nlp

넷플릭스/네이버 시놉시스 품사 분석하기

codlingual 2019. 11. 4. 19:55
반응형

넷플릭스와 네이버에서 203개 드라마, 932개 영화에 대한 시놉시스를 크롤링했다. 이제 각 시놉시스에 특정 품사가 얼마나 많이 쓰였는지 알아보려고 한다. PCA 분석도 하려면 다음과 같은 형식의 데이터를 만들어야 한다. 

 

  미디어 명사 동사 ...
영화 제목1 네이버 XXX ZZZ ...
영화 제목2 넷플릭스 YYY III ...

 

우선 크롤링한 데이터에서 시놉시스에 해당되는 칼럼만 불러온다.

 

 

모든 시놉시스의 품사를 분석하기 전에 하나의 시놉시스만 분석해본다. 

 

from konlpy.tag import Kkma 
kkma = Kkma()
kkma.pos(df['desc'][0])

 

[('전도', 'NNG'), ('유망', 'NNG'), ('하', 'XSV'), ('ㄴ', 'ETD'), ('의과', 'NNG'), ('레지던트', 'NNG'), ('가', 'JKS'), ('어느', 'MDT'), ('날', 'NNG'), ('갑자기', 'MAG'), ('좀비', 'NNG'), ('가', 'JKC'), ('되', 'VV'), ('어', 'ECD'), ('생기', 'VV'), ('는', 'ETD'), ('이야기', 'NNG'), ('를', 'JKO'), ('그리', 'VV'), ('ㄴ', 'ETD'), ('드라마', 'NNG')]

 

그럼 이렇게 품사를 분석해주는데 우린 품사의 개수만 알면 된다. '전도'라는 단어가 'NNG'라는 품사로 분석되었다는 정보는 필요 없고, 전체 시놉시스에서 'NNG'로 분석된 품사가 몇 개인지만 알면 된다. 

 

따라서 품사 분석 결과를 dictionary로 만들고 dict의 value만 취하면 된다.

 

dict(kkma.pos(df['desc'][0])).values()

 

dict_values(['NNG', 'NNG', 'XSV', 'ETD', 'NNG', 'NNG', 'JKC', 'MDT', 'NNG', 'MAG', 'NNG', 'VV', 'ECD', 'VV', 'ETD', 'NNG', 'JKO', 'VV', 'NNG'])

 

이제 이 value들의 빈도를 세면 된다. Counter를 이용하고 싶은데, Counter는 list에만 쓸 수 있으니 이 dict를 다시 list로 바꿔준다.

 

from collections import Counter
Counter(list(dict(kkma.pos(df['desc'][0])).values()))

 

Counter({'NNG': 8, 'XSV': 1, 'ETD': 2, 'JKC': 1, 'MDT': 1, 'MAG': 1, 'VV': 3, 'ECD': 1, 'JKO': 1})

 

드디어 우리가 원하는 정보가 나왔다. 이제 이 정보를 dataframe 형태로 바꿔주기만 하면 된다.

 

pd.DataFrame.from_dict(dict(Counter(list(dict(kkma.pos(df['desc'][0])).values()))), orient='index')

 

from_dict 함수를 이용하면 dict를 dataframe으로 변환할 수 있다. 

 

 

 

근데 우리가 원하는 형태는 품사가 세로가 아니라 가로로 나열된 형태다. 그러면 transpose 함수를 쓰면 된다.

 

pd.DataFrame.from_dict(dict(Counter(list(dict(kkma.pos(df['desc'][0])).values()))), orient='index').transpose()

 

하나의 시놉시스에 대한 품사 분석을 dataframe 형태로 만들었다. 이제 for문을 돌려 2,000여개의 시놉시스 모두 품사 분석을 하자! 

 

# 빈 데이터프레임 만들기 
pos_df = pd.DataFrame()

# 시놉시스 개수만큼 for문 돌리기 
for i in range(len(df['desc'])):
    pos = pd.DataFrame.from_dict(dict(Counter(list(dict(kkma.pos(df['desc'][i])).values()))), orient='index').transpose()
    
    # 이전 시놉시스 품사 분석 결과와 합치기
    pos_df = pd.concat([pos_df,pos], axis=0, ignore_index=True)
    
    # 이번 시놉시스에 등장하지 않은 품사의 값은 0으로 
    pos_df = pos_df.fillna(0) 

 

이 코드의 결과로 나온 df는 

 

 

이 데이터만으로는 어떤 영화의 품사 분석인지 알 수 없으니 기존 데이터의 일부와 합쳐준다.

 

df_factors = df[['title', 'desc', 'genre', 'media', 'len', 'sent_len']]

pos = pd.concat([df_factors,pos_df], axis=1)

 

각 품사 태그(NNG, VV, XSV 등)의 의미는 여기를 참조하면 된다. 

 

https://docs.google.com/spreadsheets/d/1OGAjUvalBuX-oZvZ_-9tEfYD2gQe7hTGsgUpiiBSXI8/edit

 

Korean POS tags comparison chart

chart Not provided in KoNLPy,Provided in KoNLPy Sejong project (ntags=42),Sim Gwangsub project (ntags=26),Twitter Korean Text (ntags=19),Komoran (ntags=42),Mecab-ko (ntags=43),Kkma (ntags=10),Kkma (ntags=30),Kkma (ntags=56),Hannanum (ntags=9),Hannanum (nta

docs.google.com

 


 

이제 품사 빈도를 표준화해준다. 네이버 시놉시스엔 일반명사가 10번, 넷플릭스엔 5번 쓰였다고 네이버가 무조건 일반명사를 많이 쓴다고 할 수 없다. 네이버 시놉시스의 길이가 더 길다면 말이다. 그래서 각 품사 빈도를 시놉시스 전체 길이로 나눠주려고 한다. 

 

근데 그러면 값이 너무 작아져버린다. 한 시놉시스에 1번만 등장한 품사도 있는데 1을 전체 길이로 나눠버리면 0.000XX ... 엄청 작은 숫자가 된다. 그래서 이 값에 다시 1000을 곱해서 보기 쉽게 만들 것이다. 1000을 곱하면 '1000자당 특정 품사가 쓰인 빈도'라는 의미로 해석할 수 있게 된다. 

 

위에서 만든 데이터를 df로 불러온 후 표준화를 한다. 

 

# 모든 시놉시스에 대해 
for i in range(len(df)):

    # df.iloc[i,6:]은 품사 칼럼만 선택한 것 (제목, 미디어 등의 칼럼은 제외)
    # df.iloc[i,4]은 len (시놉시스 전체 길이 칼럼)
    df.iloc[i,6:] = df.iloc[i,6:].apply(lambda x : x/df.iloc[i,4])

 

생각해보니 시놉시스 전체를 계속 갖고 다닐 필요가 없어서 필요없어진 칼럼은 다 없애버렸다.

 

df = df.drop(columns=['desc', 'len', 'sent_len'])

 

그리고 이제 모든 [ 품사 빈도 / 전체 길이 ] 값에 1,000을 곱해준다.

 

for i in range(len(df)):
    df.iloc[i,3:] = df.iloc[i,3:].apply(lambda x : 1000*x)

 

그럼 표준화까지 완료~!

반응형