ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

Fakulta stavební

Katedra geomatiky

Lev.png

Semestrální projekt

155UZPR Úvod do zpracování prostorových dat

Vliv migrace obyvatel a nové výstavby na ceny nemovitostí v okresech

Bc. Kateřina Chromá

Bc. Štěpán Šedivý

Plzeň, leden 2024

OBSAH

  1. Úvod
  2. Zdroje dat
    1. Český statistický úřad
    2. ArcČR 500
  3. Použitý software
    1. JupyterHub
    2. Programovací jazyk Python
  4. Použité knihovny
    1. Pandas
    2. Numpy
    3. Matplotlib
    4. GeoPandas
  5. Import dat
    1. Ceny nemovitostí
    2. Počet dokončených bytů a rodinných domů
    3. Pohyb obyvatel
    4. Okresy
  6. Pohyb obyvatel v okresech
    1. Znázornění pohybu obyvatel v jednotlivých okresech pro všechny roky
  7. Ceny rodinných domů a bytů za 1m2 v okresech
    1. Znázornění cen rodinného domu v jednotlivých okresech pro všechny roky
    2. Znázornění cen bytu v jednotlivých okresech pro všechny roky
  8. Počet dokončených bytů a rodinných domů v okresech
    1. Znázornění počtu dokončených rodinných domů v jednotlivých okresech pro všechny roky
    2. Znázornění počtu dokončených bytů v jednotlivých okresech pro všechny roky
  9. Rozdíly mezi jednotlivými roky
  10. Zobrazení závislosti mezi jednotlivými údaji
    1. Závislost dat - z rozdílu mezi lety 2019 a 2020
    2. Závislost dat - z rozdílu mezi lety 2020 a 2021
    3. Závislost dat - z rozdílu mezi lety 2021 a 2022
    4. Závislost dat - z rozdílu mezi lety 2019 a 2022
  11. Porovnání změn cen v okresech s průměrnou změnou ceny v ČR
    1. Porovnání růstu cen rodinných domů v okresech s celorepublikovým průměrem
    2. Porovnání růstu cen bytů v okresech s celorepublikovým průměrem
  12. Závěr

1. ÚVOD

Cílem této semestrální práce bylo provést analýzu dat cen nemovitostí, počtu dokončených staveb a přistěhovalých obyvatel. Byly zjišťováno, zda ceny nemovitostí ovlivňují počet přistěhovalých nebo počet dokončených staveb. Jako územně-správní jednotka byly zvoleny okresy ČR. Výstupy budou vizualizovány.

2. ZDROJE DAT

A. Český statistický úřad

Český statistický úřad (ČSÚ) je ústřední orgán státní správy České republiky. zabezpečuje získávání a zpracování údajů pro statistické účely a poskytuje statistické informace státním orgánům, orgánům územní samosprávy, veřejnosti a do zahraničí. Zajišťuje vzájemnou srovnatelnost statistických informací ve vnitrostátním i mezinárodním měřítku.

csu.png

B. ArcČR 500

ArcČR 500 je digitální vektorová geografická databáze pro území České republiky, zpracovaná v měřítku 1 : 500 000. Navazuje na podobné databáze, zpracované firmou ESRI (Environmental Systems Research Institute, California, USA) nebo spolupracujícími firmami pro USA a jednotlivé státy Evropy (mj. Německo, Francie, Rakousko), jakož i pro celý svět (ArcWorld).

Cílem nabídky těchto dat je zpřístupnění přehledných geografických informací o ČR uživatelům geografických informačních systémů (GIS). Obsah a struktura dat umožňují široké spektrum prostorových analýz vycházejících z propojení grafických a tabelárních dat, vizualizaci a prezentaci těchto dat, jakož i napojení dalších statistických informací.

3. POUŽITÝ SOFTWARE A PROGRAMOVACÍ JAZYK

A. JupyterHub

JupyterHub je webový server s otevřeným zdrojovým kódem pro více uživatelů navržený tak, aby poskytoval centralizované prostředí pro interaktivní práci s počítačem. Umožňuje uživatelům z různých oblastí výpočetní techniky, jako jsou datoví vědci, výzkumníci a studenti, komunikovat pomocí stejného nástroje. Poskytuje přístup více uživatelům k aplikacím Jupyter Notebook a umožňuje každému uživateli mít potřebné výpočetní prostředí a zdroje pro organizovanou spolupráci.

JupyterHub je navržen tak, aby podporoval více uživatelů a různé programovací jazyky. Běží na jediném serveru a hostuje více instancí notebooku pro každého uživatele. Uživatelé mohou snadno nainstalovat JupyterHub do různých prostředí, od notebooku po cloud, a lze jej dokonce nainstalovat na cluster s více uzly. Je napsán v jazyce Python a obvykle běží na operačním systému Linux.

jupyter.svg

B. Programovací jazyk Python

Je vysokoúrovňový programovací jazyk, který v roce 1991 navrhl Guido van Rossum. Nabízí dynamickou kontrolu datových typů a podporuje různá programovací paradigmata, včetně objektově orientovaného, imperativního nebo funkcionálního. V roce 2018 vzrostla jeho popularita a zařadil se mezi nejoblíbenější jazyky. V řadě různých žebříčků dosahuje jedno z prvních třech míst, výjimkou nebývají první místa.

Python je vyvíjen jako open source projekt, který zdarma nabízí instalace pro většinu běžných platforem (Unix, MS Windows, macOS, Android); ve většině distribucí systému GNU/Linux je Python součástí základní instalace.

Python_logo_and_wordmark.svg.png

4. POUŽITÉ KNIHOVNY

A. Pandas

Knihovna Pandas je open-source knihovna pro programovací jazyk Python, která poskytuje struktury dat a nástroje pro analýzu a manipulaci s daty. Pandas je jedním z nejčastěji používaných nástrojů v oblasti datové analýzy a vědy o datech a poskytuje vysokoúrovňové data structures, které jsou snadno použitelné.

0_fto5mNElXLZ8TCZr.png

In [180]:
import pandas as pd

B. NumPy (Numerical Python)

NumPy poskytuje podporu pro vytváření a manipulaci s maticemi a více-dimenzionálními polemi (arrays). Tato knihovna je klíčová pro mnoho vědeckých a technických výpočtů v Pythonu.

numpy.png

In [181]:
import numpy as np

C. Matplotlib

Matplotlib je knihovna v programovacím jazyce Python, která poskytuje nástroje pro vizualizaci dat v podobě grafů a diagramů. Je jednou z nejpoužívanějších knihoven pro tvorbu statických a interaktivních vizualizací v oblasti datové analýzy, vědy o datech, a výzkumu.

matplot_title_logo.png

In [182]:
import matplotlib.pyplot as plt
from matplotlib import pyplot

D. GeoPandas

GeoPandas je rozšířením pro knihovnu Pandas, které poskytuje nástroje pro práci s geografickými daty v programovacím jazyce Python. Hlavním cílem GeoPandas je umožnit analýzu, manipulaci a vizualizaci geografických dat v pohodlném formátu, podobně jako Pandas umožňuje práci s tabulkovými daty.

geopandas.png

In [183]:
import geopandas as gpd

E. Další knihovny

In [184]:
import mapclassify
import random
import statistics

5. IMPORT DAT

Byly importovány celkem 4 soubory.

A. Ceny nemovitostí

První vstupující soubor nese informace o průměrných cenách za 1m2 rodinného domu nebo bytu pro roky 2019 - 2022 v jednotlivých okresech.

In [185]:
filename = "CenyNemovitosti2.csv"
Ceny = pd.read_csv(filename)
Ceny.head(3)
Out[185]:
okres rok cenyRD cenyBytu
0 Benešov 2019 33086 28649
1 Beroun 2019 36014 32338
2 Kladno 2019 34993 37796

B. Počet dokončených bytů a rodinných domů

Tento vstupující soubor nese informace o počtech dokončených rodinných domů nebo bytů pro roky 2019 - 2022 v jednotlivých okresech.

In [186]:
filename = "PocetDokoncenychBytu.csv"
Byty = pd.read_csv(filename)
Byty.head(3)
Out[186]:
okres rok v RD v bytových domech
0 Benešov 2022 339 0
1 Benešov 2021 378 8
2 Benešov 2020 348 5

C. Pohyb obyvatel

Soubor udává kolik obyvatel se v letech 2019 - 2022 přistěhovalo nebo odstěhovalo z jednotlivých okresů.

In [187]:
filename = "PohybObyvatel2.csv"
Obyvatele = pd.read_csv(filename)
Obyvatele.head(3)
Out[187]:
okres rok PrirustekUbytek pristehovaly vystehovaly
0 Benešov 2022 3057.0 4350 1293
1 Benešov 2021 825.0 2212 1387
2 Benešov 2020 667.0 1916 1249

D. Okresy

Tento soubor jako jediný nese informaci o geometerii okresů. Soubor se neanalyzuje, slouží pouze pro přidělení geometrie pro následující vykreslování.

In [188]:
Okresy = gpd.read_file('Okresy.shp')
Okresy.head(3)
Out[188]:
KOD_OKRES KOD_LAU1 NAZ_LAU1 KOD_KRAJ KOD_CZNUTS NAZ_CZNUTS SNATKY ROZVODY NAROZENI ZEMRELI ... MIRA_NEZAM MIRA_NEZ_1 MIRA_NEZ_2 NADEJE_DOZ NADEJE_D_1 SX SY SHAPE_Leng SHAPE_Area geometry
0 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj 412.0 232.0 1086.0 1073.0 ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
1 40177 CZ0202 Beroun 3026 CZ020 Středočeský kraj 383.0 270.0 1046.0 880.0 ... 5.065081 4.732233 5.405778 74.805987 81.414124 -775114.951693 -1.059142e+06 214837.429694 7.035512e+08 POLYGON ((-766878.520 -1043063.830, -766860.31...
2 40185 CZ0203 Kladno 3026 CZ020 Středočeský kraj 744.0 481.0 1690.0 1767.0 ... 6.923698 6.746076 7.104167 74.740803 80.478830 -765062.683588 -1.027274e+06 210000.491482 7.196171e+08 POLYGON ((-766946.730 -1010741.620, -766937.43...

3 rows × 34 columns

In [189]:
colors = []
for i in range(len(Okresy.NAZ_LAU1)):
    color = "#{:06x}".format(random.randint(0, 0xFFFFFF))  # Generování náhodné barvy
    colors.append(color)


Okresy.plot(figsize=(15, 20),color=colors)
Out[189]:
<AxesSubplot:>

6. POHYB OBYVATEL V OKRESECH

Abychom mohli data zobrazit údaje o obyvatelých v mapě, musíme je sloučit s daty okresů, které mají geometrii. A jelikož se spojené data uloží jako typ DataFrame z knihovny Pandas (neumí vykreslit gemetrii), musí se převést do typu GeoDataFrame z knihovny GeoPandas.

Aby byla později práce s daty usnadněna, byly data rozdělena podle roku, ke kterým náleží.

In [190]:
ObyvatelstvoVOkresech = pd.merge(Obyvatele, Okresy, left_on='okres', right_on='NAZ_LAU1')

ObyvatelstvoVOkresech2019 = ObyvatelstvoVOkresech[ObyvatelstvoVOkresech["rok"]==2019]
ObyvatelstvoVOkresech2019GDF = gpd.GeoDataFrame(ObyvatelstvoVOkresech2019, geometry='geometry')

ObyvatelstvoVOkresech2020 = ObyvatelstvoVOkresech[ObyvatelstvoVOkresech["rok"]==2020]
ObyvatelstvoVOkresech2020GDF = gpd.GeoDataFrame(ObyvatelstvoVOkresech2020, geometry='geometry')

ObyvatelstvoVOkresech2021 = ObyvatelstvoVOkresech[ObyvatelstvoVOkresech["rok"]==2021]
ObyvatelstvoVOkresech2021GDF = gpd.GeoDataFrame(ObyvatelstvoVOkresech2021, geometry='geometry')

ObyvatelstvoVOkresech2022 = ObyvatelstvoVOkresech[ObyvatelstvoVOkresech["rok"]==2022]
ObyvatelstvoVOkresech2022GDF = gpd.GeoDataFrame(ObyvatelstvoVOkresech2022, geometry='geometry')

ObyvatelstvoVOkresech.head(3)
Out[190]:
okres rok PrirustekUbytek pristehovaly vystehovaly KOD_OKRES KOD_LAU1 NAZ_LAU1 KOD_KRAJ KOD_CZNUTS ... MIRA_NEZAM MIRA_NEZ_1 MIRA_NEZ_2 NADEJE_DOZ NADEJE_D_1 SX SY SHAPE_Leng SHAPE_Area geometry
0 Benešov 2022 3057.0 4350 1293 40169 CZ0201 Benešov 3026 CZ020 ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
1 Benešov 2021 825.0 2212 1387 40169 CZ0201 Benešov 3026 CZ020 ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
2 Benešov 2020 667.0 1916 1249 40169 CZ0201 Benešov 3026 CZ020 ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...

3 rows × 39 columns

A. Znázornění pohybu obyvatel v jednotlivých okresech pro všechny roky

In [191]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(15,10))
ObyvatelstvoVOkresech2019GDF.plot(ax=ax1,column='PrirustekUbytek', cmap='RdYlGn',legend=True,legend_kwds={'shrink': 0.3},vmin = -1000, vmax = 1000)
ObyvatelstvoVOkresech2020GDF.plot(ax=ax2,column='PrirustekUbytek', cmap='RdYlGn',legend=True,legend_kwds={'shrink': 0.3},vmin = -1000, vmax = 1000)
ObyvatelstvoVOkresech2021GDF.plot(ax=ax3,column='PrirustekUbytek', cmap='RdYlGn',legend=True,legend_kwds={'shrink': 0.3},vmin = -1000, vmax = 1000)
ObyvatelstvoVOkresech2022GDF.plot(ax=ax4,column='PrirustekUbytek', cmap='RdYlGn',legend=True,legend_kwds={'shrink': 0.3},vmin = -1000, vmax = 1000)

ax1.set_title('Pohyb obyvatelstva v roce 2019')
ax2.set_title('Pohyb obyvatelstva v roce 2020')
ax3.set_title('Pohyb obyvatelstva v roce 2021')
ax4.set_title('Pohyb obyvatelstva v roce 2022')
Out[191]:
Text(0.5, 1.0, 'Pohyb obyvatelstva v roce 2022')

Můžeme zde vidět, že v roce 2022 se do všech okresů přistěhovalo mnoho obyvatel. Dle nás se nejedná o chybu dat, ale tuto změnu způsobila válka na ukrajině a následný přistěhování ukrajinských obyvatel do ČR.

In [192]:
fig, ((ax1, ax2), (ax3, ax4),(ax5,ax6),(ax7,ax8)) = plt.subplots(nrows=4, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
ObyvatelstvoVOkresech2019GDF.plot(ax=ax1, column='pristehovaly',cmap='Greens', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2019GDF.plot(ax=ax2, column='vystehovaly',cmap='Reds', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2020GDF.plot(ax=ax3, column='pristehovaly',cmap='Greens', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2020GDF.plot(ax=ax4, column='vystehovaly',cmap='Reds', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2021GDF.plot(ax=ax5, column='pristehovaly',cmap='Greens', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2021GDF.plot(ax=ax6, column='vystehovaly',cmap='Reds', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2022GDF.plot(ax=ax7, column='pristehovaly',cmap='Greens', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})
ObyvatelstvoVOkresech2022GDF.plot(ax=ax8, column='vystehovaly',cmap='Reds', vmin = 0,vmax=5000,legend=True,legend_kwds={'shrink': 0.3})


ax1.set_title('Přistěhovalý v roce 2019')
ax2.set_title('Vystěhováný v roce 2019')
ax3.set_title('Přistěhovalý v roce 2020')
ax4.set_title('Vystěhováný v roce 2020')
ax5.set_title('Přistěhovalý v roce 2021')
ax6.set_title('Vystěhováný v roce 2021')
ax7.set_title('Přistěhovalý v roce 2022')
ax8.set_title('Vystěhováný v roce 2022')
Out[192]:
Text(0.5, 1.0, 'Vystěhováný v roce 2022')

Pro vykreslení všech map byly použity stejné parametry.

7. CENY RODINNÝCH DOMŮ A BYTŮ ZA 1m2 V OKRESECH

Zde proběhla stejná příprava jako dat s obyvately.

In [193]:
CenyVOkresech = pd.merge(Ceny, Okresy, left_on='okres', right_on='NAZ_LAU1')

CenyVOkresech2019 = CenyVOkresech[CenyVOkresech["rok"]==2019]
CenyVOkresech2019GDF = gpd.GeoDataFrame(CenyVOkresech2019, geometry='geometry')

CenyVOkresech2020 = CenyVOkresech[CenyVOkresech["rok"]==2020]
CenyVOkresech2020GDF = gpd.GeoDataFrame(CenyVOkresech2020, geometry='geometry')

CenyVOkresech2021 = CenyVOkresech[CenyVOkresech["rok"]==2021]
CenyVOkresech2021GDF = gpd.GeoDataFrame(CenyVOkresech2021, geometry='geometry')

CenyVOkresech2022 = CenyVOkresech[CenyVOkresech["rok"]==2022]
CenyVOkresech2022GDF = gpd.GeoDataFrame(CenyVOkresech2022, geometry='geometry')

CenyVOkresech.head(3)
Out[193]:
okres rok cenyRD cenyBytu KOD_OKRES KOD_LAU1 NAZ_LAU1 KOD_KRAJ KOD_CZNUTS NAZ_CZNUTS ... MIRA_NEZAM MIRA_NEZ_1 MIRA_NEZ_2 NADEJE_DOZ NADEJE_D_1 SX SY SHAPE_Leng SHAPE_Area geometry
0 Benešov 2019 33086 28649 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
1 Benešov 2020 35006 35967 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
2 Benešov 2021 41554 44070 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...

3 rows × 38 columns

A. Znázornění cen rodinného domu v jednotlivých okresech pro všechny roky

In [194]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(15, 10))

CenyVOkresech2019GDF.plot(ax=ax1, column='cenyRD',cmap='Blues', vmin = 15000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2020GDF.plot(ax=ax2, column='cenyRD',cmap='Blues', vmin = 15000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2021GDF.plot(ax=ax3, column='cenyRD',cmap='Blues', vmin = 15000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2022GDF.plot(ax=ax4, column='cenyRD',cmap='Blues', vmin = 15000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})


ax1.set_title('Průměrná cena rodinného domu \n v 2019 za 1m2')
ax2.set_title('Průměrná cena rodinného domu \n v 2020 za 1m2')
ax3.set_title('Průměrná cena rodinného domu \n v 2021 za 1m2')
ax4.set_title('Průměrná cena rodinného domu \n v 2022 za 1m2')
Out[194]:
Text(0.5, 1.0, 'Průměrná cena rodinného domu \n v 2022 za 1m2')

Pro vykreslení všech map byly použity stejné parametry. Díky tomu můžeme vidět jak každým rokem cena roste.

B. Znázornění cen bytu v jednotlivých okresech pro všechny roky

In [195]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(15, 10))

CenyVOkresech2019GDF.plot(ax=ax1, column='cenyBytu',cmap='Purples', vmin = 10000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2020GDF.plot(ax=ax2, column='cenyBytu',cmap='Purples', vmin = 10000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2021GDF.plot(ax=ax3, column='cenyBytu',cmap='Purples', vmin = 10000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})
CenyVOkresech2022GDF.plot(ax=ax4, column='cenyBytu',cmap='Purples', vmin = 10000,vmax=60000,legend=True,legend_kwds={'shrink': 0.3})


ax1.set_title('Průměrná cena bytu \n v 2019 za 1m2')
ax2.set_title('Průměrná cena bytu \n v 2020 za 1m2')
ax3.set_title('Průměrná cena bytu \n v 2021 za 1m2')
ax4.set_title('Průměrná cena bytu \n v 2022 za 1m2')
Out[195]:
Text(0.5, 1.0, 'Průměrná cena bytu \n v 2022 za 1m2')

Pro vykreslení všech map byly použity stejné parametry. Díky tomu můžeme vidět jak každým rokem cena roste.

8. POČET DOKONČENÝCH BYTŮ A RODINNÝCH DOMŮ V OKRESECH

Příprava těchto dat proběhla stejným způsobem jako u předchozích případů.

In [196]:
BytyVOkresech = pd.merge(Byty, Okresy, left_on='okres', right_on='NAZ_LAU1')

BytyVOkresech2019 = BytyVOkresech[BytyVOkresech["rok"]==2019]
BytyVOkresech2019GDF = gpd.GeoDataFrame(BytyVOkresech2019, geometry='geometry')

BytyVOkresech2020 = BytyVOkresech[BytyVOkresech["rok"]==2020]
BytyVOkresech2020GDF = gpd.GeoDataFrame(BytyVOkresech2020, geometry='geometry')

BytyVOkresech2021 = BytyVOkresech[BytyVOkresech["rok"]==2021]
BytyVOkresech2021GDF = gpd.GeoDataFrame(BytyVOkresech2021, geometry='geometry')

BytyVOkresech2022 = BytyVOkresech[BytyVOkresech["rok"]==2022]
BytyVOkresech2022GDF = gpd.GeoDataFrame(BytyVOkresech2022, geometry='geometry')

BytyVOkresech.head(3)
Out[196]:
okres rok v RD v bytových domech KOD_OKRES KOD_LAU1 NAZ_LAU1 KOD_KRAJ KOD_CZNUTS NAZ_CZNUTS ... MIRA_NEZAM MIRA_NEZ_1 MIRA_NEZ_2 NADEJE_DOZ NADEJE_D_1 SX SY SHAPE_Leng SHAPE_Area geometry
0 Benešov 2022 339 0 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
1 Benešov 2021 378 8 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...
2 Benešov 2020 348 5 40169 CZ0201 Benešov 3026 CZ020 Středočeský kraj ... 3.755883 3.547788 3.973018 75.235682 80.814224 -723011.501988 -1.087275e+06 358784.823858 1.474830e+09 POLYGON ((-728312.790 -1064692.040, -728297.30...

3 rows × 38 columns

A. Znázornění počtu dokončených rodinných domů v jednotlivých okresech pro všechny roky

In [197]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(15, 10))

BytyVOkresech2019GDF.plot(ax=ax1, column='v RD',cmap='Oranges', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2020GDF.plot(ax=ax2, column='v RD',cmap='Oranges', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2021GDF.plot(ax=ax3, column='v RD',cmap='Oranges', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2022GDF.plot(ax=ax4, column='v RD',cmap='Oranges', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})


ax1.set_title('Počet dokončených rodinných domů \n v 2019')
ax2.set_title('Počet dokončených rodinných domů \n v 2020')
ax3.set_title('Počet dokončených rodinných domů \n v 2021')
ax4.set_title('Počet dokončených rodinných domů \n v 2022')
Out[197]:
Text(0.5, 1.0, 'Počet dokončených rodinných domů \n v 2022')

B. Znázornění počtu dokončených bytů v jednotlivých okresech pro všechny roky

In [198]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(15, 10))

BytyVOkresech2019GDF.plot(ax=ax1, column='v bytových domech',cmap='Blues', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2020GDF.plot(ax=ax2, column='v bytových domech',cmap='Blues', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2021GDF.plot(ax=ax3, column='v bytových domech',cmap='Blues', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})
BytyVOkresech2022GDF.plot(ax=ax4, column='v bytových domech',cmap='Blues', vmin = 0,vmax=1000,legend=True,legend_kwds={'shrink': 0.3})


ax1.set_title('Počet dokončených bytů \n v 2019')
ax2.set_title('Počet dokončených bytů \n v 2020')
ax3.set_title('Počet dokončených bytů \n v 2021')
ax4.set_title('Počet dokončených bytů \n v 2022')
Out[198]:
Text(0.5, 1.0, 'Počet dokončených bytů \n v 2022')

9. ROZDÍLY MEZI JEDNOTLIVÝMI ROKY

Aby nám do následně definované funkce nevstupovali 3 různé 'tabulky', byla vytvořena pr každý rok pouze jedna, která obsahuje všechna potřebná data.

In [199]:
SpojenoVOkresech2019_pom = pd.merge(BytyVOkresech2019, CenyVOkresech2019, left_on='okres', right_on='okres')
SpojenoVOkresech2019 = pd.merge(SpojenoVOkresech2019_pom, ObyvatelstvoVOkresech2019, left_on='okres', right_on='okres')
SpojenoVOkresech2020_pom = pd.merge(BytyVOkresech2020, CenyVOkresech2020, left_on='okres', right_on='okres')
SpojenoVOkresech2020 = pd.merge(SpojenoVOkresech2020_pom, ObyvatelstvoVOkresech2020, left_on='okres', right_on='okres')
SpojenoVOkresech2021_pom = pd.merge(BytyVOkresech2021, CenyVOkresech2021, left_on='okres', right_on='okres')
SpojenoVOkresech2021 = pd.merge(SpojenoVOkresech2021_pom, ObyvatelstvoVOkresech2021, left_on='okres', right_on='okres')
SpojenoVOkresech2022_pom = pd.merge(BytyVOkresech2022, CenyVOkresech2022, left_on='okres', right_on='okres')
SpojenoVOkresech2022 = pd.merge(SpojenoVOkresech2022_pom, ObyvatelstvoVOkresech2022, left_on='okres', right_on='okres')
type(SpojenoVOkresech2022)
Out[199]:
pandas.core.frame.DataFrame

Výsledkem funkce RozdilyRoky jsou data ve formátu DataFrame z knihovny Pandas. Určuje rozdíly mezi hodnotami ze dvou různých roků, jejichž data do funkce vstupují. Výstup obsahuje tyto data:

  1. Název okresu
  2. Změnu přistěhovalých v okresu v %
  3. Změnu průměrné ceny za 1m2 bytu v okresu v %
  4. Změnu průměrné ceny za 1m2 rodinného domu v okresu v %
  5. Změnu dokončených rodinných domů v okresu v %
  6. Změnu dokončených bytů v okresu v %
  7. Údaj, zda počet přistěhovalých obyvatel závisí na průměrné ceně za 1m2 bytu v okrese
  8. Údaj, zda počet přistěhovalých obyvatel závisí na průměrné ceně za 1m2 rodinného domu v okrese
  9. Údaj, zda počet přistěhovalých obyvatel závisí na počtu dokončených bytů v okrese
  10. Údaj, zda počet přistěhovalých obyvatel závisí na počtu dokončených rodinných domů v okrese
  11. Údaj, zda počet dokončených bytů závisí na průměrné ceně za 1m2 bytu
  12. Údaj, zda počet dokončených bytů závisí na průměrné ceně za 1m2 rodinného domu
In [200]:
def RozdilyRoky(vstup1,vstup2):
    
    
    zmenyMeziRoky = pd.DataFrame()
    zmenyMeziRoky["Okres"] = []
    zmenyMeziRoky["RozdilPristehovalych"] = []
    zmenyMeziRoky["RozdilCenBytu"] = []
    zmenyMeziRoky["RozdilCenRD"] = []
    zmenyMeziRoky["RozdilPostavenychRD"] = []
    zmenyMeziRoky["RozdilPostavenychBytu"] = []
    zmenyMeziRoky["zavislostPristehovalychNaCeneBytu"] = []
    zmenyMeziRoky["zavislostPristehovalychNaCeneRD"] = []
    zmenyMeziRoky["zavislostPristehovalychNaPostavenchBytech"] = []
    zmenyMeziRoky["zavislostPristehovalychNaPostavenychRD"] = []
    zmenyMeziRoky["zavislostPostavenychBytuNaCeneBytu"] = []
    zmenyMeziRoky["zavislostPostavenychRDnaCeneRD"] = []

    for i in range(0,len(vstup1.okres)):
        okres1 = vstup1.okres[i]
        Rozdil_prist = (vstup2[vstup2["okres"]==okres1].pristehovaly/SpojenoVOkresech2019[SpojenoVOkresech2019["okres"]==okres1].pristehovaly).values[0]
        Rozdil_cenBytu = (vstup2[vstup2["okres"]==okres1].cenyBytu/SpojenoVOkresech2019[SpojenoVOkresech2019["okres"]==okres1].cenyBytu).values[0]
        Rozdil_cenRD = (vstup2[vstup2["okres"]==okres1].cenyRD/SpojenoVOkresech2019[SpojenoVOkresech2019["okres"]==okres1].cenyRD).values[0]
        Rozdil_postavenychRD = (vstup2[vstup2["okres"]==okres1]["v RD"]/SpojenoVOkresech2019[SpojenoVOkresech2019["okres"]==okres1]["v RD"]).values[0]
        Rozdil_postavenychBytu = (vstup2[vstup2["okres"]==okres1]["v bytových domech"]/SpojenoVOkresech2019[SpojenoVOkresech2019["okres"]==okres1]["v bytových domech"]).values[0]
        
        if (Rozdil_prist > 1) and (Rozdil_cenBytu > 1):
            bzavislostPristehovalychNaCeneBytu = -1
        if (Rozdil_prist < 1) and (Rozdil_cenBytu < 1):
            bzavislostPristehovalychNaCeneBytu = 1
        if (Rozdil_prist < 1) and (Rozdil_cenBytu > 1):
            bzavislostPristehovalychNaCeneBytu = -2
        if (Rozdil_prist > 1) and (Rozdil_cenBytu < 1):
            bzavislostPristehovalychNaCeneBytu = 2
            
        if (Rozdil_prist > 1) and (Rozdil_cenRD > 1):
            bzavislostPristehovalychNaCeneRD = -1
        if (Rozdil_prist < 1) and (Rozdil_cenRD < 1):
            bzavislostPristehovalychNaCeneRD = 1
        if (Rozdil_prist < 1) and (Rozdil_cenRD > 1):
            bzavislostPristehovalychNaCeneRD = -2
        if (Rozdil_prist > 1) and (Rozdil_cenRD < 1):
            bzavislostPristehovalychNaCeneRD = 2
            
        if (Rozdil_prist > 1) and (Rozdil_postavenychBytu > 1):
            bzavislostPristehovalychNaPostavenchBytech = -1
        if (Rozdil_prist < 1) and (Rozdil_postavenychBytu < 1):
            bzavislostPristehovalychNaPostavenchBytech = 1
        if (Rozdil_prist < 1) and (Rozdil_postavenychBytu > 1):
            bzavislostPristehovalychNaPostavenchBytech = -2
        if (Rozdil_prist > 1) and (Rozdil_postavenychBytu < 1):
            bzavislostPristehovalychNaPostavenchBytech = 2 
            
        if (Rozdil_prist > 1) and (Rozdil_postavenychRD > 1):
            bzavislostPristehovalychNaPostavenchRD = -1
        if (Rozdil_prist < 1) and (Rozdil_postavenychRD < 1):
            bzavislostPristehovalychNaPostavenchRD = 1
        if (Rozdil_prist < 1) and (Rozdil_postavenychRD > 1):
            bzavislostPristehovalychNaPostavenchRD = -2
        if (Rozdil_prist > 1) and (Rozdil_postavenychRD < 1):
            bzavislostPristehovalychNaPostavenchRD = 2 
            
        if (Rozdil_cenBytu > 1) and (Rozdil_postavenychBytu > 1):
            bzavislostPostavenychBytuNaCeneBytu = -1
        if (Rozdil_cenBytu < 1) and (Rozdil_postavenychBytu < 1):
            bzavislostPostavenychBytuNaCeneBytu = 1
        if (Rozdil_cenBytu < 1) and (Rozdil_postavenychBytu > 1):
            bzavislostPostavenychBytuNaCeneBytu = 2
        if (Rozdil_cenBytu > 1) and (Rozdil_postavenychBytu < 1):
            bzavislostPostavenychBytuNaCeneBytu = -2 
            
        if (Rozdil_cenRD > 1) and (Rozdil_postavenychRD > 1):
            bzavislostPostavenychRDnaCeneRD = -1
        if (Rozdil_cenRD < 1) and (Rozdil_postavenychRD < 1):
            bzavislostPostavenychRDnaCeneRD = 1
        if (Rozdil_cenRD < 1) and (Rozdil_postavenychRD > 1):
            bzavislostPostavenychRDnaCeneRD = 2
        if (Rozdil_cenRD > 1) and (Rozdil_postavenychRD < 1):
            bzavislostPostavenychRDnaCeneRD = -2 
    
        
        zmenyMeziRoky["Okres"] = zmenyMeziRoky["Okres"].astype(str)
        zmenyMeziRoky.loc[i, "Okres"] = okres1
        zmenyMeziRoky.loc[i,"RozdilPristehovalych"] = float(Rozdil_prist)*100
        zmenyMeziRoky.loc[i,"RozdilCenBytu"] = float(Rozdil_cenBytu)*100
        zmenyMeziRoky.loc[i,"RozdilCenRD"] = float(Rozdil_cenRD)*100
        zmenyMeziRoky.loc[i,"RozdilPostavenychRD"] = float(Rozdil_postavenychRD)*100
        zmenyMeziRoky.loc[i,"RozdilPostavenychBytu"] = float(Rozdil_postavenychBytu)*100
        zmenyMeziRoky.loc[i,"zavislostPristehovalychNaCeneBytu"] = bzavislostPristehovalychNaCeneBytu
        zmenyMeziRoky.loc[i,"zavislostPristehovalychNaCeneRD"] = bzavislostPristehovalychNaCeneRD
        zmenyMeziRoky.loc[i,"zavislostPristehovalychNaPostavenchBytech"] = bzavislostPristehovalychNaPostavenchBytech
        zmenyMeziRoky.loc[i,"zavislostPristehovalychNaPostavenychRD"] = bzavislostPristehovalychNaPostavenchRD
        zmenyMeziRoky.loc[i,"zavislostPostavenychBytuNaCeneBytu"] = bzavislostPostavenychBytuNaCeneBytu
        zmenyMeziRoky.loc[i,"zavislostPostavenychRDnaCeneRD"] = bzavislostPostavenychRDnaCeneRD
        
        
        
    return zmenyMeziRoky

Jelikož je výstu z funkce typu DataFrame, je nutné je zase sloučit s geometrií okresů, aby se dali vykreslit.

In [201]:
zmenyMeziRoky2019_2020 = RozdilyRoky(SpojenoVOkresech2019,SpojenoVOkresech2020)
zmenyMeziRoky2019_2020 = pd.merge(zmenyMeziRoky2019_2020, Okresy, left_on='Okres', right_on='NAZ_LAU1')
zmenyMeziRoky2019_2020GDF = gpd.GeoDataFrame(zmenyMeziRoky2019_2020, geometry='geometry')



zmenyMeziRoky2020_2021 = RozdilyRoky(SpojenoVOkresech2020,SpojenoVOkresech2021)
zmenyMeziRoky2020_2021 = pd.merge(zmenyMeziRoky2020_2021, Okresy, left_on='Okres', right_on='NAZ_LAU1')
zmenyMeziRoky2020_2021GDF = gpd.GeoDataFrame(zmenyMeziRoky2020_2021, geometry='geometry')



zmenyMeziRoky2021_2022 = RozdilyRoky(SpojenoVOkresech2021,SpojenoVOkresech2022)
zmenyMeziRoky2021_2022 = pd.merge(zmenyMeziRoky2021_2022, Okresy, left_on='Okres', right_on='NAZ_LAU1')
zmenyMeziRoky2021_2022GDF = gpd.GeoDataFrame(zmenyMeziRoky2021_2022, geometry='geometry')



zmenyMeziRoky2019_2022 = RozdilyRoky(SpojenoVOkresech2019,SpojenoVOkresech2022)
zmenyMeziRoky2019_2022 = pd.merge(zmenyMeziRoky2019_2022, Okresy, left_on='Okres', right_on='NAZ_LAU1')
zmenyMeziRoky2019_2022GDF = gpd.GeoDataFrame(zmenyMeziRoky2019_2022, geometry='geometry')

10. ZOBRAZENÍ ZÁVISLOSTI MEZI JEDNOTLIVÝMI ÚDAJI

A. Závislost dat - z rozdílu mezi lety 2019 a 2020

Závislost přistěhovalých obyvatel na ceně

In [202]:
fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2020GDF.plot( ax = ax1,column='zavislostPristehovalychNaCeneBytu',cmap = "RdYlGn", vmin = -2,vmax=2)
zmenyMeziRoky2019_2020GDF.plot(ax=ax2,column='zavislostPristehovalychNaCeneRD', cmap = "RdYlGn",vmin = -2,vmax=2)

ax1.set_title('Závislost přistěhovalých \n obyvatel na ceně bytů')
ax2.set_title('Závislost přistěhovalých \n obyvatel na ceně RD')
Out[202]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na ceně RD')

Rudá barva - cena za nemovitost se zvýšila a počet přistěhovaných obyvatel se zmenšil -> zvýšení ceny nemovitosti mělo negativní dopad na počet přistěhovalých obyvatel

Oranžová barva - cena za nemovitost se zvýšila a počet přistěhovalých také -> zvýšení ceny nemělo žádný vliv na počet přistěhovalých

Světle zelená barva - cena za nemovitost se snížila a taktéž i počet přistěhovalých -> snížená ceny nemělo velký vliv na počet přistěhovalých obyvatel

Tmavě zelená barva - cena za nemovitost se snížila a počet přistěhovalých se zvýšil -> snižená cena měla pozitivní dopad na počet přistěhovaných obyvatel

Závislost přistěhovalých obyvatel na počtu dokončených bytů

In [203]:
fig, ((ax3, ax4)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2020GDF.plot(ax=ax3,column='zavislostPristehovalychNaPostavenchBytech', cmap = "RdYlGn",vmin = -2,vmax=2)
zmenyMeziRoky2019_2020GDF.plot(ax=ax4,column='zavislostPristehovalychNaPostavenychRD', cmap = "RdYlGn",vmin = -2,vmax=2)

ax3.set_title('Závislost přistěhovalých \n obyvatel na postavených bytech')
ax4.set_title('Závislost přistěhovalých \n obyvatel na postavených rodinných domech')
Out[203]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na postavených rodinných domech')

Rudá barva - počet dokončených bytů/RD se zvýšil a počet přistěhovaných obyvatel se zmenšil -> i přesto, že v okrese byly dokončeny stavby, násrust přistěhovalých nebyl

Oranžová barva - počet dokončených bytů/RD se zvýšil a počet přistěhovalých také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i počet přistěhovalých -> žádný vliv na počet přistěhovalých

Tmavě zelená barva - počet dokončených bytů/RD se snížil a počet přistěhovalých se zvýšil -> i přesto, že v okrese bylo dokončeno méně bytů/RD, obyvatel se tam přistěhovalo více než předchozí rok

Závislost postavených bytů/RD na průměrné ceně za 1m2

In [204]:
fig, ((ax5, ax6)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2020GDF.plot(ax=ax5,column='zavislostPostavenychBytuNaCeneBytu',cmap = "RdYlGn", vmin = -2,vmax=2)
zmenyMeziRoky2019_2020GDF.plot(ax=ax6,column='zavislostPostavenychRDnaCeneRD', cmap = "RdYlGn",vmin = -2,vmax=2)

ax5.set_title('Závislost postavených bytů \n na ceně bytů')
ax6.set_title('Závislost postavených rodinných domů \n na ceně rodinných domů')
Out[204]:
Text(0.5, 1.0, 'Závislost postavených rodinných domů \n na ceně rodinných domů')

Rudá barva - cena za 1m2 se zvýšil a počet dokončených bytů/RD se snížil -> zvýšení ceny mělo negativní dopad na počet dokončených bytů/RD

Oranžová barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i cena za 1m2 -> snížená ceny nemělo vliv na počet dokončených bytů

Tmavě zelená barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 se snížila -> snížení ceny mělo pozitivní dopad na počet dokončených bytů/RD

B. Závislost dat - z rozdílu mezi lety 2020 a 2021

Závislost přistěhovalých obyvatel na ceně

In [205]:
fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2020_2021GDF.plot(ax=ax1,column='zavislostPristehovalychNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2020_2021GDF.plot(ax=ax2,column='zavislostPristehovalychNaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax1.set_title('Závislost přistěhovalých \n obyvatel na ceně bytů')
ax2.set_title('Závislost přistěhovalých \n obyvatel na ceně RD')
Out[205]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na ceně RD')

Rudá barva - cena za nemovitost se zvýšila a počet přistěhovaných obyvatel se zmenšil -> zvýšení ceny nemovitosti mělo negativní dopad na počet přistěhovalých obyvatel

Oranžová barva - cena za nemovitost se zvýšila a počet přistěhovalých také -> zvýšení ceny nemělo žádný vliv na počet přistěhovalých

Světle zelená barva - cena za nemovitost se snížila a taktéž i počet přistěhovalých -> snížená ceny nemělo velký vliv na počet přistěhovalých obyvatel

Tmavě zelená barva - cena za nemovitost se snížila a počet přistěhovalých se zvýšil -> snižená cena měla pozitivní dopad na počet přistěhovaných obyvatel

Závislost přistěhovalých obyvatel na počtu dokončených bytů

In [206]:
fig, ((ax3, ax4)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2020_2021GDF.plot(ax=ax3,column='zavislostPristehovalychNaPostavenchBytech', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2020_2021GDF.plot(ax=ax4,column='zavislostPristehovalychNaPostavenychRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax3.set_title('Závislost přistěhovalých \n obyvatel na postavených bytech')
ax4.set_title('Závislost přistěhovalých \n obyvatel na postavených rodinných domech')
Out[206]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na postavených rodinných domech')

Rudá barva - počet dokončených bytů/RD se zvýšil a počet přistěhovaných obyvatel se zmenšil -> i přesto, že v okrese byly dokončeny stavby, násrust přistěhovalých nebyl

Oranžová barva - počet dokončených bytů/RD se zvýšil a počet přistěhovalých také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i počet přistěhovalých -> žádný vliv na počet přistěhovalých

Tmavě zelená barva - počet dokončených bytů/RD se snížil a počet přistěhovalých se zvýšil -> i přesto, že v okrese bylo dokončeno méně bytů/RD, obyvatel se tam přistěhovalo více než předchozí rok

Závislost postavených bytů/RD na průměrné ceně za 1m2

In [207]:
fig, ((ax5, ax6)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2020_2021GDF.plot(ax=ax5,column='zavislostPostavenychBytuNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2020_2021GDF.plot(ax=ax6,column='zavislostPostavenychRDnaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax5.set_title('Závislost postavených bytů \n na ceně bytů')
ax6.set_title('Závislost postavených rodinných domů \n na ceně rodinných domů')
Out[207]:
Text(0.5, 1.0, 'Závislost postavených rodinných domů \n na ceně rodinných domů')

Rudá barva - cena za 1m2 se zvýšil a počet dokončených bytů/RD se snížil -> zvýšení ceny mělo negativní dopad na počet dokončených bytů/RD

Oranžová barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i cena za 1m2 -> snížená ceny nemělo vliv na počet dokončených bytů

Tmavě zelená barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 se snížila -> snížení ceny mělo pozitivní dopad na počet dokončených bytů/RD

C. Závislost dat - z rozdílu mezi lety 2021 a 2022

Závislost přistěhovalých obyvatel na ceně

In [208]:
fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2021_2022GDF.plot(ax=ax1,column='zavislostPristehovalychNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2021_2022GDF.plot(ax=ax2,column='zavislostPristehovalychNaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax1.set_title('Závislost přistěhovalých \n obyvatel na ceně bytů')
ax2.set_title('Závislost přistěhovalých \n obyvatel na ceně RD')
Out[208]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na ceně RD')

Rudá barva - cena za nemovitost se zvýšila a počet přistěhovaných obyvatel se zmenšil -> zvýšení ceny nemovitosti mělo negativní dopad na počet přistěhovalých obyvatel

Oranžová barva - cena za nemovitost se zvýšila a počet přistěhovalých také -> zvýšení ceny nemělo žádný vliv na počet přistěhovalých

Světle zelená barva - cena za nemovitost se snížila a taktéž i počet přistěhovalých -> snížená ceny nemělo velký vliv na počet přistěhovalých obyvatel

Tmavě zelená barva - cena za nemovitost se snížila a počet přistěhovalých se zvýšil -> snižená cena měla pozitivní dopad na počet přistěhovaných obyvatel

Závislost přistěhovalých obyvatel na počtu dokončených bytů

In [209]:
fig, ((ax3, ax4)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2021_2022GDF.plot(ax=ax3,column='zavislostPristehovalychNaPostavenchBytech', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2021_2022GDF.plot(ax=ax4,column='zavislostPristehovalychNaPostavenychRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax3.set_title('Závislost přistěhovalých \n obyvatel na postavených bytech')
ax4.set_title('Závislost přistěhovalých \n obyvatel na postavených rodinných domech')
Out[209]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na postavených rodinných domech')

Rudá barva - počet dokončených bytů/RD se zvýšil a počet přistěhovaných obyvatel se zmenšil -> i přesto, že v okrese byly dokončeny stavby, násrust přistěhovalých nebyl

Oranžová barva - počet dokončených bytů/RD se zvýšil a počet přistěhovalých také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i počet přistěhovalých -> žádný vliv na počet přistěhovalých

Tmavě zelená barva - počet dokončených bytů/RD se snížil a počet přistěhovalých se zvýšil -> i přesto, že v okrese bylo dokončeno méně bytů/RD, obyvatel se tam přistěhovalo více než předchozí rok

Závislost postavených bytů/RD na průměrné ceně za 1m2

In [210]:
fig, ((ax5, ax6)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2021_2022GDF.plot(ax=ax5,column='zavislostPostavenychBytuNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2021_2022GDF.plot(ax=ax6,column='zavislostPostavenychRDnaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax5.set_title('Závislost postavených bytů \n na ceně bytů')
ax6.set_title('Závislost postavených rodinných domů \n na ceně rodinných domů')
Out[210]:
Text(0.5, 1.0, 'Závislost postavených rodinných domů \n na ceně rodinných domů')

Rudá barva - cena za 1m2 se zvýšil a počet dokončených bytů/RD se snížil -> zvýšení ceny mělo negativní dopad na počet dokončených bytů/RD

Oranžová barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i cena za 1m2 -> snížená ceny nemělo vliv na počet dokončených bytů

Tmavě zelená barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 se snížila -> snížení ceny mělo pozitivní dopad na počet dokončených bytů/RD

D. Závislost dat - z rozdílu mezi lety 2019 a 2022

Závislost přistěhovalých obyvatel na ceně

In [211]:
fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2022GDF.plot(ax=ax1,column='zavislostPristehovalychNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2019_2022GDF.plot(ax=ax2,column='zavislostPristehovalychNaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax1.set_title('Závislost přistěhovalých \n obyvatel na ceně bytů')
ax2.set_title('Závislost přistěhovalých \n obyvatel na ceně RD')
Out[211]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na ceně RD')

Rudá barva - cena za nemovitost se zvýšila a počet přistěhovaných obyvatel se zmenšil -> zvýšení ceny nemovitosti mělo negativní dopad na počet přistěhovalých obyvatel

Oranžová barva - cena za nemovitost se zvýšila a počet přistěhovalých také -> zvýšení ceny nemělo žádný vliv na počet přistěhovalých

Světle zelená barva - cena za nemovitost se snížila a taktéž i počet přistěhovalých -> snížená ceny nemělo velký vliv na počet přistěhovalých obyvatel

Tmavě zelená barva - cena za nemovitost se snížila a počet přistěhovalých se zvýšil -> snižená cena měla pozitivní dopad na počet přistěhovaných obyvatel

Závislost přistěhovalých obyvatel na počtu dokončených bytů

In [212]:
fig, ((ax3, ax4)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2022GDF.plot(ax=ax3,column='zavislostPristehovalychNaPostavenchBytech', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2019_2022GDF.plot(ax=ax4,column='zavislostPristehovalychNaPostavenychRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax3.set_title('Závislost přistěhovalých \n obyvatel na postavených bytech')
ax4.set_title('Závislost přistěhovalých \n obyvatel na postavených rodinných domech')
Out[212]:
Text(0.5, 1.0, 'Závislost přistěhovalých \n obyvatel na postavených rodinných domech')

Rudá barva - počet dokončených bytů/RD se zvýšil a počet přistěhovaných obyvatel se zmenšil -> i přesto, že v okrese byly dokončeny stavby, násrust přistěhovalých nebyl

Oranžová barva - počet dokončených bytů/RD se zvýšil a počet přistěhovalých také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i počet přistěhovalých -> žádný vliv na počet přistěhovalých

Tmavě zelená barva - počet dokončených bytů/RD se snížil a počet přistěhovalých se zvýšil -> i přesto, že v okrese bylo dokončeno méně bytů/RD, obyvatel se tam přistěhovalo více než předchozí rok

Závislost postavených bytů/RD na průměrné ceně za 1m2

In [213]:
fig, ((ax5, ax6)) = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(15, 15))
zmenyMeziRoky2019_2022GDF.plot(ax=ax5,column='zavislostPostavenychBytuNaCeneBytu', vmin = -2,vmax=2,cmap = "RdYlGn")
zmenyMeziRoky2019_2022GDF.plot(ax=ax6,column='zavislostPostavenychRDnaCeneRD', vmin = -2,vmax=2,cmap = "RdYlGn")

ax5.set_title('Závislost postavených bytů \n na ceně bytů')
ax6.set_title('Závislost postavených rodinných domů \n na ceně rodinných domů')
Out[213]:
Text(0.5, 1.0, 'Závislost postavených rodinných domů \n na ceně rodinných domů')

Rudá barva - cena za 1m2 se zvýšil a počet dokončených bytů/RD se snížil -> zvýšení ceny mělo negativní dopad na počet dokončených bytů/RD

Oranžová barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 také -> žádný vliv na počet přistěhovalých

Světle zelená barva - počet dokončených bytů/RD se snížil a taktéž i cena za 1m2 -> snížená ceny nemělo vliv na počet dokončených bytů

Tmavě zelená barva - počet dokončených bytů/RD se zvýšil a cena za 1m2 se snížila -> snížení ceny mělo pozitivní dopad na počet dokončených bytů/RD

11. POROVNÁNÍ ZMĚN CEN V OKRESECH S PRŮMĚRNOU ZMĚNOU CENY V ČR

Určení průměru pro ČR mezi jednotlivými rozdíly roky. A následné přidání rozdílu mezi průměrem ČR a okresem do 'tabulky'.

In [214]:
prumerMeziRoky2019_2020_Byty = statistics.mean(zmenyMeziRoky2019_2020.RozdilCenBytu)
prumerMeziRoky2020_2021_Byty = statistics.mean(zmenyMeziRoky2020_2021.RozdilCenBytu)
prumerMeziRoky2021_2022_Byty = statistics.mean(zmenyMeziRoky2021_2022.RozdilCenBytu)
prumerMeziRoky2019_2022_Byty = statistics.mean(zmenyMeziRoky2019_2022.RozdilCenBytu)

prumerMeziRoky2019_2020_RD = statistics.mean(zmenyMeziRoky2019_2020.RozdilCenRD)
prumerMeziRoky2020_2021_RD = statistics.mean(zmenyMeziRoky2020_2021.RozdilCenRD)
prumerMeziRoky2021_2022_RD = statistics.mean(zmenyMeziRoky2021_2022.RozdilCenRD)
prumerMeziRoky2019_2022_RD = statistics.mean(zmenyMeziRoky2019_2022.RozdilCenRD)
In [215]:
zmenyMeziRoky2019_2020GDF["rozdilMeziPrumeremAOkresem_RD"] = zmenyMeziRoky2019_2020.RozdilCenRD - prumerMeziRoky2019_2020_RD
zmenyMeziRoky2020_2021GDF["rozdilMeziPrumeremAOkresem_RD"] = zmenyMeziRoky2020_2021.RozdilCenRD - prumerMeziRoky2020_2021_RD
zmenyMeziRoky2021_2022GDF["rozdilMeziPrumeremAOkresem_RD"] = zmenyMeziRoky2021_2022.RozdilCenRD - prumerMeziRoky2021_2022_RD
zmenyMeziRoky2019_2022GDF["rozdilMeziPrumeremAOkresem_RD"] = zmenyMeziRoky2019_2022.RozdilCenRD - prumerMeziRoky2019_2022_RD

zmenyMeziRoky2019_2020GDF["rozdilMeziPrumeremAOkresem_Byty"] = zmenyMeziRoky2019_2020.RozdilCenBytu - prumerMeziRoky2019_2020_Byty
zmenyMeziRoky2020_2021GDF["rozdilMeziPrumeremAOkresem_Byty"] = zmenyMeziRoky2020_2021.RozdilCenBytu - prumerMeziRoky2020_2021_Byty
zmenyMeziRoky2021_2022GDF["rozdilMeziPrumeremAOkresem_Byty"] = zmenyMeziRoky2021_2022.RozdilCenBytu - prumerMeziRoky2021_2022_Byty
zmenyMeziRoky2019_2022GDF["rozdilMeziPrumeremAOkresem_Byty"] = zmenyMeziRoky2019_2022.RozdilCenBytu - prumerMeziRoky2019_2022_Byty

A. Porovnání růstu cen rodinných domů v okresech s celorepublikovým průměrem

In [216]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(20, 10))
zmenyMeziRoky2019_2020GDF.plot(ax=ax1,column='rozdilMeziPrumeremAOkresem_RD', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2020_2021GDF.plot(ax=ax2,column='rozdilMeziPrumeremAOkresem_RD', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2021_2022GDF.plot(ax=ax3,column='rozdilMeziPrumeremAOkresem_RD', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2019_2022GDF.plot(ax=ax4,column='rozdilMeziPrumeremAOkresem_RD', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})

ax1.set_title('Porovnání růstu cen rodinných domů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2020')
ax2.set_title('Porovnání růstu cen rodinných domů v okresech \n s celorepublikovým průměrem mezi roky 2020 a 2021')
ax3.set_title('Porovnání růstu cen rodinných domů v okresech \n s celorepublikovým průměrem mezi roky 2021 a 2022')
ax4.set_title('Porovnání růstu cen rodinných domů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2022')
Out[216]:
Text(0.5, 1.0, 'Porovnání růstu cen rodinných domů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2022')

B. Porovnání růstu cen bytů v okresech s celorepublikovým průměrem

In [217]:
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(20, 10))
zmenyMeziRoky2019_2020GDF.plot(ax=ax1,column='rozdilMeziPrumeremAOkresem_Byty', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2020_2021GDF.plot(ax=ax2,column='rozdilMeziPrumeremAOkresem_Byty', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2021_2022GDF.plot(ax=ax3,column='rozdilMeziPrumeremAOkresem_Byty', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})
zmenyMeziRoky2019_2022GDF.plot(ax=ax4,column='rozdilMeziPrumeremAOkresem_Byty', vmin = -20,vmax=20,cmap = "RdYlGn",legend=True,legend_kwds={'shrink': 0.3})

ax1.set_title('Porovnání růstu cen bytů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2020')
ax2.set_title('Porovnání růstu cen bytů v okresech \n s celorepublikovým průměrem mezi roky 2020 a 2021')
ax3.set_title('Porovnání růstu cen bytů v okresech \n s celorepublikovým průměrem mezi roky 2021 a 2022')
ax4.set_title('Porovnání růstu cen bytů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2022')
Out[217]:
Text(0.5, 1.0, 'Porovnání růstu cen bytů v okresech \n s celorepublikovým průměrem mezi roky 2019 a 2022')

12. ZÁVĚR

Analýzou dostupných dat jsme určili vztahy mezi cenou nemovitostí, počtem dokončených nemovitostí a počtem přistěhovalých obyvatel. Všechny okresy mají pro každý rok tyto vztahy jiné. Proto není možné mít jediný závěr pro celou Českou republiku.

In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]: