1차시 365개의 숫자를 12개로 줄이면 무엇이 남는가

학습 목표

개념에서
데이터를 모델 + 잔차로 갈라 보고, 모델의 세 부분(목적 · 형태 · 매개변수)을 짚을 수 있다.
손으로
잔차를 구해 그림과 표로 읽고, 가장 크게 빗나간 날의 까닭을 날씨 · 운영 기록에서 찾을 수 있다.
확인에서
숫자 1개 모델과 견주어 어떤 모델이 쓸 가치가 있는지 한 줄로 적을 수 있다.

여는 장면 · 5분

같은 따릉이인데 하루 평균이 7배 다르다

오늘부터 자료를 갈아탑니다. Ⅱ 단원에서 쓰던 따릉이는 서울 열린데이터광장이 공개한 2024년 대여 이력이었고, 날씨는 우리가 기상청 자료를 찾아 이어 붙였습니다. 오늘부터 쓸 따릉이는 연구용으로 공개된 2017년 12월 ~ 2018년 11월 자료로, 기온 · 강수 · 습도 · 휴일 · 운영 여부가 이미 붙어 있습니다. 붙이는 수고를 덜었으니 모델에 집중할 수 있습니다.

그런데 편한 만큼 보지 못하는 것도 생깁니다. 누군가 이미 합치고 다듬은 자료라, 그 손질을 우리가 확인할 수 없어요. 자료를 갈아탈 때는 늘 다섯 칸을 먼저 읽습니다 — 출처 · 기간 · 한 행은 무엇인가 · 붙어 있는 열 · 무엇을 셌나.

표 1두 따릉이 자료의 신상갈아타기 전에 읽는 다섯 칸

읽을 칸	Ⅱ 단원에서 쓰던 자료	오늘부터 쓸 자료
출처	서울 열린데이터광장 · 따릉이 대여 이력	UCI 기계학습 저장소 · 연구용 자료(CC BY 4.0)
기간	2024-01-01 ~ 2024-12-31 · 366일	2017-12-01 ~ 2018-11-30 · 365일
한 행은 무엇인가	하루 — 우리가 대여 이력을 날짜별로 셌다	원본은 1시간(8,760행) — 우리가 하루로 묶었다
붙어 있는 열	대여 건수뿐 — 날씨는 우리가 이어 붙였다	기온 · 강수 · 습도 · 휴일 · 운영 여부가 이미 붙어 있다
하루 평균	119,814건	16,910대 (운영한 353일만 보면 17,485대)

마지막 칸이 7.1배 차이 납니다(119,814 ÷ 16,910). 그렇다고 '따릉이 이용이 7배로 늘었다'고 써도 될까요? 해가 다르고, 대여소와 자전거 수가 달라졌고, 무엇보다 두 자료가 같은 것을 셌는지 아직 확인하지 않았습니다. 자료: 서울 열린데이터광장 따릉이 대여 이력 2024 · UCI Seoul Bike Sharing Demand(CC BY 4.0, DOI 10.24432/C5F62R) — 원장 계산

자료를 읽었으니 이제 오늘의 일입니다. 아래 두 그림은 같은 1년을 두 가지로 적은 것이에요. 왼쪽은 하루도 빠뜨리지 않고 365개를 그대로 적었고, 오른쪽은 달마다 평균 하나로 줄여 12개만 남겼습니다.

그림 1같은 1년, 숫자 365개와 숫자 12개세로는 하루 대여(대) · 두 그림의 눈금이 같다

막대 12개는 365개가 말하던 것을 거의 다 잃었습니다 — 비 오던 날, 운영하지 않아 0대였던 날, 주말과 평일의 차이가 모두 뭉개졌어요. 그런데도 우리는 오른쪽을 '모델'이라 부르고 왼쪽을 그렇게 부르지 않습니다. 왜일까요? 자료: UCI Seoul Bike Sharing Demand 365일 — 달 평균은 3정거장 코드 ①이 찍는 값과 같다(원장 계산)

먼저 예측

그림 1의 막대 12개가 버린 것을 한 문장으로 적어 보세요 — "비 온 날이 사라졌다"처럼 구체적으로요. 그리고 버려진 그것을 다시 찾으려면 어떤 그림을 그려야 할지도 한 줄 덧붙여 두세요. 3정거장 미션 ②에서 여러분의 문장과 실제 잔차 그림을 맞대어 봅니다.

내 예측 한 문장 이 기기에만 저장돼요 · 선생님께 가지 않아요

체크포인트 1

자료를 갈아타며 다섯 칸을 읽었고, 같은 1년을 숫자 365개와 12개로 적은 두 그림을 보았다.

다음 정거장 · 개념 15분 →

개념 · 15분

모델은 줄인 것, 잔차는 남은 것

2-1데이터 = 모델 + 잔차

데이터 모델은 데이터 속의 관계를 수식 · 규칙 · 구조로 줄여 쓴 것입니다. 그림 1의 오른쪽 — 달마다 평균 하나, 숫자 12개 — 도 어엿한 모델이에요. 이 모델을 오늘 모델 A라고 부릅니다.

줄였으니 맞지 않는 날이 생깁니다. 어느 날의 실제 대여에서 그날에 대한 모델의 답을 뺀 것을 잔차라고 합니다. 그러면 데이터는 늘 두 조각으로 갈립니다.

이 차시의 식데이터 = 모델(요약) + 잔차(나머지) — 잔차 = 실제 − 모델의 답.

그러면 숫자를 늘릴수록 좋은 모델일까요? 365개를 그대로 적은 표는 단 하루도 틀리지 않습니다(잔차가 모두 0). 그런데도 그것을 모델이라 부르지 않는 까닭이 옆 판에 있습니다.

그럴듯한 말

“365일을 그대로 적은 표는 하나도 틀리지 않으니 가장 좋은 모델이다.”

틀렸다

데이터가 한 말

41.2%365개 표를 2024년에 댔을 때
평균으로 빗나간 몫

숫자 1개(1년 평균)만 기억한 모델은 같은 해에 35.1%였습니다. 표는 아무것도 줄이지 않아 2018년에만 있었던 일까지 그대로 외웁니다. 줄이지 않은 것은 모델이 아니다 — 모델은 줄인 만큼만 새 자료에 말할 수 있다.

자료: 2018년으로 만든 모델을 2024년에 대어 잰 값 — 두 자료는 센 것이 달라 '그 해 평균의 몇 배'로만 견주었다(원장 계산). 아래 칸막이 판의 '다른 해 창'과 같은 숫자다.

2-2모델의 세 부분, 그리고 남는 것

어떤 모델이든 뜯어보면 세 부분입니다. 여기에 '줄이고 남은 것' 하나를 더해 넷으로 읽으면, 이 단원 14차시에서 만날 모든 모델을 같은 자리에서 볼 수 있습니다.

모델을 읽는 나침반 — 네 방향을 차례로

목적무엇을 묻는가 — 수를 맞힐까, 무리로 묶을까, 규칙을 찾을까
형태어떤 모양으로 줄일까 — 평균 하나? 달마다 하나? 직선?
매개변수형태 안의 숫자 — 모델 A의 달 평균 12개가 이것이다
잔차줄이고 남은 것 — 아직 규칙이 남아 있을 수 있다

형태는 내가 고르고, 매개변수는 데이터가 정합니다. 모델 A에서 '달마다 하나'는 사람이 고른 형태이고, 12개의 높이는 우리가 정한 것이 아니라 그 달의 값들이 정한 것이에요. 아래 칸막이 판에서 이 둘을 손으로 가릅니다.

2-3손으로 형태를 고른다 — 칸막이 판

칸막이 판은 1년 365일을 날짜 순서대로 눕혀 놓고, 그 위에 칸막이를 꽂아 몇 토막으로 자르는 판입니다. 칸막이를 어디에 몇 개 꽂느냐가 모델의 형태이고, 토막마다의 평균 높이가 매개변수예요. 칸막이를 놓는 순간 양옆 계단이 그 칸의 평균으로 가라앉는데, 이것이 바로 도구가 말하는 fit입니다.

판에는 장치가 셋 더 있습니다. 성적 자취는 칸막이를 하나만 꽂았을 때 그것을 날마다 옮겨 보면 나오는 빗나감을 레일 아래에 그린 곡선입니다. 도구에게 맡기기는 지금 칸막이는 그대로 두고 오차를 가장 많이 줄이는 자리 하나를 기계가 꽂아 주는 단추입니다. 다른 해 창은 2024년 따릉이 기록을 덮어 둔 창으로, 2018년으로 만든 모델을 한 번도 본 적 없는 해에 대어 봅니다.

시뮬레이터

칸막이 판

1년을 숫자 몇 개로 말할까 — 줄이지 않은 것은 다른 해가 벌한다

1레일을 톡 쳐 예측 핀을 꽂고 잠근다
2칸막이를 꽂고 끌어 계단을 가라앉힌다(레일 아래로 끌면 뺀다)
3다른 해 창을 열어 내 모델을 시험한다

① 예측 — 칸막이 하나를 어디에?

② 칸막이 — 손으로, 그리고 도구에게

성적 자취 보기 칸막이 하나를 날마다 옮겨 본 빗나감

③ 다른 해 창 — 2024년을 가장 잘 말할 모델은?

1년 판 — 숫자 1개(1년 평균 16,910대)① 예측부터 — 네 자리 가운데 하나를 고르거나 레일을 톡 치세요.

빗나감 = 날마다 |실제 − 그 칸의 평균| 을 365일에 걸쳐 평균한 값 · 기억하는 숫자 k개 = 칸이 k개(칸막이 k−1개) · 칸 높이는 놓는 순간 그 칸의 평균으로 정해진다(＝ fit)

다른 해 창 — 두 자료는 센 것이 달라 '그 해 평균의 몇 배'로만 견준다. 같은 월 · 일에 대므로 윤년인 2024년은 3월부터 요일이 하루 밀린다(2월 29일은 뺐다)

파이썬으로 — 지금 꽂은 칸막이를 코드 한 줄로. 3정거장 미션 ④의 코드 ⑤에 있는 경계 = […] 줄에 붙여 넣으면 이 계기판과 같은 숫자가 나온다

경계 = []

평균 빗나감9,154대

기억하는 숫자1

숫자 1개 모델(대)9,154

달력 12개 모델(대)4,691

2018 빗나감(%)54.1

2024 빗나감(%)—

도전 1

칸막이 하나로 평균 5,545대 이하까지 내려라. 1년에서 가장 큰 갈림은 어디인가?

도전 2

숫자 6개 이하로 달력 12개(4,691대)를 이겨라 — 숫자를 절반으로 줄이고도.

도전 3

숫자 5개로 도구가 낸 4,703대도 이겨라. 도구는 한 번에 하나씩 고르느라 놓치는 답이 있다.

자료: UCI Seoul Bike Sharing Demand 365일 + 서울 열린데이터광장 2024 따릉이 366일(2월 29일은 뺐다) — 쪽 안에 실은 값은 원장이 구운 것이다. 두 자료는 센 것이 달라 '그 해 평균의 몇 배'로만 견준다. 같은 월 · 일로 대므로 2024년은 윤년이라 3월부터 요일이 하루 밀린다.

2-4잔차를 읽는 것이 모델링의 절반

판에서 본 대로, 좋은 모델을 한 번에 세우는 방법은 없습니다. 대신 되돌이 고리가 있어요 — 세우고 → 잔차에서 남은 규칙을 찾고 → 고치고 → 그래도 남는 것은 '사건'으로 따로 적습니다. 3정거장에서 이 고리를 한 바퀴 돌립니다. 아래 네 쌍은 그 고리가 지나가는 자리들이에요.

1년 평균 하나 · 달 평균 열둘

9,154숫자 1개 · 빗나감(대)

→

4,691숫자 12개 · 빗나감(대)

숫자를 12배 늘려 빗나감을 절반으로 줄였다.

달력이 정한 칸 · 데이터가 정한 칸

4,691달력 12개(대)

4,632칸막이 5개(대)

더 적은 숫자가 더 낫다 — 달의 경계는 데이터의 경계가 아니다.

잔차 속의 요일 · 토요일과 일요일

+103토요일 잔차 평균(대)

인데

−1,903일요일 잔차 평균(대)

같은 주말인데 다르다 — 모델 A가 놓친 규칙.

잔차 속의 비 · 온 날과 안 온 날

+1,904비 안 온 날 253일(대)

−4,818비 온 날 100일(대)

부호가 갈린다 — 잔차에 날씨가 아직 들어 있다.

자료: 위 네 쌍의 숫자는 모두 3정거장 코드 ② · ④ · ⑤ · ⑥이 찍는 값이다(운영한 353일로 다시 만든 모델 A 기준 — 넷째 쌍).

Ⅱ-3 에서 가져옴자료를 받으면 먼저 신상명세서를 쓴다고 배웠습니다. 오늘 표 1의 다섯 칸이 그것이고, 모델을 세우기 전에 다시 한 번 씁니다 — 분석 대상이 아닌 행이 섞이면 모델부터 오염되기 때문입니다.

체크포인트 2

모델의 네 방향(목적 · 형태 · 매개변수 · 잔차)을 말할 수 있고, 형태를 손으로 바꿔 보며 '줄이지 않은 것은 모델이 아니다'를 다른 해가 벌하는 것을 보았다.

다음 정거장 · 손으로 20분 →

손으로 · 20분

잔차를 구하고, 가장 크게 빗나간 날을 찾는다

오늘의 장비

scikit-learn — 모델을 세우는 도구

Ⅱ 단원에서 pandas 로 평균을 계산했다면, 오늘부터는 scikit-learn 으로 모델을 세웁니다. 이 도구의 모델은 크든 작든 동작이 둘뿐이에요 — fit(데이터로 숫자를 정한다 = 배우기)과 predict(답하기). 처음 실행은 몇 초 멈춥니다 — 고장이 아니라 도구를 처음 받는 중이에요(쪽마다 한 번).

부르는 모양

from sklearn.dummy import DummyRegressor

모델 = DummyRegressor(strategy="mean")
모델.fit(X, y)           # 배우기
답 = 모델.predict(X)     # 답하기

오늘 쓰는 함수 넷

DummyRegressor: 가장 작은 모델 — strategy 로 평균 · 중앙값
fit: 데이터로 매개변수를 정한다(배우기)
predict: 새 입력에 답한다(답하기)
mean_absolute_error: 평균 몇 대 빗나가는지 재는 자

pandas 와 다른 셋

모델이 남는다pandas 는 값을 돌려주고, 여기서는 fit 한 모델이 남아 새 입력에 답한다
어떤 모델이든 같은 두 동작평균이든 직선이든 나무든 fit · predict
자를 함께 준다mean_absolute_error 같은 채점 함수가 한 벌로 들어 있다

대가 — 도구는 답을 주지만 그 답이 쓸 만한지는 말해 주지 않습니다. 그래서 늘 '숫자 1개 모델'과 견줍니다.

자료의 신상을 찍고, 숫자 12개짜리 모델을 만든다

2분

12달 가운데 하루 대여가 가장 적은 달은 언제일까요? 대부분 12월이나 2월에 걸기 쉽습니다. 그리고 가장 많은 달도 하나 짚어 두세요 — 7·8월을 고를 것 같지만 아닐 수도 있습니다.

기본 코드 ①은 채워져 있습니다. 그대로 ▶ 실행해 표 1의 오른쪽 칸(기간 · 365일 · 운영한 날 · 하루 평균)이 맞는지 확인하고, 달 평균 12개를 예측과 맞대어 보세요.

# ── 예측: 12달 가운데 하루 대여가 가장 적은 달은? ──
import pandas as pd
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))

# [0] 이 자료의 신상 — 여는 장면 표의 'Ⅲ 쪽' 칸을 채운다
print("[0] 이 자료의 신상")
print(f"  기간 {df['date'].min()} ~ {df['date'].max()}"
      f" · {len(df)}일")
print(f"  열: {', '.join(df.columns)}")
운영 = df["functioning"] == 1
print(f"  운영한 날 {운영.sum()}일 · 하루 평균 대여"
      f" {df.loc[운영, 'rentals'].mean():,.0f}대")

# [1] 모델 A = 달마다 평균 하나 — 숫자 365개를 12개로
df["month"] = df["date"].str[:7]          # "2018-04" 같은 달
월평균 = df.groupby("month")["rentals"].mean().round(0)
print(f"\n[1] 모델 A — 기억하는 숫자 {len(월평균)}개"
      "(달 평균, 대)")
칸 = [f"{m[2:]} {v:>6,.0f}" for m, v in 월평균.items()]
for i in range(0, 12, 4):
    print("  " + "  │ ".join(칸[i:i + 4]))

도전 마지막에서 셋째 줄 f"{m[2:]} …" 의 m[2:] 를 m 으로 바꿔 보세요. 줄 폭이 넘쳐 한 줄에 넷이 들어가지 않습니다 — 출력도 읽히게 짓는 것이 코드의 일부입니다.

가장 적은 달과 가장 많은 달을 찾아 예측과 맞대었다 — 6월이 가장 많은 것이 뜻밖인가?
365일 가운데 운영한 날이 353일이다 — 나머지 12일은 표에 어떻게 적혀 있을까 짐작해 두었다.

이 자료의 하루 평균은 대이고 Ⅱ 단원 자료는 119,814건이라 배다. 이 배수를 '이용이 그만큼 늘었다'로 읽기 전에 와 를 먼저 확인해야 한다.

확인 문제 1에 적어 제출 →

잔차를 만든다 — 데이터에서 모델을 빼면

7분

여는 장면에 적어 둔 내 예측입니다. 잔차 그림에서 정말 그것이 보일까요? 그리고 잔차 막대가 가장 크게 흔들리는 철은 언제일지 먼저 짐작해 두세요.

기본 빈칸 ①에 잔차를 만드는 한 줄을 채우고 ▶ 실행합니다. 이 차시의 핵심이 이 뺄셈 한 줄이에요 — 실제에서 모델의 답을 뺀다. 그림은 위 칸에 실제(점)와 모델 A(계단), 아래 칸에 잔차(막대)가 나옵니다.

# ── 예측: 잔차 막대가 가장 크게 흔들리는 철은 언제일까? ──
import pandas as pd
import matplotlib.pyplot as plt
from pyodide.http import open_url

# ───── [준비] 자료와 모델 A(달 평균) ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
월 = df.groupby("month")["rentals"]
df["모델A"] = 월.transform("mean").round(0)

# [빈칸 ①] 잔차 = 실제 − 모델의 답
df["잔차"] = ?????

# [2] 그림 — 위: 실제와 모델 · 아래: 잔차
날 = pd.to_datetime(df["date"])
fig, (위, 아래) = plt.subplots(2, 1, sharex=True)
# 점 365개 · 막대 365개 — 촘촘해서 흰 테·흰 틈(=0)을 뗀다
위.plot(날, df["rentals"], ".", markersize=5,
       markeredgewidth=0, label="실제")
위.plot(날, df["모델A"], label="모델 A(달 평균)")
위.set_ylabel("하루 대여(대)")
위.legend()
아래.bar(날, df["잔차"], width=1.0, linewidth=0)
아래.axhline(0, color="C1", linewidth=1)
아래.set_ylabel("잔차(대)")
fig.suptitle("데이터 = 모델 + 잔차")
fig.autofmt_xdate()
plt.show()

# [3] 나머지 속에 규칙이 남았나 — 요일별 잔차 평균
요일 = 날.dt.dayofweek.map(dict(enumerate("월화수목금토일")))
print("[3] 요일별 잔차 평균(대) — 0에서 멀수록 놓친 규칙")
순서 = list("월화수목금토일")
표 = df.groupby(요일)["잔차"].mean().reindex(순서)
for d, v in 표.items():
    print(f"  {d} {v:>+7,.0f}")
# 도전: .mean() 을 .median() 으로 — 평일 부호는?

# ── 예측: 잔차 막대가 가장 크게 흔들리는 철은 언제일까? ──
import pandas as pd
import matplotlib.pyplot as plt
from pyodide.http import open_url

# ───── [준비] 자료와 모델 A(달 평균) ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
월 = df.groupby("month")["rentals"]
df["모델A"] = 월.transform("mean").round(0)

# [빈칸 ①] 잔차 = 실제 − 모델의 답
df["잔차"] = df["rentals"] - df["모델A"]

# [2] 그림 — 위: 실제와 모델 · 아래: 잔차
날 = pd.to_datetime(df["date"])
fig, (위, 아래) = plt.subplots(2, 1, sharex=True)
# 점 365개 · 막대 365개 — 촘촘해서 흰 테·흰 틈(=0)을 뗀다
위.plot(날, df["rentals"], ".", markersize=5,
       markeredgewidth=0, label="실제")
위.plot(날, df["모델A"], label="모델 A(달 평균)")
위.set_ylabel("하루 대여(대)")
위.legend()
아래.bar(날, df["잔차"], width=1.0, linewidth=0)
아래.axhline(0, color="C1", linewidth=1)
아래.set_ylabel("잔차(대)")
fig.suptitle("데이터 = 모델 + 잔차")
fig.autofmt_xdate()
plt.show()

# [3] 나머지 속에 규칙이 남았나 — 요일별 잔차 평균
요일 = 날.dt.dayofweek.map(dict(enumerate("월화수목금토일")))
print("[3] 요일별 잔차 평균(대) — 0에서 멀수록 놓친 규칙")
순서 = list("월화수목금토일")
표 = df.groupby(요일)["잔차"].mean().reindex(순서)
for d, v in 표.items():
    print(f"  {d} {v:>+7,.0f}")
# 도전: .mean() 을 .median() 으로 — 평일 부호는?

도전 요일 줄의 .mean() 을 .median() 으로 바꿔 보세요. 평일 다섯이 모두 +로 바뀝니다(목 +936 ~ 금 +2,128, 일 −1,516). 평균은 운영하지 않은 날의 0대에 끌리지만 중앙값은 덜 끌립니다.

탐구 겨울(12~2월)보다 여름 · 가을의 잔차가 크게 흔들립니다. 대여량 자체가 커서일까요, 비 때문일까요? 둘을 가르려면 무엇을 재면 될지 짝과 말해 보세요 — 3차시에서 기온을 넣은 모델로 실제로 가릅니다.

위 칸에서 계단(모델 A)이 달마다 한 번씩 높이를 바꾸는 것을 확인했다.
아래 칸 잔차 막대가 12~2월에는 작고 4~11월에는 크게 흔들리는 것을 보았다.
0에서 가장 멀리 떨어진 요일을 찾았다 — 일요일 −1,903대.
위 칸에서 0대로 바닥에 붙은 점 몇 개를 찾아 두었다(미션 ⑤에서 다시 만난다).

요일별 잔차 평균이 0에서 가장 먼 요일은 이고, 그 값은 대다. 이것은 모델 A가 를 놓쳤다는 뜻이므로, 모델을 고치려면 를 칸으로 더하면 된다.

확인 문제 4에 적어 제출 →

탐정표 — 가장 크게 빗나간 10일에 무슨 일이 있었나

4분

모델보다 훨씬 적게 빌린 날 10일을 뽑으려 합니다. 그 10일 가운데 비가 온 날은 며칠일까요? 숫자 하나를 짐작해 두고 시작하세요.

기본 빈칸 ②에 '잔차가 가장 작은 10행'을 뽑는 함수 이름을 채웁니다. '적게 빌린 쪽으로 빗나감'은 잔차가 가장 작은(가장 큰 음수) 쪽이에요 — 방향을 고르는 자리입니다.

# ── 예측: 10일 가운데 비 온 날은 몇 일일까? ──
import pandas as pd
from pyodide.http import open_url

# ───── [준비] 자료 · 모델 A · 잔차 ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
월 = df.groupby("month")["rentals"]
df["모델A"] = 월.transform("mean").round(0)
df["잔차"] = df["rentals"] - df["모델A"]
요일표 = dict(enumerate("월화수목금토일"))
날 = pd.to_datetime(df["date"])
df["요일"] = 날.dt.dayofweek.map(요일표)

# [빈칸 ②] 잔차가 가장 작은(가장 큰 음수) 10행
탐정 = df.?????(10, "잔차")

print("[4] 모델보다 훨씬 적게 빌린 날 10일")
print("  날짜       요일  기온  강수mm 공휴 운영     잔차")
for _, r in 탐정.iterrows():
    print(f"  {r['date']}  {r['요일']}  {r['temp']:5.1f}"
          f" {r['rain_mm']:6.1f}   {r['holiday']}    "
          f"{r['functioning']}  {r['잔차']:>+8,.0f}")
# 도전: nsmallest → nlargest — 훨씬 '많이' 빌린 날은?

# ── 예측: 10일 가운데 비 온 날은 몇 일일까? ──
import pandas as pd
from pyodide.http import open_url

# ───── [준비] 자료 · 모델 A · 잔차 ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
월 = df.groupby("month")["rentals"]
df["모델A"] = 월.transform("mean").round(0)
df["잔차"] = df["rentals"] - df["모델A"]
요일표 = dict(enumerate("월화수목금토일"))
날 = pd.to_datetime(df["date"])
df["요일"] = 날.dt.dayofweek.map(요일표)

# [빈칸 ②] 잔차가 가장 작은(가장 큰 음수) 10행
탐정 = df.nsmallest(10, "잔차")

print("[4] 모델보다 훨씬 적게 빌린 날 10일")
print("  날짜       요일  기온  강수mm 공휴 운영     잔차")
for _, r in 탐정.iterrows():
    print(f"  {r['date']}  {r['요일']}  {r['temp']:5.1f}"
          f" {r['rain_mm']:6.1f}   {r['holiday']}    "
          f"{r['functioning']}  {r['잔차']:>+8,.0f}")
# 도전: nsmallest → nlargest — 훨씬 '많이' 빌린 날은?

도전 nsmallest 를 nlargest 로 바꿔 '훨씬 많이 빌린 날'을 보세요. 1위 7월 6일 +9,984, 2위 10월 3일(개천절, 표에 공휴 1) +9,359 — 공휴일이 늘 적은 날은 아닙니다.

10일을 날짜 | 근거 칸 | 무슨 일 셋으로 읽었다 — 근거 칸은 강수 mm 와 운영 여부다.
운영 칸이 0인 날이 몇 일인지 세었다(8일).
비 온 날 둘(6월 26일 71.5mm · 7월 1일 81.0mm)을 찾아 예측과 맞대었다.

10일 가운데 8일은 이라 수요가 0이 아니라 이다. 그러므로 이 날들은 모델을 고칠 근거로 쓰지 않고 해야 한다.

확인 문제 2에 적어 제출 →

숫자 1개 모델 — 손으로 한 번, 같은 일을 도구로

3분

가장 추운 날(−14.7°C)과 가장 더운 날(33.7°C)의 기온을 도구에 넣어 줍니다. 도구는 두 날에 각각 몇 대라고 답할까요? 두 숫자를 짐작해 두세요.

기본 코드 ④는 채워져 있습니다. 그대로 ▶ 실행해 손(pandas)으로 낸 값과 도구(scikit-learn)가 낸 값이 같은지 먼저 보고, 두 날의 답을 예측과 맞대어 보세요.

# ── 예측: 가장 추운 날 · 가장 더운 날, 도구의 답은? ──
import pandas as pd
from sklearn.dummy import DummyRegressor
from sklearn.metrics import mean_absolute_error
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
모델A = df.groupby("month")["rentals"].transform("mean")
모델A = 모델A.round(0)

X, y = df[["temp"]], df["rentals"]       # 기온을 넣어 주지만…
# 도전: strategy 를 "median" 으로 바꾸면?
하나 = DummyRegressor(strategy="mean")
하나.fit(X, y)                           # fit = 배우기
답 = 하나.predict(X)                     # predict = 답하기

print("[5] 숫자 1개 모델(1년 평균) — 손 vs 도구")
print(f"  손(pandas) {y.mean():,.1f}대 · 도구 {답[0]:,.1f}대")
추, 더 = X["temp"].idxmin(), X["temp"].idxmax()
print(f"  가장 추운 날({X['temp'][추]}°C) 답 {답[추]:,.0f}대")
print(f"  가장 더운 날({X['temp'][더]}°C) 답 {답[더]:,.0f}대")
print("  평균 몇 대 빗나가나 — 손 / mean_absolute_error")
손1 = (y - y.mean()).abs().mean()
도1 = mean_absolute_error(y, 답)
print(f"  숫자 1개   {손1:>7,.0f} / {도1:>7,.0f}대")
손12 = (y - 모델A).abs().mean()
도12 = mean_absolute_error(y, 모델A)
print(f"  숫자 12개  {손12:>7,.0f} / {도12:>7,.0f}대")
print("  숫자 365개       0대 — 내일에 대해서는 말 못 한다")

도전 strategy="mean" 을 "median" 으로 바꾸면 답은 17,730대, 빗나감은 9,134대가 됩니다 — 평균일 때(9,154)보다 작아요. 절대 오차를 가장 작게 만드는 한 숫자는 평균이 아니라 중앙값입니다.

도전 한 걸음 더 코드 ⑤에는 경계 넷이 이미 들어 있습니다. 먼저 그대로 ▶ 실행해 칸 다섯의 평균과 빗나감을 보고, 그다음 위 칸막이 판에서 [경계 한 줄 복사]를 눌러 내가 꽂은 칸막이로 바꿔 넣어 보세요. 판의 계기판과 같은 숫자가 나온다면, 판은 답을 '보여 준' 것이 아니라 같은 계산을 한 것입니다.

# 칸막이 판의 [파이썬으로] 가 주는 경계를 아래 한 줄에 붙인다
import pandas as pd
from sklearn.metrics import mean_absolute_error
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
경계 = ["2018-03-06", "2018-04-25",
        "2018-07-21", "2018-10-26"]

# 날마다 '몇 번째 칸' 인가 → 칸마다 평균(= 칸마다 fit)
df["칸"] = sum((df["date"] >= b).astype(int) for b in 경계)
df["모델B"] = df.groupby("칸")["rentals"].transform("mean")
오차 = mean_absolute_error(df["rentals"], df["모델B"])
print(f"숫자 {len(경계) + 1}개 · 평균 {오차:,.0f}대 빗나감")
for k, g in df.groupby("칸"):
    처음, 끝 = g["date"].iloc[0], g["date"].iloc[-1]
    평균 = g["rentals"].mean()
    print(f"  칸 {k}: {처음} ~ {끝} · {len(g):>3}일"
          f" · {평균:>7,.0f}대")

손과 도구가 16,910.4로 같은 값을 냈다.
기온을 넣어 주었는데도 두 날의 답이 같다 — 이 모델은 입력을 보지 않는다.
코드 ⑤가 판의 계기판과 같은 4,632대를 냈다(판에서 최적 5개를 찾았다면).
칸 5개가 달력 12개(4,691대)보다 적은 숫자로 더 낫다는 것을 확인했다.

도구가 대신해 준 것은 이고, 말해 주지 않은 것은 이다. 365개 표는 빗나감이 0인데도 모델이 아닌 까닭은 이기 때문이다.

확인 문제 3에 적어 제출 →

분석 대상이 아닌 행을 걸러 내고 모델 A를 다시 세운다

4분

운영하지 않은 날 12일을 빼고 달 평균을 다시 구하면, 이제 맨 위로 올라올 날은 어떤 날일까요? 미션 ③의 탐정표를 떠올리며 짐작해 두세요.

기본 빈칸 ③에 '운영한 날만' 고르는 조건을 채웁니다. 분석 대상이 아닌 행이 섞이면 달 평균(모델)부터 오염됩니다 — Ⅱ 단원 전처리와 모델링이 한 고리인 까닭이에요.

# ── 예측: 이제 가장 크게 빗나간 날은 어떤 날일까? ──
import pandas as pd
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
쉰날 = int((df["functioning"] == 0).sum())
print(f"[6] 운영하지 않은 날(functioning=0): {쉰날}일")

# [빈칸 ③] 분석 대상인 행만 — 운영한 날(functioning 이 1)
운영 = df[?????].copy()

평균2 = 운영.groupby("month")["rentals"].transform("mean")
운영["잔차"] = 운영["rentals"] - 평균2.round(0)
print("  다시 만든 모델 A — 가장 크게 빗나간 날 8일")
for _, r in 운영.nsmallest(8, "잔차").iterrows():
    print(f"  {r['date']}  기온 {r['temp']:5.1f}"
          f"  강수 {r['rain_mm']:5.1f}  공휴 {r['holiday']}"
          f"  {r['잔차']:>+8,.0f}")
빗 = 운영["잔차"].abs().mean()
print(f"  평균 {빗:,.0f}대 빗나감 (운영한 {len(운영)}일)")
비 = 운영["rain_mm"] > 0          # 도전: > 0 을 >= 10 으로
온, 안온 = 운영.loc[비, "잔차"], 운영.loc[~비, "잔차"]
print(f"  잔차 평균: 비 온 날 {온.mean():+,.0f} ({len(온)}일)"
      f" / 안 온 날 {안온.mean():+,.0f}")

# ── 예측: 이제 가장 크게 빗나간 날은 어떤 날일까? ──
import pandas as pd
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df["month"] = df["date"].str[:7]
쉰날 = int((df["functioning"] == 0).sum())
print(f"[6] 운영하지 않은 날(functioning=0): {쉰날}일")

# [빈칸 ③] 분석 대상인 행만 — 운영한 날(functioning 이 1)
운영 = df[df["functioning"] == 1].copy()

평균2 = 운영.groupby("month")["rentals"].transform("mean")
운영["잔차"] = 운영["rentals"] - 평균2.round(0)
print("  다시 만든 모델 A — 가장 크게 빗나간 날 8일")
for _, r in 운영.nsmallest(8, "잔차").iterrows():
    print(f"  {r['date']}  기온 {r['temp']:5.1f}"
          f"  강수 {r['rain_mm']:5.1f}  공휴 {r['holiday']}"
          f"  {r['잔차']:>+8,.0f}")
빗 = 운영["잔차"].abs().mean()
print(f"  평균 {빗:,.0f}대 빗나감 (운영한 {len(운영)}일)")
비 = 운영["rain_mm"] > 0          # 도전: > 0 을 >= 10 으로
온, 안온 = 운영.loc[비, "잔차"], 운영.loc[~비, "잔차"]
print(f"  잔차 평균: 비 온 날 {온.mean():+,.0f} ({len(온)}일)"
      f" / 안 온 날 {안온.mean():+,.0f}")

도전 비 = 운영["rain_mm"] > 0 을 >= 10 으로 바꾸면 32일이 되고, 그 32일의 잔차 평균은 −10,561대(나머지 +1,053)가 됩니다. 많이 오는 비일수록 더 깎입니다.

탐구 모델 A에 칸을 하나만 더한다면 무엇을 더하겠습니까 — 요일 · 비 · 기온 가운데 하나를 고르고, 고른 까닭과 그 칸으로 줄어들 것 같은 잔차를 확인 문제 6의 답 칸에 적으세요.

운영하지 않은 날이 12일이었고, 빼고 나니 위 8일이 모두 비 온 날이 되었다.
평균 빗나감이 4,691대에서 3,908대로 줄었다 — 행 12개를 걸렀을 뿐인데.
비 온 날 −4,818 / 안 온 날 +1,904 — 두 값의 부호가 갈리는 것을 보았다.

비 온 날의 잔차 평균이 대라고 해서 곧바로 '비가 대여를 줄인다'고 쓸 수 없다. 잔차는 만 뺀 것이라 가 아직 섞여 있기 때문이다.

확인 문제 6에 적어 제출 →

체크포인트 3

잔차를 직접 만들어 그림 · 표 · 요일별 평균으로 읽었고, 가장 크게 빗나간 날들의 까닭을 찾아 걸러 낼 것과 모델에 더할 것으로 갈랐다.

다음 정거장 · 정리·확인 10분 →

정리·확인 · 10분

오늘의 탐험 일지

찾은 것
데이터는 모델 + 잔차로 갈린다. 365개를 12개로 줄이자 빗나감이 9,154 → 4,691대가 되었고, 남은 잔차에는 요일(일요일 −1,903대)과 비(−4,818대)가 아직 들어 있었다.
도구의 한계
DummyRegressor 는 기온을 받고도 보지 않는다. 도구는 답을 주지만 그 답이 쓸 만한지는 말해 주지 않는다 — 기준 모델과 견주는 것은 사람 몫이다.
보고의 규칙
모델을 보고할 때는 기억하는 숫자의 개수와 숫자 1개 모델보다 얼마나 덜 틀리는지를 함께 적는다. 그리고 분석 대상이 아닌 행은 모델을 세우기 전에 걷어 낸다.

✍️ 문제마다 답을 쓰고 제출하기를 누르세요. 제출하면 모범 답안이 열리고, 제출한 답은 선생님께 전달됩니다.

1. Ⅱ 단원 따릉이(2024)의 하루 평균이 오늘 자료(2017–18)의 7.1배로 나왔다(119,814 ÷ 16,910). "따릉이 이용이 7배로 늘었다"고 써도 되는가? 먼저 확인할 것 둘을 들어 답하시오.

📖 모범 답안

아직 아니다.

① 두 자료가 같은 것을 셌는지 설명 페이지로 확인한다 — 한쪽은 '대여 건수', 다른 쪽은 연구용으로 묶인 '대여 수'다. 모든 대여소를 셌는지, 한 번의 이용을 몇 건으로 세는지가 다르면 배수는 뜻이 없다.

② 해와 규모가 다르다 — 2017–18년과 2024년 사이에 대여소와 자전거 수가 크게 늘었다. 서울시가 해마다 내는 통계와 견주고, 같은 해를 두 자료로 잴 수 있다면 그것부터 한다. 배수는 '이용이 얼마나 늘었나'가 아니라 '무엇을 셌나가 얼마나 다른가'를 먼저 가리킨다.

2. 어느 날 모델 A의 답이 2만 1천 대인데 실제 대여가 0대였다. 이 날을 모델을 고칠 근거로 쓸지, 표에서 걸러 낼지 — 확인할 열과 판단을 쓰시오.

📖 모범 답안

functioning 열을 본다.

운영하지 않은 날이면 그 0은 '수요가 0'이 아니라 '측정이 없는 날'이다. 분석 대상에서 빼고 달 평균을 다시 구한다 — 빼지 않으면 그 달의 평균(모델)부터 낮게 끌려 내려간다. 실제로 12일을 빼자 평균 빗나감이 4,691대에서 3,908대로 줄었고, 가장 크게 빗나간 8일이 모두 비 온 날로 바뀌었다.

운영했는데도 0이면 그때는 기록 오류를 의심하고, 같은 날 다른 자료(날씨 · 사고 기록)와 맞대어 본다.

3. DummyRegressor 에 기온을 넣어 주었는데 가장 추운 날과 가장 더운 날의 답이 똑같았다. 고장인가? 그리고 '365일 표 그대로'(숫자 365개, 빗나감 0)와 견주어 이 모델은 왜 모델인가 쓰시오.

📖 모범 답안

고장이 아니다. 평균 하나만 기억하고 입력을 보지 않는 모델이라, −14.7°C 에도 33.7°C 에도 16,910대라고 답한다.

표 그대로는 빗나감이 0이지만 아무것도 줄이지 않아 표에 없는 날(내일)에는 한마디도 하지 못한다. 숫자 1개 모델은 잘 맞든 아니든 내일에도 답한다 — 그래서 모델이다. 판의 다른 해 창에서 표 그대로는 41.2%, 숫자 1개는 35.1%로, 줄이지 않은 쪽이 더 크게 틀렸다.

그래서 어떤 모델이든 이 '숫자 1개'보다 덜 틀려야 쓸 가치가 있다 — 이것을 기준 모델이라 하고, 12차시 성적표의 첫 줄이 된다.

4. 요일별 잔차 평균에서 일요일만 −1,903대로 0에서 가장 멀었다(토요일은 +103). 그런데 .mean() 을 .median() 으로 바꾸자 평일 다섯이 모두 +936 ~ +2,128로 바뀌었다. ① 모델 A는 무엇을 놓쳤는가 ② 평균과 중앙값이 이렇게 다른 까닭은 무엇인가 쓰시오.

📖 모범 답안

① 일요일 효과(쉬는 날)를 놓쳤다. 잔차에 아직 요일 규칙이 남아 있다는 뜻이므로, 달마다 '평일 · 일요일' 두 칸을 두어 모델을 키우고 빗나감이 줄었는지 확인한다.

② 평균은 운영하지 않은 날(0대)과 폭우가 온 날처럼 크게 빗나간 몇 날에 끌린다. 그래서 평일끼리도 부호가 들쭉날쭉했다(화 −448 · 목 −369). 중앙값은 그런 몇 날에 덜 흔들려 평일이 모두 +로 선다. 운영하지 않은 날을 걸러 낸 뒤 다시 재는 것이 먼저다 — 미션 ⑤에서 걸러 내자 평균 빗나감이 3,908대로 줄었다.

5. 다음 물음마다 필요한 모델의 출력 모양(수 / 무리 번호 / 'A→B' 규칙)을 고르고, 그렇게 고른 까닭을 한 줄씩 쓰시오.

물음	출력 모양	고른 까닭
㉠ 다음 주 월요일의 대여량
㉡ 하루 이용 모양이 비슷한 역끼리 묶기
㉢ '비 오는 날엔 대여가 적다'가 자주 함께 일어나는가

📖 모범 답안

㉠ 수(회귀) — 답이 '몇 대'라는 숫자 하나다. 3~5차시에서 다룬다.

㉡ 무리 번호(군집) — 정답표가 없고, 비슷한 것끼리 묶는 것이 답이다. 6~8차시.

㉢ 'A→B' 규칙(연관) — 함께 일어나는 정도를 재는 것이 답이다. 9~11차시.

같은 따릉이 표에 네 가지를 물으면 네 모델이 나온다 — 좋은 모델은 데이터가 아니라 물음이 정한다.

6. 운영한 날만으로 다시 만든 모델 A에서 가장 크게 빗나간 8일이 모두 비 온 날이었다. 여기서 "비가 대여를 줄인다"고 결론 내려도 되는가? 무엇을 더 확인해야 하는지 쓰시오. 그리고 미션 ⑤의 탐구 — 모델 A에 칸을 하나 더한다면 무엇을(요일 · 비 · 기온) 고를지 까닭과 함께 덧붙이시오.

📖 모범 답안

아직 아니다. 잔차는 달 평균만 뺀 것이라, 같은 달 안의 기온 차이가 그대로 섞여 있다. 비 온 날이 특정 시기(장마철)에 몰려 있을 수도 있어, 지금 보이는 −4,818대에는 비의 몫과 기온·계절의 몫이 섞여 있다. 기온을 함께 넣은 모델(3차시)로 비의 몫을 따로 재야 한다.

칸을 하나 더한다면(예) — 비를 고른다. 비 온 날 −4,818 / 안 온 날 +1,904로 부호가 갈리고, 강수 10mm 이상으로 좁히면 −10,561대까지 벌어져 효과가 가장 또렷하기 때문이다. 달마다 '비 온 날 · 안 온 날' 두 칸을 두면 숫자가 12개에서 24개로 늘지만, 위 8일의 잔차가 크게 줄어들 것이다. (요일을 고른다면 일요일 −1,903을, 기온을 고른다면 같은 달 안의 더위·추위 차이를 근거로 들면 된다.)

더 알아보기

탐험 밖의 이야기 셋

방법 더 깊이

방정식으로 푸는 모델, 데이터에서 찾는 모델

기상청의 일기예보는 오늘 우리가 만든 것과 전혀 다른 종류의 모델에서 나옵니다. 수치예보모델은 대기를 잘게 나눈 격자마다 지금의 기온 · 기압 · 바람을 넣고, 공기의 운동과 열을 적은 방정식을 시간에 따라 풀어 내일의 값을 계산합니다. 근거가 데이터가 아니라 물리 법칙이에요. 그래서 한 번도 겪어 보지 못한 날씨에도 답을 내놓고, 관측이 적은 바다 위에서도 계산이 이어집니다.

오늘의 대여 모델은 반대입니다. 법칙을 세운 적이 없고, 지난 365일이 어떠했는지만 압니다. 그래서 자료가 없으면 아무 말도 못 하고, 대여소가 두 배로 늘어 세상의 규칙이 바뀌면 다시 배워야 합니다. 대신 방정식을 몰라도 세울 수 있고, 사람이 미처 적지 못한 관계까지 자료에서 주워 옵니다.

둘은 경쟁하지 않고 이어 붙습니다. 실제 따릉이 수요 예측은 수치예보모델이 낸 내일의 기온과 강수를 데이터 모델의 입력으로 받아 대여량을 냅니다. 한쪽이 물리로 내일의 날씨를 만들고, 다른 쪽이 데이터로 그 날씨에 사람들이 어떻게 움직일지를 답하는 것이지요. 3차시부터 우리 모델에 기온을 넣기 시작하면, 그 기온이 어디에서 오는지도 함께 생각해 보세요.

도해: 두 모델을 입력 · 근거 · 출력 세 칸으로 나란히 그리고, 예보 기온이 대여 모델의 입력으로 들어가는 자리를 표시했다.

역사

잔차에서 찾은 행성, 잔차에서 찾지 못한 행성

1781년에 발견된 천왕성은 곧 천문학자들을 괴롭혔습니다. 뉴턴 역학으로 계산한 궤도와 실제로 관측한 자리가 해마다 조금씩 어긋났거든요. 오늘 우리 말로 하면 잔차가 0으로 흩어지지 않고 한쪽으로 쌓인 것입니다. 1845~46년, 프랑스의 르베리에와 영국의 애덤스는 그 나머지를 관측 오차로 버리는 대신 '그 나머지를 만들려면 보이지 않는 행성이 어디에 있어야 하는가'를 거꾸로 계산했습니다. 르베리에가 보낸 좌표를 받은 베를린 천문대의 갈레는 그날 밤 그 자리 가까이에서 해왕성을 찾아냈습니다.

같은 사람이 같은 방법을 한 번 더 썼습니다. 수성의 궤도에도 설명되지 않는 나머지가 있었고, 르베리에는 태양에 더 가까운 행성 '벌칸'을 예언했습니다. 이번에는 아무도 그것을 찾지 못했어요. 수성의 나머지는 숨은 행성이 아니라 뉴턴 역학 자체의 한계였고, 1915년 아인슈타인의 일반 상대성 이론이 그 값을 정확히 설명하고 나서야 끝났습니다.

잔차를 읽는 일에는 늘 이 두 갈래가 함께 있습니다. 남은 것이 아직 넣지 않은 원인을 가리킬 수도 있고, 모델의 형태 자체가 틀렸음을 가리킬 수도 있어요. 오늘 우리가 찾은 일요일과 비는 첫째 갈래입니다 — 모델에 칸을 더하면 됩니다. 그러나 칸을 아무리 더해도 남는 것이 있다면, 그때는 형태를 바꿔야 합니다.

도해: 위는 천왕성의 계산 궤도와 관측 자리의 차이, 가운데는 그 차이만 따로 그린 막대, 아래는 같은 방법의 두 결말(해왕성 ✓ · 벌칸 ✕). 자리와 크기는 이야기를 보이기 위한 예시다.

현장

연구용으로 다듬은 데이터를 쓸 때

오늘 우리가 받은 표는 UCI 기계학습 저장소에서 왔습니다. 1987년 캘리포니아 대학교 어바인에서 연구자들이 알고리즘을 같은 자료 위에서 견주어 보려고 만든 창고인데, 지금은 전 세계가 쓰는 공공 저장소가 되었어요. 덕분에 우리는 대여 기록과 날씨를 직접 합치는 수고 없이 곧바로 모델을 세울 수 있었습니다.

편한 만큼 보이지 않는 손질이 들어 있습니다. 원본은 1시간마다 한 행씩 8,760행인데 우리가 그것을 하루로 묶었고, 기온 · 강수 · 습도는 누군가가 어느 관측소의 값을 골라 붙인 것입니다. 휴일 표시도 마찬가지예요 — 이 표가 '휴일'이라 적은 18일에는 2018년 5월 1일(근로자의 날)이 들어 있고, 반대로 어린이날과 추석 대체공휴일은 표시가 없습니다. 우리 달력과 8일이나 다릅니다. 고치지 않고 그대로 두되, 그 사실을 알고 쓰는 것과 모르고 쓰는 것은 전혀 다릅니다.

그래서 남이 다듬은 자료를 받으면 설명 페이지에서 넷을 읽습니다 — 누가 · 왜 모았나, 한 행은 무엇인가, 다른 자료는 어떻게 붙였나, 라이선스는 무엇인가. 이 자료는 CC BY 4.0 이라 출처를 밝히면 고쳐 써도 됩니다. 넷 가운데 답을 못 찾는 칸이 있다면, 그 칸이 곧 우리 분석이 짊어질 위험입니다.

도해: 원본 8,760행 × 14열이 우리 표 365행 × 7열로 오는 사이에 들어간 손질 셋과, 설명 페이지에서 읽을 넷. · 출처: UCI Machine Learning Repository, Seoul Bike Sharing Demand(CC BY 4.0, DOI 10.24432/C5F62R) — 라이선스 확인 2026-09-22