140 파이썬_데이터분석
파이썬 데이터분석은 pandas·NumPy·시각화·통계 기초를 활용해 원본 데이터를 정제하고 인사이트 리포트와 대시보드를 만드는 실무형 과정이다.
0. 교육을 하는 이유와 궁극적인 목표
파이썬 데이터분석 교육의 궁극적인 목표는 학습자가 CSV·Excel·API 데이터를 수집하고, pandas로 정제·집계·시각화하며, 비즈니스 질문에 답하는 분석 리포트와 대시보드를 제작할 수 있게 하는 것이다. 민간 데이터 분석 부트캠프와 직무교육 흐름처럼 문법보다 데이터 품질, 탐색적 분석, 가설 검증, 시각화 스토리텔링, 자동화 리포트에 초점을 맞춘다.
참고한 유료형 교육 흐름
- pandas와 시각화 도구를 중심으로 실제 CSV·Excel 데이터를 정제하는 직무형 유료 데이터 분석 과정 흐름
- 탐색적 데이터 분석, 결측치 처리, 그룹 집계, 지표 설계, 대시보드 제작을 프로젝트로 연결하는 방식
- 데이터 기반 의사결정을 위해 질문 정의, 그래프 선택, 인사이트 문장 작성까지 훈련하는 구성
- Jupyter Notebook, Streamlit, Power BI/Tableau와 연동해 포트폴리오 산출물을 요구하는 트랙
입문 · 1일
파이썬 데이터분석 첫걸음
표 데이터를 불러오고 기본 통계를 확인한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 분석 환경을 준비한다 | Google Colab 또는 Jupyter Notebook에서 pandas, NumPy, Matplotlib을 불러온다. CSV 파일을 읽고 head, info, describe로 데이터 구조와 문제를 확인한다. |
| 목표 2 | 기본 집계를 수행한다 | 열 선택, 필터링, 정렬, groupby로 매출·출석·설문 같은 샘플 데이터를 요약한다. 평균, 합계, 비율이 어떤 질문에 답하는지 분석 질문 카드와 연결한다. |
| 목표 3 | 간단한 그래프를 만든다 | 막대그래프, 선그래프, 히스토그램을 그리고 각 그래프가 보여주는 의미를 한 문장으로 쓴다. 잘못된 축, 과도한 색상, 단위 누락 등 나쁜 그래프 사례를 고쳐본다. |
| 사용 플랫폼 | Python, Google Colab, Jupyter Notebook, pandas, NumPy, Matplotlib |
|---|---|
| 강사 스펙 | pandas 입문, 비전공자 데이터 분석 지도, 시각화 기초 수업 경험 3년 이상 |
| 수업대상 | 데이터분석 입문자, 사무직 실무자, 중고등 데이터 프로젝트반, 교사 연수생 |
| 소요시간 | 4-6시간 |
| 준비물 | 노트북, Google 계정, CSV 샘플 데이터, 분석 질문 카드 |
| 산출물 | 기초 분석 노트북, 기본 통계표, 그래프 3종과 해석문 |
| 평가방법 | 환경설정 20%, 데이터확인 25%, 집계실습 25%, 그래프해석 20%, 참여도 10% |
초급 · 3일
pandas 데이터 정제 과정
현실 데이터의 결측치, 중복, 형식 오류를 처리한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 데이터 품질 문제를 진단한다 | 결측치, 중복행, 이상값, 날짜 형식 오류, 텍스트 공백을 검사하는 체크리스트를 만든다. isna, duplicated, value_counts, to_datetime을 사용해 문제 위치를 표로 정리한다. |
| 목표 2 | 정제 규칙을 적용한다 | 결측치 삭제·대체, 중복 제거, 문자열 분리, 날짜 파생변수 만들기를 수행한다. 정제 전후 행 수, 컬럼 수, 주요 지표 변화를 비교해 정제 영향 보고서를 작성한다. |
| 목표 3 | 재사용 가능한 정제 코드를 만든다 | 반복되는 정제 절차를 함수로 만들고 새 파일에도 적용한다. 오류가 발생한 행을 별도 파일로 저장해 데이터 제공자에게 다시 요청하는 절차를 만든다. |
| 사용 플랫폼 | Python, pandas, NumPy, Jupyter Notebook, openpyxl, Google Sheets |
|---|---|
| 강사 스펙 | 데이터 클리닝, Excel/CSV 처리, pandas 함수화 지도 경험 3년 이상 |
| 수업대상 | Python 기초 가능자, 업무 데이터 담당자, 데이터 분석 초급자 |
| 소요시간 | 12-18시간 |
| 준비물 | 오류가 포함된 CSV/Excel 데이터, Jupyter 환경, 정제 체크리스트 |
| 산출물 | 정제된 데이터셋, 품질진단표, 재사용 정제 함수 |
| 평가방법 | 품질진단 25%, 정제처리 30%, 영향분석 20%, 함수화 15%, 발표 10% |
초급 · 1주
탐색적 데이터분석 리포트 과정
비즈니스 질문에 답하는 EDA 리포트를 제작한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 분석 질문을 설계한다 | 고객, 상품, 시간, 지역, 행동 중 어떤 관점으로 볼지 분석 질문 5개를 만든다. 질문별 필요한 컬럼, 집계 방식, 기대 그래프를 분석 설계표에 정리한다. |
| 목표 2 | EDA를 수행한다 | 분포, 상관관계, 그룹 비교, 시간 추세를 그래프와 표로 확인한다. seaborn 또는 plotly로 카테고리별 차이와 이상 패턴을 시각화한다. |
| 목표 3 | 인사이트 리포트를 작성한다 | 그래프마다 관찰 사실, 해석, 실행 제안을 구분해 작성한다. Notebook을 HTML 또는 PDF로 내보내고 비전문가도 이해할 수 있도록 제목과 주석을 정리한다. |
| 사용 플랫폼 | Python, pandas, Matplotlib, seaborn, Plotly, Jupyter Notebook, nbconvert |
|---|---|
| 강사 스펙 | EDA 리포트 작성, 데이터 스토리텔링, 시각화 선택 지도 경험 4년 이상 |
| 수업대상 | 데이터 분석 취업 준비생, 기업 실무자, 프로젝트형 데이터 수업 학습자 |
| 소요시간 | 20-30시간 |
| 준비물 | 분석용 CSV 데이터, 질문 설계표, Jupyter 환경, 리포트 템플릿 |
| 산출물 | EDA 노트북, 시각화 그래프 묶음, 인사이트 리포트 |
| 평가방법 | 질문설계 20%, EDA수행 30%, 시각화 25%, 인사이트 15%, 발표 10% |
중급 · 4주
데이터 대시보드·자동화 과정
분석 결과를 대시보드와 자동화 리포트로 전환한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 분석 파이프라인을 구성한다 | 데이터 수집, 정제, 집계, 시각화, 저장 단계를 Python 스크립트로 분리한다. CSV와 API 데이터를 함께 불러와 매일 업데이트되는 지표 테이블을 만든다. |
| 목표 2 | 대시보드를 제작한다 | Streamlit으로 필터, 지표 카드, 그래프, 데이터 테이블이 포함된 대시보드를 만든다. 사용자가 날짜, 카테고리, 지역을 선택하면 그래프가 바뀌도록 위젯을 연결한다. |
| 목표 3 | 자동 리포트를 만든다 | 분석 결과를 Excel 또는 HTML 파일로 저장하고 실행 로그를 남긴다. 예약 실행을 가정해 에러 알림, 파일명 규칙, 결과 백업 정책을 문서화한다. |
| 사용 플랫폼 | Python, pandas, requests, Streamlit, Plotly, openpyxl, schedule, GitHub |
|---|---|
| 강사 스펙 | Streamlit 대시보드, API 데이터 수집, 자동화 리포트 구축 경험 4년 이상 |
| 수업대상 | 실무 데이터 담당자, Python 중급자, BI 입문자, 기업 교육생 |
| 소요시간 | 40-60시간 |
| 준비물 | API 샘플 키, CSV/Excel 데이터, Streamlit 환경, GitHub 저장소, 대시보드 기획서 |
| 산출물 | Streamlit 대시보드, 자동 리포트 스크립트, 운영 문서 |
| 평가방법 | 파이프라인 25%, 대시보드 30%, 자동화 25%, 운영문서 10%, 발표 10% |
심화 · 8주
파이썬 데이터분석 포트폴리오 과정
현업형 데이터 문제를 분석하고 의사결정 제안까지 완성한다.
.png)
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 현업형 분석 프로젝트를 정의한다 | 매출 감소, 이탈 고객, 교육성과, 마케팅 효율, 재고 문제 중 하나를 선택해 분석목표를 정한다. 이해관계자, 핵심지표, 데이터 출처, 분석 한계, 성공 기준을 프로젝트 차터로 작성한다. |
| 목표 2 | 통계와 모델링을 적용한다 | A/B 테스트 기초, 상관분석, 회귀 또는 군집분석을 프로젝트 목적에 맞게 적용한다. 모델 결과를 맹신하지 않도록 가정, p-value, 변수 중요도, 해석 한계를 함께 설명한다. |
| 목표 3 | 최종 의사결정 자료를 만든다 | 분석 리포트, 대시보드, 발표자료를 연결해 경영진 보고 형식으로 구성한다. 액션 플랜, 예상 효과, 추가 데이터 수집 계획, 리스크를 포함해 최종 발표한다. |
| 사용 플랫폼 | Python, pandas, scipy, statsmodels, scikit-learn, Plotly, Streamlit, Power BI 또는 Tableau, GitHub |
|---|---|
| 강사 스펙 | 비즈니스 데이터 분석, 통계 기초, 대시보드·경영진 보고 멘토링 경험 5년 이상 |
| 수업대상 | 데이터 분석 취업 포트폴리오 준비생, 기업 실무자, 교육성과 분석 담당자 |
| 소요시간 | 80-120시간 |
| 준비물 | 프로젝트 데이터셋, BI 계정, GitHub 저장소, 발표 템플릿, 분석 차터 양식 |
| 산출물 | 데이터 분석 포트폴리오, 대시보드 URL, 의사결정 제안서, 발표자료 |
| 평가방법 | 문제정의 20%, 분석방법 25%, 통계해석 20%, 대시보드 20%, 제안발표 15% |