## tabulate library가 없는 경우 설치 필요
## pandas.to_markdown() 시 tabulate library가 필요함
!pip install tabulate
import pandas as pd
from urllib.parse import quote
from haversine import haversine
import ssl
from urllib.request import urlopen
import numpy as np
context=ssl.create_default_context()
context.set_ciphers("DEFAULT")
#########################################
# 1) 함수 선언하기 #
#########################################
# 함수명 : find_hospital
# 매개변수 : special_m (중증질환명), lati, long (환자 위치)
def find_hospital(special_m, lati, long ):
# [국립중앙의료원 - 전국응급의료기관 조회 서비스] 활용을 위한 개인 일반 인증키(Encoding) 저장
key = "키값"
# city = 대구광역시, 인코딩 필요
city = quote("대구광역시")
############################################################
# 2) 병원 리스트 csv 파일 불러오기 (daegu_hospital_list.csv) #
############################################################
solution_df = pd.read_csv('./daegu_hospital_list.csv')
############################################################
# 3) 병원 실시간 정보 가져오기 #
############################################################
# 응급실 실시간 가용병상
url_realtime = "https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEmrrmRltmUsefulSckbdInfoInqire?serviceKey=" + key + "&STAGE1=" + city + "&numOfRows=100&pageNo=1"
result = urlopen(url_realtime, context=context)
emrRealtime_big = pd.read_xml(result, xpath='//item')
## 응급실 실시간 가용병상 정보에서 기관코드(hpid), 응급실 병상수('hvec'), 수술실 수('hvoc') 정보만 추출하여 emRealtime_small 변수에 저장
## emrRealtime_big 중 [hpid, hvec, hvoc] 컬럼 활용
emrRealtime_small = emrRealtime_big[['hpid', 'hvec', 'hvoc']] ## emrRealtime_big 중 [hpid, hvec, hvoc] 컬럼 활용
# solution_df와 emrRealtime_small 데이터프레임을 결합하여 solution_df에 저장
solution_df = pd.merge(solution_df, emrRealtime_small, on = 'hpid',how='inner')
# 실시간 중증질환자 수용 가능 병원 조회
url_acpt = 'https://apis.data.go.kr/B552657/ErmctInfoInqireService/getSrsillDissAceptncPosblInfoInqire?serviceKey=' + key + "&STAGE1=" +city + "&numOfRows=100&pageNo=1"
result = urlopen(url_acpt, context=context)
emrAcpt_big = pd.read_xml(result, xpath='.//item')
## 다른 API함수와 다르게 기관코드 컬럼명이 다름 (hpid --> dutyName)
## 기관코드 컬렴명을 'hpid'로 일치화시키기 위해, 컬럼명을 변경함
emrAcpt_big.rename(columns = {'dutyName' : 'hpid'}, inplace = True)
## 실시간 중증질환자 수용 가능 병원정보에서 필요한 정보만 추출하여 emrAcpt_small 변수에 저장
## emrAcpt 중 [hpid, MKioskTy1, MKioskTy2, MKioskTy3, MKioskTy4, MKioskTy5, MKioskTy7,MKioskTy8, MKioskTy10, MKioskTy11] 컬럼 확인
emrAcpt_small = emrAcpt_big[['hpid', 'MKioskTy1', 'MKioskTy2', 'MKioskTy3', 'MKioskTy4', 'MKioskTy5', 'MKioskTy7','MKioskTy8', 'MKioskTy10', 'MKioskTy11']]
# solution_df와 emrAcpt_small 데이터프레임을 결합하여 solution_df에 저장
solution_df = pd.merge(solution_df, emrAcpt_small, on = 'hpid',how = 'inner')
############################################################
# 4) 자료 정비하기 #
############################################################
# solution_df의 컬럼명 변경하기
column_change = { 'hpid' : '병원코드',
'dutyName' : '병원명',
'dutyAddr' : '주소',
'dutyTel3' : '응급연락처',
'wgs84Lat' : '위도',
'wgs84Lon' : '경도',
'hperyn' : '응급실수',
'hpopyn' : '수술실수',
'hvec' : '가용응급실수',
'hvoc' : '가용수술실수',
'MKioskTy1' : '뇌출혈',
'MKioskTy2' : '뇌경색',
'MKioskTy3' : '심근경색',
'MKioskTy4' : '복부손상',
'MKioskTy5' : '사지접합',
'MKioskTy7' : '응급투석',
'MKioskTy8' : '조산산모',
'MKioskTy10' : '신생아',
'MKioskTy11' : '중증화상',
}
solution_df = solution_df.rename(columns = column_change)
# 중증질환 수용 가능 여부 데이터 중 정보 미제공, 불가능은 N로 변경 : replace
solution_df = solution_df.replace("정보미제공","N")
solution_df = solution_df.replace("불가능","N")
## 응급실수/가용응급실수, 수술실수/가용수술실 수가 0보다 작은 경우는 비정상 데이터로 추정
## 0보다 작은 수는 0으로 변경
solution_df.loc[solution_df['응급실수']<0, '응급실수'] = 0
solution_df.loc[solution_df['수술실수']<0, '수술실수'] = 0
solution_df.loc[solution_df['가용응급실수']<0, '가용응급실수'] = 0
solution_df.loc[solution_df['가용수술실수']<0, '가용수술실수'] = 0
# 응급실 가용율을 구하여 새로운 컬럼으로 추가하기
# 컬렴명 : '응급실가용율'
# 산식 : 가용 응급실수 / 응급실 수
# 소수 둘째 자리까지 구하기 round() 활용
solution_df['응급실가용율'] = round(solution_df['가용응급실수'] / solution_df['응급실수'], 2)
# 응급실 가용율이 1이 넘는 경우는 1로 대체
solution_df.loc[solution_df['응급실가용율'] > 1, '응급실가용율'] = 1
# 응급실 가용율에 따라 포화도 분류
# 응급실 가용율 구분 단계 : ~0.1, 0.1 ~ 0.3, 0.3 ~ 0.6, 0.6 ~
# 포화도 명칭 : ['불가', '혼잡', '보통', '원활']
# pd.cut() 활용
bins = [-np.inf, 0.1, 0.3, 0.6, np.inf]
labels = ['불가', '혼잡', '보통', '원활']
solution_df['응급실포화도'] = pd.cut(solution_df['응급실가용율'], bins=bins, labels=labels)
############################################################
# 5) 환자 수용 가능한 병원 구하기 #
############################################################
# 매개변수 special_m로 받은 중증질환이 중증질환 리스트에 포함될 경우
# 중증질환 리스트 : ['뇌출혈', '뇌경색', '심근경색', '복부손상', '사지접합', '응급투석', '조산산모', '신생아','중증화상' ]
severe_diseases = ['뇌출혈', '뇌경색', '심근경색', '복부손상', '사지접합', '응급투석', '조산산모', '신생아','중증화상']
if special_m in severe_diseases:
# 조건1 : special_m 중증질환자 수용이 가능하고
# 조건2 : 응급실 포화도가 불가가 아닌 병원
condition1 = (solution_df[special_m] == 'Y') & (solution_df['가용수술실수']>=1)
condition2 = (solution_df['응급실포화도'] != '불가')
# 조건1, 2에 해당되는 응급의료기관 정보를 distance_df에 저장하기
distance_df = solution_df[condition1 & condition2].copy()
# 매개변수 special_m 값이 중증질환 리스트에 포함이 안되는 경우
else:
# 조건1 : 응급실 포화도가 불가가 아닌 병원
condition1 = solution_df['응급실포화도'] != '불가'
# 조건1에 해당되는 응급의료기관 정보를 distance_df에 저장하기
distance_df = solution_df[condition1].copy()
############################################################
# 6) 환자와 병원간 거리 구하기 #
############################################################
distance = []
patient = (lati, long)
for idx, row in distance_df.iterrows():
distance.append(round( haversine(patient,(row['위도'], row['경도']), unit='km') , 2))
distance_df.loc[:,'거리'] = distance.copy()
############################################################
# 7) 거리 구간 구하기 #
############################################################
bins = [-np.inf, 2, 5, 10, np.inf]
labels = ['2km이내', '5km이내', '10km이내', '10km이상']
distance_df.loc[:, '거리구분'] = pd.cut(distance_df['거리'], bins=bins, labels=labels)
############################################################
# 8) 결과값 반환하기 #
############################################################
return distance_df
# 중증환자 수용 가능한, 가까운 병원 조회 #1
# 환자 정보
# - 중증 질환 : 응급투석
# - 환자 위치 : 대구역 근처 (35.8765167, 128.5972922))
# 거리순, 응급실 포화도 순으로 결과 출력하기 (pandas의 sort_values(), to_markdown() 활용)
print(find_hospital('응급투석', 35.8765167, 128.5972922).sort_values(['거리구분', '응급실포화도','거리'], ascending=[True, False, True]).to_markdown())
네이버 지도 API 사용을 위한 헤더 정보
import requests
from urllib.parse import quote
# 네이버 지도 API 사용을 위한 헤더 정보
headers = {
'X-NCP-APIGW-API-KEY-ID': '키',
'X-NCP-APIGW-API-KEY': '키'
}
# 특정 위치 검색 (예: 서문시장)
def get_lat_lng(location):
url = f"https://naveropenapi.apigw.ntruss.com/map-geocode/v2/geocode?query={quote(location)}"
response = requests.get(url, headers=headers)
print(response.text)
if response.status_code == 200:
data = response.json()
if 'addresses' in data and len(data['addresses']) > 0:
lat = data['addresses'][0]['y']
lng = data['addresses'][0]['x']
return (float(lat), float(lng))
return None
# 예제
location_name = "서울특별시 중구 명동길"
patient = get_lat_lng(location_name)
print(patient)
# solution_df와 emrAcpt_small 데이터프레임을 결합하여 solution_df에 저장
# 결합 : merge 함수 활용
solution_df = pd.merge(solution_df, emrAcpt_small, on = 'hpid',how = 'inner')
solution_df.head()
# 대구광역시내이 응급의료기관 목록정보 조회하기
# url : https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEgytBassInfoInqire
# 인증키 지정 : serviceKey = key
# 응급의료기관 지정 : HPID = hpid
# 응급의료기관 하나씩 조회해야 함
# 응급의료기관에 대한 hpid값을 list로 추출
hpidList = list(solution_df['hpid'])
# 각 응급의료기관의 응급실 병상수(hperyn), 수술실 수(hpopyn) 를 저장하기 위한 빈 리스트 생성
hperynList = []
hpopynList = []
# 대구광역시의 응급의료기관을 hpid 기준으로 하나씩 조회하여, 응급실 병상수/수술실 수를 확인
# for문을 이용하여 hpid 하나씩 조회하고, hperyn, hpopyn 정보를 각 hperynList, hpopynList 리스트에 저장
for hpid in hpidList: #
url_basic = f'https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEgytBassInfoInqire?serviceKey={key}&HPID={hpid}'
result = urlopen(url_basic, context=context)
df_temp = pd.read_xml(result, xpath='.//item')
# print(df_temp[['hperyn', 'hpopyn']])
if 'hperyn' in list(df_temp.columns) :
hperynList.append(df_temp['hperyn'][0])
else:
hperynList.append(0)
if 'hpopyn' in list(df_temp.columns) :
hpopynList.append(df_temp['hpopyn'][0])
else:
hpopynList.append(0)
hperynList
# 기존 solution_df에 응급실 숫자, 수술실 숫자 정보 추가하기
solution_df['hperyn'] = hperynList
solution_df['hpopyn'] = hpopynList
hperyn, hpopyn 값이 0 이하인 병원 삭제
# hperyn, hpopyn 값이 0 이하인 병원을 삭제하자
solution_df = solution_df[solution_df['hpopyn']>0]
solution_df = solution_df[solution_df['hperyn']>0]
solution_df.to_csv(''daegu_hospital_list.csv', index = False) # 파일 저장
solution_df = pd.read_csv('./daegu_hospital_list.csv')
solution_df.head() # 정상적으로 저장되었는지 확인한다.
## solution_df 를 파일로 저장
solution_df.to_csv('daegu_hospital_list.csv', index = False) ## 파일명 : daegu_hospital_list.csv, index = False
solution_df = pd.read_csv('./daegu_hospital_list.csv') ## 정상적으로 저장되었는지 확인
solution_df.head()
key = "일반 인증키(Encoding)"
# [국립중앙의료원 - 전국응급의료기관 조회 서비스] 활용을 위한 개인 일반 인증키(Encoding) 값 저장
city = quote("대구광역시") # city = 대구광역시, 인코딩 필요
# 인증키 지정 : serviceKey = key
# 출력 행수 : numOfRows = 100
# page 번호 : pageNo = 1
# 도시 지정 : Q0 = city
import pandas as pd
import numpy as np
import datetime
import joblib
from keras.models import load_model
from haversine import haversine
from urlib.parse import quote
import streamlit as st
from streamlit_folium import st_folium
import folium
import branca
from geopy.geocoders import Nominatim
import ssl
from urllib.request import urlopen
from keras.models import load_model
함수 만들기
geocoding
def geocoding(address):
geolocoder = Nominatim(user_agent = 'South Korea', timeout = None)
geo = geolocoder.geocode(address)
lati = geo.latitude
long = geo.longitude
return lati, long
preprocessing # 발열, 고혈압, 저혈압 조건에 따른 질병 전처리 함수
def preprocessing(desease):
desease['발열'] = [ 1 if x>=37 else 0 for x in desease['체온']]
desease['고혈압'] = [1 if x >= 140 else 0 for x in desease['수축기 혈압']]
desease['저혈압'] = [1 if x <= 90 else 0 for x in desease['수축기 혈압']]
# X : '중증질환' 및 데이터분석에서 Target에 영향을 주지 않는 컬럼 제외한 나머지
X = desease[['체온', '수축기 혈압', '이완기 혈압', '호흡 곤란','간헐성 경련',
'설사', '기침', '출혈', '통증', '만지면 아프다', '무감각', '마비', '현기증', '졸도',
'말이 어눌해졌다', '시력이 흐려짐', '발열', '고혈압', '저혈압']]
return X
predict_disease# 사전 저장된 모델 파일 필요(119_model_XGC.pkl)
#### 추출 병원 지도에 표시 with st.expander("인근 병원 리스트", expanded=True): st.dataframe(display_df) m = folium.Map(location=[lati,long], zoom_start=11) icon = folium.Icon(color="red") folium.Marker(location=[lati, long], popup="환자위치", tooltip="환자위치: "+location, icon=icon).add_to(m)
if chi2_sym[1] >= 0.05 : print("귀무가설 채택", one_sym, "에 따라 중증 질환에 차이가 없다. P-value ", chi2_sym[1]) else: print("대립가설 채택", one_sym, "에 따라 중증 질환에 차이가 있다. P-value ", chi2_sym[1])
result = spst.f_oneway(Class_1, Class_2, Class_3, Class_4)
# p-value 확인
print(result)
print(result[1])
for one_column in anova_column:
sns.barplot( data = desease, x='중증질환', y = one_column)
plt.show()
함수 만들기
def preprocessing(desease):
desease = desease.copy()
######################################### # 2. 데이터 전처리 하기 # #########################################
# '발열' 컬럼 구하기 : 체온이 37도 이상이면 1, 아니면 0 desease['발열'] = [1 if x>=37 else 0 for x in desease['체온']]
# '고혈압' 칼럼 구하기 : 수축기 혈압이 140 이상이면 1, 아니면 0 desease['고혈압'] = [ 1 if x>=140 else 0 for x in desease['수축기 혈압']]
# '저혈압' 칼럼 구하기 : 수축기 혈압이 90 이하이면 1, 아니면 0 desease['저혈압'] = [ 1 if x<= 90 else 0 for x in desease['수축기 혈압']]
######################################### # 3. X에 선택된 Feature값 넣기 # ######################################### # X : '중증질환' 및 데이터분석에서 Target에 영향을 주지 않는 칼럼 제외한 나머지 # X = desease.drop(columns =['출동일시','중증질환', 'ID','이름', '성별', '나이','이송 시간'] )
# 라이브러리 불러오기
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Malgun Gothic'
# 데이터 불러오기, 데이터 랜덤으로 섞기
data = pd.read_csv('119_emergency_dispatch.csv', encoding = 'cp949')
disease = data[data['중증질환'].isin(['심근경색','복부손상','뇌경색','뇌출혈'])]
disease = disease.sample(frac=1).reset_index(drop=True)
* 학습용, 평가용 데이터 준비하기
# 미션2에서 정의한 preprocessing 전처리 함수 정의 가져와서 실행하기
# 미션 2에서 정의한 preprocssing 전처리 함수
def preprocessing(disease):
disease = disease.copy()
# 발열 구하기 : 체온 37도 이상이면 1, 아니면 0
disease['발열'] = [ 1 if x >=37 else 0 for x in disease['체온']]
# 고혈압 컬럼 구하기 : 수축기 혈압 140 이상이면 1, 아니면 0
disease['고혈압'] = [ 1 if x>=140 else 0 for x in disease['수축기 혈압']]
# 저혈압 컬럼 구하기 : 수축기 혈압 90 dlgkdlaus 1, 아니면 0
# X에 선택된 Feature 값 넣기
# X : '중증질환' 및 데이터분석에서 Target에 영향을 주지 않는 칼럼 제외한 나머지
X = desease[['체온', '수축기 혈압', '이완기 혈압', '호흡 곤란','간헐성 경련', '설사',
'기침', '출혈', '통증', '만지면 아프다', '무감각', '마비', '현기증', '졸도',
'말이 어눌해졌다', '시력이 흐려짐', '발열', '고혈압', '저혈압']]
return X
* 데이터 확인
Y = disease['중증질환']
X = preprocessing(disease)
* AI 모델링을 위한 학습/검증 데이터 나누기
from sklearn.model_selection import train_test_split
train_x, test_x, train_y, test_y = train_test_split(X, Y, test_size = 0.3, random_state=2023)
key = "일반 인증키(Encoding)"
# [국립중앙의료원 - 전국응급의료기관 조회 서비스] 활용을 위한 개인 일반 인증키(Encoding) 값 저장
city = quote("대구광역시") # city = 대구광역시, 인코딩 필요
# 인증키 지정 : serviceKey = key
# 출력 행수 : numOfRows = 100
# page 번호 : pageNo = 1
# 도시 지정 : Q0 = city
3.대구광역시 응급의료기관 목록정보 조회하기
url = "https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEgytListInfoInqire?serviceKey=" +key + "&Q0=" + city + "&numOfRows=100&pageNo=1"
print(f"url : \n{url}")
result = urlopen(url, context = context)
emrList = pd.read_xml(result, xpath = '//item') # 3줄의 역할은 아래와 같다.
emrList
emrList를 출력하면 이와 같다.
emrList.shape # 응급의료기관 수 확인하기 : shape
emrList.columns # 컬럼 정보 확인하기
## 응급의료기관 목록정보 중 기관코드(hpid), 응급기관명(dutyName), 주소(dutyAddr), 응급실연락처(dutyTel3), 위도(wgs84Lat), 경도(wgs84Lon) 정보만 추출한다.
## ermList 중 [hpid, dutyName, dutyAddr, dutyTel3, wgs84Lat, wgs84Lon] 컬럼 활용하자
solution_df = emrList[['hpid', 'dutyName', 'dutyAddr', 'dutyTel3', 'wgs84Lat', 'wgs84Lon']].copy() ## solution_df 에 저장하기
solution_df.head()
solution_df의 상태는 이와 같다.
4.응급의료기관별 기본정보 조회 - 응급실 숫자, 수술실 숫자 조회
hpidList = list(solution_df['hpid']) # 응급의료기관에 대한 hpid 값을 list로 추출한다.
hperynList = [] # 각 응급의료기관의 응급실 병상 숫자(hperyn)를 저장하기 위한 빈 리스트
hpopynList = [] # 각 응급의료기관의 응급실 수술실 숫자(hperyn)를 저장하기 위한 빈 리스트
for hpid in hpidList: # for문을 이용하여 hpid 하나씩 조회하고, hperyn, hpopyn 정보를 각 hperynList, hpopynList 리스트에 저장
url_basic = f'https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEgytBassInfoInqire?serviceKey={key}&HPID={hpid}'
result = urlopen(url_basic, context = context)
df_temp = pd.read_xml(result, xpath = './/item
if 'hperyn' in list(df_temp, columns):
hperynList.append(df_temp['hperyn'][0])
else:
hperynList.append(0)
if 'hpopyn' in list(df_temp.columns):
hpopynList.append(df_temp['hpopyn'][0])
else:
hpopynList.append(0)
# 기존 solution_df에 응급실 숫자, 수술실 숫자 정보 추가하기
solution_df['hperyn'] = hperynList
solution_df['hpopyn'] = hpopynList
# hperyn, hpopyn 값이 0 이하인 병원을 삭제하자
solution_df = solution_df[solution_df['hpopyn']>0]
solution_df = solution_df[solution_df['hperyn']>0]
solution_df.to_csv(''daegu_hospital_list.csv', index = False) # 파일 저장
solution_df = pd.read_csv('./daegu_hospital_list.csv')
solution_df.head() # 정상적으로 저장되었는지 확인한다.
5. 응급의료기관별 실시간 가용 병상 조회
# url : https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEmrrmRltmUsefulSckbdInfoInqire
# 인증키 지정 : serviceKey = key
# 도시 지정 : STAGE1=city
# 출력 행수 : numOfRows=100
# page 번호 : pageNo = 1
# emrRealtime_big 변수명으로 저장
url_realtime = "https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEmrrmRltmUsefulSckbdInfoInqire?serviceKey=" + key + "&STAGE1=" + city + "&numOfRows=100&pageNo=1"
result = urlopen(url_realtiem, context = context)
emrRealtime_big = pd.read_csv(result, xpath = '//item')
# 응급실 실시간 가용병상 정보에서
기관코드(hpid), 응급실 병상수('hvec'), 수술실 수('hvoc') 정보만 추출하여 emRealtime_small 변수에 저장
emrRealtime_small = emrRealtime_big[['hpid', 'hvec', 'hvoc']] # emrRealtime_big 중 [hpid, hvec, hvoc] 컬럼 활용
solution_df = pd.merge(solution_df, emrRealtime_small, on = 'hpid', how='inner')
6.응급의료기관별 중증질환자 수용 가능 여부 조회
# 실시간 중증질환자 수용 가능 병원 조회
# url : https://apis.data.go.kr/B552657/ErmctInfoInqireService/getSrsillDissAceptncPosblInfoInqire
# 인증키 지정 : serviceKey = key
# 도시 지정 : STAGE1=city
# 출력 행수 : numOfRows=100
# page 번호 : pageNo = 1
url_acpt = 'https://apis.data.go.kr/B552657/ErmctInfoInqireService/getSrsillDissAceptncPosblInfoInqire?serviceKey=' + key + "&STAGE1=" +city + "&numOfRows=100&pageNo=1"
result = urlopen(url_acpt, context = context)
emrAcpt_big = pd.read_xml(result, xpath = './/item')
# 다른 API 함수와 다르게 기관코드 컬럼명이 달라서 hpid로 변경한다.
emrAcpt_big.rename(columns = { 'dutyName' : 'hpid' }, inplace = True)
## 실시간 중증질환자 수용 가능 병원정보에서 필요한 정보만 추출하여 emrAcpt_small 변수에 저장
## emrAcpt 중 [hpid, MKioskTy1, MKioskTy2, MKioskTy3, MKioskTy4, MKioskTy5, MKioskTy7,MKioskTy8, MKioskTy10, MKioskTy11] 컬럼 확인
# 'MKioskTy1' : '뇌출혈수술',
# 'MKioskTy2' : '뇌경색의재관류',
# 'MKioskTy3' : '심근경색의재관류',
# 'MKioskTy4' : '복부손상의수술',
# 'MKioskTy5' : '사지접합의수술',
# 'MKioskTy7' : '응급투석',
# 'MKioskTy8' : '조산산모',
# 'MKioskTy10' : '신생아',
# 'MKioskTy11' : '중증화상'
emrAcpt_small = emrAcpt_big[['hpid', 'MKioskTy1', 'MKioskTy2', 'MKioskTy3', 'MKioskTy4', 'MKioskTy5', 'MKioskTy7','MKioskTy8', 'MKioskTy10', 'MKioskTy11']]
# solution_df와 emrAcpt_small 데이터프레임을 결합하여 solution_df에 저장
solution_df = pd.merge(solution_df, emAcpt_small, on = 'hpid', how = 'inner')
7. 자료 정비하기 - 컬럼명을 한글로 rename, "N"으로 replace, 0 이하 수치는 0으로, 가용율 round, 포화도 cut
# column명을 한글로 교체하기 위해 딕셔너리로 정의
column_change = { 'hpid' : '병원코드',
'dutyName' : '병원명',
'dutyAddr' : '주소',
'dutyTel3' : '응급연락처',
'wgs84Lat' : '위도',
'wgs84Lon' : '경도',
'hperyn' : '응급실수',
'hpopyn' : '수술실수',
'hvec' : '가용응급실수',
'hvoc' : '가용수술실수',
'MKioskTy1' : '뇌출혈',
'MKioskTy2' : '뇌경색',
'MKioskTy3' : '심근경색',
'MKioskTy4' : '복부손상',
'MKioskTy5' : '사지접합',
'MKioskTy7' : '응급투석',
'MKioskTy8' : '조산산모',
'MKioskTy10' : '신생아',
'MKioskTy11' : '중증화상',
}
# solution_df의 column 명 변경하기 : rename
solution_df = solution_df.rename(columns = column_change)
solution_df.head()
# 중증질환 수용 가능 여부 데이터 중 정보 미제공, 불가능은 N로 변경 : replace
solution_df = solution_df.replace("정보미제공", "N")
solution_df = solution_df.replace("불가능", "N")
# 응급실가용율을 구하여 새로운 컬럼으로 추가하기
solution_df['응급실가용율'] = round(solution_df['가용응급실수'] / solution_df['응급실수'],2)
# 응급실가용율 값이 1보다 큰 경우, 1로 설정
solution_df.loc[solution_df['응급실가용율']>1, '응급실가용율'] = 1
# 응급실 가용율에 따라 포화도 분류
# 응급실 가용율 구분 단계 : ~0.1, 0.1 ~ 0.3, 0.3 ~ 0.6, 0.6 ~
# 포화도 명칭 : ['불가', '혼잡', '보통', '원활']
# pd.cut() 활용
bins = [ -np.inf, 0.1, 0.3, 0.6, np.inf ]
label = ['불가', '혼잡', '보통', '원활']
solution_df['응급실포화도'] = pd.cut(solution_df['응급실가용율'], bins = bins, labels = labels)
구간 나누기
8.상황에 따른 병원 데이터 출력하기
# 상황1) 응급실 수용이 가능한 병원
# 조건1 : 응급실 포화도가 불가가 아닌 병원을 출력
condition1 = ( solution_df['응급실포화도'] != '불가')
solution_df[condition1].head()
# 상황2) 중증질환자 수용이 가능하고, 응급실 수용이 가능한 병원
# 조건1 : '뇌출혈' 중증질환자 수용 및 수술실 수용 가능한(가용 수술실수가 1이상) 응급의료기관 조회
# 조건2 : 응급실 포화도가 불가가 아닌 병원을 출력
special_m = '뇌출혈'
condition1 = ( solution_df[special_m] =='Y' ) & ( solution_df['가용수술실수'] >= 1 )
condition2 = (solution_df['응급실포화도'] != '불가')
solution_df[condition1 & condition2]
9.병원 거리 구하기 haversine
from haversine import haversine # 라이브러리 import
patient= (35.8690760, 128.5811616) #Latitude, Longitude # 환자 위치 : 서문시장 내
distance = [] # 환자와 병원 간 거리를 저장할 빈 리스트
distance_df = solution_df.copy() # solution_df의 복사본을 만들어 distance_df에 저장
for idx, row in distance_df.iterrows():
# haversine 함수를 이용하여 환자와 병원간 거리 구하기
# distance 변수에 하나씩 채우기
# print(row['위도'], row['경도'] )
distance.append( round( haversine( patient, ( row['위도'], row['경도'] ), unit = 'km'), 2)
distance_df['거리'] = distance # distance_df의 '거리' 컬럼에 distance 값 저장하자
distance_df # 확인하기
# distance_df의 '거리'에 따라 거리구분 분류 : cut()
# '거리구분' 명칭 : ['2km이내', '5km이내', '10km이내', '10km이상']
bins = [-1, 2, 5, 10, np.inf ]
labels = ['2km이내', '5km이내', '10km이내', '10km이상']
distance_df['거리구분'] = pd.cut(distance_df['거리'], bins = bins, labels = labels )
distance_df.head()
# 가까운 거리순으로 : '거리구분'
# 응급실이 원활한 순서로 : '응급실포화도'
# 정렬하기 : sort_values
distance_df.sort_values( ['거리구분', '응급실포화도'], ascending = [True, False])
정렬 기준에 따라 출력하면 위와 같다.
10.중증 질환자를 수용 가능한 응급의료기관을 가까운 거리순으로 출력
# 중증질환자 수용이 가능하고, 응급실 수용이 가능한 병원 중 환자 위치에서 가까운 병원
# 조건1 : '중증화상' 중증질환자 수용 및 수술실 수용 가능한 응급으료기관 조회
# 조건2 :응급실 포화도가 불가가 아닌 병원
# 정렬 : 환자 위치를 중심으로 가장 가까운 병원부터 출력
patient= (35.8690760, 128.5811616) # 환자 위치 : 서문시장 내 #Latitude, Longitude
# 조건1 : '중증화상' 중증질환자 수용 및 수술실 수용 가능한 응급으료기관 조회
special_m = '중증화상'
condition1 = (solution_df[special_m] =='Y') & (solution_df['가용수술실수] >=1)
# 조건2 : '응급실 포화도가 불가가 아닌 병원
condition2 = (solution_df['응급실포화도'] != '불가')
# 조건1, 2에 해당되는 응급의료기관 정보를 distance_df에 저장하기
distance_df = solution_df[ condition1 & condition2].copy()
# 환자와 병원 간 거리를 저장할 빈 리스트 만들기
# 변수명 : distance
distance = []
for idx, row in distance_df.iterrows():
# haversine 함수를 이용하여 환자와 병원간 거리 구하기
# 단위 : km
# 소수 둘째자리까지 구하기
distance.append( round( haversine( patient, ( row['위도'], row['경도']) , unit = 'km'), 2) ) # distance 변수에 하나씩 채우기
# distance_df의 '거리' 컬럼에 distance 값 저장하기
distance_df['거리'] = distance # distance_df의 '거리' 컬럼에 distance 값 저장
# distance_df의 '거리'에 따라 거리구분 분류 : cut()
# 거리구분 명칭 : ['2km 이내', '5kim 이내', '10km 이내', '10km 이상']
bins = [-1, 2, 5, 10, np.inf]
labels = ['2km이내', '5km이내', '10km이내', '10km이상']
distance_df['거리구분'] = pd.cut(distance_df['거리'], bins = bins, labels = labels)
# 환자 위치에서 가까운 거리순으로, 응급실 포화도가 원활한 순서로 정렬
distance_df.sort_values( ['거리구분','응급실포화도'] , ascending = [True, False])
11.특정 중증질환 및 환자 위치에 따른 병원 실시간 정보 및 거리를 구하는 함수 작성하기
## tabulate library가 없는 경우 설치 필요
## pandas.to_markdown() 시 tabulate library가 필요함
!pip install tabulate
import pandas as pd
from urllib.parse import quote
from haversine import haversine
import ssl
from urllib.request import urlopen
import numpy as np
context=ssl.create_default_context()
context.set_ciphers("DEFAULT")
def find_hospital(special_m, lati, long):
key = "개인키"
# city = 대구광역시, 인코딩 필요
city = quote("대구광역시")
############################################################
# 2) 병원 리스트 csv 파일 불러오기 (daegu_hospital_list.csv) #
############################################################
solution_df = pd.read_csv('./daegu_hospital_list.csv')
############################################################
# 3) 병원 실시간 정보 가져오기 #
############################################################
# 응급실 실시간 가용병상
url_realtime = "https://apis.data.go.kr/B552657/ErmctInfoInqireService/getEmrrmRltmUsefulSckbdInfoInqire?serviceKey=" + key + "&STAGE1=" + city + "&numOfRows=100&pageNo=1"
result = urlopen(url_realtime, context = context)
emrRealtime_big = pd.read_xml(result, xpath = '//item')
## 응급실 실시간 가용병상 정보에서 기관코드(hpid), 응급실 병상수('hvec'), 수술실 수('hvoc') 정보만 추출하여 emRealtime_small 변수에 저장
## emrRealtime_big 중 [hpid, hvec, hvoc] 컬럼 활용
emrRealtime_small = emrRealtime_big[ ['hpid', 'hvec', 'hvoc' ] ]
# solution_df와 emrRealtime_small 데이터프레임을 결합하여 solution_df에 저장하자
solution_df = pd.merge(solution_df, emrRealtime_small )
# 실시간 중증질환자 수용 가능 병원 조회
url_acpt = 'https://apis.data.go.kr/B552657/ErmctInfoInqireService/getSrsillDissAceptncPosblInfoInqire?serviceKey=' + key + "&STAGE1=" +city + "&numOfRows=100&pageNo=1"
# 다른 API 함수와 다르게 기관코드 컬럼명이 다름(hpid --> dutyName)
# 기관코드 컬럼명을 'hpid'로 일치화시키기 위해 컬럼명을 변경하자
emrAcpt_big = emrAcpt_big.rename(columns = {'dutyname' : 'hpid'})
## 실시간 중증질환자 수용 가능 병원정보에서 필요한 정보만 추출하여 emrAcpt_small 변수에 저장
## emrAcpt 중 [hpid, MKioskTy1, MKioskTy2, MKioskTy3, MKioskTy4, MKioskTy5, MKioskTy7,MKioskTy8, MKioskTy10, MKioskTy11] 컬럼 확인
emrAcpt_small = emrAcpt_big[['hpid', 'MKioskTy1', 'MKioskTy2', 'MKioskTy3', 'MKioskTy4', 'MKioskTy5', 'MKioskTy7','MKioskTy8', 'MKioskTy10', 'MKioskTy11']]
# solution_df와 emrRealtime_small 데이터프레임을 결합하여 solution_df에 저장하자
solution_df = pd.merge(solution_df, emrAcpt_small)
############################################################
# 4) 자료 정비하기 #
############################################################
# solution_df의 컬럼명 변경하기
column_change = { 'hpid' : '병원코드',
'dutyName' : '병원명',
'dutyAddr' : '주소',
'dutyTel3' : '응급연락처',
'wgs84Lat' : '위도',
'wgs84Lon' : '경도',
'hperyn' : '응급실수',
'hpopyn' : '수술실수',
'hvec' : '가용응급실수',
'hvoc' : '가용수술실수',
'MKioskTy1' : '뇌출혈',
'MKioskTy2' : '뇌경색',
'MKioskTy3' : '심근경색',
'MKioskTy4' : '복부손상',
'MKioskTy5' : '사지접합',
'MKioskTy7' : '응급투석',
'MKioskTy8' : '조산산모',
'MKioskTy10' : '신생아',
'MKioskTy11' : '중증화상',
}
solution_df = solution_df.rename(columns=column_change)
# 중증질환 수용 가능 여부 데이터 중 정보 미제공, 불가능은 N로 변경 : replace
solution_df = solution_df.replace( { "정보미제공": "N"} }
solution_df = solution_df.replace( { "불가": "N"} }
## 응급실수/가용응급실수, 수술실수/가용수술실 수가 0보다 작은 경우는 비정상 데이터로 추정
## 0보다 작은 수는 0으로 변경
solution_df.loc[solution_df['응급실수']<0, '응급실수'] = 0
solution_df.loc[solution_df['수술실수']<0, '수술실수'] = 0
solution_df.loc[solution_df['가용응급실수']<0, '가용응급실수'] = 0
solution_df.loc[solution_df['가용응급실수']<0, '가용수술실수'] = 0
# 응급실 가용율이 1이 넘는 경우는 1로 대체
solution_df.loc[ solution['응급실가용율'] >1, '응급실가용율'] =1
# 응급실 가용율에 따라 포화도 분류
# 응급실 가용율 구분 단계 : ~0.1, 0.1 ~ 0.3, 0.3 ~ 0.6, 0.6 ~
# 포화도 명칭 : ['불가', '혼잡', '보통', '원활']
# pd.cut() 활용
bins = [ -np.inf, 0.1, 0.3, 0.6, np.inf ]
labels = ['불가', '혼잡' ,'보통', '원활' ]
solution_df['응급실포화도'] = pd.cut(solution_df['응급실가용율'], bins = bins, labels = labels)
############################################################
# 5) 환자 수용 가능한 병원 구하기
############################################################
# 매개변수 special_m로 받은 중증질환이 중증질환 리스트에 포함될 경우
# 중증질환 리스트 : ['뇌출혈', '뇌경색', '심근경색', '복부손상', '사지접합', '응급투석', '조산산모', '신생아','중증화상' ]
severe_diseases = ['뇌출혈', '뇌경색', '심근경색', '복부손상', '사지접합', '응급투석', '조산산모', '신생아','중증화상']
if special_m in severe_diseases:
# 조건1 : special_m 중증질환자 수용이 가능하고
# 조건2 : 응급실 포화도가 불가가 아닌 병원
condition1 = (solution_df[special_m] =='Y') & (solution_df['가용수술실수'] >= 1)
condition2 =(solution_df['응급실포화도'] != '불가')
# 조건1, 2에 해당되는 응급의료기관 정보를 distance_df에 저장하기
distance_df = solution[condition1 & condition2].copy()
# 매개변수 special_m 값이 중증질환 리스트에 포함이 안되는 경우
else:
# 조건 1: 응급실 포화도가 불가가 아닌 병원
condition1 = solution_df['응급실포화도'] != '불가'
# 조건 1에 해당하는 응급의료기관 정보를 distance_df에 저장하기
distance_df = solution_df[condition1].copy()
############################################################
# 6) 환자와 병원간 거리 구하기
############################################################
distance = []
patient = (lati, long)
for idx, row in distance_df.iterrows():
distance.append(round( haversine( ( row['위도'], row['경도']), patient, unit = 'km'), 2 ))
distance['거리'] = distance
############################################################
# 7) 거리 구간 구하기 #
############################################################
bins = [-np.inf, 2, 5, 10, np.inf]
labels = ['2km이내', '5km이내', '10km이내', '10km이상']
distance_df.loc[:, 거리구분] = pd.cut( distance['거리'], bins = bins, labels = labels)
############################################################
# 8) 결과값 반환하기 #
############################################################
return distance_df
