데이터 과학자가 바라본 제7회 지방선거
경기도 시군별 20대 총선 19대 대통령 선거 득표변화
1. 경기도 시군별 득표 변화 데이터
경기도 시군별 득표변화를 살펴보기 위해서 제20대 총선 국회의원 데이터를 데이터프레임으로 변환시켜야 한다. 제20대 총선 국회의원 데이터는 각 지역선거구별로 나눠져있어서 각 엑셀파일을 열어서 적절한 형태로 변환시키는 작업을 수행해야 한다.
동일한 방식으로 제19대 대통령선거 데이터도 변환작업을 수행하고 이를 하나의 파일로 합친다.
# 0. 환경설정 -----
library(tidyverse)
library(readxl)
library(ggthemes)
library(ggrepel)
library(DT)
library(plotly)
library(extrafont)
loadfonts()
read_excel_election <- function(filename){
temp <- read_excel(path = filename, skip=4)
temp <- temp %>% filter(row_number()==2)
temp <- temp %>% select(contains("당\r\n")) %>%
gather(당명, 총선득표) %>%
separate(당명, into=c("정당", "후보"), sep="\r\n")
temp <- temp %>%
mutate(지역구 = filename) %>%
mutate(지역구 = str_replace_all(지역구, "C:/총선/제20대/지역구/9경기/", "")) %>%
mutate(지역구 = str_split(지역구, "_|\\.")[1]) %>%
unnest() %>%
filter(!str_detect(지역구, "개표상황|xlsx|politics|Users"))
}
# 1. 데이터 가져오기 -----
## 1.1. 2016년 20대 총선
file_name_v <- list.files("C:/총선/제20대/지역구/9경기/")
dir_file_list <- list()
for(i in 1:length(file_name_v)) {
dir_file_list[[i]] <- paste0("C:/총선/제20대/지역구/9경기/", file_name_v[i])
print(dir_file_list[[i]])
}
### 1.1.2. 리스트를 언리스트
dir_file_unlists <- unlist(dir_file_list)
dir_file_unlist <- str_replace_all(dir_file_unlists, "C:/Users/KwangChun/Dropbox/05_politics/_선거데이터/국회의원/제20대/지역구/9경기/개표상황", '')
## 1.3. 엑셀파일을 데이터프레임으로 변환
for (i in 1:length(dir_file_unlist)) {
assign(dir_file_unlist[i], read_excel_election(dir_file_unlists[i]))
}
### 1.1.3. 20대 총선 데이터를 정리
vstation <- ls(pattern="*.xlsx")
vstation_lst <- mget(vstation)
vstation_df <- map_df(vstation_lst, bind_rows)
## 1.2. 2017년 19 대선 ----------------
gg_19_df <- readRDS("data/gg_19_df.rds")
### 1.2.1. 2017년 19대 대통령 선거
presid_19_dat <- read_excel("C:/대통령/대통령19대/@@20170510-19대선-투표구별개표자료(공개용).xlsx", skip=1)
names(presid_19_dat) <- c("시도명", "구시군명", "읍면동명", "투표구명", "선거인수", "투표수", "문재인",
"홍준표", "안철수", "유승민", "심상정", "새누리당\r\n조원진", "경제애국당\r\n오영국",
"국민대통합당\r\n장성민", "늘푸른한국당\r\n이재오", "민중연합당\r\n김선동",
"한국국민당\r\n이경희", "홍익당\r\n윤홍식", "무소속\r\n김민찬", "계", "무효투표수", "기권수")
presid_19_df <- presid_19_dat %>%
select_("시도명", "구시군명", "읍면동명", "투표구명", "선거인수", "투표수", "문재인", "홍준표", "안철수", "유승민", "심상정") %>%
mutate(구시군명 = ifelse(시도명 == "전국", "합계", 구시군명)) %>%
mutate(읍면동명 = ifelse(구시군명 == "합계", "합계", 읍면동명)) %>%
mutate(투표구명 = ifelse(is.na(투표구명), 읍면동명, 투표구명))
gg_19_df <- presid_19_df %>% filter(시도명=="경기도") %>%
filter(구시군명 != "합계",
읍면동명 == "합계") %>%
mutate(구시군명 = case_when(str_detect(구시군명, "수원") ~ "수원시",
str_detect(구시군명, "성남") ~ "성남시",
str_detect(구시군명, "안양") ~ "안양시",
str_detect(구시군명, "안산") ~ "안산시",
str_detect(구시군명, "고양") ~ "고양시",
str_detect(구시군명, "용인") ~ "용인시",
str_detect(구시군명, "군포") ~ "군포시",
TRUE ~ 구시군명)) %>%
select(c(2,7:11)) %>%
group_by(구시군명) %>%
summarise(문재인 = sum(문재인),
홍준표 = sum(홍준표),
안철수 = sum(안철수),
유승민 = sum(유승민),
심상정 = sum(심상정))2. 데이터 정제작업
경기도 시군별 득표변화를 살펴보기 위해서 제20대 총선 국회의원 데이터와 제19대 대통령선거 데이터를 데이터프레임으로 변환시켰다면 두 데이터프레임을 하나의 데이터프레임으로 만들어야 한다. 이 과정에서 두 데이터를 하나로 만들 수 있는 키를 잘 준비해야 한다. 그리고, 총선과 대선에서 정당이 다르기 때문에 다음과 같은 기준을 가지고 정당데이터를 정제한다. 제19대 대선에 출마한 출마자를 출마정당으로 명칭을 바꾼다.
| 제 20 대 총선 | 제 19 대선 | 비고 |
|---|---|---|
| 더불어민주당 | 민주당 | 민주당 일원화 |
| 새누리당 | 자유한국당 | 자유한국당 일원화 |
| 국민의당 | 국민의당 | 변화없음 |
| 정의당 | 정의당 | 변화없음 |
| 바른정당 | 자유한국당에 득표수 병합 | |
| 노동당 | 대선 출마자 없어 제외 | |
| 녹색당 | 대선 출마자 없어 제외 | |
| 민중연합당 | 대선 출마자 없어 제외 |
# 2. 데이터 정제 -----
## 2.1. 20대 총선 데이터 정제
congress_df <- vstation_df %>%
filter(정당 %in% c("새누리당", "더불어민주당", "정의당", "국민의당")) %>%
rename(구시군명 = 지역구) %>%
mutate(구시군명 = case_when(str_detect(구시군명, "수원") ~ "수원시",
str_detect(구시군명, "성남") ~ "성남시",
str_detect(구시군명, "안양") ~ "안양시",
str_detect(구시군명, "안산") ~ "안산시",
str_detect(구시군명, "고양") ~ "고양시",
str_detect(구시군명, "용인") ~ "용인시",
str_detect(구시군명, "군포") ~ "군포시",
TRUE ~ 구시군명)) %>%
group_by(구시군명, 정당) %>%
summarise(총선득표 = sum(총선득표)) %>%
mutate(정당 = case_when(str_detect(정당, "새누리당") ~ "자유한국당",
str_detect(정당, "더불어민주당") ~ "민주당",
TRUE ~ 정당))
## 2.2. 대선 데이터 정제
presid_df <- gg_19_df %>%
mutate(자유한국당 = 홍준표 + 유승민) %>%
rename(민주당 = 문재인,
정의당 = 심상정,
국민의당 = 안철수) %>%
select(-홍준표, -유승민) %>%
gather(정당, 대선득표, -구시군명)
## 2.3. 대선, 총선 데이터 병합
diff_df <- inner_join(presid_df, congress_df) %>%
mutate(득표증감 = 대선득표 - 총선득표) %>%
mutate(정당 = factor(정당, levels = c("민주당", "자유한국당", "국민의당", "정의당")))3. 시군별 총선 대선 득표변화
3.1. 정적 그래프
시군별 득표변화를 ggplot으로 시각화를 한다.
- 자유한국당은 총선과 비교하여 대선에서도 시군별로 유사한 득표를 기록했다.
- 민주당은 1곳 양주시를 빼고 총선대비 득표가 증가했다.
- 정의당도 1곳 고양시를 빼고 총선대비 득표가 모두 증가했다.
- 국민의당은 득표가 크게 증가한 시군과 득표가 크게 증가하지 못한 곳으로 양분된 것으로 보인다.
# 3. 데이터 시각화 -----
gg_diff_g <- ggplot(diff_df, aes(x=총선득표, y=대선득표, color=정당,
text = paste('시군 :', 구시군명, "\n",
'정당:', 정당, "\n",
'득표증감:', scales::comma(대선득표 - 총선득표), "\n",
'대선득표:', scales::comma(대선득표), "\n",
'총선득표:', scales::comma(총선득표)))) +
geom_point(size=3) +
geom_abline(slope = 1, intercept = 0) +
scale_y_sqrt(labels = scales::comma, limits = c(0, 350000)) +
scale_x_sqrt(labels = scales::comma, limits = c(0, 350000)) +
scale_color_manual(values= c("blue", "red", "green", "yellow")) +
theme_few(base_family = "NanumGothic") +
geom_text_repel(aes(label = 구시군명, family = "NanumGothic"),
color = "gray20",
data = diff_df,
force = 10) +
theme(legend.position = "none",
strip.text.x = element_text(size = 17)) +
labs(x="총선득표", y="대선득표")
gg_diff_g + facet_wrap(~정당)
3.2. 동적 그래프
정적 그래프를 동적으로 변화하여 각 시군별로 상세히 비교한다.
ggplotly(gg_diff_g, tooltip = "text") 3.3. 득표 증감표
시각적인 내용을 동적 표로 표현하여 상세히 살펴본다.
# 4. 총선 대선 득표 증감표 -----
diff_df %>%
datatable() %>%
formatCurrency(c(3:5), currency="", digits=0)