[빅데이터 분석기사] 2회 기출문제 연습(R 코드) - 2/3

빅데이터 분석기사 실기 2회 기출문제 풀이 R 연습 2번째이다.

이번에도 작업형 1유형 문제 두가지를 풀어보았고 R 코드와 실행 결과는 다음과 같다.

이번에도 저작권 관련해서 문제를 복원할 순 없고, 비슷한 느낌으로다가 풀어보았다.

 

1. 주어진 데이터를 첫번째 행부터 80%까지를 훈련 데이터로 추출하고, 'total_bedrooms' 변수의 결측값(NA)을 'total_bedrooms' 변수의 중앙값으로 대체하고 대체 전/후의 표준편차 차이의 절대값을 구하여라.

housing.csv

1.36MB

 

 

# 데이터 불러오기

> ds <- read.csv("c:/data/exam2/housing.csv")

 

#데이터셋 확인

> str(ds)
'data.frame': 20640 obs. of  10 variables:
 $ longitude         : num  -122 -122 -122 -122 -122 ...
 $ latitude          : num  37.9 37.9 37.9 37.9 37.9 ...
 $ housing_median_age: num  41 21 52 52 52 52 52 52 42 52 ...
 $ total_rooms       : num  880 7099 1467 1274 1627 ...
 $ total_bedrooms    : num  129 1106 190 235 280 ...
 $ population        : num  322 2401 496 558 565 ...
 $ households        : num  126 1138 177 219 259 ...
 $ median_income     : num  8.33 8.3 7.26 5.64 3.85 ...
 $ median_house_value: num  452600 358500 352100 341300 342200 ...
 $ ocean_proximity   : chr  "NEAR BAY" "NEAR BAY" "NEAR BAY" "NEAR BAY" ...

> head(ds)
  longitude latitude housing_median_age total_rooms total_bedrooms population households median_income
1   -122.23    37.88                 41         880            129        322        126        8.3252
2   -122.22    37.86                 21        7099           1106       2401       1138        8.3014
3   -122.24    37.85                 52        1467            190        496        177        7.2574
4   -122.25    37.85                 52        1274            235        558        219        5.6431
5   -122.25    37.85                 52        1627            280        565        259        3.8462
6   -122.25    37.85                 52         919            213        413        193        4.0368
  median_house_value ocean_proximity
1             452600        NEAR BAY
2             358500        NEAR BAY
3             352100        NEAR BAY
4             341300        NEAR BAY
5             342200        NEAR BAY
6             269700        NEAR BAY

 

> summary(ds)
   longitude         latitude     housing_median_age  total_rooms    total_bedrooms     population      households    
 Min.   :-124.3   Min.   :32.54   Min.   : 1.00      Min.   :    2   Min.   :   1.0   Min.   :    3   Min.   :   1.0  
 1st Qu.:-121.8   1st Qu.:33.93   1st Qu.:18.00      1st Qu.: 1448   1st Qu.: 296.0   1st Qu.:  787   1st Qu.: 280.0  
 Median :-118.5   Median :34.26   Median :29.00      Median : 2127   Median : 435.0   Median : 1166   Median : 409.0  
 Mean   :-119.6   Mean   :35.63   Mean   :28.64      Mean   : 2636   Mean   : 537.9   Mean   : 1425   Mean   : 499.5  
 3rd Qu.:-118.0   3rd Qu.:37.71   3rd Qu.:37.00      3rd Qu.: 3148   3rd Qu.: 647.0   3rd Qu.: 1725   3rd Qu.: 605.0  
 Max.   :-114.3   Max.   :41.95   Max.   :52.00      Max.   :39320   Max.   :6445.0   Max.   :35682   Max.   :6082.0  
                                                                     NA's   :207                                      
 median_income     median_house_value ocean_proximity   
 Min.   : 0.4999   Min.   : 14999     Length:20640      
 1st Qu.: 2.5634   1st Qu.:119600     Class :character  
 Median : 3.5348   Median :179700     Mode  :character  
 Mean   : 3.8707   Mean   :206856                       
 3rd Qu.: 4.7432   3rd Qu.:264725                       
 Max.   :15.0001   Max.   :500001                       
                                                        
> summary(ds$total_bedrooms)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
    1.0   296.0   435.0   537.9   647.0  6445.0     207 

 

# 80% 데이터 추출

> row <- nrow(ds$total_bedrooms)
> row <- nrow(ds)
> idx <- row*0.8
> ds2 <- ds[c(1:idx),]
> str(ds2)
'data.frame': 16512 obs. of  10 variables:
 $ longitude         : num  -122 -122 -122 -122 -122 ...
 $ latitude          : num  37.9 37.9 37.9 37.9 37.9 ...
 $ housing_median_age: num  41 21 52 52 52 52 52 52 42 52 ...
 $ total_rooms       : num  880 7099 1467 1274 1627 ...
 $ total_bedrooms    : num  129 1106 190 235 280 ...
 $ population        : num  322 2401 496 558 565 ...
 $ households        : num  126 1138 177 219 259 ...
 $ median_income     : num  8.33 8.3 7.26 5.64 3.85 ...
 $ median_house_value: num  452600 358500 352100 341300 342200 ...
 $ ocean_proximity   : chr  "NEAR BAY" "NEAR BAY" "NEAR BAY" "NEAR BAY" ...

 

# 중앙값 계산

> med <- median(ds$total_bedrooms, na.rm=TRUE)

 

# 결측치 대체

> ds3 <- ds2
> ds3$total_bedrooms <- ifelse(is.na(ds3$total_bedrooms), med, ds3$total_bedrooms)

 

# 표준편차 계산

> sd1 <- sd(ds2$total_bedrooms, na.rm=TRUE)
> sd2 <- sd(ds3$total_bedrooms)
> sd1-sd2
[1] 1.975147

 

# 절대값 씌워 출력

> result <- abs(sd1-sd2)
> print(result)
[1] 1.975147

 

 

2. insurance 데이터 세트의 charges 항목에서 이상값의 합을 구하시오 (이상값은 평균에서 1.5 표준편차 이상의 값)

 

insurance.csv

0.05MB

 

 

 

# 데이터 로드

> ds <- read.csv("c:/data/exam2/insurance.csv")

 

# 데이터 확인

> str(ds)
'data.frame': 1338 obs. of  7 variables:
 $ age     : int  19 18 28 33 32 31 46 37 37 60 ...
 $ sex     : chr  "female" "male" "male" "male" ...
 $ bmi     : num  27.9 33.8 33 22.7 28.9 ...
 $ children: int  0 1 3 0 0 0 1 3 2 0 ...
 $ smoker  : chr  "yes" "no" "no" "no" ...
 $ region  : chr  "southwest" "southeast" "southeast" "northwest" ...
 $ charges : num  16885 1726 4449 21984 3867 ...

 

> head(ds)
  age    sex    bmi children smoker    region   charges
1  19 female 27.900        0    yes southwest 16884.924
2  18   male 33.770        1     no southeast  1725.552
3  28   male 33.000        3     no southeast  4449.462
4  33   male 22.705        0     no northwest 21984.471
5  32   male 28.880        0     no northwest  3866.855
6  31 female 25.740        0     no southeast  3756.622

 

> summary(ds)
      age            sex                 bmi           children        smoker             region         
 Min.   :18.00   Length:1338        Min.   :15.96   Min.   :0.000   Length:1338        Length:1338       
 1st Qu.:27.00   Class :character   1st Qu.:26.30   1st Qu.:0.000   Class :character   Class :character  
 Median :39.00   Mode  :character   Median :30.40   Median :1.000   Mode  :character   Mode  :character  
 Mean   :39.21                      Mean   :30.66   Mean   :1.095                                        
 3rd Qu.:51.00                      3rd Qu.:34.69   3rd Qu.:2.000                                        
 Max.   :64.00                      Max.   :53.13   Max.   :5.000                                        
    charges     
 Min.   : 1122  
 1st Qu.: 4740  
 Median : 9382  
 Mean   :13270  
 3rd Qu.:16640  
 Max.   :63770  

 

# 이상값 구하기

> mean <- mean(ds$charges)
> sd <- sd(ds$charges)
> max <- mean + 1.5*sd
> min <- mean - 1.5*sd

 

# 이상값들만 가지는 dataset 추출  
> library(dplyr)
> ds2 <- ds
> ds2 <- ds %>% filter(ds$charges <= min | ds$charges >= max)

 

# 이상값들의 charges 합 출력

> result <- sum(ds2$charges)
> print(result)
[1] 6421430