서울 자전거 공유(따릉이) 수요 데이터 분석 및 예측

 

 

서울 자전거 공유(따릉이) 수요 데이터 분석 및 예측

• 학습 목표
• 데이터셋 소개
• 데이터 컬럼 설명
• 데이터 전처리 및 EDA
• 파생 변수 및 인코딩
• 상관관계 분석과 다중공선성
• 모델링 (Decision Tree / Random Forest)
• 오늘 공부한 내용 요약

---

학습 목표

이 글의 목적은 서울시 공공자전거(따릉이) 대여 수요 데이터를 활용하여 데이터 분석의 전반적인 흐름을 이해하고, EDA → 전처리 → 특성 엔지니어링 → 모델 학습 → 성능 평가까지의 과정을 경험하는 것입니다.

• EDA를 통해 데이터의 구조와 특성을 파악한다.
• 날짜 및 범주형 변수를 모델이 학습할 수 있도록 변환한다.
• 상관관계와 다중공선성을 고려하여 변수를 정제한다.
• 결정 트리와 랜덤 포레스트 모델을 활용해 수요를 예측한다.

---

1. 서울 자전거 공유 수요 데이터셋

본 데이터셋은 서울시의 공공자전거 대여 서비스인 따릉이의 시간대별 대여 수요를 예측하기 위해 사용됩니다.

날씨, 시간, 계절, 휴일 여부 등 다양한 요인을 바탕으로 Rented Bike Count(대여 수)를 예측하는 회귀 문제입니다.

데이터 출처: Kaggle – Seoul Bike Sharing Demand Dataset

---

2. 데이터셋 컬럼

• Date : 연월일
• Rented Bike Count : 시간당 자전거 대여 수
• Hour : 하루 중 시간
• Temperature : 기온
• Humidity : 습도 (%)
• Wind speed : 풍속 (m/s)
• Visibility : 가시거리 (m)
• Dew point temperature : 이슬점 온도
• Solar Radiation : 태양 복사량 (MJ/m²)
• Rainfall : 강우량 (mm)
• Snowfall : 적설량 (cm)
• Seasons : 계절
• Holiday : 휴일 여부
• Functioning Day : 운영 여부

---

3. 데이터 전처리 및 탐색적 데이터 분석 (EDA)

라이브러리 로드 및 데이터 불러오기

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

bike_df = pd.read_csv('/본인의 구글드라이브 경로/SeoulBikeData.csv', encoding='CP949')
bike_df

CP949는 Windows 환경에서 주로 사용되는 한국어 문자 인코딩으로, 한글이 깨지는 문제를 방지하기 위해 지정합니다.

데이터 구조 확인

bike_df.info()
bike_df.describe()
bike_df.columns

info()는 데이터 타입과 결측치 여부를, describe()는 수치형 데이터의 분포를 빠르게 파악하는 데 사용됩니다.

컬럼명 정리

bike_df.columns = ['Date', 'Rented Bike Count', 'Hour', 'Temperature', 'Humidity',
       'Wind speed', 'Visibility', 'Dew point temperature',
       'Solar Radiation', 'Rainfall', 'Snowfall', 'Seasons',
       'Holiday', 'Functioning Day']

변수 간 관계 시각화

sns.scatterplot(x='Temperature', y='Rented Bike Count', data=bike_df, alpha=0.3)

온도가 높아질수록 대여 수가 증가하는 경향을 시각적으로 확인할 수 있습니다.

sns.scatterplot(x='Hour', y='Rented Bike Count', data=bike_df, alpha=0.3)

출퇴근 시간대에 수요가 집중되는 패턴이 관찰됩니다.

---

4. 날짜 처리 및 파생 변수 생성

bike_df['Date'] = pd.to_datetime(bike_df['Date'], format='%d/%m/%Y')
bike_df['year'] = bike_df['Date'].dt.year
bike_df['month'] = bike_df['Date'].dt.month
bike_df['day'] = bike_df['Date'].dt.day

날짜 데이터는 그대로 두기보다 연, 월, 일 단위로 분해하면 계절성이나 장기적인 패턴을 모델이 더 잘 학습할 수 있습니다.

시간대 범주화

bike_df['TimeOfDay'] = pd.cut(
    bike_df['Hour'],
    bins=[0, 5, 11, 17, 23],
    labels=['Dawn', 'Morning', 'Afternoon', 'Evening'],
    include_lowest=True
)

연속형 변수인 Hour를 의미 있는 시간대 범주로 변환하여 해석력과 모델 성능 향상을 기대할 수 있습니다.

---

5. 상관관계 분석 및 다중공선성

correlation_matrix = bike_df.corr()
target_corr = correlation_matrix['Rented Bike Count'].sort_values(ascending=False)
print(target_corr)

corr() 함수는 변수 간 선형 관계를 수치로 확인할 수 있으며, 상관관계가 지나치게 높은 변수들은 다중공선성 문제를 일으킬 수 있습니다.

상관관계 히트맵

plt.figure(figsize=(16, 12))
sns.heatmap(correlation_matrix, annot=True, fmt='.2f', cmap='coolwarm')
plt.show()

★ 이미지 삽입 위치 (상관관계 히트맵)

VIF 개념

VIF(Variance Inflation Factor)는 한 독립변수가 다른 독립변수들에 의해 얼마나 설명되는지를 나타내는 지표입니다.

• VIF < 5 : 문제 없음
• 5 ≤ VIF < 10 : 주의
• VIF ≥ 10 : 다중공선성 의심

---

6. 모델링

학습 / 테스트 데이터 분리

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    bike_df.drop('Rented Bike Count', axis=1),
    bike_df['Rented Bike Count'],
    test_size=0.3,
    random_state=2025
)

결정 트리 회귀

※ DecisionTreeRegressor

DecisionTreeRegressor는 주어진 데이터를 반복적으로 분할하여 예측을 수행합니다. 각 분할은 데이터의 목표 변수 값을 예측하는 데 가장 적합한 값을 찾기 위해 이루어집니다. 이를 통해 데이터를 점차 더 작은 부분으로 나누고, 각 부분에서 평균값을 예측값으로 사용하는 방식입니다. DecisionTreeRegressor  데이터를 두 가지 그룹으로 분할합니다. 각 분할에서 목표는 두 그룹의 MSE가 가능한 한 낮도록 만드는 것입니다. 즉, 각 분할에서의 MSE가 최소화되도록 분할점을 찾습니다.

from sklearn.tree import DecisionTreeRegressor

dtr = DecisionTreeRegressor(random_state=2025)
dtr.fit(X_train, y_train)
pred1 = dtr.predict(X_test)

결정 트리는 해석이 쉬운 대신 과적합이 발생하기 쉬워 하이퍼파라미터 조정이 중요합니다.

랜덤 포레스트

from sklearn.ensemble import RandomForestRegressor

rf = RandomForestRegressor(random_state=2025)
rf.fit(X_train, y_train)
pred4 = rf.predict(X_test)

랜덤 포레스트는 여러 개의 결정 트리를 결합한 앙상블 모델로, 일반적으로 단일 트리보다 안정적인 성능을 보입니다.

★ 이미지 삽입 위치 (특성 중요도 그래프)

---

오늘 공부한 내용 요약

• 서울 자전거 대여 데이터를 활용한 회귀 문제를 이해했다.
• EDA를 통해 변수 간 관계와 데이터 특성을 파악했다.
• 날짜 및 범주형 변수를 모델 학습이 가능하도록 변환했다.
• 상관관계와 다중공선성을 고려해 변수를 정제했다.
• 결정 트리와 랜덤 포레스트 모델의 특징과 차이를 확인했다.

명령어 / 함수	설명	주요 옵션/인자
pd.read_csv()	CSV 파일을 DataFrame으로 불러오는 함수	encoding, sep, path
pd.to_datetime()	문자열 형태의 날짜 데이터를 datetime 타입으로 변환	format
pd.get_dummies()	범주형 변수를 원-핫 인코딩으로 변환	columns, drop_first
corr()	수치형 변수 간 상관관계 계산	Pearson (기본)
DecisionTreeRegressor	결정 트리 기반 회귀 모델	max_depth, min_samples_leaf
RandomForestRegressor	여러 결정 트리를 결합한 앙상블 회귀 모델	n_estimators, random_state