Ch4. 데이터 전처리
•
데이터 전처리의 필요성
◦
원본(Raw) 데이터는 대부분 정제되지 않은 상태이므로 분석에 바로 활용하기 어려움.
◦
실무 데이터는 교육용 예제 데이터와 달리 지저분하고 복잡함.
◦
따라서 데이터 분석 전, 데이터의 상태를 파악하고 정리하는 전처리 과정이 필수적임.
•
데이터 전처리 정의 및 비유
◦
흩어진 데이터를 분석 가능한 형태로 정리하는 모든 과정을 '데이터 전처리'라 함.
◦
이는 요리 전 재료를 손질하는 과정에 비유할 수 있음 (상한 부분 제거, 중복 재료 제외, 대체 재료 준비 등)
실습 파일
Kaggle의 Titanic Dataset
*Kaggel(캐글)
데이터 과학과 머신러닝 분야 최대의 온라인 플랫폼으로, 전 세계 사용자가 데이터 경진대회에 참가하고, 실제 데이터를 활용해 다양한 분석·예측 모델을 만들고 공유할 수 있는 커뮤니티임.
구글(Google) 산하에서 운영되며, 대회(Competition), 데이터셋, 실습 노트북, 토론 포럼 등 데이터 사이언스 학습과 실력 검증에 필요한 모든 리소스를 무료로 제공함.
Data Dictionary
Variable | Definition | Key |
survival | Survival | 0 = No, 1 = Yes |
pclass | Ticket class | 1 = 1st, 2 = 2nd, 3 = 3rd |
sex | Sex | |
Age | Age in years | |
sibsp | # of siblings / spouses aboard the Titanic (sister+brother+spouse) | |
parch | # of parents / children aboard the Titanic (parent + chile) | |
ticket | Ticket number | |
fare | Passenger fare | |
cabin | Cabin number | |
embarked | Port of Embarkation | C = Cherbourg, Q = Queenstown, S = Southampton |
1. 데이터 살펴보기
•
파일 업로드 하고, 아래와 같이 입력
데이터 전처리가 필요한 부분을 확인해줘. gpt
데이터셋을 점검한 결과, 다음과 같은 전처리 필요 지점이 확인되었습니다 🔍
🧩 1. 결측치(Missing Values)
컬럼 | 결측 개수 | 비율 | 비고 |
Age | 177 | 약 19.9% | 평균/중앙값/그룹별 평균으로 대체 가능 |
Cabin | 687 | 약 77.1% | 결측률이 매우 높음 → 변수 제거 또는 'Unknown' 처리 고려 |
Embarked | 2 | 약 0.2% | 최빈값(S)으로 대체 가능 |
🧮 2. 데이터 타입(Data Type)
•
Pclass, Sex, Embarked는 범주형 변수(categorical) 로 인코딩 필요 (예: One-Hot Encoding 또는 Label Encoding).
•
Ticket, Name, Cabin은 문자열 → 직접 사용보다는 파생변수(feature extraction)로 가공 가능
◦
예: Name → 호칭(Mr, Mrs 등) 추출
◦
Ticket → 숫자/문자 분리 후 규칙성 확인
⚙️ 3. 이상치(Outliers) 후보
•
Fare: 일부 값이 매우 큰 것으로 알려져 있음 → 로그 변환(log-scaling) 검토
•
Age: 0세 미만 또는 80세 이상 등 극단값 확인 필요
🧠 4. 중복 데이터
•
PassengerId는 고유(unique)하므로 중복 행은 없음.
원하신다면,
다음 단계로
결측치 처리 및 이상치 탐지 시각화를 바로 수행할 수 있습니다.
원하시는가요?
→ 예를 들어:
Age 결측치는 중앙값으로 채우고, Cabin은 "Unknown" 처리, Embarked는 최빈값으로 대체하는 방식.