# 5) 행정동 별 나이대 순위 : 모든순위(1위~14위)

-종로구 삼청동에는 20대가 유동을 많이한다. 등의 결과를 얻을 수 있다.

import numpy as np
a_list=a.apply(np.argsort,axis=1)
a_list.values

array([[ 3,  4,  1, ...,  7,  8, 13],
       [ 4,  5,  3, ...,  2,  8, 13],
       [ 1, 12,  3, ..., 13,  6,  8],
       ...,
       [ 1,  3, 12, ...,  6, 10, 13],
       [ 1,  2, 12, ..., 10,  0, 13],
       [ 1,  2,  0, ..., 11, 10, 13]], dtype=int64)

a_cols=a.columns.to_numpy()[a_list.values[:,::-1]]
a_cols

array([['70세이상', '45세부터49세', '40세부터44세', ..., '10세부터14세', '25세부터29세',
        '20세부터24세'],
       ['70세이상', '45세부터49세', '15세부터19세', ..., '20세부터24세', '30세부터34세',
        '25세부터29세'],
       ['45세부터49세', '35세부터39세', '70세이상', ..., '20세부터24세', '65세부터69세',
        '10세부터14세'],
       ...,
       ['70세이상', '55세부터59세', '35세부터39세', ..., '65세부터69세', '20세부터24세',
        '10세부터14세'],
       ['70세이상', '0세부터9세', '55세부터59세', ..., '65세부터69세', '15세부터19세',
        '10세부터14세'],
       ['70세이상', '55세부터59세', '60세부터64세', ..., '0세부터9세', '15세부터19세',
        '10세부터14세']], dtype=object)

a[['1위','2위','3위','4위','5위','6위','7위','8위','9위','10위','11위','12위','13위','14위']]=pd.DataFrame(a_cols, index=a.index)

a

		0세부터9세	10세부터14세	15세부터19세	20세부터24세	25세부터29세	30세부터34세	35세부터39세	40세부터44세	45세부터49세	50세부터54세	...	5위	6위	7위	8위	9위	10위	11위	12위	13위	14위
시군구명	행정동명
강남구	개포1동	666	426	431	314	376	506	723	788	830	647	...	0세부터9세	55세부터59세	50세부터54세	60세부터64세	30세부터34세	65세부터69세	15세부터19세	10세부터14세	25세부터29세	20세부터24세
	개포2동	1,710	1,456	2,109	1,211	1,098	1,183	1,600	1,961	2,446	1,825	...	55세부터59세	50세부터54세	0세부터9세	35세부터39세	60세부터64세	10세부터14세	65세부터69세	20세부터24세	30세부터34세	25세부터29세
	개포4동	1,083	684	987	823	1,065	1,146	1,413	1,321	1,453	1,333	...	40세부터44세	55세부터59세	30세부터34세	0세부터9세	25세부터29세	60세부터64세	15세부터19세	20세부터24세	65세부터69세	10세부터14세
	논현1동	938	403	1,157	3,684	5,674	5,552	5,448	4,180	3,629	2,600	...	20세부터24세	45세부터49세	50세부터54세	70세이상	55세부터59세	60세부터64세	65세부터69세	15세부터19세	0세부터9세	10세부터14세
	논현2동	1,690	662	1,118	2,807	4,965	5,134	5,292	4,539	3,860	2,628	...	45세부터49세	20세부터24세	70세이상	50세부터54세	55세부터59세	0세부터9세	60세부터64세	65세부터69세	15세부터19세	10세부터14세
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑구	상봉2동	934	385	751	1,889	2,803	2,511	2,361	1,790	1,952	1,887	...	55세부터59세	45세부터49세	20세부터24세	50세부터54세	40세부터44세	60세부터64세	65세부터69세	0세부터9세	15세부터19세	10세부터14세
	신내1동	3,828	1,567	1,753	1,708	2,091	2,002	2,702	2,728	2,699	2,675	...	35세부터39세	45세부터49세	50세부터54세	60세부터64세	25세부터29세	30세부터34세	15세부터19세	65세부터69세	20세부터24세	10세부터14세
	신내2동	1,314	754	1,005	930	1,058	1,061	1,432	1,240	1,334	1,361	...	45세부터49세	0세부터9세	60세부터64세	40세부터44세	30세부터34세	25세부터29세	15세부터19세	65세부터69세	20세부터24세	10세부터14세
	중화1동	1,699	699	846	970	1,197	1,191	1,365	1,140	1,242	1,178	...	45세부터49세	25세부터29세	30세부터34세	60세부터64세	50세부터54세	40세부터44세	20세부터24세	65세부터69세	15세부터19세	10세부터14세
	중화2동	1,445	621	909	1,537	1,724	1,738	1,940	1,673	1,896	1,994	...	35세부터39세	45세부터49세	30세부터34세	25세부터29세	40세부터44세	65세부터69세	20세부터24세	0세부터9세	15세부터19세	10세부터14세

424 rows × 28 columns

5# 6) 각 행정동별 성별 나이대 모두 고려한 순위

sex_age=age_lp.groupby(["시군구명","행정동명"]).mean()

sex_age_list=sex_age.apply(np.argsort,axis=1)
sex_age_list.values

array([[ 3, 17, 18, ..., 22,  8, 27],
       [18,  5, 12, ...,  8, 22, 27],
       [15, 12,  1, ..., 22,  8, 27],
       ...,
       [15,  1,  3, ..., 24, 13, 27],
       [15,  1, 12, ..., 13,  0, 27],
       [15,  1, 16, ..., 10, 13, 27]], dtype=int64)

sex_age_cols=sex_age.columns.to_numpy()[sex_age_list.values[:,::-1]]
sex_age_cols

array([['여자70세이상생활인구수', '남자45세부터49세생활인구수', '여자45세부터49세생활인구수', ...,
        '여자25세부터29세생활인구수', '여자20세부터24세생활인구수', '남자20세부터24세생활인구수'],
       ['여자70세이상생활인구수', '여자45세부터49세생활인구수', '남자45세부터49세생활인구수', ...,
        '남자65세부터69세생활인구수', '남자30세부터34세생활인구수', '여자25세부터29세생활인구수'],
       ['여자70세이상생활인구수', '남자45세부터49세생활인구수', '여자45세부터49세생활인구수', ...,
        '남자10세부터14세생활인구수', '남자65세부터69세생활인구수', '여자10세부터14세생활인구수'],
       ...,
       ['여자70세이상생활인구수', '남자70세이상생활인구수', '여자55세부터59세생활인구수', ...,
        '남자20세부터24세생활인구수', '남자10세부터14세생활인구수', '여자10세부터14세생활인구수'],
       ['여자70세이상생활인구수', '남자0세부터9세생활인구수', '남자70세이상생활인구수', ...,
        '남자65세부터69세생활인구수', '남자10세부터14세생활인구수', '여자10세부터14세생활인구수'],
       ['여자70세이상생활인구수', '남자70세이상생활인구수', '남자55세부터59세생활인구수', ...,
        '여자15세부터19세생활인구수', '남자10세부터14세생활인구수', '여자10세부터14세생활인구수']],
      dtype=object)

sex_age[['1위','2위','3위','4위','5위','6위','7위','8위','9위','10위','11위','12위','13위','14위',
        '15위','16위','17위','18위','19위','20위','21위','22위','23위','24위','25위','26위','27위','28위']]=pd.DataFrame(sex_age_cols, index=a.index)
sex_age

		남자0세부터9세생활인구수	남자10세부터14세생활인구수	남자15세부터19세생활인구수	남자20세부터24세생활인구수	남자25세부터29세생활인구수	남자30세부터34세생활인구수	남자35세부터39세생활인구수	남자40세부터44세생활인구수	남자45세부터49세생활인구수	남자50세부터54세생활인구수	...	19위	20위	21위	22위	23위	24위	25위	26위	27위	28위
시군구명	행정동명
강남구	개포1동	346	219	214	147	197	214	363	389	421	352	...	남자65세부터69세생활인구수	남자10세부터14세생활인구수	여자15세부터19세생활인구수	남자30세부터34세생활인구수	남자15세부터19세생활인구수	여자10세부터14세생활인구수	남자25세부터29세생활인구수	여자25세부터29세생활인구수	여자20세부터24세생활인구수	남자20세부터24세생활인구수
	개포2동	966	813	1,122	599	591	544	683	855	1,157	900	...	남자35세부터39세생활인구수	남자60세부터64세생활인구수	여자10세부터14세생활인구수	여자30세부터34세생활인구수	여자20세부터24세생활인구수	남자20세부터24세생활인구수	남자25세부터29세생활인구수	남자65세부터69세생활인구수	남자30세부터34세생활인구수	여자25세부터29세생활인구수
	개포4동	570	361	440	397	544	553	713	637	728	661	...	여자25세부터29세생활인구수	여자0세부터9세생활인구수	남자60세부터64세생활인구수	여자65세부터69세생활인구수	남자15세부터19세생활인구수	여자20세부터24세생활인구수	남자20세부터24세생활인구수	남자10세부터14세생활인구수	남자65세부터69세생활인구수	여자10세부터14세생활인구수
	논현1동	513	209	505	1,369	2,479	2,675	2,931	2,366	2,156	1,445	...	여자60세부터64세생활인구수	남자60세부터64세생활인구수	여자65세부터69세생활인구수	여자15세부터19세생활인구수	남자65세부터69세생활인구수	남자0세부터9세생활인구수	남자15세부터19세생활인구수	여자0세부터9세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수
	논현2동	967	360	579	1,003	2,097	2,441	2,891	2,613	2,302	1,545	...	남자0세부터9세생활인구수	여자60세부터64세생활인구수	남자60세부터64세생활인구수	여자65세부터69세생활인구수	여자0세부터9세생활인구수	남자15세부터19세생활인구수	남자65세부터69세생활인구수	여자15세부터19세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
중랑구	상봉2동	468	198	374	770	1,238	1,187	1,121	930	975	949	...	남자20세부터24세생활인구수	남자60세부터64세생활인구수	여자65세부터69세생활인구수	남자65세부터69세생활인구수	남자0세부터9세생활인구수	여자0세부터9세생활인구수	여자15세부터19세생활인구수	남자15세부터19세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수
	신내1동	1,868	768	794	853	1,001	888	1,263	1,386	1,400	1,204	...	남자25세부터29세생활인구수	여자15세부터19세생활인구수	여자65세부터69세생활인구수	남자30세부터34세생활인구수	여자20세부터24세생활인구수	남자20세부터24세생활인구수	남자65세부터69세생활인구수	여자10세부터14세생활인구수	남자15세부터19세생활인구수	남자10세부터14세생활인구수
	신내2동	684	399	522	423	477	505	701	588	601	606	...	남자15세부터19세생활인구수	여자20세부터24세생활인구수	남자30세부터34세생활인구수	여자65세부터69세생활인구수	여자15세부터19세생활인구수	남자25세부터29세생활인구수	남자65세부터69세생활인구수	남자20세부터24세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수
	중화1동	962	382	420	454	560	560	709	571	535	538	...	남자45세부터49세생활인구수	여자65세부터69세생활인구수	여자20세부터24세생활인구수	남자60세부터64세생활인구수	남자20세부터24세생활인구수	여자15세부터19세생활인구수	남자15세부터19세생활인구수	남자65세부터69세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수
	중화2동	745	335	468	744	785	888	984	826	913	1,008	...	여자20세부터24세생활인구수	남자25세부터29세생활인구수	남자0세부터9세생활인구수	남자20세부터24세생활인구수	여자0세부터9세생활인구수	남자65세부터69세생활인구수	남자15세부터19세생활인구수	여자15세부터19세생활인구수	남자10세부터14세생활인구수	여자10세부터14세생활인구수

424 rows × 56 columns