[R 프로그램] 신용카드 고객 데이터 군집분석(1)

분석 시나리오: 신용카드 고객데이터로 K-Means 군집분석을 수행하여 고객 Segementation에 활용하려고 한다.

해당 데이터는 아래 파일을 다운받아 사용하면 된다.

 

german_credit_data.csv

0.05MB

 

Data Load 및 필요 라이브러리 호출

 

read.csv로 german_credit_data.csv 파일을 불러온 후, 필요한 라이브러리를 호출하였다.

#데이터 load
bank<-read.csv("german_credit_data.csv")

#필요라이브러리
library(ggplot2)
library(lattice)
library(scales)
library(factoextra)
library(ggpubr)
library(dplyr)
library(data.table)

Data 확인 및 Pre-Processing

 

head()와 str()로 데이터를 확인한 후, 필요없는 X컬럼을 삭제하고, 결측치를 확인한 후 삭제해주었다.

#데이터 확인
head(bank)
  X Age    Sex Job Housing Saving.accounts Checking.account Credit.amount Duration             Purpose
1 0  67   male   2     own            <NA>           little          1169        6            radio/TV
2 1  22 female   2     own          little         moderate          5951       48            radio/TV
3 2  49   male   1     own          little             <NA>          2096       12           education
4 3  45   male   2    free          little           little          7882       42 furniture/equipment
5 4  53   male   2    free          little           little          4870       24                 car
6 5  35   male   1    free            <NA>             <NA>          9055       36           education
str(bank)
'data.frame':	1000 obs. of  10 variables:
 $ X               : int  0 1 2 3 4 5 6 7 8 9 ...
 $ Age             : int  67 22 49 45 53 35 53 35 61 28 ...
 $ Sex             : chr  "male" "female" "male" "male" ...
 $ Job             : int  2 2 1 2 2 1 2 3 1 3 ...
 $ Housing         : chr  "own" "own" "own" "free" ...
 $ Saving.accounts : chr  NA "little" "little" "little" ...
 $ Checking.account: chr  "little" "moderate" NA "little" ...
 $ Credit.amount   : int  1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
 $ Duration        : int  6 48 12 42 24 36 24 36 12 30 ...
 $ Purpose         : chr  "radio/TV" "radio/TV" "education" "furniture/equipment" ...


#데이터 전처리
is.na(bank)
sum(is.na(bank))
[1] 577

#X컬럼 제거
bank1<-bank[-1]
bank2<-na.omit(bank1)

 

문자형 변수인 Sex, Housing, Saving.accounts, Checking.account, Purpose의 더미변수를 생성하였다. str()을 통해 범주형 변수로 인코딩이 잘 되었는지 확인해보았다.

1. Sex: male=1, female=2;
2. Housing: own=1, free=2, rent=3;
3. Savings.accounts: little=1, moderate=2, quite rich=3, rich=4;
4. Checking.account: little=1, moderate=2, rich=3;
5. Purpose: business=1, car=2, domestic appliences=3, education=4, furniture/equipment=5, radio/TV=6, repairs=7, vacation/others=8

 

#Sex, Housing, Saving,accounts, Chekcing.account, Purpose 더미변수 생성
bank3<-bank2
bank3[,2]<-ifelse(bank2[,2]=="male", 1, ifelse(bank2[,2]=="female",2,3))
bank3[,4]<-ifelse(bank2[,4]=="own", 1, ifelse(bank2[,4]=="free", 2, ifelse(bank2[,4]=="rent", 3,4)))
bank3[,5]<-ifelse(bank2[,5]=="little", 1, ifelse(bank2[,5]=="moderate", 2, ifelse(bank2[,5]=="quite rich", 3, ifelse(bank2[,5]=="rich", 4, 5))))
bank3[,6] <- ifelse(bank2[,6] == "little", 1, ifelse(bank2[,6] == "moderate", 2, ifelse(bank2[,6] == "rich", 3, 4)))
bank3[,9] <- ifelse(bank2[,9] == "business", 1, ifelse(bank2[,9] == "car", 2, ifelse(bank2[,9] == "domestic appliances", 3, ifelse(bank2[,9] == "education", 4, ifelse(bank2[,9] == "furniture/equipment", 5, ifelse(bank2[,9] == "radio/TV", 6, ifelse(bank2[,9] == "repairs", 7, ifelse(bank2[,9] == "vacation/others", 8, 9))))))))

str(bank3)
'data.frame':	522 obs. of  9 variables:
 $ Age             : int  22 45 53 35 28 25 24 22 60 28 ...
 $ Sex             : num  2 1 1 1 1 2 2 2 1 2 ...
 $ Job             : int  2 2 2 3 3 2 2 2 1 2 ...
 $ Housing         : num  1 2 2 3 1 3 3 1 1 3 ...
 $ Saving.accounts : num  1 1 1 1 1 1 1 1 1 1 ...
 $ Checking.account: num  2 1 1 2 2 2 1 2 1 1 ...
 $ Credit.amount   : int  5951 7882 4870 6948 5234 1295 4308 1567 1199 1403 ...
 $ Duration        : int  48 42 24 36 30 12 48 12 24 15 ...
 $ Purpose         : num  6 5 2 2 2 2 1 6 2 2 ...
 - attr(*, "na.action")= 'omit' Named int [1:478] 1 3 6 7 9 17 18 20 21 25 ...
  ..- attr(*, "names")= chr [1:478] "1" "3" "6" "7" ...

 

중복값을 확인하고, 처리해주었다.

#중복값 확인
which(duplicated(bank3))
integer(0)
sapply(bank3, function(x) length(unique(x)))
             Age              Sex              Job          Housing  Saving.accounts Checking.account    Credit.amount         Duration 
              52                2                4                3                4                3              503               30 
         Purpose 
               8

Credit.amount, Duration과 다른 변수간 상관관계 확인

 

lattice 라이브러리를 사용하면, xyplot을 통해 변수간 상관관계를 한 눈에 파악할 수 있다.
Credit.amount, Duration변수와 Sex, Job, Housing, Saving.accounts, Checking.account변수간 상관관계를 시각화하여 살펴보았다.

#Credit.amount와 다른변수간의 상관관계
xyplot(Sex ~ Credit.amount, bank3)
xyplot(Job ~ Credit.amount, bank3)
xyplot(Housing ~ Credit.amount, bank3)
xyplot(Saving.accounts ~ Credit.amount, bank3)
xyplot(Checking.account ~ Credit.amount, bank3,
       grid = TRUE)

#Duration와 다른변수간의 상관관계
xyplot(Sex ~ Duration, bank3)
xyplot(Job ~ Duration, bank3)
xyplot(Housing ~ Duration, bank3)
xyplot(Saving.accounts ~ Duration, bank3)
xyplot(Checking.account ~ Duration, bank3,
       grid = TRUE)

 

상관관계 분석 결과,

1. 남성이 여성보다 더 많은 credit amount를 가지며, credit 듀레이션이 더 길었다.
2. Jobs "3"과 "2"가 jobs "1"과 "0"에 비해 더 많은 credit amount를 가지고 있다.
3. 집을 가지고 있는 사람은 credit을 더 많이 가지고 있었고, credit 듀레이션은 더 길었다.
4. 부유한 사람들은 credit을 거의 요구하지 않았지만, 가난한 사람들은 더 많은 credit을 요구하였다.
5. 적정한 저축을 하는 사람들이 그렇지 않은 사람들에 비해 듀레이션이 길었다.

*Duration: 이자율과 만기에 따라 원금 회수시 걸리는 평균 기간

추가 변수 EDA

 

직업별 만기의 평균을 Credit amount별로 비교하는 그래프를 그려보았다.

#직업별 Credit amount 비교 
mid<-mean(bank3$Duration)
ggplot(bank3, aes(x=Job, y=mid, colour=Credit.amount))+
  theme(axis.text.x=element_text(angle=90, vjust=0.2))+
  geom_bar(stat="identity")

Credit 축적의 목적을 Housing변수별로 비교하는 그래프를 그려보았다.

 

다음 포스팅에서는 K-means 군집분석을 수행해볼 예정이다.