기본 콘텐츠로 건너뛰기

데이터 분석 입문 5



 앞서 데이터의 분포에 대해서 잠시 알아봤습니다. 데이터의 분포는 매우 중요한 특징을 보여줍니다. 예를 들어 제가 주로 다루는 의료 관련 데이터에서는 체중, 키, 체질량지수(BMI) 등 여러 기본 데이터가 있고 이것만으로도 비만이나 저체중 같은 여러 가지 정보를 알아낼 수 있습니다. 


 하지만 동시에 이것만으로는 데이터의 정확한 특징을 파악하고 있습니다. 예를 들어 남자인지 여자인지, 성인인지 소아인지, 아시아인인지 백인인지 등에 대한 정보가 추가로 포함되어야 체중, 키, 체질량 지수 등의 데이터가 정상 범위에 속하는지 아니면 비만이 많은 인구 집단인지 파악할 수 있을 것입니다. 


 다루고자하는 데이터의 종류에 따라 다르겠지만, 요즘 등장하는 데이터들은 데이터 수집 기술의 발전과 IT 기술의 발전으로 인해서 점차 그 종류가 자세해지고 관측치의 크기도 커지고 있습니다. 하지만 처음부터 복잡하고 큰 데이터를 다루는 것보다는 단순한 데이터로 설명을 하는 것이 좋을 것 같습니다. 


 지금까지 ggplot2 패키지의 다이아몬드 데이터에서 캐럿에 대한 정보만 봤지만, 이것만이 다이아몬드의 가격을 결정하는 요소는 아닐 것입니다. 여기서 이 데이터를 통해서 우리가 알고 싶은 것이 다이아몬드의 가격이라고 가정하고 여기에서 다이아몬드 컷 (cut) 에 대한 정보를 추가로 확인해 보겠습니다. 


 앞서 다이아몬드 컷은 다섯 등급으로 나뉘어진다는 점을 확인했습니다. 


 > table(cut)
cut
     Fair      Good Very Good   Premium     Ideal 
     1610      4906     12082     13791     21551


 이제 각 등급별 다이아몬드 캐럿 분포를 알아보겠습니다. 우선 다시 ggplot2 패키지를 불러들이고 Fair 등급의 다이아몬드의 캐럿의 분포를 확인하겠습니다. 이 경우 히스토그램보다는 밀도 곡선(density curve)가 더 좋은 선택입니다. 여러 개가 겹쳐도 확인이 쉽기 때문입니다. 


> d=density(diamonds$carat[diamonds$cut=="Fair"],na.rm=TRUE)
> plot(d,"Density Plot of Diamonds carat",col="red",lty=1)
> rug(diamonds$carat)



 여기서 Fair 등급의 다이아몬드만 확인하기 위해서 추가한 부분은 사실 하나 뿐입니다. diamonds$carat[diamonds$cut=="Fair"] 이죠. R에서는 다른 설명 없이도 [] 안에 들어간 조건을 선택해 줍니다. 주의할 점은 carat 뒤에 점을 찍지 않아야 한다는 점과 Fair 처럼 숫자형이 아닌 문자형/범주형 분류는 ""안에 넣어야 한다는 점입니다. 


 이제 여기에 Good 등급도 같이 추가해 보겠습니다. 사실 한줄만 추가해주면 알아서 겹친 그림을 보여주지만 색상과 실선을 달리해야 알아보기 쉽겠죠. 여기서 약간 복잡해집니다. 


d1=density(diamonds$carat[diamonds$cut=="Fair"],na.rm=TRUE)
d2=density(diamonds$carat[diamonds$cut=="Good"],na.rm=TRUE)
plot(d1,"Density Plot of Diamonds carat (Fair and Good)",col="red",lty=1)
lines(d2,col="blue",lty=2)




 일단 두 개의 밀도 곡선을 그려야 하니 d1, d2 두 가지를 표시해 줍니다. 여기까지는 별 어려움이 없습니다. 그 다음 plot 함수를 이용해서 실제 곡선을 그려야 하는데, 동시에 두 개를 그릴 수 없으므로 일단 d1 하나만 그리고 제목, 색상, 실선 종류를 정했습니다. 이후 lines 함수를 이용해서 d2 곡선의 색상과 실선 종류를 선택한 것입니다. 플롯 함수를 두 번 사용하지 않는 것은 하나의 창에 두 개의 곡선을 그리기 위한 것이죠. 


 흥미롭게도 다이아몬드 등급에 따른 캐럿의 분포는 약간 차이가 있는 것 같습니다. 이런 차이가 어디에서 비롯되는 것인지는 모르겠지만, 등급이 높은 다이아몬드는 작은 캐럿이라도 버리지 않고 활용하는 것이 아닐까 하는 생각도 드네요. 계속해서 데이터를 살펴보겠습니다. 그런데 그 전에 각 곡선에 대한 설명이 없는 만큼 범례(legend)를 추가하겠습니다. legend 함수를 사용해서 범례를 표시합니다. 


d1=density(diamonds$carat[diamonds$cut=="Fair"],na.rm=TRUE)
d2=density(diamonds$carat[diamonds$cut=="Good"],na.rm=TRUE)
plot(d1,"Density Plot of Diamonds carat (Fair and Good)",col="red",lty=1)
lines(d2,col="blue",lty=2)
legend("topright",legend=c("Fair","Good"),col=c("red","blue"),lty=1:2)




 legend 함수 뒤에 위치(topright), 범례의 내용 (legend=c("Fair","Good")), 그리고 색상과 선의 종류 (col=c("red","blue"),lty=1:2) 표시하면 됩니다. 이제 줄의 숫자를 늘려서 Very Good 도 같이 표시해 봅시다. 


d1=density(diamonds$carat[diamonds$cut=="Fair"],na.rm=TRUE)
d2=density(diamonds$carat[diamonds$cut=="Good"],na.rm=TRUE)
d3=density(diamonds$carat[diamonds$cut=="Very Good"],na.rm=TRUE)
plot(d1,"Density Plot of Diamonds carat (Fair and Good)",col="red",lty=1)
lines(d2,col="blue",lty=2)
lines(d3,col="salmon",lty=3)
legend("topright",legend=c("Fair","Good","Very Good"),col=c("red","blue","salmon"),lty=1:3)




 약간 모양이 비슷하네요. (참고로 모든 사진은 클릭하면 원본을 볼 수 있습니다. 네이버에서는 작게 나오네요) 그러면 다 표시해 보겠습니다. 


d1=density(diamonds$carat[diamonds$cut=="Fair"],na.rm=TRUE)
d2=density(diamonds$carat[diamonds$cut=="Good"],na.rm=TRUE)
d3=density(diamonds$carat[diamonds$cut=="Very Good"],na.rm=TRUE)
d4=density(diamonds$carat[diamonds$cut=="Premium"],na.rm=TRUE)
d4=density(diamonds$carat[diamonds$cut=="Ideal"],na.rm=TRUE)
plot(d1,"Density Plot of Diamonds carat",col="red",lty=1)
lines(d2,col="blue",lty=2)
lines(d3,col="salmon",lty=3)
lines(d4,col="black",lty=4)
lines(d4,col="green",lty=5)
legend("topright",legend=c("Fair","Good","Very Good","Premium","Ideal"),col=c("red","blue","salmon","black","green"),lty=1:5)




 이걸 보면 캐럿이 작더라도 컷이 좋으면 가치가 있는지 작은 캐럿에서 컷 등급이 높은 다이아몬드가 점점 높아지는 경향이 있습니다. (잘 안보이시면 클릭해서 확대하시면 됩니다) 맞는지는 모르겠지만, 이렇게 데이터 탐색은 가격을 높이는 인과 관계를 추론할 수 있는 정보를 제공합니다. 위의 코드는 길어 보이지만, 사실 내용은 단순합니다. 




 다음에는 박스 플롯에 대해서 알아보겠습니다. 

댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

R 스튜디오 설치 및 업데이트

 R을 설치한 후 기본으로 제공되는 R 콘솔창에서 코드를 입력해 작업을 수행할 수도 있지만, 보통은 그렇게 하기 보다는 가장 널리 사용되는 R 개발환경인 R 스튜디오가 널리 사용됩니다. 오픈 소스 무료 버전의 R 스튜디오는 누구나 설치가 가능하며 편리한 작업 환경을 제공하기 때문에 R을 위한 IDE에서 가장 널리 사용되어 있습니다. 아래 링크에서 다운로드 받습니다.    https://www.rstudio.com/  다운로드 R 이나 혹은 Powerful IDE for R로 들어가 일반 사용자 버전을 받습니다. 오픈 소스 버전과 상업용 버전, 그리고 데스크탑 버전과 서버 버전이 있는데, 일반적으로는 오픈 소스 버전에 데스크탑 버전을 다운로드 받습니다. 상업 버전의 경우 데스크탑 버전의 경우 년간 995달러, 서버 버전은 9995달러를 받고 여러 가지 기술 지원 및 자문을 해주는 기능이 있습니다.   데스크탑 버전을 설치하는 과정은 매우 쉽기 때문에 별도의 설명이 필요하지 않을 것 같습니다. 인스톨은 윈도우, 맥, 리눅스 (우분투/페도라)에 따라 설치 파일이 나뉘지만 설치가 어렵지는 않을 것입니다. 한 가지 주의할 점이라면 R은 사전에 반드시 따로 설치해야 한다는 점입니다. R 스튜디오만 단독 설치하면 아무것도 할 수 없습니다. 뭐 당연한 이야기죠.   설치된 R 스튜디오는 자동으로 업데이틀 체크하지 않습니다. 따라서 업데이트를 위해서는 R 스튜디오에서 Help 로 들어가 업데이트를 확인해야 합니다.     만약 업데이트 할 내용이 없다면 최신 버전이라고 알려줄 것이고 업데이트가 있다면 업데이트를 진행할 수 있도록 도와주게 됩니다. R의 업데이트와 R 스튜디오의 업데이트는 모두 개별적이며 앞서 설명했듯이 R 업데이트는 사실 기존 버전과 병행해서 새로운 버전을 새롭게 설치하는 것입니다. R 스튜디오는 실제로 업데이트가 이뤄지기 때문에 구버전을 지워줄 필요는

R 패키지 설치 및 업데이트 오류 (1)

 R 패키지를 설치하거나 업데이트 하다보면 여러 가지 문제가 생기는 경우들이 있습니다. 이 경우 아예 R을 재설치하는 것도 방법이지만, 어떤 경우에는 이렇게해도 해결이 안되고 계속해서 사용자는 괴롭히는 경우도 있습니다. 이런 경우 중 하나를 소개합니다.  새로운 패키지를 설치, 혹은 업데이트 하는 과정에서 같이 설치하는 패키지 중 하나가 설치가 되지 않는다는 메세지가 계속 나왔는데, 사실은 백신 프로그램 때문이었던 경우입니다.   dplyr 패키지를 업데이트 하려고 했는데, 제대로 되지 않아 다시 설치를 진행했습니다. 그런데 일부 패키지가 제대로 설치되지 않는다는 메세지가 나왔습니다.  > install.packages("dplyr") Error in install.packages : Updating loaded packages > install.packages("dplyr") Installing package into ‘C:/Users/jjy05_000/Documents/R/win-library/3.4’ (as ‘lib’ is unspecified) also installing the dependencies ‘bindr’, ‘bindrcpp’, ‘Rcpp’, ‘rlang’, ‘plogr’ trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindr_0.1.1.zip ' Content type 'application/zip' length 15285 bytes (14 KB) downloaded 14 KB trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindrcpp_0.2.2.zip ' Content type 'application/zip' length 620344 b