실전 데이터 분석 71: 전기차 구동 배터리 용량 및 주행 속도별 대기 온도 변동 대비 최대 주행 가능 거리 분석
📌 강의 개요 (30분 완성)
전기차 주행 구동 테스트 로그입니다. 배터리 팩 용량, 구동 속도, 외기 온도 및 공조 히터/에어컨 가동 조건이 실 주행 마일리지(Range_km)에 미치는 효율성 하락 폭을 분석합니다.
학습 목표:
- 용량 그룹 가중 평균 대치 (
groupby.transform): 주행 거리는 장착 배터리 크기에 직접 의존하므로 팩 용량별 평균 거리로 결측치를 정밀 대치합니다. - 공조 및 주행 조건별 산점도 시각화 (
boxplot,scatterplot): 공조기 작동 여부별 거리 상자와 속도 대비 주행거리 위 기온 오버레이 다차원 산점도를 도출합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🚗 교통 및 스마트 시티 (Transportation & Urban Engineering) 스마트 시티 교통 인프라 혼잡도 예측, 차량 호출 요금 동적 최적화, 기하학적 사고 지점 진단을 수행하는 시계열 공간 통계 분야입니다.
- 혼잡도 병목(Congestion): 지하철 및 전기차 충전소 유입 대기 시간 통계를 분석하여 병목 해소를 위한 요일/시간 분산 정책을 고안합니다.
- 다이내믹 요금(Dynamic Pricing): 실시간 차량 호출 수요 대비 공급 상태를 계량하여 수요 유도를 위한 가격 탄력선 경계를 설정합니다.
- 진동 및 소음 계측: 철도 주변 소음 진동 통계를 측정하여 시민 주거 영향 반경의 통계 유의 범위를 분석합니다.
Step 1: 데이터 구조 살펴보기 (Data Overview)
csv_data 폴더에 준비해 둔 ev_battery.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('./ev_battery.csv')
# 데이터 구조 및 첫 5행 확인
df = pd.read_csv('./ev_battery.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 TestID 1000 non-null int64 1 Capacity_kWh 1000 non-null int64 2 AmbientTemp 1000 non-null float64 3 Speed_kmh 1000 non-null float64 4 Range_km 987 non-null float64 5 AC_On 1000 non-null str dtypes: float64(3), int64(2), str(1) memory usage: 49.3 KB None TestID Capacity_kWh AmbientTemp Speed_kmh Range_km AC_On 0 710001 60 14.9 102.8 300.8 No 1 710002 75 -9.5 114.9 216.7 No 2 710003 85 14.3 42.2 377.9 No 3 710004 60 3.1 82.6 261.5 Yes 4 710005 100 -8.5 95.8 395.3 No
<class ‘pandas.DataFrame’>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 TestID 1000 non-null int64
1 Capacity_kWh 1000 non-null int64
2 AmbientTemp 1000 non-null float64
3 Speed_kmh 1000 non-null float64
4 Range_km 987 non-null float64
5 AC_On 1000 non-null str
dtypes: float64(3), int64(2), str(1)
memory usage: 47.0 KB
TestID Capacity_kWh AmbientTemp Speed_kmh Range_km AC_On
0 710001 60 14.9 102.8 300.8 No
1 710002 75 -9.5 114.9 216.7 No
2 710003 85 14.3 42.2 377.9 No
3 710004 60 3.1 82.6 261.5 Yes
4 710005 100 -8.5 95.8 395.3 No
```
💡 코드 딥다이브 (Code Deep Dive)
주요 분석 대상 컬럼:
TestID: 전기차 시험 고유 번호Capacity_kWh: 구동 배터리 팩 장착 용량 (60, 75, 85, 100 kWh 등)AmbientTemp: 주행 시점의 외부 대기 온도 (℃)Speed_kmh: 전기차 구동 주행 속도 (km/h)Range_km: 배터리 방전 시점까지 기록한 주행 가능 거리 (km) (결측치 존재)AC_On: 에어컨 및 히터 공조 장비 가동 여부 (Yes/No)
Step 2: 전처리와 결측치 정제 (Preprocess)
현실의 데이터는 항상 누락이 있거나 유효성 정제가 필요합니다. 데이터 전처리 단계에서 결측 상태를 확인하고 올바르게 보정합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
df['Range_km'] = df.groupby('Capacity_kWh')['Range_km'].transform(lambda x: x.fillna(x.mean()))
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- TestID 0 Capacity_kWh 0 AmbientTemp 0 Speed_kmh 0 Range_km 13 AC_On 0 dtype: int64 TestID 0 Capacity_kWh 0 AmbientTemp 0 Speed_kmh 0 Range_km 0 AC_On 0 dtype: int64
— 정제 전 결측치 확인 — TestID 0 Capacity_kWh 0 AmbientTemp 0 Speed_kmh 0 Range_km 13 AC_On 0
— 정제 후 결측치 확인 — TestID 0 Capacity_kWh 0 AmbientTemp 0 Speed_kmh 0 Range_km 0 AC_On 0
```
💡 분석가의 통찰 (Analyst’s Insight)
- 배터리 용량별 전처리 보정의 중요성: 전기차 최대 주행거리는 기본 팩 용량(Capacity_kWh) 스케일에 비례합니다. 60kWh 차량과 100kWh 대형 차량의 거리 결측을 전체 차종 통합 평균으로 뭉뚱그려 대입하면 심각한 예측 왜곡이 발생하므로 용량별 조건부 평균으로 정밀 보완합니다.
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.boxplot(data=df, x='AC_On', y='Range_km', palette='Set3')
plt.title('에어컨/히터 가동 여부별 주행 가능 거리 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 공조 전력 소모에 따른 주행 마일리지 감가: 공조 시스템을 가동한 그룹(Yes)의 주행 거리 상자 범위가 미가동 그룹(No) 대비 약 10~15% 하향 이동한 수축 양상을 띱니다. 차량 주행 외에 실내 냉난방 전력 소모가 배터리 방전율을 유의미하게 가속화함을 보장합니다.
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='Speed_kmh', y='Range_km', hue='AmbientTemp', palette='coolwarm', alpha=0.8)
plt.title('차량 주행 속도 대비 배터리 방전 거리 상관 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 최적 속도 크루징 구간 및 혹한기 성능 저하 관찰: 주행 속도가 너무 낮거나(30km/h 이하) 과도하게 높을 때(120km/h 이상) 공기저항 및 모터 부하로 거리가 줄어들며, 시속 80km 내외 크루징 영역에서 최고의 주행거리를 띠는 포물선 분포가 나타납니다. 아울러 혹한(AmbientTemp < 0, 파란색 계열) 기후 조건에서 고속 주행 시 배터리 화학 반응 둔화로 성능이 대폭 수축하는 패턴이 입증됩니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [전기 모터 효율성 곡선과 극단적 대기 온도에 따른 리튬이온 배터리 용량 수축 메커니즘] … (생략: EV 배터리 최적 주행 요율 및 온도 연계 물리 설명)
🎯 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)
- 외기 온도(AmbientTemp)와 주행 거리의 상관 분석: 대기 기온과 주행 가능 거리 간의 상관계수를 산출하고, 겨울철 연비 저하의 강도를 규명해 보세요.
- kWh당 주행 효율성 파생변수 생성:
Efficiency = df['Range_km'] / df['Capacity_kWh']변수를 만들고, 에어컨 가동 여부에 따른 1kWh당 연비 효율을 대조해 보세요.