__13.data.analyzing_Starbucks_data_visualizing (스타벅스 3편)

• 스타벅스 1편 크롤링: https://lime-jelly.tistory.com/51
• 스타벅스 2편 전처리: https://lime-jelly.tistory.com/52

__11.data_analyzing_Starbucks_crawling (스타벅스 1편)

__12.data.analyzing_Starbucks_data_preprocessing (스타벅스 2편)

13. Starbucks data visualizing (스타벅스 데이터 비주얼라이징)

13.1 스타벅스 매장분포 시각화

import folium
import json

import pandas as pd
import numpy as np

## 스타벅스 매장분포
seoul_starbucks = pd.read_excel('./files/seoul_starbucks_list_class.xlsx')
seoul_starbucks.head()

'''
매장명    위도    경도    매장타입    주소    전화번호    시군구명
0    역삼아레나빌딩    37.501087    127.043069    general    서울특별시 강남구 언주로 425 (역삼동)    1522-3232    강남구
1    논현역사거리    37.510178    127.022223    general    서울특별시 강남구 강남대로 538 (논현동)    1522-3232    강남구
2    신사역성일빌딩    37.514132    127.020563    general    서울특별시 강남구 강남대로 584 (논현동)    1522-3232    강남구
3    국기원사거리    37.499517    127.031495    general    서울특별시 강남구 테헤란로 125 (역삼동)    1522-3232    강남구
4    대치재경빌딩R    37.494668    127.062583    reserve    서울특별시 강남구 남부순환로 2947 (대치동)    1522-3232    강남구
'''

starbucks_map = folium.Map(location = [37.573050, 126.979189],
                          tiles = 'StamenTerrain',
                          zoom_start = 11)

# seoul_starbucks.index = index의 개수만큼
for idx in seoul_starbucks.index:

    lat = seoul_starbucks.loc[idx, '위도']
    lng = seoul_starbucks.loc[idx, '경도']
    store_type = seoul_starbucks.loc[idx, '매장타입']


    folium.CircleMarker(location = [lat, lng],
                       color = 'yellow',
                       radius= 3,
                        weight = 1, # 원두께
                       fill = True,
                       fill_color = 'green',
                       fill_opacity = 0.5 #투명도
                       ).add_to(starbucks_map)

starbucks_map

starbucks_map2 = folium.Map(
    location=[37.573050, 126.979189],
    tiles='openstreetmap',
    zoom_start=11
)

for idx in seoul_starbucks.index:
    lat = seoul_starbucks.loc[idx, '위도']
    lng = seoul_starbucks.loc[idx, '경도']
    store_type = seoul_starbucks.loc[idx, '매장타입']
    names = seoul_starbucks.loc[idx, '매장명']
    address = seoul_starbucks.loc[idx, '주소']
    # 매장 타입별 색상 선택을 위한 조건문
    fillColor = ''
    if store_type == 'general':
        fillColor = 'gray'

    elif store_type == 'reserve':
        fillColor = 'blue'

    elif store_type == 'generalDT':
        fillColor = 'red'


    folium.CircleMarker(
        location=[lat, lng],
        color=fillColor,
        popup = '<pre>'+address+'</pre>', # pre는 가로로 표기하기
        tooltip = names,
        fill = True,
        fill_color = fillColor, 
        fill_opacity = 0.5,
        weight = 1,
        radius = 3
    ).add_to(starbucks_map2)

starbucks_map2

---

13.2. 매장 수 시각화

seoul_sgg_stat = pd.read_excel('./files/seoul_sgg.xlsx')
seoul_sgg_stat.head()
'''
    시군구코드    시군구명    위도    경도    주민등록인구    종사자수    사업체수    스타벅스_매장수
0    11320    도봉구    37.665861    127.031767    329,300    74,314    18,894    3
1    11380    은평구    37.617612    126.922700    485,842    90,049    24,873    8
2    11230    동대문구    37.583801    127.050700    358,679    140,748    31,878    9
3    11590    동작구    37.496504    126.944307    404,617    112,564    19,916    11
4    11545    금천구    37.460097    126.900155    249,641    234,012    32,472    11
'''

sgg_geojson_file_path = './maps/seoul_sgg.geojson'
seoul_sgg_geo = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))
seoul_sgg_geo['features'][0]['properties']
'''
{'SIG_CD': '11320',
 'SIG_KOR_NM': '도봉구',
 'SIG_ENG_NM': 'Dobong-gu',
 'ESRI_PK': 0,
 'SHAPE_AREA': 0.00210990544544,
 'SHAPE_LEN': 0.239901251347}
'''

starbucks_bubble = folium.Map(location = [37.573050, 126.979189],
                             tiles = 'CartoDB positron',
                             zoom_start=11)
# 구역별 선 그리기
def style_function(feature):
    return{
        'opacity': 0.7,
        'weight' : 1,
        'color' : 'red',
        'fillOpacity':0.1,
        'dashArray': '5, 5' #5픽셀 그리고 5픽셀 쉬고
    }
# 위에 거랑 합치기
folium.GeoJson(seoul_sgg_geo,
              style_function = style_function
              ).add_to(starbucks_bubble)

starbucks_map2 = folium.Map(
    location=[37.573050, 126.979189],
    tiles='openstreetmap',
    zoom_start=11
)

for idx in seoul_starbucks.index:
    lat = seoul_starbucks.loc[idx, '위도']
    lng = seoul_starbucks.loc[idx, '경도']
    store_type = seoul_starbucks.loc[idx, '매장타입']
    names = seoul_starbucks.loc[idx, '매장명']
    address = seoul_starbucks.loc[idx, '주소']
    # 매장 타입별 색상 선택을 위한 조건문
    fillColor = ''
    if store_type == 'general':
        fillColor = 'gray'

    elif store_type == 'reserve':
        fillColor = 'blue'

    elif store_type == 'generalDT':
        fillColor = 'red'


    folium.CircleMarker(
        location=[lat, lng],
        color=fillColor,
        popup = '<pre>'+address+'</pre>', # pre는 가로로 표기하기
        tooltip = names,
        fill = True,
        fill_color = fillColor, 
        fill_opacity = 0.5,
        weight = 1,
        radius = 3
    ).add_to(starbucks_bubble)


starbucks_bubble

---

13.3. 시군구별 스타벅스 매장 수를 단계구분도로시각화

# 평균수
starbucks_mean = seoul_sgg_stat['스타벅스_매장수'].mean()
starbucks_mean

# 평균과 비교하여 색 변화 밑 count에 따른 크기 변화
starbucks_bubble = folium.Map(location = [37.573050, 126.979189],
                             tiles = 'CartoDB positron',
                             zoom_start=11)
# 구역별 선 그리기
def style_function(feature):
    return{
        'opacity': 0.7,
        'weight' : 1,
        'color' : 'red',
        'fillOpacity':0.1,
        'dashArray': '5, 5' #5픽셀 그리고 5픽셀 쉬고
    }
# 위에 거랑 합치기
folium.GeoJson(seoul_sgg_geo,
              style_function = style_function
              ).add_to(starbucks_bubble)



for idx in seoul_sgg_stat.index:
    lat = seoul_sgg_stat.loc[idx, '위도']
    lng = seoul_sgg_stat.loc[idx, '경도']
    count = seoul_sgg_stat.loc[idx, '스타벅스_매장수']


    if count > starbucks_mean:
        fillColor = 'red'

    else:
        fillColor = 'blue'

    folium.CircleMarker(
        location=[lat, lng],
        color= '#FFFF00', # hex color참고. 그냥 색 해도 됨
        popup = '<pre>'+address+'</pre>', # pre는 가로로 표기하기
        tooltip = names,
        fill = True,
        fill_color = fillColor, 
        fill_opacity = 0.5,
        weight = 1,
        radius = count/2 # count 만 하려면 int(count)해야함 
        #json does not recognize NumPy data types. Convert the number to a Python int before serializing the object:
    ).add_to(starbucks_bubble)


starbucks_bubble

---

13.4. 매장 수와 인구수 비교

13.4.1. 매장 수

# 매장수
sgg_geojson_file_path = './maps/seoul_sgg.geojson'

seoul_sgg_geo_2 = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))

# 맵을 깔려면 타일이 필요함
# 단계 구분도
starbucks_choropleth = folium.Map(location = [37.573050, 126.979189],
                             tiles = 'CartoDB positron',
                             zoom_start=11)

folium.Choropleth(seoul_sgg_geo_2,
                 data = seoul_sgg_stat,
                 columns = ['시군구명','스타벅스_매장수'],
                 key_on = 'properties.SIG_KOR_NM',
                 fill_color = 'YlGn', # matplotlib에서 지원해주는 색, 일반색 X
                 fill_opacity = 0.5,
                 line_opacity = 0.7).add_to(starbucks_choropleth)

starbucks_choropleth

13.4.2. 인구수

# 주민등록 인구수
sgg_geojson_file_path = './maps/seoul_sgg.geojson'

seoul_sgg_geo_2 = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))

# 주민등록 인구가 object이기 때문에 ','을 빼주고 int로 변환
seoul_sgg_stat['주민등록인구'] = seoul_sgg_stat['주민등록인구'].str.replace(',','').astype(int)

# 에초에 불러올 때 아래와 같은 옵션을 추가해도 됨
# seoul_sgg_stat = pd.read_excel('./files/seoul_sgg_stat.xlsx', thousands = ',')

# 맵을 깔려면 타일이 필요함
# 단계 구분도
starbucks_choropleth1 = folium.Map(location = [37.573050, 126.979189],
                             tiles = 'CartoDB positron',
                             zoom_start=11)

folium.Choropleth(seoul_sgg_geo_2,
                 data = seoul_sgg_stat,
                 columns = ['시군구명','주민등록인구'],
                 key_on = 'properties.SIG_KOR_NM',
                 fill_color = 'YlGn', # matplotlib에서 지원해주는 색, 일반색 X
                 fill_opacity = 0.5,
                 line_opacity = 0.7).add_to(starbucks_choropleth1)

starbucks_choropleth1

- 인구와는 별로 관련이 없어보임

---

13.5. 다른 값들과의 비교 및 normalization

## 기준 수치가 다르기 때문에 비교를 위해 스케일을 적당히 해주자 
# 이번에는 편하게 max로 해보자


seoul_sgg_stat['인구당_매장수'] = seoul_sgg_stat['스타벅스_매장수']/(seoul_sgg_stat['주민등록인구'])
seoul_sgg_stat['사업체당_매장수'] = seoul_sgg_stat['스타벅스_매장수']/(seoul_sgg_stat['사업체수'])
seoul_sgg_stat['종사자당_매장수'] = seoul_sgg_stat['스타벅스_매장수']/(seoul_sgg_stat['종사자수'])


seoul_sgg_stat['인구당_매장수_norm'] = (seoul_sgg_stat['인구당_매장수']/\
seoul_sgg_stat['인구당_매장수'].max())

seoul_sgg_stat['사업체당_매장수_norm'] = (seoul_sgg_stat['사업체당_매장수']/\
seoul_sgg_stat['사업체당_매장수'].max())

seoul_sgg_stat['종사자당_매장수_norm'] = (seoul_sgg_stat['종사자당_매장수']/\
seoul_sgg_stat['종사자당_매장수'].max())

seoul_sgg_stat['스타벅스_매장수_norm'] = (seoul_sgg_stat['스타벅스_매장수']/\
seoul_sgg_stat['스타벅스_매장수'].max())

• 인구당

• 사업체당

• 종사자당

• 매장수

---

13.5. 결론

• 색진하기의 차이를 비교했을 때 사업체가 많은 장소에 매장 수 또한 많은 것을 유추할 수 있다.
• p value와 effect size를 고려하지 않았기 때문에 참고는 할 수 있지만 중요도는 떨어짐