'그 밖에 AI' 카테고리의 글 목록 (2 Page)

그 밖에 AI

현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용 2016.07.06
현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석 2016.07.04
현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석 2016.07.03
아. 헬대. 현다이 ㅅㅂ 2016.07.02
현대 경제 연구원 분석 중 - 1차 결과 2016.07.01
현대 경제 연구원 분석 중 2 2016.06.30
현대 경제 연구원 보고서 분석 중 1 2016.06.29
현대 경제 연구원 보고서 간략 분석 2016.06.27
현대 경제 연구원 보고서 크롤링 2016.06.26
김대균 토익킹 크롤링 2016.06.25

현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용

푸른깃발🏳️ 2016. 7. 6. 02:03

2016. 7. 6. 02:03

● 현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용

> 들어가는 말

종일 비가 올 것 같았는데 밤이 되니 비가 멈췄다.

덕분에 비를 맞지 않고 운동을 했다. 빡시게 했더니 몸이 나른하다. 그리고 또 컴퓨터 앞에 앉았다.

> 계획

1. 베이즈 분류 모델을 적용하기 위해서 9:1 비율로 보고서들을 먼저 학습 시킨 후 테스트 과정을 거친다. 보고서가 중복되지 않게 조심한다.

2. 현재 2,109개의 자료가 있고 여기에 7개의 MagazineID가 있다.

3. 즉, 약 1900개의 리포트로 학습을 시킨 후 나머지 200개를 가지고 리포트 내용만 보여주고 MagazineID를 맞춰보게 하는거다. 최종 정확도(accuracy)를 보여준다. 그냥 랜덤하게 찍는다면 14% 정확도가 평균이고 숫자가 제일 많은 '한국경제지평'만 찍는다면 32.5%가 평균이다. 그러니까 최소 32.5%보다는 높게 나와야 의미가 있는 숫자가 되겠다.

4. 기본 report 정보가 담긴 json파일이 하나있고 여기에 연결되어 있는 2,109개의 (형태소분석된)보고서 파일이 따로 있다.

5. json파일은 raw버전이라 오류가 있거나 magazineID가 없는 것들도 모두 포함하고 있고 따라서 전체 4300개의 정보를 가지고 있다.

6. 역시나 좀 지겨운 전처리 작업이지만 뭐.. 인생이 그런거지. 그냥 하자.

> 실행

1. 뚝딱뚝딱. 아래가 그 결과다. 같은 자료로 10번을 돌려봤다.

2. 2109개의 파일들을 임의로 알아서 9:1의 비율로 나눈 후 9를 훈련 데이터로 1을 테스트 데이터로 사용한다.

3. 처음 1898개를 훈련하고 211개로 테스트 했을 때는 정확도가 48.1%가 나왔다. 정말 딱 한번만 그랬다. 그 후 여러번 돌려봤는데 대부분 55%를 넘었고 일반적으로 57% 내외였다.

3. 이 말인 즉, 컴퓨터가 테스트 보고서 211개의 내용만 보고 이 문서의 MagazineID가 전체 7개중에 하나를 골라 맞출 확률이 최소 48%이상, 평균 55%이상이었다는 거다.

4. 결과를 보면 2번째부터 정확도가 80%이상으로 확 올라가는데 이유는 이미 학습한 문서를 테스트를 했기 때문이다. 강사님 말씀에 의하면 텍스트 문서에서 머신러닝으로 정확도 80% 넘기는 것이 굉장히 어렵다고 한다.

5. 그런데 나는 그것보다 알고리즘이 문서만 보고 7개의 MagazineID중에 하나를 맞출 확률이 55%가 넘는다는게 너무 신기했다. 솔직히 믿을 수가 없었다. 그래서 어떻게 맞춘건지 과정을 한번 찍어봤다.

VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : Chairperson Note(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : VIP Report(예측)
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 이슈리포트(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : VIP Report(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
지식경제(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : Chairperson Note(예측)
통일경제(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : Chairperson Note(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 이슈리포트(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : VIP Report(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
이슈리포트(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
통일경제(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
이슈리포트(정답) : Chairperson Note(예측)
이슈리포트(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
통일경제(정답) : 한국경제주평(예측)
VIP Report(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : Chairperson Note(예측)
통일경제(정답) : VIP Report(예측)
VIP Report(정답) : 한국경제주평(예측)
Accuracy: 0.5518867924528302

6. 예측을 보면 확실히 절대수가 적은 지식경제나 통일, 연금이 정답으로 나온 문제는 몽땅 틀렸다. 한개도 맞추지 못했다 ㅡ,ㅡ 그리고 다른 리포트는 별로 티가 안나지만 Chairperson같은 경우는 형태소 안에 Chairperson이 들어가 있었다. 그럼 뭐 맞출수 있지. 나도 맞추겠다ㅋ 그런데 녀석의 예측을 보면 딱히 그런 방식만으로 예측한 것 같진 않다.

7. 어쨌든 재밌다.

8. 다음번에는 아예 작성자의 이름과 보고서명(MagazineID)를 없앤 후 모든 보고서를 다시 형태소로 바꾼 후 테스트를 해봐야겠다. 그럴 때 정확도가 어찌 될지 궁금하다.

> 중간 추가!

8번이 너무 궁금해서 실제로 작업 완료 후 모든 보고서명과 저자명(whoID)이 삭제된 것을 확인한 후 다시 돌려봤는데

결과는 아래와 같다.

이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : Chairperson Note(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
연금시장리뷰(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
연금시장리뷰(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : VIP Report(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : VIP Report(예측) correct
지식경제(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
통일경제(정답) : VIP Report(예측)
통일경제(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
통일경제(정답) : 한국경제주평(예측)
통일경제(정답) : VIP Report(예측)
통일경제(정답) : 한국경제주평(예측)
Chairperson Note(정답) : Chairperson Note(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
통일경제(정답) : VIP Report(예측)
통일경제(정답) : 한국경제주평(예측)
통일경제(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : 한국경제주평(예측)
한국경제주평(정답) : 이슈리포트(예측)
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
Chairperson Note(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
Chairperson Note(정답) : Chairperson Note(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : Chairperson Note(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : VIP Report(예측)
VIP Report(정답) : VIP Report(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
이슈리포트(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : VIP Report(예측)
한국경제주평(정답) : VIP Report(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : 한국경제주평(예측)
한국경제주평(정답) : 한국경제주평(예측) correct
한국경제주평(정답) : 한국경제주평(예측) correct
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : 한국경제주평(예측)
통일경제(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
VIP Report(정답) : VIP Report(예측) correct
이슈리포트(정답) : 이슈리포트(예측) correct
통일경제(정답) : VIP Report(예측)
통일경제(정답) : VIP Report(예측)
VIP Report(정답) : VIP Report(예측) correct
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : Chairperson Note(예측)
통일경제(정답) : VIP Report(예측)
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : 한국경제주평(예측)
이슈리포트(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
이슈리포트(정답) : Chairperson Note(예측)
VIP Report(정답) : VIP Report(예측) correct
이슈리포트(정답) : Chairperson Note(예측)
VIP Report(정답) : 한국경제주평(예측)
Accuracy: 0.5592417061611374

거의 차이가 없다. 어떻게 이렇게 잘 맞추는 건지. 기똥차다. 각 보고서마다 내가 모르는 어떤 공통된 패턴이 들어가 있는 것 같은데, 눈으로 일일이 비교 분석하지 않아 잘 모르겠다.

심지어 표준편차도 그리 크지 않다.

신기하다.

-----------------------------------------------------------

9. 만약 그래도 정확도가 그럴듯하게 나오면 아예 작성자가 누군자 맞춰보게해야겠다. 크하하. 그건 진짜 못맞추겠지.

10. 어쨌든 오늘도 하나는 만들고 잔다.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

KFold클래스를 이용한 벡터기계(SVM) 알고리즘 교차 검증 (0)	2016.07.07
현대경제연구원 보고서 벡터기계(SVM: support vector machine)알고리즘을 이용한 분석 (0)	2016.07.06
현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석 (0)	2016.07.04
현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석 (0)	2016.07.03
아. 헬대. 현다이 ㅅㅂ (0)	2016.07.02

현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석

푸른깃발🏳️ 2016. 7. 4. 19:09

2016. 7. 4. 19:09

● 현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석

> 들어가는 말

1. 이제 (약간의)인공지능이 들어간다. 알아서 문서의 중심(centroid)을 설정하고 이로부터 각 자료와의 거리에 드는 비용을 최소한하는 군집 알고리즘(K-평균기법)을 이용한다. 이것도 결과가 궁금하다.

> 계획

1. scikit-learn 라이브러리에서 이미 K-평균 군집화 기능을 제공한단다.

2. 처리 속도가 빨라 많은 분야에서 사용하고 있단다.

3. 문서를 행렬로 만들때 개발자가 일일이 만들 필요없이

이렇게 하는 것으로 원샷 생성이 가능하다.

3. KL발산을 이용한 분석과 마찬가지로 개발자가 할일은 오로지 '요리재료 준비하기' 뿐이다. 실제 요리는 Scikit-learn이 다 해준다. 물론 요리가 나오면 먹기좋게 꾸미는 건 내 몫이다. 뭔가 내가 '을'이 된 기분이다 ㅡ,ㅡ

> 실행

1. 어차피 이 코드를 공유한다고 해서 갑자기 많은 사람들이 현대경제연구원에 몰려 들어가 자료들을 빼올거라 전혀 생각치 않기 때문에 지난번과 마찬가지로 전체 코드를 공유한다. 코드에 쓰인 몇가지 팁들은 도움이 될 법(?)하다.

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import sys
import os.path
import ujson
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

FILTER_MAGAZINE_ID = "Nowhere"
FILTER_POSES = {"NNG", "NNP", "NP", "VV", "VA", "MM", "MAG", "MAJ", "XR"}
PRED_POSES = {"VV", "VA"}
NUM_CLUSTERS = 10

def read_docs(input_file_name):

titles = []
    fileNames = []
    documents = []
    information = []
    inputfileList = []
    inputFolder = 'HyunEco_Season2/morphed/'

for root, dirs, files in os.walk(inputFolder): # 입력 폴더에서 파일리스트를 받아
        for file in files:
            inputfileList.append(file) # 리스트로 만든다.

with open(input_file_name, "r", encoding="utf-8") as f:
        information = ujson.load(f)

for i in range(len(information)):

if FILTER_MAGAZINE_ID in information[i]['magazineID'] or information[i]['morphedName'] not in inputfileList:
                continue
            title = information[i]['titleID']
            fileName = information[i]['fileName']
            document = gen_doc(information[i]["morphedName"])
            titles.append(title)
            fileNames.append(fileName)
            documents.append(document)
    return titles, fileNames, documents

def gen_doc(morphedName):

document =" "
    morphed_file = "HyunEco_Season2/morphed/" + morphedName
    try:
        with open(morphed_file, 'r', encoding='utf-8') as morphedReport:
            morphedText = ujson.load(morphedReport)
            for j in range(len(morphedText)):
                document = ext_morphs(morphedText[j]['morphAnal'], document)
    except:
        pass

return document

def ext_morphs(morphAnal, morphs):

morphs = []

for word in morphAnal:
        #for word in sen:
        for morph_lex, morph_pos in word:
            if morph_pos not in FILTER_POSES: #지금은 모든 MazagineID를 실험한다
                continue
            if morph_pos in PRED_POSES:
                morph = morph + u"다"

morphs.append(morph_lex)
    document = " ".join(morphs)

return document

def get_doc_term_mat(documents):

vectorizer = TfidfVectorizer(min_df=1)
    doc_term_mat = vectorizer.fit_transform(documents)

return doc_term_mat, vectorizer

def get_kmeans_clusters(doc_term_mat):

km = KMeans(n_clusters=NUM_CLUSTERS, init="k-means++", verbose=1)
    km.fit(doc_term_mat)

return km

def print_clusters(km, titles, fileNames,w):

result = {}
    text = []

for doc_num, cluster_num in enumerate(km.labels_):
        if cluster_num not in result:
            result[cluster_num] = []

result[cluster_num].append(doc_num)
    
    text.append(u"군집 분석 결과\n")
    text.append(u"목표 군집 수: " + str(NUM_CLUSTERS)+ "\n\n")

for cluster_num, doc_nums in result.items():
        clustered_titles = []

for doc_num in doc_nums:
            txt = titles[doc_num] + '(' + fileNames[doc_num]+')'
            clustered_titles.append(txt)

# clustered_titles = [titles[doc_num] for doc_num in doc_nums]
        instant_titles = " ".join(clustered_titles)
        text.append(u"군집 : "+ str(cluster_num) + u"\t총개수 : " + str(len(clustered_titles)) + u"\t보고서 :\n" + instant_titles +"\n\n")
    text = "".join(text)
    w.write(text)

def print_centroid_words(km, vectorizer, titles,w):

text = []
    text.append(u"군집별 중심 어휘\n\n")

ordered_centroids = km.cluster_centers_.argsort()[:, ::-1]
    words = vectorizer.get_feature_names()

for cluster_num in range(NUM_CLUSTERS):
        center_word_nums = []

for word_num in ordered_centroids[cluster_num, :20]:
            center_word_nums.append(word_num)

# center_word_nums = [word_num
        #                     for word_num in ordered_centroids[cluster_num,
        #                                                       :20]]

center_words = []

for word_num in center_word_nums:
            center_words.append(words[word_num])

text.append(u"군집 " + str(cluster_num) + " : " + ", ".join(center_words) + "\n\n")
    text = "".join(text)
    w.write(text)

def main():

input_file_name = "HyunEco_Season2/report_infomation.txt"
    output_file_name= "HyunEco_Season2/cluster_HyunEco_flat.txt"

titles, fileNames, documents = read_docs(input_file_name)
    doc_term_mat, vectorizer = get_doc_term_mat(documents)
    km = get_kmeans_clusters(doc_term_mat)

with open(output_file_name, 'w', encoding = 'utf-8') as w:
        print_clusters(km, titles, fileNames,w)
        print_centroid_words(km, vectorizer, titles,w)
    w.close()

main()

> 결과

1. 짜잔~ 군집은 10개로 했고 키워드는 상위 20개까지만 뽑았다. 속도가 매우 빠르다.

군집 분석 결과
목표 군집 수: 10

군집 : 0 총개수 : 1810 보고서 :
일본 고령자 일자리 창출 사례와 시사점(2016.06.27[0].pdf) 브렉시트의 불확실성 차단과 성장잠재력 확충을 위한 2016 추경 편성 방향 제언(2016.06.24[1].pdf) 2016년 하반기 국내외 주요 경제 이슈(2016.06.22[2].pdf) 2000~2015년 북중 교역 변화 분석(2016.06.21[3].pdf) Qarterly Economic Review (16-2) - 中文(2016.06.20[5].pdf) 경기 침체기의 가계소비 비교와 시사점(2016.06.15[6].pdf) 과거 불황기와 최근 고용 현황 비교(2016.06.10[8].pdf) 중국 자본유출 현황과 시사점(2016.06.08[9].pdf) 통화정책의 방향성 점검과 시사점(2016.06.07[10].pdf) 최근 경제 동향과 경기 판단(2016년 2분기)(2016.06.03[11].pdf) -- 너무 많아 하략

군집 : 1 총개수 : 136 보고서 :
청년 고용보조지표의 현황과 개선방안(2016.06.13[7].pdf) 시니어시프트 도래에 따른 경제환경 변화와 기업대응 트렌드(2016.05.11[19].pdf) 對中 수출 절벽 극복 방안(2016.05.02[21].pdf) 국제유가의 국내 물가 변수에 미치는 영향(2016.04.25[24].pdf) 최근 유가 급락의 한국 경제 파급영향(2016.01.26[47].pdf) 독일통일 25주년의 경제적 성과와 한계(2015.10.01[75].pdf) 최근 산업경기의 5대 특징과 시사점(2015.09.30[76].pdf) 한·러 수교 25주년 의미와 시사점(2015.09.24[77].pdf) 미국 기준금리 인상의 한국 경제 파급 영향(2015.09.16[79].pdf) 미국 경제 회복과 시사점(2015.09.14[80].pdf) 트리플 쇼크에 취약한 아시아 신흥 3개국 점검(2015.09.07[82].pdf) 한국 경제， 트리플 딥(triple-dip)에 빠지나?(2015.08.31[84].pdf) 글로벌 금융위기 전후 한중일 3국간 역내 직접투자 특징과 시사점(2015.08.03[93].pdf) 미국 제조업 르네상스의 진행 현황과 시사점(2015.07.28[95].pdf) 세계 M&A와의 비교를 통해 본 국내 M&A의 특징(2015.07.21[98].pdf) 경제적 행복감， 2013년 이래 최저(2015.07.07[104].pdf) 지난 10년간， 한중일 국경간 M&A 특징과 시사점(2015.06.30[107].pdf) 국내 외국인 체류자의 특징과 시사점(2015.05.12[129].pdf) 2015년 남북관계 현안에 관한 전문가 설문조사(2015.05.07[131].pdf) 2015년 1/4분기 한반도 평화지수 전망(2015.01.29[165].pdf) 국민의 안일한 인식이 부정부패를 키운다(2014.10.29[199].pdf) 한국 사회자본 나를 넘어 공동체로(2014.07.31[237].pdf) 2014년 글로벌 10대 트렌드(2013.12.30[352].pdf) 한중일 관계 개선，산업협력부터가 시작이다!(2013.12.23[354].pdf) 원화 강세 당분간 지속 가능성 높다.(2013.12.16[357].pdf) 유로존의 그레이 스완， 재정위기국의 불안요인(2013.12.09[363].pdf) 원화 절상이 제조업 수익성에 미치는 영향(2013.12.02[364].pdf) 에너지 수급 불균형 해소를 위한 생산 효율성 제고 방안(2013.11.25[368].pdf) 2014년 주택시장 전망과 시사점(2013.11.18[372].pdf) 우리나라 재정수지의 특징과 시사점(2013.11.11[376].pdf) 한국 DAC 가입 4년차 사업 현황과 시사점(2013.11.04[380].pdf) 아베노믹스， 일본경제 살리고 있다!(2013.10.28[382].pdf) 평균소비성향에 영향을 미치는 주된 요인과 시사점(2013.10.21[385].pdf) 설비투자 자본재의 수입의존도 현황과 시사점(2013.10.14[391].pdf) 2014년 국내 경제 전망(2013.10.07[394].pdf) 최근 규제개혁의 성과와 한계(2013.09.30[395].pdf) 미국 출구전략과 파급 영향(2013.09.23[399].pdf) 제조업 경쟁력이 국가 경쟁력 결정한다!(2013.09.09[404].pdf) 제조업이 살아야 경제가 산다(2013.09.02[408].pdf) 가계부채 위험의 급등과 시사점(2013.08.23[414].pdf) 중국경제의 구조조정 현황과 전망(2013.08.19[417].pdf) 국내 디플레이션 발생 가능성 점검(2013.08.12[422].pdf) 엔 캐리트레이드 향방과 시사점(2013.08.05[424].pdf) 중국의 경제구조 변화와 한국의 수출산업(2013.07.29[427].pdf) 독일 고용률 73% 달성의 비결(2013.07.22[431].pdf) 구매력평가 환율로 본 엔화 가치(2013.07.15[438].pdf) 시간제 일자리의 실상과 대응방안(2013.07.08[441].pdf) 한중 통화협력 강화해야 한다!(2013.07.01[445].pdf) 상반기 경제의 5대 패러독스와 하반기 리스크 요인 점검(2013.06.24[448].pdf) 고령화로 인한 지자체 지속가능성 점검(2013.06.17[453].pdf) 창조경제의 성공은 창조산업 육성부터(2013.06.10[455].pdf) 엔화 가치 급락과 한국경제에 미치는 영향(2013.05.27[459].pdf) 여성 경제활동 증가의 긍정적 효과(2013.05.20[464].pdf) 동북아 인프라 시장 전망과 시사점(2013.05.13[465].pdf) 베이비붐세대 고용의 특징과 시사점(2013.05.06[469].pdf) 인프라 고령화의 실태와 개선 과제(2013.04.29[472].pdf) 과소투자 고착화되고 있다(2013.04.22[476].pdf) 창조형 창업이 없다!(2013.04.15[479].pdf) 아시아 중산층을 잡아라!(2013.04.08[483].pdf) 차이나머니가 몰려온다!(2013.04.01[485].pdf) 창조경제의 의미와 새정부의 실현 전략(2013.03.25[490].pdf) 한국의 창조경제역량지수 개발과 평가(2013.03.25[491].pdf) 세대별 행복도 차이의 배경과 시사점(2013.03.18[496].pdf) 저소득층 가계부채의 특징과 시사점(2013.03.11[500].pdf) 지하경제 해소 방안(2013.03.04[504].pdf) 정부별 주요 경제지표 추이(2013.02.25[508].pdf) 한국경제의 중진국 함정 탈출 전략(2013.02.18[511].pdf) 한중 과학기술 경쟁력 비교와 시사점(2013.02.12[518].pdf) 아베노믹스가 국내경제에 미치는 영향과 시사점(2013.02.04[520].pdf) 새정부의 경제정책에 대한 국민 의견 조사(2013.01.28[523].pdf) 새 정부 출범과 2013년 국내 10대 트렌드(2013.01.14[534].pdf) 한국경제 재도약을 위한 5대 분야별 ‘10+3’ 정책 제언(2013.01.10[536].pdf) 2013년 글로벌 10대 트렌드(2013.01.07[538].pdf) 소득과 삶의 질 격차 확대되고 있다 - 삶의 질 지수(HQLI) 추이와 시사점(2012.02.06[673].pdf) 중국 경제의 경착륙 가능성 확대와 대응 과제(2012.01.30[675].pdf) 잠재성장률의 위기 - 글로벌 금융위기 이후 3%대로 추락(2012.01.25[676].pdf) 2012년 10대 희망요인(2012.01.18[679].pdf) 2012 국내 10대 트렌드(2012.01.09[682].pdf) 은퇴빈곤층(Retire Poor)의 추정과 5대 특성-은퇴 준비 안 된 가구 100만 이상(2011.08.22[728].pdf) 美 주택가격지수 5개월 만에 상승세 기록(2010.12.27[809].pdf) 11월 미국 생산자 물가 5개월째 상승세 지속(2010.12.20[813].pdf) 11월 미국 실업률 전월대비 0.2%p 상승(2010.12.13[817].pdf) 美 제조업지수 전월대비 하락(2010.12.06[820].pdf) 美 3/4분기 국내총생산 성장률 2.5% 기록(2010.11.29[823].pdf) 10월 美 생산자물가 4개월째 상승(2010.11.22[827].pdf) 美 9월 무역수지 적자규모 전월대비 5.37% 감소(2010.11.15[832].pdf) 美 제조업지수 상승세로 전환(2010.11.08[836].pdf) 10월 美 소비자신뢰지수 소폭 상승(2010.11.01[840].pdf) 9월 美 소비자 물가 3개월 연속 상승세(2010.10.25[845].pdf) 9월 미국 실업률 9.6%로 전달과 동일(2010.10.18[848].pdf) 美 공급자관리협회(ISM)의 제조업지수(2010.10.11[851].pdf) 미국 소비 심리 악화(2010.10.04[855].pdf) 8월 美 생산자 물가 2개월째 상승세(2010.09.20[861].pdf) 8월 美 실업률 전월대비 0.1% 상승(2010.09.13[866].pdf) 미국 공급자관리협회(ISM)의 제조업지수(2010.09.06[871].pdf) 6월 미국 주택가격지수 3개월 만에 하락(2010.08.30[873].pdf) 7월 미국 소비자 물가 4개월 만에 상승(2010.08.23[880].pdf) 美， 제조업지수 전월 대비 하락세(2010.08.09[886].pdf) 미국 소비 심리 악화(2010.08.02[890].pdf) 한국의 OECD 경기선행지수 6개월 연속 하락세(2010.07.19[899].pdf) IMF 세계 경제 성장률 전망 상향 조정(2010.07.12[904].pdf) 4월 미국 주택가격지수 전월대비 상승(2010.07.07[907].pdf) 美 공급자관리협회(ISM)의 제조업지수 전월대비 하락세(2010.07.07[908].pdf) 미국 전역에서 완만한 경기 회복세(2010.06.14[918].pdf) 경상수지 3개월째 흑자 기록(2010.05.31[924].pdf) 4월 미국 소비자 물가 하락세로 전환(2010.05.24[927].pdf) 미국의 3월 소비자신용 증가(2010.05.10[934].pdf) 남유럽 국가의 국가신용등급 하향(2010.05.03[936].pdf) 3월 미국 생산자 물가 상승세로 전환(2010.04.26[940].pdf) 3월 미국 소비자 물가 소폭 상승(2010.04.19[943].pdf) 미국의 2월 소비자신용 큰 폭 하락(2010.04.12[946].pdf) 美 제조업지수 상승세 지속(2010.04.05[950].pdf) 美 주택가격지수 2달 연속 하락(2010.03.29[953].pdf) 2월 미국 소비자 물가 안정세 유지(2010.03.22[957].pdf) 미국 완만한 경기 회복세 확산(2010.03.08[964].pdf) 1월 소비자물가 전월대비 0.2% 상승(2010.03.02[967].pdf) 미국의 산업 생산 7개월 연속 상승세 지속(2010.02.22[970].pdf) 美 실업률 소폭 하락(2010.02.16[974].pdf) 북한 나무심기 사업의 의의와 활성화 방안(2010.02.04[980].pdf) 미국 소비자 신뢰지수 상승세 지속(2010.02.01[984].pdf) 중국 출구전략의 배경과 파급영향(2010.01.27[991].pdf) 美 경제활동 소폭 개선(2010.01.25[993].pdf) 美 소매판매， 하락세로 반전(2010.01.18[996].pdf) 美 제조업 부문 회복세 지속(2010.01.11[1002].pdf) 한미 정상 회담의 성과 제고 방안(2009.06.12[1104].pdf) 전통서비스업: 고부가 주력 산업으로의 전환 필요(2009.05.20[1117].pdf) 최근 중산층 붕괴 현황과 시사점(2009.04.22[1128].pdf) 중국 산업진흥계획의 특징과 한국에 미치는 영향(2009.04.16[1134].pdf) 최근 미국 부동산 경기 특징과 전망(2009.04.06[1138].pdf) 수출 산업의 한ㆍ중ㆍ일 경쟁력 비교와 시사점(2009.04.01[1141].pdf) 서민 경제 살리기 시급하다(2009.03.30[1142].pdf) 북한 미사일 발사의 영향과 과제(2009.03.16[1155].pdf) 한국을 이끌 9대 부품소재산업(2009.02.18[1168].pdf) 관광산업의 5대 트렌드 변화와 육성을 위한 시사점(2009.02.11[1171].pdf) 중국 경착륙이 한국경제에 미치는 영향과 시사점(2009.02.05[1174].pdf) 최근 한중일 국가간 M&A 특징 비교 분석(2009.01.22[1179].pdf)

군집 : 2 총개수 : 34 보고서 :
경상수지 악화 여건과 대응(2010.09.10[867].pdf) 하반기 소비둔화 가능성 높다(2010.07.23[894].pdf) 6. 25 참전국에 대한 경제적 보은 과제(2010.06.25[912].pdf) 최근 수출 증가 배경과 전망(2010.05.20[929].pdf) 최근 국내 통상마찰의 증가와 배경(2010.03.29[954].pdf) 최근 소비 회복세 약화와 과제(2010.03.22[958].pdf) 원화 환율 변동 리스크 커지고 있다(2010.02.10[977].pdf) 도요타 경영위기의 교훈과 시사점(2010.02.08[978].pdf) 한ㆍ미 정상 회담의 5대 경제 현안과 과제(2009.11.17[1024].pdf) 카드 문제의 교훈과 재발 방지 방안(2004.01.12[1897].pdf) 후세인 체포의 중장기적 파급 효과(2003.12.22[1906].pdf) 최근 부동산 가격의 하락 지속 여부 평가(2003.12.15[1908].pdf) 최근 금리 동향과 금융시장의 구조적 문제 재점검(2003.12.08[1909].pdf) 최근 세계 경제의 흐름과 시사점(2003.12.01[1912].pdf) 서울 뉴타운 지구 및 균형발전 촉진지구 개발 계획(2003.11.24[1918].pdf) KEDO 경수로 공사 잠정 중단 결정과 향후 전망(2003.11.17[1920].pdf) 2004년 국내 부동산 시장 전망(2003.11.17[1921].pdf) 10.29 주택시장 안정 종합대책의 평가(2003.11.10[1922].pdf) 이라크 파병의 경제적 영향과 대응 과제(2003.11.02[1925].pdf) 집단 소송제의 문제점 및 대안(2003.10.13[1935].pdf) 투자 활성화 방안(2003.10.06[1937].pdf) 향후 환율 전망과 과제(2003.09.29[1938].pdf) 국제 원유 가격 안정 예상(2003.09.29[1940].pdf) 주5일 근무제의 파급 영향과 보완책(2003.09.22[1945].pdf) 북한 동향: 6자 회담의 성과와 과제(2003.09.08[1953].pdf) 최근 금융산업 재편의 기본 방향과 문제점(2003.09.01[1955].pdf) 차세대 10대 성장 동력 산업 선정과 육성 과제(2003.09.01[1956].pdf) 최근 금리 변화의 특징과 문제점(2003.08.18[1960].pdf) 향후 남북경협 전망과 과제(2003.08.11[1962].pdf) 4대 경협 합의서 발효의 의미와 효과(2003.08.04[1964].pdf) 환율 동향과 전망(2003.07.28[1966].pdf) 경기부양 정책의 기대효과와 보완 과제(2003.07.21[1972].pdf) 위엔화 평가 절상 움직임과 환율 전망(2003.07.21[1973].pdf) 국내 금융 구조조정의 추진 현황과 향후 전망(2003.07.14[1975].pdf)

군집 : 3 총개수 : 63 보고서 :
이란 경제제재 해제의 한국 경제 파급 영향(2016.01.18[52].pdf) 국내 저물가 지속 배경과 시사점(2015.12.30[56].pdf) 온라인 소매업의 경쟁 기반 평가와 시사점(2015.11.03[67].pdf) ICT 산업의 발전 과제와 시사점(2015.09.10[81].pdf) 한중 수교 23주년 의미와 시사점(2015.08.19[87].pdf) 주요국 우주산업 경쟁력 현황과 시사점(2015.08.04[92].pdf) 위안화 국제화 정책 점검과 시사점(2015.07.14[101].pdf) Open R&D， 창조 경제를 담보한다(2015.06.23[110].pdf) 첨단기술기반 서비스업의 특징과 시사점(2015.06.16[115].pdf) 중국의 무역영토 확장 전략 및 시사점(2015.06.09[118].pdf) 유해폐기물 재활용 산업 현황 및 시사점(2015.06.04[120].pdf) 2015년 2/4분기 HRI 한반도 평화지수 전망(2015.04.28[134].pdf) 아세안(ASEAN) 주요 4개국의 성장 잠재력 및 시사점(2015.04.20[137].pdf) 국내 고부가가치 산업의 특징과 시사점(2015.04.14[139].pdf) 한.독(韓.獨) 외국인재 유치 기반 비교 및 시사점(2015.04.07[141].pdf) 콘텐츠산업의 시장 현황과 시사점(2015.03.31[144].pdf) 체감경제고통지수 조사 결과(2015.03.23[147].pdf) 해외직접투자 증가의 특징과 시사점(2015.03.04[155].pdf) 광복 70년， 삶의 질 변화와 시사점(2015.01.21[168].pdf) 광복 70년， 경제·산업 변화와 시사점(2015.01.14[171].pdf) 경제적 행복 추이와 시사점(2015.01.07[173].pdf) 지역특구 10년의 평가와 개선 방안(2014.10.08[209].pdf) 인공지능(AI) 관련 유망산업 동향 및 시사점(2014.09.16[219].pdf) 미국 에너지 정책 변화와 시사점(2014.08.13[232].pdf) 중국의 외투기업 유치정책 7대 변화와 시사점(2014.07.22[242].pdf) 경제적 행복 추이와 시사점(2014.07.08[250].pdf) 당신은 중산층입니까?(2014.06.12[265].pdf) 최근 북한 경제정책 특징과 통일에의 시사점(2014.05.20[276].pdf) 동북아 역내 교역 변화의 특징과 시사점(2009.12.09[1012].pdf) 여행업 선진화， 시스템의 정비가 필요하다(2009.12.02[1016].pdf) 민간 건축 경기 침체의 문제점과 대응 방안(2009.11.27[1020].pdf) 위안화 국제화 진전과 시사점(2009.11.18[1023].pdf) 한국 반도체 산업의 무역 역조 현황과 시사점(2009.10.28[1034].pdf) 녹색 소비가 녹색 성장의 원동력이다(2009.10.21[1037].pdf) 2010년 주요 산업 전망과 현안(2009.10.19[1038].pdf) 중ㆍ일의 희소금속자원 확보전략과 시사점(2009.10.07[1044].pdf) 업종간 희비가 교차되는 제조업 경기(2009.09.21[1055].pdf) 한국 녹색세제의 현황과 시사점(2009.09.02[1064].pdf) 국내 제조업의 3대 취약 요인과 시사점(2009.08.26[1066].pdf) 베이비 붐 세대의 은퇴와 정책적 대응방안(2009.07.09[1088].pdf) 산업재해 예방이 경쟁력이다(2009.06.10[1105].pdf) 가계신용 악화 현황과 시사점(2009.05.28[1114].pdf) 신성장산업 인력 수급의 애로와 시사점(2009.05.13[1120].pdf) 신 성장모델의 모색， 태양광 클러스터(2009.05.07[1122].pdf) 해외직접투자의 한일간 비교 및 정책적 시사점(2009.04.29[1125].pdf) 국내 물류부문의 에너지 과소비 현황과 정책적 시사점(2009.04.08[1137].pdf) 국내 이산화탄소 과(過)배출 원인과 시사점(2009.03.25[1151].pdf) 고용 안정과 미래 성장잠재력 확충 방안(2009.03.18[1154].pdf) 도시브랜드가 국가경쟁력이다(2009.03.12[1157].pdf) 대공황시기 세계 해운경기 침체현황과 시사점(2009.03.05[1160].pdf) 엔高-원低 활용 방안(2009.02.25[1165].pdf) 한일간 외국인 직접투자 비교와 시사점(2008.12.17[1201].pdf) 대-중소기업 동반 성장을 위한 바람직한 협력 모델 구축 방안(2008.12.04[1211].pdf) 오바마의 산업정책， New Apollo 프로젝트의 의미와 시사점(2008.11.27[1216].pdf) 중국 경기급랭과 한국의 대응방안(2008.11.20[1219].pdf) 2009년 주요 산업 전망과 현안(2008.11.14[1223].pdf) 對 중국 수출 둔화의 원인과 전망(2008.11.07[1226].pdf) 2008년 주요 산업경기 전망과 현안(2007.11.30[1425].pdf) 중국 경제특구와 개성공단의 성공 조건 비교와 시사점(2007.11.23[1428].pdf) 차기 정부의 주요 정책 방향 [정동영 후보 초청 토론](2007.11.16[1431].pdf) 자통법 이후 투자은행 발전 전략(2007.11.02[1438].pdf) 직장인 글로벌 의식과 과제(2007.10.25[1441].pdf) 차기 정부의 주요 정책 방향 [이명박후보 초청토론](2007.10.15[1454].pdf)

군집 : 4 총개수 : 4 보고서 :
경제 불안감 지속(2003.01.15[2015].pdf) 금융 불안 속 실물 경기 호조(2002.10.01[2031].pdf) 불안정한 경기 회복세(2002.09.09[2041].pdf) 경기 회복세 지속, 금융 시장 다소 불안(2002.06.10[2077].pdf)

군집 : 5 총개수 : 28 보고서 :
주간 경제 동향의 특징(2004.01.12[1898].pdf) 주간 경제 동향의 특징(2004.01.05[1899].pdf) 주간 경제 동향의 특징(2003.12.22[1905].pdf) 주간 경제 동향의 특징(2003.12.15[1907].pdf) 주간 경제 동향의 특징(2003.12.08[1910].pdf) 주간 경제 동향의 특징(2003.12.01[1911].pdf) 주간 경제 동향의 특징(2003.11.24[1917].pdf) 주간 경제 동향의 특징(2003.11.17[1919].pdf) 주간 경제 동향의 특징(2003.11.10[1923].pdf) 주간 경제 동향의 특징(2003.11.02[1924].pdf) 주간 경제 동향의 특징(2003.10.27[1931].pdf) 주간 경제 동향의 특징(2003.10.20[1933].pdf) 주간 경제 동향의 특징(2003.10.13[1934].pdf) 주간 경제 동향의 특징(2003.10.06[1936].pdf) 주간 경제 동향의 특징(2003.09.29[1939].pdf) 주간 경제 동향의 특징(2003.09.22[1944].pdf) 주간 경제 동향의 특징(2003.09.08[1952].pdf) 주간 경제 동향의 특징(2003.09.01[1954].pdf) 주간 경제 동향의 특징(2003.08.25[1957].pdf) 주간 경제 동향의 특징(2003.08.18[1959].pdf) 주간 경제 동향의 특징(2003.08.11[1961].pdf) 주간 경제 동향의 특징(2003.08.04[1963].pdf) 주간 경제 동향의 특징(2003.07.28[1965].pdf) 주간 경제 동향의 특징(2003.07.21[1971].pdf) 주간 경제 동향의 특징(2003.07.14[1974].pdf) 최근 주요국의 채권 금리 급등세의 원인과 전망(2003.07.07[1976].pdf) 최근 세계 주요 증시 상승의 원인 및 전망(2003.06.30[1977].pdf) 주간 경제 동향의 특징(2003.01.27[2010].pdf)

군집 : 6 총개수 : 5 보고서 :
제 4회 대한민국 경제 행복지수(2009.07.08[1089].pdf) 제 3회 대한민국 경제 행복지수(2009.01.22[1180].pdf) 국토해양 관련 주요 이슈와 정책 과제(2008.07.11[1296].pdf) 대한민국 경제 행복지수(2008.07.09[1299].pdf) 대한민국 경제 행복지수(2008.01.16[1403].pdf)

군집 : 7 총개수 : 3 보고서 :
한국 경제 성장 활력 잃고 있다(2006.08.14[1555].pdf) 국민주도형 국가브랜드 제고방안과 과제(2006.08.10[1556].pdf) 뉴 밀레니엄 시대의 건강관리 - CEO의 건강경영(2006.08.07[1557].pdf)

군집 : 8 총개수 : 10 보고서 :
저물가의 가계 특성별 영향 및 시사점(2016.03.28[32].pdf) 올해 추석 물가 심각하다(2011.09.01[721].pdf) 미시적인 물가 대응책 시급하다 - 물가 요인의 상호 상승작용 확대(2011.08.01[735].pdf) 하반기 물가 불안 지속-비용ㆍ수요 측면 물가 상승 요인 증대(2011.07.09[743].pdf) 소득 계층별 체감 물가 괴리(2011.04.13[775].pdf) 연초 물가 상승 배경과 대책(2011.01.12[806].pdf) 체감과 지수 물가 괴리 배경(2010.09.16[864].pdf) 국내 물가 상승 배경과 전망(2010.06.16[916].pdf) 위장된 저물가 현상(2005.10.12[1639].pdf) 2/4분기 경기 회복 전망 불투명(2001.03.09[2256].pdf)

군집 : 9 총개수 : 16 보고서 :
Quarterly Economic Review (16-2) - 英文(2016.06.20[4].pdf) Quarterly Economic Review (16-1) - 英文(2016.03.18[35].pdf) Quarterly Economic Review (15-4) - 英文(2015.12.21[58].pdf) Quarterly Economic Review (15-3) - 英文(2015.09.18[78].pdf) Monthly Economic Review (14-6)(2014.06.20[258].pdf) Monthly Economic Review (14-5)(2014.05.23[274].pdf) Monthly Economic Review (14-4)(2014.04.22[293].pdf) Monthly Economic Review (14-3)(2014.03.20[307].pdf) Monthly Economic Review (14-2)(2014.02.26[319].pdf) Monthly Economic Review (14-1)(2014.01.28[337].pdf) Monthly Economic Review (13-12)(2013.12.16[358].pdf) Monthly Economic Review (13-11)(2013.11.15[373].pdf) Monthly Economic Review (13-10)(2013.10.17[387].pdf) Monthly Economic Review (13-08)(2013.08.20[415].pdf) Monthly Economic Review (13-07)(2013.07.17[436].pdf) Monthly Economic Review (13-06)(2013.06.19[450].pdf)

군집별 중심 어휘

군집 0 : 경제, 시사점, 중국, 과제, 전략, 전망, 산업, 변화, 경영, 경기, 국내, 한국, 시장, 현안, 정책, 특징, 방안, 성장, 시대, 투자
군집 1 : 통권, 희소금속, 배우자, 방법, 방송, 방안, 방일, 방직, 방한, 방향, 배경, 배럴, 배출, 발행인, 백흥기, 밴드, 밸리, 버블, 번영, 범위
군집 2 : 현안, 과제, 자료, 이슈, 경상수지, 회담, 약화, 악화, 회복세, 여건, 경제, 소비, 대응, 최근, 성숙, 정상회담, 일정, 의제, 정상, 관계
군집 3 : 편집, 위원, 종로구, 서울시, 현대, 경제연구원, 주간, 계동, 통권, 주원, 시사점, 이장균, 백흥기, 율곡로, 주량, 부형, 형편, 산업, 김주현, 연지동
군집 4 : 생산, 증가, 증가세, 출하, 활동, 반도체, 동월, 전년, 대비, 산업, 소비, 투자, 화학제품, 감소세, 모두, 전반, 설비, 통신, 음향, 지속
군집 5 : 동향, 특징, 경제, 주간, 실물, 대비, 실업자, 실업률, 감소, 최근, 고용, 하락, 전망, 원인, 금융, 채권, 급등세, 주요국, 금리, 조치
군집 6 : 행복지수, 대한민국, 결과, 조사, 정책, 시사점, 경제, 희소금속, 방한, 발효, 방법, 방송, 방안, 방일, 방직, 배경, 방향, 배럴, 배우자, 배출
군집 7 : 건강, 장수, 비결, 상식, 밀레니엄, 관리, 시대, 경영, 목차, 배출, 방직, 방한, 방향, 배경, 배럴, 동계, 배우자, 동력, 방안, 백흥기
군집 8 : 물가, 소비자, 상승, 배경, 생산자, 위장, 수입, 수산, 제품, 농축, 공업, 근원, 현상, 가계, 서비스, 격차, 신선, 동월, 월간, 전년
군집 9 : ph, us, 희소금속, 배출, 방안, 방일, 방직, 방한, 방향, 배경, 배럴, 배우자, 밴드, 백흥기, 베이비붐, 밸리, 버블, 번영, 범위, 법적

> 반성

1. 형태소 txt파일들이 이만큼 중요할 줄은 몰랐다. 모든 분석은 이 파일들을 기준으로 했다. 그래서 text 파일들을 좀 더 자세히 살펴봤더니 모든 text가 형태소로 바뀌어 있지 않고 누락된 부분이 많았다. 이유는 텍스트 중간중간에 널값이 들어가 있어 분석이 중도 정지 되었던 것이다(Simpo PDF는 공짜인 대신 text문서 중간중간에 자기들만의 water mark를 박아놓는다. 아주 많이)

어쨌든 모두 제거하고 다시 형태소 파일을 만들었다. 전보다 몇배는 더 많은 형태소들이 들어왔다. ㅡ,ㅡ pdf에서 txt로 바꾸는 일이 전체 작업에서 제일 지루한 작업이었는데 그러다보니 은근슬쩍 대충 해버렸던 것 같다.

깨끗한 형태소 txt파일들을 준비해 놓는게 모든 분석의 시작이다(라는 걸 지금 알게 되었다)

위 결과는 그 놈들을 토대로 나왔다.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 벡터기계(SVM: support vector machine)알고리즘을 이용한 분석 (0)	2016.07.06
현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용 (0)	2016.07.06
현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석 (0)	2016.07.03
아. 헬대. 현다이 ㅅㅂ (0)	2016.07.02
현대 경제 연구원 분석 중 - 1차 결과 (0)	2016.07.01

현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석

푸른깃발🏳️ 2016. 7. 3. 20:23

2016. 7. 3. 20:23

● 현대경제연구원 보고서 KL발산 분석

> 들어가는 말

1. 예상하기는 했지만 생각보다 빨리 다시 하고 싶어졌다. 그 동안 내가 이 정도 하다가 무언가를 그만둔 적이 평생에 한번도 없기 때문이다.

2. 그래도 헬대라는 생각에는 변화가 없다.

> 계획

1. 먼저 season2로 새로운 프로젝트를 만든다. 새술은 새부대에!

2. morphed 폴더 안에 이미 형태소 분석한 보고서 txt파일들을 몽땅 넣는다. (2109개다)

3. 보고서의 내용을 (요약)정리한 json파일에 이 형태소 txt 파일의 이름을 dictionary로 추가한다.

4. 이것으로 현대경제연구소 보고서 분석에 대한 모든 재료가 준비되었다. 보기 좋게 indent을 4정도 주면 아래같이 이쁘게 뽑힌다.

[

{

"fileName":"2016.06.27[0].pdf",

"morphedName":"2016.06.27[0].txt",

"fileNum":0,

"whoID":"이부형 이사대우",

"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662716126%5B1%5D.pdf",

"dateID":"2016.06.27",

"titleID":"일본 고령자 일자리 창출 사례와 시사점",

"magazineID":"VIP Report"

},

{

"fileName":"2016.06.24[1].pdf",

"morphedName":"2016.06.24[1].txt",

"fileNum":1,

"whoID":"홍준표 연구위원",

"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662713513%5B1%5D.pdf",

"dateID":"2016.06.24",

"titleID":"브렉시트의 불확실성 차단과 성장잠재력 확충을 위한 2016 추경 편성 방향 제언",

"magazineID":"한국경제주평"

},

5. 접근은 간단하다. 빈배열을 하나 만든 후 json.load(f)를 바로 대입한 후 for문 안에 넣고 print(information[i]['morphedName'])와 같이 접근하면 된다. 게임에서는 xml만 사용해서 json을 처음 써봤는데 이게 4천배 더 좋다. 일단 형식이 있어 좋고 배열과 딕셔너리를 이용해 세상 모든 데이터들을 요리할 수 있겠다. 활용방법이 다양하겠지만 지금 내게는 먼저 배열로 싸고 그 안에 딕셔너리로 구조를 짜고 그 안에 상황에 맞춰 두 가지를 혼용하는 방식이 제일로 (편해)보인다.

즉 [ { }, { }, { } ] 이렇게 사용하는 건데 대량의 데이터를 처리할 때에는 배열로 감싸야 인덱스로 접근이 가능하기 때문이다. 이렇게 처리하지 않으면 매번 for문을 돌려 한줄한줄 파싱해서 문자열 비교를 통해 접근해야 한다.

어쨌든 이 거지같은 셀프 프로젝트를 진행하며 json 사용에 익숙해진 것이 성취라면 성취다. 프로젝트를 발주한 사람이 바로 나라 욕도 못하겠다ㅡ,ㅡ

5. 2001년 2월부터 2016년 6월 27일까지 시기별 단어 빈도수 분석의 경우, 이게 한번도 해본적 없는 사람에게는 흥미롭겠지만 난 이미 지긋지긋하게 했으므로 안한다..만 프로젝트 완료하고 할지도 모르겠다. 2000년 초반에 많이 쓰인 단어와 현재 많이 쓰이는 단어는 분명 차이가 있을 것도 같다.

6. 오늘은 아직 해본적 없는 작업. MagazinID별 키워드 중요도 산출을 할 거다. 룰루~

지금이 제일 신날때다ㅡ,ㅡ

> 실행

1. 먼저 MazingineID별 보고서의 개수를 정리하면 아래와 같다.

{ 전체 : 2109, VIP Report : 443, 한국경제주평 : 686, 이슈리포트 : 401, 연금시장리뷰 : 105, Chairperson Note: 377, 통일경제 : 85, 지식경제 : 12 }

2. 처음 계획대로 json파일을 열어 for문으로 각 형태소에 접근한 후 해당 MagazinID를 기준으로 KL발산을 계산한다.

3. 아래는 전체 코드다.

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import sys
import os.path
from collections import Counter
import math
import ujson

Subject_KEY = "magazineID"
MagazinID_MAP = { # 이건 지금 할 필요가 없지만 혹시 필터 처리가 필요할지 몰라 넣어놓는다.
    "VIP Report": "VIP Report", # vip
    "한국경제주평" : "한국경제주평", #korea
    "이슈리포트" : "이슈리포트", #issue
    "연금시장리뷰" :"연금시장리뷰", #pension
    "Chairperson Note" : "Chairperson Note", #chair
    "통일경제" : "통일경제", #unity
    "지식경제" : "지식경제" #knowledge
}
FEATURE_POSES = ["NNG"]

def get_subj_morph_counts(input_file_name):

vip_morph_counts = Counter()
    korea_morph_counts = Counter()
    issue_morph_counts = Counter()
    pension_morph_counts = Counter()
    chair_morph_counts = Counter()
    unity_morph_counts = Counter()
    knowledge_morph_counts = Counter()
    all_morphs = set()
    information = []
    subjs_counts = {}

with open(input_file_name, 'r', encoding='utf-8') as f:
        information = ujson.load(f)
        for i in range(len(information)):
            subj_code = information[i][Subject_KEY]
            if subj_code == "Nowhere": #이건 pass!
                continue
            subj = MagazinID_MAP[subj_code]

morphed_file = "HyunEco_Season2/morphed/" + information[i]['morphedName']
            try:
                with open(morphed_file, 'r', encoding='utf-8') as morphedReport:
                    morphedText = ujson.load(morphedReport)
                    morphs = []
                    for j in range(len(morphedText)):
                        morphs = ext_morphs(morphedText[j]['morphAnal'], morphs)

if subj == "VIP Report":
                        vip_morph_counts.update(morphs)
                    elif subj == "한국경제주평":
                        korea_morph_counts.update(morphs)
                    elif subj == "이슈리포트":
                        issue_morph_counts.update(morphs)
                    elif subj == "연금시장리뷰":
                        pension_morph_counts.update(morphs)
                    elif subj == "Chairperson Note":
                        chair_morph_counts.update(morphs)
                    elif subj == "통일경제":
                        unity_morph_counts.update(morphs)
                    elif subj == "지식경제":
                        knowledge_morph_counts.update(morphs)
                    all_morphs.update(morphs)
            except:
                pass

subjs_counts = { "vip" : vip_morph_counts, "korea" : korea_morph_counts, "issue" : issue_morph_counts,\
                    "pension":pension_morph_counts, "chair":chair_morph_counts, "unity":unity_morph_counts,\
                    "knowledge":knowledge_morph_counts, "all" : all_morphs}
    num_counts = {"vip":vip_num, "korea" : korea_num, "issue" : issue_num,"pension":pension_num,"chair":chair_num,\
                  "unity":unity_num,"knowledge":knowledge_num,"all" : all_num}
    return subjs_counts, num_counts

def ext_morphs(ma_res,morphs):

for word in ma_res:
        #for word in sen:
        for morph_lex, morph_pos in word:
            if morph_pos not in FEATURE_POSES: #지금은 모든 MazagineID를 실험한다
                continue

morphs.append(morph_lex)

return morphs

def get_subj_morph_kl_divs(subjs_counts):

sum_vip_morph_counts = 0
    sum_korea_morph_counts = 0
    sum_issue_morph_counts = 0
    sum_pension_morph_counts = 0
    sum_chair_morph_counts = 0
    sum_unity_morph_counts = 0
    sum_knowledge_morph_counts = 0

for count in subjs_counts['vip'].values():
        sum_vip_morph_counts += count

for count in subjs_counts['korea'].values():
        sum_korea_morph_counts += count

for count in subjs_counts['issue'].values():
        sum_issue_morph_counts += count

for count in subjs_counts['pension'].values():
        sum_pension_morph_counts += count

for count in subjs_counts['chair'].values():
        sum_chair_morph_counts += count

for count in subjs_counts['unity'].values():
        sum_unity_morph_counts += count

for count in subjs_counts['knowledge'].values():
        sum_knowledge_morph_counts += count

#드디어 KL발산을 계산한다
    subj_morph_kl_divs = []

for morph in subjs_counts['all']:
        for subj, morph_counts, sum_morph_counts in zip(["VIP Report","한국경제주평","이슈리포트","연금시장리뷰",\
                                                            "Chairperson Note","통일경제","지식경제" ],
                                         [subjs_counts['vip'],subjs_counts['korea'],subjs_counts['issue'],subjs_counts['pension'],\
                                          subjs_counts['chair'],subjs_counts['unity'],subjs_counts['knowledge']],
                                                        [sum_vip_morph_counts,sum_korea_morph_counts,sum_issue_morph_counts,
                                                         sum_pension_morph_counts,sum_chair_morph_counts,
                                                         sum_unity_morph_counts,sum_knowledge_morph_counts]):
            subj_morph_count = morph_counts[morph]
            subj_morph_prob = subj_morph_count / sum_morph_counts

vip = subjs_counts['vip'][morph] / sum_vip_morph_counts
            korea = subjs_counts['korea'][morph] / sum_korea_morph_counts
            issue = subjs_counts['issue'][morph] / sum_issue_morph_counts
            pension = subjs_counts['pension'][morph] / sum_pension_morph_counts
            chair = subjs_counts['chair'][morph] / sum_chair_morph_counts
            unity = subjs_counts['unity'][morph] / sum_unity_morph_counts
            knowledge = subjs_counts['knowledge'][morph] / sum_knowledge_morph_counts

if subj == "VIP Report": # [ korea, vip, issue, pension, chair, unity, knowledge ]
                other_subj_morph_probs = [ korea, issue, pension, chair, unity, knowledge ]

elif subj == "한국경제주평":
                other_subj_morph_probs = [ vip, issue, pension, chair, unity, knowledge ]

elif subj == "이슈리포트":
                other_subj_morph_probs = [ korea, vip, pension, chair, unity, knowledge ]

elif subj == "연금시장리뷰":
                other_subj_morph_probs = [ korea, vip, issue, chair, unity, knowledge ]

elif subj == "Chairperson Note":
                other_subj_morph_probs = [ korea, vip, issue, pension, unity, knowledge ]

elif subj == "통일경제":
                other_subj_morph_probs = [ korea, vip, issue, pension, chair, knowledge ]

elif subj == "지식경제":
                other_subj_morph_probs = [ korea, vip, issue, pension, chair, unity ]

avg_morph_prob = \
                (subj_morph_prob + sum(other_subj_morph_probs)) / 7

try:
                kl_div = calc_kl_div(subj_morph_prob, avg_morph_prob)
            except:
                kl_div = 0.0

subj_morph_kl_divs.append([subj, morph, kl_div])

return subj_morph_kl_divs

def calc_kl_div(subj_morph_prob, avg_morph_prob):

kl_div = subj_morph_prob * math.log(subj_morph_prob / avg_morph_prob)

return kl_div

def write_subj_morph_kl_divs(output_file_name, subj_morph_kl_divs):

with open(output_file_name, "w", encoding="utf-8") as output_file: 
        for output_elems in sorted(subj_morph_kl_divs,
                                   key=get_3rd_elem, reverse=True):
            output_elems = [str(e) for e in output_elems]
            output_file.write("{}\n".format("         \t".join(output_elems)))

def get_3rd_elem(seq):

elem = seq[2]
    return elem

def main():

input_file_name = "HyunEco_Season2/report_infomation.txt"
    output_file_name= "HyunEco_Season2/result_keywords.txt"

subjs_counts = get_subj_morph_counts(input_file_name)
    subj_morph_kl_divs = get_subj_morph_kl_divs(subjs_counts)
    write_subj_morph_kl_divs(output_file_name, subj_morph_kl_divs)
    w.close()

main()

4. 코드를 보면 알겠지만 핵심이 되는 KL발산 부분은 몇 줄 없다.

$D_{{{\mathrm {KL}}}}(P\|Q)=-\int _{X}\log {\frac {dQ}{dP}}dP$

요리를 위한 재료 준비가 90%다. 재료 준비도 자꾸하다보니 이게.. 역시나.. 지겨워진다..

그래도 어제는 현다이의 마수에 걸려 코딩을 한줄도 못했는데 오늘은 코딩할 수 있어 좋았다.

그리고..

다른 사람들은 좀 담담하던데 난 여전히 코드 만들고 돌릴 때 짜릿한 느낌이 있다.

게임보다는 결과를 예측할 수 없는 시뮬레이션 만들 때 그런데, 그래서 연산 중에는 일부로 화면에 숫자들 정신없이 돌아가게 만들기도 한다.

나만의 공식으로 주식 종목 필터 처리해서 결과 볼 때도 그랬고 길찾기 만들어 캐릭터가 알아서 복잡한 길 찾아가는 거 지켜볼때도 그랬고

게임 화폐시스템을 만들어 그 안에서 여러 유형의 유저들이 온갖 화폐 활동 후 기간별 가질 수 있게 되는 화폐의 크기를 시뮬레이션 할때도 손맛이 짜릿했던 기억이다.

어쨌든 결과가 나왔다.

> 결과

1. 아래가 150위까지 결과다. 막상 살펴보니 보고서 숫자가 몇개 없는 지식경제가 상위를 차지했다.

지식경제 지식 0.05117214233259338
지식경제 지역 0.04613919186344038
연금시장리뷰 연금 0.04168524702969031
연금시장리뷰 퇴직 0.03826572708508563
지식경제 능력 0.02361373000643169
지식경제 혁신 0.023407272014866806
지식경제 투입 0.021659357681599493
통일경제 교류 0.018282206808129225
지식경제 기술 0.015020391406510198
Chairperson Note 기업 0.014464712113028735
연금시장리뷰 은퇴 0.013570079603951965
통일경제 통일 0.013314087784168068
지식경제 지표 0.013289696448486162
지식경제 인식 0.012779286403723398
지식경제 해운 0.012614375433823675
통일경제 협력 0.012492566838067633
통일경제 문제 0.011783161263373277
지식경제 한 0.011114488450019729
통일경제 평화 0.010740176199994842
통일경제 합의 0.010660185679314614
통일경제 경협 0.010233035869884567
지식경제 공정 0.010039132171178944
지식경제 데이터 0.00976384959405063
지식경제 특집 0.009752297899769691
지식경제 시스템 0.00971673555612069
지식경제 태그 0.009399179119666468
Chairperson Note 경영 0.009255815209444592
통일경제 사업 0.008922475077681508
통일경제 정책 0.008919643026122791
연금시장리뷰 동향 0.00886013794843319
지식경제 위 0.008662761162350324
지식경제 사용 0.008505749594320948
연금시장리뷰 실물 0.008182718220850142
연금시장리뷰 노후 0.008145603162927336
지식경제 안테나 0.008052783224219581
통일경제 체제 0.007977727440628064
지식경제 당 0.007970174158133286
지식경제 경쟁력 0.007940560715629156
지식경제 창출 0.007856950542174706
Chairperson Note 대비 0.007838667665899975
지식경제 기반 0.007415467704308894
연금시장리뷰 금융 0.0073794446392304635
지식경제 형태 0.007254609500438182
통일경제 회담 0.007237759112368118
통일경제 관계 0.0071531378270205045
지식경제 연구 0.0070560294949536684
연금시장리뷰 제도 0.006985402887290724
연금시장리뷰 국고 0.006955251939446108
연금시장리뷰 지표 0.0068541015551171255
한국경제주평 현안 0.00680721899724958
Chairperson Note 전월 0.0068049742136018785
지식경제 타입 0.006711460463054223
지식경제 영역 0.006689472640431887
지식경제 주파수 0.006638714759447003
연금시장리뷰 급여 0.00658385023328223
한국경제주평 경제 0.006522138559841905
지식경제 저장 0.006468110335549213
연금시장리뷰 이슈 0.006433708634766417
Chairperson Note 노트 0.006382593564160401
지식경제 거리 0.006368700023626369
연금시장리뷰 소득 0.006330997311506695
통일경제 관광 0.006326504316213985
통일경제 지원 0.00619850398386751
지식경제 정보 0.006045104005522932
통일경제 추진 0.005997008018365364
연금시장리뷰 증가 0.005886865413630022
지식경제 제조 0.005884436969748431
지식경제 리더 0.005881759908847569
지식경제 적용 0.005833909208523491
지식경제 인구 0.005780564367417474
연금시장리뷰 국내 0.005703573495686132
지식경제 이용 0.0056705640044322535
연금시장리뷰 도입 0.005662048222275087
한국경제주평 보고서 0.005653909009264356
연금시장리뷰 달러 0.005645620421269845
Chairperson Note 소비자 0.005642737434769391
Chairperson Note 고객 0.005632446318774009
지식경제 활용 0.005620003099021143
통일경제 체육 0.005571340504743894
지식경제 자원 0.005566126797938561
VIP Report 전망 0.00549326095273325
지식경제 과제 0.005469390212293774
연금시장리뷰 물 0.005428563775188254
연금시장리뷰 확정 0.005394936957739391
Chairperson Note 성공 0.00537564737555545
지식경제 사물 0.005375442400705285
지식경제 대역 0.005337794764348844
통일경제 핵 0.005312036049624507
연금시장리뷰 대비 0.005304400274583366
지식경제 대학생 0.0053010543887570755
지식경제 역할 0.005247102728885184
통일경제 위원장 0.0052450771029699614
지식경제 연계 0.005237673531102336
지식경제 무선 0.005188039515486743
지식경제 전국 0.0051595626735444575
지식경제 사교육비 0.005155470674214651
지식경제 전원 0.0051061327239512655
연금시장리뷰 가입자 0.005093427583451424
지식경제 협의회 0.00504424867338268
한국경제주평 주간 0.005038367490807575

2. 그래서 무슨 문제가 있나 싶어 지식경제, 통일경제, 연금시장 리뷰를 제외하고 다시 돌려봤다.

결과가 기존에 제외시킨 녀석들만 빼고 나올놈은 다 나왔다.

Chairperson Note 기업 0.008800099125323136
한국경제주평 경제 0.007870494298962282
한국경제주평 보고서 0.00695416392829662
한국경제주평 현안 0.006191632212335288
Chairperson Note 대비 0.0058210048815597205
Chairperson Note 경영 0.004918691258216475
한국경제주평 연구 0.004760104349834483
Chairperson Note 전월 0.004720491420750464
Chairperson Note 노트 0.004493261417870355
Chairperson Note 소비자 0.004304380938901556
한국경제주평 내용 0.004289653346541593
Chairperson Note 혁신 0.0039811055228721175
한국경제주평 자료 0.003940730650127842
한국경제주평 연구원 0.00393363655175351
Chairperson Note 이슈 0.00383518484260979
Chairperson Note 성공 0.0037401044381968297
Chairperson Note 고객 0.003516831038878191
Chairperson Note 기록 0.00348125781066183
VIP Report 산업 0.0034623918961342497
한국경제주평 구 0.0033929821212152953
VIP Report 정책 0.0033215805789093902
VIP Report 견해 0.0033210855240679822
한국경제주평 주간 0.0033184413662809384
VIP Report 전망 0.0033115636662431128
Chairperson Note 제품 0.003282414478040096
Chairperson Note 전략 0.0032817740999557797
한국경제주평 전재 0.003134234511785528
한국경제주평 문의 0.00312715769159755
한국경제주평 허락 0.003124870931122974
한국경제주평 차례 0.003114894808467614
한국경제주평 작성 0.0030531832284361954
한국경제주평 본부장 0.0030525738155969275
Chairperson Note 리더 0.0030041190203202615
한국경제주평 아래 0.0029747692580969105
Chairperson Note 브랜드 0.0029490104352328387
한국경제주평 인용 0.002901134507212622
한국경제주평 과 0.002852731816593467
Chairperson Note 조직 0.0027017443800774394
한국경제주평 비중 0.002644038206970609
Chairperson Note 요약 0.002613198390622161
VIP Report 건설 0.0025238185419716517
VIP Report 수주 0.0024614316797109286
Chairperson Note 브리프 0.0024577210182765174
VIP Report 동월 0.0024510404233766413
VIP Report 전년 0.0024509582808102098
Chairperson Note 저널 0.002431479015761166
한국경제주평 설명 0.0024302092721613404
Chairperson Note 직원 0.002386912969247453
Chairperson Note 정리 0.00226211493552968
Chairperson Note 분기 0.0022143785047610354
VIP Report 편집 0.0022059487136862352
한국경제주평 금리 0.0021268071556214997

> 반성

1. 솔직히 코딩은 쉬웠다. 강사님의 알고리즘에다가 자료만 알맞게 요리해 넣으면 되니까. utf-8과 cp949가 좀 짜증나게 했지만 뭐 하루이틀도 아니고 ㅋ

2. 그런데 여기서 반전. 저게 무슨 말인지 모르겠다...(하여간에 공식에 로그가 들어가면 그림이 안그려진다)

3. 그러니까 "지식, 지역, 연금, 퇴직, 능력, 혁신, 투입, 교류, 기술, 기업, 은퇴"등이 16년 전체 보고서 중에서 가장 중요한 키워드라는 말인가? 모르겠다. 무식에 대한 해답은 질문이다. 물어봐야겠다.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용 (0)	2016.07.06
현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석 (0)	2016.07.04
아. 헬대. 현다이 ㅅㅂ (0)	2016.07.02
현대 경제 연구원 분석 중 - 1차 결과 (0)	2016.07.01
현대 경제 연구원 분석 중 2 (0)	2016.06.30

아. 헬대. 현다이 ㅅㅂ

푸른깃발🏳️ 2016. 7. 2. 18:12

2016. 7. 2. 18:12

● 현대경제연구원 보고서 분석 - 문서 전처리 작업 중

1. 아. 헬대. 현다이 ㅅㅂ 내가 현대를 왜 그리 몰랐을까.

데이터들을 한 곳에 모으다가 발견했다.

그 동안 나는 각 카테고리별로 교집합없이 나눠져 있는 보고서들을 하나로 합치면 모든 보고서들의 합집합을 이룰 수 있을 것이라 동해안의 태양처럼 당연하게 생각했다. 카테고리란 그런거니까. 나누기 위해 만들어진 것이니까.

방금 발견한 결과는 이런 것이다.

경제 카테고리안의 보고서는 모든 보고서들의 집합이다.

사회문화 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 다른 카테고리에도 있을 확률이 90%이상이다.

산업경영 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 물론 다른 카테고리에도 있을 확률이 두말하면 잔소리다.

ㅅㅂ 통일 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 세말하면 ㅅㅂ이다.

{ 경제 : 2109, 사회문화 : 1421, 산업경영 : 1524, 통일 : 1452 }

보고서들의 전체 숫자가 저리 비슷하다는 것을 몇번이나 확인했으면서도

나는 진짜 중복됐을거라고는 생각하지 않았다. 이게 말이다. 최소한 포유류라면 저렇게 만들지 않기 때문이다.

저럴거면 대체 카테고리를 왜 만들었을까. (각 카테고리별로 보고서가 많은척하려고 그런거냐)

아~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~헬대. 저런 놈들이 연구한 결과를 ㅅㅂ 믿을 수 있겠는가.

너무나 당연하게 생각했기에 카테고리간에는 중복체크 부분을 넣지 않았던 내가 조류다. 내가 닭이야 ㅠ

진짜 의욕이 몽땅 사라졌다.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석 (0)	2016.07.04
현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석 (0)	2016.07.03
현대 경제 연구원 분석 중 - 1차 결과 (0)	2016.07.01
현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29

현대 경제 연구원 분석 중 - 1차 결과

푸른깃발🏳️ 2016. 7. 1. 20:10

2016. 7. 1. 20:10

● 현대경제연구원 분석 중 3

> 작업 중

1. 고통스러운 전처리 작업 시작 .. 대체 내가 왜 이걸 하고 있는 건지 ㅡ,ㅡ

2. 다행히 어젯밤 순식간에 보고서들을 모두 크롤링했다. sleep.time(2)을 주석처리하는 패기!

> 아래는 파일 정리

경제 = { 전체 : 4300 , 파일 주소 오류 : 146, 파일 다운 오류 : 123, 파일 오류 : 13개, txt로 변환 불가능 : 1912, 유용한 보고서 : 2110 }

사회문화 : { 전체 : 3762 , 파일 주소 오류 : 179, 파일 다운 오류 : 122 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1572 }

산업경영 : { 전체 : 3731 , 파일 주소 오류 : 142, 파일 다운 오류 : 124 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1562 }

통일 : { 전체 : 3762, 파일 주소 오류 : 159, 파일 다운 오류 : 176 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1562 }

3. 느낀 것은 파일명에 날짜를 넣었던 것이 신의 한수였다는 것.

1993년부터 2001년 2월 22일 전까지 pdf파일들은 현재 있는 어떠한 툴을 써도 txt로 거의 변환하지 못했다. 무엇때문인가 알아보니 이미지를 그대로 스캔해서 pdf로 만들었기 때문이다. 글자인식을 해보라고? 싫다. 안한다. 저 정확한 날짜를 알아낸다고 고생한 것만으로 이미 난 하얗게 됐다. (어떻게 소중한 내 인생ㅜ)

2004년 2월 23일부터 3월 11일까지 만들어진 모든 pdf파일들에 오류가 있었다. (달콤한 내 인생..)

또 이유는 모르겠지만 'Simpo PDF to Text'라는 툴을 쓰면 2005년 1월까지 데이터가 잘 뽑이고 그 이후의 pdf는 'PDF to TEXT'에 비해 질이 많이 떨어진다. 그래서 저 시점을 기준으로 컨버팅 툴을 바꾼다. 이것도 찾아내는데 시작이 엄청 걸렸다 (잘가라 내 인생 ㅠ)

> 정리

2001년 2월 22일을 계기로 그나마 온전한 텍스트 파일이 뽑힌다. [ Simpo PDF to Text 로 변환 - 근데 이 녀석은 뻑이 매우 잘난다ㅜ ]

~~2005년 2월을 계기로 완전한 텍스트가 뽑힌다. [ PDF to TEXT 로 변환 - 이 놈은 속도가 매우 느리다 ㅠ 왜 자꾸 눙물이]~~

4. 툴에 오류가 많다. 텍스트 인코딩도 그렇고 파일 누락까지 있다. 그 비율이 2% 정도. 특정 시기에 몰려 있는 문제가 아니라 랜덤하게 발생하는 오류이므로 '통계적'으로 치명적이지 않다. 이 정도는 그냥 넘어가자. 내가 만든 툴도 아니고 자잘하게 손이 계속가서 좀 짜증.

5. 최종 살아남은 txt 파일은 아래와 같다. 전체 갯수는 6506 개다. 처음 예상했던 2만 5천개에서 많이도 줄었다. 그렇다고 고생이 줄진 않았다.

{ 경제 : 2109, 사회문화 : 1421, 산업경영 : 1524, 통일 : 1452 }

> 결과

1. 종합 결과가 개판이다.

2. 모든 분야의 키워드 순위가 매우 흡사하다. 하지만 이건 내 잘못이 아니다.

3. (너무나) 이상(하고 실망)해서 리포트들을 읽어봤는데 ㅅㅂ '현대경제연구원'에서 분류한 리포트 자체가 원래 엉망이었다.

아래 이미지를 보면 분명히 '통일'카테고리인데 그와 전혀 상관없는 보고서들로 가득하다.

4. 2010년 이전 pdf파일들의 포맷이 엉망인게 많은데 그 고생하며 사이트 전체를 크롤링하고 변환하고 그래서 얻은게 겨우 통계적으로 '최신보고서 모음'과 매우 유사한 결과이다. 아래가 결과다.

경제 형태소 분석

산업경영 형태소 분석

사회문화 형태소 분석

통일 형태소 분석

실제로 리포트를 보면 실물경제, 거기경제, 시장경제등등 경제 무지하게 쓴다.

경제를 연구하랬더니, 경제를 쓰기만 한다ㅡ,ㅡ

> 결론

1. 이럴 바에야 분야 구분없이 그냥 시기별 분석이 나아보인다.

2. 그래서 4개 분야를 모두 합친다. 6,506개 txt파일이다.

3. 앞으로는 2001년부터 2016년까지 연도별로 쪼개서 분석을 진행한다.

4. 빈도순 분석은 이제 그만한다. 재미없다.

5. 기존 보고서 메타 파일과 보고서 형태소 분석 파일을 합쳐 하나의 완성된 파일을 만든다.

아래와 같은 느낌으로 report를 추가한다.

{
"fileName":"2016.06.27[0].pdf",
"whoID":"이부형 이사대우",
"magazineID":"VIP Report",
"dateID":"2016.06.27",
"fileNum":0,
"titleID":"일본 고령자 일자리 창출 사례와 시사점",
"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662716126%5B1%5D.pdf"
"report" : {"text":"한편, 종류별로는 계속고용제도 도입 기업99.2%에 301인비중이 압도적으로 높고, 정년 연장(15.7%)과 정년제 폐지(2.","morphAnal":[[["한편","NNG"],[",","SP"]],[["종류","NNG"],["별","XSN"],["로","JKB"],["는","JX"]],[["계속","NNG"],["고용","NNG"],["제도","NNG"]],[["도입","NNG"]],[["기업","NNG"],["99","SN"],[".","SF"],["2","SN"],["%","SW"],["에","JKB"]],[["301","SN"],["인","NNG"],["비중","NNG"],["이","JKS"]],[["압도","NNG"],["적","XSN"],["으로","JKB"]],[["높","VA"],["고","EC"],[",","SP"]],[["정년","NNG"]],[["연장","NNG"],["(","SS"],["15","SN"],[".","SF"],["7","SN"],["%","SW"],[")","SS"],["과","JC"]],[["정년","NNG"],["제","XSN"]],[["폐지","NNG"],["(","SS"],["2","SN"],[".","SF"]]]}
{"text":"상대적으론99.9%가낮았다.","morphAnal":[[["상대","NNG"],["적","XSN"],["으로","JKB"],["ㄴ","JX"],["99","SN"],[".","SF"],["9","SN"],["%","SW"],["가","JKS"],["낮","VA"],["았","EP"],["다","EF"],[".","SF"]]]}
{"text":" 고용에 대한 영향) 한편, 고연령자고용확보조치 시행에 따라 일본 내에81.7%로 6%)는서도 청년 고용과의 트레이드 오프(trade-off)에 대한 우려가 높았지만 현실화되지는 않았(청년층다.","morphAnal":[[["고용","NNG"],["에","JKB"]],[["대하","VV"],["ㄴ","ETM"]],[["영향","NNG"],[")","SS"]],[["한편","NNG"],[",","SP"]],[["고","XPN"],["연령","NNG"],["자","NNG"],["고용","NNG"],["확보","NNG"],["조치","NNG"]],[["시행","NNG"],["에","JKB"]],[["따르","VV"],["아","EC"]],[["일본","NNP"]],[["내","NP"],["에","JKB"],["81","SN"],[".","SF"],["7","SN"],["%","SW"],["로","JKB"]],[["6","SN"],["%","SW"],[")","SS"],["는","JX"],["서","JKB"],["도","JX"]],[["청년","NNG"]],[["고용","NNG"],["과","JKB"],["의","JKG"]],[["트레이드","NNG"]],[["오프","NNG"],["(","SS"],["trade","SL"],["-","SS"],["off","SL"],[")","SS"],["에","JKB"]],[["대하","VV"],["ㄴ","ETM"]],[["우려","NNG"],["가","JKS"]],[["높","VA"],["았","EP"],["지만","EC"]],[["현실화","NNG"],["되","XSV"],["지","EC"],["는","JX"]],[["않","VX"],["았","EP"],["(","SS"],["청년","NNG"],["층","XSN"],["다","JX"],[".","SF"]]]}}
}

6. 이것을 가지고 magazinID(현대경제연구소에서는 이걸 '보고서명'이라고 한다)별로 키워드 중요도를 산출한다. 이건 아직 해본적이 없으니 궁금하다.

7. 다음 연도별 구분 없이 각 문서들을 군집한다. 문서별로 거리를 측정하고 군집별 중심어휘를 뽑는다.

8. 마지막으로 다음주에 나올 새로운 보고서를 보여주고 어떤 Magazine에서 나온 것인지, 누가 쓴 것인지 맞춰보게한다.

9. 이 다음은 다하고 그때가서 생각해보겠다. 확실하것은 한동안 크롤링과 전처리 작업은 쳐다도 보고 싶지 않다는 것.

10. 그럼 5번부터 시작.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석 (0)	2016.07.03
아. 헬대. 현다이 ㅅㅂ (0)	2016.07.02
현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29
현대 경제 연구원 보고서 간략 분석 (0)	2016.06.27

현대 경제 연구원 분석 중 2

푸른깃발🏳️ 2016. 6. 30. 20:26

2016. 6. 30. 20:26

● 현대경제연구원 분석 중 2

> 들어가는 말

1. 키워드 추출이나 보고서 학습을 시키기 위해서는 처음 목표로 했던 문서뿐 아니라 다른 카테고리의 문서들도 많이 필요하다.

2. 그래서 지난 번 안하겠다고 했던 분야별 크롤링을 하기로 했다.

3. 분야는,

{ 경제 : 약 7,200개, 산업경영 : 약 6,500개, 사회문화 : 약 6,300개, 통일 : 약 6,500개 }

보고서 전체 개수는 약 2만5천개 정도가 될 것 같다.

4. 현대경제연구원이 현차나 현중 계열이 아니고(지분관계는 있다만) 고 정주영 할아버지 계열이라 현대아산을 통해 대북사업을 진행하고 있어 (현재는 좀 힘든듯해도) 다른 경제연구소에서는 쳐다도 보지 않는 통일에 대한 보고서가 저리 많다. 훌륭하다.

5. 어차피 이게 내 전공도 아니고 재미로 공부하면서 해보는 것이니 한번 끝까지 파보려고 한다.

6. 보고서 2만5천개라면 하나당 최소 3초만 잡아도 작업시간만 쉬지않고 약 21시간이 걸린다.

7. 그래서 일단 걸어놓기 위해 작업을 빠르게 시작했다.

> 경제파트 post 정보

1. 경제 게시판 페이지 정보

- secondDepth 가 1이라는 것이 최신보고서 게시판과 다르다.

page_url = "http://hri.co.kr/board/reportList.asp"

numIdx:
skin:
mode:
GotoPage: 2
column:
keyword:
firstDepth:1
secondDepth:1
thirdDepth:
fourthDepth:
boardid: 1,2,8,38,125,126,127,128,129,5,132
sortby:

2. 경제 상세 페이지 정보

- 마찬가지로 url주소와 secondDepth만 다르다.

page_url = "http://hri.co.kr/board/reportView.asp"

numIdx: 25726
skin:
mode:
GotoPage: 4
column:
keyword:
firstDepth:1
secondDepth:1
thirdDepth:
fourthDepth:
boardid:1,2,8,38,125,126,127,128,129,5,132
sortby:

3. 정규표현식 수정

GotoPage = re.findall('\'/board/reportView.asp\',\'1\',\'1\',\'\',\'\',\'\',\'(.*?)\'',html)

- 이 외 나머지는 모두 동일하다. 자료수집 시작.

> 실행

1. 1506번을 기점으로 pdf 주소가 바뀌었다 ㅡ,ㅡ 이 부분에서 정규표현식 수정해서 다시 실행. ㅜ

- 1553번은 또 정상적으로 들어왔다. 이것만 예외처리.

2. 1552번부터 파일명에 한글이 들어가기 시작했다. 또 에러.

- urllib.parse.quote_plus(reportID) 를 이용해 reportID를 인코딩해 넘겨준다. 이것도 진짜 한참 찾았다.

3. 현재 경제 파트 보고서 크롤링 모두 완료. 총 4300개다.

게시판 번호와 많이 다른데 처음 페이지 크롤링할때 중복된 것들을 제거하고 가져오기 때문이다. (이런 것들이 매우 많더라)

4. 이제 1/4 끝냈다.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

아. 헬대. 현다이 ㅅㅂ (0)	2016.07.02
현대 경제 연구원 분석 중 - 1차 결과 (0)	2016.07.01
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29
현대 경제 연구원 보고서 간략 분석 (0)	2016.06.27
현대 경제 연구원 보고서 크롤링 (0)	2016.06.26

현대 경제 연구원 보고서 분석 중 1

푸른깃발🏳️ 2016. 6. 29. 21:36

2016. 6. 29. 21:36

● 현대 경제 연구원 보고서 분석 1

> 들어가며

1. 다시 크롤링을 하기 위해 사이트를 보니 지난 번 내가 분석했던 보고서들은 특정 카테고리의 보고서가 아니라 '최신 보고서'라는 어디에도 없는(?) 카테고리의 보고서들이었다. (즉, 처음 들어보면 '최신연구보고서'만 보여주고 왼쪽의 카테고리를 클릭했을 때 해당 카테고리의 보고서를 보여주는 것이다. 그런데 카테고리 목록에 '최신연구보고서'는 없다 ㅡ,ㅡ 모를 수 밖에 없었다)

2. 지난 번 파일이름을 너무 대충 만들어서 이번에는 제대로 만들어 한번 더 크롤링했다. 아래와 같은 방식이다.

{"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662810818%5B1%5D.pdf","whoID":"이해정 연구위원","magazineID":"이슈리포트","fileName":"2016.06.28[1].pdf","fileNum":1,"titleID":"북한의 재생에너지 관련 사업 추진 현황","dateID":"2016.06.28"},{"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662716126%5B1%5D.pdf","whoID":"이부형 이사대우","magazineID":"VIP Report","fileName":"2016.06.27[2].pdf","fileNum":2,"titleID":"일본 고령자 일자리 창출 사례와 시사점","dateID":"2016.06.27"}

3. 처음부터 ujson을 이용해 incoding과 decoing을 했다. 그냥 dump하면 한글 인코딩이 깨진다. 아래와 같이 해야한다.

파일 저장 중 서버 무응답으로 뻗는 경우가 있는데 (이건 어떻게 해결해야 할지 감이 없다) 지난 번 코드에서는 그때마다 다시 페이지 전체를 크롤링을 한 후 다운로드를 시작했다. 파일을 쪼개지 않고 한방에 처리하려던 욕심이었다. (난 아직 사멸치 않은 전근대적이고 절차지향적인 개발자다.)

어쨌든 한방에 가는 걸 두개로 쪼개서 크롤링 페이지에 대한 정보들을 json으로 저장하고 그걸 다시 로드해서 바로 쓰는 방식으로 변경했다.(이게 당연한 거라는 것쯤 지금 알았다!)

4. 보고서들 중에 정확하게 90개가 잘못 크롤링되었다. 하나하나 분석해봤는데 파일이름 생성 방식이 다른 1250개의 파일들과 달랐다. 이름끝에 알수없는 숫자들이 들어가 있었는데 패턴을 찾아보려 노력했지만 아무런 패턴이 보이지 않았다. 대부분이 오래전 파일들이었고 같은날 시리즈처럼 올라온 것들이었다. 그래서 노가다로 받아도 금방 받을만 했지만 그럴만한 가치도 없어 보였고 내가 돈받고 해주는 것도 아니고 하고 싶지도 않아 안했다.

4. 지난 번 계획했던 각 카테고리별 분석의 의욕이 싹 사라졌다. 그냥 이 뭉뚱그려진 '최신 보고서' 1250개만 (지구)끝까지 분석해볼 계획이다.

5. LG 경제 연구원 분석에 대한 의욕도 사라졌다. 이제 크롤링은 좀 지겹다.

6. 현재 모든 pdf 파일을 txt로 바꾸고 있다. 이것도 대량으로 잘 안되서 지겹게 소량으로 컨버팅 중이다. 이것도 오래걸리고 지겨운 작업. 여러 유틸을 확인해 봤는데 그나마 pdf to text라는 정직한 이름의 유틸이 제일 나아서 선택.

> 목표

1. 먼저 연도별로 데이터 구분. 2010 , 2011, 2012, 2013, 2014, 2015, 2016 이렇게 6년.

2. 연도별로 제목과 보고서 내용을 나눠 따로따로 wordcloud까지 진행.

* 현재 준비한 메타 데이터가 많아서 재밌는 분석도 가능하긴 한데 (예를들어 각 연구원마다의 보고서 특성) 이건 기술적으로 뻔하고 내가 현대경제연구원들을 개인적으로 아는 것도 아니어서 흥미가 생기지 않는다. 그래서 안할거다.

3. 연도별로 키워드(중요 어휘) 추출. 쿨백-라이블러 발산(Kullback-Leibler divergence)

4. 이건 결과가 나도 좀 궁금한데 문서 간 거리 측정이 가능하다. 이것을 이용해 각 보고서들간의 거리를 측정하고 k-평균 기법으로 군집을 해본다. 이것으로 어떤 연구원이 계속 똑같은 연구만 하는지, 어떤 연구원과 어떤 연구원의 성향이 유사한지, 어떤 보고서와 어떤 보고서가 긴요한 관계를 갖는지 알 수 있다.

* 아직 해본적이 없는 거라 해보고 싶다.

5. 이것도 재밌을 것 같기는 한데. 지금까지 나온 (겨우) 1250개의 보고서를 컴퓨터에게 학습시킨 후 더 이전의 보고서나 앞으로 나올 새로운 보고서를 컴퓨터에게 보여주고 어느 연구원이 쓴 것인지, 또는 이것의 보고서명이 무엇인지 맞춰보게 할 수 있다. 진짜 내가 왜 이런 쓸데없는 짓이 (매우) 하고 싶은지 모르겠지만 그냥 해보려고 한다.

> 정리

아직도 txt로 바꾸고 있다ㅡ,ㅡ 그래서 오늘은 이걸로 끝.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 - 1차 결과 (0)	2016.07.01
현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 간략 분석 (0)	2016.06.27
현대 경제 연구원 보고서 크롤링 (0)	2016.06.26
김대균 토익킹 크롤링 (0)	2016.06.25

현대 경제 연구원 보고서 간략 분석

푸른깃발🏳️ 2016. 6. 27. 16:48

2016. 6. 27. 16:48

● 현대 경제 연구원 간략 분석

> 들어가는 말

막상 크롤링을 하고 보니 너무 대충했다.

아무래도 다시 하는게 좋을 것 같은데, 저번에도 2번째 크롤링때 자주 끊겼던게 마음에 걸린다.

블락당한 건 아니겠지.

> 앞서 반성

1. pdf 파일 이름을 너무 대충지었다. 파일이름에 보고서 발표날짜가 들어갔어야 했다.

2. pdf 파일은 html이 아니어서 정규분포식을 이용한다해도 원하는 텍스트를 가져오는게 어렵다. 제목에 제목이라는 표시가 없다 ㅜ 아무래도 제목은 제목대로 따로 크롤링해서 가져와야겠다.

3. 그리고 그 제목과 날짜 그리고 파일명을 하나의 json으로 만든 후 입맛에 맞게 요리해야겠다.

> 결과

아래 워드클라우드 이미지는 2010년 1월부터 ~ 2016년 6월 말(지난주)까지 약 6년 반 기간 동안 현대경영연구원에서 작성한 보고서 1233개의 모든 단어들을 형태소 분석하여 빈도순으로 정렬한 후 의미있는 단어들만 추려낸 것이다. 한글 인코딩 방식만 바꾸었고 나머지는 예전 아리랑 분석할때의 코드를 그대로 사용했다.

그 결과다.

1. 1등이 '증가'라니 ㄷㄷㄷ 증가와 하락의 저 어머어마한 대조를 보라.

2. 미국보다 중국의 비중이 더 크다는 것.

3. 수입도 어딘가 있기는 할텐데 내 눈에 보이는 건 수출 뿐.

4. 대략 보면 증가, 확대, 상승, 성장 같은 긍정적인 용어가 부정적 용어들을 압도한다.

그런데 저 기간동안 진짜 우리경제가 긍정적이었다고 할 수 있나?

5. 제조업이 보이고 IT가 안보이는 건 ...

6. 기술이나 글로벌이란 단어가 저리 작은 건 좀 슬프다.

7. 대충 봐도 경제 신문이나 애널 보고서에서 흔~히 봤던 단어들이다.

8. 저 이미지 한장으로도 수십개의 유사 '경제보고서'를 써낼 수 있을 것 같은 느낌이랄까.

9. 애매한 형태소들도 좀 있다. 저것들은 어떻게 다듬어야 할지...

10. 여하튼 볼만한 자료다.

> 반성

1. 시기별로 구분하지 않았고 제목에 따른 분석이 따르지 않아 아쉬운 부분이 많다. 이건 현대경제연구원에서 나를 블락만 시키지 않는다면 금방 다시 작업할 수 있기는 한데.. 음.. 다음에 다시 하겠다.

2. 그리고 방금 알았는데 현대경제연구원에는 '경제' 보고서만 있는게 아니라 아래와 같이 산업,경영,사회,문화,통일 보고서도 있었다. 쟤네들도 함께 분석해야 할 것 같다. 특히 산업,경영는 매우 활발하게 업데이트 되고 있었다. 이것도 다음에 함께 작업하자.

2. LG경제 연구원의 보고서도 분석해야 할 것 같다. 그래야 조금이라도 거시적인 시점을 확보할 수 있을 것이다. 연구원마다 다른 시점도 확보할 수 있다. 이것도 다음번에 한방에 끝내자. 이번 주말에 도전!

3. scikit-learn와 scipy 사용이 미숙하다. 이 부분의 보완이 필요하다.

3. 그거 약간 배운 것 가지고도, 만들고 싶은 것들이 많아 골치다. 나쁘진 않은데.. 주객이 전도되어서는 안된다. 나의 정체성을 잃지 말자. 아예 바꾸는 건 괜찮지만(응?)

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29
현대 경제 연구원 보고서 크롤링 (0)	2016.06.26
김대균 토익킹 크롤링 (0)	2016.06.25
아리랑은 사람에 대한 소설이다 - 조정래 교수님 '아리랑' 텍스트 분석 (3)	2016.06.24

현대 경제 연구원 보고서 크롤링

푸른깃발🏳️ 2016. 6. 26. 16:31

2016. 6. 26. 16:31

● 현대 경제 연구원 크롤링

> 들어가는 말

저 멀리 서방, 영국의 EU 이탈로 내 주식이 작살이 났다. ㅡ,ㅡ 개눔들.

정말 뭣이 중헌지도 모르는 넘들.

어쨌든 최근 개발에만 몰두하다가 시류를 완전히 놓쳤다. (난 투표 당일이 되어서야 알았당ㅜ)

그동안 내가 바로 21세기형 주식 천재라고 생각(?)했었는데 이 모냥이 되었으니 부끄럽고 할말이 없다..만

얼마전 썰전에서 '현대경제연구원'의 체감 실업률에 대한 이야기를 듣고 갑자기

그곳의 보고서들을 분석해보고 싶다는 마음이 들었다.

대딩시절 seri.org(삼성경제연구소)에 대한 로망이 좀 있었기에 그곳에 먼저 가봤는데 마지막 보고서가 올라온게 2013년이었다.

한마디로 다 죽어 있었다. 뷥~위주의 서비스로 바꾼 것 같은데 서비스라는게 보통 그렇게 종말을 맞이한다 ㅋ

다음 seri의 맞수라 일컫는 LG경제연구원(왜 어디는 '소'고 어디는 '원'이야)으로 갔는데 오, 사이트 깔끔하게 잘 만들었다.

속도 빠르고 보고서 업데이트도 좋고 각 자료들도 모두 오픈되어 있다.

자료도 post로 막아놓지 않아 긁어오기도 매우 쉽게 되어있다.

헬지짱! 좋아, 다음번 내 크롤링 양식은 너다.

> 계획

- 이제 원래 목표였던 현대 경제 연구원 페이지를 살펴봤다.

기대보다 자료도 많고 잘 만들었는데 죄다 post방식으로 주소를 감춰놨다.

컨텐츠 타입도 일반적이지 않아 어쨌든 네트워크 헤더를 뒤져가며 찾긴 모두 찾았다.

2. 먼저 각 페이지를 돌며 해당 페이지를 읽어오는 key와 value들을 알아내야 한다.

현대 경제 연구원 페이지를 보면 보고서 게시판 페이지의 주소는 http://hri.co.kr/storage/newReList.asp 이고 컨텐츠 타입은 x-www-form-urlencoded 이다.

이때 넘겨주는 post 값은 아래와 같다. 아래와 같이 GotoPage의 값을 하나하나 올려주며 마지막 페이지까지 긁으면 된다.

더 이상 크롤링할 페이지가 없을 경우 '해당 자료가 없습니다'로 뜨는 것을 확인하였다. 이것을 기준으로 크롤링을 멈추면 된다.

numIdx:
skin:
mode:
GotoPage: 2
column:
keyword:
firstDepth:1
secondDepth:0
thirdDepth:
fourthDepth:
boardid: 1,2,8,38,125,126,127,128,129,5,132
sortby:

3. 각 페이지의 보고서들은 아래와 같이 고유의 정보를 가지고 있다.

javascript:goToPageNew('25726','/storage/newReView.asp','1','0','','','','4','','','1,2,8,38,125,126,127,128,129,5,132','');

저렇게 function으로 넘겨주는데 정리해보면 아래와 같이

numIdx: 25726
skin:
mode:
GotoPage: 4
column:
keyword:
firstDepth:1
secondDepth:0
thirdDepth:
fourthDepth:
boardid:1,2,8,38,125,126,127,128,129,5,132
sortby:

numldx 가 추가된 것을 제외하고 달라진 것이 없다. http://www.hri.co.kr 뒤에다 /storage/newReView.asp를 붙여 numIdx에 값을 넘겨주거나 /storage/newReList.asp를 붙여 해당 페이지의 게시판 목록으로 이동하는 방식이다. 모든 것은 저 goToPageNew()에서 제어한다.

한 페이지 안에는 15개의 보고서가 들어가 있다. 15개를 모두 긁어와서 json으로 저장해 놓아야 한다.

4. 다시 해당 정보를 통해 페이지에 들어가면 아래와 같이 첨부파일을 여는 함수가 있다. 이 정보가 보고서 크롤링을 위한 최종 정보다.

javascript:download_attach('/publication/','2015112381535[1].pdf');

정규표현식을 이용해 원하는 자료들만 가져와야 한다. 최종 보고서 파일은 get으로 링크되어 있다.

http://hri.co.kr/download.asp?file_path=%2Fpublication%2F&file_name=2015112381535%5B1%5D.pdf

저거다. 결국 저 많은 분석을 해서 겨우 2015112381535 얻어내는 것이다. 저 번호와 나머지 주소를 엮어 쭉 받아오면 된다.

좋다. 이대로 만들어 보자. 다만 조금 복잡하니 최대한 단계를 쪼개서 하나하나 가져오자.

> 실행

1. 으악! 한글 인코딩이 euc-kr이다. 아나 현다이 진짜. 왕자의 난, 급발진 원인 규명하라!

어쨌든 일반 requests.post()로는 가져올 수가 없다.

역시나 CP-949 인코딩 에러다. 해결 방법은 전에 뻘짓할 때 공부해놨던 urllib.request를 쓰는 거다. 그리고,

1시간 동안 stackoverflow 방랑. 그리고 해결. 이 맛에 코딩하는 거다ㅜ

(그나저나 크롤링하다보면 이런 문제가 많이 발생할텐데 왜 이런 코드가 한글로는 전~혀 없는건지)

어쨌든 덕분에 파이썬 초급자의 삽질 능력이 쑥쑥 올라가고 있다.

2. 좋다. 이제 원하는 페이지를 가져올 수 있다(이 쉬운 걸 어렵게 해결하는 것도 능력)

이제 루프를 돌려 모든 페이지들을 가져와 일단 파일로 저장한다.

시간이 얼마나 걸리는지도 체크 하고.

아래와 같이 3분 18초가 걸렸다. 대략 페이지가 90페이지 정도였고 페이지를 읽어올 때마다 2초씩 쉬었으니 실제 페이지 읽어오는 시간만 따지면 십몇초 밖에 걸리지 않은거다.

3. 다음 파일에서 원하는 정보(numIdx, GotoPage)들을 정규표현식으로 아래와 같이 만든다. 좀 못생겼다ㅋ

단, numIdx를 가져올 때 기존 numldX가 있는지 확인한 후 저장한다.

4. 젠장! 리스트로 만들었더니 파일로 저장한 후 다시 열면 list가 고장난(?) 상태로 열어진다. 그래서 제이슨으로 만든다. 생각보다 시간이 오래 걸리고 있다. 논리적인 구멍보다 파이썬의 미숙함이 계속 문제를 만든다.

5. 파일로 저장하지 않고 바로 처리하도록 바꾼다.

6. 해당 페이지 로딩 테스트 완료. 이 부분은 나이스하게 넘어갔다.

7. 이걸로 url을 리턴한 후 현재의 시간으로 pdf파일 이름을 만들고 저장하면 끝. 완료. 완전히 종료.

파일들이 내 컴퓨터 안으로 들어오고 있다.

...

감격 ㅠ

크롤링은 뭔가 일반적인 코딩 결과를 볼때와 느낌이 다르다. 어떻게 보면 처음 메신저 만들었을 때와 비슷한 것도 같은데

아니다. 다르다. 게임과도 다르다. 게임 그래픽도 확실히 짜릿하기는 한데 이것과는 다르다.

이 느낌은.. 왠지 내가 부자가 되는 느낌이다 ㅡ,ㅡ

어쨌든 전체 보고서가 1350개 쯤 되는데 2초씩 쉬어가며 받으니 50분 정도 걸리겠다.

> 반성

1. 어느새 예전 코드는 몽땅 사라지고 완전히 처음부터 모두 작성(해야만)했다.

2. 그래서 완전히 이해했지만 얼마나 오랫동안 내 해마들이 이 기억을 보존해줄지 자신은 없다.

3. 그래서 몽땅 기록해놓을 생각이다.

4. 정규표현식은 쓸때마다 처음 쓰는 것 같다.

5. 그래서 그런가 (처음보는 여자처럼) 매번 매력적으로 보인다.

6. 폴더 생성 및 이동 이런 자잘한 것들 때문에 코딩시간이 쓸데없이 길어졌다. 이런 건 어차피 잊어버린다. 정리를 잘 해놓아야 한다.

현재까지 789개 받았다. 여전히 감격스럽다ㅠ 부자되는 느낌이얌.

> 주지사항

1. 이 보고서들은 현대경제연구원에서 많은 자원을 들여 만든 그들의 소중한 자산임을 알고 있다.

2. 크롤링을 금하는 곳도 많다는 것을 (방금) 알게 되었다. (뜨끔)

3. 그래서 잠깐 고민을 했는데 그래도 올리는 게 낫다고 판단했다. 다만 누구에게도 공유하지 않겠다.

4. 그리고 현대경제연구원에서 이 포스트를 내려달라고 요청하면 (당연히)내려야 겠다고 마음을 먹었다.

> 앞으로의 계획

1. 보고서들을 다운만 받고 잘~먹었습니다. 그러면서 끝내려는게 아니다.

2. 이 pdf파일들을 먼저 txt로 바꾼 후 형태소 분석을 할 것이다.

3. 다음 기간별로 분류하여 제목과 내용에 대해 빈도수를 랭킹할 거다.

4. 당연히 시각화도 해야지. 필요하면 d3.js도 사용할 생각이다(물론 난 d3.js를 써본적이 없다..만 그거 뭐시라고)

5. 어쨌든 여기까지는 확실히 할 수 있는 것들이고,

6. 현재 텍스트마이닝 수업에서 기계학습도 (살짝) 써봤는데 이걸로 무엇을 할 수 있을지는 잘 모르겠다.

7. 다담주에 긍부정 분석을 한다니 그런 분석도 해볼 수 있을 것이다.

8. 또는 이 보고서를 컴퓨터에게 보여주고 어떤 '연구원'이 썼는지 맞춰보게 할 수도 있고 ㅡ,ㅡ

9. 의미 있는 결과가 나온다면 자료를 제공해준 고마운 현대경제연구소에 결과를 보내줄 수도 있겠다.

아직도 받고 있다. 1186.

일단 이 글은 이것으로 끝.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29
현대 경제 연구원 보고서 간략 분석 (0)	2016.06.27
김대균 토익킹 크롤링 (0)	2016.06.25
아리랑은 사람에 대한 소설이다 - 조정래 교수님 '아리랑' 텍스트 분석 (3)	2016.06.24

김대균 토익킹 크롤링

푸른깃발🏳️ 2016. 6. 25. 00:10

2016. 6. 25. 00:10

● 김대균 토익킹 청취자 강의록 크롤링

> 목표

일반 기사만 크롤링 하는 것 보다 텍스트 자체도 유용한 자료를 크롤링하고 싶어 김대균 토익킹 선택.

(http://home.ebs.co.kr/toeic/board/)

> 실행

1. 위와 같이 이*희님이 매일 열성적으로 정리해서 자료를 올려주신다. 감사하게 생각하고 이것을 크롤링하는 거다.

2. 먼저 크롤링이 필요한 페이지들을 하나의 파일로 크롤링하여 만든 후(데이터를 얻어올 때는 2초씩 쉬면서 가져온다. Block 당하는 것 조심)

3. 해당 페이지의 '인쇄' 주소를 구한다. 인쇄 페이지를 찾는 이유는 일반 페이지에 비해 인쇄 페이지가 잡것(html tags,광고)들이 정리되어 있어 텍스트만 가져오기 좋기 때문이다.

- get방식으로 되어있다면 좋겠으나 세상만사 내뜻대로 되지 않는다.

- EBS 김대균 토익킹 게시판은 post방식으로 되어 있었다.

그리고 post인자는 이름이 frm이라고 하는 form태그 안에 input 태그의 name 값으로 숨겨져 있다.

이것과 해당 주소를 비교하여 주소 중에 해당 post인자들을 찾아서 pstId와 bbsId를 추출하면 된다.

http://home.ebs.co.kr/toeic/board/23/10052166/view/10007124792?c.page=1&hmpMnuId=101&searchKeywordValue=0&bbsId=10052166&fileClsCd=ANY&searchKeyword=&searchCondition=&searchConditionValue=0& 에서 원하는 것만 잘라낸다.

다음 인자들을 json으로 묶고

아래처럼 post방식으로 넘겨주면 된다.

- 크롬의 확장 프로그램 postman을 이용하여 post 방식으로 테스트 해본다.

- 요청에 따라 페이지가 뜨면 맞는거다.

4. 일반적으로 작성일이나 title등은 정규분포식을 이용해 따로 찾아서 읽어와야 한다.

5. 원하는 것들만 긁어왔으면 최종적으로 beautifulSoup 라는 멋진 이름의 모듈로 html을 모두 제거하여 텍스트 파일로 만든다.

6. 끝.

> 반성

1. 어떻게 긁어와도 한번에 내가 원하는대로 아름답게 긁어지지 않는다.

2. 은근과 끈기, 집념으로 데이터를 정련해야 한다. 정규분포식은 필수다.

3. 파이썬의 한글 인코딩은 언제나 골치아프다. 3.0버전부터 기본 인코딩이 유니코드로 바뀌었다고 한다. 뭐 어쨌든 복잡하다. 웹에 돌아다니는 2.x 버전의 노하우들은 먹히지 않는다. 덕분에 고생하며 나만의 처리 방식들을 여러개 알아냈다.

그 중 웹에서 많이 쓰이는 utf-8 방식으로 읽어올 때 아무리해도 cp949 에러가 뜨며 가져올 수 없는 경우가 있다. (조선일보가 그렇다)

이때는 아래의 코드처럼 바이너리로 가져와 euc-kr로 디코딩하여 텍스트 파일로 만들 수가 있다.

#!/usr/bin/env python3 # -*- coding: utf-8 -*- import requests import urllib.request page_url = "http://news.chosun.com/site/data/html_dir/2016/05/19/2016051903048.html" response = urllib.request.urlopen(page_url) response = response.read() response = response.decode('euc-kr') f = open('chosun_test.txt', "w", encoding="euc-kr") print(response) f.write(response) f.close()

4. 내가 처음부터 끝까지 크롤링 코드를 만든게 아니어서 공개하지 못함이 아쉽다.

5. 여러 사이트들을 크롤링하며 제법 노하우가 쌓였다. 이제 웹상에 있는 어떤 정보든 긁어올 수 있다는 자신이(?) 생겼다.

6. 끝.

저작자표시 비영리 변경금지

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 2 (0)	2016.06.30
현대 경제 연구원 보고서 분석 중 1 (0)	2016.06.29
현대 경제 연구원 보고서 간략 분석 (0)	2016.06.27
현대 경제 연구원 보고서 크롤링 (0)	2016.06.26
아리랑은 사람에 대한 소설이다 - 조정래 교수님 '아리랑' 텍스트 분석 (3)	2016.06.24

PREV 이전 1 2 3 NEXT 다음

Wookang makes AI

그 밖에 AI

현대경제연구원 보고서 Scikit-learn 모듈을 이용한 베이즈 분류 적용

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 Scikit-learn과 scipy를 이용한 비계층 군집 분석

'그 밖에 AI' 카테고리의 다른 글

현대경제연구원 보고서 쿨백라이블러 발산 (Kullback–Leibler divergence) 분석

'그 밖에 AI' 카테고리의 다른 글

아. 헬대. 현다이 ㅅㅂ

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 - 1차 결과

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 분석 중 2

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 보고서 분석 중 1

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 보고서 간략 분석

'그 밖에 AI' 카테고리의 다른 글

현대 경제 연구원 보고서 크롤링

'그 밖에 AI' 카테고리의 다른 글

김대균 토익킹 크롤링

'그 밖에 AI' 카테고리의 다른 글

+ Recent posts

티스토리툴바