05. Big Data_Visualization by Variable Type

Posted Nov 4, 2026

By younghoonko

26 min read

[toc]

학습 목표

변수 유형(범주형, 연속형)과 개수(1변수, 2변수, 3변수)에 따라 요약표와 그래프를 고르는 틀을 머릿속에 정리하기
막대그래프를 빈도의 오름차순, 내림차순으로 정렬하기 (시험 출제)
범주형 × 범주형: 교차표, stack / dodge / fill 막대, 히트맵
범주형 × 연속형: 그룹별 요약표, 상자도표, 바이올린, 리지 플롯, 평균 ± SE 막대
연속형 × 연속형과 3변수: 산점도 + 회귀선 + 회귀식 (6주차 과제)

전체 틀: 무엇을 보고 무엇을 그리나 ⭐️

(중요!!) 6주차 코드 맨 위에 “머리속에 가지고 있을 것”으로 표시된 구조. 변수 유형만 보고 바로 요약표와 그래프가 떠올라야 함

변수 구성	요약표	그래프	ggplot 함수
1변수 범주형	빈도, 상대빈도	막대그래프	`geom_bar()`, `geom_col()`
1변수 연속형	n, 평균, SD, 최소, Q1, 중앙값, Q3, 최대	히스토그램, 상자도표	`geom_histogram()`, `geom_boxplot()`
범주형 × 범주형	교차표 (빈도, 비율)	stack / dodge / fill 막대, 히트맵	`geom_bar(position = )`, `geom_tile()`
범주형 × 연속형	그룹별 요약표	상자도표, 바이올린, 리지, 평균 ± SE 막대	`geom_violin()`, `geom_density_ridges()`, `stat_summary()`
연속형 × 연속형	회귀식, 상관계수	산점도 + 회귀선	`geom_point()`, `geom_smooth(method = "lm")`
3변수 (연속 2 + 범주 1)	그룹별 회귀식	색으로 그룹을 나눈 산점도	`aes(colour = 범주형)`

데이터는 nycflights13의 flights(336,776편)와 펭귄 데이터 penguins(344마리)를 같이 씀
이 글에서 쓰는 penguins의 열 이름은 R 4.5에 내장된 버전 기준(bill_len, bill_dep, flipper_len, body_mass)

1변수 범주형

상대빈도표

  
library(dplyr)
library(nycflights13)
# 상대빈도표 (relative frequency table)
flights %>%
  count(carrier, sort = TRUE) %>%          # sort = TRUE: 빈도 내림차순
  mutate(prop = round(n / sum(n), 3),      # 상대빈도
         pct = round(prop * 100, 1))       # 백분율

실행 결과

# A tibble: 16 × 4
   carrier     n  prop   pct
   <chr>   <int> <dbl> <dbl>
UA      58665 0.174  17.4
B6      54635 0.162  16.2
EV      54173 0.161  16.1
DL      48110 0.143  14.3
AA      32729 0.097   9.7
MQ      26397 0.078   7.8
US      20536 0.061   6.1
9E      18460 0.055   5.5
WN      12275 0.036   3.6
VX       5162 0.015   1.5
FL       3260 0.01    1  
AS        714 0.002   0.2
F9        685 0.002   0.2
YV        601 0.002   0.2
HA        342 0.001   0.1
OO         32 0       0

count(carrier, sort = TRUE)는 빈도를 세면서 큰 순서로 정렬
상대빈도는 $\text{prop} = n_i / \sum n_i$이고, 모두 더하면 1
UA, B6, EV, DL 네 항공사가 전체 운항편의 약 64%를 차지하고, OO는 32편뿐이라 반올림하면 0이 됨

막대그래프 정렬 ⭐️

(중요!!) 막대그래프를 내림차순으로 정렬하는 것은 시험에 나옴 (수업에서 혼자 해 보라고 한 부분)

  
library(dplyr)
library(nycflights13)
# (1) raw data를 그대로: geom_bar()가 직접 개수를 셈 → 알파벳 순서
flights %>%
  ggplot(aes(x = carrier)) +
  geom_bar(fill = "steelblue") +
  labs(title = "알파벳 순서 (geom_bar)", x = "항공사", y = "운항편수")

# (2) 빈도를 먼저 계산하고 그 값을 막대 높이로: geom_col()
flights %>%
  count(carrier) %>%
  ggplot(aes(x = reorder(carrier, n), y = n)) +      # 오름차순
  geom_col(fill = "steelblue") +
  labs(title = "오름차순 reorder(carrier, n)", x = "항공사", y = "운항편수")

flights %>%
  count(carrier) %>%
  ggplot(aes(x = reorder(carrier, -n), y = n)) +     # 내림차순: n 앞에 -
  geom_col(fill = "steelblue") +
  labs(title = "내림차순 reorder(carrier, -n)", x = "항공사", y = "운항편수")

geom_bar()는 원자료(raw data) 를 받아 막대 높이(개수)를 직접 셈. 범주는 알파벳 순서
geom_col()은 이미 계산된 값 y = n을 막대 높이로 씀. 그래서 count()를 먼저 하고 넘김
reorder(범주, n)은 n이 작은 순서(오름차순), reorder(범주, -n)은 큰 순서(내림차순)로 범주를 다시 배열
4주차에 배운 fct_infreq(carrier)도 geom_bar()만으로 내림차순을 만들 수 있는 방법

origin과 펭귄으로 연습

  
library(dplyr)
library(nycflights13)
flights %>%
  count(origin, sort = TRUE) %>%
  mutate(prop = round(n / sum(n), 3),
         pct = round(prop * 100, 1))

penguins %>% count(species)
penguins %>% count(island)

penguins %>%
  count(species) %>%
  ggplot(aes(x = reorder(species, -n), y = n)) +
  geom_col(fill = "steelblue") +
  labs(x = "종", y = "펭귄 수")

penguins %>%
  count(island) %>%
  ggplot(aes(x = reorder(island, -n), y = n)) +
  geom_col(fill = "steelblue") +
  labs(x = "섬 이름", y = "펭귄 수")

실행 결과

# A tibble: 3 × 4
  origin      n  prop   pct
  <chr>   <int> <dbl> <dbl>
1 EWR    120835 0.359  35.9
2 JFK    111279 0.33   33  
3 LGA    104662 0.311  31.1
    species   n
1    Adelie 152
2 Chinstrap  68
3    Gentoo 124
     island   n
1    Biscoe 168
2     Dream 124
3 Torgersen  52

세 공항의 비중은 EWR 35.9%, JFK 33%, LGA 31.1%로 비슷함
펭귄은 Adelie(152) > Gentoo(124) > Chinstrap(68), 섬은 Biscoe(168) > Dream(124) > Torgersen(52)

1변수 연속형

  
library(dplyr)
library(nycflights13)
flights %>%
  summarise(
    n = sum(!is.na(dep_delay)),                   # missing이 아닌 데이터 개수
    mean = mean(dep_delay, na.rm = TRUE),
    sd = sd(dep_delay, na.rm = TRUE),
    min = min(dep_delay, na.rm = TRUE),
    q1 = quantile(dep_delay, 0.25, na.rm = TRUE), # 25%
    median = median(dep_delay, na.rm = TRUE),     # 50%
    q3 = quantile(dep_delay, 0.75, na.rm = TRUE), # 75%
    max = max(dep_delay, na.rm = TRUE)            # 100%
  )

summary(flights$dep_delay)

실행 결과

# A tibble: 1 × 8
       n  mean    sd   min    q1 median    q3   max
   <int> <dbl> <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl>
1 328521  12.6  40.2   -43    -5     -2    11  1301
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
 -43.00   -5.00   -2.00   12.64   11.00 1301.00    8255

sum(!is.na(x))는 결측이 아닌 값의 개수. 출발 지연은 8,255편이 NA(결항으로 추정)여서 n = 328,521
평균(12.6분)이 중앙값(-2분)보다 훨씬 큼. 대부분은 정시 또는 일찍 출발하지만 몇 시간씩 늦은 소수의 비행(최대 1,301분)이 평균을 끌어올린 오른쪽 꼬리가 긴 분포
이처럼 치우친 분포에서는 평균보다 중앙값과 사분위수가 “보통의 비행”을 더 잘 나타냄

  
library(dplyr)
library(nycflights13)
flights %>%
  filter(dep_delay < 200) %>%                     # 긴 꼬리를 잘라서 모양 보기
  ggplot(aes(x = dep_delay)) +
  geom_histogram(fill = "steelblue", colour = "white", bins = 30)

flights %>%
  ggplot(aes(x = "", y = dep_delay)) +            # x = "": 상자 하나만
  geom_boxplot(width = 0.3)

  
library(dplyr)
penguins %>%
  summarise(
    n = sum(!is.na(flipper_len)),
    mean = mean(flipper_len, na.rm = TRUE),
    sd = sd(flipper_len, na.rm = TRUE),
    min = min(flipper_len, na.rm = TRUE),
    q1 = quantile(flipper_len, 0.25, na.rm = TRUE),
    median = median(flipper_len, na.rm = TRUE),
    q3 = quantile(flipper_len, 0.75, na.rm = TRUE),
    max = max(flipper_len, na.rm = TRUE)
  )

penguins %>%
  ggplot(aes(x = "", y = flipper_len)) +
  geom_boxplot(width = 0.3)

실행 결과

    n     mean       sd min  q1 median  q3 max
1 342 200.9152 14.06171 172 190    197 213 231

왼쪽: 200분 미만만 그린 히스토그램. 0 근처에 몰려 있고 오른쪽으로 길게 늘어짐
가운데: 전체 데이터의 상자도표. 상자(Q1 = -5, Q3 = 11)는 아주 납작하고, 1.5 × IQR을 넘는 점(이상치)이 위쪽으로 수없이 찍힘
오른쪽: 펭귄 날개 길이(n = 342, 평균 200.9mm)는 이상치가 없고 비교적 고르게 퍼짐
aes(x = "")는 x축에 그룹이 없을 때 상자 하나만 그리는 방법

2변수 범주형 × 범주형

교차표

  
library(dplyr)
library(tidyr)
library(nycflights13)
# 교차표: 빈도
flights %>%
  count(origin, carrier) %>%
  pivot_wider(names_from = carrier, values_from = n, values_fill = 0) %>%
  print(width = Inf)                       # 열을 생략하지 않고 모두 출력

# 공항별 항공사 비중 (각 행의 합 = 1)
flights %>%
  count(origin, carrier) %>%
  group_by(origin) %>%
  mutate(prop = round(n / sum(n), 3)) %>%
  ungroup() %>%
  select(-n) %>%
  pivot_wider(names_from = carrier, values_from = prop, values_fill = 0) %>%
  print(width = Inf)

실행 결과

# A tibble: 3 × 17
  origin  `9E`    AA    AS    B6    DL    EV    MQ    OO    UA    US    VX    WN
  <chr>  <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
1 EWR     1268  3487   714  6557  4342 43939  2276     6 46087  4405  1566  6188
2 JFK    14651 13783     0 42076 20701  1408  7193     0  4534  2995  3596     0
3 LGA     2541 15459     0  6002 23067  8826 16928    26  8044 13136     0  6087
     HA    F9    FL    YV
  <int> <int> <int> <int>
1     0     0     0     0
2   342     0     0     0
3     0   685  3260   601
# A tibble: 3 × 17
  origin  `9E`    AA    AS    B6    DL    EV    MQ    OO    UA    US    VX    WN
  <chr>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 EWR    0.01  0.029 0.006 0.054 0.036 0.364 0.019     0 0.381 0.036 0.013 0.051
2 JFK    0.132 0.124 0     0.378 0.186 0.013 0.065     0 0.041 0.027 0.032 0    
3 LGA    0.024 0.148 0     0.057 0.22  0.084 0.162     0 0.077 0.126 0     0.058
     HA    F9    FL    YV
  <dbl> <dbl> <dbl> <dbl>
1 0     0     0     0    
2 0.003 0     0     0    
3 0     0.007 0.031 0.006

count(origin, carrier) 결과를 pivot_wider()로 펼치면 행 = 공항, 열 = 항공사인 교차표
두 번째 표는 group_by(origin) 뒤에 비율을 구해서 각 공항 안에서 항공사 비중(행 비율)을 나타냄
EWR은 UA(38.1%)와 EV(36.4%), JFK는 B6(37.8%), LGA는 DL(22%)과 MQ(16.2%)가 가장 많음. 공항마다 주력 항공사가 다름

막대그래프와 히트맵

  
library(dplyr)
library(nycflights13)
flights %>%
  ggplot(aes(x = origin, fill = carrier)) +
  geom_bar(position = "stack") + labs(title = "stack (위로 쌓기)")

flights %>%
  ggplot(aes(x = origin, fill = carrier)) +
  geom_bar(position = "dodge") + labs(title = "dodge (옆으로 나열)")

flights %>%
  ggplot(aes(x = origin, fill = carrier)) +
  geom_bar(position = "fill") + labs(title = "fill (100% 채움)", y = "비율")

flights %>%
  count(origin, carrier) %>%
  ggplot(aes(x = origin, y = carrier, fill = n)) +
  geom_tile() + labs(title = "히트맵 (geom_tile)")

position	막대 높이	비교하기 좋은 것
`"stack"`	공항 전체 운항편수	공항 간 전체 크기
`"dodge"`	항공사별 운항편수	공항 안에서 항공사끼리 크기
`"fill"`	항상 1 (비율)	공항 간 구성 비율 (위 교차표의 행 비율을 그림으로)

히트맵은 두 범주를 x, y에 놓고 칸의 색으로 빈도를 표현하며, 빈 칸은 그 공항에 없는 항공사 (예: AS는 EWR에만, HA는 JFK에만 있음)
항공사가 16개로 많아서 stack, dodge는 색 구분이 어렵고, 이럴 때 히트맵이 더 읽기 쉬움

펭귄으로 연습

  
library(dplyr)
penguins %>%
  ggplot(aes(x = species, fill = island)) +
  geom_bar(position = "stack")

penguins %>%
  count(species, island) %>%
  ggplot(aes(x = species, y = island, fill = n)) +
  geom_tile()

Adelie만 세 섬에 모두 있고, Gentoo는 Biscoe, Chinstrap은 Dream에만 있음 (히트맵의 빈 칸)

2변수 범주형(x) × 연속형(y)

x가 집단, y가 연속형이면 집단별 분포와 평균을 비교하는 문제

  
library(dplyr)
library(nycflights13)
flights %>%
  group_by(origin) %>%
  summarise(
    n = n(),
    non_missing = sum(!is.na(dep_delay)),
    mean = mean(dep_delay, na.rm = TRUE),
    sd = sd(dep_delay, na.rm = TRUE),
    q1 = quantile(dep_delay, 0.25, na.rm = TRUE),
    median = median(dep_delay, na.rm = TRUE),
    q3 = quantile(dep_delay, 0.75, na.rm = TRUE),
    max = max(dep_delay, na.rm = TRUE)
  ) %>%
  ungroup()

실행 결과

# A tibble: 3 × 9
  origin      n non_missing  mean    sd    q1 median    q3   max
  <chr>   <int>       <int> <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl>
1 EWR    120835      117596  15.1  41.3    -4     -1    15  1126
2 JFK    111279      109416  12.1  39.0    -5     -1    10  1301
3 LGA    104662      101509  10.3  40.0    -6     -3     7   911

평균 출발 지연은 EWR(15.1) > JFK(12.1) > LGA(10.3), 중앙값은 세 공항 모두 0보다 작음
표준편차(약 40분)가 평균 차이(약 5분)보다 훨씬 커서 개별 비행 단위로는 공항 간 차이가 크지 않음

  
library(dplyr)
library(ggridges)
library(nycflights13)
flights %>%
  filter(dep_delay < 30) %>%
  ggplot(aes(x = origin, y = dep_delay)) +
  geom_boxplot() + labs(title = "상자도표 (dep_delay < 30)")

flights %>%
  filter(dep_delay < 100) %>%
  ggplot(aes(x = origin, y = dep_delay)) +
  geom_violin() + labs(title = "바이올린 (dep_delay < 100)")

# 리지 플롯은 x와 y가 바뀜: x = 연속형, y = 범주형
flights %>%
  filter(dep_delay < 100) %>%
  ggplot(aes(x = dep_delay, y = origin, fill = origin)) +
  geom_density_ridges(alpha = 0.7) + labs(title = "리지 플롯")

flights %>%
  ggplot(aes(x = origin, y = dep_delay)) +
  stat_summary(fun = mean, geom = "bar", fill = "steelblue") +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.2) +
  labs(title = "평균 ± SE 막대")

상자도표와 바이올린은 그림을 보기 좋게 하려고 filter(dep_delay < 30), filter(dep_delay < 100)으로 긴 꼬리를 잘랐음. 잘린 데이터의 그림이므로 평균, 최댓값 같은 해석에는 쓰면 안 됨
바이올린은 상자도표에 분포의 모양(밀도) 을 더한 그림이며, 0 근처가 가장 두꺼움
리지 플롯은 그룹별 밀도곡선을 겹쳐 쌓은 그림
평균 ± SE 막대는 필터 없이 전체 데이터로 그렸으며, n이 10만 이상이라 SE가 매우 작아 에러바가 짧음

(중요!!) 리지 플롯(geom_density_ridges)은 x와 y가 반대. 다른 그래프는 x = 범주형, y = 연속형이지만 리지는 x = 연속형, y = 범주형

펭귄으로 연습

  
library(dplyr)
library(ggridges)
penguins %>%
  ggplot(aes(x = species, y = flipper_len)) +
  geom_boxplot(fill = "skyblue")

penguins %>%
  ggplot(aes(x = species, y = flipper_len)) +
  geom_violin(fill = "skyblue")

penguins %>%
  ggplot(aes(x = flipper_len, y = species, fill = species)) +
  geom_density_ridges(alpha = 0.7)

penguins %>%
  ggplot(aes(x = species, y = flipper_len)) +
  stat_summary(fun = mean, geom = "bar", fill = "steelblue") +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.2)

날개 길이는 Gentoo가 가장 길고 Adelie와 Chinstrap은 비슷하지만 Chinstrap이 약간 더 김
리지 플롯에서 Gentoo의 분포가 다른 두 종과 거의 겹치지 않는 것이 보임
flipper_len에 NA가 2개 있어서 그래프마다 “Removed 2 rows” 경고가 나오지만 결과에는 영향 없음

2변수 연속형 × 연속형과 3변수

  
library(dplyr)
library(ggpubr)
library(nycflights13)
set.seed(2026)                                    # 무작위 추출 결과를 재현하기 위해
flights %>%
  slice_sample(n = 1000) %>%                      # 33만 개 점은 너무 많아서 1000개만
  ggplot(aes(x = distance, y = air_time)) +
  geom_point(alpha = 0.7) +
  geom_smooth(method = "lm") +
  stat_regline_equation()

set.seed(2026)
flights %>%
  slice_sample(n = 1000) %>%
  ggplot(aes(x = distance, y = air_time, colour = origin)) +   # 3번째 변수는 색으로
  geom_point(alpha = 0.3) +
  geom_smooth(method = "lm") +
  stat_regline_equation()

비행 거리(마일)와 비행 시간(분)은 거의 완벽한 직선 관계. 기울기 0.13은 1마일당 약 0.13분, 즉 평균 시속 약 $60/0.13 \approx 460$마일
절편 약 19분은 거리와 관계없이 드는 시간(이륙, 착륙, 활주)으로 해석할 수 있음
slice_sample(n = 1000)은 무작위로 1000행만 뽑음. 실행할 때마다 다른 표본이 나오므로 set.seed()를 먼저 쓰면 결과를 재현할 수 있음
오른쪽처럼 colour = origin을 주면 geom_smooth()와 stat_regline_equation()도 그룹별로 따로 계산됨. 세 공항의 기울기가 같아서(0.13) 출발 공항은 거리와 비행시간의 관계를 바꾸지 않음

6주차 과제: 종별 body_mass와 flipper_len

문제: 3변수 species 범주별로, 연속형 body_mass, 연속형 flipper_len을 그려라

  
library(dplyr)
library(ggpubr)
nrow(penguins)
nrow(slice_sample(penguins, n = 1000))   # 행이 344개뿐이라 344개만 나옴

penguins %>%
  ggplot(aes(x = body_mass, y = flipper_len, colour = species)) +
  geom_point(alpha = 0.3) +
  geom_smooth(method = "lm") +
  stat_regline_equation()

실행 결과

[1] 344
[1] 344

세 종 모두 몸무게가 무거울수록 날개가 긴 양의 관계
그래프의 회귀식은 유효숫자 2자리로 반올림되어 표시되므로 정확한 값은 lm()으로 확인

  
library(dplyr)
# 그래프의 회귀식을 숫자로 확인: 종별로 lm() 적합
penguins %>%
  filter(!is.na(body_mass), !is.na(flipper_len)) %>%
  group_by(species) %>%
  summarise(
    intercept = coef(lm(flipper_len ~ body_mass))[1],
    slope = coef(lm(flipper_len ~ body_mass))[2],
    r = cor(body_mass, flipper_len),
    n = n()
  ) %>%
  as.data.frame()                         # 소수점까지 모두 보이게

실행 결과

    species intercept       slope         r   n
  Adelie  165.2448 0.006676867 0.4682017 151
Chinstrap  151.3809 0.011905064 0.6415594  68
  Gentoo  171.3042 0.009039136 0.7026665 123

기울기는 Chinstrap(0.0119)이 가장 큼. 몸무게가 1,000g 늘 때 날개가 Chinstrap은 약 11.9mm, Gentoo는 약 9.0mm, Adelie는 약 6.7mm 길어짐
상관계수도 Gentoo(0.70) > Chinstrap(0.64) > Adelie(0.47) 순서
종을 무시하고 하나의 회귀선을 그리면 종 사이의 차이(Gentoo가 크고 무거움)까지 섞인 기울기가 나오므로, 그룹이 있는 데이터는 3변수로 나눠 보는 것이 중요

강의 자료 및 실습 코드에서 정정한 부분 정리

위치	원래	정정	이유
6주차 실습 코드 (1변수 연속형)	`summarise(n = sum(!is.na(flights$dep_delay)), ...)`	`summarise(n = sum(!is.na(dep_delay)), ...)`	`flights$`를 붙이면 항상 전체 데이터를 셈. 지금은 그룹이 없어 결과가 같지만 `group_by()` 뒤에 쓰면 모든 그룹에 전체 개수가 나옴
6주차 실습 코드 (주석)	`# 5%0`	`# 50%`	오타
6주차 실습 코드 (주석)	“2변수 범주형 body_mass, 연속형 flipper_len”	“2변수 연속형 body_mass, 연속형 flipper_len”	`body_mass`는 연속형 변수
6주차 실습 코드, 과제	`penguins %>% slice_sample(n = 1000)`	생략 가능	펭귄은 344행뿐이라 복원 없이 1000개를 뽑을 수 없고, 344행 전체가 순서만 섞여 나옴
6주차 실습 코드 (theme)	`element_text(family = "AppleGothic")`	운영체제에 맞는 한글 글꼴	AppleGothic은 macOS 전용

최종 핵심 정리

그래프 선택은 변수 유형과 개수로 결정되며, 6주차의 표(1변수 2개, 2변수 3개, 3변수)를 머릿속에 가지고 있어야 함
geom_bar()는 원자료로 개수를 세고, geom_col()은 count()로 미리 계산한 값을 막대 높이로 씀
막대 정렬은 reorder(범주, n)이 오름차순, reorder(범주, -n)이 내림차순 (시험 출제)
연속형 1변수는 평균과 중앙값을 함께 보고, 출발 지연처럼 오른쪽 꼬리가 길면 중앙값과 사분위수가 더 적절
범주형 × 범주형은 교차표와 position = "stack", "dodge", "fill", 범주가 많으면 히트맵(geom_tile)
범주형 × 연속형은 상자도표, 바이올린, 리지, 평균 ± SE 막대로 비교하며, 리지는 x = 연속형, y = 범주형
연속형 × 연속형은 geom_point() + geom_smooth(method = "lm") + stat_regline_equation()
colour = 범주형으로 3변수를 그리면 회귀선이 그룹별로 나뉘며, 펭귄은 종마다 기울기가 다름

End.

University(2026-Second-Semester), Big Data

r bigdata

학습 목표

전체 틀: 무엇을 보고 무엇을 그리나 ⭐️

1변수 범주형

상대빈도표

막대그래프 정렬 ⭐️

origin과 펭귄으로 연습

1변수 연속형

2변수 범주형 × 범주형

교차표

막대그래프와 히트맵

펭귄으로 연습

2변수 범주형(x) × 연속형(y)

펭귄으로 연습

2변수 연속형 × 연속형과 3변수

6주차 과제: 종별 body_mass와 flipper_len

강의 자료 및 실습 코드에서 정정한 부분 정리

최종 핵심 정리

Trending Tags