성수동에서 핫한 카페는?¶

by Sean Park, 20-04-16

내가 거주하고있는 성수동에는 카페가 참 많다.
재생 인테리어의 매력이 깃든 어니언부터, 오픈 당일 인스타그래머들을 몇 시간 씩 줄세운 블루보틀 1호점까지.
힙스터와 커피성애자들이 모이는 성수동에서, 가장 핫한 카페는 어디일까?

목적: 성수동에서 별점이 높은 카페들 찾아보기

driver.find_element_by_id('search.keyword.query').send_keys('카페')    # 카페 검색
driver.implicitly_wait(10)
time.sleep(1)
driver.find_element_by_id('search.keyword.submit').click()    # 검색 클릭
driver.implicitly_wait(10)
time.sleep(1)
driver.find_element_by_xpath('//*[@id="info.search.place.more"]').click()    # 더 보기 클릭

In [6]:

from tqdm import tqdm_notebook
dict_cafe = {'name': [], 'address': [], 'score': [], 'score_cnt': [], 'review_cnt': []}
for pagenum in tqdm_notebook(range(1, 36)):
    try:
        page = pagenum % 5    # 페이지 이동 버튼의 id넘버가 5의 나머지로 되어있다. (1페이지 = p1, 6페이지 = p1, 7페이지 = p2 ...)
        html = driver.page_source
        soup = BeautifulSoup(html, 'lxml')
        for cafenum in range(15):
            dict_cafe['name'].append(soup.find_all('a', 'link_name')[cafenum].text)
            dict_cafe['address'].append(soup.find_all('p', 'lot_number')[cafenum].text)
            dict_cafe['score'].append(soup.find_all('em', 'num')[cafenum].text)
            dict_cafe['score_cnt'].append(soup.find_all('a', 'numberofscore')[cafenum].text)
            dict_cafe['review_cnt'].append(soup.find_all('a', 'review', 'em')[cafenum].text)
        
        # 페이지가 5페이지씩 나뉘어져있는데(1-5, 6-10..), 마지막 페이지(5의 배수 페이지)에 도착했을 경우, 다음 버튼 클릭
        if page == 0:
            driver.find_element_by_id('info.search.page.next').click()
        else:
            driver.find_element_by_id('info.search.page.no{}'.format(page+1)).click()
        time.sleep(1)
    except:
        print('페이지 초과: {}'.format(pagenum))

In [7]:

df_raw = pd.DataFrame(dict_cafe)

In [8]:

df_raw.to_csv('source/cafe_in_seongsu.csv')

기다림 끝에 크롤링이 완료된 후에는 저장을 해놓는 것이 안전하다.

In [5]:

df_raw = pd.read_csv('source/cafe_in_seongsu.csv', index_col=0)

In [8]:

df_raw.head()

Out[8]:

	name	address	score	score_cnt	review_cnt
0	블루보틀 성수점	(지번) 성수동1가 656-302	2.8	85건	리뷰 635
1	할아버지공장	(지번) 성수동2가 309-133	3.0	27건	리뷰 257
2	차	(지번) 성수동1가 685-408	2.6	28건	리뷰 120
3	어니언	(지번) 성수동2가 277-135	3.4	140건	리뷰 1,257
4	대림창고	(지번) 성수동2가 322-32	3.3	143건	리뷰 601

2. 데이터 전처리¶

결측값을 처리하고, 텍스트와 숫자를 보기 좋게 수정하자.

2-1. Null 처리¶

In [6]:

df_raw.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 505 entries, 0 to 504
Data columns (total 5 columns):
name          505 non-null object
address       504 non-null object
score         505 non-null float64
score_cnt     505 non-null object
review_cnt    505 non-null object
dtypes: float64(1), object(4)
memory usage: 23.7+ KB

address컬럼에서 1개의 null값이 발견됐다.

In [164]:

df_raw[df_raw.address.isnull()]

Out[164]:

	name	address	score	score_cnt	review_cnt
484	코지카페	NaN	0.0	0건	리뷰 0

조회해보니, 평점과 리뷰가 없다.
삭제해도 무방할 듯 하다.

In [165]:

df_raw.drop(df_raw[df_raw.address.isnull()].index, axis=0, inplace=True)
df_raw.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 504 entries, 0 to 504
Data columns (total 5 columns):
name          504 non-null object
address       504 non-null object
score         504 non-null float64
score_cnt     504 non-null object
review_cnt    504 non-null object
dtypes: float64(1), object(4)
memory usage: 23.6+ KB

Null값을 삭제해주자.

2-2. 텍스트 처리¶

In [166]:

df_raw.head()

Out[166]:

	name	address	score	score_cnt	review_cnt
0	블루보틀 성수점	(지번) 성수동1가 656-302	2.8	85건	리뷰 635
1	할아버지공장	(지번) 성수동2가 309-133	3.0	27건	리뷰 257
2	차	(지번) 성수동1가 685-408	2.6	28건	리뷰 120
3	어니언	(지번) 성수동2가 277-135	3.4	140건	리뷰 1,257
4	대림창고	(지번) 성수동2가 322-32	3.3	143건	리뷰 601

address 컬럼은 데이터 앞의 (지번) 을 지워주자.
score_cnt, review_cnt 컬럼은 숫자+텍스트 형식으로 되어있다.
- 숫자만 남겨놓고, 텍스트는 정규식을 사용해서 없애자.

In [167]:

for row in df_raw.index:
    df_raw.address[row] = df_raw.address[row][5:]
df_raw.head()

Out[167]:

	name	address	score	score_cnt	review_cnt
0	블루보틀 성수점	성수동1가 656-302	2.8	85건	리뷰 635
1	할아버지공장	성수동2가 309-133	3.0	27건	리뷰 257
2	차	성수동1가 685-408	2.6	28건	리뷰 120
3	어니언	성수동2가 277-135	3.4	140건	리뷰 1,257
4	대림창고	성수동2가 322-32	3.3	143건	리뷰 601

주소만 깔끔하게 남았다.

In [168]:

# score_cnt, review_cnt에서 숫자만 유지
import re
p = re.compile('\D')
for row in df_raw.index:
    df_raw.loc[row, 'score_cnt'] = p.sub('', df_raw.loc[row, 'score_cnt'])
    df_raw.loc[row, 'review_cnt'] = p.sub('', df_raw.loc[row, 'review_cnt'])
df_raw.head()

Out[168]:

	name	address	score	score_cnt	review_cnt
0	블루보틀 성수점	성수동1가 656-302	2.8	85	635
1	할아버지공장	성수동2가 309-133	3.0	27	257
2	차	성수동1가 685-408	2.6	28	120
3	어니언	성수동2가 277-135	3.4	140	1257
4	대림창고	성수동2가 322-32	3.3	143	601

In [169]:

df_raw['score_cnt'] = df_raw['score_cnt'].astype(int)
df_raw['review_cnt'] = df_raw['review_cnt'].astype(int)
df_raw['score'] = df_raw['score'].astype(float)
df_raw.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 504 entries, 0 to 504
Data columns (total 5 columns):
name          504 non-null object
address       504 non-null object
score         504 non-null float64
score_cnt     504 non-null int32
review_cnt    504 non-null int32
dtypes: float64(1), int32(2), object(2)
memory usage: 39.7+ KB

score_cnt, review_cnt컬럼에서 숫자만 유지한 후, 컬럼의 데이터 형식을 숫자로 바꿔줬다.

3. 데이터 분석¶

준비는 끝났다. 이제 친구에게 자신있게 추천해줄 만한 카페를 찾아보자.

3-1. 별점이 높은 카페 찾기¶

In [170]:

df_raw.sort_values('score', ascending=False)

Out[170]:

	name	address	score	score_cnt	review_cnt
504	큐토스침니	화양동 33-30	5.0	3	0
78	더메이즈 건대점	자양동 10-1	5.0	4	81
187	커피코코	성수동2가 278-35	5.0	1	1
93	위커파크 성수점	성수동2가 301-3	5.0	1	21
92	업사이드 뚝섬점	성수동1가 7-8	5.0	2	28
...	...	...	...	...	...
370	얌커피로스터스	성수동2가 279-50	0.0	0	0
135	카페도르	성수동2가 275-75	0.0	0	2
372	CM카페	성수동1가 13-17	0.0	0	0
373	에잇어클락	성수동2가 299-241	0.0	0	2
255	언니커피	성수동2가 532-8	0.0	0	1

504 rows × 5 columns

단순히 별점 순으로 조회하니, 평가가 적게 된 카페들이 상위에 랭크되어있다.
- 이러면 신뢰성이 낮아지니, 랭킹 기준을 정해서 다시 조회해보자.
평가 수가(score_cnt)가 평균 이상인 데이터들을 기준으로 정렬해보면 어떨까?

3-1-1. 기준 1) 평가 수(score_cnt)¶

In [175]:

df_raw.score_cnt.describe()

Out[175]:

count    504.000000
mean       4.529762
std       12.070663
min        0.000000
25%        0.000000
50%        1.000000
75%        4.000000
max      143.000000
Name: score_cnt, dtype: float64

In [183]:

df_raw.score_cnt.mean()

Out[183]:

4.529761904761905

카페의 평균 평가 수가 4개로, 생각보다 낮다.
- 좋은 카페를 찾고싶은데, 평가가 4개면 그 별점이 신뢰가 안 갈 것 같다.
그러면 평가를 한 번도 안 받은 카페를 제외하고 평균을 구해보자.

In [191]:

df_raw[df_raw.score_cnt != 0].score_cnt.describe()

Out[191]:

count    306.000000
mean       7.460784
std       14.776591
min        1.000000
25%        1.000000
50%        3.000000
75%        7.000000
max      143.000000
Name: score_cnt, dtype: float64

평가 수가 0개인 카페를 제외하니, 평균이 7로 올랐다.
- 물론 표준편차가 크고 아웃라이어가 많아서 사분위값으로 정하는 것이 더 정확한 방법일 수도 있다.
- 하지만 지금은 통계적인 분석이 아니라 (납득할 수 있는) 기준을 정하는 것이기 때문에... 평균인 7을 사용하도록 하겠다.

In [216]:

df_filter1 = df_raw[df_raw.score_cnt >= 7]
print('평가를 7건 이상 받은 카페: 총 {}개 중 {}개 ({:.2f}%)'.format(len(df_raw), len(df_filter1), (len(df_filter1) / len(df_raw)*100)))

평가를 7건 이상 받은 카페: 총 504개 중 84개 (16.67%)

In [217]:

df_filter1.sort_values('score', ascending=False).head()

Out[217]:

	name	address	score	score_cnt	review_cnt
318	스텀필즈커피 성수점	성수동2가 289-319	4.8	16	0
102	브루잉세레모니	성수동2가 315-27	4.8	10	30
84	커피오스	성수동2가 333-72	4.7	25	130
38	하루앤원데이	성수동2가 314-5	4.6	7	38
55	카페라잌유	성수동1가 656-1017	4.5	8	100

나는 처음들어보는 스텀필즈커피가 1위이다. 찾아보니, 오피스 1층에 있는 카페이다.
브루잉세레모니는 이번에 처음 알았는데, 찾아보니 감성이 장난이 아니다..
전 직장 다닐 때 자주 다녔던 카페라잌유도 평점이 높다.
- 참고로 카페라잌유 시그니처 음료(라떼였던것같은데!) 참 맛있었던 기억이 있다!

근데 자세히 보니, 스텀필즈커피는 평가는 16건인데, 리뷰(블로그 후기 등)은 0건이다.
- 이러면 친구한테 자신있게 추천을 못할 것 같다.
- 우리 모두 카페나 맛집을 갈 때 블로그 글은 한 번씩 찾아보지 않는가?
좀 더 자신감을 얻기 위해, 리뷰 수로 추가 필터링을 해보자.

3-1-2. 기준 2) 리뷰 수(review_cnt)¶

일단 평균 리뷰 수를 조회해보자.

In [219]:

df_filter1.review_cnt.describe()

Out[219]:

count      84.000000
mean      142.357143
std       181.435550
min         0.000000
25%        38.750000
50%        94.500000
75%       160.250000
max      1257.000000
Name: review_cnt, dtype: float64

어떤 것을 기준으로 해야할까?

일단, 평균은 리뷰 142개, 중앙값은 94개다.
142개든, 94개든 충분히 리뷰가 많다고 볼 수 있을 것 같다.
그러면 여기서 중앙값, 평균 기준으로 필터를 했을 때 각각 몇개의 데이터가 남는지 살펴보자.

In [254]:

print('중앙값 기준: {}개 중 {}개 (당연하게도, {:.2f}%)\n평균 기준: {}개 중 {}개 ({:.2f}%)'.format(
    len(df_filter1),
    len(df_filter1[df_filter1.review_cnt > 94]),
    len(df_filter1[df_filter1.review_cnt > 94]) / len(df_filter1)*100,
    len(df_filter1),
    len(df_filter1[df_filter1.review_cnt > 142]),
    len(df_filter1[df_filter1.review_cnt > 142]) / len(df_filter1)*100))

중앙값 기준: 84개 중 42개 (당연하게도, 50.00%)
평균 기준: 84개 중 25개 (29.76%)

평균을 사용하면 보다 많은 리뷰가 많은 카페를 고를 수 있겠지만, 너무 많은 카페들이 떨어져나간다.
- 또한, 1차 필터링을 했기 때문에 보다 덜 엄격한 기준인 중앙값을 사용해서 필터링해보자.

In [277]:

df_filter2 = df_filter1[df_filter1.review_cnt >= 94]
df_filter2.sort_values('score', ascending=False).reset_index(drop=True).head(10)

Out[277]:

	name	address	score	score_cnt	review_cnt
0	커피오스	성수동2가 333-72	4.7	25	130
1	카페라잌유	성수동1가 656-1017	4.5	8	100
2	치카치카	성수동2가 512	4.5	12	117
3	리도엘리펀트	성수동2가 333-97	4.4	18	137
4	로우커피스탠드	성수동1가 8-16	4.0	26	107
5	카페오롯	성수동1가 13-428	3.9	10	151
6	우디집	성수동1가 311	3.9	7	192
7	멜로워 성수플래그쉽	성수동2가 333-94	3.8	27	392
8	커피식탁	성수동1가 656-1096	3.8	13	117
9	훔볼트	성수동2가 325-17	3.7	27	324

(짝짝짝) 커피오스가 2차 필터링 결과 가장 평이 높은 카페였다.
- 몰랐던 카페였는데 코로나가 잠잠해지면 가봐야겠다 ㅋㅋ
치카치카는 찾아보니 사실 성수동 메인 거리(서울숲, 카페거리 등)에 있는 곳은 아니었다.
- 하지만 마카롱의 엄청난 비주얼이 날 반겨줬다.
리도 엘리펀트는 내부 인테리어도 예쁘지만, 바람이 불 때 루프탑에 앉아있으면 세상을 가진 기분이다.
로우스탠드는 친한 전 직장 동료분이 가장 좋아하는 커피집.
- 성수동은 지역 특성상 공간이 좁은 카페가 많은데, 이 곳은 맛과 공간, 감성을 모두 담은 카페
커피식탁은 전 직장 동료분께서 운영하고 계신데, 모든 음료가 맛있다!!
- 아기자기한 분위기는 뽀나스

3-2. 가장 유명한 카페 찾기¶

이제 친구한테 어떤 카페를 추천해야하는지는 알아냈다.
그러면 성수동에서 제일 유명한 카페는 어디일까?
- 후기가 많으면 그만큼 유명하다는 것을 반증하는 것 아닐까?
후기가 가장 많은 카페를 알아보고, 그 카페의 별점을 알아보자.

In [282]:

df_raw.sort_values(['score_cnt', 'review_cnt'], ascending=False).reset_index(drop=True).head(10)

Out[282]:

	name	address	score	score_cnt	review_cnt
0	대림창고	성수동2가 322-32	3.3	143	601
1	어니언	성수동2가 277-135	3.4	140	1257
2	블루보틀 성수점	성수동1가 656-302	2.8	85	635
3	자그마치	성수동2가 317-12	3.2	71	319
4	오르에르	성수동1가 16-39	3.4	63	325
5	메쉬커피	성수동1가 685-307	4.1	40	58
6	카페성수	성수동1가 668-30	3.3	39	187
7	어반소스	성수동2가 301-16	3.6	36	605
8	카멜 성수점	성수동2가 570-1	3.6	35	383
9	바이산	성수동2가 322-32	3.1	33	329

성수동 카페 3대장인 대림창고, 어니언, 블루보틀이 자리매김했다.
개인적으로 성수동에서 가장 맛있는 커피집이라고 생각하는 메쉬커피도 6위로 높다. (괜히 뿌듯)

이 리스트를 보고있자니, 유명한 카페들의 평점을 더 직관적으로 보고싶어졌다.
이를 위해, 인지도라는 지표를 추가해보자.

3-2-1. 인지도 지표 추가¶

인지도 점수(Awareness) = 평가 수 + (리뷰 수/10)

위와 같이 지표를 정의하고자 한다.
- 평가 수가 많을 때 유명하다고 생각하고, 리뷰는 가산점이라고 기준을 세웠다.
  - 이 기준은 당연히 매우 주관적이다!!
  - 더 적합한 기준이 있다면 알려주세요!!

In [293]:

df_raw['awareness'] = df_raw['score_cnt'] + df_raw['review_cnt']/10
df_raw.sort_values('awareness', ascending=False).reset_index(drop=True).head(10)

Out[293]:

	name	address	score	score_cnt	review_cnt	awareness
0	어니언	성수동2가 277-135	3.4	140	1257	265.7
1	대림창고	성수동2가 322-32	3.3	143	601	203.1
2	블루보틀 성수점	성수동1가 656-302	2.8	85	635	148.5
3	자그마치	성수동2가 317-12	3.2	71	319	102.9
4	어반소스	성수동2가 301-16	3.6	36	605	96.5
5	오르에르	성수동1가 16-39	3.4	63	325	95.5
6	카멜 성수점	성수동2가 570-1	3.6	35	383	73.3
7	멜로워 성수플래그쉽	성수동2가 333-94	3.8	27	392	66.2
8	바이산	성수동2가 322-32	3.1	33	329	65.9
9	훔볼트	성수동2가 325-17	3.7	27	324	59.4

순위 변동이 조금 있었지만 어니언, 대림창고, 블루보틀 3대장이 여전히 상위권을 지키고 있다.
인지도 지표를 통해 가장 수혜를 본 카페는 어반소스 일 것 같다.
- 8위에서 5위까지 올라왔다.
- 어반소스는 아기자기한 느낌보다는 넓고, 조명, 간판 등이 트렌디하다.
- 언급했듯, 성수동은 작은 카페가 많은데, 어반소스는 여러 사람들과 모임을 가지기에도 적당하다.
메쉬커피가 순위권에서 사라졌다!
- 찾아보니, 16위까지 밀려났다.
- 아는 사람들만 아는, 아직 많이 알려지지 않은 카페라서 그런가? 라는 생각이 들었다.
  - 여담으로, 산미있는 커피를 좋아한다면, 메쉬커피는 꼭 마셔봐야한다고 생각한다.
그러면 이제 인지도와 평점을 시각화해보자.

3-2-2. 유명한 카페의 별점은?¶

In [323]:

plt.figure(figsize=(10, 10))
sns.scatterplot('score', 'awareness', s=30, data=df_raw)
plt.title('별점 - 인지도 산점도')
for row in df_raw.sort_values('awareness', ascending=False).head(10).index:
    plt.text(df_raw.loc[row, 'score'],
             df_raw.loc[row, 'awareness'],
             df_raw.loc[row, 'name'],
             rotation=20)

인지도가 50 이상으로 유명한 카페들은 대부분 3-4점에 머무르고 있다.
그런데, 세 번째로 유명함에도 불구하고 블루보틀은 2점대 후반으로 10위권 중 가장 낮다.
- 공간 활용, 맛 등 여러가지가 있겠지만, 자세하게 다루진 않겠다.
- ~집에서 걸어서 1분 거리임에도, 한 번 가고나서는 안 가게 된다는...~

3-3. 은근히 넓은 성수동, 어디로 가야할까?¶

애인이 오늘 '성수동 놀러 가자' 라고 얘기했다고 가정해보자.
- 없다고요? ~아 왜그래요 아 뭐요~
즐거운 데이트를 위해 카페를 찾아놨는데, 영업 휴일 혹은 만석 등의 이유로 찾아놓은 카페를 못가면 머리가 하얘질 것이다.
- 이런 경우 정말 많다. 특히 요샌 사람이 굉장히 많아졌다.
- 근데 이럴 때 그 근처 아무데나 갔다가 낭패를 볼 수도 있다.
어떻게 해야 계획이 틀어져도 근처에 좋은 카페를 발견할 수 있는 확률을 높일 수 있을까?
성수동의 카페를 지도에 시각화하여 알아보자.

3-3-1. 카페의 지리 정보 찾기¶

In [326]:

import googlemaps
gmap_key = "*****"
gmaps = googlemaps.Client(key=gmap_key)

In [327]:

from tqdm import tqdm_notebook

# 혹시 모를 사태를 대비하여 원본을 복사하여 사용
df = df_raw.copy()

# 구글맵API를 활용하여 각 카페의 주소에 해당하는 지리 정보를 얻어오기
for row in tqdm_notebook(df.index):
    try:
        geo = gmaps.geocode(str(df.loc[row, 'address']))
        df.loc[row, 'lat'] = geo[0].get('geometry')['location']['lat']
        df.loc[row, 'lng'] = geo[0].get('geometry')['location']['lng']
    except:
        df.loc[row, 'lat'] = np.nan
        df.loc[row, 'lng'] = np.nan
df.head()

HBox(children=(IntProgress(value=0, max=504), HTML(value='')))

Out[327]:

	name	address	score	score_cnt	review_cnt	awareness	lat	lng
0	블루보틀 성수점	성수동1가 656-302	2.8	85	635	148.5	37.548074	127.045617
1	할아버지공장	성수동2가 309-133	3.0	27	257	52.7	37.541084	127.054905
2	차	성수동1가 685-408	2.6	28	120	40.0	37.547794	127.041883
3	어니언	성수동2가 277-135	3.4	140	1257	265.7	37.544644	127.058323
4	대림창고	성수동2가 322-32	3.3	143	601	203.1	37.541797	127.056481

지리 정보(lat, lng)를 잘 얻어왔다.
혹시 null값이 있는지 찾아보자.

In [330]:

import missingno as msno
msno.matrix(df, figsize=(10, 5))
plt.show()

In [332]:

df.isnull().sum()

Out[332]:

name          0
address       0
score         0
score_cnt     0
review_cnt    0
awareness     0
lat           0
lng           0
dtype: int64

null값이 없다! 다행!
혹시 모르니 데이터를 저장해두자.

In [333]:

df.to_csv('source/cafe_in_seongsu_map.csv')

3-3-2. 어디가 카페가 많을까?¶

일단 카페가 많으면 선택지가 많아진다.
어느 지역에 카페가 많은지 살펴보자.

In [400]:

map = folium.Map([df.lat.median(), df.lng.median()], zoom_start=15)
for row in df.index:
    lat = df.lat[row]
    lng = df.lng[row]
    folium.Marker([lat, lng]).add_to(map)
map

Out[400]:

일단, 카페가 많은건 알겠다. 정말 많다.
근데, 어디가 밀집되어있는지 한 눈에 파악하기는 힘들다.
더 직관적으로 파악할 수 있도록 시각화해보자.

In [399]:

map = folium.Map([37.5438344, 127.05451205], zoom_start=15,
                 tiles='Stamen WaterColor')

# 지하철 표시
folium.Marker([37.543512, 127.044663], popup='서울숲역').add_to(map)
folium.Marker([37.547169, 127.047424], popup='뚝섬역').add_to(map)
folium.Marker([37.544474, 127.056012], popup='성수역').add_to(map)
folium.Marker([37.540333, 127.069316], popup='건대입구역').add_to(map)

# 카페 표시
for row in df.index:
    lat = df.lat[row]
    lng = df.lng[row]
    folium.CircleMarker([lat, lng], color='', fill=True, fill_color='#044275', radius=15).add_to(map)

# 카페 밀집 지역 표시
folium.CircleMarker([37.547072, 127.041576], color='#F247F5', radius=50).add_to(map)
folium.CircleMarker([37.542219, 127.055480], color='#F247F5', radius=50).add_to(map)
folium.CircleMarker([37.540277, 127.067754], color='#F247F5', radius=50).add_to(map)

map

Out[399]:

지도 스타일을 조금 바꿔봤다.
- 카페라는 보물을 찾아주는 보물 지도 느낌..?
서울숲 위쪽 부근에(왼쪽 핑크 동그라미) 카페가 밀집되어 있는 것을 볼 수 있다.
- 저 지역을 가보면 알겠지만, 사람보다 카페가 더 많다.
- 일단 서울숲에 갈 계획이 있다면, 저쪽 부근을 중심으로 데이터 코스를 짜는 것이 바람직해보인다.
두 번째로는, 성수역(가운데 핑크 동그라미) 근처에 카페가 모여있다.
- 이 곳을 대표하는 카페는 대림창고가 있다.
- 유명한 곳을 꼭 가봐야겠어! 라는 생각이 있다면 이 곳을 추천한다.
세 번째는, 건대입구역 근처다.
- 사실 건대입구를 성수동이라고 칭하지는 않는다.
- 실제로 카페 분위기도 굉장히 다르지만, 번외편으로 추가해보았다.

3-3-3. 어디를 가야 평점이 높은 카페가 많을까?¶

사실, 위 지도에서 보았듯 성수동에는 어딜 가나 카페가 많다.
- 우리가 정말 궁금한 것은 어디를 가야 평점이 높은 카페가 많냐는 것이다!
평점이 높은 카페는 주로 어느 지역에 있는지 알아보자.

In [445]:

map = folium.Map([37.544964, 127.049826], zoom_start=16,
                 tiles='stamen Toner')
for row in df.index:
    lat = df.lat[row]
    lng = df.lng[row]
    folium.CircleMarker([lat, lng], radius=np.log(df.loc[row, 'awareness'])*10, color='', fill=True, fill_opacity=.6,
                        fill_color='#F8F8C7' if df.score[row] < 1 else
                        ('#DFF7BE' if df.score[row] < 2 else 
                        ('#00AD2E' if df.score[row] < 3 else 
                        ('#00611A' if df.score[row] < 4 else '#007508')))).add_to(map)

# 지하철 표시
folium.Marker([37.543512, 127.044663], popup='서울숲역').add_to(map)
folium.Marker([37.547169, 127.047424], popup='뚝섬역').add_to(map)
folium.Marker([37.544474, 127.056012], popup='성수역').add_to(map)
folium.Marker([37.540333, 127.069316], popup='건대입구역').add_to(map)

map

Out[445]:

건대부근을 제외하고 보다 성수동에 집중할 수 있도록 지도를 확대했다.
색이 진할수록 평점이 높고, 인지도가 높을수록 원이 크다.
1) 좀 더 유명하고 검증된 카페를 가고 싶다면,
- 오른쪽 중간, 성수역 근처 대림창고 부근을 가는 것이 좋아보인다.
- 상대적으로 인지도가 높은(원이 큰) 카페가 많이 보이고, 평점도 높다
2) 인지도보다는 남들이 잘 모르는 카페를 찾아보고 싶다면,
- 서울숲 위쪽 거리가 좋은 선택이 될 것으로 보인다.
- 전반적으로 인지도가 있는 카페는 1번의 선택보다는 적어보이지만, 카페가 더 밀집되어있다.
- 그리고 중간정도의 인지도를 가진, 평점이 좋은 카페들이 모여있는것을 볼 수있다.

4. 결론¶

사실 이 분석은 육하나이라는 카페에서, '성수동에 카페가 왜 이렇게 많아!' 라는 생각에서 시작됐다.
단순한 질문에서 시작했지만,
1. 어떤 카페가 가장 평점이 좋은지,
2. 어떤 카페가 가장 유명한지,
3. 성수동의 어느 지역을 가야 실패없이 많은 카페를 구경하고 경험할 수 있는지 알 수 있었다.
비록 부족한 분석력이었지만, 누군가에게는 흥미로운 스토리로 다가갔으면 좋겠다.