IT stuff

AI 트렌드(by chatgpt)

GreenVegetables — Thu, 20 Feb 2025 22:50:26 +0900

AI(Artificial Intelligence)

AI 트렌드는 빠르게 변화하고 있으며, 현재 주요한 흐름은 다음과 같습니다.

1. 생성형 AI (Generative AI)

ChatGPT, Claude, Gemini 같은 대형 언어 모델(LLM)의 발전.

텍스트뿐만 아니라 이미지, 음악, 영상까지 생성 가능.

기업에서는 고객 서비스, 콘텐츠 제작, 소프트웨어 개발 등에 활용.

2. 멀티모달 AI

텍스트, 이미지, 음성, 영상 등 다양한 입력을 동시에 이해하고 처리하는 기술.

예: GPT-4V(비전 기능 추가), Gemini, OpenAI Sora(영상 생성 AI).

3. AI와 자동화 (AI-driven Automation)

RPA(Robotic Process Automation) + AI 결합으로 업무 자동화 가속화.

코드 작성, 데이터 분석, 보고서 생성 등의 자동화.

AI Agent(자율적으로 작업 수행하는 AI) 연구 활성화.

4. 맞춤형 AI (Personalized AI)

개별 사용자의 데이터와 선호도를 학습해 맞춤형 서비스 제공.

기업의 고객 서비스, 추천 시스템 등에 적용.

5. AI 윤리 및 규제 (AI Ethics & Regulation)

AI의 편향성, 개인정보 보호, 저작권 문제 등 윤리적 논의 증가.

EU AI법(AI Act), 미국의 AI 규제 정책 등 각국에서 법률 제정 중.

기업들은 AI의 투명성과 책임성을 강조하는 방향으로 연구.

6. AI 반도체 및 하드웨어 발전

Nvidia, AMD, Intel 등에서 AI 전용 칩(GPU, NPU) 개발 가속화.

Edge AI(단말기 내 AI) 기술 확산 → 클라우드 없이도 AI 활용 가능.

7. AI+X (산업 융합)

의료(AI 진단, 신약 개발), 금융(리스크 분석, 자동 투자), 제조(예측 유지보수), 교육(개인 맞춤형 학습) 등 다양한 산업에서 AI 적용.

한국제로트러스트위원회(KOZETA, KOrea ZEro Trust Alliance) 참여기업 목록 ('25.1월 기준)

GreenVegetables — Thu, 6 Feb 2025 17:35:52 +0900

한국정보보호산업협회 내용 참조하여 표구성.

구분

기업명

주력분야

사용자

엔드포인트

네트워크

애플리케이션

통합보안관제

데이터

시스템

소프트웨어 공급망 보안

전자문서위변조방지

영상 AI

마이크로세그멘테이션

신뢰판단용데이터제공포인트(PIP)

정책결정지점(PDP)

AI 기반 악성파일 탐지

생체수기서명인증기술

인프라 계정 관리

신뢰도평가시스템

지니언스

파이오링크

지란지교시큐리티

윈스

이글루코퍼레이션

SGA솔루션즈

모니터랩

안랩

수산아이앤티

시큐어링크

펜타시큐리티시스템

앤앤에스피

에스지앤

프라이빗테크놀로지

소프트캠프

블루문소프트

소만사

한국정보인증

레드펜소프트

시큐레터

이노티움

센스톤

엔텀네트웍스

유넷시스템즈

시큐어레터

옥타코

에브리존

엑스게이트

와임

마크애니

케이엑스넥스지

한싹

드림시큐리티

스콥정보통신

세이퍼존

에프원시큐리티

로그프레소

굿모닝아이텍

쿼드마이너

엔피코어

코닉글로리

시큐브

솔루세움

한드림넷

워터월시스템즈

에어코드

사이시큐연구소

엔드포인트랩

LG유플러스

웨어밸리

킹스정보통신

주식회사 테이텀

파수

엔시큐어

피앤피시큐어

에어큐브

이니텍

아라드네트웍스

퓨처시스템

노바소프트

엔큐리티

넥츠

지란지교에스앤씨

엠시큐어

습관

GreenVegetables — Fri, 29 Nov 2024 09:11:09 +0900

매일 아침 오블완 챌린지를 하다보니, 짧게 글 쓰는게 습관처럼 됐다.^^

장표 작성은 스토리부터

GreenVegetables — Thu, 28 Nov 2024 08:37:31 +0900

컨설팀보고서 작성은 스토리부터.
현황분석의 결과가 목표모델로 이어지고, 목표모델 결과가 이행과제로.

[오블완] 첫눈

GreenVegetables — Wed, 27 Nov 2024 08:30:44 +0900

밤사이 눈이 왔네.
나무에 소복히 쌓인 눈이 이쁘네.

[오블완] 보고서 작성

GreenVegetables — Tue, 26 Nov 2024 08:24:18 +0900

보고서 작성 시, 텍스트가 너무 많은 건 지양.
이해하기 쉽게...

[오블완] 기대효과(편익) 산정

GreenVegetables — Mon, 25 Nov 2024 08:25:43 +0900

ISP나, ISMP의 기대효과 작성 시, 기대효과(편익)은 보통 직원, 대국민, 관련 기관 측면에서 작성한다.

기대효과는 또 크게 정량적, 정성적으로 구분지을 수 있다. 예를 들어, 시스템 구축으로 예상되는 업무효율성 향상, 비용 절감 등의 정량적 기대효과와 만족도 향상 등 정성적 기대효과가 있다.

[오블완] 피의 게임 습격의 날

GreenVegetables — Sun, 24 Nov 2024 22:26:21 +0900

완전 재밌음.

[오블완] 농부가 방문

GreenVegetables — Sat, 23 Nov 2024 23:43:38 +0900

오늘 원주에 있는 농부가 방문. 와이프와 장모님을 모시고 산야초정식을 아주 맛있게 먹었다.

[오블완] 이제 곧 주말

GreenVegetables — Fri, 22 Nov 2024 08:33:31 +0900

금요일이다! ^^

이행과제

GreenVegetables — Thu, 21 Nov 2024 08:20:48 +0900

이행과제는 목표모델을 실제 구현하기 위해 세우는 계획임

슬라이드간 흐름

GreenVegetables — Wed, 20 Nov 2024 08:44:00 +0900

컨설팅 보고서 작성 시, 슬라이드간 흐름이 보이도록 작성하는게 필요하다. 특히, 현황분석 및 목표모델간, 목표모델 및 이행과제간.

이행과제 도출

GreenVegetables — Tue, 19 Nov 2024 09:13:06 +0900

이행과제는 목표모델에서 수립 또는 설계한 사항을 실제 구현하기 위한 계획이다.

예를 들어, '~~~방안'일 경우 이는 시스템적으로 기능을 구축을 통해 구현이 가능한데, 이때 ~~~구축이 이행과제라 볼 수 있다

기술 분석

GreenVegetables — Mon, 18 Nov 2024 08:34:27 +0900

환경분석에서 기술 분석 시, 이 기술이 해당 기업에 어떤 영향을 미치는지 파악해야한다.

특히, 이 기술이 해당 고객에게 유용한지 적용 가능한 지를 판단해야한다.

기술의 풀은 가트너나, 국내 정보화 관련 사이트에서 찾을 수 있다.

평가 기준은 정해진 건 없지만, 기술의 적합성, 도입 가능성을 기준으로 기술을 평가하기도 한다.

[오블완 11일차] 주말 출근

GreenVegetables — Sun, 17 Nov 2024 15:34:14 +0900

일이 남아서 주말 출근 중. Make-up 하자.

[일상] 피의 게임 III

GreenVegetables — Sat, 16 Nov 2024 18:26:15 +0900

피의 게임 시즌3가 시작됐다.
오늘 3편을 연달아 봤는데, 출연진 빵빵하고, 스토리가 재미가 있다.^^

[일상] 출근길 짧은 글 하나

GreenVegetables — Fri, 15 Nov 2024 09:53:14 +0900

요즘 오블완 첼린지 참여로 출근길에 토막글을 남기고 있다. 소소한 재미.

현황분석 시 고려사항

GreenVegetables — Thu, 14 Nov 2024 08:41:23 +0900

현황분석은 컨설팅 통해 달성하고자 하는 목표 기준으로 분석을 수행해야한다.

목표가 불분명할 경우,
현황분석도 그렇게 될 확률이 매우 높다..

오블완 챌린지 일주일째

GreenVegetables — Wed, 13 Nov 2024 08:51:07 +0900

의미있는 글을 적고 싶은데, 여러가지 이유로 토막글만 쓰게 된다. ^^;;

개인정보 보호 기술, PET

GreenVegetables — Tue, 12 Nov 2024 08:25:49 +0900

PET(Privacy Enhancing Technology). 개인정보보호 기술.

우리나라 개보위에 의하면, 가명처리가 한 방법이다. 이 밖에도 동형암호화, 차분 프라이버시 등 다양한 기술이 존재한다.

데이터의 활용 가치

GreenVegetables — Mon, 11 Nov 2024 08:39:50 +0900

데이터 자체로는 의미가 없기에,
이를 가공하여 Knowledge 형태로 바꿔서,. 인사이트를 도출해야한다.

현황분석 결과 이슈가 없는 상황이라면??

GreenVegetables — Sun, 10 Nov 2024 19:19:55 +0900

정보화 컨설팅에서 현황분석 시 이슈를 도출하여, 이슈 기반으로 시사점(앞으로 이러이러해야된다는 점)을 도출한다. 시사점이 모여서 개선기회가 되고, 개선기회가 모여서 목표모델이 된다.

근데, 목표 모델의 출발점이 되는 이슈가 없다면 어떻게 해야할까?? 좀 이상하게 들릴 수 있는데, 이슈를 찾기 힘들거나, 아니면 없는 경우도 있을 수 있다. 유지보수 입장에서, 의도적으로 노출시키지 않거나 자체적으로 해결 가능한 것으로 보고 이슈로 보지 않는 것이다.

이런 경우, 관점을 바꿔 현황분석을 해야한다. 어찌됐듯 뭔가 개선 대상이 식별되어야 미래 모델 수립이 가능해지기에...

(To be continued)

비즈니스 vs IT 관점 데이터 거비넌스

GreenVegetables — Sat, 9 Nov 2024 20:05:21 +0900

IT 관점의 데이터 거버넌스가 데이터 품질, 데이터 표준, 데이터 구조를 대상으로 한다면,

비즈니스 관점의 데이터 거버넌스는,
데이터 전략/기획, 데이터 기반 서비스 발굴, 성과관리를 대상으로 볼 수 있다.

비즈와 IT간 데이터 거버넌스를 보는 관점이 다르다.

데이터 거버넌스, 너란 존재

GreenVegetables — Fri, 8 Nov 2024 22:23:16 +0900

거버넌스. 사전적인 의미로는 관리체계로 볼 수 있다. 거버넌스에 대해 서로가 이해하는 게 다를 수 있기에 뜻을 명확히 해야한다.

일반적으로 데이터 거버넌스라 하면,
시스템 운영 관점에서 데이터 품질관리, 데이터 표준관리를 관리하는 체계로 본다.

다만, 데이터 거버넌스 관점을 비즈니스로 보면 관리 대상이 달라질 수 있다..

(To be continued)

[공지] 오늘부터 오블완 챌린지 시작(11.7~11.27)

GreenVegetables — Thu, 7 Nov 2024 08:45:40 +0900

오늘부터 블로그 글 작성 시작!

글도 쓰고, 이벤트도 참여하고.^^

컨설팅의 시작과 끝, 제안요청서(RFP)

GreenVegetables — Sun, 6 Aug 2023 00:36:47 +0900

이번에는 컨설팅의 시작과 끝, 제안요청서에 대해 적어보겠다.

고객의 Pain Points는,
제안요청서에서 '이런저런 기능이나 업무 개선이 필요해서 방안을 마련해야 한다'는 식으로 표현되며, 이는 고객의 요구사항이라고 부른다. 영어로는 requirement(s)다.

공공분야를 예로,
공공기관 담당자(컨설턴트 입장에서는 고객)가 컨설팅 제안요청서를 작성하고 사업 발주시 나라장터에 업로드한다. 이때 컨설팅에 필요한 '예산', 컨설팅 수행에 필요한 '요건'들을 작성하기 위해 컨설턴트의 의견을 구하기도 한다.

원칙적으로 고객이 작성해야 하는 부문이지만, 현실적으로는 컨설턴트의 도움 없이는 쓰기 어려운 부분이 있다.

구축 RFP: 컨설팅 수행 산출물의 마지막 '꽃'

컨설팅 수행시 마지막으로 작성해야 하는 산출물 중 하나가 구축 RFP이다. 실제 컨설팅 결과로 결정된 정보화 시스템의 방향성을 토대로, 시스템의 '구축 대상', '구축 방법' 등을 명시한 문서가 구축 RFP이다.

보통 컨설턴트가 RFP를 작성 시, 고객사의 제안요청서 양식이나 '제안요청서 작성 가이드라인' 내 샘플을 참고해서 작성하면 된다.

정해진 RFP 문서 양식은 없다고 보면 되지만,
작성하다보면 몇가지 팁이 생긴다. 문서 작성은 한글로 한다.

표의 글꼴은 '맑은 고딕'로 통일
표의 양옆은 '선 없음'으로 처리
본문 글에는 '스타일' 적용
스타일로 '자동 목차 ' 생성
그림은 '빈 박스'에 넣어서 좌우 배열이 같도록 배치. 빈 박스 속성은 없음으로 처리
그림 또는 표의 서식은 반드시 속성에서 해당 속성으로 표시. 향후, 그림 또는 표 목차 만들때 편리함

등이 있다.

결론적으로,
구축 RFP는 컨설턴트가 초안을 작성하지만, 향후 고객이 구축 사업을 실제 발주 시 보완 및 업데이트하고 각 구축 업체가 처음 보는 문서이므로, 가독성이 좋고 요구사항을 이해하기 쉽게 명확하고 자세하게 작성해야 한다.

컨설팅의 시작 : 제안요청서, CSR 파트

GreenVegetables — Wed, 2 Aug 2023 23:38:25 +0900

고객의 Pain Points는 제안요청서를 통해 확인할 수 있다.

제안요청서는 조달청의 나라장터에 있다.
각 국가 공공기관에서 발주한 제안요청서를 다운로드 받아 제안요청 내용을 확인해보자.

특히, CSR 요구사항 부분이 컨설턴트가 핵심적으로 수행해야하는 부문으로 CSR 파트를 집중적으로 봐야된다.

컨설팅 요구사항, CSR(Consulting Requirements)

CSR은 컨설팅 수행 대상이자, 고객의 Pain Points를 해결하기 위해 요구하는 것으로 컨설턴트가 매우 중요하게 파악해야 한다. CSR은 또한 컨설팅 수행 산출물 검수의 기준이 되기 때문에 빠짐없이 준비해야한다.

컨설팅의 시작 - 고객의 Pain Points

GreenVegetables — Tue, 1 Aug 2023 22:47:02 +0900

챗GPT에게 '컨설팅의 시작'은 무엇인지 물어봤다.

Q: 컨설팅의 시작

A: 컨설팅은 기업이나 개인의 문제나 과제를 해결하거나 개선하기 위해 전문 지식과 경험을 제공하는 서비스입니다. 컨설팅의 시작은 아래의 단계들로 구성될 수 있습니다:

1. 요구 분석: 고객의 필요와 문제점을 파악합니다.
2. 목표 설정: 문제를 해결하거나 개선하기 위한 구체적인 목표를 설정합니다.
3. 데이터 수집: 현황 분석을 위한 데이터를 수집합니다.
4. 현황 분석: 수집한 데이터를 분석하여 문제의 원인을 파악하거나 기회를 찾습니다.
5. 전략 수립: 문제를 해결하거나 목표를 달성하기 위한 전략을 수립합니다.
6. 실행 계획: 전략을 실행하기 위한 구체적인 계획을 세웁니다.
7. 실행 및 모니터링: 계획을 실행하고 그 결과를 모니터링합니다.
8. 피드백 및 개선: 실행 결과에 따라 필요한 경우 전략이나 계획을 개선합니다.

컨설팅의 시작은 고객의 요구사항과 문제점을 정확히 파악하고, 이를 해결하기 위한 전략과 계획을 수립하는 것이 중요합니다.

챗GPT가 얘기한 컨설팅의 시작은 틀린 말은 아니지만, 엄밀히 보면 컨설팅의 일반적인 수행 절차에 가깝다.

컨설팅의 시작: 고객의 Pain Points

컨설팅의 시작은 고객의 'Pain Point'가 발생했을 때다. 페인 포인트는 고객이 해결해야만 하는 이슈로 인해 갖게되는 불편함으로 해결해야 하는 당면 과제이다.

기업이 당면하는 이슈는 여러가지겠지만, IT 관점에서는 정보시스템의 노후화, 필요한 업무 기능의 부재, 정보통신 기술의 발전에 따른 신규 기술의 도입 필요성, 업무 절차의 변화에 따른 업무지원시스템의 개선 필요성 등 다양한 이슈가 지속적으로 발생한다.

이러한 이슈를 해결하기 위해, 컨설팅이 필요하다. 고객 내부적으로 이슈를 해결하기에는 본업 외 처리하기에 부족한 시간, 관련 지식이나 경험적 한계 등의 이유로 외부의 전문 컨설팅을 요구하게 된다.

컨설팅의 정의

GreenVegetables — Mon, 31 Jul 2023 15:01:01 +0900

챗GPT에 물어봤다.

Q: 컨설팅의 정의

A: "컨설팅"은 영어로 "consulting"의 한글 표기입니다. 컨설팅은 전문가나 전문기관이 특정 분야의 지식과 경험을 바탕으로 조언, 권고, 해결책 등을 제공하는 활동을 의미합니다. 이는 기업, 조직, 개인 등의 특정 문제나 과제를 해결하기 위해 필요한 전략적인 지원을 받기 위해 컨설팅 서비스를 이용합니다.

Q. IT컨설팅의 정의

A: "IT컨설팅"은 정보 기술 분야에 대한 전문 조언과 서비스를 제공한느 활동을 말합니다. IT컨설팅은 기업이나 조직들이 IT 전략, 시스템 구축, 응용 프로그램 개발, 인프라 구축 및 관리, IT 보안, 클라우드 서비스 등과 같은 정보 기술 관련 문제나 목표를 달성하기 위해 필요한 전문 지식과 경험을 제공합니다. IT 컨설턴트는 기술적 지식뿐만 아니라 비즈니스 전략과 프로세스에 대한 깊은 이해를 바탕으로 최적의 IT 솔루션을 권장하고 구현을 도와줍니다.

컨설팅이란 무엇일까?

GreenVegetables — Sat, 29 Jul 2023 23:20:38 +0900

챗GPT에게 물어봤다.

"하루마다 글 쓰고 싶어. IT 컨설팅 관련 주제를 추전해줘"

ChatGPT
하루마다 글을 쓰는 연습은 생각을 정리하고 전문성을 높이는 데 도움이 됩니다. IT 컨설팅 관련 주제 몇 가지를 제시해 드릴게요:

1. IT 컨설팅이란 무엇인가? - 기본 개념과 역사 탐구
2. 최신 IT 트렌드 분석 - 클라우드 컴퓨팅, 빅 데이터, 인공 지능 등
3. 디지털 변환의 중요성 - 기업들이 디지털화를 추구하는 이유
4. IT 컨설팅의 가치 - IT 컨설턴트가 기업에 제공하는 가치와 효과
5. 클라이언트와의 관계 구축 - 성공적인 IT 프로젝트를 위한 관계 형성 방법
6. 기술 선정의 중요성 - 기업의 요구사항과 목표에 맞는 기술을 선택하는 방법
7. IT 프로젝트 실패 사례 분석 - 주요 원인과 해결 방법에 대한 연구
8. 데이터 보안과 컴플라이언스 - 기업의 데이터 보안 중요성 및 관련 법규 준수 방법
9. 하이브리드 클라우드의 이점 - 온프레미스와 클라우드의 결합된 환경의 장점
10. 사용자 경험 (UX)과 IT 컨설팅 - 사용자 중심의 IT 서비스 설계 방법
이 주제들을 바탕으로 연구하고, 자신만의 관점과 경험을 더해 글을 쓰면 흥미로운 내용이 나올 것입니다.

라고 답을 줬다. 사실 다 맞는 얘기인데, 각 주제별로 글을 쭉쭉 써내려가기엔 내공이 깊지 않은거 않다.

그래도 각 주제별로 글을 한번씩 써보면 어떨까??

[인사] 새해 복 많이 받으세요.

GreenVegetables — Fri, 1 Jan 2021 23:51:06 +0900

코로나로 힘들었던 2020.

2021년에는 지금보다 모두 행복한 한 해가 되셨으면 좋겠습니다.

'ggplot2' 표현에 대해 자세히 알아보자 - Part1: qplot (출처: R내 swirl package)

GreenVegetables — Sun, 23 Feb 2020 22:52:48 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 8번 플로팅 시스템(8. GGPlot2 Part1)을 선택한다.

탐색적 분석 과정의 여덟번째 섹션 'ggplot2' 표현 - Part1(요약)
ggplot2는 최신의 플로팅 패키지로, qplot, ggplot을 통해 그래프를 그린다.
qplot을 통해, 스캐터플롯, 히스토그램, 박스플롯을 쉽게 표현할 수 있다.

ggplot2란?

ggplot2는 R의 3가지 플로팅 시스템 중 가장 최신의 플로팅 패키지이다. gg는 grammar of graphics의 약자로, 그래픽에 대한 표현방법을 쉽게 구현했다. ggplot2는 Leland Wilkinson에 의해 최초 만들어졌고, Hadley Wickham에 의해 도입됐다. http://ggplot2.org에 다양한 문서가 있다고 나오는데... 현재 사라졌다.

ggplot2의 주요 기능

ggplot2는 lattice패키지처럼 멀티패널 플롯을 그릴 수 있을뿐만 아니라, 기본 플로팅의 타이틀 및 레이블 등 추가할 수 있다. R의 기본으로 탑재된 기능을 통해 그래프를 그리며, 크기, 모양, 색상, 포인트, 선, 바 등의 조합으로 그래프를 그릴 수 있게 한다.

ggplot2의 2개의 중요 함수로는 qplot과 ggplot이 있다. 이중 ggplot이 더 자유로운데, qplot부터 배워보자.

qplot의 예제

> qplot(displ, hwy, data=mpg) #ggplot2에 내제된 mpg란 데이터에서, 엔진 교체가 갤런당 마일에 대해 그래프를 그려보자.

> qplot(displ, hwy, color=drv, data=mpg) #위의 예제에서 drv의 색상에 따른 그래프를 그려보자. drv는 전동휠, 후방휠, 4륜으로 구분된다.

> qplot(displ, hwy, color=drv, geom = c("point", "smooth"), data=mpg) #여기다, 각 데이터 포인트에 대한 선을 그려보자. 회색으로 표시된 부분은 95% 신뢰구간을 표현한다. geom을 사용할 때는 " " 스트링 형태로 표현한다.

> qplot(y=hwy, data=mpg, color=drv) #hwy값을 y로 놓고, 그래프를 그리면 어떨까? 이러면, 전체 hwy 데이터의 순서대로 각 데이터 값을 출력한다.

> qplot(drv, hwy, data=mpg, geom="boxplot") #qplot으로 boxplot도 그릴 수 있다. 그려보자. 드라이브 형태에 따른 3가지 박스플롯을 보여준다.

> qplot(drv, hwy, data=mpg, geom="boxplot", color=manufacturer) #여기서 색상을 제조사로 구분해보자. 좀 복잡해보여도, 3개의 플롯의 제조사별 세부 그래프를 보여준다.

> qplot(hwy, data=mpg, fill=drv) #히스토그램도 표현 가능하다. mpg데이터의 hwy의 빈도수를 drv의 변수값에 따라 표현해보자.

> qplot(displ, hwy, data=mpg, facets = .~drv) #이번에는 한 페널에 표현하지 말고, 3개의 페널로 구분해서 표현해보자. facets의란 변수를 통해 각 데이터를 drv 변수에 따라 구분해서 표현해보자.

> qplot(hwy, data=mpg, facets = drv ~ . , binwidth = 2) #히스토그램도 그려보자. drv에 대해 각 행을 표현(3 by 1)하고, 히스토그램 가로는 2로 설정한다.

(To Be Conintued)

'색상' 표현에 대해 자세히 알아보자 - RcolorBrewer(출처: R내 swirl package)

GreenVegetables — Sun, 23 Feb 2020 22:42:57 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 7번 플로팅 시스템(7. Working with Colors)을 선택한다.

탐색적 분석 과정의 일곱번째 섹션 '색상' 표현 - RcolorBrewer(요약)

RcolorBrewer는 CRAN에 있는 패키지로, 3가지 형태 순차적(sequential), 분기적(divergent), 질적(qualitative)으로 표현 가능하다.

RcolorBrewer

RcolorBrewer는 CRAN에 있는 패키지로, 3가지 형태로 표현 가능하다.

- 순차적(sequential): 아래 그림에서 제일 윗 부분. 왼쪽에서 오른쪽으로 색이 진해진다.

- 분기적(divergent): 그림에서 밑 부분. 가운데는 흰색이고 왼쪽, 오른쪽으로 색 강도가 진해진다.

- 질적(qualitative): 그림에서 중간 부분. 랜덤 형태로 보인다.

RcolorBrew 예시

cols <- brewer.pal(3, "BuGn") # 3가지 색상을 원하고, 순차적의 마지막에서 2번째 팔레티를 활용하겠다고 지정한다.

showMe(cols) # 색상을 확인해보자. 파란색과 녹색의 조합으로 3가지 색상을 표현해준다.

pal <- colorRampPalette(cols) # RcolorBrew 색상을 colorRampPalette로 지정해본다.

showMe(pal(20)) # 20가지 색상을 표현해보자. 3으로 지정하면 위와 같은 결과를 보여준다.

image(volcano, col = pal(20)) # volcano란 데이터셋의 Auckland's Maunga Whau Volcano에 대해, 20개 색으로 표현해보자.

image(volcano, col = p1(20)) #전에 세팅한 p1값으로 색을 표현해보자. 위 색상 표현이 훨씬 보기 좋다.

'색상' 표현에 대해 자세히 알아보자 - alpha값 불투명 설정(출처: R내 swirl package)

GreenVegetables — Mon, 17 Feb 2020 23:57:40 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 7번 플로팅 시스템(7. Working with Colors)을 선택한다.

탐색적 분석 과정의 일곱번째 섹션 '색상' 표현 - alpha값 불투명 설정(요약)
- 데이터 표현시, alpha값을 통해 데이터 표현을 보다 명확히 할 수 있다.

alpha값을 통해 불투명도 설정

> p1 # p1을 실행해보자.

function (n)
{
    x <- ramp(seq.int(0, 1, length.out = n))
    if (ncol(x) == 4L)
        rgb(x[, 1L], x[, 2L], x[, 3L], x[, 4L], maxColorValue = 255)
    else rgb(x[, 1L], x[, 2L], x[, 3L], maxColorValue = 255)
}

입력받는 n값에 따라 0에서 1까지의 값을 나눈다.

> ?rgb # rgb 값을 실행해보자.

rgb(red, green, blue, alpha, names = NULL, maxColorValue = 1)

rgb값은 6개 변수를 가지며, 이중 alpha 값도 추가로 설정할 수 있다.

> p3 <- colorRampPalette(c("blue","green"), alpha=0.5) # alpha 값을 추가하여 p3값을 설정해보자.

[1] "#0000FFFF" "#003FBFFF" "#007F7FFF" "#00BF3FFF" "#00FF00FF"

alpha값이 추가된 값을 보여준다. alpha값은 불투명도 레벨(opacity level)을 표현한다.

> plot(x, y, pch=19, col=rgb(0, 0.5, 0.5)) # rgb값 색상으로 표현해보자. x, y값은 swirl에서 세팅했다.

어떤 곳이 집중됐는지 확인하기 어렵기 때문에, 이때 alpha값 적용하면 보기가 쉬워진다.

> plot(x, y, pch=19, col=rgb(0, 0.5, 0.5, 0.3)) # alpha값 0.3을 추가해서 표현해보자.

(To Be Continued)

'색상' 표현에 대해 자세히 알아보자 - colorRampPalette (출처: R내 swirl package)

GreenVegetables — Sun, 16 Feb 2020 16:41:03 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 7번 플로팅 시스템(7. Working with Colors)을 선택한다.

탐색적 분석 과정의 일곱번째 섹션 '색상' 표현 - colorRampPalette (요약)
- colorRampPalette도 colorRamp와 마찬가지로 색상의 조합으로 새로운 색상을 만든다. 리턴값으로 정수값을 갖고, 색상별 벡터값을 갖는다.
- 각 리턴값은 24비트로 구성되며, 0에서 F값을 갖는다. 6개의 헥사값은 빨간색, 파란색, 파란색 강도를 표현한다.

colorRampPalette

colorRampPalette도 colorRamp와 마찬가지로 색상의 조합으로 새로운 색상을 만든다. 리턴값으로 정수값을 갖고, 색상별 벡터값을 갖는다. 각 리턴값은 24비트로 구성되며, 0에서 F값을 갖는다. 6개의 헥사값은 빨간색, 파란색, 파란색 강도를 표현한다.

p1 <- colorRampPalette(c("red","blue")) # colorRampPalette에 빨간색 및 파란색 값을 팔레트 값으로 지정한다.

p1(2) # 입력해보면, 다음의 값을 출력한다.

[1] "#FF0000" "#0000FF"

첫번째 값은 255인 빨간색이며, 두번째 값은 255인 파란색이다.

p1(6) # 입력해보면, 6개의 색상값을 출력한다.

[1] "#FF0000" "#CC0033" "#990066" "#650099" "#3200CC" "#0000FF"

2번째 값에 대해

> 0xcc # cc 헥사값을 입력해보면

204

값을 출력한다.

> 0x33 # 33 헥사값은

이다.

확인해보면, 기존 colorRamp 의 seq(0,1,len=6) 통해 생성한 값과 비교하면, 4개는 같고, 2개는 살짝 다르다.

colorRampPallete 함수는 빨간, 녹색, 파란색 외의 색상으로 팔레트 생상 조정이 가능하다.

> p2 <- colorRampPalette(c("red", "yellow")) # 빨간색 및 노란색으로 지정해보자.

> p2(2) # 2가지 색상의 조합으로 생성 가능한 색의 2개 한계값을 보여준다.

"#FF0000" "#FFFF00"

Source: lucaskrech.com

> p2(10) #빨간색과 노란색의 10개 조합에 대해 보여준다.

[1] "#FF0000" "#FF1C00" "#FF3800" "#FF5500" "#FF7100" "#FF8D00" "#FFAA00" "#FFC600" "#FFE200" "#FFFF00"

#FF0000 : 빨간색

#FFFF00 : 노란색

> showMe(p1(20)) # swirl에서 R 문서의 color.scale의 코드를 참조하여 구성한 showMe 함수를 활용해보자.

> showMe(p2(20)) # p2에서 생성한 20가지 색상에 대해 표현해보자.

> showMe(p2(2)) # p2에서 생성한 2가지 색상에 대해 표현해보자.

(To be Continued)

'색상' 표현에 대해 자세히 알아보자 - colorRamp (출처: R내 swirl package)

GreenVegetables — Sat, 15 Feb 2020 23:41:29 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 7번 플로팅 시스템(7. Working with Colors)을 선택한다.

탐색적 분석 과정의 일곱번째 섹션 '색상' 표현 - colorRamp (요약)
- 색상 표현은 데이터 분석 결과 표현 또는 강조하는 등 의사결정 표현에 좀 더 도움을 준다.
- colorRamp는 RGB(red, green, blue)에 대한 값들을 통해 색상을 생성한다.

기본 색상 표현

기본적으로, R은 Col 값을 통해 색상을 표현한다. 기본 값 3가지는 다음과 같다.

col = 1 : 검정

col = 2 : 빨강

col = 3 : 녹색

grDevices 패키지에서 표현 가능한 칼라는....

- heat.colors() : 낮은 값 빨강색에서 높은 값 흰색으로 표현한다.

- topo.colors() : 낮은 값 파란색에서 높은 값 갈색으로 표현한다.

> sample(color(), 10) # color로 표현 가능한 10개 샘플을 보여준다. color 함수는 657개의 사전 정의된 색상값을 갖고 있다.

[1] "gray32" "cadetblue2" "slateblue2" "coral3" "grey50" "grey39" "springgreen3"
[8] "gray35" "seashell4" "orange4"

color() 색상은 colorRamp 또는 colorRampPalette을 이용해 새색상을 만드는데 쓸 수 있다. 2개 함수는 color 값을 "팔레트" 형태로 이용해서 새색상에 만드는데 활용한다.

- colorRamp: color값들의 브렌딩하여, 색상을 만든다. 값은 0부터 1까지의 값을 갖는다.

colorRamp

colorRamp는 RGB(red, green, blue)에 대한 값들을 통해 색상을 생성한다. 리턴값은 0부터 1까지의 값을 가지며, 8비트씩 24비트 값을 갖는다.

> pal <- colorRamp(c("red", "blue")) # 실행해보자. 빨간색과 파란색을 섞는 색상을 표현해보자.

'pal' 변수는 빨간색과 파란색의 변화로 설정된다.

> pal(0) # '0' 확인해보면,
[,1] [,2] [,3]
[1,] 255 0 0

확인할 수있다.

> pal(1) # '1' 확인해보면,
[,1] [,2] [,3]
[1,] 0 0 255

확인할 수있다.

> pal(0.5) # '0.5'를 확인해보면,
[,1] [,2] [,3]
[1,] 127.5 0 127.5

확인할 수있다.

> pal(seq(0, 1, len=6)) #0, 1까지 6개의 값들을 확인해보자. 6개 값은 각각 3가지값을 갖는 벡터 값을 출력한다.

     [,1] [,2] [,3]
[1,]  255 0 0
[2,]  204 0 51
[3,]  153 0 102
[4,]  102 0 153
[5,]   51 0 204
[6,]    0 0 255

벡터 생성은 pal(i/5) 다음 값 i= 0, 1, 2, 3, 4, 5에 대해 생성된다.

(To be Continued)

'Lattice' 시스템에 대해 자세히 알아보자 - 그래픽 예시 (출처: R내 swirl package)

GreenVegetables — Fri, 14 Feb 2020 22:44:12 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 6번 플로팅 시스템(6. Lattice Plotting System)을 선택한다.

탐색적 분석 과정의 여섰번째 섹션: 'Lattice' 시스템 - 그래픽 예시(요약)
- ggplot2내의 diamonds 데이터를 통해 xyplot 그래프 표현 예시를 살펴본다.

그래픽 예시

ggplot2에 담긴 diamonds 데이터를 통해 Lattice 그래프를 확인해보자.

> str(diamonds) # diamonds 데이터의 구성을 살펴보자

> table(diamonds$color) # diamonds 데이터의 칼라를 살펴보자

총 7개의 칼라가 존재하는 걸 알 수 있다.

> table(diamonds$color, diamonds$cut) # 다이아몬드 색상과 커팅별로 살펴보자.

가장 흔한 값은 아이딜 커팅에, G칼라이다.

> myedit("myLabels.R") #swirl에서 세팅한 값을 확인해보자.

myxlab <- "Carat"
myylab <- "Price"
mymain <- "Diamonds are Sparkly!"

> source(pathtofile("myLabels.R"), local=TRUE) # 해당 값을 실행해보자. 위 3가지 변수가 R에 생성된다.

> xyplot(price ~ carat | color*cut, data=diamonds, strip = FALSE, pch=20, xlab = myxlab, ylab = myylab, main = mymain) # 다이아몬드 색상 및 커팅별로 캐롯이 가격에 대한 그래프를 그려보자. 총 35개를 보여준다(7 x 5).

> xyplot(price ~ carat | color*cut, data=diamonds, pch=20, xlab = myxlab, ylab = myylab, main = mymain) # strip레벨 제외하고, 그래프를 표현해보자.

strip을 레벨 표현 여부를 결정한다.

'Lattice' 시스템에 대해 자세히 알아보자 - trellis 기능: panel (출처: R내 swirl package)

GreenVegetables — Thu, 13 Feb 2020 23:25:33 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 6번 플로팅 시스템(6. Lattice Plotting System)을 선택한다.

탐색적 분석 과정의 여섰번째 섹션: 'Lattice' 시스템 - trellis 기능: panel(요약)
- Lattice 그래픽 시스템은 trellis란 클라스 오브젝트를 남긴다. 그래프 정보는 trellis 오브젝트를 통해 정보가 저장되며, print 함수 등을 통해 trellis에서 생성한 오브젝트를 출력하는 단계를 거친다.
- Panel은 trellis 값들 중 하나로, 그래프 표현 방식에 관여한다.

Lattice 의 trellis 기능

기본 플로팅 시스템은 Lattice와는 달리 직접 그래픽 디바이스(화면 또는 파일 등)에 표현하는데, Lattice 그래픽 시스템은 trellis란 클라스 오브젝트를 남긴다. 즉, Lattice 그래프는 print란 기능의 함수가 trellis에서 생성한 오브젝트를 출력하는 단계를 거친다(Lattice 그래픽 정보를 변수에 담을 수 있다).

p <- xyplot(Ozone ~ Wind, data=airquality) # airquality란 데이터에 대해, Wind와 Ozone 값 표현 함수를 p에 저장한다.

print(p) # p를 출력한다. p라고 쳐도 된다.

names(p) # p에 있는 속성(properties)을 살펴본다.

총 45개 속상값이 있다.

mynames[myfull] # 이중 값이 'null'값이 아닌 것을 살펴보자. swirl 자체적으로 구현한 변수 mynames로 확인한다.

총 29개 변수가 값들이 저장되있다.

p[["formula"]] # formula안에 담긴 값을 출력한다.

Ozone ~ Wind

p[["x.limits"]] # x 값의 최소, 최대치를 확인한다.

[1] 0.37 22.03

table(f) # swirl에서 f란 값에 x에 대한 y값 50개, 랜덤 값 50개를 'f'에 넣었다. table(f)를 실행해보자.

이 나온다.

xyplot(y~x|f, layout=c(2,1)) # 그룹 2개에 대해, x, y 값을 출력해보자. 데이터는 직접 지정해주미 않으면, 기존 부모 데이터 값을 R에서 자동 참조한다. 레이아웃은 한 행에 2개 그래프를 표현하도록 한다.

> v1 # v1을 실행해보면, 그룹 1에 대한 x, y값의 범위가 나온다.

[1] -2.185287 1.101780 -2.716851 1.569850

처음 2개가 x값의 범위이고, 다음 2개가 y값의 범위이다.

> v2 # v2을 실행해보면, 그룹2에 대한 x, y값의 범위가 나온다.

[1] -1.6066772 2.2205197 -0.1605085 2.0341048

myedit("plot1.R") # 위 R 그래프를 그리기 위한 코드를 살펴보자.

p <- xyplot(y ~ x | f, panel = function(x, y, ...) {
panel.xyplot(x, y, ...) ## First call the default panel function for 'xyplot'
panel.abline(h = median(y), lty = 2) ## Add a horizontal line at the median
})
print(p)
invisible()

panel 속성은 2개로,

첫번째는, 3가지 기본 변수값(x, y, ...) 토대로 그래프를 그리며, 여기서 '...' 은 다른 그래픽 변수값이다.

두번째는 패널간 구분선을 긋는 형식을 정한다.

source(pathtofile("plot1.R"), local=TRUE) # 로컬에 저장된 'plot1.R'의 코드를 swirl내 변수값 토대로 실행해보자.

> myedit("plot2.R") # plot2.R 코드를 확인해보자.

p2 <- xyplot(y ~ x | f, panel = function(x, y, ...) {
panel.xyplot(x, y, ...) ## First call default panel function
panel.lmline(x, y, col = 2) ## Overlay a simple linear regression line
})
print(p2)
invisible()

source(pathtofile("plot2.R"), local=TRUE) # 로컬 컴퓨터에 저장된 plot2.R에 대해 그래프로 그려보자.

'Lattice' 시스템에 대해 자세히 알아보자 - xyplot (출처: R내 swirl package)

GreenVegetables — Wed, 12 Feb 2020 23:52:56 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 6번 플로팅 시스템(6. Lattice Plotting System)을 선택한다.

탐색적 분석 과정의 여섰번째 섹션: 'Lattice' 시스템 - xyplot(요약)
- Lattice 시스템은 'Trellis' 그래픽을 R에 구현한 시스템이다.
- 크게 'Lattice', 'Grid' 패키지로 구성된다.
- Lattice 시스템은 그래픽을 표현할 때 기본 플로팅 시스템과 달리 한번에 표현한다.
- xyplot은 스캐터플롯(x, y값) 표현할 떄 쓰이는 Lattice 함수이다.

Lattice 시스템이란

Lattice 시스템은 'Trellis' 그래픽을 R에 구현한 시스템이다. 기본 그래픽 시스템과는 별도로 설치하여 실행하여야 한다. 데이터 시각화의 강력한 도구이며, 다변수 그래픽 표현에 유용하다. Lattice 시스템은 크게 2가지 패키지로 구성된다.

Lattice 구성

'Lattice', 'Grid' 패키지로 2가지로 구현된다.

- Lattice 패키지: Trellis 그래픽을 구현하는데 필요한 코드를 담고 있다. 함수로는 xyplot(scatterplot용), bwplot(or boxplot, bow and whisker용), stripplot, dotplot, splom and levelplot 등이 있다.

- Grid 패키지: 로우레벨 함수가 담겨있으며, Lattice 패키지의 기반이다. 사용자가 직접 호출하는 경우는 적다.

Lattice 예시: xyplot

Lattice 시스템은 그래픽을 표현할 때 기본 플로팅 시스템과 달리 한번에 표현한다.

xyplot(y ~ x | f * g, data) # x 값에 따른 y 값에 대해 보여준다. 이때 f * g 값이 조건 변수로 적용된다. data는 대상 데이터 프레임 또는 리스트이며, 값이 지정되지 않으면 기존 부모 프레임 또는 기본 값이 적용된다.

xyplot(Ozone ~ Wind, airquality) # 바람이 오존값에 어떤 영향을 미치는지 그래프를 그려보자.

xyplot(Ozone ~ Wind, airquality, pch=8, col ="red", main ="Big Apple Data") # 그래픽 표현 모양을 바꿔서 다시 그려보자.

xyplot(Ozone ~ Wind | as.factor(Month), airquality, layout=c(5,1)) # 달별로 바람이 오존에 어떤 영향을 미치는지 그려보자.

xyplot(Ozone ~ Wind | Month, airquality, layout=c(5,1)) # 조건에 Month로 표시하면 R이 변수의 값들을 표현하지 않아 정보전달력이 떨어진다.

(To be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - mfrow, mtext 예시 (출처: R내 swirl package)

GreenVegetables — Tue, 11 Feb 2020 00:07:04 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - par의 mfrow(요약)
mfrow를 통해 그래프 표시 방법을 세팅한다.

mfrow 값 변경을 통한 그래프 표시 변경 예시

par(mfrow = c(1,2)) # 행 1나에 그래프 2개를 표시하도록 세팅한다.

plot(airquality$Wind, airquality$Ozone, main = "Ozone and Wind") # 그래프 1개를 그린다.

plot(airquality$Ozone, airquality$Solar.R, main = "Ozone and Solar Radiation") # 2번째 그래프를 그린다.

par(mfrow =c(1, 3), mar=c(4,4,2,1), oma=c(0, 0, 2, 0)) # 그래프 표시방법을 세팅한다. 마진은 그래프 라인에 얼마만큼의 라인만큼 떨어트릴지 세팅한다. 기본값은 5.1, 4.1, 4.1, 2.1 인데, 여기서는 텍스트에 여유를 두기 위해 조금더 마진을 좁힌거다. 마진은 아래부터 시계방향으로 세팅한 값이다.

plot(airquality$Wind, airquality$Ozone, main="Ozone and Wind") # 첫번째 그래프를 그린다.

plot(airquality$Solar.R, airquality$Ozone, main="Ozone and Solar Radiation") #두번째 그래프를 그린다.

plot(airquality$Temp, airquality$Ozone, main = "Ozone and Temperature") # 세번째 그래프를 그린다.

mtext("Ozone and Weather in New York City", outer= TRUE) # 최종 제목을 추가한다.

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - legend, abline! (출처: R내 swirl package)

GreenVegetables — Mon, 10 Feb 2020 00:36:04 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - legend(요약)
legend란 함수를 통해 범례를 추가할 수 있다.

'범례(legend)' 추가 예시

legend("topright", pch=c(17, 8), col=c("blue", "red"), legend=c("May","Other Months")) # 오른쪽 위에 범례를 추가한다.

'abline' 추가 예시

abline(v=median(airquality$Wind), lty = 2, lwd = 2) #Wind의 중간값에 점선을 그리고, 선두께는 2로 한다.

(To Be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - 그래프화 단계별 예시! (출처: R내 swirl package)

GreenVegetables — Sun, 9 Feb 2020 00:12:02 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - 그래프 예시(요약)
plot -> title -> points 로 단계별 그래프화 예시를 보여주낟.

단계별 그래프화 예시

plot(airquality$Wind, airquality$Ozone, type = "n") # 데이터를 넣지 않은 상태로, 그래프를 그린다.

title(main = "Wind and Ozone in NYC") # 제목을 그래프에 추가한다.

may <- subset(airquality, Month == 5) # 5월달에 대한 데이터를 may란 변수에 저장한다.

points(may$Wind, may$Ozone, col= "blue", pch=17) #may에 저장된 wind와 ozone의 데이터를 파란색 삼각형 형태로 추가한다.

notmay <- subset(airquality, Month != 5) #5월달 외의 데이터를 notmay에 추가한다.

plot(notmay$Wind, notmay$Ozone, col="red", pch=8) # 빨간색 눈송이 형태로, wind 및 ozone을 표시한다.

(To Be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - text, title, points, lines, mtext(출처: R내 swirl package)

GreenVegetables — Sat, 8 Feb 2020 19:01:34 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - text, title, points, lines(요약)
기본 그래프에 텍스트, 제목, 포인트, 라인, 그리고 mtext를 통한 축 관련 정보를 추가 할 수 있다.

그래프 추가(Annotating) 기능

- x, y 축 레이블: 레이블명 추가

- 제목: 제목을 추가

- 부제목(subtitle): 부제목을 추가

- 마진: 마진을 추가

- mtext: 내/외부 마진에 축 tick 및 레이블을 추가

- legend: 범례 표시

(To Be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - par (출처: R내 swirl package)

GreenVegetables — Fri, 7 Feb 2020 01:10:48 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - par(요약)
par를 통해 그래프변수를 다양하게 설정 가능하다.
par()를 통해 설정한 값은 모든 그래프를 그리는데 영향을 미친다.

R 그래프 변수를 설정하는 'par()' 예시

length(par()) #par 변수의 숫자를 파악해보자.

[1] 72

총 72개 변수를 설정할 수 있다.

names(par()) #par 변수명을 확인해보자.

?par #par에 대해 궁금할 때 매뉴얼을 확인해보자.

par()$pin #pin 변수, 그래프 인치 치수값에 대해 확인해보자.

[1] 6.312083 3.972500

par("fg") #par('fg'), par()$fg로도 표현 가능하며, fg는 포그라운드(전경생) 색상을 말한다.

[1] black

par()$bg #bg는 백그라운드(배경색) 색상을 말한다.

par("pch") #plot character에 대한 세팅을 할 수 있다. 기본값은 1이다.

[1] 1

1값은 '빈 원' 기본값을 말한다.

par("lty") #line type에 대한 세팅을 할 수 있다. 기본값은 "solid" 직선이다.

[1] "solid"

par("lwd") #line width에 대한 세팅을 할 수 있다. 기본값은 "1"이며, 양의 정수값을 갖는다.

xlab, ylab은 각각 x축 레이블, y축 레이블에 대해 말한다.

dev.off #기본값으로 세팅한다.

plot.new #기본값으로 세팅한다.

추가적인 변수 세팅 시, 이 기본값들 대신 다른 세팅한 값이 적용된다.

- las(축 레이블 구성)

- bg(배경색)

- mar(외부 마진 사이즈)

- mfrow(number of plots per row로 행당 그래프 수, 행부터 그래프를 채운다.)

- mfcol(number of plots per column로 열당 그래프 수, 열부터 그래프를 채운다.)

(To Be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자 - scatterplot(출처: R내 swirl package)

GreenVegetables — Thu, 6 Feb 2020 02:26:36 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - scatterplot (요약)
with(데이터명, plot(x축 변수명, y축 변수명))을 통해 2개 변수에 대해 그래프를 그린다.

간단한 2개 변수 그리기 작업 예시

with(airquality, plot(Wind, Ozone)) # airquality 데이터에 대해 Wind와 Ozone간의 관계를 그래프로 보여준다. 대소문자에 유의한다.

title(main="Ozone and Wind in New York City") #제목을 추가해준다.

(To Be Continued)

R의 기본 플로팅 시스템에 대해 좀 더 자세히 알아보자- plot, boxplot (출처: R내 swirl package)

GreenVegetables — Wed, 5 Feb 2020 02:23:25 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 5번 플로팅 시스템(5. Base Plotting System)을 선택한다.

탐색적 분석 과정의 다섯번째 섹션: 기본 플로팅 시스템 - plot, hist, boxplot(요약)
기본 플로팅 함수는 단계별로 기본함수(plot, hist, boxplot 등)를 그리고, 추가 작업(text, abline, points)을 그래프에 더해 보고자 하는 그래프를 완성한다.

기본 플로팅 시스템은 크게 'graphics' 패키지, 'grDevices' 패키지가 있다.
'graphics' 패키지에는, plot, hist, boxplot, barplot 등의 플로팅 함수가 있다.
'grDevices' 패키지에는, X11, PDF, PostScript, PNG 등 다양한 모든 코드로 추가한 함수가 있다.
기본 플로팅 함수는 단계별로 기본함수(plot, hist, boxplot 등)를 그리고, 추가 작업(text, abline, points)을 그래프에 더해 보고자 하는 그래프를 완성한다.
그래프를 그리기 전에,
- 데이터의 많고 적음 여부
- 그래프를 다이나믹하게 크기 변경이 필요한지 여부 등
을 고려한다.

'grpahics' 패키지에 대한 기본 그래프 그리기 작업

airquality 데이터를 통해, 기본 플로팅 함수를 그려보자. airquality 데이터는 1973년 뉴욕의 5개월간 오존 등 공기에 관한 데이터 항목을 측정한 결과이다.

table(airquality$Month) #Month값에 대해 각 값에 대한 빈도수를 보여준다.

5 6 7 8 9
31 30 31 31 30

5월부터 9월까지의 데이터란 걸 알 수 있다.

head(airquality) # airquality의 데이터 헤더 구조를 살펴본다.

총 6개의 항목에 대한 데이터값들이 있다.

range(airquality$Ozone, na.rm = TRUE) # ozone항목의 결측치를 제외한 범위를 보여준다.

[1] 1 168

총 168개의 값들이 있다. 이 값들에 대해 hist을 통해 분포를 알아보자.

hist(airquality$Ozone) # Ozone의 분포를 보여준다. 제목 및 축값들은 R에서 자동으로 초기 생성한다.

boxplot(Ozone ~ Month, airquality) #airquality 데이터의 Ozone에 대한 Month값을 보여준다. 타이틀을 자동 생성하지 않는다.

boxplot(Ozone ~ Month, airquality, xlab="Month", ylab ="Ozone (ppb)", col.axis = "blue", col.lab = "red") # x축명, y축명, 축색깔, 레이블색을 지정한다.

title(main="Ozone and Wind in New York City") # 타이틀 제목을 추가한다.

(To Be Continued)

R의 플로팅 시스템에 대해 배워보자! (출처: R내 swirl package)

GreenVegetables — Tue, 4 Feb 2020 00:48:40 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 4번 플로팅 시스템(4. Plotting Systems)을 선택한다.

탐색적 분석 과정의 네번째 섹션: 플로팅 시스템(요약)
R 플로팅 시스템은 크게 3가지, '기본 시스템', 'Lattice 패키지', 'ggplot2 패키지'로 구현 가능하다.

1. 기본 플로팅 시스템

기본 플로팅 시스템은 'Artist's palette' 모델을 사용한다. 아무 것도 없는 데서 단계별로 그래프를 그려나간단 말이다. 장점은 매우 직관적이고 사용하기 쉽다는 것이고, 단점으로는 전에 그래프 단계로 돌아갈 수 없다.

예) with(cars, plot(speed, dist)) # cars란 데이터에서 speed를 x축, dist 항목을 y축에 대해 그래프를 그린다.

예2) text(mean(cars$speed), max(cars$dist), "SWIRL rules!") # speed평균값, dist 최대값 위치에 "SWIRL rules!"를 출력한다.

2. Lattice 패키지 기반 플로팅 시스템

lattice란 패키지를 통해 구현하는 플로팅 시스템이다. xyplot나 bwplot로 한번에 그래프를 표현할 수 있다. x 값에 따른 y값이 z의 상태 변화에 따라 어떻게 변하는지 표현하거나, 많은 데이터를 표현할 때 유용하다. 단점으로는, 그래프를 함수로 표현하기 어려운 경우가 존재하고, 패널 함수나 서브스크립트을 사용하기 힘들거나, 한번 그려진 그래프에 추가하기 힘들다.

예1) xyplot(Life.Exp ~ Income | region, data=state, layout=c(4,1)) # state 데이터에 대해, income이 Life.Exp에 어떤 영향을 미치는지, region별로 보여준다. 그래프는 4개의 항목을 하나의 행에 보여준다.

예2) xyplot(Life.Exp ~ Income | region, data=state, layout=c(2,2)) #레이아웃을 2 x 2로 바꿔서 표현해보자.

3. ggplot2 패키지 기반 플로팅 시스템

ggplot2 패키지 기반 플로팅 시스템은 lattice처럼 한번에 그래프를 표현할 수 있으면서도, 기본 플로팅 시스템과 같이 그래프에 추가 작업을 할 수 있다. 패키지는 'grammar of graphic' 기반(gg 이름 출처)하며, lattice와 유사하지만, 일반적으로 더 쉽고 직관적으로 그래프를 표현할 수 있다.

예) qplot(displ, hwy, data =mpg) # mpg 데이터의 엔진 배치가 고속도로 가스 마일리지에 어떤 영향을 미치는지 보여준다.

R의 그래픽 디바이스에 대해 배워보자(출처: R내 swirl package)

GreenVegetables — Mon, 3 Feb 2020 23:33:53 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

Exploratory Graphs 과정에서 3번 그래픽 디바이스 R(3. Graphics Devices in R)을 선택한다.

탐색적 분석 과정의 세번째 섹션: 그래픽 디바이스 in R(요약)
R 그래픽은 크게 '컴퓨터 스크린 화면' 또는 '파일'로 출력한다.

R 그래픽은 크게 '화면' 또는 '파일'로 출력한다.

?Devices # 사용 가능한 디바이스를 확인한다.
그래픽은 한번에 하나의 디바이스에만 보낼 수 있다.
dev.cur() # 현재 사용하는 디바이스 정보를 출력한다.
dev.set(<숫자>)을 통해 R에서 출력하고자 하는 디바이스를 세팅할 수 있다. <숫자>는 2 이상의 값을 갖는다.
dev.copy 을 통해 디바이스간 그래프를 복사할 수 있다.
예) dev.copy(png, file = "geyserplot.png")
dev.copy2pdf 을 통해 pdf에 그래프를 저장할 수 있다.
dev.off() # 그래프를 파일로 보내고 나서 해당 디바이스는 반드시 끝마쳐야 한다.

1. 스크린에 그래프를 보여줄 때 쓰는 함수들

윈도우는 windows(), 맥은 quartz(), 유닉스/리눅스는 x11() 통해 스크린에 출력한다.

plot()

예1) with(faithful, plot(eruptions, waiting)) # plot 함수 예시

예2) title(main = "Old Faithful Geyser data") # 타이틀 제목 추가

xyplot()
qplot()

2. 파일에 그래프을 보낼 때 쓰는 함수들

파일의 경우는 그래픽을 PDF, PNG, JPEG, SVG, TIFF 등으로 보낼 수 있다.

pdf(file="myplot.pdf") # 그래프를 "myplot.pdf" 파일에 저장한다.

벡터 디바이스 #라인, 단색 및 데이터가 많지 않을 때 주로 사용한다.

- PDF: 직선 및 페이퍼 사용에 적합

- SVG: 애니매이션, 상호작용, 웹 사용에 적합

- win.metafile: 윈도우 전용 메타 포맷임

- postscript(ps): 크기 변환이 자유로운데, 윈도우에는 뷰어가 잘 없다.

비트맵 디바이스 #데이터가 많고, 자연스런 장면, 웹에 주로 사용한다.

- PNG(Portable Network Graphics): 직선 및 단색 기반 이미지 사용에 적합. 미손실 압축 기법 적용함. 데이터가 많은데 좋지만, 크기 변환은 잘 안됨.

- JPEG: 사진 또는 자연스런 화면 사용에 적합. 많은 데이터를 다룰 수 있음. 크기 변환은 잘 안됨. 라인 그래프에는 부적합함.

- tiff: 미손실 압축 파일 포맷

- bmp: 윈도우에 내재된 비트맵 포맷

탐색적 데이터 분석 코스를 배워보자 : 탐색적 그래프 -2차원 정보 표현(출처: R내 swirl package)

GreenVegetables — Sun, 2 Feb 2020 18:23:03 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

탐색적 분석 과정의 두번째 섹션: 탐색적 그래프 - 2차원 정보 표현 방법들(요약)
boxplot() # 2개 데이터 항목에 대해 boxplot 형태를 보여준다.
par() # r에서 그래프를 보여주는 레이아웃을 정한다. 예를 들어 그래프 레이아웃과 그래프 아래, 왼쪽, 위, 오른쪽 순으로 마진 크기을 정한다.
subset() # 데이터 프레임, 벡터, 또는 메트릭스에서 원하는 데이터를 추출한다.
with() # 데이터 항목을 메모리 상에 로딩한다.
plot() # x, y 형태로 그래프 점으로 표현한다.

boxplot() # 2개 데이터 항목에 대해 boxplot 형태를 보여준다.

예) boxplot(pm5 ~ region, data = pollution, col="red") # 데이터 pollution에서 pm5에 대해 region이 어떤 영향을 미치는지, 박스플롯 형태로 보여준다. 박스색은 빨간색이다.

par() # r에서 그래프를 보여주는 레이아웃을 정한다. 예를 들어그래프 레이아웃과 그래프 아래, 왼쪽, 위, 오른쪽 순으로 마진 크기을 정한다.

예1) par((mfrow=c(2, 1), mar=c(2, 1, 1, 1)) # 2개의 그래프를 한 열에 보여주고, 아래 라인 2, 왼쪽 1, 위 1, 오른쪽 1 형태로 마진을 정한다.

예2) latitudepar(mfrow=c(1, 2), mar = c(5, 4, 2, 1)) # 2r개의 그래프를 한 행에 보여주고, 아래 라인 5, 왼쪽 4, 위 2, 오른쪽 1 형태로 마진을 정한다.

subset() # 데이터 프레임, 벡터, 또는 메트릭스에서 원하는 데이터를 추출한다.

예) subset(pollution, region == "east") #pollution이란 데이터에서 region 값이 east에 대해 추출한다.

with() # 데이터 항목을 메모리 상에 로딩한다.

예) with(pollution, plot(latitude, pm25)) # pollution이란 데이터를 로딩하고, 그 안에 있는 latitude와 pm25를 그래프화한다.

plot() # x, y 형태로 그래프 점으로 표현한다.

예1) plot(pollution$latitude, pollution$pm25) # latitude와 pm25를 그래프로 표현한다.

예2) plot(pollution$latitude, ppm, col = pollution$region) # latitude(위도)가 ppm에 어떤 관계가 있는지 보여주고, 지역(region)에 대해서는 색깔로 구분해서 표시한다.

예3) par(mfrow = c(1, 2), mar=c(5, 4, 2 1) # 1행에 2개의 그래프를 그리도록 세팅.

plot(west$latitude, west$pm25, main = "West") # West 지역 데이터의 위도와 pm25간의 관계를 점을 쩍어준다.

plot(east$latitude, east$pm25, main = "East") # Eest 지역 데이터의 위도와 pm25간의 관계를 점을 쩍어준다.

탐색적 데이터 분석 코스를 배워보자 : 탐색적 그래프 -1차원 정보 표현(출처: R내 swirl package)

GreenVegetables — Sat, 1 Feb 2020 23:48:34 +0900

# swirl()내 탐색적 데이터 분석(Exploratory Data Course)를 실행해보자.

library("swirl")

swirl()

탐색적 분석 과정의 두번째 섹션: 탐색적 그래프 - 1차원 정보 표현 방법들(요약)
head() # 데이터의 가장 위에서부터 데이터 항목을 O개 보여준다.
dim() # 데이터의 길이를 파악할 수 있다.
summary() # 특정 데이터에 대해 6가지 항목, 최소치, 25%값, 중간값, 평균값, 75% 값, 최대치를 보여준다.
quantile() # 데이터의 사분위수(quantile)를 보여준다.
boxplot() # R의 기본 함수로 데이터의 사분위로 표현하는 박스플롯 그래프를 보여준다.
abline() # 특정 값에 대해 직선을 그린다.
hist() # R의 기본 함수로, 데이터의 분포, 히스토그램을 보여준다.
rug() # 데이터 분포별 데이터 값들이 얼마나 분포해있는지 회색라인으로 보여준다.
names() # 데이터값의 헤더를 보여준다.
table() # 데이터값의 항목별 빈도수를 보여준다.
barplot() # 데이터의 1차원 빈도수를 그래프로 표현해준다.

탐색적 그래프(Exploratory Graphs)

탐색적 그래프는

데이터의 패턴 찾기
데이터의 특성 찾기
모델링 전략을 제안하기
분석 디버그 하기

등의 작업하는데 유용하다. 분석 결과를 소통하는 것은 탐색적 그래프와는 별도 작업이다.

탐험적 그래프를 보기 전 데이터의 형태를 파악하는데 아래의 함수 등이 쓰인다.

head() # 데이터의 가장 위에서부터 데이터 항목을 O개 보여준다.

dim() # 데이터의 길이를 파악할 수 있다.

pollution이란 데이터 항목이 576개 있으며, 데이터 항목별 세부 속성은 5개 있는 것을 알 수 있다.

summary() # 특정 데이터에 대해 6가지 항목, 최소치, 25%값, 중간값, 평균값, 75% 값, 최대치를 보여준다. 데이터내의 항목은 '데이터$항목'으로 표기해주면 된다.

quantile() # 데이터의 사분위수(quantile)를 보여준다. 평균값만 제외하고는 summary와 거의 유사한 결과값을 보여준다.

boxplot() # R의 기본 함수로 데이터의 사분위로 표현하는 박스플롯 그래프를 보여준다.

예) boxplot(ppm, col="blue")로 나타난 그래프이다. 파란색 아래 부분이 25%, 가장 윗 부분이 75% 값을 나타낸다. 파란색내 줄은 중간값(median)을 나타낸다. 전체 값들의 중앙값이다. whisker는 R의 기본 값 1.5와 25%, 75% 상자 범위 범위를 기준 여기서는 2.8으로 그래프가 그려진다. whisker 박스 범위 밖의 데이터는 '아웃라이러' 값들이다.

abline() # 특정 값에 대해 직선을 그린다.

예) abline(h=12) # 가로로 직선을 그린다. v로 하면 세로로 직선을 그린다.

hist() # R의 기본 함수로, 데이터의 분포, 히스토그램을 보여준다.

예) hist(ppm, col="green") # 데이터 구간별로 데이터 분포량을 보여준다.

예) hist(ppm, col="green", breaks=100) # 100개의 항목으로 세부적으로 보여준다.

rug() # 데이터 분포별 데이터 값들이 얼마나 분포해있는지 회색라인으로 보여준다.

예) rug(ppm) # 위 히스토그램 밑에 데이터 값들의 분포를 표시해준다.

names() # 데이터값의 헤더를 보여준다.

table() # 데이터값의 항목별 빈도수를 보여준다.

예) table(pollution$region)

barplot() # 데이터의 1차원 빈도수를 그래프로 표현해준다.

예) barplot(reg, col="wheat", main="Number of Counties in Each Region") # wheat 색으로, 타이틀은 "Number of Counties in Each Region"을 표기한다.

(To be Continued in the next article)