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

150년 만에 다시 울린 희귀 곤충의 울음 소리

  ( The katydid Prophalangopsis obscura has been lost since it was first collected, with new evidence suggesting cold areas of Northern India and Tibet may be the species' habitat. Credit: Charlie Woodrow, licensed under CC BY 4.0 ) ( The Museum's specimen of P. obscura is the only confirmed member of the species in existence. Image . Credit: The Trustees of the Natural History Museum, London )  과학자들이 1869년 처음 보고된 후 지금까지 소식이 끊긴 오래 전 희귀 곤충의 울음 소리를 재현하는데 성공했습니다. 프로팔랑곱시스 옵스큐라 ( Prophalangopsis obscura)는 이상한 이름만큼이나 이상한 곤충으로 매우 희귀한 메뚜기목 곤충입니다. 친척인 여치나 메뚜기와는 오래전 갈라진 독자 그룹으로 매우 큰 날개를 지니고 있으며 인도와 티벳의 고산 지대에 사는 것으로 보입니다.   유일한 표본은 수컷 성체로 2005년에 암컷으로 생각되는 2마리가 추가로 발견되긴 했으나 정확히 같은 종인지는 다소 미지수인 상태입니다. 현재까지 확실한 표본은 수컷 성체 한 마리가 전부인 미스터리 곤충인 셈입니다.   하지만 과학자들은 그 형태를 볼 때 이들 역시 울음 소리를 통해 짝짓기에서 암컷을 유인했을 것으로 보고 있습니다. 그런데 높은 고산 지대에서 먼 거리를 이동하는 곤충이기 때문에 낮은 피치의 울음 소리를 냈을 것으로 보입니다. 문제는 이런 소리는 암컷 만이 아니라 박쥐도 잘 듣는다는 것입니다. 사실 이들은 중생대 쥐라기 부터 존재했던 그룹으로 당시에는 박쥐가 없어 이런 방식이 잘 통했을 것입니다. 하지만 신생대에 박쥐가 등장하면서 플로팔랑곱

9000년 전 소녀의 모습을 복원하다.

( The final reconstruction. Credit: Oscar Nilsson )  그리스 아테나 대학과 스웨덴 연구자들이 1993년 발견된 선사 시대 소녀의 모습을 마치 살아있는 것처럼 복원하는데 성공했습니다. 이 유골은 그리스의 테살리아 지역의 테오페트라 동굴 ( Theopetra Cave )에서 발견된 것으로 연대는 9000년 전으로 추정됩니다. 유골의 주인공은 15-18세 사이의 소녀로 정확한 사인은 알 수 없으나 괴혈병, 빈혈, 관절 질환을 앓고 있었던 것으로 확인되었습니다.   이 소녀가 살았던 시기는 유럽 지역에서 수렵 채집인이 초기 농경으로 이전하는 시기였습니다. 다른 시기와 마찬가지로 이 시기의 사람들도 젊은 시절에 다양한 질환에 시달렸을 것이며 평균 수명 역시 매우 짧았을 것입니다. 비록 젊은 나이에 죽기는 했지만, 당시에는 이런 경우가 드물지 않았을 것이라는 이야기죠.   아무튼 문명의 새벽에 해당하는 시점에 살았기 때문에 이 소녀는 Dawn (그리스어로는  Avgi)라고 이름지어졌다고 합니다. 연구팀은 유골에 대한 상세한 스캔과 3D 프린팅 기술을 적용해서 살아있을 당시의 모습을 매우 현실적으로 복원했습니다. 그리고 그 결과 나타난 모습은.... 당시의 거친 환경을 보여주는 듯 합니다. 긴 턱은 당시를 살았던 사람이 대부분 그랬듯이 질긴 먹이를 오래 씹기 위한 것으로 보입니다.   강하고 억센 10대 소녀(?)의 모습은 당시 살아남기 위해서는 강해야 했다는 점을 말해주는 듯 합니다. 이렇게 억세보이는 주인공이라도 당시에는 전염병이나 혹은 기아에서 자유롭지는 못했기 때문에 결국 평균 수명은 길지 못했겠죠. 외모 만으로 평가해서는 안되겠지만, 당시의 거친 시대상을 보여주는 듯 해 흥미롭습니다.   참고  https://phys.org/news/2018-01-teenage-girl-years-reconstructed.html