실전 데이터 분석 46: 스택 오버플로우 개발자 연차(YearsCode) 및 주력 언어별 연봉 격차 다차원 분석
📌 강의 개요 (30분 완성)
글로벌 최대 개발자 지식 커뮤니티인 스택 오버플로우(Stack Overflow)의 설문조사 로그 데이터셋입니다. 개발자의 코딩 연차(YearsCode)와 주 사용 프로그래밍 언어(Primary Language)가 실제 시장에서 지급되는 연봉(Salary)에 어떤 가중 효과를 발휘하는지 통계적으로 비교하고 시각화합니다.
학습 목표:
- 경험 대비 급여 탐색 (
lineplot): 코딩 경험 연차의 오름에 따라 전체 평균 연봉이 우상향하는 경로를 언어별 범주(hue)로 분리해 시각화합니다. - 언어 분포 요약 (
countplot): 설문 참여자들의 메인 선호 언어 분포 점유비를 카운트 플롯 가로 막대로 빠르게 진단합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
💰 금융 및 핀테크 (Finance & FinTech) 금융 데이터 분석은 자산의 리스크 관리(Credit Risk), 투자 자산 평가, 이상 금융 거래 감지(FDS) 등을 해결하기 위한 통계적 검정 분야입니다.
- 리스크와 대출 부도(Default): 대출 연체 여부나 투자 손실 위험은 금융 자산 건전성을 지키기 위해 고도화된 스코어링 모형으로 분석됩니다.
- 소득 대비 부채 비율(DTI): 개인이 갚을 수 있는 능력 한도를 객관적으로 판단하는 지표로 금융 신용 여신 관리의 핵심 척도입니다.
- 자산 변동성(Volatility): 주가나 크립토 시세의 표준편차는 위험 자산의 위험도를 계산(VaR)하고 투자 포트폴리오를 다변화하는 기준이 됩니다.
Step 1: 데이터 구조 살펴보기 (Data Overview)
csv_data 폴더에 준비해 둔 stackoverflow_survey.csv 파일을 판다스로 불러옵니다.
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# 그래프 설정 (한글 폰트 및 마이너스 기호 깨짐 방지)
import koreanize_matplotlib
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")
# 로컬 CSV 파일 불러오기
df = pd.read_csv('./stackoverflow_survey.csv')
# 데이터 구조 및 첫 5행 확인
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 RespondentID 1000 non-null int64 1 Country 1000 non-null str 2 YearsCode 1000 non-null int64 3 Employment 1000 non-null str 4 Salary 1000 non-null int64 5 PrimaryLanguage 1000 non-null str dtypes: int64(3), str(3) memory usage: 74.2 KB None RespondentID Country YearsCode Employment Salary PrimaryLanguage 0 300001 US 6 Employed full-time 60606 JavaScript 1 300002 US 9 Employed full-time 62752 Python 2 300003 India 20 Employed full-time 118035 Python 3 300004 India 19 Employed full-time 111392 JavaScript 4 300005 US 12 Employed full-time 88502 JavaScript
<class ‘pandas.DataFrame’> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype — —— ————– —– 0 RespondentID 1000 non-null int64 1 Country 1000 non-null object 2 YearsCode 1000 non-null int64 3 Employment 1000 non-null object 4 Salary 1000 non-null int64 5 PrimaryLanguage 1000 non-null object dtypes: int64(3), object(3) memory usage: 47.0 KB None RespondentID Country YearsCode Employment Salary PrimaryLanguage 0 300001 US 6 Employed full-time 60606 JavaScript 1 300002 US 9 Employed full-time 62752 Python 2 300003 India 20 Employed full-time 118035 Python 3 300004 India 19 Employed full-time 111392 JavaScript 4 300005 US 12 Employed full-time 88502 JavaScript
```
💡 코드 딥다이브 (Code Deep Dive)
주요 분석 대상 컬럼:
RespondentID: 익명 설문조사 응답자 식별 코드Country: 개발자 거주 국가YearsCode: 전문 프로그래밍 코딩 연차 (년수)Employment: 재직 고용 형태 (Employed full-time = 정규직, Independent contractor = 프리랜서 등)Salary: 연간 환산 급여 소득 (USD)PrimaryLanguage: 현업에서 주로 사용하는 주력 프로그래밍 언어
Step 2: 전처리와 결측치 정제 (Preprocess)
현실의 데이터는 항상 누락이 있거나 유효성 정제가 필요합니다. 데이터 전처리 단계에서 결측 상태를 확인하고 올바르게 보정합니다.
# 1. 고용 상태별 연봉 평균 기술 통계 추출
print("--- 고용 형태별 평균 연봉 ($) ---")
print(df.groupby('Employment')['Salary'].mean())
# 2. 특정 주요 개발 국가(US vs India) 개발자 평균 연차 대조
print("\n--- US vs India 평균 코딩 연차 ---")
print(df[df['Country'].isin(['US', 'India'])].groupby('Country')['YearsCode'].mean())
💻 [실행 결과]
--- 고용 형태별 평균 연봉 ($) --- Employment Employed full-time 79117.903869 Independent contractor 81049.441176 Not employed 77134.266667 Name: Salary, dtype: float64 --- US vs India 평균 코딩 연차 --- Country India 10.719665 US 10.628415 Name: YearsCode, dtype: float64
— 고용 형태별 평균 연봉 ($) — Employment Employed full-time 79093.208188 Independent contractor 81135.530000 Not employed 77651.980000 Name: Salary, dtype: float64
— US vs India 평균 코딩 연차 — Country India 10.372 US 10.500 Name: YearsCode, dtype: float64
```
💡 분석가의 통찰 (Analyst’s Insight)
- 고용 형태와 거주 국가의 고른 분포: 정규직 개발자 그룹의 연간 급여 수준은 프리랜서 독립 계약자($81.1k)와 비교하여 안정적으로 정합되어 있습니다. 인도와 미국 개발자들의 평균 경험 연차 역시 약 10.3년, 10.5년 수준으로 유사하게 매칭되어 있어, 국가 간 연봉 단가 프리미엄을 순수하게 대조할 수 있는 좋은 통계적 통제 환경을 이룹니다.
Step 3: 단변수 분포 분석 (Univariate EDA)
가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.
plt.figure(figsize=(8, 5))
# countplot을 사용해 주력 프로그래밍 언어의 응답 빈도 시각화
sns.countplot(data=df, x='PrimaryLanguage', palette='Set2')
plt.title('개발자 주력 프로그래밍 언어(Primary Language) 선호 빈도', fontsize=14, fontweight='bold')
plt.xlabel('프로그래밍 언어')
plt.ylabel('응답자 수 (명)')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 웹 개발 및 데이터 과학 언어의 대세: 시각화 결과 파이썬(Python)과 자바스크립트(JavaScript)가 주력 언어 분포에서 가장 높은 비중을 차지하고 있습니다. 글로벌 개발 현업에서 프론트엔드/백엔드 웹 생태계와 AI/데이터 연산 분야의 주도권이 이 두 언어에 집중되어 있음을 실물 데이터가 그대로 대변합니다.
Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)
두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.
plt.figure(figsize=(9, 5))
# 연차별 급여 성장의 트렌드를 언어별 다선 그래프로 관찰
sns.lineplot(data=df, x='YearsCode', y='Salary', hue='PrimaryLanguage', err_style=None)
plt.title('개발자 연차(YearsCode)와 연봉(Salary) 관계', fontsize=14, fontweight='bold')
plt.xlabel('코딩 연차 (년)')
plt.ylabel('평균 연봉 ($)')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 경험 연차 비례 급여 우상향 및 고단가 신흥 언어 포착: 연차가 올라갈수록 급여가 꾸준히 비례하여 상승하는 우상향 트렌드를 확인하는 한편, 고(Go)나 러스트(Rust)처럼 클라우드/시스템 엔지니어링에 최적화된 신흥 언어 그룹의 가격선이 파이썬이나 자바스크립트 평균선에 비해 상단에 따로 우뚝 솟아 고연봉 단가를 기록하는 언어별 몸값 격차 현상을 확인할 수 있습니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [통제변수(Control Variable)와 허위 상관의 통계 직관] 단순히 “Go 언어를 쓰는 개발자가 HTML/CSS를 쓰는 퍼블리셔보다 급여가 높다”라고 보고할 때, “그저 Go 개발자들이 연차가 훨씬 높아서 많이 받는 것 아니냐?”라는 합리적 의문이 제기될 수 있습니다. 이를 통계적 교란이라 하며, 진짜 순수한 언어의 연봉 가중치를 규명하려면 통제변수를 적용해야 합니다.
- ‘경험 연차(YearsCode)’라는 변수의 기여도를 동일선상에 묶어놓고 통제한 상태에서 순수하게 언어 종류가 급여에 미치는 독립 영향도를 계산하는 것이 바로 다중 회귀 분석(Multiple Regression)입니다.
- 연차를 통제한 뒤에도 Go/Rust의 회귀 계수가 통계적으로 유의미한 양의 계수를 기록한다면, 이는 경험 연차와 상관없이 ‘언어 스킬 자체’에 따른 순수한 몸값 프리미엄이 시장에 존재한다는 통계적으로 완벽한 인과적 증거가 됩니다.
🎯 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)
- 미국(US) 개발자 연봉 서브셋 분석: 전체 데이터에서
Country == 'US'인 미국 개발자들만 별도로 추출하여, 이들의 연차 대비 연봉 상관계수(corr())를 산출하고 타 국가들과 격차를 논해 보세요. - 연차 구간 비닝(Binning)에 따른 박스플롯 대조: 연차(
YearsCode)를 1~5년(Junior), 6~12년(Mid-level), 13년 이상(Senior) 세 등급으로 범주화하여 파생변수를 추가하고, 연차 등급별 급여 분포 편차를sns.boxplot으로 시각화해 보세요.