DATA ANALYSIS #BASIC

codataffee·2024년 5월 20일

project

PROJECT

목록 보기

1/6

개요

기초 프로젝트

벌써 부트캠프 시작 5주차..
한 달 동안 학습한 내용들을 활용해 기초 프로젝트를 해보는 시간이 되었다.

"ON AIR 분석 절차를 기반으로한 프로젝트"
- Objective (목표)
  - 프로젝트 목표 : 프로젝트의 주요 목표를 명확히 기술,
    어떤 문제를 해결하고자 하는지, 어떤 비즈니스 목표를 달성하려는지 설명
  - 예상 결과물 : 프로젝트를 통해 기대되는 결과물과 도출하고자 하는 인사이트 명시
- Necessary Data (데이터)
  - 데이터 소스 : 사용할 데이터의 출처를 설명하고, 필요한 데이터 유형과 범위 명시
  - 데이터 수집 계획 : 데이터를 수집하기 위한 계획과 방법 기술,
    데이터 수집의 정확성과 완전성을 보장하기 위한 조치 고려
- Analytics (분석)
  - 분석 방법 : 사용할 데이터 분석 기법과 모델을 선정하고 분석을 위한 절차 설명
  - 데이터 처리 : 데이터를 정제하고 전처리하는 방법 기술, 분석에 필요한 데이터의 품질 확인
  - 시각화 계획 : 데이터를 시각적으로 표현하여 인사이트를 도출하는 계획 제시
- Interpretation (해석)
  - 분석 결과 해석 : 분석 결과를 해석하고, 비즈니스에 어떻게 적용할 수 있는지를 설명
  - 인사이트 도출: 데이터에서 도출된 인사이트와 향후 전략 수립을 위한 제언을 제시
- Report (보고)
  - 보고서 구조: 보고서의 구조와 형식을 정의하고, 어떤 정보를 포함할 것인지를 설명
  - 시각화 활용: 보고서에 사용할 시각화 도구 및 방법을 결정하고, 강조할 요소를 구체화
  - 보고서 작성 일정: 보고서 작성 및 발표 일정을 계획하고, 이를 관리할 방법을 기술

What to do: SQL과 Python을 활용한 데이터 분석 실전 연습 단계

정말 다양한 주제와 데이터들을 준비해주셔서 갬동..
열심히 해보자!
- “문제에 부딪히며 해결해나가는 과정을 회고할 수 있어야 한다”
- “크고 작음과 상관없이 팀이 목표한 바를 이루어냈는가”
- “그 목표를 이루기 위해 나는 스스로 어떤 노력을 했는가”

📌 1일차

📌 주제 선정

나의 의견

프로젝트 중점 > 어떤 데이터 분석가로 성장할 것인가

해보고 싶은 주제
- GA4 데이터를 활용한 프로덕트 분석 :
  실무에서 가장 많이 접할 법한 상황인 것 같고,
  코호트, 리텐션, 퍼널 등 지표 분석을 직접 해볼 수 있는 프로젝트인 것 같아서
- 음악 플랫폼 유저 행동 데이터 분석 :
  행동 데이터(행동패턴) 분석은 모든 도메인에서 중요한 의미를 가지고 있기 때문에
- 제주 특산물 가격 예측 AI 경진대회 :
  머신러닝 모델을 활용한 다양한 분석(회귀분석을 통한 예측 등)을
  해볼 수 있는 프로젝트인 것 같아서

팀원들과 회의 결과, 다양한 주제를 선호하는 경향이 있어
선호하는 주제 +1, 불호하는 주제 -1로 스코어링을 한 결과,
음악 플랫폼 유저 행동 데이터 분석 주제로 진행하게 되었다.

- 주제: 음악플랫폼 데이터에 대한 EDA 진행, 서비스 현황 확인 및 개선점 제시
- 내용:
  - 서비스의 현 상태 확인
  - 이슈사항 확인
  - 고객 세그먼트화(특정 기준에 따라 유저 나누기)
    - 사용자의 연령과 성별, 고객 행동 패턴에 따라 코호트를 나누어 분석하여 다양한 인사이트 도출
  - 변수 간의 상관관계 확인, Heatmap 등으로 시각화, 분포 확인 등 진행
  - 다양한 지표 설계
  - Action Item 등 인사이트 제공
- 목표 : 유저 행동 데이터 분석을 통한 매출 증대 방안 제시
- 프로젝트 핵심 내용: 다양한 관점에서 EDA를 수행하여 변수 간 상관관계 분석 및 시각화

📌 데이터 살펴보기

먼저 데이터를 불러오고 전체적으로 살펴봤다.

# 라이브러리 불러오기
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
# 데이터 불러오기
df = pd.read_excel("/content/drive/MyDrive/bootcamp/basicproject/data/Spotify_data.xlsx")
df.head(3)

# 시각화 관련 폰트 깨짐 문제 해결
!sudo apt-get install -y fonts-nanum
!sudo fc-cache -fv
!rm ~/.cache/matplotlib -rf # 폰트 설치
import matplotlib.pyplot as plt
plt.rc('font', family='NanumBarunGothic')
plt.rcParams['axes.unicode_minus'] =False # 기본 폰트 설정

데이터 확인

# 데이터 크기 확인
df.shape

# 컬럼 확인
# df.columns
# 데이터 정보 확인
df.info()  
# 오브젝트 타입의 데이터가 대부분

# 결측치 확인
print(df.isnull().sum())

# 결측치 처리 어떻게..?
# NaN 값은 실제로는 None 의 값을 가짐
# 설문에 응답하지 않은 데이터로 "N" 으로 대치
df = df.fillna(str("N"))
print(df.isnull().sum())
df

# 데이터 기초 통계 확인 (범주형 데이터)
df.describe(include = "object")

📌 EDA (탐색적 데이터 분석)

각 컬럼별 value_counts()를 조회하고 데이터의 특징을 파악
EDA 역할분담

결측치 공통적으로 처리 후 EDA탐색 시작
- 팀원들이 각자 컬럼을 하나씩 잡고 각 컬럼 기준 특징을 파악하는 시간을 가졌다.
  주로 확인하고자 했던 컬럼들은
- spotify_usage_period(사용기간) 기준
- music_time_slot 기준
- Gender, Age 기준
- music_recc_rating 기준
- spotify_subscription_plan(Free vs Premium) 기준
- 각 기준에 따른 이용자 현황분석으로 인사이트 도출이 목표 !
오늘은 괄목할만한 인사이트 도출에는 실패..
다음주에는 기준에 따른 특징의 데이터와 다른 변수들과의 관계나 특징을 위주로 파악해볼 예정!

1일차 정리
각 컬럼별 value_counts()를 조회하고 데이터의 특징을 파악

DONE

사용기간을 기준한 분석으로는 유의미한 인사이트나 결론 도출이 어려웠다.

데이터의 분포가 편향이 크다.
(music과 podcast 의 사용 비율, 성별 비율(female 이 압도적), 무료 플랜 사용자 비율(무료가 압도적) 등)

PLAN

범주형 - 범주형 데이터를 분석하기 위해 교차검증 사용 후 히트맵으로 시각화

추천을 통해 음악을 처음 접하는 사람이 가장 많다.
추천시스템에 대한 만족도, 음악장르, podcast 사용 등에 대한 관련성이나 특징을 종합적으로 살펴보자.

📌 2일차

📌 EDA (탐색적 데이터 분석)

범주형 - 범주형 데이터를 분석하기 위해 교차검증 사용 후 히트맵으로 시각화

# 한 컬럼을 기준하여 그 컬럼이 아닌 다른 컬럼들과 교차 분석 반복 실행
for column in df.columns:
    if column != 'preferred_listening_content':
        crosstab_result = pd.crosstab(df['preferred_listening_content'], df[column])
        print(f"교차 분석 - {column} 칼럼:")
        print(crosstab_result)
        print("\n")

# 교차 분석 결과를 히트맵으로 시각화하는 함수
def visualize_crosstab(crosstab_result):
    plt.figure(figsize=(6, 4))
    sns.heatmap(crosstab_result, annot=True, fmt="d", cmap = "Blues")
    plt.show()
# df의 모든 컬럼에 대해 교차 분석을 수행하고 시각화
for column in df.columns:
    if column != 'preferred_listening_content':
        crosstab_result = pd.crosstab(df['preferred_listening_content'], df[column])
        print(f"교차 분석 - {column} 칼럼:")
        visualize_crosstab(crosstab_result)

데이터를 살피던 중 데이터 내 중복 선택으로 인한 선택지들이 뭉쳐 있는 컬럼을 발견했다.

중복 컬럼 예)

columns_to_encode = ['spotify_listening_device', 'music_Influencial_mood', 'music_lis_frequency', 'music_expl_method']
dup = [df[i].unique() for i in columns_to_encode]
# 딕셔너리 생성
unique_values_dict = dict(zip(columns_to_encode, dup))
# 딕셔너리를 데이터프레임으로 변환
unique_values_df = pd.DataFrame(dict([(k, pd.Series(v)) for k, v in unique_values_dict.items()]))
# 데이터프레임 출력
unique_values_df
# 데이터프레임 정렬 (열 별로 개별 정렬)
sorted_df = unique_values_df.apply(lambda x: x.sort_values().reset_index(drop=True))
# 데이터프레임 출력
sorted_df

따라서 해당 데이터들을 원-핫 인코딩을 통해 컬럼 내 중복값을 제거하는 것을 시도했다.

# <One-Hot Encoding 처리>  대상컬럼 4종 : 데이터 내 중복 선택으로 인해 각 선택지를 칼럼화하여 중복 제거하기
columns_to_encode = ['spotify_listening_device', 'music_Influencial_mood', 'music_lis_frequency', 'music_expl_method']
for column in columns_to_encode:
    df_temp = df[column].str.split(',').apply(lambda x: [i.strip() for i in x])   # 문자열을 쉼표로 분리하고, 각 문자열의 앞뒤 공백 제거
    df_encoded = df_temp.apply(lambda x: pd.Series([1] * len(x), index=x)).fillna(0, downcast='infer')    # 새로운 데이터프레임 생성(원본 보존 목적)
    df = pd.concat([df.iloc[:, :df.columns.get_loc(column)+1], df_encoded, df.iloc[:, df.columns.get_loc(column)+1:]], axis=1)    # 해당 컬럼 이후 위치에 concat처리
df.drop('', axis=1, inplace=True)   # 공백 컬럼 삭제
df.info()

반복문으로 여러 시각화 도표들을 살펴보다가 팀원의 의견으로
무료 이용자와 유료 이용자를 구분할 필요성에 대해 인식했고,
무료 이용자와 유료 이용자를 따로 구분하여 각 그룹의 사용 패턴을 분석하고
관계가 있는 데이터를 뽑아보는 것으로 방향성을 잡았다!

📌 3일차

📌 EDA (탐색적 데이터 분석)

유료 이용자와 무료 이용자 구분하기 (필터링)

무료 이용자 중 유료 구독의사가 있고 추천 시스템 만족도가 높은 이용자 (교차분석)

# 필터링 (유료 구독의사가 있고 음악 추천 시스템 만족도가 높은(4점 이상) 이용자)
filtered = df[(df['music_recc_rating'] > 3) & (df['premium_sub_willingness'] == 'Yes')]
# 무료 플랜 이용자 중 구독 의사가 있는 사람
# filtered = df[(df['spotify_subscription_plan'] == 'Free (ad-supported)') & (df['premium_sub_willingness'] == 'Yes')]
crosstab = pd.crosstab(filtered['music_recc_rating'], filtered["preferred_listening_content"])
sns.heatmap(crosstab, annot=True, fmt="d", cmap = "Blues")
plt.show()

추천 시스템에 대한 만족도가 높고 구독 의향이 있는 고객의 행동패턴 분석
(반복문 활용한 교차분석결과 히트맵 시각화)

# 교차 분석 결과를 히트맵으로 시각화하는 함수 생성
def visualize_crosstab(crosstab_result):
    plt.figure(figsize=(6, 4))
    sns.heatmap(crosstab_result, annot=True, fmt="d", cmap = "Blues")
    plt.show()
# 탐색 목적 : 추천 시스템에 대한 만족도가 높고 구독 의향이 있는 고객의 행동패턴 분석
# 필터링
filtered = df[(df['music_recc_rating'] > 3) & (df['premium_sub_willingness'] == 'Yes')]
# df의 모든 컬럼에 대해 교차 분석을 수행하고 시각화
for column in df.columns:
    if column != 'music_recc_rating':
        crosstab_result = pd.crosstab(filtered['music_recc_rating'], filtered[column])
        print(f"교차 분석 - {column} 칼럼:")
        visualize_crosstab(crosstab_result)

여러가지 조건을 계속 변경해가며, 교차분석을 시도하고
해당 분석들을 히트맵으로 표현했다.

# 코드 정리 예정

📌 분석 기획 및 결과

나의 의견

목적: 팟캐스트 유료 이용자를 늘리기 위함 !?

무료 segment: 디바이스, 장르 선호도, 팟캐스트 장르
유료 segment: 팟캐스트 청취 빈도와 장르

선호하는 음악 장르 이용자 대상 맞춤형 추천 시스템
스마트폰 알림, 프로모션 진행
팟캐스트 청취 유도 이벤트: 일정기간 들으면 무료 구독권 지급
개인화된 팟캐스트 추천 시스템 강화

팀 회의 결과

EDA 후 2가지 action plan 도출

팟캐스트 논리 흐름
- 유료 구독자들이 팟캐스트 청취 비율이 높음.
  → 팟캐스트 콘텐츠 강화를 통해 무료 이용자들이 팟캐스트 청취를 하도록 유도하자.
  → 무료 이용자들이 팟캐스트 청취에 만족하면 프리미엄 구독을 할 확률이 높을 것이다.
- 무료 이용자가 원하는 콘텐츠 1)코미디, 2)헬스 및 운동 (시간을 추가할 것이라면 short 콘텐츠)
여행 관련 타겟 마케팅
- 유료, 무료 모두 여행 중에 음악을 듣는 경우가 많음.
- 무료 = 여행 관련(검색 등 추적 분석?) 구독자에게 프리미엄 체험권 지급.

📌 4일차

📌 데이터 시각화

데이터 분석 기획과 목적에 맞는 시각화 정리

유료, 무료 이용자의 선호하는 청취 콘텐츠 (카운트 비교)

# 유료 이용자와 무료 이용자로 데이터 분리
premium = df[df['spotify_subscription_plan'] == 'Premium (paid subscription)']
free = df[df['spotify_subscription_plan'] == 'Free (ad-supported)']
# 유료 이용자와 무료 이용자의 선호 청취 컨텐츠 카운트 변수 생성
premium_content_counts = premium['preferred_listening_content'].value_counts()
free_content_counts = free['preferred_listening_content'].value_counts()
# 시각화를 위한 데이터 프레임 생성
comp = pd.DataFrame({
    'Premium Users': premium_content_counts,
    'Free Users': free_content_counts
}).fillna(0)
# 데이터 크기 내림차순으로 컬럼 정렬
comp_sorted = comp.loc[comp.sum(axis=1).sort_values(ascending=False).index]
# 색상 정하기
colors = ['#1DB954', '#909090'] 
# 바그래프 시각화
comp_sorted.plot(kind='bar', figsize=(8, 6), color = colors)
plt.title('Preferred Listening Content: Premium vs Free Users')
plt.xlabel('Content Type')
plt.ylabel('Count')
plt.xticks(rotation=0)
plt.legend()
plt.show()

유료, 무료 이용자의 선호하는 청취 콘텐츠 (가로 그래프 + 총 비율 비교)

# 유료 이용자와 무료 이용자로 데이터 분리
premium = df[df['spotify_subscription_plan'] == 'Premium (paid subscription)']
free = df[df['spotify_subscription_plan'] == 'Free (ad-supported)']
# 유료 이용자와 무료 이용자의 선호 청취 콘텐츠 비율 변수 생성 (normalize : 정규화)
premium_content_counts_pro = premium['preferred_listening_content'].value_counts(normalize=True)
free_content_counts_pro = free['preferred_listening_content'].value_counts(normalize=True)
# 시각화를 위한 데이터 프레임 생성
comp = pd.DataFrame({
    'Premium': premium_content_counts_pro * 100,
    'Free': free_content_counts_pro * 100
}).fillna(0)
# 색상 정하기
# colors1 = ['#77DFA9' if (x < max(premium_content_counts_pro)) else '#1DB954' for x in premium_content_counts_pro]
# colors2 = ['#909090' if (x < max(free_content_counts_pro)) else '#000000' for x in free_content_counts_pro]
colors = ['#909090','#1DB954']
# 바그래프 시각화
gragh = comp.T.plot(kind='barh', stacked=True, figsize=(10, 6), color=colors)
plt.title('Preferred Listening Content: Premium vs Free')
plt.xlabel('Proportion')
plt.ylabel('')
plt.legend(['Music', 'Podcast'])
# for i in gragh.containers:
#     gragh.bar_label(i, fmt='%.f', label_type='center', color = 'Black')
plt.show()

무료 이용자의 선호하는 팟캐스트 장르 (총 비율 비교)

# 유료 이용자와 무료 이용자로 데이터 분리
# premium = df[(df['spotify_subscription_plan'] == 'Premium (paid subscription)') & (df['pod_lis_frequency'] != "Never")]
free = df[(df['spotify_subscription_plan'] == 'Free (ad-supported)') & (df['pod_lis_frequency'] != "Never")]
# 유료 이용자와 무료 이용자의 선호 청취 팟캐스트 장르 비율 변수 생성 (normalize : 정규화)
# premium_pod_counts = premium['fav_pod_genre'].value_counts(normalize=True).head(5)
free_pod_counts = free['fav_pod_genre'].value_counts(normalize=True).head(5)
# 시각화를 위한 데이터 프레임 생성
comp = pd.DataFrame({
    # 'Premium Users': premium_pod_counts * 100,
    'Free Users': free_pod_counts * 100
}).fillna(0)
# 데이터 크기 내림차순으로 컬럼 정렬
comp_sorted = comp.loc[comp.sum(axis=1).sort_values(ascending=False).index]
# 색상 정하기
colors = ['#909090'] 
# 바그래프 시각화
comp_sorted.plot(kind='bar', figsize=(8, 6), color = colors)
plt.title('[Free Users] Preferred Pod Genre', size = 15)
plt.xlabel('Genre')
plt.ylabel('Proportion')
plt.xticks(rotation=0)
plt.legend()
plt.show()

무료 이용자의 선호하는 팟캐스트 컨텐츠 길이 (비율 비교)

# 유료 이용자와 무료 이용자로 데이터 분리
# premium = df[(df['spotify_subscription_plan'] == 'Premium (paid subscription)') & (df['pod_lis_frequency'] != "Never")]
free = df[(df['spotify_subscription_plan'] == 'Free (ad-supported)') & (df['pod_lis_frequency'] != "Never")]
# 유료 이용자와 무료 이용자의 선호 청취 팟캐스트 컨텐츠 길이 비율 변수 생성 (normalize : 정규화)
# premium_pod_counts = premium['fav_pod_genre'].value_counts(normalize=True).head(5)
free_pod_counts = free['preffered_pod_duration'].value_counts(normalize=True).head(5)
# 시각화를 위한 데이터 프레임 생성
comp = pd.DataFrame({
    # 'Premium Users': premium_pod_counts * 100,
    'Free Users': free_pod_counts * 100
}).fillna(0)
# 데이터 크기 내림차순으로 컬럼 정렬
comp_sorted = comp.loc[comp.sum(axis=1).sort_values(ascending=False).index]
# 색상 정하기
colors = ['#909090'] 
# 바그래프 시각화
comp_sorted.plot(kind='bar', figsize=(8, 6), color = colors)
plt.title('[Free Users] Preffered Pod Duration', size = 15)
plt.xlabel('Duration')
plt.ylabel('Proportion')
plt.xticks(rotation=0)
plt.legend()
plt.show()

유료, 무료 이용자의 음악 청취 환경 (카운트 비교)

# 여행 count
# 'spotify_subscription_plan' 열의 값이 'FREE'인 행을 df_free에 저장
df_free = df[df['spotify_subscription_plan'] == 'Free (ad-supported)']
# 'spotify_subscription_plan' 열의 값이 'premium'인 행을 df_premium에 저장
df_premium = df[df['spotify_subscription_plan'] == 'Premium (paid subscription)']
data1=df_premium #premium맴버쉽 사용중music_lis_frequency 칼럼의 합
music_lis_frequency_premium = data1[['While Traveling','Study Hours' ,'leisure time','Office hours','Workout session']].sum()
music_lis_frequency_premium
data2=df_free #free맴버쉽 사용중music_lis_frequency 칼럼의 합
music_lis_frequency_free = data2[['While Traveling','Study Hours' ,'leisure time','Office hours','Workout session']].sum()
music_lis_frequency_free
data=df_premium #premium맴버쉽 사용중feel칼럼의합
feel_premium = data[['Sadness or melancholy','Social gatherings or parties' ,'Relaxation and stress relief','Uplifting and motivational']].sum()
feel_premium
data=df_free #free맴버쉽 사용중feel칼럼의합
feel_free = data[['Sadness or melancholy','Social gatherings or parties' ,'Relaxation and stress relief','Uplifting and motivational']].sum()
feel_free
#백분위로 계산하기
total_premium = music_lis_frequency_premium.sum()
total_free = music_lis_frequency_free.sum()
music_lis_frequency_premium_pct = music_lis_frequency_premium
music_lis_frequency_free_pct = music_lis_frequency_free
import matplotlib.pyplot as plt
import numpy as np
# 데이터프레임 'music_lis_frequency_free'와 'music_lis_frequency_premium' 백분위 비교 차트 생성
# 데이터 정렬 ★
music_lis_frequency_premium_pct = music_lis_frequency_premium_pct.sort_values(ascending=False)
music_lis_frequency_free_pct = music_lis_frequency_free_pct.sort_values(ascending=False)
x = np.arange(len(music_lis_frequency_premium_pct))  # 막대 그래프의 x축 좌표
width = 0.4  # 막대 그래프의 너비
fig, ax = plt.subplots(figsize=(10, 6))
# 프리미엄 회원 데이터 그리기 (색상 변경)  ★
# ax.bar(x - width/2, music_lis_frequency_premium_pct, width, label='Premium Members', color='#23D950')
colors = ['#77DFA9' if (x < max(music_lis_frequency_premium_pct)) else '#1DB954' for x in music_lis_frequency_premium_pct]  # #1DB954: 스포티파이 컬러
ax.bar(x - width/2, music_lis_frequency_premium_pct, width, label='Premium Members', color=colors)
# 무료 회원 데이터 그리기 (색상 변경)  ★
# ax.bar(x + width/2, music_lis_frequency_free_pct, width, label='Free Members', color='#F2F2F2')
colors = ['#909090' if (x < max(music_lis_frequency_free_pct)) else '#000000' for x in music_lis_frequency_free_pct]
ax.bar(x + width/2, music_lis_frequency_free_pct, width, label='Free Members', color=colors)
# 그래프 제목 및 축 라벨 설정
ax.set_title('Music Listening Frequency by Membership Type (count)')
ax.set_xlabel('Category')
ax.set_ylabel('Listening Frequency')
ax.set_xticks(x)
# ax.set_xticklabels(['While Traveling', 'Study Hours', 'Leisure Time', 'Office Hours', 'Workout Session'])
ax.set_xticklabels(music_lis_frequency_premium_pct.index)  # x축 라벨을 정렬된 순서로 변경 ★
# 범례 표시
ax.legend()
# 그래프 출력
plt.show()

📌 5일차

📌 프로젝트 정리, 발표 자료 제작

공식적인 회의만 13회차..

📌 6일차 (최종)

📌 프로젝트 발표

발표 후

전 튜터님 피드백

스포티파이 서비스 설명한 부분
주요 수익모델 설명한 부분
- 분석 기획을 할 때, 논리적인 접근을 하게끔 연결고리가 되었다.

이상치 결측치 처리 부분
- 인코딩 기법에 대한 이해를 잘 한 것 같다.

시각화 관련
- 방향성에 알맞게 시각화가 잘 되었다.
- 그래프에 값이 표시됐다면 더 좋았겠다.

고생의 흔적이 보였다. 고생 많이 하셨다.
시각화 관련해서 색깔에 대한 피드백은 거르자! 
(일단 디자인보다는 분석에 집중하자는 의미)

정 튜터님 피드백

좋았던 점
- kaggle 데이터 외 스포티파이 수익구조 확인(분기별 재무제표 etc) 탐색
- 비지니스 측면의 과정
- 데이터전처리 과정과 자세한 분석 설명, 구체적인 분석 플로우
- 구체적인 마케팅 전략 소개

개선하면 좋을 점
- 음악 감상의 경우, '빈도'(count)보다 '비율'(rate)이 더 의미 있지 않을지?
- 수익구조 개선을 위한 컨텐츠 강화 외 솔루션 부재

SELECT 1 (1조)
다들 고생 많으셨습니다!

codataffee

커피 좋아하는 데이터 꿈나무

다음 포스트

DATA ANALYSIS #BASIC

PROJECT

개요

📌 1일차

📌 주제 선정

📌 데이터 살펴보기

📌 EDA (탐색적 데이터 분석)

EDA 역할분담

📌 2일차

📌 EDA (탐색적 데이터 분석)

📌 3일차

📌 EDA (탐색적 데이터 분석)

📌 분석 기획 및 결과

📌 4일차

📌 데이터 시각화

📌 5일차

📌 프로젝트 정리, 발표 자료 제작

📌 6일차 (최종)

📌 프로젝트 발표

CODE REVIEW #BASIC

0개의 댓글