728x90
반응형
#일본여행 계획 프로그램
#유저에게 쉼표 시준으로 할 계획을 입력받고, 할일을 나타내는 프로그램
#일본여행 계획: 초밥먹기,돈키호테 가기,온천가기
#결과: 일본여행 계획표는 [초밥먹기, 돈키호테 가기, 온천가기] 입니다!
plan=str(input("일본여행 계획:"))
planList=plan.split(",")
print(f"일본여행 계획표는 {planList} 입니다 !")
split과 list를 활용하기

#스타벅스 메뉴 선택
#입력 커피 메뉴 [1. 아메리카노: 4000 2. 라떼: 5000 바닐라라떼: 5500]
#케익메뉴 [1. 치즈케익: 5000 2. 딸기케익: 6000 3. 우유케익: 5500]
#결과 고르신 커피와 케익의 값은 총 ~ 입니다.

choice_coffee=int(input("커피 메뉴: [1. 아메리카노 2. 라떼 3. 바닐라라떼]"))-1
choice_cake=int(input("케익 메뉴: [1. 치즈케익 2. 딸기케익 3. 우유케익]"))-1
coffee=[4000,5000,5500]
cake=[5000,6000,5500]

print(f"고르신 커피와 케익의 값은 총 {coffee[choice_coffee]+cake[choice_cake]}")

 

Python의 리스트 연산자들:
1. 덧셈 (+): 두 개의 리스트를 연결
2. 곱셈 (*): 리스트를 주어진 횟수만큼 반복
3. in 연산자: 특정 요소가 리스트에 있는지 확인. 요소가 있으면 True, 없으면 False를 반환
4. not in 연산자: 특정 요소가 리스트에 없는지 확인. 요소가 없으면 True, 있으면 False를 반환
5. 슬라이싱 ([:]): 리스트의 일부분을 잘라내어 새로운 리스트를 생성
#* 연산자
#*: int * int (사칙연산)
#*: str * str (str을 n번 반복)
#*: list * list (list를 n번 반복)
coffee=['아메리카노','바닐라라떼']
cookie=['화이트쿠키','오레오쿠키','녹차쿠키']
menu=coffee+cookie
print(menu) #['아메리카노', '바닐라라떼', '화이트쿠키', '오레오쿠키', '녹차쿠키']

#in 연산자: boolean 타입변환
print('디카페인' in menu)  #False
print('아메리카노' in menu) #True

#[:] 슬라이싱 연산자
new_menu=menu[0:3] #menu의 0부터 3개를 포함한다
print(new_menu) #['아메리카노', '바닐라라떼', '화이트쿠키']
리스트의 활용과 기능은 아래와 같이 다양하다.
#리스트 기능
#1. 리스트의 길이 확인: len()
store=['cu','gs','seven','ministop']
print(len(store))
#2. 리스트 추가: append()
store.append('emart24')
print(store) #['cu', 'gs', 'seven', 'ministop', 'emart24']
#3. 리스트 추가[몇번째]: insert(몇번째, 무엇을)
store.insert(1,'familymart')
print(store) # ['cu', 'familymart', 'gs', 'seven', 'ministop', 'emart24']
#4. 리스트 제거: remove(무엇을)
store.remove('cu')
print(store)   #['familymart', 'gs', 'seven', 'ministop', 'emart24']
#5. 리스트에서 해당 아이템 위치 찾기: index (무엇을)
print(store.index('ministop'))   #3 (0 - 1 - 2 - 3)
#6. 리스트에서 해당 아이템 몇개 세기: count (무엇을)
print(store.count('emart24'))    #1개
#7. 리스트를 추가: extend (리스트) +[같은 역할]
NewStore=['storyway','buytheway']
store.extend(NewStore)
print(store)    #['familymart', 'gs', 'seven', 'ministop', 'emart24', 'storyway', 'buytheway']
#8. 리스트 정렬: sort()
store.sort()   #알파벳순 정렬
print(store)   # ['buytheway', 'emart24', 'familymart', 'gs', 'ministop', 'seven', 'storyway']
store.sort(reverse=True)   #역알파벳순 정렬
print(store)               #['storyway', 'seven', 'ministop', 'gs', 'familymart', 'emart24', 'buytheway']

 

 

리스트 함수들
1. len(list): 리스트의 길이를 반환
2. list.append(element): 리스트의 끝에 새로운 요소 추가
3. list.insert(index,element): 지정된 인덱스에 요소를 삽입
4. list.remove(element): 리스트에서 첫번째로 나타나는 특정 요소 제거
5. list.index(element): 특정 요소의 인덱스를 반환
6. list.count(element): 리스트에서 특정 요소가 나타나는 횟수를 반환
7. list.sort(): 리스트의 요소들을 정렬
8. list.extend(iterable): 리스트의 끝에 iterable (예:다른 리스트)의 모든 요소를 추가

mbti = {
    'e':'외향적',
    'i':'내향적',
    's':'감각적',
    'n':'직관적',
    'f':'감성적',
    't':'이성적',
    'j':'계획적',
    'p':'즉흥적'}
print(mbti['e'])

#퀴즈 유저에게 mbti 입력받고, 당신은 ~~이고 ~~이고 ~~ 이고 ~~시네요!
user_mbti=input("당신의 mbti는?")
user_mbti1=list(user_mbti)
print(user_mbti1) #['e', 'n', 't', 'p']
print(f"당신은 {mbti[user_mbti1[0]]}이고 {mbti[user_mbti1[1]]}, {mbti[user_mbti1[2]]}, {mbti[user_mbti1[3]]} 이시군요! ")

#당신은 외향적이고 직관적, 이성적, 즉흥적 이시군요! 

 

딕셔너리 (Dictionary)
딕셔너리는 Key와 Value의 쌍으로 이루어진 자료구조임.
Key를 통해 빠르게 Value를 찾을 수 있으며, Key는 각각 고유해야 함. 
마치 실제 사전처럼, Key 와 그에 해당하는 Value의 쌍으로 데이터를 저장.
딕셔너리의 기본
- 사전 생성: my dict = {'name':'alice','age':25}
- 빈 사전 생성: empty_dict = {}
instagram={
    '신촌맛집':['싸다김밥','신촌순댓국','서브웨이'],
    '서강대맛집':{
        '서강대학식':['정식','오늘의치돈','육회덮밥']
    }
}

print(instagram["신촌맛집"])   #['싸다김밥','신촌순댓국','서브웨이']
print(instagram["신촌맛집"][2])  #서브웨이
print(instagram["서강대맛집"]["서강대학식"][1]) #오늘의치돈

 

반응형
728x90
반응형
서울시 아파트 매매 실거래가는 2016년부터 본격 상승하여 2021년 5월부터 2022년 4월 사이 최고가를 기록한 후 조금씩 하락하고 있는 추세이다. 그 중에서도 서울 도심권이 가장 먼저 하락을 시작하였으며, 나머지 지역은 비슷하게 하락을 이어가고 있다. 
서울시와 경기도의 시가총액이 전국 부동산의 절반 이상을 차지하고, 아파트 거주 가구 비중이 증가하고 있는 상황에서 서울시 아파트 가격 버블 추정의 필요성이 제기되고 있다. 이에 지난해 10월 서울연구원 - 경제사회연구실에서 "서울시 자산시장 분석과 아파트 가격 버블 추정"의 제목으로 한 연구보고서를 공개했다.

시도별 자산, 부채, 소득 추이 (2018-2022)를 나타낸 표이다. 
  - 서울시 총 자산의 연평균 증감율은 7.7%이며, 그 중에서 금융자산이 2.5%, 실물자산이 9.4%로 실물자산의 연평균 증감율이 높음
  - 서울시 순자산액 연평균  증감율은 8.3%이며, 부채는 4.4%로 부채 대비 순자산액의 증감율이 높음 

시도별 자산, 부채, 소득 비중 추이 (2018-2022)를 나타낸 표이다.  
  - 서울시 실물자산의 비중은 2018-2022 매해 증가하면서, 2022년에는 78.4%에 달함
  - 서울시 금융자산의 비중은 2019-2022 매해 감소하면서, 2022년에는 21.6%에 달함
  - 서울시 부채비중은 2018-2022 감소세를 그리며, 2022년에는 14.7%로 축소됨
  - 서울시 순자산액 비중은 2018-2022 증가세를 그리며, 2022년에는 85.3%로 증가함

 

이 연구보고서에서 설명하고 있는 서울시 아파트 가격 버블 추정 분석 결과는 아래와 같이 정리된다. 

전세 · 매매가격 비율로 본 버블
- 2019년부터 생성, 이후 3년간 유지되던 버블 상태는 2022년 들어 조금씩 빠지는 추세임
상태공간모형 추정을 통한 버블
- 서울시 (2021.8) 15.02%, 동남권 (2020.11) 13.09%, 도심권 (2021.4) 13.7%, 서남권 (2021.7) 15.71% 순으로 최대 증가율에 도달했으며, 최댓값 도달 후 빠르게 하락하는 추세로 전환됨
CAPM 모형 시뮬레이션으로 산출한 버블
- 12년간 서울 지역 전체 아파트 가격의 버블 수준은 평균 매월 1.8975%, 누적 159.2509%였으며, 월별 생성된 최대 버블값은 16.6914%, 최솟값 -5.1861%로 버블이 생성되고 중반 이후부터는 전반적으로 정체수준을 유지하고 있음

서울시 자산시장 분석과 아파트 가격 버블 추정.pdf
4.25MB

반응형
728x90
반응형

문자열 함수

- len(): 문자열의 길이를 반환

- str.upper(): 문자열의 모든 문자를 대문자로 변환

- str.lower(): 문자열의 모든 문자를 소문자로 변환

- str.capitalize(): 문자열의 첫문자를 대문자로, 나머지를 소문자로

- str.count('item'): 문자열의 item 의 개수를 변환. 없으면 -1

- str.strip(): 문자열의 앞과 뒤에서 공백과 개행 문자 제거

- str.find(sub): 부분문자열 sub이 시작되는 첫번째 인덱스를 반환. 없으면 -1

- str.replace(old, new): 문자열 내 old를 new로 대체

- str.split(sep): sep를 구분자로 사용하여 문자열을 나누고, 나누어진 부분들을 리스트로 반환

- str.join(iterable): iterable의 각 요소 사이에 문자열을 삽입하여 결합

# print(), input()[str], variable
# int(), str(), float(), bool(), list()
# datatype [int, float, str, list, bool, ...]
# operator 산술 + - * / // % **, 논리 and or not
# 비교 < > <= >= != ==
# 까지 배움!

 

len(): 길이를 알려주는 기능

print(len(coffee)) #9
print(coffee.upper()) #AMERICANO
print(coffee.lower()) #americano
print(coffee.capitalize()) #Americano
print(coffee.strip()) #빈공간 없애기
print(coffee.find('c')) #몇번째에 c가 있니? 5, 없으면 -1
print(coffee.replace('cano','can')) #왼쪽에서 오른쪽으로 바꾸기 american
print(coffee.count(str(f))) #f가 몇개 있는지 카운트
print(coffee.count('f)) #f가 몇개 있는지 카운트

 

# #퀴즈 1: 대소문자 변환 프로그램
# # 소문자로 된 문자열을 받은 후 모두 대문자로 변환하기
 text=str(input("문자 입력:"))
 print(text.upper())

 

#퀴즈 2: Charlie Puth의 노래 "left and right"에서 "left" 와 "right"가 각각 몇번 나오는지를 세는 프로그램 만들기 (대소문자 구분없이)
lyrics="""Oh, I've been hurtin' lately
I'm down on all my luck

 

print(lyrics.count("left"))
print(lyrics.count('right'))
print(f"가사의 길이는 {len(lyrics)}")

 

a="mega"
b="study"
print(a+b) #결과:megastudy
c=a+b #문자열 연결 연산자  결과:megastudy
d=a*3 #문자열 반복 연산자  결과: megamegamega
e=a[0] #문자열 인덱싱  결과:m
f=b[0:3] #[start:end count] 문자열 슬라이싱 결과: stu
g='g' in a #"mega"에서 'g'가 있니? 결과: TRUE or FALSE

 

title = "megastudy python programming"
print(title.split()) #띄어쓰기별 찢어 list로 반환 #['megastudy', 'python', 'programming']

title1 = "orange,apple,banana"
print(title1.split(',')) #','를 넣음으로써 ,를 기준으로 나눔 #['orange', 'apple', 'banana']

 

#(split함수 예시) user한테 이메일 주소를 입력받고, ['유저아이디', '도메인]이 담긴 리스트로 뱉기
email=str(input("이메일 주소 입력:"))

a=email.split('@') #['letsgo','gmail.com']
b=a[1].split('.')  #['gmail','com']

a[1]=b[0] #['letsgo','gmail']
a.append(b[1]) #a 리스트에 [com] 추가하기
print(a) #['letsgo','gmail','com']

 

word= ' '.join(['ice','cream']) #결과: 'ice cream' 으로, 띄어쓰기가 가운데로 감

id=input("아이디 입력:")
domain=input("도메인 입력:")
print('@'.join([id,domain])) #@을 가운데에 넣고 id 와 domain 조인한다. lets@gmail.com

 

반응형
728x90
반응형

매매평당 가격으로 정렬했을 때, 용산구 한남동이 가장 높은 것으로 나타난다. 

전세가율로 정렬했을 때, 역시 용산구 한남동이 가장 높은 것으로 나타난다.

84㎡ 갭으로 정렬했을 때, 강남구 삼성동이 가장 높고 송파구 오금동이 가장 낮다. (강남-서초구가 대체로 갭 금액이 높게 형성되어 있다)

아파트 수로 정렬했을 때, 서초구 서초동에 가장 높은 아파트 수가 확인되며, 그 뒤로 잠원동, 방배동이 있음

신규 분양권 비율로 정렬했을 때, 강남구 개포동이 가장 높으며, 송파구 거여동-용산구 효창동-서초구 반포동이 그 뒤를 이음.

(최근 10년, 300세대 이상) 대형 평수 분포 비율로 정렬했을 때, 용산구 한강로3가, 도곡동, 방배동, 한남동,내곡동, 이촌동 순으로 대형 평수가 높이 이루어져 있음. 

(최근 10년, 300세대 이상) 가격분포 5분위 건수로 정렬했을 때, 서초구 서초동이 가장 높은 것으로 확인되며, 그 뒤로 방배, 잠원, 삼성, 도곡, 대치, 이촌으로 형성됨.

반응형
728x90
반응형

2023년 8월 발간된 국토연구원의 보고서, "저출산 원인 진단과 부동산정책 방향 연구 (A Study on the Causes of Low Birthrate and the Direction of Real Estate Policy" 에 따르면, 주택가격이 출산율 하락에 영향을 주는 것으로 분석된다. 

분석 요인별 채택된 방법론은 다음과 같다:

 출산율 결정요인
 - 출산율이 자기상관성이 높은 통계이기 때문에 종속변수의 과거값이 설명변수로 포함되는 동태패널모형 (Dynamic Panel Regression Model)인 시스템GMM 모형 활용

출산율 기여도 분석
- 과거 경험치에 대한 기여도를 추정하는 샤플리 분해 방법 활용

미래 출산율 기여도 분석
- 미래 출산율 예측값에 대한 결정요인 변수들이 출산율 변동에 기여하는 수준을 추정하기 위해, 예측오차분산분해 방법 활용

출산율 하락 결정구조 전환
- 주택 매매가격과 전세가격이 출산율에 미치는 시간가변적 영향을 추정하여 구조 전환 특징을 분석
- 시간가변적 충격반응함수를 분석할 수 있는 시간가변모수 VAR 모형의 시간가변충격반응함수 활용

 

<자녀 출산순위별 출산율 하락 요인>으로는,
- 첫째 자녀: 주택매매가격, 전세가격, 초등학교 사교육비의 영향 高

- 둘째 자녀 이상: 주택매매가격, 전세가격과 함께 고등학교 사교육비의 영향 高
<주택가격 상승기 출산율 하락 요인>으로는,
- 주택매매가격과 전세가격의 기여도
- 첫째 자녀에 비해 둘째 자녀와 셋째 자녀 이상의 사교육비가 출산율 하락에 대한 기여도 高

   (특히, 고등학교 사교육비의 기여도 증가)
<미래 출산율에 대한 기여도>
- 첫째 자녀의 미래 출산율: 전년도 첫째 자녀 출산율의 기여도 高 & 주택매매가격의 기여도 高
- 둘째 자녀 이상의 미래 출산율: 전년도 출산율의 기여도 低 & 주택매매가격과 여성 경제활동 참여율의 기여도
<주택가격과 출산율 하락구조의 전환>
- 주택매매가격 & 전세가격: 2010년대 중반 이후 첫째와 둘째 자녀 출산율 하락에 대한 영향력 강화
  (셋째 자녀 이상에서는 영향력 低)

 

위 저출산 원인에 대한 연구결과를 통한 부동산 정책방안을 고안해냈다.

<정책 방안>
- 우리나라 인구대체 수준인 2.1명까지 출산율을 회복하기 위해서는 단기 과제로 첫째 자녀 출산을, 중장기 과제로는 둘째 자녀 출산을 장려하는 제도 마련이 필요

(첫째 자녀 출산)
- 무주택 (예비)유자녀 가구에 대한 특별공급물량의 확대
- 추가 청약가점 부여 등을 통한 주택공급 확대 및 취득기회를 강화
- 지분적립형 등의 주택공급 확대를 통해 자금력이 부족한 신혼부분의 주거안정과 자산형성 지원
- 생애주기를 고려한 주택취득세 면세제도 도입
- 거주주택 마련 목적의 대출에 대해 총부채원리금상환비율 (Debt to Service, DSR) 범위 내에서 금리 인하

(둘째 자녀 출산)
- 2자녀를 다자녀 기준으로 확대하고, 2자녀 이상 가구에 대해 특별공급물량 확대
- 주택면적 상향
- 2자녀부터 교육비 면제 등의 지원 강화
- 주거와 자녀 양육을 함께할 수 있는 인프라 (육아친화마을/자녀 양육 클러스터 등) 건설 확대

저출산 원인에 대한 진단과 부동산정책.pdf
5.72MB

 

반응형
728x90
반응형

지난 12월 28일 시공능력평가 기준 16위 건설사인 태영건설이 고금리 후유증으로 인한 부동산 경기 부진, 비용 부담으로 워크아웃 (기업개선작업)을 신청했다. 

이에 정책당국은 금융시장 및 건설업 전반으로의 전이 방어를 위해 적극적으로 대응책을 신속히 발표했다.
금융위 보도자료에 따르면, 2023년 9월말 기준 태영건설 관련 PF사업장은 총 60개 이며, 브릿지론 18개, 본PF 42개라고 한다. 브릿지론과 본PF 중 비주택사업장에 대해선 PF 대주단 협약을 통해 태영건설의 시공 지속/시공사 교체/재구조화/사업장 매각 등을 추진할 예정이다. 본PF 중 분양이 완료된 주택사업장 (22개)에 대해선 HUG 분양보증을 통해 분양계약자를 보호할 계획이다.

또한, 회사채와 CPP, 건설사 보증 PF-ABCP에 대한 차환 지원프로그램을 확대 시행하고, P-CBO 프로그램 규모 확대 등 금융시장 안정을 위한 조치를 마련했다. 예상치 못한 상황에 대비한 금융기관의 추가적인 충당금 적립도 유도하기로 했다.

태영건설이 참여한 PF 사업장 정리 시나리오 (예시)

다른 건설사 부동산PF 시장 경계감

주요 건설사별 자기자본 대비 PF 보증 비중


자기자본 대비 PF 보증 규모가 50%가 넘는 건설사는 태영건설 (373.6%), 롯데건설 (212.7%), 현대건설 (121.9%), HDC현대산업개발 (77.9%), GS건설 (60.7%), KCC건설 (56.4%), 신세계건설 (50.0%) 등이다. 
태영건설 다음으로 자기자본 대비 PF보증 비중이 큰 롯데건설의 경우, PF 우발채무 부담이 지속되고 있음. `23년 본 PF 및 담보대출 전환, 사업장 준공, PF 차입금 상환 등으로 PF 보증 규모를 `22년말 6.8조원에서 5.8조원으로 줄였으나, 여전히 높은 수준임. `23년 기준 약 2.1조의 현금성 자산을 보유해 단기 유동성 대응 능력은 확보한 것으로 판단됨. 다만 부동산경기 둔화 속 도급사업 PF보증의 약 75%가 미착공사업장으로, 향후 사업추진 과정 및 분양실적에 따른 리스크 발생 경계감은 지속된다.

롯데건설 도급사업 관련 PF 보증 현황

자기자본 대비 PF보증 규모가 100%가 넘는 현대건설의 경우 PF 보증 중 38%가 정비사업인 점, 도급사업 중 82%가 미착공사업장이나 91%가 상대적으로 사업장이 양호한 서울에 위치한 점, 재무여력을 감안할 때 관련 위험은 통제 가능할 것으로 보인다.

기존 정책을 통해 건설사들이 현금성자산을 확보하였고, 정부의 적극적 정책 대응 의지를 감안 시 시스템 리스크로의 전이 가능성은 제한적일 것으로 보고 있다. 정책당국은 부동산 PF의 연착륙 기조를 일관되게 추진하겠다는 입장이며, 부동산PF 관련 대책을 수행하면서 추가적인 건설투자 활성화 방안도 발표할 계획이다.

PF정책 리스트 PF정책 주요 내용
PF 대출 보증 확대 - 주택도시보증공사(HUG) PF 대출 보증 규모 확대(10조원 → 15조원)
- 주택금융공사(HF) PF 대출 보증 규모 확대(5조원 → 10조원)
- PF 대출 보증 대출한도 확대(전체 사업비 50% → 75%)
-PF 보증 심사기준(시공사 도급순위 폐지, 신용등급 점수 상향, 자기자본 선투입 요건(토지비 10% → 시공순위 100위 이내 5%, 그 외 10% 등) 완화
PF 정상화 펀드 - 캠코펀드 1.1조원 조성 완료(필요시 2조원 이상 확대 운용 예정)
- 금융업권 자체적으로 별도 펀드(1조원) 조성(하나/우리/NH/기업 등 0.6조원, 저축/여신업권 0.4조원 등 조성 계획)
非아파트 자금조달 지원 - 건설공제조합 보증
- 책임준공 보증: PF대출시 부가되는 건설사 책임준공의무에 대해 이행보증 신설(3조원)
- PF/모기지 보증: 사업자대출 지급보증 도입 추진(3조원)
건설투자 활성화 방안 - 2024년 중 발표 예정(국토부·기재부·금융위 등 관계부처 합동)

정리하자면, 
태영건설 워크아웃에서 가중된 부동산 PF 우려가 다른 건설사로 전이 될 가능성은 다음의 이유로 낮다는 것이다:
1. 자기자본대비 PF 보증 규모가 태영건설 (1위) 다음으로 큰 건설사인 롯데건설 (2위), 현대건설 (3위)의 단기 유동성 대응력이 있는 것으로 판단
2. 정부가 적극적인 대응 의지를 보이고 있음 
3. 태영건설의 비은행 금융기관에 대한 익스포져가 보유 금융회사 총자산의 0.09%수준으로 제약적, 이 중 비은행금융기관 익스포져가 27%이지만, 다수 금융사에 분산되어 있어 자산건전성/펀더멘털 저하 영향은 낮을 것
    (태영건설의 증권사 전체 부동산 익스포져에서 차지하는 비중은 1.9%로 낮은 수준임)

반응형
728x90
반응형

Boolean Type
- Boolean 타입은 기본적인 데이터 타입 중 하나로, True 또는 False 의 두가지 값만을 가질 수 있음

형 변환
 - Python에서는 다른 데이터 타입을 불리언으로 변환할 수 있음
 - 대부분의 값은 True로 변환되지만, 일부 "비어있는" 값 또는 "0" 같은 False로 변환됨
 - 예를 들어, bool(), bool("")은 모두 False를 반환

List Type

 - 중복된 요소를 포함할 수 있음
 - 가변적으로, 리스트 내부의 요소 변경 가능
 - 서로 다른 타입의 요소 포함 가능
 - 인덱스를 통한 접근 가능 (예: f[0])

mega = [[1,3,5],[5,6,7],[1,5,9]]
print(mega[0])  #==> [1,3,5] c언어 강의 날짜
print(mega[0][2]) #==> 5 c언어 강의 날짜중 세번째 날짜
#1000 이하의 정수를 입력받고, 분과 시로 환산하는 프로그램
#72이면, 1분 12초
time=int(input("시간:"))
min=time//60
sec=time%60

print(f"{min}분 {sec}초 입니다.")
#정수 10,000~99,999 사이를 입력받고,
#100의 자리 값을 출력하는 프로그램
number=int(input("정수 값:"))
numlist=list(str(number))
print(numlist)   ==> ['1','2','3','4','5']
print(str(number)[2])   ==> 3

#  print(), input(), int(), bool(), list(), str(), float()
#  변수 [데이터 타입] 
#  산술 연산자 (+ - * / // %) ex) [문자-문자] 안됨
#  비교 연산자 (< > >= <= == !=)
# 논리 연산자 (and, or, not)
# 할당 연산자 (= =+ =- =*)

#정삼각형의 넓이와 둘레를 계산하는 프로그램
#밑변?높이?
line = int(input("밑변 입력: "))
height = int(input("높이 입력: "))

print(f"정삼각형의 넓이는 {height*line*0.5} 둘레는 {line*3}")
운동순서 만들기 프로그램
#원하는 운동 종류 3개 입력받아, 효과적인 운동순서 생성
#운동순서: 스트레칭 -> 윗몸 일으키기 -> 러닝

sport1=str(input("운동1:"))
sport2=str(input("운동2:"))
sport3=str(input("운동3:"))
print(f"효과적인 운동 순서는 {sport1} > {sport2} > {sport3} 입니다")
영화 리스트, 팝콘 리스트, 음료 리스트를 보여줘서 선택한 후 조합을 보여주는 프로그램
# #영화 번호 고르시오 [1: 서울의 봄 2: 위시 3: 노량]
# #팝콘 번호 고르시오 [1: 팝콘 2: 치즈팝콘 3: 캬라멜 팝콘]
# #음료 번호 고르시오 [1: 콜라 2: 제로콜라 3: 스트라이트]
# #고르신 영화는 위시 이며, 팝콘은 치즈 팝콘 그리고 음료는 제로 콜라 주문하셨습니다!
movie=int(input("영화 번호 고르시오 [1: 서울의 봄 2: 위시 3: 노량]"))
popcorn=int(input("팝콘 번호 고르시오 [1: 팝콘 2: 치즈팝콘 3: 캬라멜 팝콘]"))
drink=int(input("음료 번호 고르시오 [1: 콜라 2: 제로콜라 3: 스트라이트]"))

movielist=['서울의 봄','위시','노량']
popcornlist=['팝콘','치즈 팝콘','캬라멜 팝콘']
drinklist=['콜라','제로콜라','스프라이트']

print(f"고르신 영화는 {movielist[movie-1]}, 팝콘은 {popcornlist[popcorn-1]}, 음료는 {drinklist[drink-1]} 입니다.")

 

반응형
728x90
반응형

오늘은 어제 배운 input print 를 복습하면서 시작.

# input() : 유저한테 입력받는 기능 [문자타입]
# print() : 안에 들어있는 내용 출력 
# int() : 안에 들어있는 문자를 정수화
# float() : 실수화
# str() : 문자화  
# type() : 데이터타입을 알려주는 기
# 사칙연산 - + * / (나누기) % (나머지) // (몫) ** (제곱)

정수화 안한 {first+second}는 123 456을 문자로서 합치고,
{int_first+int_second}는 숫자로 합계를 나타냄

단계를 축약한다면 이렇게! 아예 first 인풋을 지정할때에 int를 붙여서, 정수화 시키는 방법이 있음

 

cpu는 연산을 하고 ram은 기억을 하는 과정에서, 데이터 타입 구분을 알고 가면 좋다.
1. 숫자형
  - 정수 integer (10, -3, 100..)
  - 부동소수점 floating point (3.14, -0.001, 2.0 ..)
2. 문자열
  - 문자, 단어 또는 그 이상의 텍스트를 저장 ("hello", "python", "1234")
  - 이름: 'John'
  - greeting = "안녕하세요!"
  - multi_line_string = " " " (여러 줄의 문자열 표현)

타입 변환 함수
1. int() 함수
  
- 정수화
2. float() 함수
  - 문자열이나 정수를 부동소수점 숫자로 변환 (실수화)
3. str() 함수
  - 숫자 (정수/실수)를 문자열로 변환

#숫자 사칙 연산자
# +, -, *
# / (나눗셈 연산자), % (나머지 연산자)
print(5/2) #2.5
print(5%2) #1

# // (정수 나머지[몫])
print(5//2) #2

#** (제곱 연산자)
print(2**4) #16

주석 처리: ctrl+/

 

반응형
728x90
반응형

https://github.com/

작업하던 작업물들을 Github에 저장해 불러오기 할 수 있다.

https://roadmap.sh/roadmaps

참고하면 좋을만한 추천 웹사이트로, 파이썬 로드맵을 보여주고 있고 기초부터 완성까지 스텝별 배울 수 있다.  

파이썬 특징:
 - 간결하고 읽기 쉬운 문법
 
파이썬 적용 분야:
 - 웹 개발 (프레임워크를 사용하여 웹 애플리케이션 개발)
 - 데이터 과학과 인공지능 (NumPy, Pandas, TensorFlow, PyTorch 등의 라이브러리를 통해 데이터분석, 머신러닝 딥러닝 등의 작업 수행)
 - 자동화 스크립트
 - 교육
 
 IDE (통합 개발 환경)
  - 코드 작성 도움 프로그램 
  - 소프트웨어 개발을 위한 포괄적 도구 모음
  - 기본적으로 코드 작성, 테스트, 디버깅 등 소프트웨어 개발의 여러 과정을 하나의 애플리케이션 내에서 처리할 수 있게 해줌
  - 우리는 파이챰
-------------------------------------


우클릭 > New > Python File > Hello 치기
1째줄에 print("hello world") > 우클릭 run hello

--------
1.주석문 (comment)
 - 파이썬에는 #기호 뒤에 오는 모든 텍스트가 주석으로 처리
2. Print 함수
- 출력을 담당하는 기본적인 함수
- 연산이 들어가는 경우 f, {} 사용하기
 -f문자열문법: print(f"123+456+789={123+456+789}")
3. 변수
 - 파이썬에서 변수는 값을 담는 상자
  -name변수 사용: name = "HAYLEY"  print(name)  > run > HAYLEY
  -mbti변수 사용: mbti = "ENTP"    print(mbti)  > run > ENTP

4. input (user로부터 화면하단에 값을 입력 받게 된다)

 

반응형
728x90
반응형

- 전체 학원 수는 강남구가 압도적으로 높은 편임
- 그 중에서도 대치동이 두번째로 학원수가 많은 서초구 반포동보다 5배 많이 위치
- 특목고 진학생수가 많은 지역은 서초구 반포동, 강남구 대치동
- 서울대/의대 합격생이 많은 지역 또한 강남구 대치동, 서초구 반포동

 

 

반응형
728x90
반응형

강남, 서초, 용산, 송파 4구의 인구수 및 세대수는, 송파 > 강남 > 서초 > 용산 순으로 이루어져 있다. 

세대수 증감율은 높은 증가세를 보이는 송파구가 가장 높으며, 저조한 증감율을 기록한 강남구-서초구가 그 뒤를 잇고, 오히려 감소세가 뚜렷한 용산구가 가장 낮게 나타난다.

서초구: 사회초년생이나 노년층 보다는 10살 미만 자녀와 함께 거주하는 가족단위 주거인구가 많은 것으로 보임
용산구: 20대 및 60대 이상 인구 비율이 매우 높은 반면, 10살미만과 30-40대 인구 비율은 현저히 낮다.
강남구: GBD가 인접한 위치적 특성으로 3040 세대 비율이 높으며, 노년층 인구 비율은 비교적 낮게 나타남
송파구: 서초구와 함께 10살 미만 인구 비중이 비교적 높음

1. 강남구

  - 강남구로의 전입은 3040세대 위주로 서초구 / 송파구 / 성남시에서 많으며,
  - 강남구에서의 전출은 3040세대 위주로 송파구 / 서초구 / 성남시가 많음 

2. 서초구 

  - 서초구로의 전입은 3040대 위주로 강남구 / 동작구 / 관악구 / 송파구에서 많으며, 
  - 서초구에서의 전출은 30-40대 위주로 강남구 / 동작구 / 송파구 / 관악구가 많음

3. 용산구

  - 용산구로의 전입은 2030세대 위주로 마포구 / 강남구 / 서초구 에서 많으며,
  - 용산구에서의 전출은 30-50대 위주로 마포구 / 강남구 / 서초구가 많음

4. 송파구

  - 송파구로의 전입은 30-50대 위주로 강남구 / 강동구 / 성남시 에서 많으며, 
  - 송파구에서의 전출은 3040대 위주로 강동구 / 강남구 / 하남시가 많음

반응형
728x90
반응형

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 근 5년간의 300세대 이상 아파트에 대한 급지표는 아래와 같다.

300세대 이상 아파트에 대한 급지표

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 근 5년간의 300세대 이상 아파트에 대한 급지표는 아래와 같이 정리된다.  
  - 한남동, 대치동, 삼성동, 반포동, 잠원동이 선두
  - 역삼동, 일원동, 개포동, 서초동, 방배동 또한 높은 평당가
  - 한강로3가, 가락동, 풍납동이 뒤를 잇고
  - 당산동 5가, 효창동, 거여동, 양평동, 신길동, 대림동, 오금동이 뒤따른다.

지역 비교분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 지역별 비교분석은 아래와 같이 정리된다. 
  - 학원은 강남구에 가장 많이 위치해 있으며, 그 뒤로 송파구, 서초구에 많이 위치함
  - 병원의 경우, 강남구에 압도적으로 많은 수가 위치하며, 서초-송파구에는 비슷한 수준으로 뒤따름
  - 인구당 병원 및 학원 수는 강남구가 가장 높으며, 그 뒤로 서초임
  - 총 인구수는 송파구가 높으며, 그 뒤로 강남, 서초, 영등포, 용산구임
  - 사업체 수는 역시 GBD가 인접한 영향으로 강남구가 압도적으로 높고, 그 뒤로 서초-송파-영등포가 비슷한 수준임
  - 소득지수는 강남-서초가 높고, 그 뒤로 용산구, 송파-영등포구 순서임

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 동단위 급지분석 은 아래와 같이 정리된다. 
  - 강남구 대치동이 단연 학원 수에 있어 압도적 1위에 위치함
  - 병원 수로는, 강남구 신사동-압구정동-청담동이 높음

지역 환경 (인프라) 분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 지역별 환경(인프라)분석은 아래와 같이 정리된다. 
  - 강남구는 인구수-사업체수가 높은 반면, 용산구는 인구수-사업체수가 낮아 대조됨
  - 종합 소득 수준은 용산구 > 강남구 > 서초구 > 송파구 > 영등포구 순임
  - 학원 수는 강남이 가장 많고, 송파-서초가 그 뒤를 이음
  - 우수학교 진학생 수는 특목고의 경우 강남-서초-송파 모두 높으나, 서울대/의대 진학생 수로 1위인 강남이 2위인 서초의 두배 수준임
  - 병원, 상업시설 수로도 강남구가 높게 형성되어 있음
  - 향후 입주 예정 물량은 2023년 강남구가 가장 높으며, 송파구가 2024-2025년 높은 수준임

아파트 가격 분포 분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 아파트 가격 분포 분석은 아래와 같이 정리된다.
  - 매매평당가는 서초구 > 강남구 > 용산구 > 송파구 > 영등포구 순임
  - 전세 평당가는 용산구 > 서초구 > 강남구 > 영등포구 > 송파구 순임
  - 전세가율은 영등포 > 용산 > 송파 > 서초-강남 순임
  - 84㎡에 대한 갭은 서초 > 강남 > 용산 > 송파 > 영등포 순임
  - 아파트수는 강남이 가장 많고 > 서초 > 영등포 > 송파 > 용산 순임
  - 5개구의 평균 년식은 22-25년으로 비슷함
  - 20년 초과 년식의 아파트는 강남구가 가장 많으며 (41%), 그 뒤로 용산-송파 (40%), 영등포 (37%) 서초 (34%)임
  - 강남-서초-용산-영등포는 소형 평형 아파트가 가장 높은 비중을 차지함
  - 송파는 중형 평형 아파트가 가장 높은 비중을 차지함
 

매매평당 가격으로 정렬했을 때, 용산구 한남동이 가장 높은 것으로 나타난다. 

전세평당 가격으로 정렬했을 때, 용산구 한남동이 가장 높은 것으로 나타난다. 

전세가율로 정렬했을 때, 역시 용산구 한남동이 가장 높은 것으로 나타난다.

84㎡ 갭으로 정렬했을 때, 강남구 삼성동이 가장 높고 송파구 오금동이 가장 낮다. (강남-서초구가 대체로 갭 금액이 높게 형성되어 있다)

(최근 10년, 300세대 이상) 아파트 수로 정렬했을 때, 서초구 서초동에 가장 높은 아파트 수가 확인되며, 그 뒤로 잠원동, 방배동, 도곡동이 있음

(최근 10년, 300세대 이상) 신규 분양권 비율로 정렬했을 때, 강남구 개포동이 가장 높으며, 송파구 거여동-용산구 효창동-서초구 반포동이 그 뒤를 이음.

(최근 10년, 300세대 이상) 대형 평수 분포 비율로 정렬했을 때, 용산구 한강로3가, 도곡동, 방배동, 한남동,내곡동, 이촌동 순으로 대형 평수가 높이 이루어져 있음. 

(최근 10년, 300세대 이상) 가격분포 5분위 건수로 정렬했을 때, 서초구 서초동이 가장 높은 것으로 확인되며, 그 뒤로 방배, 잠원, 삼성, 도곡, 대치, 이촌으로 형성됨.

반응형
728x90
반응형

최근 5년간 [강남구, 서초구, 용산구, 송파구, 영등포구] 내 분양된 아파트 단지의 분양가, 평단가, 경쟁률, 가점평균은 아래와 같다.

반응형
728x90
반응형

2024년 예정 아파트 분양단지, 2025년 예정 아파트 분양단지는 아래와 같다.

반응형
728x90
반응형

GDP 성장률 Source: World Bank

[배경]

IMF는 연 경제성장률 수정전망 시 (10월), 한국 1.4%을 일본 2.0%보다 0.6%p 낮게 제시했다

2023년 국내 GDP 성장률이 25년 만에 일본에 추월당할 것으로 전망되면서, 한국이 일본과 같은 장기 저성장 국면에 진입한 것이 아니냐는 우려가 있다. 이 글에서는 한국과 일본의 유사점과 차이점을 분석해보겠다.

유사점
1. 고령화로 부양부담 확대로 인한 소비 축소
2. 과잉부채로 인한 원리금 상환 부담으로 소비와 투자 여력 축소  
3. 서비스업이 취약한 산업구조로 제조업 경쟁력이 떨어질 경우 성장 동력 부재

차이점
1. 한국은 ICT 등 미래 성장 동력에 대해 적극 투자
2. 부동산 자산가격이 급격하게 하락하기 어려운 구조
3. 부실기업 구조조정에 소극적이었던 일본과 달리, 외환위기 후 부실기업 및 채권 구조조정에 적극적

결론
1. 기업 혁신이 지속될 경우 일본과 다른 성장 경로 모색이 가능하나,
저출산, 가계부채, 한계기업 등 선결 과제가 해결되지 않으면 일본이 겪은 
'잃어버린 30년' 가능성도 배제하기 어려움
2. ICT 산업의 국제 경쟁력은 저성장을 극복할 Key로 작용할 가능성이 있음

[부동산 리스크]

한국의 부동산 리스크는 과거 일본의 버블 수준과는 상이하다

소득대비 주택가격
1. 한국 평당 주택가격 (서울 아파트 기준)은 일본의 버블기 수준까지 올랐으나, 
소득 대비 주택가격은 일본 버블기의 절반 수준에 그침
  - 서울 30평 아파트 가격은 1인당 GDP의 약 30배로 높은 수준이나, 일본의 버블시기에는 약 60배로 비교적 낮은 수준임

2. 한국 전세제도는 실수요, 투기수요, 정부 주택정책 측면에서 주택 가격 하락을 방어하는 역할 수행
  - 역전세난 등 새로운 리스크를 만드는 부정적 측면도 상존
3. 부동산 경기 침체시 전세수요가 확대되고, 매매-전세가격 축소가 주택 실수요를 자극하여 주택가격이 상승
4. 전세금이 사금융 역할을 담당하며 투자자금 조달에 용이성을 확대
5. 주택가격 하락의 파급효과 (역전세난 등)가 매우 큰 편이어서 정부가 부동산 가격 하락 방어에 적극적일 수밖에 없는 구조
6. 일본은 부동산 버블에 대해 사후적 금융조치를 시행했으나, 한국은 주택대출 관련하여 사전적으로 규제를 마련하고 시행중
  - (일본) 주택대출 관련 규제가 미비한 가운데 부동산 버블로 위험 노출 > 금리인상, 대출총량규제 등 사후조치 > 신용경색 발발
  - (한국) 2002년 LTV 도입 이후 DTI, DSR 등의 제도 도입을 통해 주택대출 취급 가능금액을 제한

제도 도입시기 정의 의의
LTV `02.09 담보대출금액/담보가치 금융권 건전성 관리 (담보가치)
DTI `05.08 주담대의 원리금상환액/소득 가계부채 관리 (상환능력)
DSR `18.11 모든 대출의 원리금상환액/소득 가계부채 관리 (상환능력)

* 가계 소득수준, 제도 및 금융규제 차이를 감안하면 30년 전 일본이 겪은 부동산 급락 가능성은 높지 않은 것으로 보인다. 다만, 고금리 상황에서 인위적인 부동산 부양정책을 부동산 가격을 왜곡시켜 리스크를 키울 우려가 상존한다.

반응형

+ Recent posts