1. 통계청 출생, 사망 통계

2016년 출생.사망통계 잠정 결과가 2017년 2월 22일 발표되었다. 다양한 그래프를 통해 출생 및 사망에 관한 통계 정보가 공개 되었다.

2. 범주형 데이터 시각화 1

그래프 문법(Grammar of Graphics)을 사용한 모자이크 그래프(https://cran.r-project.org/web/packages/ggmosaic/index.html)를 통해 출생에 관한 비밀을 시각적으로 풀어보자.

2.1. 환경설정

ggmosaic이 가장 중심적인 팩키지다. 엑셀파일(readxl)을 읽어오고, 데이터와 사투를 벌이는데 사용되는 tidyverse, 그리고 한글 글꼴과 테마 적용을 위한 팩키지를 준비한다.

library(tidyverse)
library(ggplot2)
library(ggthemes)
library(readxl)
library(ggmosaic) # devtools::install_github("haleyjeppson/ggmosaic")
library(extrafont)
loadfonts()

2.2. 출생과 사망 추이

가장 먼저 출생과 사망에 대한 추이를 모자이크 그래프를 통해 시각화한다.

# 1. 출생사망 ------------------------------
birth_death_df <- read_excel("data/통계청_인구통계_2016.xlsx", sheet="출생사망")

DT::datatable(birth_death_df) %>% 
    DT::formatRound(c(2,3,4), digits=0)
birth_death_df %>% 
    select(연도, 출생아수, 사망자수) %>% 
    gather(구분, 출생사망수, -연도) %>% 
    ggplot(data = .) +
    geom_mosaic(aes(weight = 출생사망수, x = product(구분, 연도), fill=factor(구분)), na.rm=TRUE) +
    labs(x="", title='연도별 출생/사망자수', fill="구분") + 
    theme_bw(base_family="NanumGothic") +
    theme(axis.text.x = element_text(angle = 90, hjust = 1),
          legend.position='right', legend.direction='vertical')  +
    scale_fill_brewer(palette="Set1")

2.3. 산모나이를 고려한 출산 추이

산모 연령별로 출생자수 변화를 연도별로 시각화한다.

# 2. 산모나이 ------------------------------

mother_age_df <- read_excel("data/통계청_인구통계_2016.xlsx", sheet="산모나이")

DT::datatable(mother_age_df)  %>% 
    DT::formatRound(c(2:9), digits=0)
mother_age_df %>% 
    select(-합계) %>% 
    gather(연령대, 신생아수, -연도) %>% 
    mutate(연령대 = factor(연령대)) %>% 
    ggplot(data = .) +
    geom_mosaic(aes(weight = 신생아수, x = product(연령대, 연도), fill=factor(연령대)), na.rm=TRUE) +
    labs(x="", title='연령대별 출생아수', fill="연령대") + 
    theme_bw(base_family="NanumGothic") +
    theme(axis.text.x = element_text(angle = 90, hjust = 1),
          legend.position='right', legend.direction='vertical') +
    scale_fill_brewer(palette="Set1")

2.4. 출산 순위를 반영한 연도별 추이

신생아의 출산순의를 반영한 연도별 추이를 살펴본다.

# 3. 출산순위 ------------------------------

birth_order_df <- read_excel("data/통계청_인구통계_2016.xlsx", sheet="출산순위")

DT::datatable(birth_order_df)  %>% 
    DT::formatRound(c(2,3,4, 5), digits=0)
birth_order_df %>% 
    select(-합계) %>% 
    gather(출산순위, 신생아수, -연도) %>% 
    mutate(출산순위 = factor(출산순위, levels=c("첫째아", "둘째아", "셋째아이상"))) %>% 
    ggplot(data = .) +
    geom_mosaic(aes(weight = 신생아수, x = product(출산순위, 연도), fill=factor(출산순위)), na.rm=TRUE) +
    labs(x="", title='출산순위별 출생아수', fill="출산순위") + 
    theme_bw(base_family="NanumGothic") +
    theme(axis.text.x = element_text(angle = 90, hjust = 1),
          legend.position='right', legend.direction='vertical')  +
    scale_fill_brewer(palette="Set1")

  1. PLOTCON 2016: Haley Jeppson, Visualizing Multivariate Categorical Data↩