5-2. 일변량 & 다변량 EDA
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 |
5-2-1. 일변량 EDA
일변량 EDA 진행해줘.gpt
주요 해석 요약
•
Age: 약 30세 전후의 분포 중심, 약간 오른쪽으로 치우침(양의 왜도).
•
Fare: 대부분 저가 운임 구간에 몰림, 극단적인 이상치 존재.
•
SibSp/Parch: 대부분 0, 가족 없이 탑승한 경우가 많음.
•
Sex/Pclass/Embarked: 남성·3등석·Southampton 탑승이 주를 이룸.
범주형, 수치형 변수들의 기술통계량을 테이블로 정리해줘.
기술통계량에는 첨도와 왜도를 포함해줘.gpt
통계량 | Age | Fare | SibSp | Parch | Sex | Pclass | Embarked |
count | 714 | 891 | 891 | 891 | 891 | 891 | 889 |
missing_count | 177 | 0 | 0 | 0 | 0 | 0 | 2 |
unique_values | – | – | – | – | 2 | 3 | 3 |
mean | 29.70 | 32.20 | 0.52 | 0.38 | – | – | – |
std | 14.53 | 49.69 | 1.10 | 0.81 | – | – | – |
min | 0.42 | 0.00 | 0.00 | 0.00 | – | – | – |
25% | 20.12 | 7.91 | 0.00 | 0.00 | – | – | – |
50% | 28.00 | 14.45 | 0.00 | 0.00 | – | – | – |
75% | 38.00 | 31.00 | 1.00 | 0.00 | – | – | – |
max | 80.00 | 512.33 | 8.00 | 6.00 | – | – | – |
skewness (왜도) | 0.39 | 4.79 | 3.69 | 2.75 | – | – | – |
kurtosis (첨도) | 0.18 | 33.20 | 17.73 | 9.80 | – | – | – |
top (최빈값) | – | – | – | – | male | 3 | S |
freq (최빈값 빈도) | – | – | – | – | 577 | 491 | 644 |
해석 요약
•
수치형 변수
◦
Age: 결측 177개, 평균 약 29.7세
◦
Fare: 극단적 이상치 존재 (512.33), 높은 왜도·첨도
◦
SibSp, Parch: 가족 동반 적음, 대부분 0
•
범주형 변수
◦
Sex: 남성 577명(65%)
◦
Pclass: 3등석 승객 491명(55%)
◦
Embarked: S항(Southampton) 탑승자 644명(72%)
•
[참고용] 테이블(표)의 X축과 Y축을 변경하고 싶을 때, 프롬프트
기술통계표를 Transpose 해줘5-2-2. 다변량 EDA
다변량 EDA를 진행하려고 해.
어떻게 진행하면 좋을 지 제안해줘.gpt
🔍 다변량 EDA 진행 방향 제안
다변량 EDA(Multivariate Analysis)는
변수 간 관계(상관성, 패턴, 영향력)를 탐색하는 단계입니다.
변수 간 관계(상관성, 패턴, 영향력)를 탐색하는 단계입니다.
Titanic 데이터에서는 Survived를 중심으로 다른 변수와의 관계를 보는 것이 핵심입니다.
✅ (1) 주요 변수 간 관계 분석
관계 유형 | 분석 방법 | 목적 |
범주형 vs 범주형 | pd.crosstab, sns.countplot | 성별·등급별 생존률 비교 |
수치형 vs 이진형(Survived) | sns.boxplot, sns.violinplot, sns.histplot | 운임, 나이 분포 차이 확인 |
수치형 vs 수치형 | sns.scatterplot, sns.heatmap | 운임–나이 관계, 상관성 탐색 |
다중 범주 조합 | sns.catplot (hue, col 옵션 활용) | 예: 성별별·등급별 생존률 교차 비교 |
✅ (2) 상관분석 (Correlation Analysis)
•
수치형 변수 간의 상관계수 계산
corr = df[["Age", "Fare", "SibSp", "Parch", "Survived"]].corr()
sns.heatmap(corr, annot=True, cmap="coolwarm")•
→ 생존률과 가장 연관된 수치형 변수 파악
✅ (3) 주요 변수별 생존률 요약표
•
성별, 등급, 탑승항 등에 따른 생존률 평균 계산
df.groupby("Sex")["Survived"].mean()
df.groupby("Pclass")["Survived"].mean()
df.groupby("Embarked")["Survived"].mean()•
→ 단순 시각화 전, 데이터 요약으로 인사이트 확인
✅ (4) 다차원 시각화 (고급)
•
sns.pairplot 또는 sns.FacetGrid 활용
◦
예: 성별별 나이–운임 관계를 생존 여부에 따라 시각화
sns.pairplot(df, vars=["Age", "Fare"], hue="Survived", palette="Set2")🧩 (5) 이상치 및 분포 점검
•
Boxplot으로 운임, 나이의 극단값 확인
•
Age–Fare 등에서 생존자/사망자 간 분포 차이를 통해 모델링용 feature insight 확보
📈 3. 추천 분석 플로우 요약
1️⃣ Survived vs 범주형 변수 관계
•
(성별, 등급, 탑승항)별 생존률 비교
2️⃣ Survived vs 수치형 변수 관계
•
(나이, 운임, 가족 수)별 분포 및 평균 차이
3️⃣ 수치형 변수 간 상관분석
•
heatmap으로 시각화
4️⃣ 다중 변수 조합 분석
•
catplot, pairplot으로 교차 패턴 탐색
원하신다면 제가 위 제안 중 자동 다변량 EDA 파이프라인 코드를 만들어드릴 수 있습니다.
즉, Titanic 데이터를 넣으면 위 분석(그래프 + 요약표)이 한 번에 나오는 형태로요.
➡️ 그렇게 진행해드릴까요?
1번, 2번, 3번을 단계별로 진행하자gpt
완료! 요청하신 대로
1.
프로젝트 업로드 라이브러리 설치
2.
Matplotlib 한글 환경을 NanumBarunGothic.ttf로 설정
3.
다변량 EDA – 1, 2, 3단계를 모두 실행했습니다.
진행 내용 요약
•
Step 1 — 범주형 변수 vs 생존률
◦
성별·등급·탑승항별 생존률 테이블을 제공했고, 각 항목별 막대그래프를 생성함.
◦
관찰: 여성 ≫ 남성, 1등급 > 2등급 > 3등급, C항 > Q항 > S항.
•
Step 2 — 수치형 변수 vs 생존
◦
Age, Fare, FamilySize의 생존/사망 분포 히스토그램과 Boxplot을 생성함.
◦
관찰: 운임이 높고 가족 규모가 작을수록 생존자 쪽 분포가 우세. 나이는 유아층이 상대적으로 유리.
•
Step 3 — 상관분석(피어슨)
◦
Survived, Age, Fare, SibSp, Parch, FamilySize 상관행렬 표와 히트맵을 생성함.
◦
관찰: Survived와 Fare(≈0.26) 가 가장 양의 상관. FamilySize는 SibSp/Parch와 매우 높은 상관(파생변수이므로 당연).
필요하시면
•
"성별×등급×탑승항" 같이 교차그룹 생존률 표/그래프,
•
모델 준비를 위한 피처 엔지니어링 & 전처리 제안,
•
분석 결과를 하나의 파일로 정리한 리포트(export)
까지 바로 만들어드릴게요.
까지 바로 만들어드릴게요.
챗GPT를 활용한 타이타닉 데이터 EDA 요약
•
분석 목표: 생존 여부(Survived) 변수를 중심으로 다른 변수들과의 관계 탐색.
•
데이터 구분:
◦
수치형 변수: 나이, 운임, 친척, 직계가족 등 산술 연산이 가능한 연속적 숫자 값.
◦
범주형 변수: 성별, 선실 등급 등 특정 그룹으로 구분되는 값 (숫자여도 산술 연산 무의미).
다변량 EDA 분석 결과
•
핵심 분석: 범주형 변수와 생존율의 관계를 시각화하여 비교.
•
주요 발견:
◦
성별: 여성(74.2%)이 남성(18.9%)보다 생존율이 압도적으로 높음.
◦
객실 등급: 1등급(62.9%) > 2등급(47.3%) > 3등급(24.2%) 순으로 생존율이 높음.
◦
탑승 항구: 셰르부르(Cherbourg)항 탑승객의 생존율이 55.4%로 가장 높음.
결론
•
분석 과정: 일변량 분석으로 개별 변수 특성을 파악한 후, 다변량 분석으로 변수 간 상호작용 및 생존율과의 관계를 규명.
•
챗GPT 활용: 코드 작성부터 결과 해석까지 전 과정을 지원하여 효과적인 데이터 탐색 및 분석 수행 가능.
Contact : azureguy@empal.com / azureguy@cau.ac.kr