비닝(Binning)

R Analytics

모든 경우는 아니지만 연속형 변수를 비닝하면, 데이터의 분포에 따라서 이상치(outliers)로 발생할 수 있는 이슈를 회피하거나 과적합(over fitting)을 완화시켜주기도 한다. 그래서 흔하지 않지만, 가끔은 연속형 변수를 범주형 변수로 변환할 필요가 있다. 특히 금융권에서 사용하는 스코어카드 기법에서는 연속형 변수를 범주형 변수로 변환하는 작업을 빈번히 사용한다.

유충현
2021-02-06

다룰 이야기

연속형 변수가 범주화되면 디테일한 데이터의 정보가 사라진다. 예를 들면 시험성적이 96점인 학생의 A 학점은 90점으로 A 학점을 받은 학생과 동일하게 인식되지만, 두 학생의 성적 우열은 엄연히 존재한다.

모든 경우는 아니지만 연속형 변수를 비닝하면, 데이터의 분포에 따라서 이상치(outliers)로 발생할 수 있는 이슈를 회피하거나 과적합(over fitting)을 완화시켜주기도 한다. 그래서 흔하지 않지만, 가끔은 연속형 변수를 범주형 변수로 변환할 필요가 있다. 특히 금융권에서 사용하는 스코어카드 기법에서는 연속형 변수를 범주형 변수로 변환하는 작업을 빈번히 사용한다.

dlookr 패키지에는 일반적인 비닝과 스코어링 모델(Scoring Modeling)을 위한 Optimal Binning 기능을 지원한다. 여기서는 일반적인 방법으로서의 비닝에 대해서만 다룬다.

비닝(Binning)

비닝(Binning)을 쉽게 이해하려면 히스토그램을 떠올리면 된다. 다음은 iris 데이터 중 연속형 변수를 히스토그램으로 표현한 것이다. 연속형 변수를 일정한 간격으로 나누어 계급(class)을 만든 후 해당하는 계급의 구간(class interval)에 몇 개의 관측치가 포함되는지 집계한 것이 도수분포표(frequency table)다. 그리고 계급 구간별로 도수를 막대의 높이로 표현한 것이 히스토그램(histogram)이다. 원래의 데이터를 데이터가 포함된 계급에 매핑하는 범주화하는 이 작업도 비닝의 한 방법이다.

iris$Sepal.Length

  [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7
 [17] 5.4 5.1 5.7 5.1 5.4 5.1 4.6 5.1 4.8 5.0 5.0 5.2 5.2 4.7 4.8 5.4
 [33] 5.2 5.5 4.9 5.0 5.5 4.9 4.4 5.1 5.0 4.5 4.4 5.0 5.1 4.8 5.1 4.6
 [49] 5.3 5.0 7.0 6.4 6.9 5.5 6.5 5.7 6.3 4.9 6.6 5.2 5.0 5.9 6.0 6.1
 [65] 5.6 6.7 5.6 5.8 6.2 5.6 5.9 6.1 6.3 6.1 6.4 6.6 6.8 6.7 6.0 5.7
 [81] 5.5 5.5 5.8 6.0 5.4 6.0 6.7 6.3 5.6 5.5 5.5 6.1 5.8 5.0 5.6 5.7
 [97] 5.7 6.2 5.1 5.7 6.3 5.8 7.1 6.3 6.5 7.6 4.9 7.3 6.7 7.2 6.5 6.4
[113] 6.8 5.7 5.8 6.4 6.5 7.7 7.7 6.0 6.9 5.6 7.7 6.3 6.7 7.2 6.2 6.1
[129] 6.4 7.2 7.4 7.9 6.4 6.3 6.1 7.7 6.3 6.4 6.0 6.9 6.7 6.9 5.8 6.8
[145] 6.7 6.7 6.3 6.5 6.2 5.9
hist_info <- hist(iris$Sepal.Length, col = "lightblue")

히스토그램을 그리는 hist() 함수는 유용한 정보를 list로 반환한다. 정보의 반환을 return() 함수가 아닌 invisible() 함수를 사용해서 별도의 이름에 할당한 후 그 정보를 사용할 수 있다. 특히 계급을 정의할 수 있는 계급의 경계는 breaks로, 계급 구간에 포함된 원 데이터의 개수인 도수(frequency)는 counts로 반환되었다. density는 상대도수(relative frequency)를 의미한다.

hist_info

$breaks
[1] 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0

$counts
[1]  5 27 27 30 31 18  6  6

$density
[1] 0.06666667 0.36000000 0.36000000 0.40000000 0.41333333 0.24000000
[7] 0.08000000 0.08000000

$mids
[1] 4.25 4.75 5.25 5.75 6.25 6.75 7.25 7.75

$xname
[1] "iris$Sepal.Length"

$equidist
[1] TRUE

attr(,"class")
[1] "histogram"

cut() 함수로 비닝하기

R에서는 cut() 함수로 비닝한다. 그런데 사용자가 계급의 경계인 breaks를 지정해 주어야 한다. 앞에서 수행한 히스토그램의 정보를 활용해 보자.

bins <- cut(iris$Sepal.Length, breaks = hist_info$breaks)

bins

  [1] (5,5.5] (4.5,5] (4.5,5] (4.5,5] (4.5,5] (5,5.5] (4.5,5] (4.5,5]
  [9] (4,4.5] (4.5,5] (5,5.5] (4.5,5] (4.5,5] (4,4.5] (5.5,6] (5.5,6]
 [17] (5,5.5] (5,5.5] (5.5,6] (5,5.5] (5,5.5] (5,5.5] (4.5,5] (5,5.5]
 [25] (4.5,5] (4.5,5] (4.5,5] (5,5.5] (5,5.5] (4.5,5] (4.5,5] (5,5.5]
 [33] (5,5.5] (5,5.5] (4.5,5] (4.5,5] (5,5.5] (4.5,5] (4,4.5] (5,5.5]
 [41] (4.5,5] (4,4.5] (4,4.5] (4.5,5] (5,5.5] (4.5,5] (5,5.5] (4.5,5]
 [49] (5,5.5] (4.5,5] (6.5,7] (6,6.5] (6.5,7] (5,5.5] (6,6.5] (5.5,6]
 [57] (6,6.5] (4.5,5] (6.5,7] (5,5.5] (4.5,5] (5.5,6] (5.5,6] (6,6.5]
 [65] (5.5,6] (6.5,7] (5.5,6] (5.5,6] (6,6.5] (5.5,6] (5.5,6] (6,6.5]
 [73] (6,6.5] (6,6.5] (6,6.5] (6.5,7] (6.5,7] (6.5,7] (5.5,6] (5.5,6]
 [81] (5,5.5] (5,5.5] (5.5,6] (5.5,6] (5,5.5] (5.5,6] (6.5,7] (6,6.5]
 [89] (5.5,6] (5,5.5] (5,5.5] (6,6.5] (5.5,6] (4.5,5] (5.5,6] (5.5,6]
 [97] (5.5,6] (6,6.5] (5,5.5] (5.5,6] (6,6.5] (5.5,6] (7,7.5] (6,6.5]
[105] (6,6.5] (7.5,8] (4.5,5] (7,7.5] (6.5,7] (7,7.5] (6,6.5] (6,6.5]
[113] (6.5,7] (5.5,6] (5.5,6] (6,6.5] (6,6.5] (7.5,8] (7.5,8] (5.5,6]
[121] (6.5,7] (5.5,6] (7.5,8] (6,6.5] (6.5,7] (7,7.5] (6,6.5] (6,6.5]
[129] (6,6.5] (7,7.5] (7,7.5] (7.5,8] (6,6.5] (6,6.5] (6,6.5] (7.5,8]
[137] (6,6.5] (6,6.5] (5.5,6] (6.5,7] (6.5,7] (6.5,7] (5.5,6] (6.5,7]
[145] (6.5,7] (6.5,7] (6,6.5] (6,6.5] (6,6.5] (5.5,6]
8 Levels: (4,4.5] (4.5,5] (5,5.5] (5.5,6] (6,6.5] ... (7.5,8]
table(bins)

bins
(4,4.5] (4.5,5] (5,5.5] (5.5,6] (6,6.5] (6.5,7] (7,7.5] (7.5,8] 
      5      27      27      30      31      18       6       6

pretty() 함수는 적당하게 계급의 경계를 구해준다. 이 함수를 이용해서 비닝해 보자.

pretty(iris$Sepal.Length) 

[1] 4 5 6 7 8
cut(iris$Sepal.Length, breaks = pretty(iris$Sepal.Length))

  [1] (5,6] (4,5] (4,5] (4,5] (4,5] (5,6] (4,5] (4,5] (4,5] (4,5]
 [11] (5,6] (4,5] (4,5] (4,5] (5,6] (5,6] (5,6] (5,6] (5,6] (5,6]
 [21] (5,6] (5,6] (4,5] (5,6] (4,5] (4,5] (4,5] (5,6] (5,6] (4,5]
 [31] (4,5] (5,6] (5,6] (5,6] (4,5] (4,5] (5,6] (4,5] (4,5] (5,6]
 [41] (4,5] (4,5] (4,5] (4,5] (5,6] (4,5] (5,6] (4,5] (5,6] (4,5]
 [51] (6,7] (6,7] (6,7] (5,6] (6,7] (5,6] (6,7] (4,5] (6,7] (5,6]
 [61] (4,5] (5,6] (5,6] (6,7] (5,6] (6,7] (5,6] (5,6] (6,7] (5,6]
 [71] (5,6] (6,7] (6,7] (6,7] (6,7] (6,7] (6,7] (6,7] (5,6] (5,6]
 [81] (5,6] (5,6] (5,6] (5,6] (5,6] (5,6] (6,7] (6,7] (5,6] (5,6]
 [91] (5,6] (6,7] (5,6] (4,5] (5,6] (5,6] (5,6] (6,7] (5,6] (5,6]
[101] (6,7] (5,6] (7,8] (6,7] (6,7] (7,8] (4,5] (7,8] (6,7] (7,8]
[111] (6,7] (6,7] (6,7] (5,6] (5,6] (6,7] (6,7] (7,8] (7,8] (5,6]
[121] (6,7] (5,6] (7,8] (6,7] (6,7] (7,8] (6,7] (6,7] (6,7] (7,8]
[131] (7,8] (7,8] (6,7] (6,7] (6,7] (7,8] (6,7] (6,7] (5,6] (6,7]
[141] (6,7] (6,7] (5,6] (6,7] (6,7] (6,7] (6,7] (6,7] (6,7] (5,6]
Levels: (4,5] (5,6] (6,7] (7,8]

dlookr을 이용한 비닝

예제 데이터 생성

ISLR 패키지의 Carseats는 유아용 차량 시트 판매에 대한 정보를 담고 있다. 400개의 관측치로 11개의 변수를 가지고 있다.

Income은 소득 수준을 나타내며, 그 단위는 1000 US 달러다.

# Generate data for the example
carseats <- ISLR::Carseats

dim(carseats)

[1] 400  11
names(carseats)

 [1] "Sales"       "CompPrice"   "Income"      "Advertising"
 [5] "Population"  "Price"       "ShelveLoc"   "Age"        
 [9] "Education"   "Urban"       "US"         
carseats[sample(seq(NROW(carseats)), 20), "Income"] <- NA
carseats[sample(seq(NROW(carseats)), 5), "Urban"] <- NA

carseats$Income

  [1]  73  48  35 100  64 113 105  81 110 113  78  94  35  28 117  NA
 [17]  32  74 110  76  90  29  46  31 119  32 115 118  74  99  94  58
 [33]  32  38  54  84  76  41  73  60  NA  53  69  42  79  63  90  98
 [49]  52  93  32  90  40  64 103  81  82  91  93  71 102  32  45  88
 [65]  67  26  92  61  69  59  81  NA  45  NA  68 111  87  71  NA  67
 [81] 100  72  83  36  NA 103  84  67  42  66  22  46 113  30  97  25
 [97]  42  82  77  47  69  93  22  91  96 100  33 107  79  65  62 118
[113]  99  29  87  35  75  53  88  94 105  89  NA 103  NA  78  68  48
[129] 100 120  NA  69  87  98  31  94  75  42 103  62  60  42  84  88
[145]  68  63  83  54  NA 120  84  58  78  36  69  72  34  58  90  60
[161]  28  21  74  64  64  58  67  73  89  41  39  NA 102  91  24  89
[177] 107  72  71  25 112  83  60  74  33 100  51  32  37 117  37  42
[193]  26  70  98  93  28  61  80  88  92  83  78  82  80  22  67 105
[209]  54  21  41 118  69  84 115  83  33  44  61  79 120  44 119  45
[225]  82  25  33  64  73 104  60  69  80  76  62  32  34  28  24 105
[241]  80  63  46  25  30  43  56  NA  52  67 105 111  97  24 104  81
[257]  40  NA  38  36 117  42  77  26  29  35  93  82  57  69  26  56
[273]  33 106  93 119  69  48 113  57  86  NA  96 110  46  26 118  44
[289]  NA  77 111  70  66  84  76  35  44  83  63  40  NA  93  77  52
[305]  98  29  32  92  80 111  65  68 117  81  33  21  36  30  72  45
[321]  70  39  50 105  65  69  30  38  66  54  NA  63  33  60 117  70
[337]  35  38  24  44  29 120 102  42  80  68 107  39  NA  27 101 115
[353] 103  67  31 100 109  73  96  62  86  25  55  75  21  30  56 106
[369]  NA 100  41  81  NA  71  47  46  60  61  88 111  64  65  28 117
[385]  37  73 116  73  89  42  75  63  42  51  58 108  23  26  79  37

비닝하기

dlookr 패키지의 binning() 함수는 연속형 변수를 범주형 변수로 비닝한다. Income을 비닝해 보자. 소득이 10개 소득 구간의 범주로 비닝되었다.

library(dlookr)

bin <- binning(carseats$Income)

bin

binned type: quantile
number of bins: 10
x
            [21,30]             (30,38]       (38,47.43333] 
                 39                  38                  37 
(47.43333,61.46667]       (61.46667,69]       (69,76.53333] 
                 38                  45                  31 
      (76.53333,84]           (84,95.2]          (95.2,107] 
                 41                  35                  40 
          (107,120]                <NA> 
                 36                  20

summary() 함수는 범주화된 구간의 도수분포표(frequency table)를 구해준다.

summary(bin)

                levels freq   rate
1              [21,30]   39 0.0975
2              (30,38]   38 0.0950
3        (38,47.43333]   37 0.0925
4  (47.43333,61.46667]   38 0.0950
5        (61.46667,69]   45 0.1125
6        (69,76.53333]   31 0.0775
7        (76.53333,84]   41 0.1025
8            (84,95.2]   35 0.0875
9           (95.2,107]   40 0.1000
10           (107,120]   36 0.0900
11                <NA>   20 0.0500

plot() 함수는 범주화된 구간에 대한 분포를 시각화한다. 플롯 상단은 변형된 히스토그램이다. 일반적으로 히스토그램은 구간의 너비는 동일하고, 높이로 그 밀도를 가늠한다. 그러나 이 변형된 히스토그램은 구간의 너비가 실제 구간의 길이와 동일하게 표현된다. 그러므로 높이가 밀도를 의미하지 않는다. “밀도는 사각형의 너비 \(\times\) 사각형의 높이다.” 즉, 기본 히스토그램보다 더 많은 정보를 표현한다.

기본에 우리가 알고 있는 히스토그램은 아래의 막대 그래프와 유사하다. 즉, 두 플롯을 이용해서 데이터의 분포를 좀 더 직관적으로 파악할 수 있는 시각화 도구다.

plot(bin)

앞에서 소득을 소득 구간으로 비닝할 때 사용한 비닝 방법은 “quantile”이다. 이 방법은 분위수의 간격이 동일하게 구간을 나눈다. 그러므로 구간이 10개이므로 첫째 구간은 0~10% 분위수 구간이다. 즉, 10% 분위수는 30이다. 연산 과정에서 정확하게 딱 떨어지지는 않지만, 범주별로 동일한(거의) 도수를 갖게 된다.

이번에는 각 구간의 너비(interval)가 동일하게 비닝한다. 간단하게 type 인수값을 “equal”로 지정한다.

bin_equal <- binning(carseats$Income, type = "equal")

bin_equal

binned type: equal
number of bins: 10
x
    [21,30.9]   (30.9,40.8]   (40.8,50.7]   (50.7,60.6]   (60.6,70.5] 
           39            44            35            30            53 
  (70.5,80.4]   (80.4,90.3]  (90.3,100.2] (100.2,110.1]   (110.1,120] 
           45            41            35            27            31 
         <NA> 
           20 
summary(bin_equal)

          levels freq   rate
1      [21,30.9]   39 0.0975
2    (30.9,40.8]   44 0.1100
3    (40.8,50.7]   35 0.0875
4    (50.7,60.6]   30 0.0750
5    (60.6,70.5]   53 0.1325
6    (70.5,80.4]   45 0.1125
7    (80.4,90.3]   41 0.1025
8   (90.3,100.2]   35 0.0875
9  (100.2,110.1]   27 0.0675
10   (110.1,120]   31 0.0775
11          <NA>   20 0.0500
plot(bin_equal)

이번에는 각 구간의 너비(interval)가 동일하게 비닝한다. 간단하게 type 인수값을 “equal”로 지정한다.

bin_equal <- binning(carseats$Income, type = "equal")

bin_equal

binned type: equal
number of bins: 10
x
    [21,30.9]   (30.9,40.8]   (40.8,50.7]   (50.7,60.6]   (60.6,70.5] 
           39            44            35            30            53 
  (70.5,80.4]   (80.4,90.3]  (90.3,100.2] (100.2,110.1]   (110.1,120] 
           45            41            35            27            31 
         <NA> 
           20 
summary(bin_equal)

          levels freq   rate
1      [21,30.9]   39 0.0975
2    (30.9,40.8]   44 0.1100
3    (40.8,50.7]   35 0.0875
4    (50.7,60.6]   30 0.0750
5    (60.6,70.5]   53 0.1325
6    (70.5,80.4]   45 0.1125
7    (80.4,90.3]   41 0.1025
8   (90.3,100.2]   35 0.0875
9  (100.2,110.1]   27 0.0675
10   (110.1,120]   31 0.0775
11          <NA>   20 0.0500
plot(bin_equal)

이번에는 내부적으로 base 패키지의 pretty() 함수를 사용하는 “pretty” 방법이다. 간단하게 type 인수값을 “pretty”로 지정한다. 결과는 데이터에 따라 다르지만, 이번 데이터 사례는 “equal” 방법과 동일한 결과로 비닝한다.

bin_pretty <- binning(carseats$Income, type = "pretty")

bin_pretty

binned type: pretty
number of bins: 10
x
  [20,30]   (30,40]   (40,50]   (50,60]   (60,70]   (70,80]   (80,90] 
       39        44        35        30        53        45        41 
 (90,100] (100,110] (110,120]      <NA> 
       35        27        31        20 
summary(bin_pretty)

      levels freq   rate
1    [20,30]   39 0.0975
2    (30,40]   44 0.1100
3    (40,50]   35 0.0875
4    (50,60]   30 0.0750
5    (60,70]   53 0.1325
6    (70,80]   45 0.1125
7    (80,90]   41 0.1025
8   (90,100]   35 0.0875
9  (100,110]   27 0.0675
10 (110,120]   31 0.0775
11      <NA>   20 0.0500
plot(bin_pretty)

“kmenas” 방법은 Kmeans 클러스터링 기법을 이용해서 비닝한다. 하나의 연속형 변수로 Kmeans 클러스터링 후, 같은 클러스터에 포함된 값들을 하나의 구간으로 나눈다. 하나의 변수로 클러스터링하기 때문에 구간이 단조(monotonic, 주어진 순서를 보존하면서 상승/하강) 증가하게 형성된다.

bin_kmeans <- binning(carseats$Income, type = "kmeans")

bin_kmeans

binned type: kmeans
number of bins: 10
x
   [21,33.5]  (33.5,42.5]  (42.5,51.5]  (51.5,60.5]  (60.5,67.5] 
          57           40           23           28           34 
 (67.5,75.5]    (75.5,85]    (85,96.5] (96.5,108.5]  (108.5,120] 
          42           45           38           38           35 
        <NA> 
          20 
summary(bin_kmeans)

         levels freq   rate
1     [21,33.5]   57 0.1425
2   (33.5,42.5]   40 0.1000
3   (42.5,51.5]   23 0.0575
4   (51.5,60.5]   28 0.0700
5   (60.5,67.5]   34 0.0850
6   (67.5,75.5]   42 0.1050
7     (75.5,85]   45 0.1125
8     (85,96.5]   38 0.0950
9  (96.5,108.5]   38 0.0950
10  (108.5,120]   35 0.0875
11         <NA>   20 0.0500
plot(bin_kmeans)

type 인수값을 “bclust”로 지정하면 bagged clustering을 수행하여 비닝한다.

bin_bclust <- binning(carseats$Income, type = "bclust")

bin_bclust

binned type: bclust
number of bins: 10
x
  [21,31.5] (31.5,36.5]   (36.5,49]   (49,62.5] (62.5,70.5] 
         42          27          48          39          45 
(70.5,76.5]   (76.5,85]     (85,95]  (95,107.5] (107.5,120] 
         27          41          35          40          36 
       <NA> 
         20 
summary(bin_bclust)

        levels freq   rate
1    [21,31.5]   42 0.1050
2  (31.5,36.5]   27 0.0675
3    (36.5,49]   48 0.1200
4    (49,62.5]   39 0.0975
5  (62.5,70.5]   45 0.1125
6  (70.5,76.5]   27 0.0675
7    (76.5,85]   41 0.1025
8      (85,95]   35 0.0875
9   (95,107.5]   40 0.1000
10 (107.5,120]   36 0.0900
11        <NA>   20 0.0500
plot(bin_bclust)

비닝 결과의 추출

비닝한 결과를 서머리하거나 시각화한 후 비닝한 결과에 확신이 생긴다면, extract() 함수로 비닝한 데이터를 추출한다. 마지막 예제, bagged clustering 기법의 비닝 결과를 채택하였다고 가정한다.

carseats$Income_bin <- extract(bin_bclust)

비닝된 모든 관측치를 살펴보기에는 건수가 크니 앞의 20건만 살펴보자.

head(carseats$Income_bin, n = 10)

 [1] (70.5,76.5] (36.5,49]   (31.5,36.5] (95,107.5]  (62.5,70.5]
 [6] (107.5,120] (95,107.5]  (76.5,85]   (107.5,120] (107.5,120]
10 Levels: [21,31.5] < (31.5,36.5] < (36.5,49] < ... < (107.5,120]

dplyr 패키지와의 협업

dlookr 패키지는 dplyr 패키지와 궁합이 잘 맞는다. 다음은 Income을 비닝 후 ShelveLoc 변수의 수준(levels)별로 비닝 구간의 분포를 비교한다.

library(dplyr)

carseats %>%
 mutate(Income_bin = binning(carseats$Income) %>% 
                     extract()) %>%
 group_by(ShelveLoc, Income_bin) %>%
 summarise(freq = n()) %>%
 arrange(ShelveLoc, desc(freq)) 

# A tibble: 33 x 3
# Groups:   ShelveLoc [3]
   ShelveLoc Income_bin           freq
   <fct>     <ord>               <int>
 1 Bad       (76.53333,84]          12
 2 Bad       (47.43333,61.46667]    11
 3 Bad       (61.46667,69]          11
 4 Bad       (107,120]              11
 5 Bad       (38,47.43333]          10
 6 Bad       (84,95.2]              10
 7 Bad       (95.2,107]             10
 8 Bad       (30,38]                 7
 9 Bad       [21,30]                 5
10 Bad       (69,76.53333]           5
# … with 23 more rows

dlookr 패키지의 target_by(), relate(), plot.relate() 함수를 이용하면, dplyr 구문 형태로 쉽게 그 분포를 시각화 할 수 있다.

carseats %>%
  mutate(Income_bin = binning(carseats$Income) %>% 
           extract()) %>%
  target_by(ShelveLoc) %>% 
  relate(Income_bin) %>% 
  plot()

그 밖의 기능

binning() 함수는 비닝 결과를 조정하는 여러 인수를 지원한다. 하나씩 살펴보자.

Bins 개수 지정하기

nbins 인수는 비닝된 범주의 개수를 지정한다. 이 인수를 사용하면 알고리즘을 통해 관측치의 개수를 고려해서 적당한 범주로 나눈다. 그러나 경우에 따라서 분석가가 원하는 범주의 개수와 다를 수 있다. 이 경우에 nbins 인수로 범주의 개수를 지정할 수 있다.

bin_bclust <- binning(carseats$Income, type = "bclust", nbins = 5)

bin_bclust

binned type: bclust
number of bins: 5
x
    [21,49]   (49,72.5]   (72.5,85]  (85,106.5] (106.5,120] 
        117          92          60          72          39 
       <NA> 
         20 
summary(bin_bclust)

       levels freq   rate
1     [21,49]  117 0.2925
2   (49,72.5]   92 0.2300
3   (72.5,85]   60 0.1500
4  (85,106.5]   72 0.1800
5 (106.5,120]   39 0.0975
6        <NA>   20 0.0500
plot(bin_bclust)

ordered factor 또는 factor

binning() 함수로 만들어진 범주는 R의 ordered factor로 반환된다. 만약 분석가가 ordered factor가 아닌 factor를 원한다면 ordered 인수값에 FALSE를 지정한다. 기본값은 TRUE이기 때문에 앞에서 수행한 모든 예제는 순서 범주형인 ordered factor로 반환되었다.

bin_bclust <- binning(carseats$Income, type = "bclust")

extract(bin_bclust) %>% 
  head()

[1] (67.5,76.5] (39.5,50.5] (27.5,39.5] (95,109.5]  (56.5,67.5]
[6] (109.5,120]
10 Levels: [21,27.5] < (27.5,39.5] < (39.5,50.5] < ... < (109.5,120]
bin_bclust <- binning(carseats$Income, type = "bclust", ordered = FALSE)

extract(bin_bclust) %>% 
  head()

[1] (69.5,79.5] (47.5,56.5] (27.5,35.5] (95,107.5]  (56.5,69.5]
[6] (107.5,120]
10 Levels: [21,27.5] (27.5,35.5] (35.5,47.5] ... (107.5,120]

범주 라벨 지정하기

범주 라벨 이름을 breaks를 이용해서 (34.5,49]와 같이 표현할 수도 았지만, 분석가가 labels 인수를 사용해서 다음처럼 의미를 부여할 수도 있다.

bin <- binning(carseats$Income, nbins = 3, labels = c("Low", "Middle", "High"))
bin

binned type: quantile
number of bins: 3
x
   Low Middle   High   <NA> 
   129    128    123     20 
summary(bin)

  levels freq   rate
1    Low  129 0.3225
2 Middle  128 0.3200
3   High  123 0.3075
4   <NA>   20 0.0500
plot(bin)

Breaks를 이쁘게 다듬기

연속형 변수에서 breaks는 일반적으로 소수점으로 만들어진다. 이 경우에는 개별 breaks의 소수점 아래 자리수가 다를 수 있다. 다른 자리수로 만든 범주는 시각적으로 해석하기에 거추장스럽다. 이 경우에는 approxy.lab 인수를 TRUE로 지정하면 비닝 breaks를 근사치로 변환해서 깔끔한 형태로 바꿔준다. 기본값이 TRUE이기 때문에 별도로 지정하지 않아도 된다.

bin <- binning(carseats$Income, type = "bclust", approxy.lab = FALSE)
bin

binned type: bclust
number of bins: 10
x
   [21,30.5]  (30.5,37.5]  (37.5,50.5]  (50.5,62.5]  (62.5,70.5] 
          39           34           45           38           45 
 (70.5,76.5]    (76.5,85]    (85,96.5] (96.5,107.5]  (107.5,120] 
          27           41           38           37           36 
        <NA> 
          20 
bin <- binning(carseats$Income, type = "bclust", approxy.lab = TRUE)
bin

binned type: bclust
number of bins: 10
x
  [21,31.5] (31.5,37.5] (37.5,50.5] (50.5,59.5] (59.5,65.5] 
         42          31          45          23          31 
(65.5,75.5]   (75.5,85]     (85,95]  (95,107.5] (107.5,120] 
         52          45          35          40          36 
       <NA> 
         20
Copyright 2021 DATAHOLIC. All Rights Reserved

Citation

For attribution, please cite this work as

유충현 (2021, Feb. 6). Dataholic: 비닝(Binning). Retrieved from https://choonghyunryu.github.io/posts/2021-02-06-binning/

BibTeX citation

@misc{유충현2021비닝(binning),
  author = {유충현, },
  title = {Dataholic: 비닝(Binning)},
  url = {https://choonghyunryu.github.io/posts/2021-02-06-binning/},
  year = {2021}
}