실전 데이터 분석 26: 심장 질환 예측 (Binning과 그룹별 박스플롯)

📌 강의 개요 (30분 완성)

의료 데이터 분석의 대표적인 사례인 심장 질환(Heart Disease) 예측 데이터입니다. 환자의 나이, 혈압, 콜레스테롤, 최대 심박수 등 다양한 신체 수치를 바탕으로 이 환자가 심장병 발병 고위험군인지 아닌지를 분류(Classification)하는 법을 배웁니다.

학습 목표:

  • 연속형 변수 범주화 (pd.cut): 29세부터 77세까지 너무 잘게 쪼개져 있는 나이(age) 데이터를 ‘40대’, ‘50대’ 등 통계 내기 좋은 그룹 단위로 묶어버리는 비닝(Binning) 기술을 마스터합니다.
  • 타겟 불균형 확인 (sns.countplot): 머신러닝 분류 모델을 만들기 전, 정답지 데이터가 정상인과 환자 그룹 간에 공평하게 50:50으로 나뉘어 있는지 반드시 체크하는 실무 루틴을 익힙니다.
  • 다중 그룹 박스플롯 (sns.boxplot): ‘연령대(X축)’별로 ‘최대 심박수(Y축)’가 어떻게 다른지, 그리고 그 안에서 ‘발병 유무(Hue)’에 따라 분포가 어떻게 갈라지는지 3차원적인 시각화로 증명합니다.

Step 1: 심장 질환 진단 데이터 구조 (Overview)

Step 1 데이터 구조 개념도

csv_data 폴더에 준비해 둔 heart_disease.csv 파일을 판다스로 불러옵니다.

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

# 그래프 설정
plt.rcParams['font.family'] = 'AppleGothic'
plt.rcParams['axes.unicode_minus'] = False
sns.set_palette("muted")

# 로컬 CSV 파일 불러오기
df = pd.read_csv('../csv_data/heart_disease.csv')

# 데이터 구조 및 첫 5행 확인
print(df.info())
display(df.head())

💡 코드 딥다이브 (Code Deep Dive)

주요 신체 징후 (Features, X):

  • age(나이), sex(성별: 1=남, 0=여), cp(가슴 통증 유형)
  • trestbps(안정 시 혈압), chol(콜레스테롤 수치)
  • thalach(달성한 최대 심박수)

예측 타겟 (Target, Y):

  • target: 심장 질환 발병 여부 (1=발병, 0=정상). 우리의 AI가 최종적으로 맞혀야 할 정답입니다.

Step 2: 연속형 변수 범주화 (Binning) - pd.cut

Step 2 데이터 정제 개념도

환자의 나이(age)는 최소 29세부터 최대 77세까지 1살 단위로 너무 잘게 흩어져 있습니다. 이대로는 연령대별 통계(예: 50대 환자들의 특징)를 낼 수가 없습니다. 이를 바구니(Bin)에 담아 그룹화해 봅시다.

# 나이의 최소값과 최대값 확인
print(f"최소 연령: {df['age'].min()}세, 최대 연령: {df['age'].max()}세\n")

# pd.cut()을 사용하여 연령대(age_group) 파생 변수 생성
bins = [20, 39, 49, 59, 69, 80]
labels = ['20-30s', '40s', '50s', '60s', '70s']

df['age_group'] = pd.cut(df['age'], bins=bins, labels=labels)

# 파생 변수가 잘 만들어졌는지 5명만 무작위 샘플링하여 확인
display(df[['age', 'age_group', 'target']].sample(5))

💡 분석가의 통찰 (Analyst’s Insight)

  • pd.cut(데이터, bins=기준점, labels=이름) 함수는 연속된 숫자를 칼로 자르듯(cut) 쪼개어 카테고리로 묶어주는 매우 강력한 함수입니다.
  • 이를 데이터 과학에서는 비닝(Binning) 또는 버킷팅(Bucketing)이라고 부릅니다. 지나치게 세밀한 데이터의 노이즈를 줄여주고, 사람이 이해하기 쉬운 거시적인 트렌드를 볼 수 있게 해 줍니다.

Step 3: 분류 모델을 위한 타겟 균형 확인 (Univariate EDA)

Step 3 시각화 개념도

분류(Classification) 인공지능을 만들기 전, 가장 먼저 확인해야 할 것은 정답지(target)의 밸런스입니다. 만약 환자가 1명이고 정상인이 99명이라면, AI는 학습을 포기하고 무조건 “정상”이라고만 찍는 꼼수(정답률 99%)를 부리게 됩니다.

plt.figure(figsize=(7, 5))

# 타겟(정상 vs 발병) 비율을 막대그래프로 확인
sns.countplot(data=df, x='target', palette=['#3498db', '#e74c3c'])

plt.title('심장 질환 발병 여부 데이터 균형 (클래스 밸런스)', fontsize=16)
plt.xlabel('진단 결과 (0: 정상, 1: 발병)')
plt.ylabel('환자 수 (명)')

# 막대 위에 실제 사람 수(명)를 텍스트로 적어주기
for i, count in enumerate(df['target'].value_counts().sort_index()):
    plt.text(i, count + 2, f"{count}명", ha='center', fontweight='bold')

plt.grid(True, axis='y', linestyle=':', alpha=0.5)
plt.show()

💡 시각화 차트 읽는 법

  • 정상인(0)이 138명, 심장병 환자(1)가 165명입니다.
  • 비율이 대략 45:55 정도로, 어느 한쪽으로 크게 치우치지 않은 아주 훌륭한 밸런스(Balanced Data)를 유지하고 있습니다. 이 데이터를 쓴다면 AI가 ‘발병’과 ‘정상’의 특징을 공평하게 학습할 수 있습니다.

Step 4: 다중 그룹 박스플롯의 마법 (Multivariate EDA)

Step 4 상관관계 분석 개념도

Step 2에서 묶어둔 연령대(age_group)별로, 최대 심박수(thalach)가 어떻게 달라지는지 박스플롯을 그려보겠습니다. 여기서 핵심은 hue='target'을 주어, 같은 연령대 내에서도 발병 환자와 정상인의 심박수가 어떻게 차이 나는지 극명하게 대조해 보는 것입니다.

plt.figure(figsize=(10, 6))

# X축: 연령대, Y축: 최대 심박수, Hue(색상): 발병 유무
sns.boxplot(data=df, x='age_group', y='thalach', hue='target', 
            palette=['#3498db', '#e74c3c'], width=0.6)

plt.title('연령대별 최대 심박수(Thalach) 분포 (정상 vs 심장 질환)', fontsize=16)
plt.xlabel('연령대 (Age Group)')
plt.ylabel('달성한 최대 심박수 (Thalach)')

# 범례 이름 깔끔하게 정리
plt.legend(title='진단 결과', labels=['0: 정상', '1: 발병 고위험군'], loc='upper right')
plt.grid(True, axis='y', linestyle='--', alpha=0.5)

plt.show()

💡 코드 딥다이브 & 인사이트 (매우 중요!)

  • 연령별 쇠퇴: 그래프 전체가 40대에서 60대로 갈수록 우하향합니다. 나이가 들수록 인간의 최대 심박수는 자연스럽게 떨어지기 때문입니다.
  • 치명적인 단서 발굴: 각 연령대 그룹(40s, 50s, 60s) 안을 자세히 들여다보세요. 모든 연령대를 불문하고, 심장 질환 발병 환자(빨간색 박스)의 최대 심박수가 정상인(파란색 박스)보다 눈에 띄게 훨씬 높게(위에) 형성되어 있습니다.
  • 결론: 최대 심박수(thalach)는 의사가 심장병을 진단할 때 가장 중요하게 쳐다보는 핵심 단서(Feature) 중 하나임이 시각적으로 완벽하게 증명되었습니다.

🎯 30분 강의 마무리 및 심화 과제

heart_disease 데이터를 통해 숫자로 흩어진 나이를 pd.cut()으로 썰어서 깔끔한 그룹으로 만드는 피처 엔지니어링을 수행했고, 분류 문제의 생명줄인 타겟 데이터 밸런스를 점검했으며, X축(연령) x Y축(심박수) x Hue(발병)를 조합한 다중 박스플롯으로 질병의 강력한 힌트를 찾아냈습니다.

📝 심화 과제 (Advanced Challenge)

  1. 콜레스테롤 분석: Step 4의 박스플롯 코드에서 Y축을 최대 심박수(thalach) 대신 혈중 콜레스테롤(chol)로 바꿔서 그려보세요. 연령대가 올라갈수록 혈관에 기름이 끼면서 콜레스테롤이 높아지는지, 그리고 환자와 정상인 간에 콜레스테롤 차이가 유의미한지 눈으로 확인해 봅니다.
  2. 혈압(trestbps) 3단계 Binning: pd.cut()을 한 번 더 연습해 봅시다. 환자의 안정 시 혈압(trestbps)을 기준으로 bins=[0, 120, 140, 250]으로 자르고, 라벨을 ['정상혈압', '주의/전단계', '고혈압']으로 지정하여 새로운 혈압 상태 파생 변수를 만들어 보세요!
서브목차