파이썬을 활용한 기초통계 분석 — 실습 매뉴얼

0. 시작 전에

이 실습이 하는 일

파이썬(정확히는 pandas 라이브러리)으로 설문 데이터 한 개를 열어 보고, 그 안에 무엇이 들어 있는지 기초통계량으로 요약하는 연습입니다. 프로그래밍 경험이 전혀 없다고 가정합니다. 오늘 1차시의 목표는 딱 세 가지입니다.

기본 용어 여섯 가지

두 개의 입력 칸을 구분하세요

이 매뉴얼의 입력 상자는 세 가지 색입니다. 왼쪽 선이 파란 것은 노트북 셀, 회색인 것은 터미널에 입력합니다. 초록색은 실행 결과이니 입력하지 않고 내 화면과 비교만 하면 됩니다. 터미널 명령을 노트북 셀에 넣거나 그 반대로 하면 동작하지 않습니다.

(예) df.describe()

(예) python -m pip install pandas

(예) (10759, 47)

1. 환경설정

순서는 Python 설치 → VS Code 설치 → VS Code 확장(Python · Jupyter) 설치 → pandas 설치 → 작업 폴더와 노트북 만들기입니다. 이미 되어 있는 항목은 확인 명령만 돌려 보고 넘어가면 됩니다.

1-1. Python 설치

1. https://www.python.org/downloads/ 에서 Python 3.12 (3.9 이상이면 됨) 내려받기 — 구글에 python install을 검색해 첫 결과 Download Python - Python.org를 눌러도 됩니다
2. 설치 첫 화면에서 "Add python.exe to PATH" 체크 → Install Now
3. 확인: 시작 메뉴에서 PowerShell을 열고 아래 입력

python --version

Python 3.12.x 처럼 버전이 나오면 성공입니다. "python을 찾을 수 없습니다"가 나오면 PATH 체크를 빠뜨린 것이니 다시 설치하세요.

1-2. VS Code 설치

코드를 쓰고 실행하는 편집기입니다. 노트북 파일(.ipynb)을 열고, 셀을 실행하고, 필요하면 터미널도 같은 창 안에서 띄울 수 있어 이 실습의 기본 작업 공간이 됩니다.

1. https://code.visualstudio.com/ 에서 내려받아 설치합니다 (설치 중 "PATH에 추가", "탐색기 상황에 맞는 메뉴에 'Code로 열기' 추가"는 체크해 두면 편합니다)
2. 첫 실행 시 "Welcome to VS Code — Sign in to use GitHub Copilot" 화면은 오른쪽 아래 Continue without Signing In으로 건너뜁니다 (로그인 불필요)
3. 한국어 메뉴: 왼쪽 확장(Extensions) 아이콘 → 검색창에 한국어 → Korean Language Pack for Visual Studio Code(Microsoft) Install → 오른쪽 아래 "Change Language and Restart" 클릭
4. 밝은 테마(교육장 빔프로젝터에서 잘 보이게): 왼쪽 아래 톱니바퀴 → 테마 → 색 테마 → 2026 밝게 또는 Light Modern 선택

1-3. VS Code 확장 설치 — Python · Jupyter

VS Code는 처음엔 파이썬을 모릅니다. 확장(Extensions) 두 개를 설치해야 파이썬 코드를 알아보고(Python), 노트북 셀을 실행할 수 있습니다(Jupyter). 확장 화면은 왼쪽 세로 아이콘 중 네모 네 개 모양, 또는 Ctrl+Shift+X로 엽니다.

1-3-a. Python 확장

1. 확장 검색창에 python을 입력합니다
2. 목록 맨 위 Python(제작자 Microsoft, 파란 체크 표시) 옆의 설치(Install)를 클릭합니다
3. 설치가 끝나면 Pylance·Python Debugger·Python Environments가 함께 설치됩니다 (그림 03-a처럼 네 개가 보이면 정상). 따로 설치할 필요 없습니다
4. Pylance를 클릭해 보면 그림 03-b처럼 "사용 안 함"·"제거" 버튼이 보입니다 — 이미 설치되어 있다는 뜻이니 누르지 마세요

1-3-b. Jupyter 확장

1. 확장 검색창을 지우고 jupyter를 입력합니다
2. 목록 맨 위 Jupyter(Microsoft, "Jupyter notebook support, interactive programming…")의 설치를 클릭합니다
3. 설치가 끝나면 Jupyter Keymap · Jupyter Notebook Renderers · Jupyter Cell Tags · Jupyter Slide Show가 함께 설치됩니다. 그림 03-c에서 Jupyter 아이콘에 붙은 숫자 4가 "함께 설치된 확장 4개"라는 뜻입니다
4. Jupyter를 클릭해 상세 화면(그림 03-d)에 "사용 안 함"·"제거"가 보이면 완료입니다

1-4. pandas 설치

pandas는 파이썬에 기본으로 들어 있지 않아 한 번 설치해야 합니다. VS Code 안에서 메뉴 터미널 → 새 터미널(Ctrl+`)을 열고 아래를 입력합니다. 시작 메뉴의 PowerShell에서 해도 똑같습니다.

python -m pip install pandas

글자가 한참 올라간 뒤 Successfully installed pandas-2.x.x numpy-...가 나오면 됩니다. 이미 설치되어 있으면 Requirement already satisfied가 나오는데 이것도 정상입니다. 노란 [notice] A new release of pip is available은 오류가 아니니 무시하세요.

확인:

python -c "import pandas; print(pandas.__version__)"

2.3.3

버전 숫자는 달라도 됩니다. 숫자 대신 ModuleNotFoundError: No module named 'pandas'가 나오면 설치가 안 된 것이니 위 설치 명령을 다시 실행하세요.

1-5. 작업 폴더와 노트북 만들기

파일 경로 때문에 막히는 일이 가장 많습니다. 데이터 파일과 노트북 파일을 같은 폴더에 두면 경로를 신경 쓸 필요가 없습니다.

1. 탐색기에서 C:\stats 폴더를 만듭니다 (한글·공백이 없는 짧은 이름이면 무엇이든 됩니다)
2. 아래 버튼으로 hccp_worker_2023_selected.csv를 내려받아 그 폴더에 넣습니다. 브라우저가 파일을 바로 열어 버리면 버튼에서 오른쪽 클릭 → 다른 이름으로 링크 저장
   ⬇ hccp_worker_2023_selected.csv 실습 데이터 · 1.2 MB · 10,759행 ⬇ data.csv 연습용 소규모 데이터 · 150행
3. VS Code에서 파일 → 폴더 열기 → C:\stats 선택. "이 폴더의 작성자를 신뢰합니까?"가 뜨면 예, 신뢰합니다
4. 왼쪽 탐색기(파일 목록)의 빈 곳에서 오른쪽 클릭 → 새 파일 → 이름을 기초통계.ipynb로 입력합니다. 확장자 .ipynb까지 정확히 써야 노트북으로 열립니다
5. 노트북이 열리면 오른쪽 위 "커널 선택"(Select Kernel) 클릭 → Python 환경… → Python 3.12.x 선택. 처음 한 번은 "ipykernel 패키지를 설치해야 합니다" 창이 뜨는데 설치를 누르고 잠시 기다립니다
6. 첫 셀에 아래를 입력하고 Shift+Enter. 셀 아래에 결과가 붙어 나오면 환경설정 끝입니다

print("준비 완료")

준비 완료

2. 데이터 이해

2-1. 어떤 데이터인가

hccp_worker_2023_selected.csv는 한국직업능력연구원 인적자본기업패널(HCCP, Human Capital Corporate Panel) 2023년 근로자 조사에서 교육훈련·직무만족·소득 관련 변수를 추려 만든 파일입니다.

메모장으로 열면 이렇게 보입니다. 첫 줄이 변수 이름 47개, 그 아래가 응답자 한 명당 한 줄입니다. 쉼표 사이가 비어 있는 곳(,,)이 결측값입니다.

company_id,worker_id,company_worker_id,industry_group,company_size, ... ,gender,birth_year,marital_status,education_level,major_field
1,1,101,1,1,1,2,16,1,1,2,2,2,,2,,1,2,2,2,4,3,3,2,3,3,3,3,3,3,4,3,3,3,3,3,1,2,40,0,6600,,2,1995,2,5,3
1,6,106,1,1,3,1,7,1,2,1,2,1,4,1,4,2,4,3,4,4,2,4,2,2,3,2,2,3,2,3,3,4,2,4,4,1,2,40,0,,495,1,1991,1,5,3

2-2. 변수 47개 한눈에

변수 이름은 모두 영어 소문자와 밑줄(_)로 되어 있습니다. 7개 묶음으로 나눠 보면 구조가 한눈에 들어옵니다. "값" 열의 코드(1, 2, …)가 무슨 뜻인지는 HCCP 코드북을 따르며, 오늘은 숫자의 종류(2-3)만 구분할 수 있으면 충분합니다.

A. 식별자 — 3개 (통계 계산에서 제외)

B. 기업·직무 정보 — 5개

C. 교육훈련 — 13개

D. 숙련·자격 — 3개

E. 직무 태도·만족 — 12개 (모두 1 ~ 5점)

F. 고용·근로시간·소득 — 6개

G. 인적 속성 — 5개

2-3. 숫자처럼 보여도 종류가 다릅니다

이 파일은 값이 전부 숫자라서 파이썬이 다루기 쉽지만, 그만큼 사람이 종류를 구분해 줘야 합니다. 같은 "3"이라도 아래 세 가지는 전혀 다른 의미입니다.

오늘 실행할 describe()는 이 구분을 모르고 47개 열 전부에 평균을 계산합니다. 그래서 결과표에서 "성별 평균 1.30"처럼 뜻 없는 숫자가 함께 나오는데, 오류가 아니라 내가 골라 읽어야 하는 것입니다. 3-5에서 다시 짚습니다.

3. 따라 하기 — 불러오기부터 describe까지

1-5에서 만든 기초통계.ipynb에서 진행합니다. 상자 하나가 셀 하나입니다. 순서대로 새 셀을 만들어 붙여 넣고 Shift+Enter로 실행하세요. # 뒤의 글은 설명(주석)이라 함께 붙여 넣어도 실행에 영향이 없습니다.

3-1. 데이터 불러오기

import pandas as pd   # pandas를 불러와서 pd라는 짧은 이름으로 부른다

df = pd.read_csv("hccp_worker_2023_selected.csv")   # CSV 파일을 읽어 df(데이터프레임)에 담는다

아무 결과도 안 나오는 것이 정상입니다. 오류 없이 셀 왼쪽에 초록 체크가 뜨면 성공입니다. 이 한 줄이 실행된 뒤부터 df라는 이름으로 표 전체를 부를 수 있습니다.

df = pd.read_csv(r"C:\Users\사용자이름\Downloads\hccp_worker_2023_selected.csv")

3-2. 생김새 확인 — head · shape · columns

df.head()   # 처음 5행만 보여준다 (괄호 안에 10을 넣으면 10행)

노트북에서는 가로로 스크롤되는 표가 나옵니다. 맨 왼쪽 굵은 0~4는 행 번호(0부터 시작), 그 옆이 47개 변수 값입니다. 비어 있는 칸은 NaN으로 보입니다.

   company_id  worker_id  company_worker_id  industry_group  ...  birth_year  marital_status  education_level  major_field
0           1          1                101               1  ...      1995.0               2                5          3.0
1           1          6                106               1  ...      1991.0               1                5          3.0
2           1         11                111               1  ...      1984.0               2                5          1.0
3           1         12                112               1  ...      1985.0               2                5          3.0
4           1        401               1401               1  ...      1975.0               2                3          NaN

[5 rows x 47 columns]

df.shape   # (행 수, 열 수)

(10759, 47)

응답자 10,759명, 변수 47개. 2장에서 본 숫자와 같습니다. shape 뒤에 괄호가 없는 점에 주의하세요 — 이건 명령(함수)이 아니라 표가 가진 속성입니다.

df.columns   # 변수(열) 이름 목록

Index(['company_id', 'worker_id', 'company_worker_id', 'industry_group',
       'company_size', 'current_position', 'manager_authority', 'job_field',
       'training_general', 'training_manager', 'training_job_related',
       ...
       'gender', 'birth_year', 'marital_status', 'education_level',
       'major_field'],
      dtype='object')

이 목록에서 변수 이름을 복사해서 쓰는 습관을 들이세요. 직접 타이핑하면 밑줄 하나, 철자 하나 차이로 KeyError가 납니다.

3-3. 구조 확인 — info

df.info()   # 변수마다 빠진 값이 없는 개수(Non-Null Count)와 자료형(Dtype)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10759 entries, 0 to 10758
Data columns (total 47 columns):
 #   Column                      Non-Null Count  Dtype
---  ------                      --------------  -----
 0   company_id                  10759 non-null  int64
 1   worker_id                   10759 non-null  int64
 ...
 13  ojt_effect                  6856 non-null   float64
 15  offjt_effect                5673 non-null   float64
 ...
 40  annual_income_10k_krw       8537 non-null   float64
 41  monthly_income_10k_krw      2122 non-null   float64
 42  gender                      10759 non-null  int64
 43  birth_year                  10731 non-null  float64
 ...
 46  major_field                 8053 non-null   float64
dtypes: float64(8), int64(39)
memory usage: 3.9 MB

읽는 법 세 가지:

• Non-Null Count가 10759보다 작으면 그만큼 결측값이 있다는 뜻입니다. annual_income_10k_krw는 8,537명만 응답했습니다
• Dtype의 int64는 정수, float64는 소수점이 있는 숫자입니다. 원래 정수인 변수(ojt_effect 1~5점)도 결측값이 섞이면 float64로 바뀝니다 — 그래서 4.0처럼 보입니다
• 문자(object) 열이 하나도 없습니다. 47개 전부 숫자라서 바로 통계량을 낼 수 있습니다

3-4. describe 실행 — 오늘의 목표

df.describe()   # 숫자형 변수 전체의 기초통계량

         company_id     worker_id  company_worker_id  ...  marital_status  education_level  major_field
count  10759.000000  10759.000000       1.075900e+04  ...    10759.000000     10759.000000  8053.000000
mean    2334.727391    350.355888       2.143197e+06  ...        1.545683         4.268984     2.610952
std     2103.769291    146.454976       2.170592e+06  ...        0.532706         1.100945     1.459169
min        1.000000      1.000000       1.010000e+02  ...        1.000000         1.000000     1.000000
25%      656.000000    401.000000       3.563545e+05  ...        1.000000         3.000000     1.000000
50%     1930.000000    412.000000       1.308421e+06  ...        2.000000         5.000000     3.000000
75%     3258.000000    429.000000       3.148402e+06  ...        1.000000         5.000000     3.000000
max    10792.000000    482.000000       1.079240e+07  ...        3.000000         7.000000     8.000000

[8 rows x 47 columns]

8행 × 47열 표가 나오면 오늘 목표 달성입니다. 노트북에서는 가로 스크롤 표로 보입니다. 1.075900e+04처럼 보이는 것은 값이 너무 커서 지수 표기(10,759를 1.0759 × 10⁴로)한 것으로, company_worker_id같은 식별자 열에서만 나타나니 신경 쓰지 않아도 됩니다.

47개를 한 번에 보면 읽기 어렵습니다. 보고 싶은 변수만 골라 실행하면 표가 작아집니다. 대괄호를 두 겹([[ ]]) 쓰는 것에 주의하세요.

df[["annual_income_10k_krw", "regular_work_hours", "overall_job_satisfaction"]].describe().round(2)
# 연소득, 주당 정규 근로시간, 전반적 직무만족 세 변수만. .round(2)는 소수점 둘째 자리까지

       annual_income_10k_krw  regular_work_hours  overall_job_satisfaction
count                8537.00            10759.00                  10759.00
mean                 5137.46               40.44                      3.43
std                  1998.99                2.25                      0.72
min                  2000.00               28.00                      1.00
25%                  3800.00               40.00                      3.00
50%                  4700.00               40.00                      3.00
75%                  6000.00               40.00                      4.00
max                 21800.00               60.00                      5.00

변수 하나만 보려면 대괄호 한 겹입니다.

df["annual_income_10k_krw"].describe().round(2)   # 연소득 하나만

count     8537.00
mean      5137.46
std       1998.99
min       2000.00
25%       3800.00
50%       4700.00
75%       6000.00
max      21800.00
Name: annual_income_10k_krw, dtype: float64

3-5. describe 결과 읽는 법

연소득(annual_income_10k_krw, 단위 만원) 열을 위에서부터 읽어 봅니다.

describe가 알려주지 않는 것 — 명명척도 변수

2-3에서 예고한 대로 명명척도 변수도 계산됩니다. 성별을 넣어 보면:

df["gender"].describe()   # 명명척도 변수에 describe를 쓰면?

count    10759.000000
mean         1.299749
std          0.458169
min          1.000000
25%          1.000000
50%          1.000000
75%          2.000000
max          2.000000
Name: gender, dtype: float64

"성별 평균 1.30"은 아무 의미가 없습니다. 이런 변수는 몇 명씩인지 세는 것(빈도표)이 맞고, 그 명령이 다음 차시의 value_counts()입니다(4-2). 오늘은 "describe 표에서 명명척도 변수 행은 건너뛰고 읽는다"만 기억하면 됩니다.

3-6. 오늘 확인 체크리스트

되는 항목마다 체크하세요. 체크 상태는 이 컴퓨터의 브라우저에 저장되어 다시 열어도 유지됩니다.

4. 다음 차시 미리보기

오늘 만든 df를 그대로 이어서 씁니다. 시간이 남으면 위에서부터 해 보고, 아니면 다음 차시에 다룹니다. 모든 코드는 진행자의 0511_agg.ipynb와 같습니다.

4-1. 대표값 하나씩 — mean · median · std

print(df["annual_income_10k_krw"].mean())     # 평균
print(df["annual_income_10k_krw"].median())   # 중앙값
print(df["annual_income_10k_krw"].std())      # 표준편차
print(df["annual_income_10k_krw"].min())      # 최솟값
print(df["annual_income_10k_krw"].max())      # 최댓값

5137.457069228066
4700.0
1998.988969223284
2000.0
21800.0

describe()가 한 번에 보여 준 값을 하나씩 꺼낸 것입니다. 한 셀에서 여러 줄을 출력할 때는 print()로 감싸야 모두 보입니다.

4-2. 범주형 변수 — value_counts

df["gender"].value_counts()                          # 빈도표: 코드별 몇 명인지

gender
1    7534
2    3225
Name: count, dtype: int64

df["gender"].value_counts(normalize=True).round(2)   # 비율표: normalize=True

gender
1    0.7
2    0.3
Name: proportion, dtype: float64

0.70이 아니라 0.7로 보이는 것은 끝자리 0이 생략된 것일 뿐입니다.

df["education_level"].value_counts(dropna=False)    # dropna=False: 결측값도 한 줄로 셈

education_level
5    5794
4    1829
3    1745
2     843
6     405
1     118
7      25
Name: count, dtype: int64

3-5에서 뜻 없던 "성별 평균 1.30"이 여기서는 "1이 7,534명(70%), 2가 3,225명(30%)"으로 읽힙니다. 명명척도 변수는 describe 대신 value_counts, 이것이 다음 차시의 핵심입니다.

4-3. 결측값 — isna

df.isna().sum().sort_values(ascending=False)
# df.isna()                     → 칸마다 결측이면 True
# .sum()                        → True 개수를 변수별로 합산
# .sort_values(ascending=False) → 많은 순으로 정렬

monthly_income_10k_krw    8637
offjt_effect              5086
ojt_effect                3903
major_field               2706
annual_income_10k_krw     2222
birth_year                  28
fatigue                      0
...

2-1의 "결측이 있는 변수 6개"를 코드로 확인한 것입니다. ojt_effect·offjt_effect의 결측은 무응답이 아니라 미참여자에게는 묻지 않은 문항이라는 점을 해석할 때 기억해 두세요.

4-4. 여러 통계량 한 번에 — agg · groupby

df["annual_income_10k_krw"].agg(["count", "mean", "median", "std", "min", "max"]).round(2)
# agg(): 원하는 통계량 이름을 목록으로 넘겨 한 번에 계산. describe에 없는 median도 넣을 수 있음

count      8537.00
mean       5137.46
median     4700.00
std        1998.99
min        2000.00
max       21800.00
Name: annual_income_10k_krw, dtype: float64

df.groupby("gender")["annual_income_10k_krw"].agg(["count", "mean", "median", "std"]).round(2)
# groupby("gender")          → 성별로 묶어서
# ["annual_income_10k_krw"]  → 연소득 열을 골라
# .agg([...])                → 집단별 통계량 계산

        count     mean  median      std
gender
1        6142  5484.76  5000.0  2019.76
2        2395  4246.80  3868.0  1637.20

df.groupby("education_level")["overall_job_satisfaction"].agg(["count", "mean", "std"]).round(2)
# 학력별 전반적 직무만족 평균

                 count  mean   std
education_level
1                  118  3.55  0.77
2                  843  3.38  0.66
3                 1745  3.33  0.71
4                 1829  3.43  0.71
5                 5794  3.45  0.72
6                  405  3.53  0.84
7                   25  3.36  0.76

"성별에 따라 소득이 다른가", "학력에 따라 만족도가 다른가"처럼 집단 비교가 기초통계 분석의 첫 질문입니다. groupby 한 줄로 집단별 표가 나옵니다.

4-5. 새 변수 만들기 — 나이

df["age"] = 2023 - df["birth_year"]   # 조사 연도 2023에서 출생연도를 빼 나이 열을 새로 만든다
df["age"].describe().round(1)

count    10731.0
mean        39.1
std         10.1
min         18.0
25%         31.0
50%         38.0
75%         46.0
max         81.0
Name: age, dtype: float64

등호 왼쪽에 없는 열 이름을 쓰면 새 열이 생깁니다. 이제 df.shape는 (10759, 48)이 됩니다. 원본 CSV 파일은 바뀌지 않습니다.

5. 막혔을 때

오류 문구는 셀 아래에 빨간 글씨로 나옵니다. 맨 마지막 줄만 읽으면 됩니다.

부록

A. 명령 한눈에

1차시 코드 전체를 한 번에 실행해 보려면 stats_lesson1.py를 내려받아 CSV와 같은 폴더에 두고 터미널에서 python stats_lesson1.py를 실행하세요.

B. describe 항목 뜻

기초통계 이론(평균·중앙값·표준편차·분포)의 자세한 설명은 배포한 기초통계.pdf를 참고하세요. 어떤 분석 방법을 골라야 할지는 아래 순서도로 찾습니다.