1. 기본 package 설정
# 1. 기본 package 설정
library(tidyverse)
library(tidymodels)
library(rstatix)
library(skimr)❇️ tidyverse: 데이터 분석과 시각화를 위한 여러 R 패키지를 모아놓은 패키지
- dplyr, ggplot2, tidyr, purrr, stringr 등을 포함하고 있으며, 데이터 전처리, 조작, 시각화 등에 사용
❇️ tidymodels: tidyverse와 마찬가지로 데이터 분석에 필요한 R 패키지를 모아놓은 패키지
- parsnip, recipes, rsample, dials, yardstick 등이 있으며, 머신러닝 모델 제작, 평가, 비교에 사용
❇️ rstatix: 데이터 분석을 위한 통계 분석 도구를 제공하는 패키지
- 데이터 분석 결과 요약, 가설 검정, ANOVA, 회귀 분석, 상관 분석 등의 통계 분석에 사용
❇️ skimr: 데이터셋의 요약 통계 정보를 제공하는 패키지
- 데이터셋의 변수 유형, 결측치 비율, 이상치 정보 등을 확인하고, 데이터셋의 각 변수별 분포와 기초 통계 정보를 시각화하여 제공
2. 데이터 불러오기
# 2. 데이터 불러오기
csi_tb <-read_csv("csi.csv",
col_names = T,
locale = locale("ko", encoding = "euc-kr"),
na = ".") %>% # 파이프라인
mutate(학부 = factor(학부,
levels = c(1:5),
labels = c("신학", "사회복지", "아동상담",
"경영", "외국어")),
학년 = factor(학년,
levels = c(1:4),
labels = c("1학년", "2학년", "3학년", "4학년")),
성별 = factor(성별,
levels = c(1:2),
labels = c("남자", "여자")
)
)
str(csi_tb) #데이터 프레임 구조 출력
csi_tb # 데이터 프레임 확인✔️ col_names 옵션을 True로 설정하여 열 이름을 사용
✔️ locale 옵션을 "ko"와 "euc-kr"로 설정하여 한글 인코딩 방식 채택
✔️ na 옵션을 "."으로 설정하여 결측치를 표시
✔️ dplyr 패키지, mutate 함수를 사용하여 데이터 프레임의 열을 변형
✔️ 학부, 학년, 성별 열은 factor 클래스로 변환
✔️ 각각의 factor 클래스를 정의, levels과 labels를 사용하여 각각의 값을 설정
❇️ 파이프라인이란? (%>% 기호)
- 이전 코드의 결과를 다음 함수의 첫 번째 인자로 전달하는 역할
- 왼쪽에 있는 값(데이터)을 오른쪽에 있는 함수에 입력하고, 그 결과를 다시 다음 함수의 입력으로 전달
- 파이프라인 기능은 함수를 연속적으로 사용하는 것과 유사하며, 가독성을 높이고 간단하게 코드를 작성하게 함
3. 100점 만점으로 변환
# 3. 100점 만점으로 변환
csi_100_tb <- csi_tb %>%
rowwise() %>%
transmute(학부, 학년, 성별,
전공교육 = (mean(c(A1, A2, A3, A4, A5))-1) / 6 * 100,
교양교육 = (mean(c(B1,B2,B3,B4,B5))-1) / 6 * 100,
학습지원 = (mean(c(C1,C2,C3,C4,C5))-1) / 6 * 100,
상담지원 = (mean(c(D1,D2,D3,D4,D5))-1) / 6 * 100,
전반적만족도 = (mean(c(E1,E2,E3,E4,E5))-1) / 6 * 100,
)
as_tibble()
csi_100_tb
str(csi_100_tb)# 방법2
# csi_tb %>%
# select(A1:A5) %>%
# mutate(A1 = (A1-1)/6*100,
# A2 = (A2-1)/6*100,
# A3 = (A3-1)/6*100,
# A4 = (A4-1)/6*100,
# A5 = (A5-1)/6*100) %>%
# rowwise() %>%
# mutate(전공교육 = mean(c(A1,A2,A3,A4,A5)))✔️ csi_tb 데이터셋에서 각 항목에 대한 평균값을 100점 만점으로 변환해 csi_100_tb라는 새로운 데이터셋을 만드는 작업
❇️ transmute: 데이터셋의 변수를 변환하는 함수로, 새로운 변수를 추가하거나 기존 변수를 수정
❇️ rowwise: '행단위 연산'일때 그룹화를 위해 사용하며, 변수를 행 단위로 계산
❇️ tibble: mutate계산시 list로 생성된 부분을 삭제하여 더욱 직관적이게 함
4. 상관계수 추출
# 4. 상관계수 추출
cor_tb <- csi_100_tb %>%
cor_test(var1 = 전반적만족도, # 기준점을 정해준다. 전반적 만족도가 기준이 된다.
method = "pearson") %>%
select(var2, cor) %>%
mutate(wgt = cor/sum(cor)) # 상관관계로 가중치 구하기 (모두 더하고 1/n해준다)
cor_tb #wgt 가중치를 이용해서 종합만족도를 계산할 예정✔️ tibble 형태로 변환된 데이터셋 csi_100_tb에서 cor_test() 함수를 이용하여 변수들 간의 상관관계를 계산하고, select() 함수와 mutate() 함수를 이용하여 필요한 변수와 가중치 값을 계산
✔️ method 인자를 통해 상관계수 계산 방법을 지정할 수 있으며, pearson 방법을 사용
✔️ mutate(종합만족도 = 전공교육 * 0.237 + 교양교육 * 0.247) 가중치 부여
✅ cor_text: 변수들 간의 상관계수와 유의성을 계산 # var1 인자를 통해 기준 변수를 지정할 수 있으며, 전반적만족도를 기준 변수로 설정
✅ select: 데이터셋에서 필요한 열(columns)을 선택하는 함수
✅ mutate: 데이터셋에 새로운 열(columns)을 추가하거나 기존 열을 수정하는 함수
5. 종합만족도 계산
# 5. 종합만족도 계산
csi_total_tb <- csi_100_tb %>%
select(학부:상담지원) %>%
rowwise() %>%
mutate(종합만족도 = 전공교육 * (cor_tb %>%
filter(var2 == "전공교육") %>%
select(wgt)) +
교양교육 * (cor_tb %>%
filter(var2 == "교양교육") %>%
select(wgt)) +
학습지원 * (cor_tb %>%
filter(var2 == "학습지원") %>%
select(wgt)) +
상담지원 * (cor_tb %>%
filter(var2 == "상담지원") %>%
select(wgt))
)
str(csi_total_tb)
# 종합만족도 점수를 dbl로 처리
csi_total_tb <- csi_total_tb %>%
unnest(종합만족도) %>%
rename(종합만족도 = wgt)
str(csi_total_tb)# 방법2: 상관계수값으로 직접 계산
# csi_100_tb %>%
# select(전공교육:상담지원) %>%
# mutate(종합만족도 = (전공교육 * 0.237) +
# (교양교육 * 0.242) +
# (학습지원 * 0.292) +
# (상담지원 * 0.228)
# )✔️ csi_100_tb 데이터셋 변수들을 이용하여 종합만족도를 계산
✔️ select() 함수를 이용하여 학부부터 상담지원 변수까지 선택
✔️ rowwise() 함수를 이용하여 행별로 계산
✔️ mutate() 함수를 이용하여 종합만족도 변수 계산
✔️ filter(), select() 함수를 이용하여 해당 변수와 가중치를 선택한 후, * 연산자로 가중합을 계산
✔️ 계산 결과는 unnest() 함수와 rename() 함수를 이용하여 종합만족도만 남긴 후, dbl 형식으로 처리
