# 필요한 패키지를 불러옵니다.
library(tidyverse)
library(stringr)
library(stringi)
library(magrittr)

# 분석 대상 회사이름을 지정합니다. 
compNm <- '삼성화재'

# RDS 파일을 읽어옵니다. 
dt <- readRDS(file = '../data/Company_Review_Data_삼성화재해상보험.RDS')

# 별점을 1~5점으로 환산합니다.
dt[, 8:13] <- sapply(X = dt[, 8:13], FUN = function(x) x / 20)

# 추천여부 컬럼을 '추천'과 '비추'로 변환합니다.
dt$추천여부 <- str_extract(string = dt$추천여부, pattern = '추천(?= )')
dt$추천여부[is.na(x = dt$추천여부) == TRUE] <- '비추'

# 필요한 컬럼만 선택합니다. 
cols <- c('기업장점', '기업단점', '바라는점', '재직상태', '별점평가', '추천여부')
texts <- dt[, cols]

# NA가 포함된 행을 제거합니다.
texts <- texts[complete.cases(texts), ]
nrow(x = texts)

# 중복 행을 제거합니다. 
texts <- unique(x = texts)
nrow(x = texts)

# 객체에 id를 추가하는 함수를 생성합니다.
generateIDs <- function(obj, index = 'id') {
  
  # 객체의 종류에 따라 길이를 계산합니다. 
  if (obj %>% class() == 'data.frame') {
    n <- nrow(x = obj)
  } else {
    n <- length(x = obj)
  }
  
  # id를 생성합니다. 
  id <- str_c(
    index, 
    str_pad(
      string = 1:n, 
      width = ceiling(x = log10(x = n)), 
      side = 'left', 
      pad = '0') )
  
  # 결과를 반환합니다. 
  return(id)
}

# texts 객체에 id 컬럼을 추가합니다. 
texts$id <- generateIDs(obj = texts, index = 'doc')

# '장점', '단점' 및 '바라는점' 등 텍스트 데이터를 붙여서 
# 텍스트 마이닝을 위한 content 컬럼을 만듭니다.  
texts$content <- apply(
  X = texts[, c('기업장점', '기업단점', '바라는점')], 
  MARGIN = 1, 
  FUN = str_c, collapse = ' ')

# 텍스트의 공백을 모두 제거합니다. 형태소 분석기가 띄어쓰기를 구분합니다. 
texts$content <- texts$content %>% str_remove_all(pattern = '\\s+')

# 필요한 컬럼만 남깁니다. 
texts <- texts[ , c('id', 'content', '재직상태', '추천여부')]

# 중복을 제거합니다. 
texts <- unique(x = texts)

# 건수를 확인합니다. 
nrow(x = texts)

# content 컬럼의 글자수를 확인합니다. 
textRange <- texts$content %>% nchar() %>% range()
print(x = textRange)

# 글자수 구간을 15개로 나눌 때 간격(by)을 계산합니다. 
by <- ((textRange[2] - textRange[1]) / 15) %>% round(digits = -1L)
print(x = by)

# 도수분포표를 생성합니다. 이때, 최소값과 최대값을 포함하도록 합니다.
# Hmisc::cut2() 함수의 minmax 인자로 최소값 또는 최대값을 포함할지 여부를 지정합니다.
cuts <- Hmisc::cut2(
  x = texts$content %>% nchar(),
  cuts = seq(from = 0, to = textRange[2], by = by),
  minmax = TRUE)

# 빈도수를 구합니다.
freq <- table(cuts)
print(freq)

# 첫 번째 구간에 포함된 40 글자 미만인 글을 확인합니다. 
texts$content[nchar(x = texts$content) < by]

# 첫 번째 구간에 해당하는 건을 삭제합니다.
texts <- texts[nchar(x = texts$content) >= by, ]

# 건수를 확인합니다.
nrow(x = texts)

# 패키지를 설치합니다.
# install.packages('~/Documents/TextMining/NLP4kec_1.2.0.tgz', repos = NULL)

# 필요한 패키지를 불러옵니다.
library(NLP4kec)

# 형태소를 분석하여 parsed 객체에 할당합니다. 이 때 띄어쓰기가 구분됩니다. 
parsed <- r_parser_r(contentVector = texts$content, language = 'ko')

# 길이를 확인합니다. 
length(x = parsed)

# 형태소 분석 결과 중 일부를 육안으로 확인합니다. 
parsed[1:10]

# NA가 포함되어 있는지 확인합니다. 
parsed[is.na(x = parsed) == TRUE]

# 글자수를 확인합니다. 
parsed %>% nchar() %>% table()

# 중복 건수를 확인합니다. 
duplicated(x = parsed) %>% sum()

# 필요한 패키지를 불러옵니다.
library(tm)

# 말뭉치를 생성합니다. 
corpus <- parsed %>% VectorSource() %>% VCorpus()
print(corpus)

# 첫 번째 결과를 출력하여 확인합니다. 
str(object = corpus[[1]])

# 필요한 패키지를 불러옵니다. 
library(RWeka)

# 인접한 2개의 단어를 결합한 bigram을 생성합니다. 
# min과 max에 할당할 숫자를 바꾸면 원하는 N-gram을 만들 수 있습니다. 
bigram <- function(x) {
  NGramTokenizer(x = x, control = Weka_control(min = 2, max = 2))
}

# 단어문서행렬(Term-Document matrix)을 생성합니다. 
bigramList <- corpus %>% 
  TermDocumentMatrix(control = list(tokenize = bigram)) %>% 
  apply(MARGIN = 1, FUN = sum) %>% 
  sort(decreasing = TRUE)

# bigram의 길이를 확인합니다. 
length(bigramList)

# 문서 개수의 1% 이상 발생하는 bigram만 남깁니다. 
# 빈도수가 작은 것은 굳이 관심을 가지지 않아도 됩니다. 
bigramList <- bigramList[bigramList >= (nrow(x = texts) * 0.01)]
length(x = bigramList)

# bigram의 컬럼명(글자)만 따로 추출하여 bigramNames에 할당합니다. 
bigramNames <- names(bigramList)

# bigramNames을 육안으로 확인하기 위해 최대 100개까지 출력합니다. 
top <- if (length(x = bigramNames) >= 100) bigramNames[1:100] else bigramNames
print(top)

# spacing.txt를 생성합니다. 
write.table(
  x = top, 
  quote = FALSE, 
  file = '../data/spacing.txt', 
  row.names = FALSE, 
  col.names = FALSE)

# 
spacing <- read.table(file = '../data/spacing.txt', sep = '\t')
colnames(x = spacing) <- 'before'

# 중복을 제거합니다. 
spacing <- unique(x = spacing)

# 띄어쓰기 없앤 문자벡터를 after 컬럼으로 추가합니다. 
spacing$after <- spacing$before %>% str_remove_all(pattern = ' ')

# 이제 dictionary.txt로 저장합니다. 
write.table(
  x = spacing$after,
  quote = FALSE,
  file = '../data/dictionary.txt',
  row.names = FALSE,
  col.names = FALSE)

# 사전을 추가한 다음 형태소 분석을 다시 실행합니다.
parsed <- r_parser_r(
  contentVector = texts$content, 
  language = 'ko',
  korDicPath = '../data/dictionary.txt')

# 길이를 확인합니다. 
length(x = parsed)

# 형태소 분석 결과 중 일부를 육안으로 확인합니다. 
parsed[1:10]

# 말뭉치를 생성하기 전에 텍스트를 벡터 소스로 변경합니다. 
# 벡터 소스는 벡터의 개별 원소를 각각의 문서로 인식합니다. 
corpus <- parsed %>% VectorSource() %>% VCorpus()

# 사전으로도 처리되지 않는 단어 띄어쓰기 강제로 변환하는 함수를 생성합니다.
changeTerms <- function(corpus, before, after) {
  
  # corpus의 길이를 확인합니다.
  n <- length(x = corpus)
  
  # 반복문을 실행합니다.
  for (i in 1:n) {
    corpus[[i]]$content <- corpus[[i]]$content %>%
      str_replace_all(pattern = before, replacement = after)
  }
  
  # 결과를 반환합니다. 
  return(corpus)
}

# 띄어쓰기가 적용되지 않은 단어들을 강제로 적용합니다. 
for (i in 1:nrow(x = spacing)) {
  corpus <- changeTerms(
    corpus = corpus,
    before = spacing$before[i],
    after = spacing$after[i])
}

# 의심되는 단어가 여전히 바뀌지 않은 채로 포함되어 있는지 확인합니다. 
checkTerms <- function(corpus, term) {
  corpus %>% 
    sapply(FUN = `[[`, 'content') %>% 
    str_detect(pattern = term) %>% 
    sum() %>% 
    print()
}

# 의심되는 단어별로 corpus에 포함된 개수를 확인합니다. 
checkTerms(corpus = corpus, term = '워라벨')

checkTerms(corpus = corpus, term = '일삶균형')

checkTerms(corpus = corpus, term = '워크라이프밸런스')

checkTerms(corpus = corpus, term = '자기계발기회')

checkTerms(corpus = corpus, term = '자기개발')

checkTerms(corpus = corpus, term = '네임벨류')

checkTerms(corpus = corpus, term = '군대 문화')

checkTerms(corpus = corpus, term = '군대식문화')

checkTerms(corpus = corpus, term = '수직문화')

checkTerms(corpus = corpus, term = '가정 날')

checkTerms(corpus = corpus, term = '손보')

checkTerms(corpus = corpus, term = '조직문화')

checkTerms(corpus = corpus, term = '회사문화')

checkTerms(corpus = corpus, term = '근로문화')

# 추가로 변경합니다. 
corpus <- changeTerms(corpus = corpus, before = '워라벨', after = '워라밸')
corpus <- changeTerms(corpus = corpus, before = '일삶균형', after = '워라밸')
corpus <- changeTerms(corpus = corpus, before = '워크라이프밸런스', after = '워라밸')
corpus <- changeTerms(corpus = corpus, before = '자기계발기회', after = '자기계발 기회')
corpus <- changeTerms(corpus = corpus, before = '자기개발', after = '자기계발')
corpus <- changeTerms(corpus = corpus, before = '네임벨류', after = '네임밸류')
corpus <- changeTerms(corpus = corpus, before = '군대 문화', after = '군대문화')
corpus <- changeTerms(corpus = corpus, before = '군대식문화', after = '군대문화')
corpus <- changeTerms(corpus = corpus, before = '수직문화', after = '군대문화')
corpus <- changeTerms(corpus = corpus, before = '가정 날', after = '가정의날')
corpus <- changeTerms(corpus = corpus, before = '손보', after = '손해보험')
corpus <- changeTerms(corpus = corpus, before = '조직문화', after = '기업문화')
corpus <- changeTerms(corpus = corpus, before = '회사문화', after = '기업문화')
corpus <- changeTerms(corpus = corpus, before = '근로문화', after = '기업문화')

# corpus 객체의 속성을 확인합니다.
class(x = corpus[[1]])

# 소문자로 변경합니다. (영어가 포함되었을 경우. 대문자는 toupper)
# [주의] content_transformer() 함수를 사용하지 않으면 character로 강제 변환됩니다.
corpus <- tm_map(x = corpus, FUN = content_transformer(FUN = tolower))

# 특수문자를 제거합니다.
corpus <- tm_map(x = corpus, FUN = removePunctuation)

# 숫자를 삭제합니다.
corpus <- tm_map(x = corpus, FUN = removeNumbers)

# 불용어 객체를 생성합니다. 
myStopwords <- read.table(
  file = 'https://raw.githubusercontent.com/MrKevinNa/TextMining/master/stopwords.txt') %>% 
  .$V1

# 불용어(stopwords)를 삭제합니다.
corpus <- tm_map(x = corpus, FUN = removeWords, myStopwords)

# whitespace를 제거합니다.
corpus <- tm_map(x = corpus, FUN = stripWhitespace)

# 문서번호를 새로운 컬럼에 만든 후 데이터 프레임으로 저장합니다.
parsedDf <- data.frame(
  id = generateIDs(obj = parsed, index = 'doc'),
  parsedContent = parsed, 
  corpusContent = sapply(X = corpus, FUN = `[[`, 'content'))

# DTM을 생성합니다. 
dtm <- DocumentTermMatrix(x = corpus, control = list(wordLengths = c(2, Inf)))

# 단어(=컬럼명) 양옆의 공백을 제거합니다.
colnames(x = dtm) <- trimws(x = colnames(x = dtm), which = 'both')

# 차원을 확인합니다.
dim(x = dtm)

# dtm의 차원을 줄입니다. 
dtm <- removeSparseTerms(x = dtm, sparse = as.numeric(x = 0.99))

# 차원을 확인합니다.
dim(x = dtm)

# 행의 합이 0인 건수를 확인합니다. 
rowSums(x = dtm %>% as.matrix()) %>% table()

# 문서 이름(row name)을 지정합니다. 나중에 생성할 parsedDf와 병합하기 위함입니다.
dtm$dimnames$Docs <- generateIDs(obj = dtm$dimnames$Docs, index = 'doc')

# dtm 객체를 육안으로 확인합니다. 
dtm$dimnames$Docs[1:40]

dtm$dimnames$Terms[1:40]

# 문서단어행렬의 원소가 TF-IDF인 dtmTfIdf 객체를 생성합니다.
dtmTfIdf <- DocumentTermMatrix(
  x = corpus,
  control = list(
    removeNumbers = TRUE,
    wordLengths = c(2, Inf),
    weighting = function(x) weightTfIdf(x, normalize = TRUE) ))

# 단어(=컬럼명) 양옆의 공백을 제거합니다.
colnames(x = dtmTfIdf) <- trimws(x = colnames(x = dtmTfIdf))

# 차원을 확인합니다.
dim(x = dtmTfIdf)

# 네트워크의 크기를 줄이기 위해 sparse가 큰 컬럼을 제거합니다.
# 역시 이 과정을 통해 DTM의 단어 개수가 크게 줄었습니다.
dtmTfIdf <- removeSparseTerms(x =  dtmTfIdf, sparse = as.numeric(x = 0.99))

# 차원을 확인합니다.
dim(x = dtmTfIdf)

# 행의 합이 0인 건수를 확인합니다.
rowSums(x = dtmTfIdf %>% as.matrix() %>% round(digits = 1L)) %>% table()

# 문서 이름(row name)을 지정합니다. 나중에 생성할 parsedDf와 병합하기 위함입니다.
dtmTfIdf$dimnames$Docs <- generateIDs(obj = dtmTfIdf$dimnames$Docs, index = 'doc')

# dtm에 언급된 단어(term)별 빈도수를 생성합니다.
wordsFreq <- dtm %>% as.matrix() %>% colSums()

# 사용된 단어의 총 개수를 확인합니다.
length(x = wordsFreq)

# 내림차순으로 정렬하고, 상위 20개만 확인합니다.
wordsFreq <- wordsFreq[order(wordsFreq, decreasing = TRUE)]
head(x = wordsFreq, n = 20L)

# 단어 빈도를 막대그래프로 그리기 위해 데이터 프레임으로 변환한 다음 
# 내림차순으로 정렬합니다.
wordDf <- data.frame(
  word = names(x = wordsFreq),
  freq = wordsFreq,
  row.names = NULL) %>% 
  arrange(desc(x = freq))

# 건수를 확인합니다.
nrow(x = wordDf)

# ggplot() 함수에 적용할 나만의 테마(mytheme)를 설정합니다.
mytheme <- theme(
  plot.title = element_text(size = 14, face = 'bold', hjust = 0.5),
  axis.title.x = element_text(color = 'blue', size = 12, face = 'bold'),
  axis.title.y = element_text(color = '#993333', size = 12, face = 'bold'),
  axis.text.x = element_text(family = 'NanumGothic', size = 10, face = 'bold'),
  axis.text.y = element_blank(), 
  axis.ticks.length = unit(0, 'cm'),
  panel.background = element_blank(),
  panel.grid = element_blank() )

# 총 빈도수 상위 15개 단어로 막대그래프를 그립니다. (내림차순 정렬)
ggplot(
  data = head(x = wordDf, n = 20L), 
  mapping = aes(
    x = reorder(word, -freq), 
    y = freq)) + 
  geom_bar(
    stat = 'identity', 
    fill = c(rep(x = 'gray30', times = 5), rep(x = 'gray80', times = 15))) +
  geom_text(
    mapping = aes(label = freq), 
    size = 4, 
    vjust = -0.5) + 
  labs(
    x = '고빈도 단어', 
    y = '빈도수', 
    title = '고빈도 단어 현황_전체') + 
  mytheme 

# 필요한 패키지를 불러옵니다. 
library(RColorBrewer)
library(wordcloud2)
library(htmlwidgets)

# 나만의 팔레트를 설정합니다. (n:사용할 색깔 수, name:색깔 조합 이름)
display.brewer.pal(n = 8, name = 'Set2')

pal <- brewer.pal(n = 8, name = 'Set2')
# http://colorbrewer2.org/ 참고

# 워드클라우드에 적용할 데이터의 길이를 최대 300건으로 제한합니다. 
# 이 숫자가 넘어가면 워드클라우드가 예쁘게 그려지지 않습니다. 
if (nrow(x = wordDf) >= 300) wordCloud <- wordDf[1:300, ] else wordCloud <- wordDf

# Wordcloud를 그립니다. 
wordcloud2(
  data = wordCloud,
  size = 0.8,
  fontFamily = 'NanumGothic',
  color = pal,
  backgroundColor = 'white',
  minRotation = -pi / 4,
  maxRotation = pi / 4,
  shuffle = TRUE,
  rotateRatio = 0.25,
  shape = 'circle',
  ellipticity = 0.6)

# 필요한 패키지를 불러옵니다.
library(treemap)

# 고빈도 단어 트리맵을 그립니다. 
treemap(
  dtf = wordDf,
  title = '고빈도 단어 트리맵',
  index = c('word'),
  vSize = 'freq',
  fontfamily.labels = 'NanumGothic',
  fontsize.labels = 14,
  palette = pal,
  border.col = 'white')

# 상관계수 행렬을 직접 생성합니다.
corTerms <- dtmTfIdf %>% as.matrix() %>% cor()

# 차원을 확인합니다. 
dim(x = corTerms)

# 상관계수 행렬로 연관성 높은 단어를 확인합니다.
checkCorTerms <- function(n = 10, keyword) {
  
  # 키워드 유무를 확인합니다.
  corTerms %>% 
    colnames() %>% 
    str_subset(pattern = keyword) %>% 
    print()
  
  # 연관 키워드가 있는 컬럼의 전체 단어를 한꺼번에 출력합니다.
  corRef <- data.frame()
  
  # 상관계수 높은 순서로 정렬합니다.
  corRef <- corTerms[ , keyword] %>%
    sort(decreasing = TRUE) %>%
    data.frame() %>%
    set_colnames(c('corr'))
  
  # 미리보기 합니다. 
  head(x = corRef, n = n + 1)
}

# 빈도수 높은 단어 중 관심 있는 명사 위주로 확인합니다. 
checkCorTerms(n = 10, keyword = '연봉')

checkCorTerms(n = 10, keyword = '야근')

checkCorTerms(n = 10, keyword = '삼성')

checkCorTerms(n = 10, keyword = '업무강도')

checkCorTerms(n = 10, keyword = '기업문화')

checkCorTerms(n = 10, keyword = '분위기')

checkCorTerms(n = 10, keyword = '스트레스')

checkCorTerms(n = 10, keyword = '자부심')

# tm 패키지의 findAssocs() 함수 이용하여 상관계수 높은 단어를 확인할 수 있습니다.
# 상관계수가 기준 이상인 단어들만 추출합니다.
checkAssocs <- function(dtm, keyword, corr = 0.01) {
  
  # 재직상태별 상관계수를 생성하고 데이터 프레임에 저장합니다. 
  createDtmObj <- function(dtm, workGb, n = 10) {
    
    # 전직원/현직원별로 dtm을 나눕니다.
    dtmSmp <- dtm[rownames(x = dtm) %in% texts$id[texts$재직상태 == workGb], ]
    
    # 상관계수가 높은 단어만 저장합니다.
    assocs <- findAssocs(x = dtmSmp, terms = keyword, corlimit = corr)
    
    # 재직상태별 상관계수로 데이터 프레임을 생성합니다. 
    dtmObj <- eval(expr = parse(text = str_c('assocs', keyword, sep = '$'))) %>% 
      `[`(1:n) %>% 
      as.data.frame() %>% 
      set_colnames('corr') 
    
    # 행이름으로 word 컬럼을 생성합니다. 
    dtmObj$word <- rownames(x = dtmObj) 
    
    # 행이름을 삭제합니다. 
    rownames(x = dtmObj) <- NULL 
    
    # workGb 컬럼을 생성합니다. 
    dtmObj$workGb <- workGb
    
    # 결과를 반환합니다. 
    return(dtmObj)
  }
  
  # 행 기준으로 붙여서 dtmObj를 생성합니다. 
  dtmObj <- rbind(createDtmObj(dtm = dtm, workGb = '전직원'), 
                  createDtmObj(dtm = dtm, workGb = '현직원'))
  
  # 막대그래프 리스트를 생성합니다. 
  plots <- lapply(X = split(x = dtmObj, f = dtmObj$workGb), FUN = function(x) {
    
    # 단어의 순서를 상관계수 역순으로 재조정합니다. 
    x$word <- factor(x = x$word, levels = x$word[order(x$corr, decreasing = TRUE)])
    
    # 막대그래프를 설정합니다. 
    ggplot(data = x, 
           mapping = aes(
             x = word, 
             y = corr, 
             width = 0.8)) +
      geom_col(fill = 'gray50') +
      geom_text(mapping = aes(label = corr), 
                size = 4, 
                vjust = -0.5) + 
      scale_y_continuous(limits = c(0, max(x$corr)*1.1 )) + 
      labs(x = '', 
           y = '상관계수',
           title = str_c('[', unique(x$workGb), ']', 
                         keyword, 
                         '관련 연관성 높은 단어', 
                         sep = ' ')) + 
      theme(legend.position = 'none') + mytheme 
  })
  
  # 2행으로 그래프를 그립니다. 
  do.call(what = gridExtra::grid.arrange, args = c(plots, nrow = 2))
}

# 재직상태별 상관계수 높은 단어들을 확인합니다. 
checkAssocs(dtm = dtmTfIdf, keyword = '연봉')

checkAssocs(dtm = dtmTfIdf, keyword = '야근')

checkAssocs(dtm = dtmTfIdf, keyword = '삼성')

checkAssocs(dtm = dtmTfIdf, keyword = '업무강도')

checkAssocs(dtm = dtmTfIdf, keyword = '기업문화')

checkAssocs(dtm = dtmTfIdf, keyword = '분위기')

checkAssocs(dtm = dtmTfIdf, keyword = '스트레스')

checkAssocs(dtm = dtmTfIdf, keyword = '자부심')

# 필요한 패키지를 불러옵니다. 
library(network)
library(GGally)

# 네트워크 맵을 그리는 사용자 정의 함수를 생성합니다. 
drawNetworkmap <- function(dtmObj, title, sparse, corr, prob, link, cex) {
  
  # 상관계수 행렬의 크기를 조정합니다.
  corTerms <- dtmObj %>% as.matrix() %>% cor()
  corTerms[corTerms <= corr] <- 0
  
  # 네트워크 객체를 생성합니다.
  netTerms <- network(x = corTerms, directed = FALSE)
  
  # 매개 중심성을 계산합니다.
  btnTerms <- sna::betweenness(dat = netTerms)
  netTerms %v% 'mode' <-
    ifelse(
      test = btnTerms >= quantile(x = btnTerms, probs = prob, na.rm = TRUE), 
      yes = 'Top', 
      no = 'Rest')
  
  # 노드 컬러를 지정합니다. 
  # 상위 10%는 금색, 나머지 90%는 흰색으로 설정합니다. 
  nodeColors <- c('Top' = 'gold', 'Rest' = 'white')
  
  # 엣지 크기를 지정합니다. 이번 예제에서는 상관계수의 1.2배로 합니다.
  set.edge.value(x = netTerms, attrname = 'edgeSize', value = corTerms * 1.2)
  
  # 네트워크 지도를 그립니다. 
  ggnet2(
    net = netTerms,
    mode = 'fruchtermanreingold',
    layout.par = list(cell.jitter = 0.001),
    size.min = link,
    label = TRUE,
    label.size = cex,
    node.color = 'mode',
    palette = nodeColors,
    node.size = sna::degree(dat = netTerms),
    edge.size = 'edgeSize',
    legend.position = 'None',
    family = 'NanumGothic') + 
    labs(title = title) + 
    theme(plot.title = element_text(hjust = 0.5, face = 'bold'))
}

# 재직상태별 네트워크 맵을 그리는 함수를 생성합니다. 
dt4Networkmap1 <- function(workGb, sparse, corr, prob = 0.95, link = 4, cex = 4) {
    
    # 입력조건에 따라 dtm을 선택합니다.
    checks <- texts$재직상태 == workGb
    dtmSub <- dtmTfIdf[rownames(x = dtmTfIdf) %in% texts$id[checks], ]
    
    # 모든 값이 0인 열을 삭제합니다. 
    dtmSub <- dtmSub[, as.matrix(x = dtmSub) %>% colSums() >= 1]
    
    # 그래프 제목을 설정합니다. 
    title <- str_c('[', workGb, '] 네트워크맵', sep = ' ')
    
    # 네트워크 맵을 그립니다. 
    drawNetworkmap(dtmObj = dtmSub, title, sparse, corr, prob, link, cex)
}

# 재직상태별 네트워크 맵을 그립니다. 
dt4Networkmap1(workGb = '전직원', sparse = 0.95, corr = 0.30, link = 2, cex = 3)

dt4Networkmap1(workGb = '현직원', sparse = 0.95, corr = 0.30, link = 2, cex = 3)

# 추천 여부별 네트워크 맵을 그리는 함수를 생성합니다. 
dt4Networkmap2 <- function(recomm, sparse, corr, prob = 0.95, link = 4, cex = 4) {
    
    # 입력조건에 따라 dtm을 선택합니다.
    checks <- texts$추천여부 == recomm 
    dtmSub <- dtmTfIdf[rownames(x = dtmTfIdf) %in% texts$id[checks], ]
    
    # 모든 값이 0인 열을 삭제합니다. 
    dtmSub <- dtmSub[, as.matrix(x = dtmSub) %>% colSums() >= 1]
    
    # 그래프 제목을 설정합니다. 
    title <- str_c('[', recomm, '] 네트워크맵', sep = ' ')
    
    # 네트워크 맵을 그립니다. 
    drawNetworkmap(dtmObj = dtmSub, title, sparse, corr, prob, link, cex)
  }

# 재직상태별 네트워크 맵을 그립니다. 
dt4Networkmap2(recomm = '추천', sparse = 0.90, corr = 0.30, link = 2, cex = 3)

dt4Networkmap2(recomm = '비추', sparse = 0.90, corr = 0.30, link = 2, cex = 3)