44_geojson-2

import warnings 
warnings.filterwarnings('ignore')
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import time

row_n = len(df2.index)
col_n = len(df2.columns)
col_h = int(col_n/2)
incli_intercept = list()
for i in range(0,row_n):  
    #0~10사이의 난수 하나 생성
    a=tf.Variable(tf.random_uniform([1],0,10,dtype=tf.float32))

    #0~100사이의 난수 하나 생성
    b=tf.Variable(tf.random_uniform([1],0,100,dtype=tf.float32))
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    #print('a={}, b={}'.format(sess.run(a), sess.run(b)))
    
    for j in range(1,21):
        xData = new_df.loc[i][j]
        yData = df2.loc[i][j]
    
    y = a/xData + b
    
    #평균 제곱근 오차 공식
    rmse = tf.sqrt(tf.reduce_mean(tf.square(y-yData)))
    sess = tf.Session()
    
    #경사 하강법 알고리즘을 이용해서 RMSE를 최소로 하는 값을 찾는수식을 만든다.
    #학습율을 정한다.
    learning_rate = 0.1

    #GradientDescentOptimizer(학습율)함수로 학습율에 따른 경사 하강
    #알고리즘을 계산한다.
    gradient_descent = tf.train.GradientDescentOptimizer(learning_rate).minimize(rmse)   
    sess.run(tf.global_variables_initializer())
    
    for i in range(1051):
        #gradient_descent에 연산결과가 아닌 수식이 들어가 있다.
        sess.run(gradient_descent)
        #if i % 200 ==0:
            #Epoch => 한번 학습을 의미하는 용어, 
            #넘파이 배열(아래 예시의 경우'[]'안에 데이터가 하나 들어있다)에서 
            #서식을 지정해서 꺼내려면 [0]붙여줘야 한다.         
            #print('Epoch : {0:4d}, RMSE : {1:7.4f}, 기울기 : {2:7.4f}, y절편 : {3:7.4f}' 
            #      .format(i, sess.run(rmse), sess.run(a)[0], sess.run(b)[0]))
            #time.sleep(0.25)
    incli_intercept.append([sess.run(a)[0], sess.run(b)[0]])

#경사하강법 실행후, 자치구별로 구한 기울기&절편값을 출력해본다.
leng = len(incli_intercept)
for i in range(leng):
    print("지치구 : {0}, 기울기 : {1}, 절편 : {2}".format(df2.loc[i][0],incli_intercept[i][0], incli_intercept[i][1]))    

지치구 : 종로구, 기울기 : 7.756473541259766, 절편 : 0.3182529807090759
지치구 : 중구, 기울기 : 2.289456844329834, 절편 : 0.784624457359314
지치구 : 용산구, 기울기 : 1.863206386566162, 절편 : 0.5738998651504517
지치구 : 성동구, 기울기 : 2.7437825202941895, 절편 : 0.7541283369064331
지치구 : 광진구, 기울기 : 0.9793703556060791, 절편 : 0.6251366138458252
지치구 : 동대문구, 기울기 : 5.23177433013916, 절편 : 0.6371681690216064
지치구 : 중랑구, 기울기 : 5.936285495758057, 절편 : 0.5261245965957642
지치구 : 성북구, 기울기 : -0.9613727927207947, 절편 : 0.7985848188400269
지치구 : 강북구, 기울기 : 5.965977191925049, 절편 : 0.3557838797569275
지치구 : 도봉구, 기울기 : 3.3908543586730957, 절편 : 0.642981767654419
지치구 : 노원구, 기울기 : -1.7002034187316895, 절편 : 0.7406853437423706
지치구 : 은평구, 기울기 : 5.352941513061523, 절편 : 0.5540100336074829
지치구 : 서대문구, 기울기 : 4.961416721343994, 절편 : 0.5014358758926392
지치구 : 마포구, 기울기 : 0.30287814140319824, 절편 : 0.6085236072540283
지치구 : 양천구, 기울기 : 0.5981001257896423, 절편 : 0.6911709308624268
지치구 : 강서구, 기울기 : 1.2118443250656128, 절편 : 0.634680986404419
지치구 : 구로구, 기울기 : 0.47866225242614746, 절편 : 0.688422441482544
지치구 : 금천구, 기울기 : 8.151782035827637, 절편 : 0.40845873951911926
지치구 : 영등포구, 기울기 : 1.1771764755249023, 절편 : 0.888277530670166
지치구 : 동작구, 기울기 : 9.039237022399902, 절편 : 0.37202876806259155
지치구 : 관악구, 기울기 : 6.237686634063721, 절편 : 0.43456652760505676
지치구 : 서초구, 기울기 : 0.49977564811706543, 절편 : 0.7380837202072144
지치구 : 강남구, 기울기 : 8.8569974899292, 절편 : 0.2942074239253998
지치구 : 송파구, 기울기 : 3.685990810394287, 절편 : 0.5663124322891235
지치구 : 강동구, 기울기 : 5.974305629730225, 절편 : 0.523023247718811

#경사하강법으로 학습한 기울기와, 절편의 값들을 불러오고
#실제 데이터와 비교해 본다.
leng = len(incli_intercept)

y_total = []    

for i in range(leng):

    a = incli_intercept[i][0]
    b = incli_intercept[i][1]
    
    xData = []
    y_real = []       
    y_t=list()
    for j in range(21,23):
        xData.append(new_df.loc[i][j])
        y_real.append(df2.loc[i][j])            

    for k in range(0,len(xData)):
        y_t.append([round(y_real[k], 3), round(a/xData[k] + b, 3), round(abs(y_real[k]-(a/xData[k] + b))*100, 3)])
    y_total.append(y_t)
        
res = pd.DataFrame(y_total)
idx = list(new_df['자치구별(1)'])
res.insert(0, '자치구', idx)
res.set_index('자치구', inplace=True)
res.columns = ['2020년 출산율_실제값_예측값_오차(%)',
               '2021년 출산율_실제값_예측값_오차(%)']
res

	2020년 출산율_실제값_예측값_오차(%)	2021년 출산율_실제값_예측값_오차(%)
자치구
종로구	[0.522, 0.554, 3.201]	[0.531, 0.554, 2.301]
중구	[0.688, 0.854, 16.621]	[0.634, 0.854, 21.958]
용산구	[0.634, 0.63, 0.372]	[0.664, 0.629, 3.489]
성동구	[0.783, 0.838, 5.504]	[0.764, 0.837, 7.29]
광진구	[0.527, 0.655, 12.841]	[0.525, 0.655, 13.022]
동대문구	[0.699, 0.799, 9.989]	[0.66, 0.798, 13.79]
중랑구	[0.66, 0.708, 4.85]	[0.65, 0.708, 5.766]
성북구	[0.676, 0.769, 9.332]	[0.656, 0.769, 11.345]
강북구	[0.55, 0.539, 1.149]	[0.541, 0.535, 0.552]
도봉구	[0.601, 0.747, 14.6]	[0.579, 0.747, 16.768]
노원구	[0.695, 0.688, 0.663]	[0.701, 0.688, 1.271]
은평구	[0.623, 0.717, 9.421]	[0.604, 0.716, 11.222]
서대문구	[0.685, 0.654, 3.137]	[0.635, 0.652, 1.655]
마포구	[0.594, 0.618, 2.374]	[0.587, 0.618, 3.066]
양천구	[0.644, 0.71, 6.557]	[0.645, 0.71, 6.452]
강서구	[0.675, 0.672, 0.292]	[0.617, 0.672, 5.48]
구로구	[0.737, 0.703, 3.394]	[0.737, 0.703, 3.405]
금천구	[0.668, 0.661, 0.677]	[0.612, 0.658, 4.575]
영등포구	[0.705, 0.925, 21.967]	[0.713, 0.924, 21.117]
동작구	[0.655, 0.648, 0.654]	[0.602, 0.648, 4.646]
관악구	[0.474, 0.629, 15.519]	[0.437, 0.627, 18.979]
서초구	[0.656, 0.753, 9.723]	[0.666, 0.753, 8.705]
강남구	[0.537, 0.561, 2.398]	[0.523, 0.559, 3.599]
송파구	[0.665, 0.68, 1.473]	[0.623, 0.678, 5.501]
강동구	[0.748, 0.706, 4.172]	[0.797, 0.705, 9.183]