[2월 3주차-2/19]왜 우리 동네에는 스타벅스가 없을까?

서울에서 스타벅스가 어떤 입지 전략으로 매장 입지를 선택하는지 분석

=> 두 가지 가설을 세워, 이 가설이 맞는지 데이터를 분석을 통해 확인

가설 1. 거주 인구가 많은 지역에 스타벅스 매장이 많이 입지해 있을 것이다!

가설 2. 직장인이 많은 지역에 스타벅스 매장이 많이 입지해 있을 것이다!

---

1. 데이터 수집

입지전략을 분석하기 위해서는 서울시 내에 출점한 스타벅스들의 위치를 파악.

→ 스타벅스 홈페이지에서 매장들의 정보를 수집(크롤링)

두 가지 가설을 검증하기 위한 인구 통계 데이터 수집.

→ 서울시 열린데이터 광장 OPEN API를 이용하여 인구 통계 데이터 (거주인구 수, 직장인구 수)

---

1.1 크롤링을 이용한 서울시 스타벅스 매장 목록 데이터 생성

📌 (1_1_Crawling_Starbucks_List.py)

# -*- coding: utf-8 -*-
"""
Created on Wed Feb 19 04:22:02 2025

@author: tuesv

크롤링을 이용한 서울시 스벅 매장 목록 데이터 생성
"""

from selenium import webdriver
from bs4 import BeautifulSoup
import pandas as pd

driver = webdriver.Chrome()
url = '<https://www.istarbucks.co.kr/store/store_map.do?disp=locale>'
driver.get(url)

## webdriver로 ‘서울’ 버튼 요소를 찾아 클릭
# 1. ‘서울’ 버튼 요소를 찾아
seoul_btn = '#container > div > form > fieldset > div > section > article.find_store_cont > article > article:nth-child(4) > div.loca_step1 > div.loca_step1_cont > ul > li:nth-child(1) > a'
# 2. 클릭하기
driver.find_element('css selector', seoul_btn).click()

# webdriver로 ‘전체’ 버튼 요소를 찾아 클릭
all_btn = '#mCSB_2_container > ul > li:nth-child(1) > a'
driver.find_element('css selector', all_btn).click()

# 현재 페이지에 대한 HTML 파서 만들기
html = driver.page_source
soup = BeautifulSoup(html, 'html.parser')

# 원하는 HTML 태그 찾아오기
starbucks_soup_list = soup.select('li.quickResultLstCon')
starbucks_store = starbucks_soup_list[0]
'''
<li class="quickResultLstCon" data-code="3762" data-hlytag="null" data-index="0" 
 data-lat="37.501087" data-long="127.043069" data-name="역삼아레나빌딩" data-storecd="1509" style="background:#fff"> 
    <strong data-my_siren_order_store_yn="N" data-name="역삼아레나빌딩" data-store="1509" data-yn="N">
        역삼아레나빌딩  
    </strong> 
    <p class="result_details">
        서울특별시 강남구 언주로 425 (역삼동)
        <br/>
        1522-3232
    </p> 
    <i class="pin_general">
        리저브 매장 2번
    </i>
</li>
'''
# 스타벅스 매장 정보 샘플 확인
name = starbucks_store.select('strong')[0].text.strip() # '역삼아레나빌딩'
lat = starbucks_store['data-lat'].strip()   # '37.501087'
long = starbucks_store['data-long'].strip() # '127.043069'
store_type = starbucks_store.select('i')[0]['class'][0][4:] # 'general'
address = str(starbucks_store.select('p.result_details')[0]).split('
')[0].split('>')[1]    # '서울특별시 강남구 언주로 425 (역삼동)'
tel = str(starbucks_store.select('p.result_details')[0]).split('
')[1].split('<')[0]    # '1522-3232'

### 서울시 스타벅스 매장 목록 데이터 ###
# 매장명, 위도, 경도, 매장 타입, 주소, 전화번호

starbucks_list = []

for item in starbucks_soup_list:
    name = item.select('strong')[0].text.strip() # '역삼아레나빌딩'
    lat = item['data-lat'].strip()   # '37.501087'
    lng = item['data-long'].strip() # '127.043069'
    store_type = item.select('i')[0]['class'][0][4:] # 'general'
    address = str(item.select('p.result_details')[0]).split('
')[0].split('>')[1]    # '서울특별시 강남구 언주로 425 (역삼동)'
    tel = str(item.select('p.result_details')[0]).split('
')[1].split('<')[0]    # '1522-3232'
    
    starbucks_list.append([name, lat, lng, store_type, address, tel])

columns = ['매장명', '위도', '경도', '매장타입', '주소', '전화번호']

seoul_starbucks_df = pd.DataFrame(starbucks_list, columns = columns)

seoul_starbucks_df.to_excel('starbucks_location/files/seoul_starbucks_list.xlsx', index = False)

1.2 서울열린데이터광장 OPEN API를 활용한 공공데이터 정리

📌 서울열린데이터광장 공공데이터 정리

📌 (1_2_edit_OpenData_Download.py => report.txt / report2.txt)

import pandas as pd

sgg_pop_df = pd.read_csv('starbucks_location/files/report.txt', sep='\\t', header=2)

columns = {
    '기간': 'GIGAN',
    '자치구': 'JACHIGU',
    '계': 'GYE_1',
    '계.1': 'GYE_2',
    '계.2': 'GYE_3',
    '남자': 'NAMJA_1',
    '남자.1': 'NAMJA_2',
    '남자.2': 'NAMJA_3',
    '여자': 'YEOJA_1',
    '여자.1': 'YEOJA_2',
    '여자.2': 'YEOJA_3',
    '세대': 'SEDAE',
    '세대당인구': 'SEDAEDANGINGU',
    '65세이상고령자': 'N_65SEISANGGORYEONGJA'
}

sgg_pop_df.rename(columns=columns, inplace = True)

### 서울시 동별 인구 데이터
sgg_pop_df_selected = sgg_pop_df[sgg_pop_df['JACHIGU'] != '합계']

columns = ['JACHIGU','GYE_1']
sgg_pop_df_final = sgg_pop_df_selected[columns]
sgg_pop_df_final.columns = ['시군구명', '주민등록인구']
sgg_pop_df_final.info()

sgg_pop_df_final.to_excel('starbucks_location/files/sgg_pop.xlsx', index = False)

### 서울시 동별 사업체 현황 통계 데이터
sgg_biz_df = pd.read_csv('starbucks_location/files/report2.txt', sep='\\t', header=2)

sgg_biz_df_selected = sgg_biz_df[sgg_biz_df['동'] == '소계']

columns = ['자치구','계', '사업체수']
sgg_biz_df_final = sgg_biz_df_selected[columns]
sgg_biz_df_final.columns = ['시군구명', '종사자수','사업체수']

sgg_biz_df_final = sgg_biz_df_final.reset_index(drop=True)
sgg_biz_df_final.to_excel('starbucks_location/files/sgg_biz.xlsx', index = False)

2. 데이터 전처리

2.1 서울시 스타벅스 매장 목록 데이터에 시군구명 칼럼 추가 (2_1_address.py)

import pandas as pd

seoul_starbucks = pd.read_excel('starbucks_location/files/seoul_starbucks_list.xlsx', header=0)

# 주소 정보에서 시군구명 추출
sgg_name =[]

for adress in seoul_starbucks['주소']:
    sgg = adress.split()[1]
    sgg_name.append(sgg)

seoul_starbucks['시군구명'] = sgg_name

seoul_starbucks.to_excel('starbucks_location/files/seoul_starbucks_list.xlsx', index = False)

2.2 스타벅스 분석 데이터 만들기 (2_2_data.py)

import pandas as pd

# 시군구 목록 데이터 불러오기
seoul_sgg = pd.read_excel('starbucks_location/files/seoul_sgg_list.xlsx')

# 시군구별 인구 통계 데이터 불러오기
seoul_pop = pd.read_excel('starbucks_location/files/sgg_pop.xlsx')

# 군구별 사업체 수 통계 데이터
seoul_biz = pd.read_excel('starbucks_location/files/sgg_biz.xlsx')

# 스타벅스 매장 목록 데이터 불러오기
seoul_starbucks = pd.read_excel('starbucks_location/files/seoul_starbucks_list.xlsx')

# 시군구별 스타벅스 매장 수 세기: '시군구명', '매장명' count로
starbucks_sgg_count = seoul_starbucks.pivot_table(index = '시군구명',
                                                   values='매장명',
                                                   aggfunc='count').rename(columns={'매장명':'스타벅스_매장수'})

# 서울시 시군구 목록 데이터(seoul_sgg)에 스벅 매장수 데이터를 병합
seoul_sgg = seoul_sgg.merge(starbucks_sgg_count, how = 'left', on = '시군구명')

# 서울시 시군구 목록 데이터에 서울시 시군구별 인구 통계 데이터(seoul_pop) 병합
seoul_sgg = seoul_sgg.merge(seoul_pop, how = 'left', on = '시군구명')
# 서울시 시군구 목록 데이터에 서울시 시군구별 사업체 수 통계 데이터(seoul_biz) 변합
seoul_sgg = seoul_sgg.merge(seoul_biz, how = 'left', on = '시군구명')
# 병합 결과를 엑셀 파일로 저장
seoul_sgg.to_excel('starbucks_location/files/seoul_sgg_stat2.xlsx', index = False)

---

3. 데이터 시각화

3.1 스타벅스 매장분포 시각화 (3_1_map.py)

import pandas as pd
import folium
import json

seoul_starbucks = pd.read_excel('starbucks_location/files/seoul_starbucks_list.xlsx')

# 스타벅스 매장 타입별 위치

starbucks_map = folium.Map(location=[37.573050, 126.979189], 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']
    
    fillColor = ''
    if store_type == 'general':
        fillColor = 'green'
        size=2
    elif store_type == 'reserve':
        fillColor = 'blue'
        size=5
    elif store_type == 'generalDT':
        fillColor = 'red'
        size=5
        
    folium.CircleMarker(location=[lat, lng],
                        color = fillColor,
                        fill= True,
                        fill_color = fillColor,
                        fill_opacity = 1,
                        weight = 1,
                        radius = size).add_to(starbucks_map)

starbucks_map2.save('starbucks_map.html')

3.2 시군구별 스타벅스 매장 수 시각화 (3_2_location_visualization.py)

3.2.1 기본 지도 가져와 경계 그리기

import pandas as pd
import folium
import json

seoul_sgg_stat = pd.read_excel('starbucks_location/files/seoul_sgg_stat2.xlsx', 
                               thousands=',')

sgg_geojson_file_path = 'starbucks_location/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}
'''

# 지도 생성
starbucks_bubble = folium.Map(location=[37.573050, 126.979189],
                              tiles = 'CartoDB positron',
                              zoom_start=11)

starbucks_bubble.save('starbucks_bubble.html')

# 서울시 시군구 경계 지도 그리기
def style_function(feature):
    return {
            'opacity':0.4,
            'weight': 1,
            'color': 'black',
            'fillOpacity':0,
            'dashArray': '5, 5'}

folium.GeoJson(seoul_sgg_geo, style_function=style_function).add_to(starbucks_bubble)

starbucks_bubble.save('starbucks_bubble_bound.html')

3.2.2 평균 매장 수에 따라 크기가 다른 버블 지도로 시각화

# 평균 매장 수 계산
starbucks_mean = seoul_sgg_stat['스타벅스_매장수'].mean()

# 평균 매장 수에 따라 크기가 다른 버블 지도로 시각화
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],
        dolor='#FFFF00',
        fill_color=fillColor,
        fill_opacity=0.7,
        weight = 1.5,
        radius = count/2).add_to(starbucks_bubble)
    
starbucks_bubble.save('starbucks_bubble_mean.html')

3.2.3 매장 수를 단계구분도로 시각화

sgg_geojson_file_path = 'starbucks_location/maps/seoul_sgg.geojson'
seoul_sgg_geo = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))

starbucks_choropleth = folium.Map(location=[37.573050, 126.979189],
                              tiles = 'CartoDB dark_matter',
                              zoom_start=11)

folium.Choropleth(geo_data=seoul_sgg_geo,
                  data = seoul_sgg_stat,
                  columns=['시군구명', '스타벅스_매장수'],
                  fill_color = 'YlGn',
                  fill_opacity=0.7,
                  line_opacity=0.5,
                  key_on = 'properties.SIG_KOR_NM').add_to(starbucks_choropleth)

starbucks_choropleth.save('starbucks_choropleth.html')

3.3 스타벅스 매장 수와 인구수 비교 (3_3_analysis.py)

import pandas as pd
import folium
import json

# 통계 데이터 불러오기
seoul_sgg_stat = pd.read_excel('starbucks_location/files/seoul_sgg_stat2.xlsx', 
                               thousands=',')

# 시군구 행정 경계 지도 파일
sgg_geojson_file_path = 'starbucks_location/maps/seoul_sgg.geojson'
seoul_sgg_geo = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))

# 주민등록인구수 단계구분도 지도 시각화
starbucks_choropleth = folium.Map(location=[37.573050, 126.979189],
                              tiles = 'CartoDB dark_matter',
                              zoom_start=11)

folium.Choropleth(geo_data=seoul_sgg_geo,
                  data = seoul_sgg_stat,
                  columns=['시군구명', '주민등록인구'],
                  fill_color = 'YlGn',
                  fill_opacity=0.7,
                  line_opacity=0.5,
                  key_on = 'properties.SIG_KOR_NM'
                  ).add_to(starbucks_choropleth)

starbucks_choropleth.save('starbucks_choropleth_pop.html')

3.4 스타벅스 매장 수와 사업체 수 비교 (3_3_analysis.py)

# 사업체 수 단계구분도 지도 시각화
seoul_sgg_geo2 = json.load(open(sgg_geojson_file_path, encoding = 'utf-8'))
starbucks_choropleth = folium.Map(location=[37.573050, 126.979189],
                              tiles = 'CartoDB dark_matter',
                              zoom_start=11)

folium.Choropleth(geo_data=seoul_sgg_geo2,
                  data = seoul_sgg_stat,
                  columns=['시군구명', '사업체수'],
                  fill_color = 'YlGn',
                  fill_opacity=0.7,
                  line_opacity=0.5,
                  key_on = 'properties.SIG_KOR_NM'
                  ).add_to(starbucks_choropleth)

starbucks_choropleth.save('starbucks_choropleth_corp.html')