Miniproject_(1)_starbucks_API

첫 미니 프로젝트이다.

스타벅스 api를 활용하여 지도에 지역과 매장타입을 입력 받으면 매장의 위치를 마크업하는 함수를 구현하였다.

또한 매장간 거리 차이를 이용하여 상도덕이 없는 매장은 어디인가? 라는 주제로 분석을 해볼려고 했다.

 

 

 

---

수업에서 계속 csv 파일만 이용하다가 json 형식을 처음 사용해보았다. 

불러오는 방식부터 데이터프레임으로 만드는 방법까지 차이가 있어 처음에 당황했다.

불러올 때는 json.load(변수), 데이터프레임으로 만들 때는 json_normalize()를 사용한다.

import pandas as pd
import requests
import json
from pandas.io.json import json_normalize # jsnon을 데이터프레임으로 만들 때 사용
from haversine import haversine # 지점간 거리를 구하는 수학공식 라이브러리
import numpy as np

 

스타벅스 API는 post방식을 사용하여 불러올 수 있다. 

post 방식은 아래 코드와 같이 쿼리 스트링을 dict형태로 변수에 담아 따로 써서 넣어준다.

data = {
    "ins_lat": "37.56682",  # 위도
    "ins_lng": "126.97865", # 경도
    "p_sido_cd": "04", # 시도코드
    "p_gugun_cd": "",
    "in_biz_cd": "",
    "iend": "1000",
    "set_date" : ""
    
}

url = 'https://www.starbucks.co.kr/store/getStore.do'
# headers = {'User-Agent': 'Mozilla/5.0'}

response = requests.post(url, data = data)
response.status_code

jo = json.loads(response.text)
df = json_normalize(jo,'list')
df

 

df.columns

#Index(['seq', 'sido_cd', 'sido_nm', 'gugun_cd', 'gugun_nm', 'code_order',
#       'view_yn', 'store_num', 'sido', 'gugun',
#       ...
#      't22', 't21', 'p90', 't05', 't30', 't36', 't27', 't29', 't43', 't48'],
#      dtype='object', length=129)

# 원하는 컬럼만 추출하여 데이터프레임 만듦
# 한글로 컬럼명 변경
df = df[['s_name', 'lat', 'lot', 'sido_name', 'gugun_name', 'doro_address', 'open_dt']]
df.columns = ["매장명", "위도","경도","도시명","지역구","도로명주소", "오픈일"]

df[:-1]
# 오픈일 컬럼에서 오픈연도 파생컬럼 만듦
df['오픈연도']=pd.DatetimeIndex(df["오픈일"]).year
df

 

# 반복문을 활용하여 매장명에서 매장타입을 추출
# 매장명에서 DT인 매장을 구분하여 새로운 컬럼으로 추가해줌.
dt_list= []
for i in df['매장명'] :

    if i[-2:] == 'DT' :
        dt_list.append("DT 매장")
    elif i[-1:] =="R" :
        dt_list.append("R 매장")
    else :
        dt_list.append("일반 매장")

df_dt = pd.DataFrame(dt_list)

df['매장종류'] = df_dt
df

 

 

# 도로명 주소에서 동이름 분리하여 새로운 컬럼으로 추가해줌.
# 동이름이 두글자나 네글자인 것이 있어 슬라이싱을 사용하면 정확히 분리를 못한다.
# 리스트 컴프리핸션을 사용
dong_list= df["도로명주소"]
dong_name = []

lst = [ i.split("(")[-1] for i in list(dong_list)] # 도로명 주소에서 "(" 기준으로 나누고 뒤에 것만 분리
lst = [ i.split(")")[0] for i in lst]               # 도로명 주소에서 ")" 기준으로 나누고 앞에 것만 분리

for i in lst :
    if i[-1] == "동" :
        dong_name.append(i)
    else : 
        dong_name.append("-")
df['동이름'] = do

 

도시명 입력 시 스타벅스 매장 df 보여주는 함수 구현

def df_city_store(city) :

    # 도시명을 입력하면 해당 도시에 있는 스타벅스 매장에 대한 데이터프레임 출력
    # 컬럼 : 매장명, 위도, 경도, 도시명, 지역구, 도로명주소, 오픈일, 오픈연도, 매장종류, 동이름

    import pandas as pd
    import requests
    import json
    from pandas.io.json import json_normalize
    import folium

    code = {'전체' : '00', '서울' : '01', '광주' : '02', '대구' : '03',
            '대전' : '04', '부산' : '05', '울산' : '06', '인천' : '07',
            '경기' : '08', '강원' : '09', '경남' : '10', '경북' : '11',
            '전남' : '12', '전북' : '13', '충남' : '14', '충북' : '15',
            '제주' : '16', '세종' : '17'}
    data = {
        "ins_lat": "37.56682",
        "ins_lng": "126.97865",
        "p_sido_cd": code[city],
        "p_gugun_cd": "",
        "in_biz_cd": "",
        "iend": "1000",
        "set_date" : ""
    }

    url = 'https://www.starbucks.co.kr/store/getStore.do'
    # headers = {'User-Agent': 'Mozilla/5.0'}
    response = requests.post(url, data = data)
    response.status_code

    jo = json.loads(response.text)
    df = json_normalize(jo,'list')

    df = df[['s_name', 'lat', 'lot', 'sido_name', 'gugun_name', 'doro_address', 'open_dt']]
    df.columns = ["매장명", "위도","경도","도시명","지역구","도로명주소", "오픈일"]

    df['오픈연도']=pd.DatetimeIndex(df["오픈일"]).year

    # 매장명에서 DT인 매장을 구분하여 새로운 컬럼으로 추가해줌.
    dt_list= []
    for i in df['매장명'] :

        if i[-2:] == 'DT' :
            dt_list.append("DT 매장")
        elif i[-1:] =="R" :
            dt_list.append("R 매장")
        else :
            dt_list.append("일반 매장")

    df_dt = pd.DataFrame(dt_list)

    df['매장종류'] = df_dt

    # 도로명 주소에서 동이름 분리하여 새로운 컬럼으로 추가해줌.
    # 동이름이 두글자나 네글자인 것이 있어 슬라이싱을 사용하면 정확히 분리를 못한다.
    dong_list= df["도로명주소"]
    dong_name = []

    lst = [ i.split("(")[-1] for i in list(dong_list)] # 도로명 주소에서 "(" 기준으로 나누고 뒤에 것만 분리
    lst = [ i.split(")")[0] for i in lst]               # 도로명 주소에서 ")" 기준으로 나누고 앞에 것만 분리

    for i in lst :
        if i[-1] == "동" :
            dong_name.append(i)
        else : 
            dong_name.append("-")
    df['동이름'] = dong_name
    
    
    
    return df
    
df_city_store('대전')

 

연도별 오픈된 대전 스타벅스 매장 갯수

• 스타벅스가 DT매장을 본격화한 것은 15년도 이후/R매장은 17~19년도에 집중적으로 진행
• 일반 매장이 특별 매장 대비 10배 이상 많음

yr_type = pd.crosstab(index=df.매장종류, columns=df.오픈연도, values=df.매장명, aggfunc=np.size, margins=True).fillna(0)
yr_type = yr_type.astype(int)
yr_type.style.background_gradient(cmap='coolwarm')

 

지도 시각화

지도 시각화를 위해 위경도의 데이터타입을 실수로 변경하였다.

# 위도와 경도의 타입을 문자열 > 실수로 변경
df['위도'] = df['위도'].astype(float)
df['경도'] = df['경도'].astype(float)

# 지리정보 시각화 모듈을 통해 대전엑스포스카이 지점 위치 확인
expo_point = (36.37514, 127.38161)
import folium

map_expo = folium.Map(location=(expo_point), zoom_start = 17 )#tiles = 'Stamen Toner'
folium.Marker(expo_point, popup = '엑스포').add_to(map_expo)
map_expo

 

# DT 매장만 골라서 지도에 마커를 표시하고 마커 이름은 매장이름으로 설정
dt_loc = (36.350191, 127.405652)
map_dt = folium.Map(location=(dt_loc), zoom_start = 11) #tiles = 'Stamen Toner'

for ix, row in df.iterrows():

    if row['매장종류'] == "DT 매장":
        location = (row['위도'], row['경도'])
        folium.Marker(location, popup = row['매장명']).add_to(map_dt)
map_dt

 

도시명과 매장타입 입력하면 지도 시각화해주는 함수 구현

# 지역이름과 매장타입을 쓰면 지역 내 해당 매장들의 위치가 마크업되어 지도를 보여주는 함수 만듦.
# 매장타입별 함수 정의를 하나로 합쳐 깔끔하게 정리
# 함수의 파라미터? store_type > store로 바꿈, df의 컬럼 store_type과 구분하기 위함
def see_store_re(city, store = '일반 매장') :
    import pandas as pd
    import requests
    import json
    from pandas.io.json import json_normalize
    import folium

    code = {'전체' : '00', '서울' : '01', '광주' : '02', '대구' : '03',
            '대전' : '04', '부산' : '05', '울산' : '06', '인천' : '07',
            '경기' : '08', '강원' : '09', '경남' : '10', '경북' : '11',
            '전남' : '12', '전북' : '13', '충남' : '14', '충북' : '15',
            '제주' : '16', '세종' : '17'}
    data = {
        "ins_lat": "37.56682",
        "ins_lng": "126.97865",
        "p_sido_cd": code[city],
        "p_gugun_cd": "",
        "in_biz_cd": "",
        "iend": "1000",
        "set_date" : ""
    }

    url = 'https://www.starbucks.co.kr/store/getStore.do'
    # headers = {'User-Agent': 'Mozilla/5.0'}
    response = requests.post(url, data = data)
    response.status_code

    jo = json.loads(response.text)
    df = json_normalize(jo,'list')
    df = df[['s_name', 'lat', 'lot', 'sido_name', 'gugun_name', 'doro_address']]
    df.columns = ["매장명", "위도","경도","도시명","지역구","도로명주소"]
    # 매장명에서 DT인 매장을 구분하여 새로운 컬럼으로 추가해줌.
    dt_list= []
    for i in df['매장명'] :

        if i[-2:] == 'DT' :
            dt_list.append("DT 매장")
        elif i[-1:] =="R" :
            dt_list.append("R 매장")
        else :
            dt_list.append("일반 매장")

    df_dt = pd.DataFrame(dt_list)

    df['매장종류'] = df_dt

    df['위도'] = df['위도'].astype(float)
    df['경도'] = df['경도'].astype(float)

    def markup_st_store(city) :
        
        # df에서 해당 매장만 추출하면 새로운 데이터프레임 만듦
        # df2에서 위도,경도의 평균치를 이용하여 해당 매장만 지도에 표시했을 때 화면이 정가운데에 위치하게 만들 예정
        df2 = df.loc[df['매장종류']== store]
        # df2.describe()로 평균치 구함
        mean_st_loc = { 'lat' : df2['위도'].mean(), 'lot' : df2['경도'].mean()}

        # 해당 매장만 골라서 지도에 마커를 표시하고 마커 이름은 매장이름으로 설정
        # dt_loc 는 dt 매장들의 위도, 경도의 평균값을 사용하여 지도에 모든 매장이 보이기 편하도록 설정
        st_loc = (mean_st_loc['lat'], mean_st_loc['lot'])
        map_st = folium.Map(location=(st_loc), zoom_start = 11) #tiles = 'Stamen Toner'

        for ix, row in df.iterrows():
            if row['매장종류'] == store :
                location = (row['위도'], row['경도'])
                folium.Marker(location, popup = row['매장명']).add_to(map_st)
        
        return map_st
    
    return markup_st_store(city)
    
see_store_re('광주', 'DT 매장')

 

매장간 거리 구하기

haversine 라이브러리 사용

# 거리차이만 테이블 출력!!
# 위도와 경도의 타입을 문자열 > 실수로 변경
df = df.astype({'위도' : 'float'})
df = df.astype({'경도' : 'float'})

# 지점 사이의 거리 구하는 방법 haversine 사용!
dis_store_list = []
lst_dis_total = []
i = 0
while True :
    standard_store = (df['위도'][i], df['경도'][i])
        
    for a, b in zip(df['위도'][i+1:], df['경도'][i+1:]) :
        other_store = (a, b)
        stor_to_stor_dis = haversine(standard_store, other_store)
        store_lst = [df['매장명'][i], df[df['위도'] == a]['매장명'], round(stor_to_stor_dis * 1000, 2)]
        dis_store_list.append(store_lst)

    if i == df.shape[0] - 1 :
        break
    i +=1

# # 매장에 따른 주변매장과의 거리차이를 데이터프레임으로 만듦
df_dis = pd.DataFrame(dis_store_list)
df_dis.columns = ["매장명", "주변매장", "거리차이(m)"]
df_dis = df_dis.sort_values("거리차이(m)", ascending = True)
df_dis
# 주변매장에서 매장이름만 분리해내기 위해 진행
df_dis['주변매장'] = df_dis['주변매장'].astype(str)
df_dis["주변매장"] = df_dis.주변매장.str.split(" ").str[4]
df_dis["주변매장"] = df_dis.주변매장.str.split("\n").str[0]
df_dis = df_dis[4:]
df_dis

 

 

---

회고

일반 프랜차이즈 매장의 경우 매장간 일정 거리가 지켜져야한다는 규칙이 있어 이걸 바탕으로 주제를 잡았는데 스타벅스의 경우 모든 매장이 직영점이라 거리차이가 필요없다. 오히려 가까운 곳에 매장이 있을 경우 각 매장 매출은 줄 수 있지만 전체 매출을 오른다는 사실을 분석 막바지에 알게되었다. 

재밌있는 주제라고 생각하여 처음 진행하는 프로젝트여서 많이 막혔지만 재미있게 할 수 있었다.

하지만 스타벅스의 정책에 대한 조사를 제대로 하지 못하고 분석을 진행한 점에 있어 분석을 할 때 도메인에 대한 충분한 이해와 지식이 필요하다는 사실을 상기시킬 수 있었다.