10. Big Data_Baseball (Lahman, dplyr, Hall of Fame)
MLB 기록이 담긴 Lahman 패키지의 People, Batting, Teams, HallOfFame 테이블 구조와 연결 키, group_by와 summarise로 요약하기, 2023년 AL 팀별 홈런, 연도별 승률 1위 팀, 선수 체격(키, 몸무게, BMI) 변화, 명예의 전당 타자의 HR과 OPS를 시대별로 그리기. AI(제미나이) 코드와 내 코드를 비교하고, 다시 보니 보인 실수와 개선점까지 정리 (12주차 실습)
들어가며
12주차는 야구였다. 교수님이 수업 시작하면서 기말고사는 이 Lahman 데이터 하나로만 본다고 하셔서 평소보다 집중해서 들었다. 시험은 결과의 의미를 묻기보다 코드를 짤 수 있는지를 묻는다고 하셨고, 문제 형태도 오늘 실습과 비슷하되 더 짧을 거라고 하셨다. 그래서 이번 글은 수업에서 배운 것을 정리하는 동시에 기말 대비 노트 역할도 하도록 썼다.
이번 주에 배운 것을 한 줄로 줄이면 이렇다.
여러 테이블을 키(playerID, yearID, teamID)로 연결하고,
group_by()→summarise()→mutate()로 원하는 단위의 숫자를 만든 다음 그림으로 확인한다.
실행 화면 a ~ e는 제출 당시 캡처다. 블로그를 쓰면서 같은 데이터(Lahman 14.0-0, 1871 ~ 2025 시즌)를 다시 불러와 모든 코드를 직접 돌려 봤고, 본문의 숫자와 수정본 그래프 f ~ h는 그 결과다. 2023년 AL 팀별 홈런이 제출 그래프와 15팀 모두 똑같이 나와서 같은 데이터로 확인했다고 봐도 된다.
학습 목표
- Lahman 패키지의 4개 핵심 테이블(People, Batting, Teams, HallOfFame)과 연결 키 이해하기
group_by()+summarise()로 연도별, 팀별, 선수별 요약 만들기 (n(),n_distinct(),sum(),mean())filter(),slice_max(),arrange(),select(),mutate()를 이어 붙여 질문 하나를 코드 한 덩어리로 풀기inner_join()으로 테이블을 합치고,case_when()으로 시대(era)를 나누기- 타격 지표(1루타, 장타율, 출루율, OPS)를 직접 계산하기
- AI가 짠 코드와 내 코드를 비교하면서 차이가 어디서 나오는지 보기
1. Lahman 데이터 구조
Lahman은 SABR(미국야구연구협회)에서 배포하는 MLB 기록 데이터베이스이고, R에서는 install.packages("Lahman") 한 번이면 데이터프레임으로 바로 쓸 수 있다. 처음 str()로 열어 봤을 때는 테이블이 너무 많아서 막막했는데, 수업에서 다룬 4개만 알면 실습은 다 풀린다.
| 테이블 | 한 행의 의미 | 주요 열 |
|---|---|---|
| People (예전 이름 Master) | 사람 한 명 (선수, 코치, 감독) | playerID, nameFirst, nameLast, weight(파운드), height(인치), debut |
| Batting | 선수 한 명의 한 시즌, 한 팀 타격 기록 | playerID, yearID, stint, teamID, lgID, G, AB, H, X2B, X3B, HR, BB, HBP, SF |
| Teams | 팀 하나의 한 시즌 기록 | yearID, lgID, teamID, franchID, G, W, L, R, RA, WSWin |
| HallOfFame | 명예의 전당 투표 한 건 | playerID, yearID, votedBy, ballots, needed, votes, inducted, category |
flowchart LR
P["People<br/>사람 1명 = 1행"] -- playerID --> B["Batting<br/>선수 x 시즌 x 팀"]
P -- playerID --> H["HallOfFame<br/>투표 1건 = 1행"]
B -- "yearID + teamID" --> T["Teams<br/>팀 x 시즌"]
여기서 내가 제일 중요하다고 느낀 건 “한 행이 무엇인가”였다.
- Batting은 선수 한 명이 한 해에 한 팀에서 남긴 기록이 한 행이다. 시즌 중에 팀을 옮기면 같은 해에 행이 두 개 생기고, 그걸 구분하는 열이 stint(그 해의 몇 번째 팀인지)다.
- 그래서 Batting의 행 수를 세면 “경기 수”도 “선수 수”도 아니고 선수-팀-시즌 기록의 개수가 된다. 이걸 헷갈려서 실습 코드에 주석을 잘못 달았는데, 아래 7절에서 다시 다룬다.
- HallOfFame도 선수 한 명이 아니라 투표 한 건이 한 행이라, 여러 해 후보에 오른 선수는 행이 여러 개다. 헌액된 해에만
inducted == "Y"가 붙는다.
factor와 고유값 세기
teamID, lgID는 Batting에서 factor로 들어 있어서 levels()로 가능한 값 목록을, n_distinct()로 실제로 등장하는 값의 개수를 볼 수 있다.
1
2
3
4
5
str(Batting); str(People); str(HallOfFame); str(Teams)
levels(Batting$lgID) # 가능한 리그 목록
n_distinct(Batting$lgID) # 실제 등장한 리그 개수
n_distinct(Batting$teamID) # 실제 등장한 팀 개수
levels()와 n_distinct()가 다를 수 있다는 것도 알아 두면 좋다. factor의 levels에는 데이터를 걸러 낸 뒤 더 이상 등장하지 않는 값도 남아 있을 수 있기 때문이다.
2. group_by()와 summarise()
이번 주 문법의 핵심은 이 두 함수다.
group_by()는 그 자체로는 데이터를 바꾸지 않는다. 출력해 보면 값은 그대로이고 맨 위에 # Groups: yearID [154] 같은 줄만 생긴다. 즉 “이 열을 기준으로 묶어서 계산하라”는 메타데이터만 붙여 두는 것이다. 실제 계산은 뒤에 오는 summarise()나 mutate(), slice_max()가 그룹마다 따로 한다.
summarise()는 그룹 하나를 한 행으로 줄인다. 기본 틀은 이렇다.
1
2
3
4
5
6
7
8
9
mydata %>%
group_by(group_var1, group_var2) %>%
summarise(
my_var1 = n(), # 그룹 안의 행 개수
my_var2 = mean(기존_변수, na.rm = TRUE),
my_var3 = sum(기존_변수, na.rm = TRUE),
my_var4 = n_distinct(ID_변수), # 고유값 개수
.groups = "drop"
)
자주 쓰는 요약 함수를 표로 정리했다.
| 구분 | 함수 | 의미 |
|---|---|---|
| 중앙 경향 | mean(), median() | 평균, 중앙값 |
| 산포 | sd(), min(), max(), range() | 표준편차, 최솟값, 최댓값, 범위 |
| 개수 | n() | 그룹 안의 행 개수 |
| 개수 | n_distinct(x) | x의 고유한 값 개수 (팀 수, 선수 수) |
| 합계 | sum() | 합 |
| 위치 | first(), last(), nth(x, n) | 그룹 안의 첫 번째, 마지막, n번째 값 (arrange() 뒤에 의미가 있음) |
| 결측 | sum(!is.na(x)) | NA가 아닌 값의 개수 |
처음엔 n()과 n_distinct()의 차이가 감이 안 왔는데, 연도와 리그별로 둘을 같이 찍어 보니 바로 이해됐다.
1
2
3
4
5
6
7
8
Batting %>%
group_by(yearID, lgID) %>%
summarise(
n_Teams = n_distinct(teamID), # 그 해 그 리그의 팀 수
n_Players = n_distinct(playerID), # 그 해 그 리그에서 뛴 선수 수
.groups = "drop") %>%
arrange(desc(yearID)) %>%
print(n = Inf)
같은 선수가 한 해에 두 팀에서 뛰면 행은 2개지만 선수는 1명이다. 그래서 사람이나 팀을 셀 때는 n_distinct(), 기록 건수를 셀 때는 n()을 쓴다.
.groups = "drop"은 요약이 끝난 뒤 그룹을 풀어 주는 옵션이다. 이걸 안 하면 결과에 그룹 정보가 일부 남아서, 뒤에 mutate()나 slice_max()를 이어 쓸 때 내가 의도하지 않은 단위로 계산될 수 있다.
3. 2023년 아메리칸 리그(AL) 팀별 홈런
첫 번째 실습. “2023년 AL에서 팀별로 홈런과 타수를 구하고 막대그래프로 그려라.”
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# 2023년 AL 기록 요약
Batting %>%
filter(yearID == 2023, lgID == "AL") %>%
summarise(
N = n(), # 선수-팀 기록 건수
N_Players = n_distinct(playerID) # 선수 수
)
# N N_Players
# 1 800 764
# 팀별 홈런(HR)과 타수(AB)
AL_team_stats_2023 <- Batting %>%
filter(yearID == 2023, lgID == "AL") %>%
group_by(teamID) %>%
summarise(
total_HR = sum(HR, na.rm = TRUE),
total_AB = sum(AB, na.rm = TRUE),
.groups = "drop"
)
ggplot(AL_team_stats_2023, aes(x = teamID, y = total_HR)) +
geom_col(fill = "steelblue")
팀 기록을 Teams 테이블에서 바로 가져오지 않고 선수 기록(Batting)을 팀별로 합쳐서 만든다는 점이 포인트였다. 같은 숫자를 다른 테이블에서 다른 경로로 만들 수 있다는 걸 보여 주는 예제라고 생각한다.
N(800)과 N_Players(764)가 다른 게 포인트다. 2023년 AL에서 시즌 중에 팀을 옮긴 선수가 있어서, 기록은 800건인데 사람은 764명이다.
그래프를 보면 미네소타(MIN)와 텍사스(TEX)가 233개로 가장 높고, 클리블랜드(CLE)가 124개로 가장 낮다. 나머지 팀은 대부분 160 ~ 230개 사이에 모여 있는데 CLE만 혼자 한참 아래에 있다.
4. 연도별 승률 1위 팀
두 번째 실습은 Teams 테이블을 썼다. 먼저 작은 문제부터.
1
2
3
4
5
# 2024년 NL에서 가장 많이 이긴 상위 3팀
Teams %>%
filter(yearID == 2024, lgID == "NL") %>%
slice_max(order_by = W, n = 3) %>%
select(yearID, teamID, G, W, L)
1
2
3
4
5
yearID teamID G W L
1 2024 LAN 162 98 64
2 2024 PHI 162 95 67
3 2024 MIL 162 93 69
4 2024 SDN 162 93 69
“상위 3팀”을 달라고 했는데 4팀이 나온다. 밀워키(MIL)와 샌디에이고(SDN)가 93승으로 공동 3위라서다. slice_max()는 기본값이 with_ties = TRUE라 동점이면 다 보여 준다. 정확히 3개가 필요하면 with_ties = FALSE를 붙여야 하고, 그러면 동점 중 하나가 임의로 빠진다. 시험에서 “상위 n개”가 나오면 이걸 꼭 생각해야겠다.
slice_max(order_by, n)은 “정렬해서 위에서 n개 자르기”를 한 번에 해 준다. arrange(desc(W)) %>% head(3)과 같지만 그룹별로도 동작한다는 게 장점이다. 그 장점이 바로 다음 코드에서 쓰인다.
1
2
3
4
5
6
7
8
9
10
11
# 해마다 팀별 승률을 계산한 뒤, 해마다 1위 팀만 남기기
topl_teams <- Teams %>%
select(yearID, lgID, teamID, G, W, L) %>%
mutate(WinPct = W / G) %>%
group_by(yearID) %>%
slice_max(WinPct, n = 1, with_ties = FALSE)
ggplot(topl_teams, aes(x = yearID, y = WinPct, label = teamID)) +
geom_line(colour = "steelblue", linetype = "dotted") +
geom_point() +
geom_text(vjust = -0.5, colour = "steelblue")
group_by(yearID)다음의slice_max(n = 1)은 연도마다 1등 한 팀만 남긴다with_ties = FALSE는 공동 1위가 있어도 한 팀만 남기라는 뜻이다. 이걸 빼면 어떤 해는 점이 2개 찍힌다
그래프에서 읽은 것
야구 초창기에는 1위 팀 승률이 0.8을 넘기도 했지만, 현대로 올수록 1위 팀도 0.6 ~ 0.7 사이에 모인다. 리그가 점점 평준화되었다는 뜻으로 읽었다. 6절의 시대 구분과 연결해 보면, 리그 확장, 자유계약 제도, 드래프트 같은 제도가 생기면서 전력이 한 팀에 몰리기 어려워진 흐름과 맞아떨어진다. 다만 이건 그래프를 보고 세운 가설이고, 이 데이터만으로 원인을 증명할 수는 없다.
그런데 승률 1.0은 뭘까
내 그래프에는 강의 자료 그래프에 없던 승률 1.0(전승) 점이 1890 ~ 1910년대에 여러 개 찍혀 있다(CBG, CCG, LEL, NLS). 시즌 전체를 전승한 팀이 이렇게 많을 리 없어서 원 데이터에서 그 행을 직접 열어 봤다.
1
2
3
4
topl_teams %>%
filter(WinPct >= 0.85) %>%
left_join(Teams %>% select(yearID, teamID, name), by = c("yearID", "teamID")) %>%
select(yearID, lgID, teamID, name, G, W, L, WinPct)
1
2
3
4
5
6
7
8
9
yearID lgID teamID name G W L WinPct
1 1875 NA BS1 Boston Red Stockings 82 71 8 0.866
2 1894 IND CBG Cuban Giants 1 1 0 1.000
3 1901 IND CCG Chicago Columbia Giants 2 2 0 1.000
4 1905 EAS PG Philadelphia Giants 13 12 0 0.923
5 1907 WES LEL Chicago Leland Giants 5 5 0 1.000
6 1910 WES LEL Chicago Leland Giants 25 22 2 0.880
7 1914 EAS NLS New York Lincoln Stars 7 7 0 1.000
8 1936 IND KCM Kansas City Monarchs 15 13 2 0.867
예상대로였다. 승률 1.0인 팀은 1경기(1승 0패), 2경기, 5경기, 7경기만 기록된 팀이었다. 리그 코드도 AL, NL이 아니라 IND(독립), EAS, WES 같은 니그로리그 쪽 독립팀이다. 최근 Lahman 버전에 니그로리그 기록이 추가되면서 생긴 점들이고, 강의 그래프에는 이 점들이 없는 걸 보면 교수님은 이 기록이 들어가기 전 버전을 쓰신 것 같다.
1경기 이긴 팀의 승률 1.0과 162경기에서 100승 한 팀의 승률 0.617을 같은 축에 놓고 비교하면 안 된다. 비율 지표는 분모(경기 수)가 작으면 극단값이 나오기 쉽다. 그래서 리그를 AL, NL로 한정하거나 최소 경기 수를 두고 다시 그려 봤다.
1
2
3
4
5
top_mlb <- Teams %>%
filter(lgID %in% c("AL", "NL")) %>% # 또는 filter(G >= 100)
mutate(WinPct = W / G) %>%
group_by(yearID) %>%
slice_max(WinPct, n = 1, with_ties = FALSE)
파란색: AL, NL만 / 회색: 전체 리그. 빨간 상자는 승률 1.0의 정체
AL, NL만 남기면 가장 높은 1위 승률은 1876년 시카고(CHN)의 0.788(66경기 52승)이다. 초창기가 현대보다 높다는 결론은 그대로지만, “1.0까지 갔다”는 건 데이터 구성 때문에 생긴 착시였다.
결과가 이상해 보일 때 그래프를 고치기 전에 원 데이터의 그 행을 직접 열어 보는 것이 먼저라는 걸 이번에 배웠다.
5. 선수 체격 변화: 키, 몸무게, BMI
세 번째 실습. “선수들의 키, 몸무게, BMI가 해마다 어떻게 변했는지 그려라.” 처음으로 두 테이블을 합쳐야 하는 문제였다. 키와 몸무게는 People에 있는데, “몇 년도에 뛰었는지”는 Batting에 있기 때문이다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 1) 선수별 체격 (People): 키, 몸무게가 있는 선수만
physical_stats <- People %>%
filter(!is.na(weight), !is.na(height)) %>%
mutate(BMI = (0.453592 * weight) / ((0.254 * height)^2)) %>% # 7절에서 수정
select(playerID, height, weight, BMI)
# 2) 선수마다 뛰었던 해 (Batting): 한 해에 두 팀이면 중복이므로 distinct()
year_info <- Batting %>%
select(playerID, yearID) %>%
distinct()
# 3) 합친 뒤 연도별 평균
annual_physical_stats <- physical_stats %>%
inner_join(year_info, by = "playerID") %>%
group_by(yearID) %>%
summarise(
Ave_Height = mean(height, na.rm = TRUE),
Ave_Weight = mean(weight, na.rm = TRUE),
Ave_BMI = mean(BMI, na.rm = TRUE),
.groups = "drop"
)
plot(ts(annual_physical_stats[, 2:4]), start = 1871, frequency = 1) # 7절에서 수정
연도별 평균 키(인치), 몸무게(파운드), BMI (제출 당시 그림, BMI 단위와 가로축은 7절에서 수정)
7절의 실수를 고쳐서 단위를 cm, kg으로 바꾸고 가로축을 연도로 다시 그리면 이렇다.
수정본: 연도별 평균 키(cm), 몸무게(kg), BMI
여기서 배운 것
distinct()를 넣는 이유: 한 선수가 한 해에 두 팀에서 뛰면 Batting에 그 해가 두 번 나온다. 그대로 합치면 그 선수의 키와 몸무게가 그 해 평균에 두 번 들어간다.inner_join()은 양쪽에 모두 있는 playerID만 남긴다. 키와 몸무게 기록이 없는 선수나 타격 기록이 없는 사람(감독 등)은 자연스럽게 빠진다.- 여기서 평균은 “그 해에 뛴 선수 한 명당 한 표”다. 한 경기만 뛴 선수와 150경기를 뛴 선수가 똑같이 계산된다.
그래프에서 읽은 것
| 연도 | 평균 키 | 평균 몸무게 | 평균 BMI |
|---|---|---|---|
| 1871 | 174 cm | 71 kg | 23.5 |
| 1950 | 183 cm | 83 kg | 24.8 |
| 1990 | 186 cm | 85 kg | 24.5 |
| 2014 (몸무게, BMI 최고) | 187 cm | 97 kg | 27.7 |
| 2025 | 187 cm | 94 kg | 26.7 |
- 키는 꾸준히 커지다가 1990년대 이후 187 cm 근처에서 거의 평평하게 수렴한다
- 몸무게는 오랫동안 천천히 늘다가 1990 ~ 2014년 사이에 85 kg에서 97 kg으로 가파르게 늘었고, 그 뒤로는 다시 줄고 있다
- BMI는 100년 넘게 24.5 안팎으로 거의 일정하다가 같은 시기에 27.7까지 올라간다. 키는 거의 그대로인데 몸무게만 늘었기 때문이다
처음엔 주석에 “BMI가 갑자기 매우 뚱뚱해짐”이라고 적었는데, 다시 생각해 보니 표현이 틀렸다. BMI는 근육과 지방을 구분하지 못한다. 같은 시기가 6절 표의 롱볼(스테로이드) 시대, 그리고 웨이트 트레이닝이 본격화된 시기와 겹친다는 걸 생각하면, “선수들이 더 무거워졌다”까지만 말할 수 있고 “뚱뚱해졌다”고 단정할 수는 없다.
6. 명예의 전당 타자: HR vs OPS를 시대별로
마지막 실습이 이번 주의 하이라이트였고, 교수님 말씀으로는 시험도 이런 식으로 나온다. 질문은 “명예의 전당에 헌액된 선수들의 홈런(HR)과 OPS를 시대별로 그려라.”
타격 지표
강의 자료의 공식을 그대로 옮겼다. Batting에는 1루타 열이 없어서 안타에서 장타를 빼서 직접 만들어야 한다.
| 지표 | 공식 | 의미 |
|---|---|---|
| 1루타 X1B | \(H - X2B - X3B - HR\) | 안타 중 장타가 아닌 것 |
| 장타율 SLG | \(\frac{X1B + 2 \cdot X2B + 3 \cdot X3B + 4 \cdot HR}{AB}\) | 타수당 진루한 루의 수 (루타 / 타수) |
| 출루율 OBP | \(\frac{H + BB + HBP}{AB + BB + HBP + SF}\) | 타석에서 살아 나간 비율 |
| OPS | \(OBP + SLG\) | 출루와 장타를 합친 종합 공격력 |
시대(era) 구분
| 시대 | 기간 | 특징 |
|---|---|---|
| Dead Ball | 1900 ~ 1919 | 공의 반발력이 낮아 번트와 도루 위주의 스몰볼 |
| Lively Ball | 1920 ~ 1941 | 코르크 심을 넣은 공, 베이브 루스와 함께 홈런이 폭발 |
| Integration | 1942 ~ 1960 | 재키 로빈슨(1947) 이후 흑인 선수 합류 |
| Expansion | 1961 ~ 1976 | 신생 팀 창단, 플레이오프와 디비전 제도 |
| Free Agency | 1977 ~ 1993 | 자유계약 제도 정착 |
| Long Ball | 1994 ~ | 홈런 급증, 스테로이드 논란, 세이버메트릭스 도입 |
6-1. AI(제미나이) 코드
수업에서는 같은 문제를 먼저 제미나이에게 프롬프트로 시켜 봤다. 요구사항을 1) 전처리, 2) 시대 구분, 3) 시각화, 4) 강조, 5) 라이브러리로 번호를 붙여 구체적으로 적는 것이 프롬프트의 핵심이었다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
library(tidyverse); library(Lahman); library(ggrepel)
hof_players <- HallOfFame %>%
filter(inducted == "Y") %>%
distinct(playerID)
batting_summary <- Batting %>%
group_by(playerID) %>%
summarise(across(c(AB, H, X2B, X3B, HR, BB, HBP, SF), ~ sum(.x, na.rm = TRUE)),
.groups = "drop") %>%
mutate(
OBP = (H + BB + HBP) / (AB + BB + HBP + SF),
TB = H + X2B + 2 * X3B + 3 * HR, # 총루타
SLG = TB / AB,
OPS = OBP + SLG
) %>%
inner_join(hof_players, by = "playerID") %>%
filter(AB >= 500, OPS > 0.6)
hof_batters <- batting_summary %>%
left_join(People %>% select(playerID, nameFirst, nameLast, debut), by = "playerID") %>%
mutate(
player_name = paste(nameFirst, nameLast),
debut_year = as.integer(substr(debut, 1, 4)),
era = case_when(
debut_year >= 1900 & debut_year <= 1919 ~ "Dead Ball",
debut_year >= 1920 & debut_year <= 1941 ~ "Lively Ball",
debut_year >= 1942 & debut_year <= 1960 ~ "Integration",
debut_year >= 1961 & debut_year <= 1976 ~ "Expansion",
debut_year >= 1977 & debut_year <= 1993 ~ "Free Agency",
debut_year >= 1994 & debut_year <= 2005 ~ "Long Ball",
TRUE ~ "Other"
),
era = factor(era, levels = c("Dead Ball", "Lively Ball", "Integration",
"Expansion", "Free Agency", "Long Ball", "Other"))
)
ggplot(hof_batters, aes(x = HR, y = OPS)) +
geom_point(aes(size = AB, color = era), alpha = 0.75) +
geom_text_repel(data = hof_batters %>% filter(HR > 600 | OPS > 1.0),
aes(label = player_name), family = "AppleGothic",
segment.color = "red", max.overlaps = Inf) +
scale_size_continuous(name = "타석(AB)", breaks = c(3000, 6000, 9000, 12000)) +
labs(title = "MLB Hall of Fame 공격형 선수: HR vs OPS",
x = "Home Runs (HR)", y = "OPS", color = "Era") +
theme_minimal(base_family = "AppleGothic")
(실제 AI 코드는 summarise() 안에 sum()을 8줄로 나열했는데, 블로그에서는 across()로 줄여 적었다. 결과는 같다.)
AI 코드에서 배운 점이 몇 가지 있다.
- 총루타 TB = H + X2B + 2·X3B + 3·HR: 1루타를 따로 만들지 않고 안타에 장타의 추가 루만 더하는 방식. 1루타 공식을 대입해서 정리하면 강의 공식과 똑같다. 생각해 보면 이쪽이 실수할 여지가 적다
era를 factor로 순서를 지정해서 범례가 시대 순서대로 나온다. 내 코드는 이걸 안 해서 알파벳 순서가 됐다labs(),theme_minimal(),scale_size_continuous()로 제목, 축 이름, 범례를 정리해서 그래프가 바로 제출할 수 있는 상태로 나온다- macOS에서 한글이 깨지지 않게
family = "AppleGothic"을 지정했다
6-2. 내 코드
나는 강의 자료의 흐름(선수별 누적 → HOF와 결합 → 시대 구분 → 강조할 선수 지정)을 따라 직접 짰다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
player_stat <- Batting %>%
group_by(playerID) %>%
summarise(
G = sum(G, na.rm = T), AB = sum(AB, na.rm = T), H = sum(H, na.rm = T),
X2B = sum(X2B, na.rm = T), X3B = sum(X3B, na.rm = T), HR = sum(HR, na.rm = T),
BB = sum(BB, na.rm = T), HBP = sum(HBP, na.rm = T), SF = sum(SF, na.rm = T),
debut_year = min(yearID, na.rm = T),
final_year = max(yearID, na.rm = T),
MidCareer = round((min(yearID, na.rm = T) + max(yearID, na.rm = T)) / 2),
.groups = 'drop'
) %>%
mutate(
SLG = ((H - X2B - X2B - HR) + 2*X2B + 3*X3B + 4*HR) / AB, # 7절: 버그
OBP = (H + BB + HBP) / (AB + BB + HBP + SF),
OPS = SLG + OBP
)
hof <- HallOfFame %>% filter(inducted == 'Y') %>% select(playerID)
player_info <- People %>% select(playerID, nameFirst, nameLast)
hof_stats <- player_stat %>%
inner_join(hof, by = 'playerID') %>%
inner_join(player_info, by = 'playerID') %>%
filter(OPS > 0.6) %>%
mutate(
name = paste(nameFirst, nameLast),
era = case_when(
debut_year %in% 1900:1919 ~ 'Dead Ball',
debut_year %in% 1920:1941 ~ 'Lively Ball',
debut_year %in% 1942:1960 ~ 'Integration',
debut_year %in% 1961:1976 ~ 'Expansion',
debut_year %in% 1977:1993 ~ 'Free Agency',
debut_year >= 1994 ~ 'Long Ball',
TRUE ~ "Other"
)
)
highlight <- hof_stats %>%
filter(
OPS > 1 | HR > 600 |
playerID %in% c("willite01", "ruthba01", "gehrilo01") | # 대표 강타자
playerID %in% c("smithoz01", "rodriiv01", "mayswi01") # 수비로 유명한 선수
)
ggplot(hof_stats, aes(x = HR, y = OPS)) +
geom_point(aes(size = AB, colour = era), alpha = 0.6) +
geom_text_repel(data = highlight, aes(label = name),
colour = 'black', nudge_y = 0.05, segment.colour = 'gray')
내 코드에서 의도한 부분도 있었다.
- 데뷔 연도를 People의
debut문자열 대신 Batting의 첫 기록 연도(min(yearID))로 잡았다. 강의 자료와 같은 방식이고, 문자열을 자를 필요가 없다 - AI 그래프에서는 Josh Gibson, Buck Leonard, Turkey Stearnes, Mule Suttles 같은 니그로리그 출신 선수들이 Other(분홍)로 빠졌다. 확인해 보니 이 선수들은 People의
debut이 NA다.substr(NA, 1, 4)도 NA라서case_when()의 어느 조건에도 걸리지 않고 마지막TRUE ~ "Other"로 간 것이다. 반면 Batting에는 기록이 있어서(Josh Gibson은 1930 ~ 1946년), 내 코드에서는 Lively Ball(하늘색)로 제대로 분류됐다. 같은 “데뷔 연도”라도 어느 테이블에서 가져오느냐에 따라 분류가 달라진다는 걸 직접 봤다 geom_text_repel()의data =에 강조할 선수만 따로 넘겨서, 전체 점은 다 그리고 라벨만 일부에 붙였다. 수치 조건(OPS > 1, HR > 600)뿐 아니라 내가 고른 선수(Ozzie Smith 같은 수비형 선수)도 함께 표시해서, 홈런과 OPS로는 명예의 전당을 다 설명할 수 없다는 점이 그림에 드러나게 했다
그래프에서 읽은 것
- 오른쪽 위로 갈수록(홈런이 많을수록) OPS도 대체로 높다. 하지만 홈런이 200개 남짓인데 OPS가 1.0을 넘는 선수(Josh Gibson, Turkey Stearnes)도 있다. 이 선수들은 Lahman에 남은 기록 자체가 적다. Josh Gibson은 766경기, 2,768타수뿐이라(Hank Aaron은 12,364타수) 누적 홈런이 작게 나올 수밖에 없다. 누적 지표(HR)와 비율 지표(OPS)를 한 그림에 그릴 때는 경기 수의 차이를 같이 봐야 한다
- 데드볼 시대(빨강)는 홈런이 거의 없는데 OPS는 0.8 안팎이다. 홈런 대신 단타와 출루로 점수를 냈던 시대 특징이 보인다
- 홈런 600개 이상은 Integration 이후 선수(Hank Aaron, Willie Mays, Ken Griffey, Jim Thome)에 몰려 있다
- 왼쪽 아래 Ozzie Smith처럼 홈런과 OPS가 모두 낮은데 헌액된 선수는 수비로 들어간 경우다
7. 다시 보니 보인 실수와 개선점
블로그를 쓰면서 제출한 코드를 다시 읽어 보니 고칠 게 꽤 있었다. 시험에서 같은 실수를 하면 안 되니까 제일 꼼꼼하게 정리했다.
(1) 장타율 공식 오타: X3B 자리에 X2B
1
2
SLG = ((H - X2B - X2B - HR) + 2*X2B + 3*X3B + 4*HR) / AB # 내가 쓴 것
SLG = ((H - X2B - X3B - HR) + 2*X2B + 3*X3B + 4*HR) / AB # 맞는 것
1루타를 만들 때 3루타를 빼야 하는데 2루타를 두 번 뺐다. 정리하면 내 SLG는 맞는 값보다 정확히 \(\frac{X3B - X2B}{AB}\)만큼 달라진다. 대부분의 타자는 2루타가 3루타보다 훨씬 많으니 장타율과 OPS가 실제보다 작게 나온다.
실제로 두 그래프를 비교해도 차이가 보인다. 베이브 루스는 AI 그래프에서 OPS 약 1.16인데 내 그래프에서는 약 1.12다. 두 공식으로 직접 다시 계산해 봤다.
| 선수 | 타수 | 2루타 | 3루타 | 맞는 OPS | 내 공식 OPS | 차이 |
|---|---|---|---|---|---|---|
| Babe Ruth | 8,398 | 506 | 136 | 1.164 | 1.120 | −0.044 |
| Ted Williams | 7,706 | 525 | 71 | 1.116 | 1.057 | −0.059 |
| Lou Gehrig | 8,001 | 534 | 163 | 1.080 | 1.033 | −0.046 |
| Hank Aaron | 12,364 | 624 | 98 | 0.929 | 0.886 | −0.043 |
차이가 정확히 \(\frac{X3B - X2B}{AB}\)다(루스: \(\frac{136 - 506}{8398} \approx -0.044\)). 그리고 이 때문에 OPS > 0.6 조건을 통과한 명예의 전당 인물이 229명에서 223명으로 줄어서, 그래프에서 6명이 아예 빠져 있었다.
코드는 에러 없이 돌아가고 그래프도 그럴듯해서 눈으로는 절대 못 찾는 실수였다. 앞으로는 지표를 만들면 유명한 선수 한 명의 값을 공식 기록과 비교해 보는 습관을 들이기로 했다. 그리고 AI처럼 총루타 공식을 쓰면 1루타를 따로 만들 필요가 없어서 이런 실수 자체가 생기지 않는다.
1
2
3
4
5
6
mutate(
TB = H + X2B + 2 * X3B + 3 * HR,
SLG = TB / AB,
OBP = (H + BB + HBP) / (AB + BB + HBP + SF),
OPS = OBP + SLG
)
(2) BMI 단위 변환: 인치 → 미터는 0.0254
BMI는 \(\frac{\text{kg}}{\text{m}^2}\)인데, 1 inch = 2.54 cm = 0.0254 m다. 나는 0.254를 곱했다. 분모가 제곱이라 BMI가 \(10^2 = 100\)배 작게 나왔고, 그래서 그래프의 BMI 축이 0.24 ~ 0.28이었다. 고치면 23.5 ~ 27.7이 나오고, 강의 자료 그래프와도 맞는다. 추세 모양은 같아서 결론은 그대로지만, 숫자를 보고 바로 이상하다고 느꼈어야 했다(BMI 0.25인 사람은 없다).
1
mutate(BMI = (0.453592 * weight) / ((0.0254 * height)^2)) # lb → kg, inch → m
(3) ts()의 시작 연도가 그래프에 안 들어감
1
plot(ts(annual_physical_stats[, 2:4]), start = 1871, frequency = 1) # 내가 쓴 것
괄호 위치 때문에 start와 frequency가 ts()가 아니라 plot()으로 넘어갔다. 그래서 가로축이 연도가 아니라 0 ~ 150의 순번으로 나왔다. 시작 연도도 숫자로 박지 말고 데이터에서 꺼내는 편이 안전하다.
1
2
3
plot(ts(annual_physical_stats[, 2:4],
start = min(annual_physical_stats$yearID), frequency = 1),
main = "MLB 선수 연도별 체격 변화")
(4) n()은 “게임 수”가 아니다
1
N = n() # 게임 수 ← 주석이 틀림
n()은 그룹 안의 행 개수고, Batting의 한 행은 선수-팀-시즌 기록이다. 2023년 AL로 거르고 n()을 하면 그 해 AL에서 나온 선수 기록 건수가 된다. 경기 수가 필요하면 Teams의 G를 써야 한다.
(5) 명예의 전당에는 선수만 있는 게 아니다
HallOfFame에는 감독, 심판, 구단 관계자도 헌액된다. 강의 자료가 category를 빨간색으로 강조해 둔 이유가 이거였던 것 같다. 직접 세어 보니 헌액(inducted == "Y") 353명 중 선수(Player)는 281명이고, 나머지는 감독 24명, 구단 관계자 26명, 심판 11명 등이다.
문제는 감독 중에 선수 시절 타격 기록이 있는 사람이 많다는 점이다. 그래서 inner_join()과 OPS > 0.6만으로는 걸러지지 않는다. 내 그래프에는 감독, 관계자, 심판으로 헌액된 24명이 타자처럼 섞여 있었다. 존 맥그로(감독, OPS 0.876), 조 토리(감독, OPS 0.817), 찰스 코미스키(관계자) 같은 사람들이다.
질문이 “선수”라면 처음부터 category로 거르는 게 맞다. 투수도 타격 기록이 조금씩 있으니 AI처럼 타수 기준을 같이 두면 “타자”라는 의도가 분명해진다. 다만 조 토리처럼 선수로도 뛰어났는데 감독으로 헌액된 경우는 이 필터에서 빠진다. “명예의 전당 선수”를 어떻게 정의하느냐에 따라 결과가 달라진다는 걸 보여 주는 사례다.
1
2
3
4
5
6
7
hof <- HallOfFame %>%
filter(inducted == "Y", category == "Player") %>%
distinct(playerID) # 투표 1건 = 1행이므로 distinct가 안전
hof_stats <- player_stat %>%
inner_join(hof, by = "playerID") %>%
filter(AB >= 500, OPS > 0.6) # 타자만
고친 코드로 다시 그린 그래프
(1) ~ (5)를 모두 반영하고, 1900년 이전 데뷔를 Other 대신 19th Century로 이름 붙여 다시 그렸다. 조건을 통과한 타자는 204명이다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
hs <- player_stat %>% # TB 공식으로 SLG, OPS를 다시 계산한 것
inner_join(hof, by = "playerID") %>% # category == "Player"
inner_join(player_info, by = "playerID") %>%
filter(AB >= 500, OPS > 0.6) %>%
mutate(
name = paste(nameFirst, nameLast),
era = case_when(
debut_year < 1900 ~ "19th Century",
debut_year <= 1919 ~ "Dead Ball",
debut_year <= 1941 ~ "Lively Ball",
debut_year <= 1960 ~ "Integration",
debut_year <= 1976 ~ "Expansion",
debut_year <= 1993 ~ "Free Agency",
TRUE ~ "Long Ball"
),
era = factor(era, levels = c("19th Century", "Dead Ball", "Lively Ball", "Integration",
"Expansion", "Free Agency", "Long Ball"))
)
수정본: 명예의 전당 타자 204명의 통산 HR과 OPS
case_when()은 위에서부터 처음 맞는 조건 하나만 적용하니까, %in% 1900:1919처럼 양쪽 끝을 다 쓰지 않고 <=만 이어 써도 된다. 경계값을 빠뜨릴 위험도 줄어든다. 수정본에서는 루스, 윌리엄스, 게릭이 AI 그래프와 같은 높이로 올라왔고, 감독들이 빠져서 점 분포가 조금 정리됐다.
(6) 그래프 마무리와 주석
era를factor(levels = ...)로 만들어 범례를 시대 순서로 정렬하기labs()로 제목과 축 이름 달기. 내 그래프는 축 이름이 변수명 그대로라 처음 보는 사람이 읽기 어렵다- 내 코드 주석에 Ozzie Smith, Ivan Rodriguez, Willie Mays를 “핵심 투수, 수비수”라고 적었는데 세 명 모두 투수가 아니다(유격수, 포수, 중견수). 그리고 Willie Mays는 수비만큼 타격도 뛰어난 선수다. “수비로 유명한 선수”로 고쳤다
개선 사항 한눈에 보기
| 위치 | 문제 | 수정 | 영향 |
|---|---|---|---|
| SLG | 1루타 계산에서 X3B 대신 X2B를 뺌 | H - X2B - X3B - HR 또는 총루타 공식 | OPS가 \(\frac{X3B - X2B}{AB}\)만큼 작아짐 (루스 −0.044), 6명 누락 |
| BMI | 인치 → 미터 0.254 | 0.0254 | 값이 100배 작음 (추세 모양은 같음) |
| ts() | start를 plot()에 넘김 | ts(..., start = ) | 가로축이 연도가 아닌 순번 |
| 주석 | n() = 게임 수 | 기록(행) 건수 (2023 AL: 800건, 764명) | 해석 오류 |
| HOF | 감독, 관계자 24명이 섞임 | category == "Player", AB >= 500 | 타자 204명만 남음 |
| 승률 1위 | 1 ~ 7경기짜리 독립팀의 승률 1.0 | lgID %in% c("AL", "NL") 또는 최소 경기 수 | 최고 1위 승률 1.0 → 0.788 |
| 그래프 | 범례 알파벳 순, 축 이름 없음 | factor 순서, labs() | 읽기 쉬움 |
8. 느낀 점과 다음에 해 보고 싶은 것
이번 주에 제일 크게 느낀 건 “코드가 돌아가는 것”과 “코드가 맞는 것”은 다르다는 점이다. 장타율 오타와 BMI 단위 실수 모두 에러 메시지 하나 없이 그럴듯한 그래프를 만들었다. 둘 다 블로그를 쓰면서 AI 결과와 강의 그래프를 나란히 놓고 보고 나서야 찾았다. 승률 1.0도 그래프만 봐서는 “초창기엔 압도적인 팀이 있었구나” 하고 넘어갈 뻔했는데, 행을 열어 보니 1경기짜리 기록이었다. 결과를 의심하는 가장 쉬운 방법은 알려진 값 하나와 비교해 보는 것(베이브 루스의 OPS, 사람의 BMI가 25 근처라는 상식)이라는 걸 배웠다.
AI 코드와 비교한 것도 좋은 경험이었다. AI 코드는 그래프 마무리(제목, 범례 순서, 폰트)가 훨씬 깔끔했고, 총루타 공식처럼 실수할 여지가 적은 방식을 골랐다. 반면 데뷔 연도를 People의 debut에서 가져오는 바람에 니그로리그 선수들이 Other로 빠지는 문제가 있었다. 요구사항은 정확히 지켰지만 데이터의 특성까지 확인하지는 않은 셈이다. AI에게 맡기더라도 결과를 해석하고 검증하는 건 결국 내 몫이라는 걸 다시 느꼈다. 수업에서 프롬프트를 번호 붙인 요구사항으로 쓴 것도 따라 해 볼 만한 습관이다.
dplyr 문법 자체는 이제 꽤 손에 익었다. 특히 group_by()가 “메타데이터만 붙인다”는 설명을 듣고 나니, 왜 summarise()와 slice_max()가 그룹마다 따로 동작하는지 이해가 됐다. 기말 대비로는 아래 패턴을 손으로 바로 쓸 수 있게 연습하려고 한다.
1
2
3
4
5
6
7
8
# 기말 대비: 이 틀에서 filter 조건, group_by 기준, summarise 내용만 바꾸면 대부분 풀림
데이터 %>%
filter(조건) %>%
group_by(기준) %>%
summarise(새변수 = 요약함수(변수, na.rm = TRUE), .groups = "drop") %>%
mutate(비율 = A / B) %>%
arrange(desc(비율)) %>% # 또는 slice_max(비율, n = k)
ggplot(aes(x, y)) + geom_col()
다음에 해 보고 싶은 것도 정리해 둔다.
- 시대 보정 OPS: 시대마다 리그 평균 OPS가 다르니, 각 선수의 OPS를 데뷔 시대의 리그 평균으로 나눠 비교하기 (실제 야구 통계의 OPS+와 비슷한 생각)
- 누적 대신 비율로: HR 대신 타수당 홈런(HR / AB)을 가로축에 놓으면 경기 수가 적은 니그로리그 선수와 MLB 선수를 더 공정하게 비교할 수 있을 것 같다
- 체격과 홈런: 5절의 연도별 평균 몸무게와 리그 전체의 타수당 홈런을 같은 시간축에 놓고, 롱볼 시대에 둘이 같이 움직였는지 보기 (같이 움직이더라도 인과관계는 아님)
- 명예의 전당 예측: 통산 기록으로 헌액 여부를 분류하는 간단한 로지스틱 회귀. 수비형 선수처럼 타격 기록으로 설명이 안 되는 사례가 어디서 틀리는지 보면 재미있을 것 같다
최종 핵심 정리
- Lahman은 People(사람), Batting(선수 x 시즌 x 팀), Teams(팀 x 시즌), HallOfFame(투표 1건)로 이루어져 있고 playerID, yearID, teamID로 연결된다. 한 행이 무엇인지부터 확인해야 한다
group_by()는 묶음 정보만 붙이고, 계산은 뒤의summarise(),mutate(),slice_max()가 그룹마다 한다..groups = "drop"으로 그룹을 풀어 준다- 사람이나 팀 수는
n_distinct(), 기록 건수는n(). Batting에서n()은 경기 수가 아니다 slice_max(x, n = 1, with_ties = FALSE)를group_by(yearID)뒤에 쓰면 연도별 1위를 한 줄로 뽑는다. 기본값은 동점을 모두 남겨서 “상위 3팀”이 4팀이 될 수 있다. 승률 1.0은 1 ~ 7경기짜리 니그로리그 독립팀 기록이고, AL, NL만 보면 최고 0.788이다- People과 Batting을
distinct()후inner_join()해 연도별 체격을 구하면 키는 187 cm 근처로 수렴하고, 몸무게(85 → 97 kg)와 BMI(24.5 → 27.7)는 1990 ~ 2014년에 급증한 뒤 다시 줄고 있다. BMI는 근육과 지방을 구분하지 못한다 - SLG는 1루타 \(H - X2B - X3B - HR\)를 거치거나, 총루타 \(TB = H + X2B + 2X3B + 3HR\)로 바로 계산한다. OPS = OBP + SLG
- 시대 구분은
case_when()으로 만들고factor(levels = ...)로 순서를 지정한다. 니그로리그 선수는 People의debut이 NA라서, 데뷔 연도를 Batting의min(yearID)에서 가져와야 제대로 분류된다. HallOfFame은category == "Player"로 걸러야 감독, 관계자 등 24명이 섞이지 않는다 - 내 코드의 SLG 오타(OPS가 루스 기준 약 0.044 작아짐), BMI 단위(100배),
ts()인자 위치 실수는 모두 에러 없이 그럴듯한 결과를 냈다. 알려진 값 하나와 비교하는 검증 습관이 필요하다
End.




