분석 결과 해석하기

생각 열기 — 미세먼지 경보를 내면 자전거가 늘까

새솔시 회의에서 누군가 말했다. 「분석해 보니 미세먼지와 대여 건수의 상관 계수가 −0.34 입니다. 미세먼지 때문에 자전거를 안 타는 겁니다. 미세먼지 저감 대책을 세우면 대여가 늘 겁니다.」

상관과 인과

• 상관

  함께 움직인다

  한쪽이 클 때 다른 쪽도 크다(또는 작다). 데이터에서 확인할 수 있다.

• 인과

  한쪽이 다른 쪽을 일으킨다

  원인을 바꾸면 결과가 바뀐다. 상관만으로는 확인할 수 없다.

• 숨은 변수

  둘을 함께 움직이게 하는 제3의 것

  아이스크림 판매와 물놀이 사고는 함께 늘지만, 둘 다 «더운 날씨» 때문이다. 이런 것을 숨은 변수(교란 변수)라 한다.

새솔시에서 미세먼지가 높은 날은 주로 늦겨울과 봄, 추운 날이었다. 추운 날에는 미세먼지와 상관없이 자전거를 덜 탄다. 그렇다면 미세먼지와 대여가 함께 움직인 것은 «기온»이라는 숨은 변수 때문일 수 있다. 확인해 보자.

0.28

0.28

import pandas as pd

df = pd.read_csv('bike.csv')
print('전체:', round(df['미세먼지'].corr(df['대여건수']), 2))
print('미세먼지와 기온:', round(df['미세먼지'].corr(df['평균기온']), 2))

여름 = df[df['계절'] == '여름']
print('여름만:', round(여름['미세먼지'].corr(여름['대여건수']), 2))

전체: -0.34
미세먼지와 기온: -0.51
여름만: 0.28

미세먼지는 기온과 꽤 강한 음의 상관(−0.51)이 있다 — 추운 날 미세먼지가 높았다. 그리고 기온이 비슷한 여름끼리만 보면 상관이 오히려 양수(0.28)로 바뀐다. 전체에서 본 −0.34 의 상당 부분은 «추워서 덜 탄 것»이 미세먼지에 덧씌워진 것으로 볼 수 있다.

숫자 하나로 다 말할 수 없을 때

5차시에서 기온과 대여의 상관 계수는 0.71 이었다. 그렇다면 «기온이 높을수록 자전거를 많이 탄다»고 말해도 될까?

import pandas as pd

df = pd.read_csv('bike.csv')
구간 = pd.cut(df['평균기온'], [-10, 0, 10, 20, 25, 30, 40])
print(df.groupby(구간, observed=True)['대여건수'].mean().round())

평균기온
(-10, 0]     675.0
(0, 10]     1096.0
(10, 20]    2477.0
(20, 25]    2807.0
(25, 30]    2298.0
(30, 40]    1517.0
Name: 대여건수, dtype: float64

pd.cut 은 기온을 구간으로 나눈다. (20, 25] 는 «20보다 크고 25 이하»다. 2025℃ 에서 가장 많이 타고, 30℃ 를 넘으면 영하10℃ 수준으로 줄어든다. «기온이 높을수록»이 아니라 **«선선할 때 가장 많이 탄다»**가 데이터에 맞는 해석이다.

객관적인 해석의 조건

데이터 분석 보고서

교육과정은 문제 상황 → 해결 동기와 목적 → 데이터 수집과 관리 → 분석 방법과 과정 → 결과 해석을 보고서로 쌓아 가라고 한다. 이 단원에서 한 일을 한 편으로 묶어 보자. 새솔시 데이터로 써도 되고, 2차시에 직접 찾은 데이터로 써도 된다.

확인 문제