> ## Content Index > Fetch the complete content index at: https://www.mekeywhydoesmatter.com/llms.txt > Use this file to discover other available public pages before exploring further. # [DATA] 1. 데이터 분석에서 EDA가 필요한 이유 - URL: https://www.mekeywhydoesmatter.com/why-eda-exporatory-data-analsis/ - Published: 2026-02-07T02:40:34.000Z - Updated: 2026-02-25T12:26:59.000Z - Author: mekey - Tags: Data --- ### **EDA(**Exporatory Data Analsis**)는 말그대로 데이터를 본격적으로 분석하기 전에 탐색을 해보는 단계이다.** ### **즉, 데이터를 사용하기 전에, 데이터를 이해 하는 시간임.** 데이터 분석을 시작할 때 많은 사람들이 바로 모델부터 떠올린다. 하지만 경험상, **모델 성능의 70%는 EDA에서 이미 결정**된다. > EDA는 “이 데이터가 **어떤 성격인지**, **믿을 수 있는지**, **어떤 질문을 던질 수 있는지**를 파악하는 과정”이다. --- ## **EDA는 왜 필요한가?** EDA 없이 분석을 시작하면 보통 이런 문제가 생긴다. - 데이터에 **결측치가 많은데 모르고 모델 학습** - 특정 컬럼이 **상수값**인데 피처로 사용 - 데이터 분포가 왜곡되어 있는데 그대로 학습 EDA는 이런 실수를 **초기에 차단**한다. > EDA는 “분석”이 아니라 **데이터와 대화하는 단계**에 가깝다. --- ## **EDA를 할 때 핵심적인 질문들** EDA를 할 때 나는 항상 아래 질문부터 던진다. ### **1\. 이 데이터는 어떻게 생겼나?** - 행(row)은 무엇을 의미하는가? - 컬럼(column)은 어떤 의미를 가지는가? - 시간 개념이 있는가? (event time, snapshot time) ``` 예: - row = 고객 1명 - column = 고객의 행동/속성 ``` --- ### **2\. 데이터는 충분한가?** - 전체 샘플 수는? - 클래스별 분포는? - 특정 기간에 데이터가 몰려 있지는 않은가? ``` df.shape df['label'].value_counts(normalize=True) ``` **데이터가 적지는 않은지**, **불균형이 심하지는 않은지**를 여기서 판단한다. --- ### **3\. 결측치와 이상치는?** EDA에서 가장 먼저 확인해야 할 부분이다. ``` df.isnull().mean().sort_values(ascending=False) ``` - 결측치가 많은 컬럼은 왜 비어 있을까? - “의미 있는 0” 인가, “없는 값” 인가? - 특정 구간에서만 결측이 발생하는가? > 결측치는 단순한 문제가 아니라 **데이터 생성 과정의 힌트**다. --- ### **4\. 분포는 정상적인가?** 수치형 데이터라면 분포를 반드시 본다. ``` df['price'].hist(bins=50) ``` 체크 포인트: - 모델보다 먼저 **분포를 신뢰할 수 있어야 한다.** --- ### **5\. 변수 간 관계는?** EDA의 꽃은 **관계 탐색**이다. - 피처 ↔ 타겟 관계 - 피처 ↔ 피처 상관관계 ``` df.corr(numeric_only=True) ``` 여기서 얻는 인사이트는 다음과 같다. - 쓸모없는 변수 제거 - 중복 피처 발견 - 단순 규칙으로도 설명 가능한 신호 발견 --- ## **시각화는 EDA의 필수** EDA는 숫자보다 **그림이 더 많은 단계라고 볼 수 있다.** 자주 쓰는 시각화: - 히스토그램 (분포) - 박스플롯 (이상치) - 산점도 (관계) - 시간 흐름 라인 차트 > EDA 결과를 말로 설명하기 어렵다면 **아직 충분히 이해하지 못한 것**일 가능성이 높다. --- ## **실무에서의 EDA 체크리스트** 아래는 실무에서 거의 항상 사용하는 EDA 체크리스트다. - 데이터 스키마 이해 - row/column 의미 명확화 - 결측치 비율 확인 - 이상치 확인 - 타겟 분포 확인 - 주요 피처 분포 시각화 - 피처-타겟 관계 탐색 - 데이터 누수 가능성 점검 - 시간 축 기준 분리 가능 여부 확인 --- ## **EDA는 한 번으로 끝나지 않는다** - 새로운 피처를 만들면 다시 EDA - 성능이 안 나오면 다시 EDA - 데이터가 바뀌면 다시 EDA EDA ↔ 모델링 ↔ EDA 이 사이클이 반복될수록 분석은 좋아진다. --- ## **마무리** EDA는 **가장 많은 사고를 막아주는 단계**다. 모델이 잘 나오지 않는다면, 하이퍼파라미터보다 먼저 이렇게 물어보자. > “내가 이 데이터를 정말 이해하고 있는가?” EDA는 그 질문에 답을 주는 과정이다. ---