[애플리케이션] streamlit 웹 구현

1. 웹 구현

  1) 사이드바 만들기

  2) predict 함수

  3) get_info 함수 

  4) 기타

2. 폐업 여부 예측 과정

3. 느낀점

---

1. 웹 구현

1) 사이드바 만들기

st.selectbox => 선택한 option에 따라 3가지 웹 화면 중 하나 실행

 

• '폐업 예측 서비스' : 생성한 예측 모델을 이용해 폐업 여부를 예측해주는 서비스 화면
• '지역별 특성' : 모델에 사용된 feature들의 행정동별 시각화를 보여주는 화면
• '예측 모델 설명' : 사용된 예측 모델에 대한 설명을 제시하는 화면

 

2) predict(gu, dong, lat, long) 함수

: 개업 카페 위치의 자치구명, 행정동명, 위도, 경도를 입력하면 폐업 여부를 예측해주는 함수

- encoder_info + dong_info + map_info 3가지 통합하여 input_df 생성
- 생성했던 xgboost 예측 모델을 불러와 (predict_model) 모델 실행, 예측 결과 '영업' 혹은 '폐업' 제시

feature value 출력	st.table	예측 모델이 사용한 input data의 feature Value를 보여줌
feature variable 설명	st.expander	예측 모델이 사용한 feature variable에 대한 설명을 제시
행정동 encoder	st.table	입력한 자치구 행정도의 encoder 값 제시
변수중요도 출력	st.image	예측 모델의 변수 중요도 그래프 출력, 예측에 사용된 주요 변수가 무엇인지 확인

 

3) get_info 함수

: 모델에 필요한 input 정보를 얻는 함수

 

- 1단계 위경도 정보 > 확인 > 2단계 자치구 행정동 정보 > 확인 과정으로 이루어짐

- 정보가 올바르게 입력되었을 경우 버튼을 눌렸을때 predict()함수 실행, 그렇지 않으면 error 발생 경고문 출력

개업 위치 위경도 입력	st.text_input	위경도 숫자 입력을 string으로 받음
개업 위치 자치구 행정동 입력	st.text_input	'자치구 행정동' 형태의 string 입력값
'폐업여부 예측하기' 클릭 버튼	st.button

 

 

4) 기타

streamlit 구현 기능 참고 사이트 : https://docs.streamlit.io/

streamlit 이모지 참고 사이트 : https://streamlit-emoji-shortcodes-streamlit-app-gwckff.streamlit.app/

 

 

 

 

2. 폐업 여부 예측 과정

data_df : 자치구 행정동별 정보 (train data set에서 자치구 행정동마다 1개씩만 남긴 상태)
encoding : ['시군구명', '행정동명'] encoder 정보

 

step 1. 입력값으로 시군구명, 행정동명, 위도, 경도 입력

step 2. 입력값을 모델의 input 형태로 변환

            총 22개의 feature로 이루어진 input dataframe 생성

 

• encoder_info : '시군구명', '행정동명' encoder 정보 => ['행정동명_0', '행정동명_1', '행정동명_2', '행정동명_3', '행정동명_4', '행정동명_5', '행정동명_6', '행정동명_7', '행정동명_8']
  
  
• dong_info : 행정동별로 같은 값을 가지는 동별 정보 => ['소득분위', '가구수', '3년 생존율', '최근 10년 기준 평균영업기간', '임대시세', '유동인구', '방범지수']
  
  
• map_info : 개별 위치에 따른 지도 기반 정보 => ['반경500_카페개수', '반경500_지하철역개수', '반경500_정류장개수', '반경500_공공기관개수', '반경1000_대학개수']
• input_df : 위 3개의 list 합쳐서 만든 최종 input용 dataframe

 

step 3. input_df로 모델 실행, 예측값 얻기

            최종 예측 모델 predict_model (xgboost) 불러온 후, predict_model.predict(input_df)[0]로 결과 예측

 

 

 

Jupyter Notebook

입력값 받기

#입력값
gu = "관악구"
dong = "신사동"
lat = 37.479461
long = 126.953032

자치구 행정동 => encoder 정보 추출¶

encoder_info = encoding.loc[(encoding["시군구명"] == gu) & (encoding["행정동명"] == dong), '행정동명_0':].to_numpy()[0]
encoder_info

array([0, 0, 0, 1, 0, 1, 0, 1, 0], dtype=int64)

자치구 행정동 => 동별 정보 추출¶

# data_df와 encoding merge
merge_df = pd.merge(encoding, data_df, on = ['행정동명_0', '행정동명_1', '행정동명_2', '행정동명_3', '행정동명_4', '행정동명_5', '행정동명_6', '행정동명_7', '행정동명_8'])
merge_df.info()

# 입력값에 해당하는 정보 뽑아내기
dong_info = merge_df.loc[(merge_df["시군구명"] == gu) & (merge_df["행정동명"] == dong),
                         ['소득분위', '가구수', '3년 생존율', '최근 10년 기준 평균영업기간', '임대시세', '유동인구', '방범지수','상권활성화지수']].to_numpy()[0]
dong_info

array([ 1.85551981, -0.89213693, -0.13017572, -0.49217481,  1.27760308,
       -0.5013057 ,  0.99650417,  0.91009757])

위경도 => 개별 위치 정보 추출¶

카페 = pd.read_csv(path+'/데이터 전처리/2단계 폐영업_크롤링_최종.csv').iloc[:, 1:]

store_latitude = list(카페["위도"])
store_longitude = list(카페["경도"])

반경500_카페개수=0
for index in range(20886):
    distance = haversine((lat, long), (store_latitude[index], store_longitude[index]), unit='m')
    if 0 < distance and distance <= 500:
        반경500_카페개수+=1
        
반경500_카페개수

반경500_지하철역개수

지하철 = pd.read_csv(path+'/데이터 전처리/지도기반 데이터/서울지하철_위경도.csv').iloc[:, 1:]

반경500_지하철역개수=0

sub_latitude = list(지하철["위도"])
sub_longitude = list(지하철["경도"])

for index in range(269):
    distance = haversine((lat, long), (sub_latitude[index], sub_longitude[index]), unit='m')
    if 0 < distance and distance <= 500:
        반경500_지하철역개수+=1

반경500_지하철역개수

 

반경500_정류장개수

버스 = pd.read_csv(path + '/데이터 전처리/지도기반 데이터/서울시 버스정류소 위치정보.csv')
버스.rename(columns={'X좌표': '경도', 'Y좌표': '위도'}, inplace=True)
버스 = bus[['위도','경도']]

반경500_정류장개수=0

bus_latitude = list(버스["위도"])
bus_longitude = list(버스["경도"])

for index in range(12566):
    distance = haversine((lat, long), (bus_latitude[index], bus_longitude[index]), unit='m')
    if 0 < distance and distance <= 500:
        반경500_정류장개수+=1

반경500_정류장개수

반경500_공공기관개수

공공기관 = pd.read_csv(path + '/데이터 전처리/지도기반 데이터/공공기관 위경도.csv').iloc[:, 1:]

반경500_공공기관개수=0

build_latitude = list(공공기관["위도"])
build_longitude = list(공공기관["경도"])

for index in range(130):
    distance = haversine((lat, long), (build_latitude[index], build_longitude[index]), unit='m')
    if 0 < distance and distance <= 500:
         반경500_공공기관개수+=1

반경500_공공기관개수

 

반경1000_대학개수

대학 = pd.read_csv(path + '/데이터 전처리/지도기반 데이터/대학 위경도.csv').iloc[:, 1:]

반경1000_대학개수=0

univ_latitude = list(대학["위도"])
univ_longitude = list(대학["경도"])

for index in range(44):
    distance = haversine((lat, long), (univ_latitude[index], univ_longitude[index]), unit='m')
    if 0 < distance and distance <= 1000:
         반경1000_대학개수+=1

반경1000_대학개수

map_info = [반경500_카페개수, 반경500_지하철역개수, 반경500_정류장개수, 반경500_공공기관개수, 반경1000_대학개수]

input data 꼴로 변환 : 총 22개의 feature

print(encoder_info)
print(dong_info)
print(map_info)

[0 0 0 1 0 1 0 1 0]
[ 1.85551981 -0.89213693 -0.13017572 -0.49217481  1.27760308 -0.5013057
  0.99650417  0.91009757]
[121, 1, 28, 0, 0]

input_df = pd.concat([pd.DataFrame(dong_info).T, pd.DataFrame(map_info).T, pd.DataFrame(encoder_info).T], axis=1)
input_df.columns = ['소득분위', '가구수', '3년 생존율', '최근 10년 기준 평균영업기간', '임대시세', '유동인구', '방범지수', '상권활성화지수',
                    '반경500_카페개수', '반경500_지하철역개수', '반경500_정류장개수', '반경500_공공기관개수', '반경1000_대학개수',
                    '행정동명_0', '행정동명_1', '행정동명_2', '행정동명_3', '행정동명_4', '행정동명_5', '행정동명_6', '행정동명_7', '행정동명_8']

input_df

 

	소득분위	가구수	3년 생존율	최근 10년 기준 평균영업기간	임대시세	유동인구	방범지수	상권활성화지수	반경500_카페개수	반경500_지하철역개수	...	반경1000_대학개수	행정동명_0	행정동명_1	행정동명_2	행정동명_3	행정동명_4	행정동명_5	행정동명_6	행정동명_7	행정동명_8
0	1.85552	-0.892137	-0.130176	-0.492175	1.277603	-0.501306	0.996504	0.910098	121	1	...	0	0	0	0	1	0	1	0	1	0

1 rows × 22 columns

predict_model = xgb.XGBClassifier()
predict_model.load_model(path + '/모델링/xgb_model_4')

predict_model.predict(input_df)[0]

0

 

 

 

3. 느낀점

 항상 분석 프로젝트를 하면서 웹이나 앱 화면으로 구현해보고 싶다는 마음이 있었고, 향후 발전 과제로 서비스 구축까지 이어지면 좋겠다는 말을 많이 했었다. streamlit의 기본적인 기능만 사용하긴 했지만 이렇게 서비스 화면을 구축해본 첫 경험이라 매우 뿌듯했고, streamlit를 잘 사용한다면 앞으로 많은 활용성 높은 결과물을 낼 수 있을 것이라는 기대감이 들었다. 분석 혹은 모델 생성으로 그쳤던 이전까지의 결과물들을 한층 더 발전시킬 수 있는 기술을 습득하게 되었다고 느낌이 들었고, 내가 구현할 수 있는 것들의 범위가 확장된, 내 스킬의 스펙트럼이 더 넓어진 느낌을 받을 수 있었다.

✅ 향후 streamlit을 적극적으로 활용해 분석에서 그치지 않고 서비스까지 구현할 수 있는 프로젝트로 해나갈 수 있을 것이란 기대감, 기술 스택의 스펙트럼이 넓어진 느낌을 받았다. 또한 streamlit에서 제공하는 수많은 다른 기능들을 통해 더 정교하게 다양한 기능이 있는 웹을 구축해보고 싶다는 동기부여를 받았다.

 

[streamlit 학습에 참고한 유튜브 동영상]

https://youtu.be/Gr5Vuo7TCaE