데이터 불러오기와 정리

분석은 데이터를 불러오는 것부터 시작합니다. CSV 파일, 엑셀 파일, 내장 데이터셋을 R로 가져오는 방법을 익히고, tidyverse로 분석하기 좋은 형태로 정리합니다.

작업 디렉토리 설정

R은 파일을 읽고 쓸 때 작업 디렉토리를 기준으로 경로를 해석합니다. 현재 작업 디렉토리를 먼저 확인합니다.

getwd()           # 현재 작업 디렉토리 확인
setwd("경로")     # 작업 디렉토리 변경

# RStudio를 사용한다면 프로젝트(.Rproj)를 만들면
# 자동으로 프로젝트 폴더가 작업 디렉토리가 됩니다.
# 프로젝트를 쓰는 것을 권장합니다.

CSV 파일 불러오기

가장 많이 쓰는 형식입니다. readr 패키지의 read_csv()는 base R의 read.csv()보다 빠르고, 결과가 tibble로 반환됩니다.

library(readr)

# CSV 불러오기
df <- read_csv("data/students.csv")

# 인코딩 지정 — 한글이 깨질 때
df <- read_csv("data/students.csv", locale = locale(encoding = "EUC-KR"))

# 특정 열 자료형 지정
df <- read_csv("data/students.csv",
               col_types = cols(
                 id    = col_character(),
                 score = col_double(),
                 date  = col_date(format = "%Y-%m-%d")
               ))

# 확인
glimpse(df)   # 열 이름, 자료형, 미리보기
head(df)      # 처음 6행

read_csv()와 read.csv()의 차이를 정리하면 이렇습니다.

엑셀 파일 불러오기

library(readxl)

# 기본 — 첫 번째 시트를 읽습니다
df <- read_excel("data/sales.xlsx")

# 시트 지정
df <- read_excel("data/sales.xlsx", sheet = "2024년")
df <- read_excel("data/sales.xlsx", sheet = 2)  # 두 번째 시트

# 범위 지정
df <- read_excel("data/sales.xlsx", range = "A1:D50")

# 헤더가 없는 경우
df <- read_excel("data/sales.xlsx", col_names = FALSE)

# 시트 목록 확인
excel_sheets("data/sales.xlsx")

R 내장 데이터셋

R에는 연습용 데이터셋이 기본으로 포함되어 있습니다. 파일 없이 바로 쓸 수 있어서 이 책에서도 자주 활용합니다.

# 내장 데이터셋 목록
data()

# 자주 쓰는 데이터셋
data(iris)      # 붓꽃 데이터 (150행, 5열)
data(mtcars)    # 자동차 데이터 (32행, 11열)
data(airquality) # 대기질 데이터 (153행, 6열)

head(iris)
str(mtcars)

데이터 탐색

데이터를 불러왔다면 분석 전에 반드시 데이터 구조를 파악합니다.

library(tidyverse)

df <- iris

# 기본 탐색
dim(df)          # 행과 열 수: 150 5
nrow(df)         # 행 수
ncol(df)         # 열 수
names(df)        # 열 이름
str(df)          # 구조 요약
glimpse(df)      # tidyverse 스타일 구조 요약
summary(df)      # 각 열의 기술통계량

# 결측값 확인
sum(is.na(df))                    # 전체 결측값 수
colSums(is.na(df))                # 열별 결측값 수
df %>% summarise(across(everything(), ~sum(is.na(.))))

filter — 행 조건 필터링

library(dplyr)

df <- mtcars

# 단일 조건
df %>% filter(cyl == 6)           # 실린더가 6인 차
df %>% filter(mpg > 20)           # 연비가 20 초과

# 복합 조건 — & (AND), | (OR)
df %>% filter(cyl == 4 & mpg > 25)
df %>% filter(cyl == 4, mpg > 25) # 쉼표도 AND로 동작합니다
df %>% filter(cyl == 4 | cyl == 6)
df %>% filter(cyl %in% c(4, 6))   # %in%으로 여러 값 비교

# 결측값 필터
df %>% filter(!is.na(hp))         # hp가 결측이 아닌 행
df %>% filter(is.na(hp))          # hp가 결측인 행

mutate — 열 추가와 변환

df <- mtcars

# 새 열 추가
df <- df %>%
  mutate(
    kpl = mpg * 0.4251,           # 마일/갤런 → 킬로미터/리터 변환
    weight_kg = wt * 453.6,       # 파운드 → kg
    high_power = hp > 150         # 고출력 여부 (논리값)
  )

# 기존 열 변환
df <- df %>%
  mutate(cyl = as.factor(cyl))    # 숫자를 범주형으로 변환

# case_when — 여러 조건 분기 (ifelse의 확장판)
df <- df %>%
  mutate(
    mpg_grade = case_when(
      mpg >= 25 ~ "상",
      mpg >= 18 ~ "중",
      TRUE      ~ "하"            # 나머지 모두
    )
  )

select — 열 선택

df <- iris

# 열 이름으로 선택
df %>% select(Sepal.Length, Species)

# 열 제외
df %>% select(-Species)

# 범위 선택
df %>% select(Sepal.Length:Petal.Length)

# 헬퍼 함수
df %>% select(starts_with("Sepal"))   # "Sepal"로 시작하는 열
df %>% select(ends_with("Width"))     # "Width"로 끝나는 열
df %>% select(contains("Length"))     # "Length"를 포함하는 열
df %>% select(where(is.numeric))      # 숫자형 열만

arrange — 정렬

df <- mtcars

df %>% arrange(mpg)              # 오름차순
df %>% arrange(desc(mpg))        # 내림차순
df %>% arrange(cyl, desc(mpg))   # cyl 오름차순, 같은 cyl 안에서 mpg 내림차순

group_by + summarise — 그룹별 집계

분석에서 가장 자주 쓰는 조합입니다.

df <- iris

df %>%
  group_by(Species) %>%
  summarise(
    n           = n(),
    mean_length = mean(Sepal.Length),
    sd_length   = sd(Sepal.Length),
    min_length  = min(Sepal.Length),
    max_length  = max(Sepal.Length)
  )

결과를 보면 종별로 꽃받침 길이가 다르다는 것을 바로 알 수 있습니다.

결측값 처리

현실 데이터에는 결측값이 거의 항상 있습니다.

# 예제 데이터 생성
df <- data.frame(
  name  = c("A", "B", "C", "D", "E"),
  score = c(85, NA, 78, 95, NA),
  age   = c(20, 22, NA, 20, 23)
)

# 결측값 제거 — 결측값이 있는 행 전체 삭제
df_clean <- df %>% drop_na()         # 모든 열 기준
df_clean <- df %>% drop_na(score)    # score 열만 기준

# 결측값 대체
df_filled <- df %>%
  mutate(
    score = replace_na(score, mean(score, na.rm = TRUE)),  # 평균으로 대체
    age   = replace_na(age, 21)                            # 특정값으로 대체
  )

데이터 형 변환

df <- data.frame(
  id    = c("001", "002", "003"),
  score = c("85", "92", "78"),
  date  = c("2024-01-15", "2024-01-16", "2024-01-17")
)

df <- df %>%
  mutate(
    score = as.numeric(score),          # 문자 → 숫자
    date  = as.Date(date),              # 문자 → 날짜
    id    = as.factor(id)               # 문자 → 범주형
  )

str(df)

전체 흐름 예시

데이터를 불러오고 정리하는 전형적인 흐름을 한눈에 봅니다.

library(tidyverse)

# 1. 데이터 불러오기
raw <- read_csv("data/exam_results.csv")

# 2. 탐색
glimpse(raw)
summary(raw)
colSums(is.na(raw))

# 3. 정리
clean <- raw %>%
  filter(!is.na(score)) %>%              # 점수 없는 행 제거
  mutate(
    score   = as.numeric(score),
    grade   = case_when(
      score >= 90 ~ "A",
      score >= 80 ~ "B",
      score >= 70 ~ "C",
      TRUE        ~ "D"
    )
  ) %>%
  select(id, name, score, grade) %>%    # 필요한 열만 선택
  arrange(desc(score))                  # 점수 높은 순 정렬

# 4. 결과 저장
write_csv(clean, "data/exam_results_clean.csv")

데이터 정리가 끝났다면 이제 숫자로 데이터를 요약하는 기술통계 단계로 넘어갑니다.