숫자를 왜 그림으로 바꿀까?
통곗값만으로는 데이터의 분포와 관계를 알기 어렵습니다. 그래서 그림으로 봅니다.
데이터 시각화는 복잡한 데이터를 그래프나 차트 같은 그림으로 바꾸는 과정입니다.
숫자 표에서는 안 보이던 패턴과 추세가 그림에서는 한눈에 드러납니다. 같은 데이터를 여러 차트로 그려 보면 새로운 패턴이 보이기도 합니다.
데이터 과학의 여러 단계에서 시각화 자료가 활용됩니다. 초기에는 시각화로 데이터를 이해하고 가설을 세우며, 결과 해석 단계에서 시각화의 결과가 보고서와 발표 자료에 대부분 포함됩니다.
시각화 유형 네 가지
무엇을 알고 싶은가에 따라 네 갈래로 나뉩니다. 이 소절은 이 네 가지를 차례로 다룹니다.
정답이 정해져 있지는 않습니다
각 분석 방법에 추천되는 차트 유형이 있지만, 엄격하게 정해져 있는 것은 아닙니다. 데이터의 특성과 분석 목적에 따라 상황에 맞게 고르면 됩니다.
다만 하나의 차트에 너무 많은 정보를 담지 않도록 주의합니다. 복잡도를 적절히 관리해야 시각적으로 이해하기 쉽습니다.
무엇으로 그릴까 — 시각화 도구
- 스프레드시트 — 구글 스프레드시트, 엑셀 등. 이 소절의 실습은 대부분 여기서 합니다.
- 프로그래밍 언어 — Python의 matplotlib, seaborn, R의 ggplot2 등
- 비즈니스 인텔리전스(BI) 도구 — Tableau, Power BI, Looker Studio(옛 Data Studio) 등
역사상 최고로 꼽히는 시각화 사례들을 모아 둔 곳: tableau.com/ko-kr/learn/articles/best-beautiful-data-visualization-examples
어느 쪽이 더 큰지 보고 싶다면?
비교 분석 — 막대그래프 · 선그래프 · 히트맵
다양한 항목 간에 어떠한 차이가 있는지를 확인할 때 사용합니다. 숫자를 표로 늘어놓을 때보다 막대그래프, 선그래프, 히트맵으로 그릴 때 어느 쪽이 더 큰지가 빨리 보입니다.
막대그래프 (bar chart)
속성의 수치를 막대 길이로 표현하므로 항목끼리 크기를 바로 비교할 수 있습니다. 막대는 가로로도 세로로도 그릴 수 있습니다.
연령대별 기후 변화 불안도를 2012년과 2022년으로 나누어 비교
출처: 국가데이터처(옛 통계청) 지표누리 index.go.kr
2012년은 30대와 40대, 10년 후인 2022년은 40대와 50대에서 가장 높은 기후 변화 불안도를 보여 주며, 2022년의 기후 변화 불안도가 2012년에 비해 모든 연령대에서 크게 낮아지는 경향을 파악할 수 있습니다.
막대그래프의 특징
여러 개의 항목 간 비교가 쉽고, 수치가 증가 또는 감소하는 경향을 쉽게 파악할 수 있습니다.
선그래프 (line chart)
각 점을 선으로 이어서 시각화한 차트로, 시간에 따른 변화를 표현할 때 자주 사용합니다.
가로축: 2008년부터 2022년까지의 연도
연도에 따른 기후 변화 불안도의 추세
출처: 국가데이터처(옛 통계청) 지표누리 index.go.kr
시간이 지남에 따라 기후 변화 불안도가 낮아지는 추세를 파악할 수 있습니다.
잘하는 것
작은 변화도 쉽게 파악할 수 있고, 여러 항목 간의 비교가 쉽습니다.
못하는 것
항목 간의 데이터가 비슷하면 선이 겹쳐 구분하기 힘들고, 극단치가 있으면 다른 값들의 변화를 파악하기 힘듭니다.
히트맵 (heat map)
수치를 색상이나 채도로 표현하는 방법입니다. 두 개의 범주형 속성을 각 축으로, 수치형 속성을 색으로 표현하므로, 비교할 칸이 많을 때 패턴을 보기에 좋습니다.
지역 네 곳의 월별 기온을 색으로 나타낸 히트맵
출처: 기상청 기상자료개방포털 data.kma.go.kr
연중 기온 패턴과 지역별 기온 차이를 한눈에 파악할 수 있습니다. 각 지역의 1, 2월과 12월의 기온 차이가 크지 않고, 제주는 7월부터 9월까지 색이 거의 같아 다른 지역보다 한여름 더위가 오래 이어진다고 볼 수 있습니다.
같은 내용을 표로 보면 4 × 12 = 48개의 숫자입니다. 색으로 바꾸는 것만으로 훨씬 빨리 읽을 수 있습니다.
히트맵 그리기 전의 준비
히트맵을 그리려면 표의 구조를 변형해야 합니다. 한 속성을 한 열로 구성하는 일반적인 표의 형태를, 1열과 1행이 범주형 속성의 값으로 구성되도록 변경한 후에야 히트맵을 그릴 수 있습니다.
우리 반 학생 다섯 명의 한 달 치 매일 수면 시간을 기록했습니다. 한 학생의 수면 시간이 날짜에 따라 어떻게 바뀌었는지를 보려면 막대그래프와 선그래프 중 어느 쪽이 알맞을까요? 다섯 학생의 한 달 평균을 서로 비교하려면 어느 쪽일까요?
전체에서 얼마씩 차지하는지 보고 싶다면?
구성 분석 — 원그래프 · 누적 영역 차트
데이터가 어떤 비율로 구성되어 있는지를 파악하는 것입니다.
원그래프 (pie chart)
데이터 전체를 원으로 그리고 각 부분을 차지하는 비율만큼의 조각으로 나누어 표현합니다.
한국인의 혈액형 비율
출처: 대한적십자사 →
각 혈액형의 대략적인 분포를 쉽게 파악할 수 있습니다. A형이 가장 많고, AB형이 가장 드문 것으로 나타납니다. 그런데 A형, B형, O형의 비율이 비슷해서 레이블이 없다면 정확한 차이를 구별하기 어렵습니다.
잘하는 것
상대적인 비율을 쉽게 파악할 수 있습니다.
못하는 것
비교해야 할 항목이 많으면 파악하기 힘들고, 하나의 속성만 다룰 수 있습니다.
누적 영역 차트 (stacked area chart)
여러 데이터 범주가 시간에 따라 어떻게 변하는지를 보여 줍니다.
연령대별 인구 분포의 변화
출처: 국가데이터처(옛 통계청) 국가통계포털 장래인구추계 kosis.kr
0~14세 인구는 감소하고 65세 이상 인구는 증가합니다. 15~64세 인구는 2010년대 후반에 정점을 지난 뒤 중장년층이 65세 이상으로 넘어가면서 급격히 줄어듭니다. 차트의 뒤쪽 구간은 실제로 센 값이 아니라 장래인구추계로 내다본 값입니다.
이 차트로 데이터의 구성 요소 간의 비율을 파악하고, 시간에 따라 구성 비율이 어떻게 변화하는지도 분석할 수 있습니다. 원그래프가 한 시점의 비율만 보여 주는 것과 대비됩니다.
누적 막대그래프 (stacked bar chart)
여러 항목의 비율을 하나의 막대에 누적하여 표현합니다. 시간에 따른 구성 요소의 변화를 시각화하는 데 적합합니다. 누적 영역 차트와 목적은 같지만, 시점이 띄엄띄엄한 데이터에 더 알맞습니다.
두 속성이 서로 관련이 있을까?
관계 분석 — 산점도 · 버블 차트 · 히트맵
속성 간에 어떠한 관련성이 있는지 파악하는 것입니다.
산점도 (scatter plot)
수치형 속성 2개 사이의 관계를 파악할 때 사용합니다. 두 속성을 x축과 y축에 하나씩 놓으면, x가 큰 점일수록 y가 어떤지가 점들의 모양으로 드러납니다.
가로축: 수학 점수 · 세로축: 읽기 점수
수학 점수와 읽기 점수의 관계
출처: 캐글 StudentsPerformance.csv
수학 점수가 높은 학생일수록 읽기 점수도 높은 경향을 보여 줍니다. 수학 성적과 읽기 성적은 서로 연관되어 있음을 파악할 수 있습니다.
잘하는 것
두 속성 간의 관계를 쉽게 파악할 수 있고, 이상치도 쉽게 파악할 수 있습니다. 모든 데이터의 실제 수치가 차트에 표현됩니다.
이상치를 찾을 때도 씁니다
전처리에서 두 속성 간의 이상치를 찾을 때도 산점도를 씁니다. 전체 패턴과 동떨어진 점이 이상치입니다.
시험 점수 가상 데이터셋: kaggle.com/spscientist/students-performance-in-exams
버블 차트 (bubble chart) — 산점도에 속성 하나를 더 얹으면
산점도의 확장판으로, 두 속성 간의 관계에 더해 세 번째 속성을 버블의 크기로 표현합니다.
아래는 자동차 모델별 가격, 연비, 판매량으로 그린 버블 차트입니다. 가격과 연비의 관계를 보면서, 판매량이 많은 모델이 그 관계의 어디쯤에 있는지도 함께 볼 수 있습니다.
가로축: 가격(만원) · 세로축: 연비(km/L) · 버블 크기: 판매량(대)
| 차량 모델 | 가격 (만원) | 연비 (km/L) | 판매량 (대) |
|---|---|---|---|
| 모델 A | 3,000 | 15 | 10,000 |
| 모델 B | 2,500 | 18 | 15,000 |
| 모델 C | 4,000 | 12 | 500 |
| 모델 D | 3,500 | 14 | 8,000 |
| 모델 E | 2,800 | 16 | 13,000 |
| 모델 F | 2,600 | 20 | 9,500 |
| 모델 G | 3,200 | 13 | 11,000 |
| 모델 H | 3,800 | 11 | 3,000 |
| 모델 I | 2,900 | 17 | 14,000 |
| 모델 J | 3,600 | 12 | 2,000 |
차량에 관한 가상 데이터셋
히트맵은 비교 분석에도, 관계 분석에도 쓰인다고 나옵니다. 같은 차트가 두 곳에 모두 들어간 이유는 무엇일까요? 차트가 아니라 무엇이 분석 유형을 결정하는지 생각해 봅시다.
값들이 어디에 몰려 있을까?
분포 분석 — 히스토그램 · 상자 그림
속성값이 어떻게 분포되어 있는지를 파악하는 것입니다.
히스토그램 (histogram)
도수분포표를 차트로 나타낸 것입니다. 수치 데이터를 일정 간격으로 나누고, 각 간격에 들어가는 데이터의 개수를 막대로 표현합니다.
가로축: 수학 성적(0~100점을 10점씩) · 세로축: 학생 수
수학 성적의 분포
출처: 캐글 students-performance-in-exams kaggle.com
가로축은 수학 성적을 일정 구간으로 나눈 것이고, 세로축은 각 성적 구간에 속하는 학생 수를 나타냅니다.
잘하는 것
정규 분포, 균등 분포 등 분포 형태를 직관적으로 이해할 수 있고, 이상치를 쉽게 파악할 수 있습니다.
못하는 것
한 가지 속성의 분포만 표현할 수 있습니다.
도수분포표 (frequency table)
- 특정 구간에 속한 자료의 개수를 나타내는 표입니다.
- 최댓값과 최솟값, 구간의 개수를 결정하고, 각 구간에 속하는 자료의 개수(도수)를 세어 표로 만듭니다.
구간을 몇 개로 나누느냐에 따라 같은 데이터라도 히스토그램 모양이 달라집니다. 뒤의 선택 활동에서 직접 바꿔 보게 됩니다.
상자 그림 (box plot)
5가지의 요약 수치를 이용해서 데이터 분포를 상자 모양으로 표현합니다. 5가지 요약 수치는 최솟값, 제1사분위수, 중앙값, 제3사분위수, 최댓값입니다. 여기서 말하는 최솟값과 최댓값은 수염 끝이며, 이상치를 뺀 나머지 데이터에서 가장 작은 값 · 가장 큰 값입니다. 이상치 기준(Q1 − 1.5 × IQR, Q3 + 1.5 × IQR, IQR = Q3 − Q1) 바깥의 값은 수염에 넣지 않고 점으로 따로 찍습니다. 이상치가 있으면 데이터 전체의 가장 작은 값 · 가장 큰 값과 다를 수 있으니 주의합니다.
수학 · 읽기 · 쓰기 세 과목의 성적 분포 비교
출처: 캐글 students-performance-in-exams kaggle.com
읽기 점수의 중앙값, 제1사분위수, 제3사분위수가 다른 성적에 비해 높다는 것을 확인할 수 있습니다. 상자 셋이 나란히 놓여 있어 한 번에 비교됩니다.
잘하는 것
여러 속성의 분포를 하나의 차트로 표현할 수 있고, 이상치를 쉽게 파악할 수 있습니다.
못하는 것
5가지의 요약 수치만 표현되므로 정규 분포, 균등 분포 등 일반적인 분포 형태를 나타내지 못합니다.
히스토그램과 상자 그림은 서로 반대의 장단점을 가집니다. 히스토그램은 모양은 보여 주지만 한 속성만, 상자 그림은 여러 속성을 나란히 놓을 수 있지만 모양은 잃습니다. 그래서 둘을 같이 보는 것이 좋습니다.
그래서 어떤 차트를 고를까?
네 가지 분석을 한 장에 모았습니다.
| 구분 | 설명 | 시각화 |
|---|---|---|
| 비교 분석 | 여러 항목 간의 값을 비교하는 방법이다. 두 개 이상의 데이터 포인트 간의 차이점을 명확하게 보여 주며, 변화 추세나 차이점을 분석하는 데 주로 사용된다. | 막대그래프 선그래프 히트맵 |
| 구성 분석 | 전체에서 각 부분이 차지하는 비율을 분석하는 방법이다. 구성 요소 간의 비율을 파악하고, 시간에 따라 구성 비율이 어떻게 변화하는지도 분석할 수 있다. | 원그래프 누적 막대그래프 누적 영역 차트 |
| 관계 분석 | 두 개 이상의 속성 간 상관관계를 분석한다. 속성이 서로 어떻게 함께 변하는지, 상관관계가 있는지 등을 시각적으로 나타내는 데 사용된다. | 산점도 버블 차트 히트맵 |
| 분포 분석 | 데이터가 어떻게 분포되어 있는지, 즉 데이터의 빈도, 범위, 그리고 이상치 등을 분석한다. 이를 통해 데이터의 중심 경향, 퍼짐, 변동성을 파악할 수 있다. | 히스토그램 상자 그림 |
차트를 먼저 고르지 않습니다
「무엇을 알고 싶은가」를 먼저 정하고, 그다음에 차트를 고릅니다. 문제를 먼저 정의하고 데이터를 모으는 것과 같은 이치입니다. 표에 같은 차트가 여러 줄에 나오는 것도 이 때문입니다. 히트맵은 무엇을 축에 놓느냐에 따라 비교 분석도 되고 관계 분석도 됩니다.
같은 데이터를 여러 차트로 그려 보는 것이 좋은 방법입니다. 시각화된 데이터는 각기 다른 결과 해석을 제공할 수 있습니다. 목적에 맞지 않는 차트를 골라 보는 경험도, 그 차트의 한계를 배우는 과정이 됩니다.
지도 한 장이 수천 명을 살릴 수 있을까?
콜레라와 데이터의 시각화
19세기 영국에서 콜레라로 엄청난 인명 피해가 발생했습니다. 많은 의사가 나쁜 공기가 원인이라 생각하고 있을 때, 1854년 런던의 의사 존 스노(John Snow)는 콜레라의 원인을 직접 알아보기 위해 지도의 각 주소에 사망자 수를 검은 사각형으로 표시했습니다.
여러 명의 사망자가 있는 주소에는 사망자 수만큼 사각형을 쌓아서 표현했습니다. 그러자 사망자가 몰린 지역의 한가운데에 브로드가(BROAD STREET) 공용 펌프(PUMP)가 있다는 것이 보였습니다. 사망자가 나온 가정은 대부분 이 펌프의 물을 식수로 쓰고 있었고, 스노는 콜레라의 원인이 이 펌프라고 추측했습니다.
존 스노의 근거를 받아들인 당국은 공용 펌프의 손잡이를 제거했고, 유행은 곧 잦아들었습니다. 다만 손잡이를 제거할 무렵에는 환자가 이미 줄고 있었다는 기록도 있어, 이 조치 하나가 유행을 끝냈다고 단정하기는 어렵습니다. 그렇더라도 오래전부터 다양한 사회 현상을 표현하고 문제의 원인을 조사하기 위해 데이터를 시각화하였다는 것을 알 수 있습니다.
이 지도가 왜 대단한가
질병이 퍼진 근원 추적
콜레라가 공기를 통해 전파된다는 당시의 일반적인 믿음에 의문을 갖고, 사망자의 위치를 지도에 표시하면서 특정 수도 펌프 주변에 집중되는 패턴을 발견했습니다.
공중 보건 정책에 기여
공중 보건 분야에 과학적 방법과 정량적 데이터를 사용하는 데이터 기반 접근법의 중요성을 보여 준 사례로 꼽힙니다.
시각화의 효과적 활용
복잡한 데이터를 시각적으로 단순화하여 제시하여, 일반 대중과 정책 결정자 모두가 쉽게 이해할 수 있도록 전달했습니다.
더 알아보기: en.wikipedia.org/wiki/1854_Broad_Street_cholera_outbreak
존 스노가 사망자 명단을 표로만 가지고 있었다면 펌프를 찾아낼 수 있었을까요? 지도 위에 놓았기 때문에 보인 것은 정확히 무엇이었을까요?
직접 시각화해 볼까?
선택 활동 — 전기 자동차 데이터셋을 다양하게 시각화하기
문제 상황
전기 자동차 시장은 꾸준히 성장하고, 다양한 전기 자동차 제품이 생산되고 있습니다. 소비자들은 전기 자동차의 성능, 안전성, 승차감, 가격 등 다양한 요소를 고려하여 구매합니다. 전기 자동차 데이터셋을 다양하게 시각화하여 자동차 모델을 비교해 봅시다.
전기 자동차의 특성 및 가격을 다양한 시각에서 분석해 봅시다.
- 캐글(kaggle)에서 전기 자동차 데이터를 다운로드합니다. (검색어: EVs)
kaggle.com/datasets/geoffnel/evs-one-electric-vehicle-dataset - 구글 스프레드시트 → 를 선택하여 전기 자동차 데이터셋(ElectricCarData_Clean.csv)을 불러옵니다. 각 속성의 의미를 파악하고, → 를 이용해서 속성값의 특징도 함께 확인합니다.
| 속성명 | 예시 | 유형 |
|---|---|---|
| Brand 자동차 회사명 | Kia | 범주형 |
| Model 자동차 모델명 | e-Niro | |
| AccelSec 시속 0km에서 100km까지 가속하는 데 걸리는 시간(초) | 9.8 | 수치형 |
| TopSpeed_KmH 최고 속도(km/h) | 155 | |
| Range_Km 충전된 배터리로 운행 가능한 거리(km) | 235 | |
| Efficiency_WhKm 1km를 주행하는 데 필요한 전기 에너지(Wh) (낮은 값이 효율적인 차를 의미함) | 167 | |
| FastCharge_KmH 충전 속도(km/h) (1시간 동안 충전하면 주행할 수 있는 거리를 나타냄) | 230 | |
| RapidCharge 급속 충전 가능 여부 | yes | 범주형 |
| PowerTrain 구동 방식 (AWD: 사륜구동, FWD: 전륜 구동, RWD: 후륜 구동) | FWD | |
| PlugType 충전 플러그 유형 | Type 2 CCS | |
| BodyStyle 차량 스타일 (SUV, Hatchback, Sedan 등 9가지로 구분) | SUV | |
| Segment 차체 길이 등으로 구분 (A~F 순으로 길어지며, S는 스포츠카, N은 상업용) | C | |
| Seats 좌석 수(2개~7개) | 5 | 수치형 |
| PriceEuro 가격(EUR) | 34400 |
속성표에서 Seats(좌석 수)는 수치형으로 되어 있습니다. 그런데 값이 2에서 7까지의 정수뿐입니다. 이 속성을 범주형처럼 다루어도 될까요? 그렇게 하면 어떤 차트를 쓸 수 있게 될까요?
수치형 속성을 그려 볼까?
선택 활동 — 단계 3. 다양한 방법으로 시각화하기
앞에서 배운 관계 분석과 분포 분석을 차례로 써 봅니다. 모두 구글 스프레드시트로 그립니다.
1. 산점도 — 최고 속도와 가격의 관계
- TopSpeed_KmH와 PriceEuro의 열 이름을 함께 선택합니다.
- → 를 선택하고, 차트 편집기에서 차트 유형을 로 변경합니다.
- 차트 편집기의 탭의 에서 추세선을 선택합니다.
이 차트로 알아내려는 것
최고 속도와 가격 간의 관계를 분석합니다. 이를 통해 성능이 높은 자동차일수록 가격이 더 비싼지 여부를 파악합니다.
가로축: 최고 속도(km/h) · 세로축: 가격(EUR)
최고 속도가 빠른 모델일수록 가격이 비싼 경향이 있습니다. 대부분의 데이터 포인트가 추세선 가까이에 있어 강한 상관관계가 있음을 알 수 있습니다.
추세선이 무엇인가요?
흩어진 점들의 전반적인 흐름을 하나의 직선으로 요약한 선입니다. 점들이 이 선에 바짝 붙어 있을수록 두 속성의 관계가 강하고, 선에서 멀리 흩어져 있을수록 관계가 약합니다. 점 하나하나를 보는 대신 선 하나로 경향을 말할 수 있게 해 줍니다.
수치형 속성 두 개의 관련성을 보고 있으므로 관계 분석입니다. 다만 「비싸서 빠른 것」인지 「빨라서 비싼 것」인지는 이 차트가 말해 주지 않습니다. 산점도는 둘이 함께 움직인다는 것까지만 보여 줍니다.
2. 히스토그램 — 한 번 충전으로 이동할 수 있는 거리
- Range_Km 속성의 열 이름을 선택합니다.
- → 를 선택하고, 차트 유형을 로 변경합니다.
- 탭의 에서 최솟값을 0, 최댓값을 1000으로 설정합니다.
- 의 에서 급간 크기를 변경하면서 분포를 확인합니다.
이 차트로 알아내려는 것
각 모델의 충전 후 주행거리에 따라 분포를 시각화하여, 어떤 범위에서 많은 모델이 존재하는지를 분석합니다.
가로축: 완충 후 주행거리(km), 0부터 1000까지 · 세로축: 모델 수
기본 급간에서
대부분 완충 후 주행거리가 100km에서 500km 사이이며, 300km에서 400km 구간의 모델이 가장 많습니다.
급간 크기를 50으로 줄이면
400km에서 450km 구간에 가장 많은 모델이 분포하는 것을 알 수 있습니다.
같은 데이터인데 답이 달라졌습니다. 구간을 어떻게 나누느냐가 결론을 바꿉니다. 히스토그램을 볼 때는 급간 크기를 반드시 확인해야 하는 이유입니다.
여기까지 산점도(관계)와 히스토그램(분포)을 그렸습니다. 두 차트 모두 Range_Km 같은 수치형 속성을 썼습니다. Segment처럼 범주형 속성은 왜 이 두 차트로 그릴 수 없을까요?
범주형 속성은 어떻게 그릴까?
선택 활동 — 3. 막대그래프로 비교하기
먼저 세어야 그릴 수 있습니다. 앞의 두 차트에는 없던 단계가 하나 더 붙습니다.
3. 막대그래프 — 세그먼트(차량 크기)별 모델 개수
- 세그먼트별 모델의 개수를 집계해야 막대그래프로 표현이 가능합니다.
테이블의 임의의 셀을 선택하고 →
을 선택합니다.
창에서 범위를 확인하고
를 클릭합니다.
에서 Segment를 행, Model을 값으로 드래그합니다. - 집계된 표를 선택하고 → 를 선택합니다. 차트 유형을 로 변경합니다.
- 탭을 이용해서 차트 요소를 변경합니다.
| Segment | A | B | C | D | E | F | N | S |
|---|---|---|---|---|---|---|---|---|
| Model 개수 | 7 | 22 | 30 | 15 | 10 | 12 | 6 | 1 |
이 차트로 알아내려는 것
세그먼트별 차량 모델 수를 집계하여, 각 세그먼트(C, D, E 등)에서 몇 개의 모델이 존재하는지를 분석합니다.
가로축: Segment(A · B · C · D · E · F · N · S) · 세로축: 모델 개수
A~F 중 C 유형의 모델이 30개로 가장 많으며, B 유형이 그다음으로 많습니다.
우리나라의 중형차가 주로 D 유형에 속하므로, 이 데이터셋에는 준중형차와 소형차 비중이 높다고 할 수 있습니다.
항목 간의 차이를 보고 있으므로 비교 분석입니다. 다만 앞의 두 차트와 다른 점이 있습니다. 원본 데이터에 「개수」라는 열이 없었습니다. 피벗 테이블로 먼저 만들어 낸 다음에야 그릴 수 있었습니다.
피벗 테이블 (pivot table)이 뭔가요?
데이터 분석과 요약을 쉽게 할 수 있도록 도와주는 도구입니다. 주로 대규모 데이터셋에서 특정 필드를 기준으로 데이터를 집계하거나 요약할 때 사용합니다. 스프레드시트(구글 스프레드시트, 엑셀 등)나 데이터 분석 도구(파이썬의 Pandas 라이브러리 등)에서 지원합니다.
| 데이터 요약 | 대량의 데이터를 몇 가지 핵심 기준으로 요약할 수 있다. |
|---|---|
| 행과 열 변경 | 데이터를 쉽게 재구성할 수 있다. 데이터를 행과 열로 배치하여 다양한 방식으로 볼 수 있으며, 필요한 대로 필드를 드래그하여 재구성할 수 있다. |
| 데이터 집계 | 평균, 합계, 최댓값, 최솟값, 개수 등을 빠르게 집계할 수 있다. |
막대그래프를 그리려면 「개수」라는 숫자가 먼저 있어야 합니다. 원본 데이터에는 그 숫자가 없으므로 피벗 테이블로 만들어 낸 것입니다.
차량의 효율성과 가격의 관계를 시각화해서 파악합니다.
- 차량의 효율성과 가격은 어떤 관계가 있을까요? 어떤 차트로 시각화하면 좋을지 생각해 보세요.
힌트 — ______은(는) 수치형 속성 두 개 사이에 관계를 파악할 때 사용할 수 있습니다. - 비싼 차일수록 에너지 효율이 더 좋을까요? 스프레드시트에서 직접 시각화해 봅시다.
단, Efficiency는 1km 운행 때 필요한 전기 에너지량으로 값이 작을수록 에너지 효율이 높습니다.
핵심 정리
데이터 시각화
data visualization
- 복잡한 데이터셋을 그래프 · 차트로 나타내는 과정
- 숨겨진 패턴 · 추세를 파악해 의사 결정을 돕는다
- 하나의 차트에 너무 많은 정보를 담지 않는다
네 가지 분석 유형
무엇을 알고 싶은가
- 비교(차이) · 구성(비율)
- 관계(관련성) · 분포(퍼짐)
- 차트가 아니라 목적이 유형을 정한다
차트마다 못하는 것이 있다
보여 주는 만큼 가린다
- 파이 — 항목이 많거나 비율이 비슷하면 구별하기 어렵다
- 히스토그램 — 한 속성만 / 상자 그림 — 모양을 잃음
- 선그래프 — 극단치가 있으면 나머지 변화가 잘 안 보인다
존 스노의 콜레라 지도
1854년 런던
- 사망자를 지도 위에 올려 펌프 주변 집중을 발견
- 펌프 손잡이 제거 → 유행이 잦아듦(이미 줄고 있었다는 기록도 있음)
- 데이터 기반 의사 결정의 대표 사례
확인 퀴즈
배운 내용을 확인해 봅시다.
우리 반 학생들의 혈액형 비율이 전체에서 얼마씩인지 보고 싶습니다. 어떤 분석 유형인가?
수치형 속성 2개 사이의 관계를 파악할 때 가장 알맞은 차트는?
상자 그림에 대한 설명으로 옳지 않은 것은?
히스토그램에서 급간(버킷) 크기를 바꾸었더니 가장 많은 구간이 달라졌습니다. 이것이 뜻하는 것은?
존 스노가 콜레라가 퍼진 근원을 찾아낼 수 있었던 결정적인 이유는?