데이터 분석하기

생각 열기 — 1년 동안 새솔시 사람들은 자전거를 어떻게 탔을까

365줄을 한 줄씩 읽어서는 아무것도 보이지 않는다. 분석은 많은 값을 몇 개의 숫자나 하나의 그림으로 줄여 모습이 드러나게 하는 일이다.

분석의 세 가지 물음

• 요약

  보통 얼마인가

  많은 값을 대표하는 숫자로 줄인다. 평균, 가운데 값(중앙값), 가장 작은·큰 값, 얼마나 흩어졌나(표준편차).

• 비교

  무엇이 다른가

  묶음(요일·계절·지역)으로 나누어 요약값을 견준다. 「주말 평균 대여가 평일보다 많다」.

• 관계

  함께 움직이나

  두 값을 짝지어 한쪽이 클 때 다른 쪽도 큰지 본다. 그 정도를 상관 계수(−1 ~ +1)로 나타낸다.

요약 — 평균과 중앙값

평균(mean) — 모든 값을 더해 개수로 나눈 값과 중앙값(median) — 값을 크기 차례로 늘어놓았을 때 한가운데 오는 값은 둘 다 «보통의 값»을 말하지만, 언제나 같지는 않다.

평균

평균

import pandas as pd

df = pd.read_csv('bike.csv')
print('평균:', round(df['강수량'].mean(), 2))
print('중앙값:', df['강수량'].median())
print('비 온 날:', (df['강수량'] > 0).sum(), '일')

평균: 2.46
중앙값: 0.0
비 온 날: 79 일

한가운데(183번째) 날은 비가 오지 않은 날이라 중앙값은 0이다. 그런데 하루 30mm 넘게 온 7일 — 대부분 장마철이고, 가장 많이 온 날은 84.1mm 다 — 이 평균을 끌어올렸다. 값이 한쪽으로 치우쳐 있으면 평균은 그쪽으로 끌려간다. 그래서 «보통의 날»을 말할 때는 중앙값이 더 알맞을 수 있다.

직접 분석해 보기

아래 실험실에서 세 가지 물음을 차례로 해 보자. 고를 때마다 같은 일을 하는 판다스 코드가 맨 아래에 나온다.

파이썬으로 분석하기

import pandas as pd

df = pd.read_csv('bike.csv')
print('평균:', round(df['대여건수'].mean(), 1))
print('중앙값:', df['대여건수'].median())
print()
계절평균 = df.groupby('계절')['대여건수'].mean().round(1)
print(계절평균)
print()
print('기온과 대여의 상관 계수:', round(df['평균기온'].corr(df['대여건수']), 2))

평균: 1822.4
중앙값: 1762.0

계절
가을    2214.0
겨울     753.2
봄     1962.3
여름    2341.0
Name: 대여건수, dtype: float64

기온과 대여의 상관 계수: 0.71

groupby('계절') 은 «계절이 같은 줄끼리 묶어라», 그 뒤의 ['대여건수'].mean() 은 «묶음마다 대여 건수의 평균을 내라»는 뜻이다. 결과의 차례가 가을·겨울·봄·여름인 것은 판다스가 묶음 이름을 가나다 차례로 늘어놓기 때문이다. 계절 차례로 보고 싶으면 .reindex(['봄', '여름', '가을', '겨울']) 을 붙인다.

상관 계수 읽기

상관 계수(correlation coefficient) — 두 값이 직선 모양으로 함께 움직이는 정도를 −1 ~ +1 로 나타낸 수. 흔히 r 로 쓴다는 두 값이 얼마나 «함께» 움직이는지를 나타낸다.

확인 문제