기술통계 - 실전 예제

기술 통계

실전 예제

전국 연령별 평균 월급 조사

# 데이터 로드
# 통계청 2013년 발표 연령, 남녀, 경력별 평균월급 데이터셋
df <- read.csv("r-ggagi-data/example_salary.csv", stringsAsFactors = T, na = '-') # - 값은 NA로 바꾸기

head(df)

연령	월급여액..원.	연간특별급여액..원.	근로시간..시간.	근로자수..명.	경력구분	성별
-19	1346534	151840	169.5	15042	1년미만	남
20-24	1584214	115375	180.1	74251	1년미만	남
25-29	1922043	268058	178.0	143338	1년미만	남
30-34	2130988	335710	180.8	103585	1년미만	남
35-39	2414345	352816	181.4	65385	1년미만	남
40-44	2372214	233728	182.9	55422	1년미만	남

# 한글 변수명 => 영문으로 바꾸기
colnames(df)
colnames(df) <- c('age','salary','specialSalary','workingTime','numberOfWorker','career','gender')

1. '연령'
2. '월급여액..원.'
3. '연간특별급여액..원.'
4. '근로시간..시간.'
5. '근로자수..명.'
6. '경력구분'
7. '성별'

colnames(df)

1. 'age'
2. 'salary'
3. 'specialSalary'
4. 'workingTime'
5. 'numberOfWorker'
6. 'career'
7. 'gender'

# 평균 월급 구하기
Mean <- mean(df$salary, na.rm = T)
Mean

2171577.83673469

# 아웃라이어 영향이 있는지 월 중앙값 계산
Median <- median(df$salary, na.rm = T)
Median

2120345

# 범위 구하기
Range <- range(df$salary, na.rm = T)
Range

1. 1117605
2. 4064286

# 4064286 월급 연령대, 성별, 경력 확인
w <- which(df$salary == 4064286)
w

48

df[w,]

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
48	50-54	4064286	12716896	178.2	439450	10년이상	남

# 월급 4분위 수
Quantile <- quantile(df$salary, na.rm = T)
Quantile

0%

1117605

25%

1689658.25

50%

2120345

75%

2519221.25

100%

4064286

# 리스트에 데이터 담기 / R에서의 list는 다양한 데이터를 담을 수 있다
Salary <- list(평균=Mean, 중앙값=Median, 범위=Range, 사분위=Quantile)
Salary

$평균

2171577.83673469

$중앙값

2120345

$범위

1. 1117605
2. 4064286

$사분위

0%  1117605

25% 1689658.25

50% 2120345

75% 2519221.25

100% 4064286

 

그룹별 평균 구하기

# 데이터 확인
head(df)

age	salary	specialSalary	workingTime	numberOfWorker	career	gender
-19	1346534	151840	169.5	15042	1년미만	남
20-24	1584214	115375	180.1	74251	1년미만	남
25-29	1922043	268058	178.0	143338	1년미만	남
30-34	2130988	335710	180.8	103585	1년미만	남
35-39	2414345	352816	181.4	65385	1년미만	남
40-44	2372214	233728	182.9	55422	1년미만	남

# 성별 평균월급 - tapply() : group by
temp <- tapply(df$salary, df$gender, mean, na.rm = T)
temp

남

2477332.3877551

여

1865823.28571429

library('reshape2')
library('ggplot2')

# 재 구조화 그냥 temp로는 그래프 작업 불가
melt <- melt(temp)
melt

# 그래프로 확인
ggplot(melt, aes(x=Var1, y=value, fill=Var1)) + geom_bar(stat='identity')

Warning message:
"package 'reshape2' was built under R version 3.6.3"Warning message:
"package 'ggplot2' was built under R version 3.6.3"

Var1	value
남	2477332
여	1865823

ggplot을 사용한 그래프

# 표준편차 - 남 월급도 높고, 격차도 큼
tapply(df$salary, df$gender, sd, na.rm=T)

남

646470.66723018

여

468270.600001128

# 범위
tapply(df$salary, df$gender, range, na.rm=T)

$남

1. 1346534
2. 4064286

$여

1. 1117605
2. 3002440

# 경력별 평균월급
temp <- tapply(df$salary, df$career, mean, na.rm=T)
temp

1~3년미만

1905011.9

10년이상

2907118.61111111

1년미만

1730835.35

3~5년미만

2028014.9

5~10년미만

2360462.5

# 그래프로 확인
melt <- melt(temp)
melt
ggplot(melt, aes(x=Var1, y=value, group=1))+
geom_line(colour='skyblue2', size=2) +
coord_polar() +
ylim(0, max(melt$value))

Var1	value
1~3년미만	1905012
10년이상	2907119
1년미만	1730835
3~5년미만	2028015
5~10년미만	2360463

# 표준편차
tapply(df$salary, df$career, sd, na.rm=T)

1~3년미만

421332.817832436

10년이상

690976.727993927

1년미만

408110.437480279

3~5년미만

460790.871315817

5~10년미만

507244.739786116

# 범위
tapply(df$salary, df$career, range, na.rm=T)

$`1~3년미만`

1. 1172399
2. 2619221

$`10년이상`

1. 1685204
2. 4064286

$`1년미만`

1. 1117605
2. 2414345

$`3~5년미만`

1. 1245540
2. 2827420

$`5~10년미만`

1. 1548036
2. 3309231

# 경력별 가장 월급이 작은 그룹 - 경력 1~3, 여 나이 60 이상
a1 <- df[which(df$salary == '1172399'),]
a1

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
70	60-	1172399	299639	151.2	30253	1~3년미만	여

# 경력별 가장 월급이 작은 그룹 - 경력 10년 이상, 여 나이 20~24
a2 <- df[which(df$salary == '1685204'),]
a2

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
92	20-24	1685204	1970720	179.4	1886	10년이상	여

# 경력별 가장 월급이 작은 그룹 - 경력 1년미만, 여 나이 60이상
a3 <- df[which(df$salary == '1117605'),]
a3

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
60	60-	1117605	10667	148	18737	1년미만	여

# 경력별 가장 월급이 작은 그룹 - 경력 3~5년미만, 여 나이 60이상
a4 <- df[which(df$salary == '1245540'),]
a4

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
80	60-	1245540	423826	155.1	21106	3~5년미만	여

# 경력별 가장 월급이 작은 그룹 - 경력 5~10년미만, 여 나이 60이상
a5 <- df[which(df$salary == '1548036'),]
a5

	age	salary	specialSalary	workingTime	numberOfWorker	career	gender
90	60-	1548036	806919	169.1	20282	5~10년미만	여

아웃라이어 찾기와 제거하기

• 대장암 관련 데이터 사용

# 데이터 로드
df <- read.csv('r-ggagi-data/example_cancer.csv', stringsAsFactors = F, na='기록없음')

# 요약 확인
str(df)

'data.frame':    18310 obs. of  8 variables:
 $ age            : int  75 52 67 62 70 76 55 72 64 71 ...
 $ sex            : chr  "남" "여" "여" "남" ...
 $ height         : num  161 177 154 162 171 ...
 $ weight         : num  64 75.3 65.6 57 65 87 77 55 67 55.5 ...
 $ dateOfoperation: chr  "2011-06-22" "2011-05-19" "2011-05-31" "2011-06-21" ...
 $ cancerStaging  : chr  "I" "IV" "III" "I" ...
 $ hospitalization: int  48 17 10 11 10 10 12 18 15 35 ...
 $ diseaseCode    : chr  "C187" "C187" "C187" "C187" ...

# 대장암에 걸리는 평균 나이
mean(df$age)

63.5079191698525

# age 특징확인
summary(df$age)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  18.00   55.00   64.00   63.51   72.00  102.00 

# 시각화
boxplot(df$age)
# 100세 이상, 30세 이하는 잘 안걸림

boxplot을 사용한 그래프

# IQR(InterQuantile Range) * 1.5 = 아웃라이어(이상치)
dist_iqr <- IQR(df$age, na.rm=T)
dist_iqr

17

# IQR위치 확인
post_iqr <- quantile(df$age, probs = c(0.25, 0.75), na.rm=T)
post_iqr

25%

55

75%

72

# whisker = 수염
down_whisker <- post_iqr[[1]] - dist_iqr*1.5
up_whisker <- post_iqr[[2]] + dist_iqr*1.5

down_whisker
up_whisker

29.5

97.5

outlier <- subset(df, subset=(df$age < down_whisker | df$age > up_whisker))
str(outlier)

'data.frame':    62 obs. of  8 variables:
 $ age            : int  29 28 29 25 24 28 29 28 24 102 ...
 $ sex            : chr  "남" "남" "남" "여" ...
 $ height         : num  162 151 166 177 161 ...
 $ weight         : num  70.6 44.9 57.3 73.6 64.1 61 55 63.3 79 62.5 ...
 $ dateOfoperation: chr  "2011-05-17" "2011-08-02" "2011-09-06" "2011-11-10" ...
 $ cancerStaging  : chr  "II" "I" "II" "II" ...
 $ hospitalization: int  24 8 9 10 19 7 11 57 19 16 ...
 $ diseaseCode    : chr  "C184" "C187" "C187" "C184" ...

head(outlier)

	age	sex	height	weight	dateOfoperation	cancerStaging	hospitalization	diseaseCode
426	29	남	162.0	70.6	2011-05-17	II	24	C184
531	28	남	151.4	44.9	2011-08-02	I	8	C187
902	29	남	165.8	57.3	2011-09-06	II	9	C187
1042	25	여	176.9	73.6	2011-11-10	II	10	C184
1299	24	남	161.0	64.1	2011-08-05	IV	19	C187
1783	28	여	154.0	61.0	2011-05-27	IV	7	C188

평균값을 표준화하여 그래프 한 눈에 보기

• 통계청 월급 정보 사용

# 데이터 로드
df <- read.csv('r-ggagi-data/example_salary.csv', stringsAsFactors = F, na='-')

# 한글 변수명 => 영문으로 바꾸기
colnames(df)
colnames(df) <- c('age','salary','sepcialSalary','workingTime','numberOfWorker','career','gender')

1. '연령'
2. '월급여액..원.'
3. '연간특별급여액..원.'
4. '근로시간..시간.'
5. '근로자수..명.'
6. '경력구분'
7. '성별'

# 표준화 - scale()
salary_scale <- scale(df$salary)
head(salary_scale)

-1.28886999

-0.91757018

-0.38981924

-0.06340878

0.37924689

0.31343053

# 표준화 값 추가
df_scale <- cbind(df, scale=salary_scale)
head(df_scale)

age	salary	sepcialSalary	workingTime	numberOfWorker	career	gender	scale
-19	1346534	151840	169.5	15042	1년미만	남	-1.28886999
20-24	1584214	115375	180.1	74251	1년미만	남	-0.91757018
25-29	1922043	268058	178.0	143338	1년미만	남	-0.38981924
30-34	2130988	335710	180.8	103585	1년미만	남	-0.06340878
35-39	2414345	352816	181.4	65385	1년미만	남	0.37924689
40-44	2372214	233728	182.9	55422	1년미만	남	0.31343053

# 시각화
g1 <- ggplot(df_scale, aes(x=scale, y=age))
g2 <- geom_segment(aes(yend=age), xend=0)
g3 <- geom_point(size=7, aes(colour=gender, shape=career))
g1 + g2 + g3 + theme_minimal()

Warning message:
"Removed 2 rows containing missing values (geom_segment)."Warning message:
"Removed 2 rows containing missing values (geom_point)."

Chap03-2.html

0.36MB