Upload app.py

app.py

@@ -0,0 +1,95 @@
+import streamlit as st
+import pandas as pd
+import matplotlib.pyplot as plt
+import pandas_bokeh
+
+
+# 글 쓰기(링크 삽입)
+st.title('경희대 인근 가성비 좋은 맛집 늘어 ... 건강식은 "글쎄"')
+
+st.header('대학생 대상 저렴하고 맛있는 음식점 인기')
+st.subheader('분식, 중식, 한식에 일식까지 다양한 음식 싸게 제공')
+st.subheader('축제 행사에 햄버거-핫도그 푸드트럭도 등장')
+st.write('''경희대 인근에는 최근 가성비 좋은 맛집들이 속속 들어서며 학생들 사이에서 인기를 끌고 있다. 한정된 대학생 지갑사정에 맞는 저렴한 가격과 다양하고 퀄리티 높은 메뉴로 입소문이 나면서 성업 중인 것이다.
+이처럼 경희대 주변에는 학생들 사이에서 입소문이 자자한 가성비 맛집들이 많다. 뿐만 아니라 대학 축제 때면 다양한 [푸드트럭](https://namu.wiki/w/%ED%91%B8%EB%93%9C%20%ED%8A%B8%EB%9F%AD)들도 찾아와 저렴하고 맛있는 메뉴를 선보이며 큰 인기를 끈다.
+최근 물가상승으로 인해 외식비 부담이 큰 대학생들에게 이런 가성비 높은 맛집과 푸드트럭은 환영받을 만하다.''' )
+
+# 사진 삽입
+st.image('photo1.jpg', caption='지난 4월20일 경희대 교내에서 학생들이 푸드트럭에서 음식을 구매하고 있다')
+
+st.image('photo2.jpg', caption='경희대 근처 맛집 지도(--- 제공)')
+
+st.header('싼 게 비지떡? 건강식은 "안 보이네"')
+st.subheader('저렴하고 푸짐하지만 영양과 건강은 실종')
+st.subheader('"대학가 먹거리, 건강의 균형을 잡아야 할 때"')
+st.write('''경희대 인근 맛집들의 메뉴를 자세히 보면 건강한 식재료나 영양은 크게 고려되지 않은 것 같아 아쉬움이 남는다.
+대학가에서 건강에 대한 고민보다 싸고 배부르게 먹을 수 있는 곳이 인기인 점은 이해된다. 하지만 한번쯤은 영양과 건강을 생각해봐야 한다.
+청년때부터 건강식을 섭취하고 올바른 식습관을 가져야하기 때문이다.''' )
+
+# 데이터 보여주기
+df_경희대맛집 = pd.read_excel('data_blogs.xlsx', index_col=0) 
+st.write('취재팀은 네이버 블로그에서 "경희대 맛집"을 검색해 글 300개를 수집했다', df_경희대맛집)
+
+df_경희대맛집_keyword = pd.read_excel('data_keywords.xlsx', index_col=0)
+st.write('블로그 글에서 가장 많이 출현한 단어는 ~~~ 설명~~~', df_경희대맛집_keyword)
+
+
+
+# 워드클라우드
+st.write('주요  단어들을 워드클라우드로 보여주면 다음과 같다')
+st.image('wordcloud.png')
+
+
+
+# 연결망 분석
+st.write('''취재팀은 주요  단어들 간에 공동출현하는 관계를 바탕으로 의미연결망을 그려보았다. 
+        분석결과, ~~설명~~''')
+st.image('network.png')
+
+
+
+# 데이터(교통사고) 보여주기
+df_교통사고 = pd.read_excel('data_traffic_accidents.xlsx', index_col=0)
+st.write('다음 데이터는 전국의 교통사고를 지역별로 집계한 것이다', df_교통사고)
+
+# 검색어 입력 받아 출력
+query = st.text_input('이 곳에 지역명(시군구동읍면)을 입력하면 관련 데이터만 검색해 보여줍니다', key='region1_input')
+df_교통사고['select1']=df_교통사고['사고지역위치명'].apply(lambda x: 1 if query in x else 0)
+st.write('검색 결과:', df_교통사고[df_교통사고['select1']==1])
+
+# 교통사고 유형과 연도에 따른 pivot table 보여주기
+df_교통사고_pivot=df_교통사고.pivot_table(index='사고유형구분', columns='사고연도', values='사고건수', aggfunc='sum')
+df_교통사고_heatmap=df_교통사고_pivot.style.background_gradient(cmap='Oranges').format("{:.2f}")
+st.write('다음 표는 교통사고 건수를 유형과 연도에 따라 구분한 것이다', df_교통사고_heatmap)
+
+# 검색어 입력 받아 pivot table 출력
+query_pivot = st.text_input('이 곳에 지역명(시군구)을 입력하면 관련 데이터만 검색해 보여줍니다', key='region2_input')
+df_교통사고['select2']=df_교통사고['사고지역위치명'].apply(lambda x: 1 if query_pivot in x else 0)
+df_교통사고_pivot_selected=df_교통사고[df_교통사고['select2']==1].pivot_table(index='사고유형구분', columns='사고연도', values='사고건수', aggfunc='sum')
+df_교통사고_heatmap_selected=df_교통사고_pivot_selected.style.background_gradient(cmap='Oranges').format("{:.2f}")
+st.write('검색 결과:', df_교통사고_heatmap_selected)
+
+# pandas_bokeh 그래프 보여주기
+st.write('전국 교통사고 데이터에 따르면, 사고건수와 중상자수는 밀접한 관련을 맺고 있다. ~~~설명~~. *그래프 내 점에 커서를 대면 지역명이 나타난다')
+p_scatter = df_교통사고.plot_bokeh.scatter(
+    x="사고건수",
+    y="중상자수",
+    title="사고건수와 중상자수",
+    size=10,
+    hovertool_string="""<h6>위치:@{사고지역위치명}</h6>"""
+)
+st.bokeh_chart(p_scatter, use_container_width=True)  
+
+# 선택한 조건에 따라 출력
+option = st.selectbox('연도를 선택하면 해당 시기의 그래프를 보여줍니다', 
+                 (2012, 2013, 2014, 2015, 2016, 2018, 2017, 2019, 2020, 2021), key='year_input')
+
+p_scatter_selected = df_교통사고[df_교통사고['사고연도']==option].plot_bokeh.scatter(
+    x="사고건수",
+    y="중상자수",
+    title="사고건수와 중상자수",
+    size=10,
+    hovertool_string="""<h6>위치:@{사고지역위치명}</h6>"""
+)
+st.write('검색 결과:') 
+st.bokeh_chart(p_scatter_selected, use_container_width=True)