[데이터 분석] Kaggle 데이터셋을 활용한 할로윈 데이 캔디 분석

1. 개요

 매년 10월 31일 할로윈 데이에는 캔디를 주고 받는 문화가 있다. 어떤 특징을 가진 캔디가 가장 인기 있는지 분석해 보자.

 

2. 데이터 출처

캐글(Kaggle): The Ultimate Halloween Candy Power Ranking

https://www.kaggle.com/datasets/fivethirtyeight/the-ultimate-halloween-candy-power-ranking

The Ultimate Halloween Candy Power Ranking

 

3. 데이터 설명

 이 데이터 세트는 Wait Hickey에서 참가자들이 사탕 두 개를 제시받고 받고 싶은 사탕을 클릭하도록 요청하는 웹사이트를 만들어 수집한 데이터이다. 총 8,371개의 IP 주소에서 총 269,000표 이상을 수집하였고 수집은 아래 사이트 를 통해 이루어졌다.

What’s the best Halloween candy? – Walt Hickey

What’s the best Halloween candy?

 

3.1 Candy-data.csv

 

 csv 파일을 열어보면 순위와 함께 각 캔디의 속성이 포함되어 있다. 이진 변수의 경 우 1은 예, 0은 아니요를 의미하며 필드의 의미는 다음과 같다.

----------------------------------------------------------------

chocolate : 초콜릿이 들어가있는지 여부

fruity : 과일맛이 나는지 여부

caramel : 사탕에 캐러멜이 들어있는지 여부

peanutyalmondy : 땅콩, 땅콩버터, 아몬드 여부

nougat : 견과류가 포함되어 있는지 여부

crispedricewafer : 크리스피 라이스, 웨이퍼, 쿠키 성분이 포함되어 있는지

hard : 딱딱한 사탕인지 여부

bar : 캔디바인지 아닌지 여부

pluribus : 가방이나 상자에 들어 있는 많은 사탕 중 하나인지 여부

sugarpercent : 데이터 세트 내에서 해당하는 설탕의 백분위수

Pricepercent : 세트의 나머지 부분과 비교한 단가 백분위수

winpercent: 269,000 번의 매치업에 따른 전체 승률

----------------------------------------------------------------

 

4. 분석 방법(Methodology)

우선 분석을 하기 앞서 종속변수와 독립변수를 결정하기 위해 변수간 상관 관계를 분석해보았다. 데이터 셋에서 다른 변수들이 이진 변수인것에 비해 [‘sugarpercent’, ‘pricepercent’,‘winpercent] 변수가 연속형 변수이기 때문에 산점도를 그려 winpercent와 sugarpercent 그리고 pricepercent의 상관관계를 분석해보았다

import pandas as pd

import matplotlib.pyplot as plt

# 데이터 불러오기

df = pd.read_csv("candy-data.csv")

# 특성 및 타겟 분리

X = df[['sugarpercent', 'pricepercent']]

Y = df['winpercent']

# sugarpercent와 winpercent의 관계를 그래프로 표시

plt.scatter(X['sugarpercent'], Y)

plt.title('Sugar Percent vs Win Percent')

plt.xlabel('Sugar Percent')

plt.ylabel('Win Percent')

plt.show()

# pricepercent와 winpercent의 관계를 그래프로 표시

plt.scatter(X['pricepercent'], Y)

plt.title('Price Percent vs Win Percent')

plt.xlabel('Price Percent')

plt.ylabel('Win Percent')

plt.show()

 

그 결과 다음과 같은 결과를 확인할 수 있었다.

 결과를 보면 winpercent와 sugarpercent 그리고 winpercent와 pricepercent 사 이에 중요한 상관관계가 없는 것으로 보인다. 그렇기 때문에 winpercent에 대하여 sugarpercent 와 winpercent를 무시하고 winpercent를 종속 변수로하여 선형 회귀 분석을 진행하기로 하였다.

 

다음 코드는 설탕과 가격을 고려하지 않고 모든 특징에 대해 선형 회귀 분석을 수행 한 코드이다.

from statsmodels.formula.api import ols

from sklearn.linear_model import LinearRegression

fit = ols('winpercent ~ chocolate + fruity + caramel + peanutyalmondy + nougat + crispedricewafer + hard + bar + pluribus',data=df).fit()

print(fit.summary())

 

5. 결과

 

 OLS 회귀 결과로 각 캔디의 특성이 캔디의 승률(‘winpercent’)에 어떤 영향을 미치는지 평 가해 보았다. 초콜릿이 있는 캔디는 없는 캔디에 비해 winpercent가 약 20% 높다고 할 수 있고 과일 맛이 있는 캔디는 없는 캔디에 비해 winpercent가 약 10% 높다. 그리고 peanutyalmondy 변수가 winpercent를 약 10% 올려준다고 할 수 있다. 이 셋의 P값이 매 우 낮기 때문에 통계적으로 유의미하다고 판단할 수 있었다. 그에 반해 caramel, nougat, hard, bar, pluribus 변수의 P값은 상대적으로 높아 ‘winpercent’에 영향을 준다고 신뢰하기 어려운 변수로 판단하였다.

 

결론: 분석 결과를 통해 사람들의 캔디 선호도에 있어서 초콜릿과 과일 맛이 나는 캔디 그리고 피 넛이나 아몬드가 포함된 캔디의 선호도에 긍정적인 영향을 끼친다는 것의 알 수 있었다. 그리 고 다른 요소들인 캐러멜, 누가, 캔디의 형태, 크리스피 라이스 등의 요소는 캔디의 선호도에 큰 영향을 주지 않거나, 영향력이 명확하지 않음을 확인 할 수 있었다.