Table of Contents

데이터 전처리

데이터 분석에 적합하게 데이터를 가공하는 작업
전처리가 분석 결과에 직접적인 영향
데이터 분석의 단계 중 가장 많은 시간이 소요
데이터 정제 → 결측값 처리 → 이상값 처리 → 분석변수 처리 (일반적으로)

가장 비용이 많이 소요되는 작업

Data preparation: 80% of the work of data scientists

“데이터 과학의 80%는 데이터 클리닝에 소비되고, 나머지 20%는 데이터 클리닝하는 시간을 불평하는데 쓰인다.” — kaggle 창립자 Anthony Goldbloom

데이터셋 (Dataset)

표 (table)	데이터셋(dataset), 인스턴스 집합(set of instance)
행 (row)	관측치(observed value), 레코드(record), 샘플(sample), 개체(instance)
열 (column)	특성(feature), 속성(attribute), 변수(variable)

참고 (머신러닝 에서, 통계에서)

독립변수	X	feature	입력
종속변수	y	target	출력	레이블, 정답

데이터 분류 (Data Classification)

양적 데이터 (정량적, Quantitative or Numeric)

연속 (continuous) : 예) 키, 몸무게, 온도 (실수로 표현)
이산 (discrete) : 예) 몇개의 값, 회수, 가족수 (정수로 표현)

질적 데이터 (정성적, Qualitative or Categorical)

범주(명목형, nominal) 순서가 없는 예) 인종, 성별, 지역
순서(서수형, ordinal) 순서가 있는 예) 등급, 순위

https://i.imgur.com/tZWaltL.png

척도 (scale)

관찰된 결과에 특정 값을 할당하기 위해 사용되는 측정 수준


명목척도 nominal scale	어떤 범주에 속하는가	순서나 크기의 의미 없음	종교, 인종, 성별, 지지정당
서열척도 ordinal scale	순위 부여	등간격 아님, 연산 불가 크기나 순서 간의 차이X	5점 척도 만족도
구간척도 interval scale	명목, 순서 척도 + 등간격	크기비교 의미 있음 크기간의 차이 동일	온도, 물가지수, 주가지수
비율척도 ratio scale	구간척도의 특성 + 절대 원점	크기비교와 비율도 의미 0을 기준 크기 표시가능	키, 몸무게, 시간, 거리

순서척도는 범주형 데이터
정보의 양 : 명목척도 < 순서척도 < 구간척도 < 비율척도

데이터 전처리 (Data preprocessing)

원시 데이터(raw data)를 정제 데이터(clean data)로 만드는 작업
데이터를 분석 및 처리에 적합한 형태로 만드는 과정을 총칭
데이터 분석, 데이터 마이닝, 머신러닝 모두에 항상 필요
좋지 않은 데이터로 좋은 결과를 얻을 수 없음

데이터 전처리가 필요한 이유

잡음 (noise): 측정 과정에서 무작위로 발생 (에러)
이상치 (outlier): 대부분의 데이터와 지나치게 다른 특성 혹은 다른 범위 (잡음과 다르다)
부적합 (inconsistent): 모순, 불일치 데이터 (예: 동일한 우편번호에 지역 주소)
결측치 (missing value): 누락된 데이터 혹은 속성
중복 (duplicated): 동일한 데이터

데이터 전처리 작업

데이터 정제(Data Cleaning)
- 수집된 데이터에서 오류, 누락값, 이상치 등을 식별하고 처리하는 과정
- 중복 데이터 제거, 누락값 처리, 이상치 처리
- 잡음 제거, 부적합 제거, 읽을 수 없는 요소 제거
- 형식(수치값, 날짜) 일관성 유지
데이터 통합(Data Integration)
- 여러 소스에서 수집된 데이터를 하나의 일관된 형식으로 통합하는 과정
- 데이터 형식 통일, 데이터 스키마 매핑, 데이터 병합
- 다양한 소스에서 얻은 데이터를 동일한 단위나 단일 형식으로 변경
- 이름 의미 일관성 유지 (명칭을 동일하게), 메타 데이터 유지 관리
데이터 변환(Data Transformation)
- 데이터를 분석에 적합한 형태로 변환하는 과정
- 데이터 정규화, 스케일링, 인코딩, 파생 변수 생성 등
데이터 축소(Data Reduction)
- 데이터의 크기를 줄이면서 핵심 정보는 유지하는 과정
- 차원 축소(PCA, t-SNE 등), 샘플링, 특성 선택, 이산화 등
데이터 분할 (Data Splitting)
- 데이터를 훈련 데이터, 검증 데이터, 테스트 데이터로 분할하는 과정
- 머신러닝 모델 학습 및 평가를 위해 데이터를 적절히 분할
데이터 검증 (Data Validation)
- 전처리된 데이터의 품질과 일관성을 검증하는 과정
- 데이터 타입 검사, 제약 조건 확인, 통계적 분석 등

출처1: bdataanalytics.biomedcentral.com, 출처2: bdataanalytics.biomedcentral.com

데이터 전처리 기법

데이터 정제 – 결측값 (Missing Value)

결측값: 값이 존재하지않고 비어있는 상태

NA (Not Available), NaN (Not a Number), NULL
결측치의 비중이 높으면 데이터가 불충분

결측값의 성격

완전히 랜덤하게 발생 (거의 없음)
조건에 따라(다른 변수의 영향) 랜덤하게 발생
랜덤하지 않음 (누락된 이유가 존재)

결측값 처리 방법

결측값을 잘 채워넣는 것이 매우 중요함

결측값 무시하고 분석
다시 조사하여 데이터를 수집 보강
결측값을 포함한 데이터 개체(row) 또는 속성(column) 제거
특정 상수로 채우기 (예, 0으로 채우기)
결측값 추정하여 채워넣기 (최근에는 평균값보다 중간값(Median)을 채우는 것이 더 적정한 결과를 보임)

결측값 추정

속성(column)의 대푯값(평균값, 중앙값 등)을 사용하여 채우기
동일한 속성값의 평균값 (혹은 중앙값) 사용
결측값을 예측 (회귀 분석, 베이지안 추론, 의사결정나무 등)

데이터 정제 – 잡음 (Noise)

데이터 평활화 기법(smoothing technique)

구간화 (Binning): 정렬된 데이터를 빈(혹은버킷)으로 분할
회귀 (Regression): 회귀 분석을 통해 평활화
군집화 (Clustering): 유사한 값들이 그룹화 (outlier: 특정 군집에 속하지 않은 값)

https://en.wikipedia.org/wiki/DBSCAN

이상치 (Outliers) 탐지와 처리

이상치 탐지

표준편차 3 이상
IQR

이상치 처리

값을 제거
값을 특정 범위로 제한

요약

2018-2025 FinanceData.KR

데이터 전처리는 데이터 분석 시 가장 중요하고 시간이 오래 걸리는 작업입니다.
본 내용은 본인이 이승준 교수님(한국금융연수원 겸임교수이자 FinanceData.KR 대표)의 수업을 들으며 정리한 내용입니다.

출처 : FinanceData.KR (https://financedata.notion.site/54690591e5e24213b1b32d6b98bb6c70)

데이터 전처리 개요