Google Trend Visualization

2020-10-25

2025-12-30

google trends, matplotlib, pandas, python, subplots, text, visualization

Google trend 분석 결과는 그 자체로 깔끔합니다.
그러나 여러 항목을 개별적으로 분석하려면 데이터를 다운받아 분석하는 것이 좋습니다.

1. Google Trends

Google trends

Google trends는 검색어를 입력하는 것 만으로 웹, 이미지, 또는 유튜브에서 해당 검색어가 얼마나 빈번하게 등장하는지 경향을 쉽게 알 수 있습니다.
절대값이 아니라 검색된 기간 내의 최대값을 100으로 표준화해서 보여준다는 점이 조금 아쉽기는 하지만 정성적인 경향 변화를 보기에 적절합니다.
지난 10년간 인공지능 관련 키워드의 경향을 알아봤습니다.
- 날짜에 Custom Range를 지정해서 넣고,
- 검색어에 artificial intelligence, big data 등 단어를 넣습니다.
- 오른쪽 위 다운로드 버튼을 누르면 .csv 파일 형식으로 다운로드 됩니다.
파일을 열어보면 구조가 간단합니다.
시간에 따른 검색 빈도가 표준화되어 나타납니다.
csv 다운로드시 파일명을 지정할 수 없습니다.
여러 검색어를 다운받으며 적절히 파일명을 바꿔줍니다.

2. Python에서 여러 데이터 비교하기

각자 다른 값이 최대값 100으로 표준화되어 있습니다.
따라서 이들을 겹쳐 그리는 것은 무의미한 교차점들을 만들기 때문에 적절치 않습니다.
여러 개의 공간을 만들고 별도로 그려줍니다.

# Google Trends 파일명
files = ['ai_time.csv', 'bigdata_time.csv', 'da_time.csv', 'de_time.csv', 'dl_time.csv', 'ds_time.csv']
nfiles = len(files)

# 시각화
fig, axes = plt.subplots(ncols=2, nrows=3, figsize=(11, 5), 
                        sharex=True, sharey=True)
axs = axes.ravel()

dfs = {}
for i, (ax, file) in enumerate(zip(axs, files)):
    dfs[file] = pd.read_csv(os.path.join(path, file), skiprows=2)
    dfs[file]["year"] = dfs[file]["Month"].apply(lambda s: s.split("-")[0])
    cols = dfs[file].columns
    cols_clear = cols[1].split(":")[0]
    dfs[file].rename(columns={cols[1]: cols_clear}, inplace=True)
    region = cols[1].split(": ")[1][1:-1]
    
    df_idx = dfs[file].reset_index().groupby("year").nth(0)["index"].values
    
    ax.fill_between(dfs[file].index, 0, dfs[file][cols_clear], color=f"C{i}")
    ax.annotate(cols_clear, (dfs[file].shape[0]-3, 10), ha="right", color="w", fontsize=14)
    ax.spines["left"].set_visible(False)
    ax.spines["top"].set_visible(False)
    ax.spines["right"].set_visible(False)
    ax.set_xlim(0, dfs[file].shape[0]-1)
    ax.set_ylim(0, 100)
    ax.set_yticks([])
    ax.grid()
    
    if i > 3:
        ax.set_xticks(df_idx[::2][1:])
        ax.set_xticklabels(dfs[file]["year"].loc[df_idx].values[::2][1:])

axs[5].text(dfs[file].shape[0]-3, -70, "*max. of each plot is scaled to 100", 
            ha="right", c="gray", fontsize=14)
fig.suptitle("Google Trends$^*$:" + f" {region}, 24.Sep.2010 - 23.Oct.2020", fontsize=20)
fig.tight_layout(rect=[0,-0.05,1,1])

검색어별 지난 10년간 경향성

data analysis에 반년 주기성이 보입니다.
big data는 2012년 이후 상승했네요.
deep learning은 2016년 이후 급격히 상승했습니다.
data science와 data engineering이 꾸준하게 상승중입니다.
이번에는 주요 라이브러리 경향성을 보겠습니다.

libs_time = ['numpy.csv', 'keras.csv', 'pandas.csv', 'tensorflow.csv', 'sklearn.csv', 'pytorch.csv']
nfiles = len(lib_time)
fig, axes = plt.subplots(ncols=2, nrows=3, figsize=(11, 5), 
                        sharex=True, sharey=True) #, gridspec_kw={"hspace":0.1, "wspace":0.05})
axs = axes.ravel()

dfs = {}
for i, (ax, file) in enumerate(zip(axs, libs_time)):
    dfs[file] = pd.read_csv(os.path.join(path, file), skiprows=2, na_values="<1")
    dfs[file]["year"] = dfs[file]["Month"].apply(lambda s: s.split("-")[0])
    cols = dfs[file].columns
    cols_clear = cols[1].split(":")[0]
    dfs[file].rename(columns={cols[1]: cols_clear}, inplace=True)
    region = cols[1].split(": ")[1][1:-1]
    
    df_idx = dfs[file].reset_index().groupby("year").nth(0)["index"].values
    
    ax.fill_between(dfs[file].index, 0, dfs[file][cols_clear], color="forestgreen")
    ax.annotate(cols_clear, (dfs[file].shape[0]-3, 10), ha="right", color="w", fontsize=14)
    ax.spines["left"].set_visible(False)
    ax.spines["top"].set_visible(False)
    ax.spines["right"].set_visible(False)
    ax.set_xlim(0, dfs[file].shape[0]-1)
    ax.set_ylim(0, 100)
    ax.set_yticks([])
    ax.grid()
    
    if i > 3:
        ax.set_xticks(df_idx[::2][1:])
        ax.set_xticklabels(dfs[file]["year"].loc[df_idx].values[::2][1:])

axs[0].annotate("(as numeric) 1995", (0, 80),ha="left", fontsize=14, backgroundcolor="w")
axs[0].annotate("(as numpy) 24 Aug. 2006 ", (0, 50),ha="left", fontsize=14, backgroundcolor="w")        
        
axs[1].axvline(53, c="k", linestyle=":")
axs[1].annotate("27 Mar. 2015", (53-3, 80),ha="right", fontsize=14, backgroundcolor="w")

axs[2].annotate("11 Jan. 2008 ", (0, 80),ha="left", fontsize=14, backgroundcolor="w")        

axs[3].axvline(61, c="k", linestyle=":")
axs[3].annotate("9 Nov. 2015", (61-3, 80),ha="right", fontsize=14, backgroundcolor="w")

axs[4].annotate("Jun. 2007 ", (0, 80),ha="left", fontsize=14, backgroundcolor="w")        

axs[5].axvline(71, c="k", linestyle=":")
axs[5].annotate("1 Sep. 2016", (71-3, 80),ha="right", fontsize=14, backgroundcolor="w")


axs[5].text(dfs[file].shape[0]-3, -70, "*max. of each plot is scaled to 100", 
            ha="right", c="gray", fontsize=14)
fig.suptitle("Google Trends$^*$:" + f" {region}, 24.Sep.2010 - 23.Oct.2020", fontsize=20)
fig.tight_layout(rect=[0,-0.05,1,1])

라이브러리별 지난 10년간 경향성

라이브러리별 initial release date를 함께 표기했습니다.
tensorflow와 pytorch는 고유명사라서 initial release이후 등장합니다.
그러나 뿔이라는 뜻을 가진 보통명사인 keras는 initial release 한참 전부터 등장합니다.
맏형격인 scikit-learn은 2007년에 처음 나왔지만 유의미한 신호가 보이지 않다가 2012년 이후 쭉쭉 올라갔네요.
라이브러리별로 어느 나라에서 많이 찾았는지 보겠습니다.

fig, axs = plt.subplots(ncols=6, figsize=(11, 5))

libs_map_ = ["numpy", "pandas", "sklearn", "keras", "tensorflow", "pytorch"]

for ax, l  in zip(axs, libs_map_):
    lib = l.split("_")[0]
    shares = dfs_map[l+'_map.csv'].loc[:10, lib]
    countries = dfs_map[l+'_map.csv'].loc[:10, "Country"]
    ax.barh(countries, shares, fc="lightgray")
    ax.set_yticklabels([])
    ax.invert_yaxis()
    ax.set_xticks(list(range(0, 100, 20)))
    ax.set_xticklabels([])
    ax.grid(axis="x", c="lightgray", lw=1, alpha=0.3)
    
    if l == "sklearn":
        title = "scikit-learn"
    else:
        title = l
    
    ax.set_title(title, fontsize=16, pad=12)
    
    idx_korea = np.where("South Korea" == countries.values)[0]
    if len(idx_korea) > 0:
        ax.patches[idx_korea[0]].set_facecolor("gold")
    
    for i, country in enumerate(countries):
        ax.annotate(country, (10, i), va="center", fontsize=12)

fig.text(0.98, 0.02, "*max. of each plot is scaled to 100", 
            ha="right", c="gray", fontsize=14)
fig.suptitle("Google Trends$^*$:" + f" {region}, 24.Sep.2010 - 23.Oct.2020", fontsize=20)
fig.tight_layout(rect=[0,0.02,1,1])

라이브러리별 국가별 검색 지분

대부분 중국이 1위, 한국이 2위입니다.
사실 의외입니다. 수위에 있을 것 같은 미국은 검색이 안 된 것이 아니라 한참 아래 순위에 있습니다.
미국 사람들은 검색어에 뭘 넣는 걸까요? 검색을 안하는 건 아닐텐데요.

도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다

PythonData Science

1. Google Trends

2. Python에서 여러 데이터 비교하기