Data Handling Practice
2019. 4. 18. 20:33ㆍ분석 R/EDA
728x90
leesungreong
Library Load
library(tidyverse)
library(mice)
library(VIM)
library(knitr)
library(RColorBrewer)Data Load Rain in Australia
data <- read.csv("./weatherAUS.csv")
str(data)## 'data.frame': 142193 obs. of 24 variables:
## $ Date : Factor w/ 3436 levels "2007-11-01","2007-11-02",..: 397 398 399 400 401 402 403 404 405 406 ...
## $ Location : Factor w/ 49 levels "Adelaide","Albany",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ MinTemp : num 13.4 7.4 12.9 9.2 17.5 14.6 14.3 7.7 9.7 13.1 ...
## $ MaxTemp : num 22.9 25.1 25.7 28 32.3 29.7 25 26.7 31.9 30.1 ...
## $ Rainfall : num 0.6 0 0 0 1 0.2 0 0 0 1.4 ...
## $ Evaporation : num NA NA NA NA NA NA NA NA NA NA ...
## $ Sunshine : num NA NA NA NA NA NA NA NA NA NA ...
## $ WindGustDir : Factor w/ 16 levels "E","ENE","ESE",..: 14 15 16 5 14 15 14 14 7 14 ...
## $ WindGustSpeed: int 44 44 46 24 41 56 50 35 80 28 ...
## $ WindDir9am : Factor w/ 16 levels "E","ENE","ESE",..: 14 7 14 10 2 14 13 11 10 9 ...
## $ WindDir3pm : Factor w/ 16 levels "E","ENE","ESE",..: 15 16 16 1 8 14 14 14 8 11 ...
## $ WindSpeed9am : int 20 4 19 11 7 19 20 6 7 15 ...
## $ WindSpeed3pm : int 24 22 26 9 20 24 24 17 28 11 ...
## $ Humidity9am : int 71 44 38 45 82 55 49 48 42 58 ...
## $ Humidity3pm : int 22 25 30 16 33 23 19 19 9 27 ...
## $ Pressure9am : num 1008 1011 1008 1018 1011 ...
## $ Pressure3pm : num 1007 1008 1009 1013 1006 ...
## $ Cloud9am : int 8 NA NA NA 7 NA 1 NA NA NA ...
## $ Cloud3pm : int NA NA 2 NA 8 NA NA NA NA NA ...
## $ Temp9am : num 16.9 17.2 21 18.1 17.8 20.6 18.1 16.3 18.3 20.1 ...
## $ Temp3pm : num 21.8 24.3 23.2 26.5 29.7 28.9 24.6 25.5 30.2 28.2 ...
## $ RainToday : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 2 ...
## $ RISK_MM : num 0 0 0 1 0.2 0 0 0 1.4 0 ...
## $ RainTomorrow : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 2 1 ...중복 체크
sum(duplicated(data))## [1] 0지역별 날씨데이터가 다 있는 것만 추출하기
UNI_loc <- length(unique(data$Location))
sample_dat <- data %>%
group_by(Date) %>%
summarise(n=n()) %>%
filter( n == UNI_loc )
Date_49N <- sample_dat$Date
data2 <- data %>%
filter(Date %in% Date_49N)
data2$Date <- factor(data2$Date , levels = Date_49N)
str(data2)## 'data.frame': 22638 obs. of 24 variables:
## $ Date : Factor w/ 462 levels "2013-03-02","2013-03-03",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ Location : Factor w/ 49 levels "Adelaide","Albany",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ MinTemp : num 14.3 12 12.8 14.4 16.6 19.7 20.1 19.4 17.7 15.5 ...
## $ MaxTemp : num 29.2 31.8 31 31.3 33.8 35.1 35.7 33.7 33.9 30.7 ...
## $ Rainfall : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Evaporation : num NA NA NA NA NA NA NA NA NA NA ...
## $ Sunshine : num NA NA NA NA NA NA NA NA NA NA ...
## $ WindGustDir : Factor w/ 16 levels "E","ENE","ESE",..: 3 2 2 1 11 10 4 5 14 7 ...
## $ WindGustSpeed: int 41 37 24 28 30 24 26 35 35 31 ...
## $ WindDir9am : Factor w/ 16 levels "E","ENE","ESE",..: 10 3 2 3 1 9 3 11 6 16 ...
## $ WindDir3pm : Factor w/ 16 levels "E","ENE","ESE",..: 11 5 3 3 3 15 11 7 8 14 ...
## $ WindSpeed9am : int 17 13 2 7 4 4 4 7 22 7 ...
## $ WindSpeed3pm : int 24 17 15 15 9 7 13 13 17 17 ...
## $ Humidity9am : int 46 52 64 65 64 65 56 66 47 63 ...
## $ Humidity3pm : int 28 23 23 34 29 24 32 32 28 26 ...
## $ Pressure9am : num 1022 1022 1022 1020 1018 ...
## $ Pressure3pm : num 1019 1018 1018 1016 1016 ...
## $ Cloud9am : int NA NA NA NA NA 1 5 NA NA NA ...
## $ Cloud3pm : int NA NA NA NA NA NA NA NA 7 NA ...
## $ Temp9am : num 18.9 20 18.2 20.2 22 22.5 24.2 23.2 24.3 18.4 ...
## $ Temp3pm : num 27.4 29.7 29.4 29.9 32.3 34.5 33.5 32.9 32.5 28.6 ...
## $ RainToday : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
## $ RISK_MM : num 0 0 0 0 0 0 0 0 0 0 ...
## $ RainTomorrow : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
종류
- 완전 무작위 결측(
MCAR: Missing Completely At Random)- 어떤 변수 상에 결측 데이터가 관측되거나 관측되지 않은 다른 변수와 아무런 연관이 없는 경우
- 무작위 결측 (
MAR: Missing At Random)- 어떤 변수 상에 결측데이터가 관측된 다른 변수와 연관되어 있지만, 그 자체의 비관측된 값들과는 연관되어 있지 않는 경우
- 비 무작위 결측 (
NMAR: Not Missing At Ranodm)- 어떤 변수의 결측데이터가 MCAR,MAR이 아닌 경우
- 예) 소득이 적은 사람은 소득이 많은 사람보다 소득에 대한 결측값을 가지기 쉬운 경우(가정 : 소득이 적으면 소득 관련 설문에 기피한다.)
일반적인 데이터 분석에서
MCAR과MAR에 대해서 결측치 대체 및 삭제로 모델링 수행을 한다.확인해야 할 사항
- 데이터의 결측은 어느정도 있는지?
- 결측 데이터가 무작위인지? 패턴이 있는지?
Missing 있는 데이터 차원 확인
data2[!complete.cases(data2),] %>% dim()## [1] 15600 24Missing Data 확인
- 전체적인 missing 비율 확인.
mice_plot <- aggr(data2 , col=c('navyblue','yellow'),
numbers=TRUE, sortVars=TRUE,
labels=names(data2), cex.axis=.7,
gap=3, ylab=c("Missing data","Pattern"))
##
## Variables sorted by number of missings:
## Variable Count
## Sunshine 0.593117767
## Evaporation 0.497393763
## Cloud3pm 0.455870660
## Cloud9am 0.419162470
## Pressure9am 0.098551109
## Pressure3pm 0.098286068
## WindDir9am 0.071251877
## WindGustDir 0.054907677
## WindGustSpeed 0.054377595
## Humidity3pm 0.035206290
## WindDir3pm 0.032025797
## Temp3pm 0.029198692
## WindSpeed3pm 0.024825515
## Rainfall 0.010866684
## RainToday 0.010866684
## Humidity9am 0.009320611
## WindSpeed9am 0.007642018
## MinTemp 0.004594045
## Temp9am 0.004019790
## MaxTemp 0.002782931
## Date 0.000000000
## Location 0.000000000
## RISK_MM 0.000000000
## RainTomorrow 0.000000000결측치 각 변수별로 얼마나 있는지?
mice_plot##
## Missings in variables:
## Variable Count
## MinTemp 104
## MaxTemp 63
## Rainfall 246
## Evaporation 11260
## Sunshine 13427
## WindGustDir 1243
## WindGustSpeed 1231
## WindDir9am 1613
## WindDir3pm 725
## WindSpeed9am 173
## WindSpeed3pm 562
## Humidity9am 211
## Humidity3pm 797
## Pressure9am 2231
## Pressure3pm 2225
## Cloud9am 9489
## Cloud3pm 10320
## Temp9am 91
## Temp3pm 661
## RainToday 246marginplot Pressure9am , Pressure3pm 사이에 결측치 분포 확인
- 빨간 점 : 최소 하나의 missing이 있다는 의미.
#scattmatrixMiss(data2, interactive = F, highlight = c("Sunshine"))
colSums(is.na(data2[c("Pressure9am","Pressure3pm")]))## Pressure9am Pressure3pm
## 2231 2225sum(rowSums(is.na(data2[c("Pressure9am","Pressure3pm")])) > 1 )## [1] 2210marginplot(data2[c("Pressure9am","Pressure3pm")],
pch=20)
결측 데이터가 특정한 몇개의 변수에 집중되어 있는지?
1. 특정 변수에 몰려있다면 변수를 제거할것인지?
2. 해당 결측비율이 적다면 관측값만 삭제할 것인지?
3. 특정 통계량 값으로 대체할 것인지?
4. 다중대체법을 활용해 결측치를 대체할 것인지?(MICE)
결측치 의미 없는 것이라면 전체 제
결측치 전부 제거
na.omit(data2)## Error: <text>:1:8: unexpected symbol
## 1: 결측치 전부
## ^Numeric 결측치를 컬럼별 통계량값으로 대체하기
- 컬럼별로 결측치 제외하고 통계량값을 넣는 방법
- 해당 결측치에 주요한 지표가 될 것을 Key로 하여 특정 통계량값으로 대체
na_check <- data2 %>%
select_if(is.numeric) %>%
is.na() %>% colSums()
na_col <- na_check[na_check > 0] %>%
names()
data3 <- data2
colSums(is.na(data3))## Date Location MinTemp MaxTemp Rainfall
## 0 0 104 63 246
## Evaporation Sunshine WindGustDir WindGustSpeed WindDir9am
## 11260 13427 1243 1231 1613
## WindDir3pm WindSpeed9am WindSpeed3pm Humidity9am Humidity3pm
## 725 173 562 211 797
## Pressure9am Pressure3pm Cloud9am Cloud3pm Temp9am
## 2231 2225 9489 10320 91
## Temp3pm RainToday RISK_MM RainTomorrow
## 661 246 0 0## 지역별로 평균 대체
data3 <- data3 %>%
group_by(Location) %>%
mutate_at(vars(na_col) ,
funs(
ifelse(is.na(.) ,
mean(., na.rm = TRUE),.))) %>%
ungroup()
colSums(is.na(data3))## Date Location MinTemp MaxTemp Rainfall
## 0 0 0 0 0
## Evaporation Sunshine WindGustDir WindGustSpeed WindDir9am
## 7854 9702 1243 924 1613
## WindDir3pm WindSpeed9am WindSpeed3pm Humidity9am Humidity3pm
## 725 0 0 0 0
## Pressure9am Pressure3pm Cloud9am Cloud3pm Temp9am
## 1848 1848 5544 5544 0
## Temp3pm RainToday RISK_MM RainTomorrow
## 0 246 0 0## 지역별로 결측치 있는 경우 다시 전체 평균을 넣기
# method1
data3 <- data3 %>%
mutate_at(vars(na_col),
funs(ifelse(is.na(.),
mean(., na.rm = TRUE),.)))
# method2
#for(i in na_col){
# data3[is.na(data3[,i]), i]
#<- mean(data3[,i], na.rm = TRUE)
#}
colSums(is.na(data3))## Date Location MinTemp MaxTemp Rainfall
## 0 0 0 0 0
## Evaporation Sunshine WindGustDir WindGustSpeed WindDir9am
## 0 0 1243 0 1613
## WindDir3pm WindSpeed9am WindSpeed3pm Humidity9am Humidity3pm
## 725 0 0 0 0
## Pressure9am Pressure3pm Cloud9am Cloud3pm Temp9am
## 0 0 0 0 0
## Temp3pm RainToday RISK_MM RainTomorrow
## 0 246 0 0factor 결측치를 컬럼별 통계량값으로 대체하기
- WindGustDir factor 변수 결측치 대체하기
- Location 별로 가장 많이 나온 것으로 대체하기
- Location 내에 없는 경우 전체 Location에서 가장 많이 나온 것으로 대체
## WindGustDir Missing Data에서 결측치 제외 후 가장 많이 나온 것만 뽑기
Wind_summ <- data3[complete.cases(data3),] %>%
group_by(Location , WindGustDir) %>% summarise(n=n())
Wind_summ_max <- Wind_summ %>% group_by(Location) %>% filter( n == max(n)) %>%
select(-3)
## 지역별로 가장 많이 뽑힌 것에서 가장 자주 나온 것
max_bin <- Wind_summ_max %>%
group_by(WindGustDir) %>%
summarise(n=n()) %>%
filter(n == max(n)) %>%
sample_n(1)
max_bin <- max_bin$WindGustDir %>% as.character()
## 실제 데이터와 새로 만든 테이블 결합하여 left join
se <- data3 %>% select(Location , WindGustDir) %>%
left_join(Wind_summ_max , by = "Location")
## 아직 남은 결측치 부분 가장 많이 나온 부분으로 대체
se$WindGustDir.y[is.na(se$WindGustDir.y)] <- max_bin
## 결측치 대체
na_idx <- is.na(se$WindGustDir.x)
data3$WindGustDir[is.na(data3$WindGustDir)] <- se$WindGustDir.y[na_idx]
## 결측치 확이
data3[!complete.cases(data3$WindGustDir),]## # A tibble: 0 x 24
## # ... with 24 variables: Date <fct>, Location <fct>, MinTemp <dbl>,
## # MaxTemp <dbl>, Rainfall <dbl>, Evaporation <dbl>, Sunshine <dbl>,
## # WindGustDir <fct>, WindGustSpeed <dbl>, WindDir9am <fct>,
## # WindDir3pm <fct>, WindSpeed9am <dbl>, WindSpeed3pm <dbl>,
## # Humidity9am <dbl>, Humidity3pm <dbl>, Pressure9am <dbl>,
## # Pressure3pm <dbl>, Cloud9am <dbl>, Cloud3pm <dbl>, Temp9am <dbl>,
## # Temp3pm <dbl>, RainToday <fct>, RISK_MM <dbl>, RainTomorrow <fct>누락자료에 대한 수학적인 방법이나 논리적인 방법으로 채울 수 있는 경우
BMI = WEIGHT / Height^2## Error in eval(expr, envir, enclos): object 'WEIGHT' not foundMICE를 활용한 결측치 대체
다중대입법
multiple imputation by chained equations
시뮬레이션을 통해 누락된 자료를 채운 3~10개 만든다.
만드는 방식은 몬테카를로 방법을 사용해서 만든다.
관련 패키지 : Amelia , mi
결측치 시뮬레이션 데이터 생성
imputation_data <- mice( data2 , m=2, maxit = 2 ,
method = 'pmm', seed = 500 ,
printFlag = FALSE)
결측치 대체
for( i in colnames(data2)){
print(i)
if(sum(!complete.cases(data2[i])) == 0 ){
next
}else{
data2[i][ !complete.cases(data2[i]), ] <- as.data.frame(imputed_Data$imp[i])[,1]
}
}## Error: <text>:1:8: unexpected symbol
## 1: 결측치 시뮬레이션
## ^impute_data <- read.csv("./weatherAUS_impute.csv")
colSums(is.na(impute_data))## X Date Location MinTemp MaxTemp
## 0 0 0 0 0
## Rainfall Evaporation Sunshine WindGustDir WindGustSpeed
## 0 0 0 0 0
## WindDir9am WindDir3pm WindSpeed9am WindSpeed3pm Humidity9am
## 0 0 0 0 0
## Humidity3pm Pressure9am Pressure3pm Cloud9am Cloud3pm
## 0 0 0 0 0
## Temp9am Temp3pm RainToday RISK_MM RainTomorrow
## 0 0 0 0 0impute_data <- impute_data[,-1]Data Wragling
Q0. WindGustDir 별로 WindGustSpeed WindSpeed9am WindSpeed3pm 의 평균 , 편차값
wind_summary <- impute_data %>% group_by(WindGustDir) %>%
summarise(mean_Gust = mean(WindGustSpeed) , std_Gust = sd(WindGustSpeed),
mean_9AM = mean(WindSpeed9am) , std_9AM = sd(WindSpeed9am) ,
mean_3PM = mean(WindSpeed3pm) , std_3PM = sd(WindSpeed3pm))
wind_summary## # A tibble: 16 x 7
## WindGustDir mean_Gust std_Gust mean_9AM std_9AM mean_3PM std_3PM
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 E 36.2 11.4 13.5 8.28 16.4 7.60
## 2 ENE 34.2 11.1 12.5 7.94 16.0 8.34
## 3 ESE 36.1 11.1 13.2 8.25 16.4 7.35
## 4 N 40.4 14.9 14.9 10.7 18.2 8.96
## 5 NE 33.9 11.0 11.4 7.30 16.8 8.82
## 6 NNE 37.2 12.6 12.7 8.65 17.6 8.98
## 7 NNW 39.7 14.7 12.6 8.66 18.2 8.56
## 8 NW 43.1 16.7 13.7 9.03 19.7 9.56
## 9 S 39.9 13.1 15.1 9.05 18.8 9.09
## 10 SE 37.7 11.1 14.4 8.61 18.3 8.45
## 11 SSE 38.0 11.2 15.0 8.67 18.2 8.69
## 12 SSW 39.3 13.1 13.9 8.78 18.4 8.56
## 13 SW 39.2 13.2 14 8.73 18.2 8.11
## 14 W 44.4 17.1 15.2 9.33 20.3 9.82
## 15 WNW 45.3 17.1 15.0 9.40 21.0 10.1
## 16 WSW 42.2 15.1 14.2 8.79 19.5 8.65Q1. 위의 Summary를 시각화
colourCount = length(unique(impute_data$WindGustDir))
getPalette = colorRampPalette(brewer.pal(9, "Set3"))
ggplot(wind_summary , aes(WindGustDir , mean_Gust, fill =WindGustDir )) +
geom_bar(stat="identity" , color= "black" ) +
geom_errorbar(aes( ymin = mean_Gust-std_Gust, ymax = mean_Gust+std_Gust),
width = 0.2) +
scale_fill_manual(values = getPalette(colourCount)) +
coord_flip() +
theme_classic() +
labs(x="풍향", y = "평균 돌풍 속도" , title = "풍향별 평균 돌풍 속도 Error Bar")
Q2. WindGustDir 별로 WindGustSpeed WindSpeed9am WindSpeed3pm 의 Error Bar
## 풍속 관련 Summary
a <- gather(wind_summary , mean_key , mean_value , starts_with("mean")) %>% as.data.frame() %>%
select(WindGustDir , mean_key , mean_value )
b <- gather(wind_summary , std_key , std_value , starts_with("std")) %>% as.data.frame() %>%
select(WindGustDir , std_key , std_value )
Data <- inner_join(a,b, by ="WindGustDir")
uni_mean_key = unique(Data$mean_key)
uni_std_key = unique(Data$std_key)
a <- Data %>% group_by(WindGustDir) %>% filter(mean_key == uni_mean_key[1] & std_key == uni_std_key[1] )
b <- Data %>% group_by(WindGustDir) %>% filter(mean_key == uni_mean_key[2] & std_key == uni_std_key[2] )
c <- Data %>% group_by(WindGustDir) %>% filter(mean_key == uni_mean_key[3] & std_key == uni_std_key[3] )
summary <- do.call(rbind , list(a,b,c))
ggplot(summary , aes(WindGustDir , mean_value , fill = mean_key)) +
geom_bar(stat="identity", position = "dodge") +
geom_errorbar(aes(x = WindGustDir ,
ymin = mean_value-std_value ,
ymax = mean_value+std_value ),
color = "black" ,
position=position_dodge(0.9),width=0.5) +
theme_classic() +
coord_flip() +
labs(x = "풍향" , y = "평균 풍속", title = "풍향별 평균 풍속 Error BAR")
지역과 월별로 평균 MinTemp 구하고 table
- Date를 년 , 월 , 일로 나누기
impute_data$Date <- as.character(impute_data$Date)
impute_data2 <- impute_data %>% separate(Date , c("Year", "Month", "Day"))
impute_data3 <- impute_data2 %>%
group_by( Location , Month) %>%
summarise(mean_min_temp = mean(MinTemp))
impute_data3 %>% spread(Month , mean_min_temp) %>% ungroup()## # A tibble: 49 x 13
## Location `01` `02` `03` `04` `05` `06` `07` `08` `09` `10`
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Adelaide 17.7 17.3 17.8 13.5 10.8 8.16 8.44 8.1 11 11.6
## 2 Albany 16.4 16.4 16.6 14.8 11.7 10.2 10.1 9.24 9.99 11.5
## 3 Albury 17.0 15.3 14.9 9.01 6.41 4.08 4.89 4.61 6.92 8.00
## 4 AliceSp~ 22.0 19.0 19.0 13.1 8.65 6.03 3.89 6.00 10.5 13.9
## 5 Badgery~ 17.5 17.6 15.4 11.0 8.02 7.15 4.71 5.78 8.11 10.8
## 6 Ballarat 12.0 11.2 12.0 7.61 5.67 3.73 3.53 4.56 6.25 6.01
## 7 Bendigo 15.1 13.9 14.2 9.61 6.23 3.89 4.19 4.82 6.96 6.85
## 8 Brisbane 21.9 21.8 20.6 16.6 14.8 12.0 11.5 11.6 14.3 16.4
## 9 Cairns 24.1 24.4 23.5 22.1 21.2 18.8 18.0 17.4 19.5 20.9
## 10 Canberra 13.5 12.4 10.7 5.54 2.76 2.08 1.53 2.06 3.67 5.45
## # ... with 39 more rows, and 2 more variables: `11` <dbl>, `12` <dbl>Data Visualization
시각화 앞에 10개 지역만 시각화하기
filter_n <- unique(impute_data3$Location)[1:10]
filter_n <- impute_data3 %>% filter(Location %in% filter_n)
ggplot(filter_n, aes(x = Location , y = mean_min_temp , fill = Month)) +
geom_bar(stat="identity" , position = "dodge") +
coord_flip() +
theme_classic() +
ggtitle("월별 평균 최소 온도 추이변화") +
labs(y= "월별 평균 최소 온도") +
theme(plot.title = element_text(color="black", size=16, face="bold.italic")) +
scale_fill_brewer(palette="Set3")
10개 도시 / 년도별로 최소 온도 추이확인
impute_data3 <- impute_data2 %>%
group_by( Location , Year) %>%
summarise(mean_min_temp = mean(MinTemp))
filter_n <- unique(impute_data3$Location)[1:10]
filter_n <- impute_data3 %>% filter(Location %in% filter_n)
ggplot(filter_n, aes(x = Location , y = mean_min_temp , fill = Year)) +
geom_bar(stat="identity" , position = "dodge") +
coord_flip() +
theme_classic() +
ggtitle("년도별 평균 최소 온도 추이변화") +
labs(y= "년도별 평균 최소 온도") +
theme(plot.title = element_text(color="black", size=16, face="bold.italic")) +
scale_fill_brewer(palette="Accent")
하루에 해가 뜬 시간과 비 유무에 따른 Density Plot
ggplot(impute_data2, aes(x = Sunshine , fill = RainToday, color = RainTomorrow)) +
geom_density(alpha = 0.5) +
scale_fill_brewer(palette="Set3") +
theme_classic()
- 우리가 알고 있는 상식과 같이 온도와 비의 유무는 연관이 있어보인다.
Reference
728x90
'분석 R > EDA' 카테고리의 다른 글
| Tidyverse (ggplot) (0) | 2019.03.19 |
|---|---|
| Kaggle BlackFriday 데이터를 활용한 EDA (0) | 2019.03.16 |
| Kaggle 올림픽 데이터를 활용한 EDA 2번째 (0) | 2019.03.16 |
| Kaggle 올림픽 데이터를 활용한 EDA 1번째 (0) | 2019.03.16 |