import numpy as np
import pandas as pd
import MeCab
import re
import networkx as nx
import matplotlib.pyplot as plt
plt.rc('font',family='AppleGothic')

from IPython.display import set_matplotlib_formats
set_matplotlib_formats('retina')

df = pd.read_excel('data/비교.xlsx')
df.shape

(2409, 16)

df.head(1)

	site	hotel	score	review	date	star	length	review_spell_check	helpful	attitude	위치	시설	인테리어	청결	친절	방음
0	아고다	나인트리 프리미어 명동2	10.0	뷰 좋고 위치 좋고 깨끗하고 최고 입니다	NaN	NaN	22	뷰 좋고 위치 좋고 깨끗하고 최고입니다	1	2	1	0	0	0	0	0

stop_words = ['나','여기','무엇','그것','가','긋','가본','제','저','저희','그거','브','우리','그','큐티','쏘','슈','어디','뭐','자기','놀자','이곳','임','요방','너','그곳','거기','니티','노','이쪽','저기','호텔','곳','점','앞','시','원분','스로','도','대','플','기','그제','넥','딩','놀','좋','있','이','하','되','많','같','보','없','오','층','때','묵','쉬','먹','크','들','그렇','아니','1','2','호','일','감사']
len(stop_words)

70

def getNVM_lemma(text):
    tokenizer = MeCab.Tagger()
    parsed = tokenizer.parse(text)
    #print(parsed)
    word_tag = [w for w in parsed.split("\n")] 
    pos = []
    tags = ["NNG", "NNP","VV","VA","VCP",'VCN','XR']
   
    for word_ in word_tag[:-2]:
        word = word_.split('\t') #['아버지', 'NNG,*,F,아버지,*,*,*,*']
        tag = word[1].split(",")  #['EC', '*', 'F', '는다', '*', '*', '*', '*']
        if('+' in tag[0]): #단어가 여러 형태소로 구성된 경우
            if ('VV' in tag[0] or 'VA' in tag[0] or 'VX' in tag[0]):
                t = tag[-1].split('/')[0]
                if t not in stop_words:
                    pos.append(t)
        elif ((tag[0] in tags) and (word[0] not in stop_words)):
            pos.append(word[0])
    return pos

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

tf = CountVectorizer(tokenizer=getNVM_lemma, preprocessor=None, lowercase=False)
tdm = tf.fit_transform(df['review_spell_check'])

words = tf.get_feature_names()
words

['가게',
 '가격',
 '가격대',
 '가구',
 '가까워',
 '가까이',
 '가깝',
 '가능',
 '가도',
 '가동',
 '가득',
 '가랑',
 '가량',
 '가리',
 '가방',
 '가볍',
 '가성',
 '가습기',
 '가시',
 '가요',
 '가운',
 '가운데',
 '가을',
 '가져가',
 '가져다주',
 '가져오',
 '가족',
 '가족호텔',
 '가존',
 '가죽',
 '가지',
 '가짓수',
 '가치',
 '가하',
 '각자',
 '각종',
 '간',
 '간격',
 '간결',
 '간단',
 '간식',
 '간이침대',
 '간접',
 '간택',
 '갈',
 '갈고',
 '갈구',
 '갈아주',
 '감',
 '감기',
 '감내',
 '감동',
 '감안',
 '감지',
 '감탄',
 '갑',
 '갑갑',
 '갑인',
 '값',
 '강',
 '강남',
 '강력',
 '강변역',
 '강북',
 '강제',
 '강추',
 '갖',
 '갖추',
 '개',
 '개방',
 '개별',
 '개별난방',
 '개선',
 '개성',
 '개수',
 '개울',
 '개인',
 '개장',
 '객',
 '객석',
 '객실',
 '거',
 '거리',
 '거미',
 '거슬리',
 '거울',
 '거주',
 '거짓말',
 '거칠',
 '걱정',
 '건',
 '건너',
 '건너편',
 '건물',
 '건조',
 '걷',
 '걸',
 '걸리',
 '걸맞',
 '걸어가',
 '검',
 '검사',
 '검색',
 '겁나',
 '겉모습',
 '겉보기',
 '게',
 '게스트',
 '겨울',
 '겨울날',
 '격',
 '격하',
 '겪',
 '결국',
 '결정',
 '결제',
 '결혼식',
 '경',
 '경복궁',
 '경우',
 '경치',
 '경향',
 '경험',
 '경호원',
 '계단',
 '계속',
 '계시',
 '계열',
 '계획',
 '고',
 '고객',
 '고급',
 '고도',
 '고려',
 '고르',
 '고리',
 '고맙',
 '고무',
 '고민',
 '고생',
 '고요',
 '고음',
 '고장',
 '고정',
 '고지',
 '고추냉이',
 '고층',
 '곤란',
 '골목',
 '골목길',
 '골뱅이',
 '곰돌이',
 '곰장어',
 '곰팡이',
 '곱',
 '곳곳',
 '공',
 '공간',
 '공기',
 '공덕역',
 '공사',
 '공사장',
 '공사판',
 '공유',
 '공조',
 '공지',
 '공짜',
 '공평동',
 '공포증',
 '공항',
 '과',
 '과일',
 '과자',
 '과정',
 '과제',
 '곽',
 '관',
 '관계자',
 '관광',
 '관광객',
 '관광지',
 '관광차',
 '관련',
 '관리',
 '관자',
 '광나루역',
 '광장',
 '광장시장',
 '광화문',
 '광화문역',
 '광희',
 '괘',
 '괜찮',
 '굉장',
 '교보문고',
 '교육',
 '교자',
 '교체',
 '교촌',
 '교통',
 '교통편',
 '교회',
 '구경',
 '구경거리',
 '구도심',
 '구루',
 '구리',
 '구린내',
 '구매',
 '구멍',
 '구분',
 '구비',
 '구석',
 '구석구석',
 '구성',
 '구식',
 '구애',
 '구용',
 '구우',
 '구조',
 '구차',
 '구청',
 '구하',
 '구형',
 '국내',
 '국밥',
 '군더더기',
 '굳',
 '굴',
 '굿',
 '궁하',
 '권',
 '귀신',
 '귀찮',
 '규',
 '규모',
 '그동안',
 '그랑',
 '그랜드',
 '그러',
 '그럭',
 '그만두',
 '근래',
 '근무',
 '근방',
 '근본',
 '근접',
 '근처',
 '글',
 '긁히',
 '금',
 '금애',
 '금액',
 '급',
 '급하',
 '기간',
 '기계',
 '기구',
 '기념',
 '기념일',
 '기다리',
 '기대',
 '기대치',
 '기름',
 '기름때',
 '기만',
 '기본',
 '기본기',
 '기분',
 '기사',
 '기상',
 '기억',
 '기억나',
 '기업',
 '기재',
 '기존',
 '기준',
 '기침',
 '기타',
 '기현상',
 '기호',
 '기회',
 '길',
 '김밥',
 '깁',
 '깊',
 '깊숙',
 '까',
 '까맣',
 '까먹',
 '깔끔',
 '깜빡하',
 '깨',
 '깨끗',
 '깨우',
 '깨지',
 '꺼내',
 '꺼주',
 '꺼지',
 '꺾어지',
 '께',
 '꼭',
 '꼭대기',
 '꼭지',
 '꼼꼼',
 '꼽',
 '꽝',
 '꾸',
 '꾸미',
 '꿀',
 '꿀리',
 '꿀잠',
 '꿈',
 '끄',
 '끈적',
 '끊',
 '끊기',
 '끌',
 '끗',
 '끝',
 '끝나',
 '끝맺',
 '끼',
 '끼어들',
 '나가',
 '나누',
 '나들이',
 '나라',
 '나머지',
 '나무',
 '나무라',
 '나방',
 '나쁘',
 '나아지',
 '나오',
 '나용',
 '나이트',
 '나인',
 '나중',
 '나초',
 '낙후',
 '난리',
 '난방',
 '난방기',
 '난센스',
 '낟',
 '날',
 '날리',
 '날씨',
 '낡',
 '남',
 '남기',
 '남녀',
 '남다르',
 '남대문',
 '남매',
 '남산',
 '남성',
 '남자',
 '남편',
 '납득',
 '낫',
 '낭만',
 '낮',
 '낳',
 '내',
 '내고',
 '내국인',
 '내놓',
 '내들',
 '내려가',
 '내려서',
 '내려앉',
 '내려오',
 '내리',
 '내받',
 '내부',
 '내역',
 '내외',
 '내용',
 '내용물',
 '냄',
 '냄새',
 '냄새나',
 '냉난방',
 '냉동',
 '냉동식품',
 '냉면',
 '냉방',
 '냉장고',
 '넉넉',
 '널찍',
 '넓',
 '넘',
 '넘기',
 '넘어서',
 '넘어오',
 '넣',
 '네임',
 '넷플릭스',
 '녀',
 '노랗',
 '노보',
 '노트북',
 '노포',
 '노후',
 '녹슬',
 '놀라',
 '놀랍',
 '놀래',
 '높',
 '높이',
 '놓',
 '누들',
 '누르',
 '누리',
 '눅눅',
 '눈',
 '눕',
 '느',
 '느끼',
 '느낌',
 '느리',
 '늘',
 '늘리',
 '능',
 '능동',
 '늦',
 '늦잠',
 '니스',
 '닌',
 '다과',
 '다녀가',
 '다녀오',
 '다니',
 '다루',
 '다르',
 '다리미',
 '다림질',
 '다면',
 '다방',
 '다분',
 '다시',
 '다양',
 '다운',
 '다음',
 '다치',
 '다호',
 '닥',
 '닥터',
 '닦',
 '닦이',
 '단계',
 '단골',
 '단내',
 '단순',
 '단위',
 '단점',
 '단체',
 '닫',
 '닫히',
 '달',
 '달라지',
 '닳',
 '담',
 '담날',
 '담당',
 '담배',
 '담백',
 '답답',
 '답변',
 '당',
 '당연',
 '당일',
 '당황',
 '대관',
 '대기',
 '대기층',
 '대단',
 '대만',
 '대박',
 '대부분',
 '대비',
 '대사관',
 '대수',
 '대신',
 '대여',
 '대응',
 '대전',
 '대접',
 '대중교통',
 '대창',
 '대책',
 '대처',
 '대체',
 '대충',
 '대통령',
 '대표',
 '대하',
 '대학',
 '대함',
 '대형',
 '대화',
 '더럽',
 '더불',
 '더블',
 '더블베드',
 '더위',
 '덕',
 '덕목',
 '덕분',
 '덕수궁',
 '던지',
 '덤',
 '덥',
 '덩어리',
 '덮치',
 '데기',
 '데리',
 '데스크',
 '데우',
 '데이트',
 '도로',
 '도보',
 '도시',
 '도시락',
 '도심',
 '도심지',
 '도어',
 '도착',
 '돈',
 '돋',
 '돌',
 '돌리',
 '돌아가',
 '돌아다니',
 '돌이',
 '돌잔치',
 '돕',
 '동남아',
 '동네',
 '동대문',
 '동반',
 '동생',
 '동서남북',
 '동선',
 '동안',
 '동일',
 '동편',
 '동행',
 '동향',
 '두',
 '두기',
 '두껍',
 '두드리',
 '두말',
 '두산',
 '둘러보',
 '뒤',
 '뒤끝',
 '뒤엉키',
 '뒤지',
 '뒤집',
 '듀',
 '드',
 '드라이',
 '드루',
 '드리',
 '듣',
 '들르',
 '들리',
 '들어가',
 '들어오',
 '들이',
 '등',
 '등급',
 '디',
 '디럭스',
 '디자인',
 '디저트',
 '디테일',
 '디파',
 '딜',
 '딜리버리',
 '딥',
 '따',
 '따듯',
 '따뜻',
 '따라오',
 '따르',
 '딱딱',
 '딱지',
 '딸',
 '딸기',
 '딸아이',
 '땀',
 '때려잡',
 '때리',
 '때우',
 '떠',
 '떠나',
 '떠다니',
 '떠드',
 '떠들',
 '떠오르',
 '떠올리',
 '떡',
 '떡볶이',
 '떨',
 '떨어지',
 '똑같',
 '똑똑',
 '뚜껑',
 '뚝섬',
 '뚫리',
 '뛰어나',
 '뛰어다니',
 '뜨',
 '뜨겁',
 '뜨임',
 '뜯',
 '뜻깊',
 '라',
 '라디에이터',
 '라마',
 '라미',
 '라세',
 '라운지',
 '라테',
 '래드',
 '러닝',
 '러링',
 '럭셔리',
 '럭스',
 '런',
 '레',
 '레스토랑',
 '레이트',
 '레인지',
 '렉',
 '렴',
 '로데이',
 '로브',
 '로비',
 '로션',
 '로케이션',
 '록',
 '롯',
 '롯데',
 '롯데호텔',
 '루루',
 '루르',
 '루프',
 '룸',
 '룸서비스',
 '르',
 '리뉴',
 '리만',
 '리모',
 '리모컨',
 '리무진',
 '리버',
 '리뷰',
 '리셉션',
 '리어',
 '리조트',
 '리퀘스트',
 '리턴',
 '리필',
 '린스',
 '립니',
 '링',
 '마감',
 '마땅',
 '마루',
 '마룻바닥',
 '마르',
 '마법',
 '마스크',
 '마시',
 '마운틴뷰',
 '마을',
 '마음',
 '마이너스',
 '마이크',
 '마인드',
 '마지막',
 '마찬가지',
 '마치',
 '마트',
 '마포',
 '막',
 '막히',
 '만남',
 '만들',
 '만석',
 '만약',
 '만인',
 '만점',
 '만족',
 '만족감',
 '만족도',
 '만차',
 '만행',
 '말',
 '말리',
 '말본새',
 '말씀',
 '말투',
 '맘',
 '맘모스',
 '맛',
 '맛보',
 '맛있',
 '맛집',
 '망가지',
 '망고',
 '망치',
 '망하',
 '맞',
 '맞은편',
 '맞추',
 '맡기',
 '매뉴얼',
 '매니저',
 '매력',
 '매번',
 '매우',
 '매트',
 '맥주',
 '맨손',
 '머그',
 '머리',
 '머리빗',
 '머리카락',
 '머무',
 '머무르',
 '머물',
 '머신',
 '먹거리',
 '먹방',
 '먹을거리',
 '먹칠',
 '먹통',
 '먹히',
 '먼지',
 '멀',
 '멀쩡',
 '멋있',
 '멋지',
 '메뉴',
 '메리트',
 '메밀',
 '메이드',
 '메일',
 '멘붕',
 '며칠',
 '면',
 '면도기',
 '면봉',
 '면적',
 '명가',
 '명동',
 '명동성당',
 '명동역',
 '명부',
 '명성',
 '명소',
 '명치',
 '모기',
 '모니터',
 '모던',
 '모두',
 '모르',
 '모습',
 '모시',
 '모이',
 '모임',
 '모자',
 '모자라',
 '모텔',
 '목',
 '목과',
 '목록',
 '목욕탕',
 '목적',
 '몰리',
 '몸',
 '몸살',
 '못하',
 '무겁',
 '무궁화',
 '무난',
 '무능',
 '무디',
 '무료',
 '무선',
 '무인',
 '무제',
 '무조건',
 '무풍',
 '무한',
 '묵지',
 '묶',
 '문',
 '문의',
 '문제',
 '문제없',
 '문제점',
 '문진',
 '묻',
 '물',
 '물가',
 '물건',
 '물놀이',
 '물때',
 '물량',
 '물론',
 '물소리',
 '물어보',
 '물품',
 '미',
 '미국',
 '미끄러지',
 '미니',
 '미니바',
 '미닫이',
 '미러',
 '미만',
 '미소',
 '미스',
 '미안',
 '미지수',
 '미치',
 '미팅',
 '미풍',
 '미흡',
 '민감',
 '민망',
 '믿',
 '믿음직',
 '밀리',
 '밀접',
 '밋',
 '밑',
 '밑바닥',
 '바',
 '바깥소리',
 '바깥쪽',
 '바꾸',
 '바뀌',
 '바나',
 '바닥',
 '바닥나',
 '바도',
 '바동',
 '바라',
 '바람',
 '바래',
 '바르',
 '바쁘',
 '바셋',
 '바이러스',
 '박',
 '박만',
 '박물관',
 '박상태',
 '박스',
 '박이',
 '박자',
 '박히',
 '밖',
 '반',
 '반경',
 '반대편',
 '반복',
 '반신욕',
 '반영',
 '반응',
 '받',
 '발견',
 '발급',
 '발레',
 '발레파킹',
 '발생',
 '발열',
 '발판',
 '밝',
 '밟',
 '밤',
 '밤늦',
 '밤새',
 '밥',
 '밥집',
 '방',
 '방가',
 '방도',
 '방문',
 '방법',
 '방분',
 '방사',
 '방안',
 '방역',
 '방음',
 '방이',
 '방주',
 '방충망',
 '방향',
 '배',
 '배경',
 '배달',
 '배드',
 '배려',
 '배수',
 '배스',
 '배정',
 '배치',
 '백',
 '백색',
 '백화점',
 '밸류',
 '버거킹',
 '버리',
 '버스',
 '버튼',
 '벅스',
 '번거',
 '번방',
 '번호',
 '번화가',
 '벌레',
 '범위',
 '벗겨지',
 '벗기',
 '베',
 '베개',
 '베다',
 '베드',
 '베스트',
 '베이커리',
 '벽',
 '벽지',
 '변경',
 '변기',
 '변하',
 '별',
 '별다르',
 '별도',
 '별점',
 '병',
 '병원',
 '보관',
 '보내',
 '보디',
 '보디로션',
 '보수',
 '보완',
 '보이',
 '보일러',
 '보임',
 '보장',
 '보증금',
 '보태',
 '보통',
 '복',
 '복도',
 '복잡',
 '복장',
 '복판',
 '볶음밥',
 '본관',
 '본사',
 '본인',
 '볼',
 '볼거리',
 '볼일',
 '부',
 '부과',
 '부근',
 '부끄럽',
 '부나',
 '부담',
 '부대',
 '부대시설',
 '부도',
 '부르',
 '부모',
 '부분',
 '부산',
 '부스',
 '부스러기',
 '부시',
 '부실',
 '부족',
 '부치',
 '부탁',
 '부티크',
 '부합',
 '북',
 '북궁',
 ...]

위치_idx = words.index('위치')
청결_idx = words.index('청결')
깨끗_idx = words.index('깨끗')
친절_idx = words.index('친절')
시설_idx = words.index('시설')

tdm_arr = tdm.toarray()
tdm_len = []
for i in range(len(tdm_arr)):
    a = tdm_arr[i]
    a = np.append(a, df['위치'][i]) #-6
    a = np.append(a, df['시설'][i]) #-5
    a = np.append(a, df['인테리어'][i]) #-4
    a = np.append(a, df['청결'][i]) #-3
    a = np.append(a, df['친절'][i]) #-2
    a = np.append(a, df['방음'][i]) #-1
    tdm_len.append(a)

len(tdm_len[0])

2537

tdm_len[0]

array([0, 0, 0, ..., 0, 0, 0])

tdm_len[0][-6]

1

def make_list(keyword,idx,list_name):
    for r in range(len(tdm_len)):
    #print(r)
        if tdm_len[r][idx] > 0:
            
            for x in range(len(tdm_arr[0])):
                #print(words[x])
                if (tdm_arr[r][x] > 0) and (words[x] != keyword):
                    list_name.append(words[x])

위치_list = []
청결_list = []
친절_list = []
시설_list = []
인테리어_list = []
방음_list = []

make_list('위치',-6,위치_list)
make_list('시설',-5,시설_list)
make_list('인테리어',-4,인테리어_list)
make_list('청결',-3,청결_list)
make_list('친절',-2,친절_list)
make_list('방음',-1,방음_list)

c = Counter(친절_list)
print(c.most_common(100))

[('직원', 229), ('깨끗', 78), ('위치', 77), ('이용', 61), ('깔끔', 60), ('객실', 55), ('룸', 55), ('방', 55), ('만족', 50), ('시설', 49), ('다음', 45), ('서비스', 44), ('조식', 44), ('청결', 41), ('편하', 37), ('숙소', 36), ('프런트', 36), ('방문', 36), ('뷰', 34), ('아쉽', 34), ('가격', 30), ('주변', 29), ('컨디션', 28), ('편의점', 28), ('생각', 27), ('남산', 26), ('정도', 24), ('불편', 24), ('말', 24), ('보이', 24), ('가깝', 23), ('괜찮', 22), ('예약', 22), ('청소', 22), ('응대', 22), ('접근성', 22), ('넓', 21), ('편리', 21), ('상태', 20), ('주', 20), ('라운지', 19), ('요청', 19), ('체크인', 19), ('맛있', 18), ('명동', 17), ('받', 17), ('드리', 17), ('최고', 16), ('신라', 16), ('시간', 15), ('욕조', 15), ('맛', 15), ('근처', 15), ('서울', 15), ('의사', 15), ('코로나', 15), ('부분', 15), ('로비', 15), ('광화문', 15), ('좁', 14), ('편의', 14), ('체크', 14), ('쓰', 13), ('체크아웃', 13), ('대비', 13), ('조용', 13), ('먼지', 13), ('추천', 13), ('주차장', 13), ('전화', 13), ('어메니티', 13), ('기분', 13), ('작', 13), ('집', 12), ('업그레이드', 12), ('화장실', 12), ('침대', 12), ('사항', 12), ('모르', 12), ('방음', 12), ('숙박', 12), ('교통', 12), ('주차', 12), ('빼', 11), ('전체', 11), ('안내', 11), ('에어컨', 11), ('타워', 11), ('즐기', 11), ('스테이', 11), ('건물', 11), ('사용', 11), ('나오', 10), ('여행', 10), ('역', 10), ('루프', 10), ('탑', 10), ('그러', 10), ('침구류', 10), ('신경', 10)]

방음포함리스트 = ['조용','방','위치','들리','소리','옆방','소음','시끄럽','잠','밤','새벽','주변','아침','조계사']
방음_list2 = []
for w in 방음_list:
    if w in 방음포함리스트:
        방음_list2.append(w)
        
위치포함리스트 = ['가깝','주변','접근성','광화문','방','명동','가격','객실','편의점','뷰','근처','방문','교통','맛','집','걷','서울','을지로','거리','여행','주차장','남산','지하철','종로','역','인사동','이동','도보','지하철역','식당','경복궁','커피']
위치_list2 = []
for w in 위치_list:
    if w in 위치포함리스트:
        위치_list2.append(w)
인테리어포함리스트 = ['방','넓','좁','깔끔','작','크기','느낌','욕조','욕실','답답','내부','테이블','모던','사이즈']
인테리어_list2 = []
for w in 인테리어_list:
    if w in 인테리어포함리스트:
        인테리어_list2.append(w)
        
친절포함리스트 = ['직원','룸','객실','응대','말','요청','코로나','체크아웃','전화','기분','안내','방','조식','프런트','서비스','컨디션','예약','체크인','업그레이드','불편']
친절_list2 = []
for w in 친절_list:
    if w in 친절포함리스트:
        친절_list2.append(w)
청결포함리스트 = ['객실','상태','시설','침대','방','깨끗','깔끔','먼지','침구','화장실','어메니티','수건','침구류','신경','청소','욕조','컨디션','쾌적','머리카락','위생','냄새','물']
청결_list2 = []
for w in 청결_list:
    if w in 청결포함리스트:
        청결_list2.append(w)
시설포함리스트 = ['위치','라운지','주차','로비','편의점','헬스','조식','객실','넓','건물','엘리베이터','루프','공간','수영장']
시설_list2 = []
for w in 시설_list:
    if w in 시설포함리스트:
        시설_list2.append(w)

relations = []
#degrees = []
for x in 위치_list2:
    if x =='걷':
        relations.append(("위치",'걷다'))
    else:
        relations.append(("위치",x))
    #degrees.append(v)
for x in 청결_list2:
    relations.append(("청결",x))
for x in 시설_list2:
    if x=='넓':
        relations.append(("시설",'넓다'))
    else:
        relations.append(("시설",x))
for x in 친절_list2:
    relations.append(("친절",x))
for x in 인테리어_list2:
    if x == '좁':
        relations.append(("인테리어",'좁다'))
    elif x =='작':
        relations.append(("인테리어",'작다'))
    elif x == '넓':
        relations.append(("인테리어",'넓다'))
    else:
        relations.append(("인테리어",x))
for x in 방음_list2:
    relations.append(("방음",x))

from collections import Counter
c=Counter(relations)

포함리스트 = []
degree = {}
for k,v in c.items():
        
        포함리스트.append(k)
        degree[k[1]] = v

degree

{'뷰': 49,
 '근처': 44,
 '주변': 9,
 '을지로': 30,
 '편의점': 82,
 '가격': 52,
 '주차장': 25,
 '지하철': 22,
 '객실': 55,
 '교통': 32,
 '커피': 14,
 '여행': 26,
 '걷다': 31,
 '맛': 32,
 '지하철역': 15,
 '가깝': 81,
 '명동': 55,
 '종로': 22,
 '방': 25,
 '거리': 27,
 '접근성': 77,
 '남산': 25,
 '도보': 16,
 '역': 22,
 '방문': 40,
 '서울': 31,
 '식당': 15,
 '집': 32,
 '이동': 17,
 '경복궁': 15,
 '인사동': 19,
 '광화문': 60,
 '먼지': 39,
 '상태': 62,
 '청소': 57,
 '침대': 40,
 '깨끗': 290,
 '깔끔': 34,
 '시설': 66,
 '침구': 28,
 '쾌적': 19,
 '수건': 18,
 '욕조': 9,
 '컨디션': 28,
 '화장실': 44,
 '침구류': 17,
 '냄새': 21,
 '신경': 15,
 '위생': 22,
 '머리카락': 20,
 '어메니티': 17,
 '물': 16,
 '위치': 22,
 '수영장': 13,
 '헬스': 14,
 '공간': 18,
 '주차': 53,
 '넓다': 63,
 '로비': 24,
 '건물': 23,
 '루프': 18,
 '라운지': 33,
 '조식': 44,
 '엘리베이터': 20,
 '직원': 229,
 '체크아웃': 13,
 '룸': 55,
 '업그레이드': 12,
 '서비스': 44,
 '요청': 19,
 '예약': 22,
 '안내': 11,
 '프런트': 36,
 '불편': 24,
 '응대': 22,
 '체크인': 19,
 '말': 24,
 '코로나': 15,
 '전화': 13,
 '기분': 13,
 '욕실': 8,
 '좁다': 34,
 '크기': 10,
 '느낌': 10,
 '사이즈': 5,
 '모던': 5,
 '작다': 23,
 '테이블': 6,
 '답답': 6,
 '내부': 8,
 '시끄럽': 16,
 '들리': 21,
 '소리': 21,
 '아침': 7,
 '잠': 13,
 '밤': 10,
 '조용': 28,
 '옆방': 21,
 '새벽': 10,
 '소음': 21,
 '조계사': 5}

포함리스트

[('위치', '뷰'),
 ('위치', '근처'),
 ('위치', '주변'),
 ('위치', '을지로'),
 ('위치', '편의점'),
 ('위치', '가격'),
 ('위치', '주차장'),
 ('위치', '지하철'),
 ('위치', '객실'),
 ('위치', '교통'),
 ('위치', '커피'),
 ('위치', '여행'),
 ('위치', '걷다'),
 ('위치', '맛'),
 ('위치', '지하철역'),
 ('위치', '가깝'),
 ('위치', '명동'),
 ('위치', '종로'),
 ('위치', '방'),
 ('위치', '거리'),
 ('위치', '접근성'),
 ('위치', '남산'),
 ('위치', '도보'),
 ('위치', '역'),
 ('위치', '방문'),
 ('위치', '서울'),
 ('위치', '식당'),
 ('위치', '집'),
 ('위치', '이동'),
 ('위치', '경복궁'),
 ('위치', '인사동'),
 ('위치', '광화문'),
 ('청결', '먼지'),
 ('청결', '상태'),
 ('청결', '청소'),
 ('청결', '침대'),
 ('청결', '깨끗'),
 ('청결', '깔끔'),
 ('청결', '시설'),
 ('청결', '침구'),
 ('청결', '쾌적'),
 ('청결', '수건'),
 ('청결', '방'),
 ('청결', '욕조'),
 ('청결', '객실'),
 ('청결', '컨디션'),
 ('청결', '화장실'),
 ('청결', '침구류'),
 ('청결', '냄새'),
 ('청결', '신경'),
 ('청결', '위생'),
 ('청결', '머리카락'),
 ('청결', '어메니티'),
 ('청결', '물'),
 ('시설', '위치'),
 ('시설', '수영장'),
 ('시설', '헬스'),
 ('시설', '편의점'),
 ('시설', '공간'),
 ('시설', '주차'),
 ('시설', '넓다'),
 ('시설', '로비'),
 ('시설', '건물'),
 ('시설', '루프'),
 ('시설', '라운지'),
 ('시설', '조식'),
 ('시설', '객실'),
 ('시설', '엘리베이터'),
 ('친절', '직원'),
 ('친절', '체크아웃'),
 ('친절', '객실'),
 ('친절', '룸'),
 ('친절', '컨디션'),
 ('친절', '업그레이드'),
 ('친절', '서비스'),
 ('친절', '요청'),
 ('친절', '예약'),
 ('친절', '방'),
 ('친절', '안내'),
 ('친절', '프런트'),
 ('친절', '불편'),
 ('친절', '응대'),
 ('친절', '체크인'),
 ('친절', '조식'),
 ('친절', '말'),
 ('친절', '코로나'),
 ('친절', '전화'),
 ('친절', '기분'),
 ('인테리어', '넓다'),
 ('인테리어', '방'),
 ('인테리어', '욕실'),
 ('인테리어', '좁다'),
 ('인테리어', '깔끔'),
 ('인테리어', '크기'),
 ('인테리어', '느낌'),
 ('인테리어', '사이즈'),
 ('인테리어', '욕조'),
 ('인테리어', '모던'),
 ('인테리어', '작다'),
 ('인테리어', '테이블'),
 ('인테리어', '답답'),
 ('인테리어', '내부'),
 ('방음', '시끄럽'),
 ('방음', '주변'),
 ('방음', '들리'),
 ('방음', '방'),
 ('방음', '소리'),
 ('방음', '아침'),
 ('방음', '잠'),
 ('방음', '위치'),
 ('방음', '밤'),
 ('방음', '조용'),
 ('방음', '옆방'),
 ('방음', '새벽'),
 ('방음', '소음'),
 ('방음', '조계사')]

G1.nodes()

NodeView(('위치', '뷰', '근처', '주변', '을지로', '편의점', '가격', '주차장', '지하철', '객실', '교통', '커피', '여행', '걷다', '맛', '지하철역', '가깝', '명동', '종로', '방', '거리', '접근성', '남산', '도보', '역', '방문', '서울', '식당', '집', '이동', '경복궁', '인사동', '광화문', '청결', '먼지', '상태', '청소', '침대', '깨끗', '깔끔', '시설', '침구', '쾌적', '수건', '욕조', '컨디션', '화장실', '침구류', '냄새', '신경', '위생', '머리카락', '어메니티', '물', '수영장', '헬스', '공간', '주차', '넓다', '로비', '건물', '루프', '라운지', '조식', '엘리베이터', '친절', '직원', '체크아웃', '룸', '업그레이드', '서비스', '요청', '예약', '안내', '프런트', '불편', '응대', '체크인', '말', '코로나', '전화', '기분', '인테리어', '욕실', '좁다', '크기', '느낌', '사이즈', '모던', '작다', '테이블', '답답', '내부', '방음', '시끄럽', '들리', '소리', '아침', '잠', '밤', '조용', '옆방', '새벽', '소음', '조계사'))

degree = {'위치':50,'뷰': 49,'근처': 44,'주변': 9,'을지로': 30,'편의점': 82,'가격': 52,'주차장': 25,'지하철': 22,'객실': 55,'교통': 32,'커피': 14,'여행': 26,'걷다': 31,'맛': 32,'지하철역': 15,'가깝': 81,'명동': 55,'종로': 22,'방': 25,'거리': 27,'접근성': 77,'남산': 25,'도보': 16,'역': 22,'방문': 40,'서울': 31,'식당': 15,'집': 32,'이동': 17,'경복궁': 15,'인사동': 19,'광화문': 60,
 '청결':50,'먼지': 39,'상태': 62,'청소': 57,'침대': 40,'깨끗': 290,'깔끔': 34,'시설': 66,'침구': 28,'쾌적': 19,'수건': 18,'욕조': 9,'컨디션': 28,'화장실': 44,'침구류': 17,'냄새': 21,'신경': 15,'위생': 22,'머리카락': 20,'어메니티': 17,'물': 16,'수영장': 13,'헬스': 14,'공간': 18,'주차': 53,'넓다': 63,'로비': 24,'건물': 23,'루프': 18,'라운지': 33,'조식': 44,'엘리베이터': 20,
 '친절':50,'직원': 229,'체크아웃': 13,'룸': 55,'업그레이드': 12,'서비스': 44,'요청': 19,'예약': 22 ,'안내': 11,'프런트': 36,'불편': 24,'응대': 22,'체크인': 19,'말': 24,'코로나': 15,'전화': 13,'기분': 13,
          '인테리어':50,'욕실': 8,'좁다': 34,'크기': 10,'느낌': 10,'사이즈': 5,'모던': 5,'작다': 23,'테이블': 6,'답답': 6,'내부': 8,
    '방음':50,'시끄럽': 16,'들리': 21,'소리': 21,'아침': 7,'잠': 13,'밤': 10,'조용': 28,'옆방': 21,'새벽': 10,'소음': 21,'조계사': 5}

df.head(1)

	site	hotel	score	review	date	star	length	review_spell_check	helpful	attitude	위치	시설	인테리어	청결	친절	방음
0	아고다	나인트리 프리미어 명동2	10.0	뷰 좋고 위치 좋고 깨끗하고 최고 입니다	NaN	NaN	22	뷰 좋고 위치 좋고 깨끗하고 최고입니다	1	2	1	0	0	0	0	0

plt.figure(figsize=(30,15))
plt.axis('off')
G1 = nx.Graph()
G1.add_edges_from(포함리스트, color='blue')

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-20-e32cf466b10b> in <module>
----> 1 pr = nx.pagerank(G1)
      2 plt.figure(figsize=(30,15))
      3 plt.axis('off')
      4 G1 = nx.Graph()
      5 G1.add_edges_from(포함리스트, color='blue')

NameError: name 'G1' is not defined

pr

{'위치': 0.13701934793915285,
 '뷰': 0.004854271699353748,
 '근처': 0.004854271699353748,
 '주변': 0.008352305929940032,
 '을지로': 0.004854271699353748,
 '편의점': 0.008116050882456706,
 '가격': 0.004854271699353748,
 '주차장': 0.004854271699353748,
 '지하철': 0.004854271699353748,
 '객실': 0.014875112171357048,
 '교통': 0.004854271699353748,
 '커피': 0.004854271699353748,
 '여행': 0.004854271699353748,
 '걷다': 0.004854271699353748,
 '맛': 0.004854271699353748,
 '지하철역': 0.004854271699353748,
 '가깝': 0.004854271699353748,
 '명동': 0.004854271699353748,
 '종로': 0.004854271699353748,
 '방': 0.018509628148341773,
 '거리': 0.004854271699353748,
 '접근성': 0.004854271699353748,
 '남산': 0.004854271699353748,
 '도보': 0.004854271699353748,
 '역': 0.004854271699353748,
 '방문': 0.004854271699353748,
 '서울': 0.004854271699353748,
 '식당': 0.004854271699353748,
 '집': 0.004854271699353748,
 '이동': 0.004854271699353748,
 '경복궁': 0.004854271699353748,
 '인사동': 0.004854271699353748,
 '광화문': 0.004854271699353748,
 '청결': 0.0860439334923585,
 '먼지': 0.004753430020550088,
 '상태': 0.004753430020550088,
 '청소': 0.004753430020550088,
 '침대': 0.004753430020550088,
 '깨끗': 0.004753430020550088,
 '깔끔': 0.00815169095005149,
 '시설': 0.0575592709692868,
 '침구': 0.004753430020550088,
 '쾌적': 0.004753430020550088,
 '수건': 0.004753430020550088,
 '욕조': 0.00815169095005149,
 '컨디션': 0.00818763271747177,
 '화장실': 0.004753430020550088,
 '침구류': 0.004753430020550088,
 '냄새': 0.004753430020550088,
 '신경': 0.004753430020550088,
 '위생': 0.004753430020550088,
 '머리카락': 0.004753430020550088,
 '어메니티': 0.004753430020550088,
 '물': 0.004753430020550088,
 '수영장': 0.004690350611674388,
 '헬스': 0.004690350611674388,
 '공간': 0.004690350611674388,
 '주차': 0.004690350611674388,
 '넓다': 0.00808861154117579,
 '로비': 0.004690350611674388,
 '건물': 0.004690350611674388,
 '루프': 0.004690350611674388,
 '라운지': 0.004690350611674388,
 '조식': 0.00812455330859607,
 '엘리베이터': 0.004690350611674388,
 '친절': 0.08079230843403845,
 '직원': 0.004862774125493112,
 '체크아웃': 0.004862774125493112,
 '룸': 0.004862774125493112,
 '업그레이드': 0.004862774125493112,
 '서비스': 0.004862774125493112,
 '요청': 0.004862774125493112,
 '예약': 0.004862774125493112,
 '안내': 0.004862774125493112,
 '프런트': 0.004862774125493112,
 '불편': 0.004862774125493112,
 '응대': 0.004862774125493112,
 '체크인': 0.004862774125493112,
 '말': 0.004862774125493112,
 '코로나': 0.004862774125493112,
 '전화': 0.004862774125493112,
 '기분': 0.004862774125493112,
 '인테리어': 0.05596294679804124,
 '욕실': 0.0048268323580728315,
 '좁다': 0.0048268323580728315,
 '크기': 0.0048268323580728315,
 '느낌': 0.0048268323580728315,
 '사이즈': 0.0048268323580728315,
 '모던': 0.0048268323580728315,
 '작다': 0.0048268323580728315,
 '테이블': 0.0048268323580728315,
 '답답': 0.0048268323580728315,
 '내부': 0.0048268323580728315,
 '방음': 0.057611900512551446,
 '시끄럽': 0.004926605659157713,
 '들리': 0.004926605659157713,
 '소리': 0.004926605659157713,
 '아침': 0.004926605659157713,
 '잠': 0.004926605659157713,
 '밤': 0.004926605659157713,
 '조용': 0.004926605659157713,
 '옆방': 0.004926605659157713,
 '새벽': 0.004926605659157713,
 '소음': 0.004926605659157713,
 '조계사': 0.004926605659157713}

plt.figure(figsize=(35,20))
plt.axis('off')
G1 = nx.Graph()
G1.add_edges_from(포함리스트, color='blue')
pos=nx.random_layout(G1)
pr = nx.pagerank(G1)
#nx.draw_circular(G)
nx.draw_networkx(G1
             ,node_size=[v*100 for k,v in degree.items()]
             ,alpha=0.7
            ,font_family='AppleGothic'
                 ,font_size=25
                ,edge_color='.5'
                 ,font_color='black'
            ,node_color=list(pr.values())
                 ,cmap=plt.cm.Oranges
             )
#nx.draw_networkx_labels(G1, pos, font_family='AppleGothic',font_size=20,edge_color='.5') 
plt.savefig("Graph1.png", format="PNG")
plt.show()

plt.savefig("Graph.png", format="PNG")

<Figure size 432x288 with 0 Axes>

Export

nx.write_graphml(G1, 'data/그래프.graphml')