134. 물류창고 피킹 로봇 충돌 방지 및 경로 실습
실전 데이터 분석 134: 무인 로봇 피킹 경로 안전성 다변수 분석
📊 실습 개요 (Tutorial Overview)
본 실습은 실제 비즈니스 및 학계에서 자주 마주하는 물류창고 피킹 로봇 충돌 방지 및 경로를 주제로 다룹니다. 수집된 실제 통계 데이터셋을 바탕으로 Pandas 라이브러리를 통해 결측치를 과학적으로 정제하고, Seaborn 시각화를 통해 다중 요인의 입체적인 상관 경향을 진단합니다.
🛠️ 핵심 분석 실습 역량 (Core Skills)
- 결측치 median 대치 (`fillna`): 이송 센서 통신 일시 음영 대역 또는 수송 GPS 튕김으로 발생한 장애물밀도 변수의 빈칸을 안전하게 채웁니다.
- 상관 시너지 데이터 분석 및 해석: 단변수 빈도 분포 점검 및 독립/종속 다변수 결합 시각화를 통해 실무 가설을 증명합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🚚 물류 및 공급망 (Logistics & Supply Chain) 물류 및 배송 분석은 재고 입출고 회전율, 운송 지연 시간(Lead Time), 라스트마일 최적 경로 및 재고 손실 관리를 다루는 유통 핵심 분야입니다.
- 재고 실무 리스크(Shrinkage): 창고 관리에서 장부 재고와 실재고의 불일치(유실, 도난)를 진단하여 공급망 보안 비용을 진단합니다.
- 배송 리드타임 지연 분석: 날씨, 도로 상태 등의 다변수가 최종 라스트마일 배송에 미치는 통계적 유효 지연 분 단위(p-value)를 분석합니다.
- 크로스도킹 및 정박 혼잡도: 터미널 내 하역 적체 시간을 최소화하기 위해 운송 차량 유입 스파이크를 분산 배치하고 시간 병목을 완화합니다.
Step 1: 데이터 불러오기 및 기본 정보 확인 (Data Load)
제공된 CSV 파일을 분석 컴퓨터로 불러와 로드하고, 컬럼의 타입 및 데이터 구조를 확인합니다.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 한글 폰트 설정
import koreanize_matplotlib
sns.set_theme(style="whitegrid")
# 데이터 로드
df = pd.read_csv('./warehouse_robot_picking.csv')
print(df.info())
print(df.head())
💻 [실행 결과]
<class 'pandas.DataFrame'> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 RobotID 1000 non-null int64 1 ObstacleDensity_Percent 985 non-null float64 2 PathLength_Meters 1000 non-null float64 3 PowerConsumption_Wh 1000 non-null float64 4 CollisionAlerts 1000 non-null float64 5 MissionCompleted 1000 non-null int64 dtypes: float64(4), int64(2) memory usage: 47.0 KB None RobotID ObstacleDensity_Percent ... CollisionAlerts MissionCompleted 0 1340001 41.6 ... 140.4 0 1 1340002 65.1 ... 94.3 1 2 1340003 58.2 ... 67.8 1 3 1340004 49.4 ... 141.6 0 4 1340005 56.7 ... 74.2 0 [5 rows x 6 columns]
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 RobotID 1000 non-null int64
1 ObstacleDensity_Percent 985 non-null float64
2 PathLength_Meters 1000 non-null float64
3 PowerConsumption_Wh 1000 non-null float64
4 CollisionAlerts 1000 non-null float64
5 MissionCompleted 1000 non-null int64
dtypes: float64(4), int64(2)
memory usage: 47.0 KB
RobotID ObstacleDensity_Percent PathLength_Meters PowerConsumption_Wh CollisionAlerts MissionCompleted 0 1340001 41.6 5.7 270.1 140.4 0 1 1340002 65.1 4.6 252.1 94.3 1 2 1340003 58.2 2.7 188.8 67.8 1 3 1340004 49.4 8.1 298.4 141.6 0 4 1340005 56.7 2.6 227.5 74.2 0 ```
Step 2: 결측치 및 데이터 정제 (Data Cleaning)
수집 과정에서 빈칸으로 기록된 결측값(NaN)의 존재 여부를 진단하고, 데이터 도메인 성격에 부합하는 통계 수치 대입 기법으로 정제합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
median_val = df['ObstacleDensity_Percent'].median().round(1)
df['ObstacleDensity_Percent'] = df['ObstacleDensity_Percent'].fillna(median_val)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- RobotID 0 ObstacleDensity_Percent 15 PathLength_Meters 0 PowerConsumption_Wh 0 CollisionAlerts 0 MissionCompleted 0 dtype: int64 RobotID 0 ObstacleDensity_Percent 0 PathLength_Meters 0 PowerConsumption_Wh 0 CollisionAlerts 0 MissionCompleted 0 dtype: int64
ObstacleDensity_Percent 15 PathLength_Meters 0 PowerConsumption_Wh 0 CollisionAlerts 0 MissionCompleted 0
— 정제 후 결측치 확인 — RobotID 0 ObstacleDensity_Percent 0 PathLength_Meters 0 PowerConsumption_Wh 0 CollisionAlerts 0 MissionCompleted 0 ```
💡 분석가의 통찰 (Analyst’s Insight)
- 중앙값 대입 적용의 비즈니스 및 통계적 근거: 장애물밀도 정보는 긴 꼬리 분포나 일부 특이 이상치에 의해 평균이 한쪽으로 치우치기 쉬우므로 통계적 안정성이 강한 중앙값으로 결측을 대치합니다.
Step 3: 단변수 분포 분석 (Univariate EDA)
가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.
plt.figure(figsize=(8, 5))
# 단변수 분석 그래프 생성
sns.histplot(data=df, x='PathLength_Meters', kde=True, color='teal')
plt.title('물류창고 피킹 로봇 충돌 방지 및 경로 빈도 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 밀도 집중 대역 확인: PathLength_Meters 변수의 종형 곡선 또는 비대칭 스케일을 관찰하여, 다수가 모여 있는 주류 대역과 이상 극단치 구간을 감별합니다.
Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)
두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.
plt.figure(figsize=(9, 6))
# 다변수 분석 그래프 생성
sns.scatterplot(data=df, x='ObstacleDensity_Percent', y='PathLength_Meters', hue='CollisionAlerts', palette='coolwarm', alpha=0.8)
plt.title('ObstacleDensity_Percent와 PathLength_Meters 상관성 및 CollisionAlerts 대조', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 분산 경향과 위험 타겟 집중 진단: X축과 Y축 간의 선형 양/음의 관계선 흐름 속에서, CollisionAlerts 색상 점들이 특정한 영역에 쏠려 있는지 판독하여 다중 요인의 연계 시너지를 증명합니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [분석 도메인 통계 지식 한눈에 보기] 본 실습은 물류창고 피킹 로봇 충돌 방지 및 경로를 판독하기 위한 의사결정 프레임워크를 제공합니다.
- 단순 평균(Mean) 비교의 함정을 방어하기 위해 집단 간의 표준편차(Standard Deviation) 분산을 대조하고, 다변수 회귀 검증을 통해 우연의 일치가 아님을 유의 수준(p-value)을 통해 입증하는 의사결정 습관이 중요합니다.
🎯 30분 강의 마무리 및 심화 과제
오늘 우리는 실전 데이터셋을 분석하여 판다스로 데이터를 가공 및 정제하고, 시각화를 활용하여 핵심 변수 간의 통계적 유의성을 검증했습니다. 데이터 속에서 숨겨진 패턴을 올바른 시각으로 탐색하는 능력이 데이터 사이언티스트의 가장 강력한 무기입니다.
📝 심화 과제 (Advanced Challenge)
- 결측치를 채우기 전과 후의 통계량 변화 대조: 전후의 평균값 및 분산 격차를 코드로 구해 설명력을 확인하세요.
- 타겟 변수 기준 그룹화 비교: 타겟 레이블값 유무에 따른 핵심 피처들의 중간값 테이블 요약을 출력해 분석해 보세요.