EastLight

주식의 본질과 시장의 성적표 '주가 지수' 완벽 가이드

Lucas.Kim — Sun, 12 Apr 2026 21:12:08 +0900

주식의 본질은 회사의 주인(주주)이 되는 권리임.

- 동업의 원리 : 친구가 기가 막힌 카페 사업 아이템이 있는데 돈이 부족하다고 합니다. 이때 여러분이 1,000만 원을 빌려주는 게 아니라 '투자'를 하고 그 대가로 전체 지분의 10%를 받았다면, 여러분은 그 카페의 '주식 10%'를 보유한 주주가 된 것입니다.

- 주주의 권리

시세차익 : 카페가 유명해져서 기업 가치가 1억에서 10억이 되면 내 지분의 가치도 10배가 됨
배당금 : 카페가 매달 버는 순 이익의 일부를 '주인님 감사합니다' 하고 나눠줌
의결권 : 회사의 중요한 결정에 내 목소리를 낼 수 있음

주가 지수는 시장의 평균 온도계

수천 개의 상장 기업 주가를 일일이 확인하기는 불가능. 그래서 시장 전체가 어제보다 성장했는지, 퇴보했는지를 수치화한 것이 지수임.

그렇다면 어떻게 지수 계산이 진행되나? 가장 많이 쓰이는 방식은 시가총액 가중 방식임.

시가총액(몸값) = 주가 * 발행 주식 수

몸집이 큰기업(삼전, 애플 등)의 주가가 변할 때 지수에 더 큰 영향을 주도록 설계되어 있음. 즉 지수는 그 나라의 대장주들이 이끄는 흐름이라고 보면 됨.

글로벌 5대 지수

미국	S&P500	미국 상장 기업 중 우량주 500개를 모은 지수. 전 세계 펀드 매니저들이 가장 중요하게 여기는 '표준'입니다.
미국	NASDAQ	애플, 마이크로소프트, 엔비디아 같은 혁신 기술주들의 집합소입니다. 전 세계 기술 트렌드를 주도합니다.
미국	Dow Jones	미국을 대표하는 초우량 기업 딱 30개만 뽑은 지수입니다. 역사는 깊지만 종목 수가 적어 대표성이 조금 떨어진다는 평도 있습니다.
한국	KOSPI : 코스피	유가증권시장. 삼성전자, SK하이닉스 같은 전통의 대기업들이 모여 있습니다. 한국 경제의 기초 체력을 보여줍니다.
한국	KOSDAQ : 코스닥	벤처, IT, 바이오 중심의 시장입니다. 코스피보다 규모는 작지만 성장성이 높은 기업들이 많아 변동성(위험과 기회)이 큽니다.

Basic English 2

Lucas.Kim — Sun, 12 Apr 2026 19:52:41 +0900

3형식 = 주어 + 타동사 + 목적어

- 목적어는 6개만이 올 수 있음.

(1) 명사

(2) 대명사

(3) 동명사

(4) to부정사 > 명사, 형용사, 부사 역할을 하지만 명사 역할로 사용.

(5) 의문 to부정사 > why, when, where, how, what + to부정사

why to help a friend

why to be happy

why to eat an apple

how to be perfect

how to teach english

I know how to run

i know how to study math

(6) 절

- Examples

I like reading a book to kill stress.

주어 I

타동사 like

목적어 reading(동명사) a book, to read a book(to 부정사)

3형식 문장 구조에 모든 단어(품사)는 채웠음, 전치사와 부사는 남는 자리에 넣을 것.

부사 to kill stress

*to 부정사는 명사, 형용사, 부사 역할 수행. 위 문장에서는 명사와 부사로써의 역할 수행.

*부사는 전치사를 극혐함, 전치사 바로 앞에 위치하는 것을 싫어함.

I never know why to happy with people in the same space.

주어 I

동사 Never Know

목적어 why to happy

전치사 in the same space

You should know how to be nice for great date with a girfriend

주어 I

동사 Should(조동사) know

목적어 how to be(상태니깐 be사용) nice

전치사 for great date

부사 with a girfriend

The woman who likes to help people was reading a newspaper against the window

The woman who likes helping people was reading a newspaper against the window

주어 A woman

동사 was reading

목적어 a newspaper

종속절 : 접속사 + 주어 + 동사 형태로 생긴 명사, 형용사, 부사로 문자의 구성요소외 위치에 배치. 이때 접속사 뜻을 맨뒤로 번역.

- 형용사로써의 종속절 : ~하는(이때 접속사 번역하지 않음)

- 접속사 : when, where, why, how, what, that, because, before, after, as , since, while, if

- Example

Monday, when i run

sunday, when i helped my father

I know Tuesday when i studied with my friends.

Saturday, when i work out.

She thinks herself very clever, although she is young.

타동사 뒤에는 목적어가 옴. 이와 같이 전치사에도 뒤에 목적어가 오는 전치사 + 목적어 형태가 있음

- about+목적어

about helping my father

about being happy

about being perfect

about how to study

about why to help my mother

about why i love you

about how i study english

- Example

I had to discreetly think about why to make a lot of money

We really aplogize for causing serious problems

The astronaunt returned to earth to explain what he saw in space.

Basic English 1

Lucas.Kim — Thu, 9 Apr 2026 20:03:22 +0900

1. 영어는 동사가 지배함.

2. 동사는 두가지로 나눠짐.

- be 동사 : 상태 > I am happy, I am sick

- 일반 동사 : 동작 > I go, I run

3. 일반 동사는 2가지로 구분됨. 자동사와 타동사 모두 해당되는 동사가 있고, 자동사만 되는 동사, 타동사만 되는 동사가 있음.

* Ex) Eat 은 자동사, 타동사 모두 해당.

- 자동사 : 자동사 뒤에는 목적어가 오지 않음 > i eat for lunch

- 타동사 : 타동사 뒤에는 목적어가 옴 > I eat taco

4. 영어문장은 4개의 뼈대로 구성됨. 각 뼈대에 단어(품사)를 집어 넣음으로써 문장을 만듬.

- 주어

- 동사

- 목적어

- 보어

* 하지만 예외가 있음. 부사, 전치사는 단어(품사)지만 뼈대에 속하지 않음. 즉, 주어, 동사, 목적어, 보어자리에 못들어 감. 정해진 뼈대 위치 외에만 부사, 전치사를 사용할 수 있음.

* 자동사 뒤에 목적어는 못오지만 전치사, 부사를 넣을 수 있음.

5. 명사, 형용사, 부사, 전치사

- 명사: a/the + 명사. a(아무거나, 한개), the(특정한 것)를 명사 앞에 둠. (두 종류: a/the+객체, to부정사, 동명사)

- 형용사: 상태. 명사를 꾸며줌.

- 부사: 부연설명. 있어도되고 없어도됨.

- 전치사: 뒤에 누군가를 데리고다님.

* 전치사, 부사는 문장 구성 기본자리에 못들어감.

6. 문장은 총 6가지로 구분. 문장을 몇 형식으로 말할지는 자기 마음대로 함 정답이 없기 때문.

- 1형식: 주어 + 자동사

- 2형식: 주어 + Be동사 + 보어

- 3형식: 주어 + 타동사 + 목적어

- 4형식: 주어 + 타동사 + 간접 목적어 + 직접 목적어

- 5형식: 주어 + 타동사 + 목적어 + 보어

- 수동태: 주어 + Be동사 + P.P

7. To부정사 : To + 동사원형

- 동작, 상태

- 명사, 형용사, 부사 역할 수행

- 명사로써의 To부정사 : ~는 것.

- 형용사로써의 To부정사 : ~는. girl to study 공부하는 여자 / The boy to happy 행복한 남자아이

- 부사로써의 To부정사 : ~하기 위해서, ~해서, ~하도록. I run to be happy 난 행복하기 위해 달린다

8. 동명사 : 동사+ing. 동작, 상태를 표현하는 명사.

- 명사

- 일반동사 + ing : 동작표현

- Be동사 + ing : 상태표현

- ~는 것

- 동명사도 결국 단어(품사)임 때문에 문장의 구조 기본요소에 넣어서 활용

- 부정형: Not/Never + 동명사

- Ex) Attacking an enemy : 적을 공격하는 것

- Ex) I like running in the evening : 나는 저녁에 뛰는 것을 좋아한다

- To부정사와 동명사는 같음. 명사로써의 공통점이 있기 떄문

- Ex) I like running: 난 뛰는 것을 좋아해

- Ex) i like to run: 난 뛰는 것을 좋아해

Seaborn 분포 시각화 완전 정리 2 | Violin/Box/Scatter/Heatmap + Subplots 실전

Lucas.Kim — Sun, 15 Feb 2026 14:56:09 +0900

개요

이번 글에서는 Titanic 데이터로 연속형/범주형 분포를 더 깊게 보는 시각화를 정리합니다.
특히 초보자들이 자주 헷갈리는 포인트인

Violin plot이 “히스토그램 + 박스플롯” 느낌인 이유
Box plot이 4분위를 어떻게 보여주는지
Subplots에서 ax를 넘겨 여러 그래프를 한 번에 그리는 법
Scatterplot으로 관계(패턴) 확인
상관관계를 Heatmap으로 한 번에 보는 법

을 한 번에 정리합니다.

✅ 요청하신 대로 코드는 한 줄도 줄이지 않고 그대로 포함합니다.

1️⃣ Violin Plot (바이올린 플롯)

✅ 개념/목적

Violin plot은 **연속형 값의 분포(밀도)**를 “대칭 형태”로 보여줍니다.

히스토그램처럼 분포 모양을 보여주고
Box plot처럼 중앙 경향(중앙값, 사분위 등) 정보도 같이 담을 수 있습니다(옵션/기본 표시 방식에 따라 다름)

✅ 언제 쓰나?

단일 컬럼 분포도도 가능하지만, 실무에서는 보통 다음이 핵심입니다.

X축: 범주형(이산값)
Y축: 연속형 값

즉, “등급별 나이 분포”, “성별 요금 분포”처럼 범주별 분포 비교에 매우 강력합니다.

### violin plot

- 단일 컬럼에 대해서는 히스토그램과 유사하게 연속값의 분포도를 시각화 또한 중심에는 4분위를 알수없음

- 보통은 x축에 설정한 컬럼의 개별 이산값 별로 Y축 컬럼값의 분포도를 시각화하는 용도로 많이사용
sns.violinplot(x='Pclass',
               y='Age',
               data=titanic_df)

해석 예시

1등석/2등석/3등석(Pclass)별로 승객 나이(Age)가 어떤 형태로 분포하는지 보여줍니다.
단순 평균만 보는 barplot보다 **“어떤 나이대가 많고, 퍼짐이 얼마나 큰지”**를 더 잘 보여줍니다.

2️⃣ Subplots로 여러 Countplot 한 번에 그리기

✅ 개념/목적

분석 초기에는 보통 범주형 컬럼들이 여러 개 있습니다.

Survived
Pclass
Sex
Age_cat

이것들을 하나씩 그리면 번거롭고 흐름이 끊기기 때문에, subplots로 한 화면에 배치합니다.

fig, axs = plt.subplots(nrows=2,
                        ncols=3,
                        figsize=(12,4))

#subplots를 이용하여 주요 카테고리 성 컬럼 건수 시각화하기

cat_columns = ['Survived', 'Pclass', 'Sex', 'Age_cat']
for index, column in enumerate(cat_columns):
    print(index, column)

fig, axs = plt.subplots(nrows=1, ncols=len(cat_columns), figsize=(16, 4))

for index, column in enumerate(cat_columns):
    print('index:', index)
    # seaborn의 Axes 레벨 function들은 ax인자로 subplots의 어느 Axes에 위치할지 설정. 
    sns.countplot(x=column, data=titanic_df, ax=axs[index])
    if index == 3:
        # plt.xticks(rotation=90)으로 간단하게 할수 있지만 Axes 객체를 직접 이용할 경우 API가 상대적으로 복잡. 
        axs[index].set_xticklabels(axs[index].get_xticklabels(), rotation=90)

✅ 핵심 포인트

seaborn의 countplot, barplot, violinplot 같은 함수는 Axes-level 함수라서
ax=axs[index]로 “어느 칸에 그릴지” 지정할 수 있습니다.
Age_cat처럼 값이 길거나 많으면 tick이 겹치므로 rotation=90이 필요합니다

3️⃣ Survived 기준으로 분포 비교하기 (Violin + Histogram 동시 비교)

✅ 개념/목적

생존 여부(Survived)에 따라:

나이(Age)
요금(Fare)
동승 형제/배우자(SibSp)
동승 부모/자녀(Parch)

이런 연속형 값들의 분포가 어떻게 달라지는지 확인하는 것은 매우 중요한 EDA입니다.

요청하신 방식은 다음처럼 “한 번에” 비교합니다.

왼쪽: Survived(0/1)별 Violin plot
오른쪽: Survived 0/1 두 분포를 Histogram으로 겹쳐 비교

subplots를 이용하여 여러 연속형 컬럼값들의 Survived 값에 따른 연속 분포도를 시각화
왼쪽에는 Violin Plot으로
오른쪽에는 Survived가 0일때의 Histogram과 Survived가 1일때의 Histogram을 함께 표현     
def show_hist_by_target(df, columns):
    cond_1 = (df['Survived'] == 1)
    cond_0 = (df['Survived'] == 0)
    
    for column in columns:
        fig, axs = plt.subplots(nrows=1, ncols=2, figsize=(12, 4))
        sns.violinplot(x='Survived', y=column, data=df, ax=axs[0] )
        sns.histplot(df[cond_0][column], ax=axs[1], kde=True, label='Survived 0', color='blue')
        sns.histplot(df[cond_1][column], ax=axs[1], kde=True, label='Survived 1', color='red')
        axs[1].legend()
        
cont_columns = ['Age', 'Fare', 'SibSp', 'Parch']
show_hist_by_target(titanic_df, cont_columns)

✅ 왜 이렇게 그리나?

Violin plot은 전체 분포의 윤곽을 강하게 보여줍니다.
Histogram은 **“어느 구간에 실제로 데이터가 많이 몰렸는지”**를 직관적으로 보여줍니다.

둘을 같이 보면 “형태 + 빈도”를 동시에 확인할 수 있어 EDA가 매우 탄탄해집니다.

4️⃣ Box Plot (박스 플롯)

✅ 개념/목적

Box plot은 **사분위수(4분위)**를 박스 형태로 보여줍니다.

박스: Q1 ~ Q3 (중간 50%)
중앙선: Median (중앙값)
수염: 일반 범위(보통 1.5 IQR)
점: 이상치(outlier)

범주별 분포 비교에도 좋습니다.

## Box Plot

- 4분위를 박스 형태로 표현

- x축 값에 이산값을 부여하면 이산값에 따른 box plot을 시각화

sns.boxplot(x='Pclass',
            y='Age',
            data=titanic_df)

해석 예시

Pclass별 Age의 중앙값 차이, 퍼짐(변동성), 이상치 존재를 빠르게 확인 가능합니다.

5️⃣ Scatter Plot (산포도)

✅ 개념/목적

Scatter plot은 연속형 X와 연속형 Y 관계를 시각화합니다.

“나이가 많을수록 요금이 비싼가?”
“특정 클래스에서 요금이 어떻게 분포하는가?”

같은 관계를 보는 데 적합합니다.

# scatter plot : 산포도로서 X와 Y축에 보통 연속형 값을 시각화. hue, style등을 통해 breakdown 정보를 표출할 수 있습니다.

sns.scatterplot(x='Age', y='Fare', data=titanic_df)

sns.scatterplot(x='Age', y='Fare', data=titanic_df, hue='Pclass')

✅ hue의 의미

hue='Pclass'를 주면

같은 산점도 위에 Pclass별로 색이 나뉘어
“관계가 그룹마다 다른지”를 더 명확히 볼 수 있습니다.

6️⃣ 상관 HeatMap (Correlation Heatmap)

✅ 개념/목적

상관관계는 “변수들 간 선형 관계 강도”를 숫자(-1~1)로 표현합니다.

1에 가까울수록 양의 상관
-1에 가까울수록 음의 상관
0이면 선형 상관 거의 없음

Heatmap은 이를 한 번에 “그림”으로 보여줍니다.

# 상관 HeatMap
- 컬럼간의 상관도를 HeatMap형태로 표현

titanic_df.corr(numeric_only=True)

### 상관 Heatmap

plt.figure(figsize=(8, 8))

# DataFrame의 corr()은 숫자형 값만 상관도를 구함. 
corr = titanic_df.corr(numeric_only=True)

sns.heatmap(corr, annot=True, fmt='.1f',  linewidths=0.5, cmap='YlGnBu')
#sns.heatmap(corr, annot=True, fmt='.2g', cbar=True, linewidths=0.5, cmap='YlGnBu')

✅ 핵심 포인트

corr(numeric_only=True)는 숫자형 컬럼만 상관을 계산합니다.
annot=True로 숫자까지 같이 표시되어 해석이 쉬워집니다.
fmt='.1f'는 소수 1자리로 표현합니다.

이번 파트에서 핵심은 다음입니다.

Violin plot은 범주별 연속형 분포 비교에 강력합니다.
Box plot은 사분위수 기반으로 분포를 요약하고 이상치를 확인하는 데 좋습니다.
Subplots + ax를 쓰면 여러 그래프를 한 번에 배치해 EDA 속도가 빨라집니다.
Scatterplot은 변수 간 관계를, Heatmap은 상관 구조를 빠르게 파악하는 데 유용합니다.

Seaborn countplot & barplot 완전 정리 1 | 범주형 데이터 시각화 핵심 가이드

Lucas.Kim — Sun, 15 Feb 2026 14:41:07 +0900

개요

데이터 분석에서 범주형 변수(Category Data)는 매우 자주 등장합니다.

좌석 등급
성별
연령대
제품 카테고리

이러한 범주형 데이터를 시각화할 때 가장 많이 사용하는 함수가 바로:

countplot()
barplot()

이번 글에서는 Titanic 데이터를 활용하여

countplot의 의미
barplot의 평균/총합 표현
confidence interval 제거
hue를 활용한 그룹 비교
stackedbar를 흉내 낸 방식

까지 모두 정리합니다.

1️⃣ countplot : 범주별 건수 표현

countplot은 **카테고리 값의 빈도수(건수)**를 표현합니다.

X축: 범주형 변수
Y축: 해당 범주의 개수

#countplot : 카테고리 값에 대한 건수를 표현 , x축이 카테고리값, y축이 해당 카테고리값에대한 건수
sns.countplot(x='Pclass',
              data=titanic_df)

해석

Pclass(객실 등급)별 승객 수를 보여줍니다.
내부적으로 value_counts()를 시각화한 것과 같습니다.

범주형 변수의 분포 확인에 사용합니다.

2️⃣ barplot : 범주형 X + 연속형 Y

barplot은 단순 건수가 아니라
**범주별 연속형 값의 집계값(기본은 평균)**을 보여줍니다.

#barplot : x축은 이산값(주로 category값), y축은 연속값y값의 평균/총합)을 표현
plt.figure(figsize=(10,6))
#자동으로 xlael, ylabel을 x입력값 y입력값으로 설정
sns.barplot(x='Pclass',
            y='Survived',
            data=titanic_df)

해석

Pclass별 생존 확률 평균을 보여줍니다.
Survived는 0/1이므로 평균은 곧 생존율입니다.

평균 기반 집계 시각화에 적합합니다.

3️⃣ Confidence Interval 제거

Seaborn의 barplot은 기본적으로 95% 신뢰구간을 표시합니다.

이를 제거하려면 ci=None을 사용합니다.

#confidence interval 없앰
sns.barplot(x='Pclass',
            y='Survived',
            data=titanic_df,
            ci=None,
            color='green')

신뢰구간을 제거하면 더 깔끔한 그래프를 얻을 수 있습니다.

4️⃣ 평균 대신 총합 표현

barplot은 기본적으로 평균을 사용하지만
estimator 파라미터를 변경하면 다른 집계 함수도 가능합니다.

#confidence interval 없에고 평균이아닌 총합으로 표현
sns.barplot(x='Pclass',
            y='Survived',
            data=titanic_df,
            ci=None,
            color='green',
            estimator=sum)#default = average

여기서는 평균이 아니라 총 생존자 수를 표현합니다.

estimator 기본값은 np.mean입니다.

5️⃣ hue를 이용한 세분화

hue를 사용하면 하나의 범주를 다시 다른 범주로 나누어 시각화할 수 있습니다.

#barplot에서 hue를 이용하여 x값을 특정 컬럼별로 세분화하여 시각화
sns.barplot(x='Pclass',
            y='Age',
            hue='Sex',
            data=titanic_df)

해석

Pclass별 평균 나이를 성별로 나누어 표현합니다.

범주형 변수 2개를 동시에 비교할 수 있습니다.

6️⃣ stacked bar를 흉내 낸 방식

Seaborn은 기본적으로 stacked bar를 지원하지 않습니다.
하지만 아래처럼 2번 그려서 흉내낼 수 있습니다.

#stackedbar 를 흉내 냈으나 stackedbar라고 할수없음
bar1 = sns.barplot(x='Pclass',
                   y='Age',
                   data=titanic_df[titanic_df['Sex']=='male'],
                   color='darkblue')
bar2 = sns.barplot(x='Pclass',
                   y='Age',
                   data=titanic_df[titanic_df['Sex']=='female'],
                   color='lightblue')

실제 stacked bar는 아니며, 단순히 겹쳐서 그린 것입니다.

7️⃣ Pclass + Sex + Survived 분석

#pclass가 x값 Survived가 y축값 hue파라미터로 sex로 설정 후 개별 pclass값 별로 sex에 따른 survived평균값 구함
sns.barplot(x='Pclass',
            y='Survived',
            hue='Sex',
            data=titanic_df)

해석

1등석 여성의 생존율이 매우 높음을 확인할 수 있습니다.
성별과 객실 등급이 생존에 큰 영향을 줍니다.

8️⃣ 연령대별 생존율

plt.figure(figsize=(10, 4))
order_columns = ['Baby', 'Child', 'Teenager', 'Student', 'Young Adult', 'Adult', 'Elderly']
sns.barplot(x='Age_cat', y='Survived', hue='Sex', data=titanic_df, order=order_columns)

order를 지정하면 원하는 순서로 정렬할 수 있습니다.

9️⃣ Sex 중심 분석

sns.barplot(x='Sex', y='Survived', hue='Age_cat', data=titanic_df)

해석

여성의 생존율이 전반적으로 높습니다.
어린 연령대의 생존율이 상대적으로 높습니다.

정리

함수	의미	사용 목적
countplot	범주별 개수	분포 확인
barplot	범주별 평균	집계 비교
hue	그룹 세분화	다중 범주 비교
estimator	집계 함수 변경	평균/합계 등 변경
ci=None	신뢰구간 제거	깔끔한 시각화

핵심 포인트

countplot → 단순 빈도
barplot → 집계값 표현 (기본 평균)
estimator 변경 가능
hue로 다차원 분석 가능
stacked bar는 기본 지원하지 않음

Seaborn 차트 유형 완전 정리 | Histogram, Violin, Bar, Scatter, Line Plot 한 번에 이해하기

Lucas.Kim — Sun, 15 Feb 2026 14:23:43 +0900

개요

데이터 시각화는 단순히 그래프를 그리는 것이 아니라,
데이터의 차원과 변수 유형에 맞는 차트를 선택하는 과정입니다.

이번 글에서는 다음을 정리합니다.

주요 차트 유형과 변수 차원 이해
각 차트가 적합한 데이터 구조
Seaborn의 Axes-level / Figure-level 구조 차이
Titanic 데이터로 히스토그램 실습

1️⃣ 차트 유형과 데이터 차원

✔ 1. 히스토그램 (Histogram)

연속형 값의 도수 분포를 시각화합니다.

X축: 연속형 값의 구간(bin)
Y축: 해당 구간의 빈도수

예시
나이, 요금, 점수, 가격 등 분포 확인

데이터의 분포 모양, 왜도, 이상치 여부를 파악할 수 있습니다.

✔ 2. 바이올린 플롯 (Violin Plot)

특정 범주별 연속형 값의 분포를 시각화합니다.

분포 + 밀도 + 중앙값 정보를 동시에 표현
박스플롯보다 분포 형태를 더 직관적으로 보여줍니다.

예시
성별별 나이 분포
클래스별 시험 점수 분포

범주형 X + 연속형 Y 구조에서 매우 유용합니다.

✔ 3. 바플롯 (Bar Plot)

이산형 X와 연속형 Y의 관계를 보여줍니다.

X축: 범주형 변수
Y축: 평균값(기본), 중앙값 등 집계값

예시
성별 평균 나이
학년별 평균 점수

Seaborn의 barplot은 기본적으로 평균값을 계산하여 표시합니다.

✔ 4. 스캐터플롯 (Scatter Plot)

연속형 변수 2개 사이의 관계를 시각화합니다.

X축: 연속형
Y축: 연속형

예시
나이 vs 요금
공부시간 vs 점수

변수 간 상관관계, 패턴, 이상치를 확인하기 좋습니다.

✔ 5. 라인플롯 (Line Plot)

시계열 데이터에 가장 적합합니다.

X축: 시간(년/월/일)
Y축: 연속형 값

예시
월별 매출
연도별 인구 변화

추세(trend)를 파악하는 데 매우 강력합니다.

2️⃣ Seaborn이란?

Seaborn은 Matplotlib 기반의 High-Level 시각화 라이브러리입니다.

특징

Matplotlib보다 코드가 간결합니다.
Default 설정만으로도 시각적으로 수려합니다.
Pandas DataFrame과 쉽게 연동됩니다.
통계 기반 시각화에 특화되어 있습니다.

3️⃣ Seaborn의 두 가지 구조

✔ Axes-level 함수

기존 Matplotlib처럼 개별 Axes에 직접 그림
예: sns.histplot(), sns.scatterplot()

Axes 객체 중심 구조

✔ Figure-level 함수

내부적으로 FacetGrid를 사용
여러 개 subplot 자동 생성 가능
예: sns.displot(), sns.catplot()

Figure 단위로 관리

4️⃣ Titanic 데이터로 Histogram 실습

✔ 데이터 로드

import pandas as pd

titanic_df = pd.read_csv('./titanic/titanic_train.csv')
titanic_df.head(5)

✔ Figure-level 히스토그램 (displot)

import seaborn as sns

sns.displot(titanic_df['Age'],bins=10, rug=True, kde=True)

옵션 설명

bins=10 → 구간 개수
rug=True → 데이터 위치를 선으로 표시
kde=True → 밀도 곡선 추가

✔ 또 다른 방식

sns.displot(x='Age', data=titanic_df)

Pandas 컬럼명 기반 접근

✔ Axes-level 히스토그램

plt.figure(figsize=(12,6))
sns.histplot(x='Age',data=titanic_df, kde=True,bins=30)

특징

plt.figure()로 Figure 크기 직접 제어
sns.histplot()은 Axes-level 함수

✔ Figure-level 상세 설정

import seaborn as sns
sns.displot(titanic_df['Age'],
            kde=True,
            rug=True, #rug플롯
            height=4,
            aspect=2)

옵션 설명

height → 높이
aspect → 가로/세로 비율

Axes-level vs Figure-level 비교

구분	Axes-level	Figure-level
함수 예	histplot	displot
관리 단위	Axes	Figure
subplot 확장성	낮음	높음
내부 구조	Matplotlib	FacetGrid

데이터 시각화에서 중요한 것은

변수 유형 파악 (연속형/이산형)
차원 구조 이해 (1차원/2차원/범주+연속)
적절한 차트 선택
Axes-level과 Figure-level 구분

Seaborn은 통계적 시각화에 최적화된 라이브러리이며,
Matplotlib을 기반으로 하지만 훨씬 직관적이고 생산성이 높습니다.

Matplotlib 여러 Plot 한 Axes에 그리기 & Subplots 완전 정리

Lucas.Kim — Sun, 15 Feb 2026 14:06:41 +0900

개요

Matplotlib에서 하나의 그래프만 그리는 것은 시작에 불과합니다.
실무에서는 다음과 같은 작업이 매우 중요합니다.

하나의 Axes 안에 여러 개의 그래프 겹쳐 그리기
서로 다른 그래프 유형(Line + Bar) 함께 표현하기
Axes 객체를 직접 제어하기
여러 개의 Subplots을 구성하여 대시보드 형태로 시각화하기
1차원 / 2차원 axes 배열 구조 이해하기

이 글에서는 위 내용을 실전 코드 기반으로 완전 정리합니다.

1️⃣ 하나의 Axes에 여러 개의 Plot 그리기

✔ 동일 Axes에 Line 여러 개 그리기

x_value_01 = np.arange(1,100)
y_value_01 = 2 * x_value_01
y_value_02 = 4 * x_value_01


plt.plot(x_value_01, y_value_01, color='green', label='temp_01')
plt.plot(x_value_01, y_value_02, color='red', label='temp_02')
plt.xlabel('x axis')
plt.ylabel('y axis')

plt.legend()

plt.title('Hello Plot')

plt.show()

코드 설명

np.arange(1,100)
→ 1부터 99까지의 숫자 배열 생성 (X축 값)
2 * x_value_01, 4 * x_value_01
→ 서로 다른 기울기의 직선 생성
plt.plot()을 두 번 호출
→ 하나의 Axes 안에 두 개의 선 그래프를 겹쳐서 그림
label 지정 후 plt.legend() 호출
→ 범례 생성

하나의 Axes 안에는 plot을 여러 번 호출하여 여러 그래프를 겹칠 수 있습니다.

2️⃣ Line Plot + Bar Plot 함께 그리기

x_value_01 = np.arange(1,10)
y_value_01 = 2 * x_value_01
y_value_02 = 4 * x_value_01

plt.plot(x_value_01,
         y_value_01,
         color='blue',
         label='temp_01',
         marker='o',
         linestyle='dashed',
         linewidth=2,
         markersize=6)
plt.bar(x_value_01,
         y_value_02,
         color='red',
         label='templ_02')
plt.legend()
plt.show()

코드 설명

plt.plot() → 선 그래프
plt.bar() → 막대 그래프
동일 Axes 안에서 서로 다른 유형의 그래프 혼합 가능

주요 스타일 옵션

marker='o' → 점 표시
linestyle='dashed' → 점선
linewidth=2 → 선 두께
markersize=6 → 점 크기

Line + Bar 혼합 시각화는 비교 분석에 매우 유용합니다.

3️⃣ Axes 객체에서 직접 작업하기

pyplot 방식이 아니라, Axes 객체를 직접 제어하는 방식입니다.

figure = plt.figure(figsize=(10,6))
ax = plt.axes()
ax.plot(x_value_01,
        y_value_01,
        color='red',
        marker='o',
        linestyle='dashed',
        linewidth=2,
        markersize=6,
        label='temp_01'
        )
ax.bar(x_value_01,
       y_value_01,
       color='green',
       label='temp_02')
ax.legend()
ax.set_title(
    'Hello Plot'
)
plt.show()

핵심 개념

plt.figure() → Figure 생성
plt.axes() → Axes 생성
ax.plot() → Axes에 직접 그래프 그림
ax.set_title() → Axes 기반 제목 설정

실무에서는 Axes 객체 기반 제어 방식이 더 많이 사용됩니다.

4️⃣ 여러 개의 Subplots 생성하기

✔ 1행 2열 구조 (Tuple 형태)

x_value_01 = np.arange(1,10)
x_value_02 = np.arange(1,20)
y_value_01 = 2*x_value_01
y_value_02 = 2*x_value_02

fig, (ax_01, ax_02) = plt.subplots(nrows=1, ncols=2, figsize=(12,6))

ax_01.plot(x_value_01, y_value_01, color='red', marker='o', linestyle='dashed', linewidth=2,markersize=6,label='temp_01')
ax_02.bar(x_value_02,y_value_02, color='green',label='temp_02')

ax_01.set_xlabel('ax_01 * axis')
ax_02.set_xlabel('ax_02 * axis')

ax_01.legend()
ax_02.legend()

plt.show()

설명

nrows=1, ncols=2 → 가로 2개
axes는 (ax_01, ax_02) 튜플로 반환됨

✔ 1차원 배열 형태

import numpy as np

x_value_01 = np.arange(1,10)
x_value_02 = np.arange(1,20)
y_value_01 = 2 * x_value_01
y_value_02 = 2 * x_value_02

fig, ax = plt.subplots(nrows=1, ncols=2,figsize=(12,6))
ax[0].plot(x_value_01, y_value_01,color='red', marker='o', linestyle='dashed', linewidth=2, markersize=6, label='temp_01')
ax[1].bar(x_value_02, y_value_02, color='green', label='temp_02')

ax[0].set_xlabel('ax[0] * axis')
ax[1].set_xlabel('ax[1] * axis')

ax[0].legend()
ax[1].legend()

plt.show()

nrows 또는 ncols 중 하나가 1일 경우 → 1차원 배열 형태

✔ 2행 2열 구조 (2차원 배열)

import numpy as np

x_value_01 = np.arange(1, 10)
x_value_02 = np.arange(1, 20)
y_value_01 = 2 * x_value_01
y_value_02 = 2 * x_value_02

fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(12, 6))

ax[0][0].plot(x_value_01, y_value_01, color='red', marker='o', linestyle='dashed', linewidth=2, markersize=6, label='temp_01')
ax[0][1].bar(x_value_02, y_value_02, color='green', label='temp_02')
ax[1][0].plot(x_value_01, y_value_01, color='green', marker='o', linestyle='dashed', linewidth=2, markersize=6, label='temp_03')
ax[1][1].bar(x_value_02, y_value_02, color='red', label='temp_04')

ax[0][0].set_xlabel('ax[0][0] x axis')
ax[0][1].set_xlabel('ax[0][1] x axis')
ax[1][0].set_xlabel('ax[1][0] x axis')
ax[1][1].set_xlabel('ax[1][1] x axis')

ax[0][0].legend()
ax[0][1].legend() 
ax[1][0].legend()
ax[1][1].legend() 

#plt.legend()
plt.show()

핵심

nrows > 1 AND ncols > 1
→ 2차원 배열 형태
접근 방식
ax[행][열]

정리

1행 2열	1차원 배열
2행 2열	2차원 배열
1개	단일 Axes 객체

Matplotlib에서 중요한 것은 다음입니다.

하나의 Axes 안에 여러 Plot 가능
서로 다른 그래프 유형 혼합 가능
Axes 객체 기반 제어가 핵심
Subplots 반환 구조를 정확히 이해해야 함

실무에서는 대부분:

fig, ax = plt.subplots()
→ ax 객체 직접 제어 방식

을 사용합니다.

Python Visualization Library 완전 정리 : Matplotlib

Lucas.Kim — Sun, 15 Feb 2026 13:49:52 +0900

데이터 분석에서 시각화는 선택이 아니라 필수 과정입니다.
특히 Python에서는 matplotlib, seaborn, pandas, plotly가 가장 많이 활용됩니다.

이 글에서는 다음을 정리합니다.

통계적 시각화 vs 업무 분석 시각화 차이
Matplotlib 구조 (Figure & Axes)
pyplot 인터페이스 이해
실전 코드 기반 기본 설정 방법
축, 틱, 범례, 제한 범위 설정 방법

기초이지만 반드시 정확히 이해해야 할 내용입니다.

1. Python 주요 시각화 라이브러리

✅ Python library

matplotlib
seaborn
pandas
plotly

통계적인 시각화 (Statistical)

히스토그램, 바차트, 분위, 상관히트맵, 산포도
→ 주로 Seaborn

Seaborn 특징

Matplotlib 보다 쉽고 이쁘게, pandas와 쉬운 연동
Matplotlib 기반으로 쉽게 작성됨
Default 설정만으로 Matplotlib보다 수려한 Visual 제공하며 Pandas 와 쉽게 연동
그러나 Matplotlib을 어느정도 알고있어야함

Matplotlib 특징

Python Visualization 가장 많이 사용되는 라이브러리
3차원 이상의 입체시각화도 다양하게 지원
직관적이지 못한 API로 인해 개발에 익숙해지는 많은 시간이 소요됨
Figure와 Axes 구조 이해가 시작 → Label, Legend 등 세팅

업무분석 시각화 (Business Analysis)

바차트, 라인플롯, 파이차트, 영역 차트, 산포도, 방사형 차트
→ 주로 Plotly

Plotly는 인터랙티브 대시보드 및 BI 시각화에 적합합니다.

2. Matplotlib.pyplot 모듈의 이해

imort matplotlib.pyplot as plt


plt.plot([1.2.3],[4,5,6])
plt.title('Hello plot')
plt.show()

코드 설명

matplotlib.pyplot은 Matlab 스타일 인터페이스를 제공합니다.
plt.plot()은 선 그래프를 생성합니다.
plt.title()은 그래프 제목을 설정합니다.
plt.show()는 그래프를 화면에 출력합니다.

pyplot 은 Matlab 스타일의 interface를 가지며
MatLab 사용자들이 보다 쉽게 Python에 적용할수있도록 설계되었습니다.

3. Pyplot의 두가지 구성요소 : Figure, Axes

✅ Figure

그림을 그리기 위한 Canvas 역할
전체 그림판
크기, 배경색 설정

✅ Axes

실제 데이터가 그려지는 영역
X축, Y축, Title, Legend 등을 설정하는 객체

관계 구조

Figure는 액자
Axes는 그림

Axes(Line2D, Text, XAxis, YAxis) → Figure에 포함됩니다.

4. 여러개의 plot을 가지는 Figure

fig, (ax1, ax2)= plt.subplots(1,2,figsize=(10,6))

설명

plt.subplots()는 Figure와 Axes를 동시에 생성합니다.
(1,2)는 1행 2열 구조
figsize=(10,6)은 전체 그림 크기 설정

5. 기본 2D Plot 예제

import matplotlib.pyplot as plt
%matplotlib inline

plt.plot([1,2,3],
         [2,4,6])

plt.title('Hello Plot')

plt.show()

설명

[1,2,3] → X축 값
[2,4,6] → Y축 값
직선 그래프 출력

6. Figure 크기 설정

plt.figure(
    figsize=(10,4) # 액자 가로 10, 세로 4 설정
)

plt.plot([1,2,3],
         [2,4,6])

plt.title('Hello Plot')

plt.show()

설명

plt.figure()는 Figure 객체 생성
figsize는 가로, 세로 크기 지정

plt.figure(
    figsize=(8,6), # Figure 객체 크기
    facecolor='yellow' # 배경 색상 설정
)
plt.plot([1,2,3],
         [2,4,6])
plt.title('Hello Plot')

plt.show()

7. Axes 객체 확인

ax = plt.axes()
print(type(ax))

현재 axes 객체를 생성 및 확인합니다.

8. DataFrame 활용 예제

import pandas as pd

df = pd.DataFrame({
    'x_value': [1,2,3,4,5,6],
    'y_value':[2,4,6,8,10,12]
})

plt.plot(df['x_value'],
         df['y_value'])

목적

pandas DataFrame과 연동하여 시각화

9. 스타일 설정

plt.plot(x_value,
         y_value,
         color='green') # 라인 색상 설정

plt.plot(x_value,
         y_value,
         color='red',
         marker='o',
         linestyle='dashed',
         linewidth=2,
         markersize=6)

설정 항목

color → 선 색상
marker → 점 모양
linestyle → 선 스타일
linewidth → 선 두께
markersize → 점 크기

10. 축 이름 설정

plt.xlabel('X axis')
plt.ylabel('Y axis')

11. 틱(Tick) 조정

plt.xticks(ticks=np.arange(0,100,5),
           rotation=45)
plt.yticks(rotation=45)

목적

X축 간격 조정
라벨 회전 (가독성 개선)

12. 축 범위 제한

plt.xlim(0,50)
plt.ylim(0,100)

X축, Y축 표시 범위 제한

13. 범례 설정

plt.plot(x_value,
         y_value,
         color='green',
         label='temp')

plt.legend()

label 설정 후 plt.legend() 호출

Matplotlib을 이해하는 핵심은 단 하나입니다.

Figure와 Axes 구조를 정확히 이해하는 것

Figure = 액자
Axes = 실제 그림 영역
pyplot = 빠르게 그리는 Matlab 스타일 인터페이스

Seaborn은 Matplotlib 기반이므로
Matplotlib 구조를 이해하면 Seaborn도 훨씬 쉬워집니다.

데이터 시각화 핵심 개념 한 번에 정리

Lucas.Kim — Sun, 15 Feb 2026 13:27:43 +0900

Matplotlib · Seaborn · 기본 차트 유형 완전 요약

데이터 분석에서 시각화는 선택이 아니라 필수입니다.
모델링 이전에 데이터의 구조, 분포, 관계를 이해하는 과정이 반드시 필요하기 때문입니다.

이번 글에서는 Python 데이터 시각화의 핵심 라이브러리인 Matplotlib과 Seaborn의 차이,
그리고 상황별로 어떤 차트를 써야 하는지를 한 번에 정리합니다.

1️⃣ Matplotlib vs Seaborn 차이

✔ Matplotlib

Python의 기본 시각화 라이브러리
저수준(low-level) API 제공
세밀한 제어 가능
다만 코드가 다소 복잡

✔ Seaborn

Matplotlib 기반의 통계 시각화 특화 라이브러리
데이터프레임 기반 자동 처리
기본 스타일이 세련됨
범주형·통계 요약 시각화에 강점

정리하면

Matplotlib은 "직접 설계", Seaborn은 "빠르고 통계 친화적 시각화"에 강합니다.

2️⃣ Matplotlib 객체 구조 이해 (Figure vs Axes)

Matplotlib은 객체 구조를 이해하면 훨씬 쉬워집니다.

Figure	전체 캔버스
Axes	실제 그래프가 그려지는 좌표 영역

fig, ax = plt.subplots()
ax.set_xlabel("X label")
ax.set_ylabel("Y label")

✔ Axes 객체를 직접 다룰 때는 set_ 접두어를 사용합니다.
(예: ax.set_xlabel(), ax.set_title())

3️⃣ Seaborn의 핵심 파라미터

hue 파라미터

범주형 변수를 색상으로 구분
데이터의 추가 정보 표현
그룹 간 분포 차이 파악에 매우 유용

예:

sns.scatterplot(data=df, x="age", y="fare", hue="sex")

4️⃣ 상황별 추천 차트 유형 정리

상관관계 한눈에 보기

✔ Correlation Heatmap

여러 변수 간 상관계수를 색상으로 표현
관계 강도와 방향 파악에 최적

두 연속형 변수 관계

✔ Scatter Plot

변수 간 패턴, 군집, 이상치 확인
가장 기본적인 관계 분석 도구

연속형 데이터 분포 확인

✔ Histogram

값의 빈도 분포 확인
데이터 왜도·치우침 확인

분포 + 통계 요약 함께 보기

✔ Box Plot / Violin Plot

Box plot	중앙값, 사분위수, 이상치
Violin plot	분포 밀도까지 시각화

범주형 X + 연속형 Y

✔ Seaborn Barplot

기본적으로 평균값을 표시
신뢰구간(error bar) 포함 가능

5️⃣ 서브플롯에서 Seaborn 사용하는 방법

fig, axes = plt.subplots(2,2)

sns.scatterplot(..., ax=axes[0,0])

✔ ax 인자로 특정 Axes 객체 전달
→ 원하는 위치에 그래프 배치 가능

전체 핵심 요약

Matplotlib은 저수준 제어, Seaborn은 통계 시각화 특화
Axes 객체는 실제 그래프 영역
hue는 색상 기반 범주 구분
Scatter → 관계 분석
Heatmap → 상관계수 분석
Histogram → 분포 확인
Box/Violin → 분포 + 요약 통계
Barplot → 평균 비교

이 글은 앞으로 이어질 실전 데이터 시각화 시리즈의 기초 정리편입니다.
다음 글에서는 실제 예제 데이터로 차트별 활용 전략을 정리해보겠습니다.

Mercari Price Suggestion— 대규모 텍스트 + 카테고리 데이터를 활용한 가격 예측 실전 프로젝트

Lucas.Kim — Sat, 14 Feb 2026 14:12:35 +0900

1. 개요

Mercari Price Suggestion 문제는 상품의 텍스트 정보와 메타 데이터를 활용하여
상품 가격을 예측하는 회귀(Regression) 문제입니다.

이 문제의 핵심 난이도는 다음과 같습니다.

데이터 규모가 매우 큼 (약 148만 건)
텍스트 피처(name, description) 비중이 큼
범주형 피처가 매우 고차원
평가 지표가 RMSLE로, 로그 변환이 필수

본 글에서는
전처리 → 희소 행렬 기반 피처 엔지니어링 → Ridge / LightGBM → 앙상블
까지의 전체 파이프라인을 정리합니다.

2. 데이터 로딩 및 타깃 분포 확인

mercari_df = pd.read_csv('./mercari/train.tsv', sep='\t')
print(mercari_df.shape)

총 데이터 수: 1,482,535
타깃 변수: price

2.1 가격 분포의 문제점

원본 가격 분포는 오른쪽으로 긴 꼬리(long tail) 를 가지며,
고가 상품이 소수 존재합니다.

sns.histplot(mercari_df['price'], bins=100)

2.2 로그 변환(Log Transformation)

RMSLE 기반 문제이므로 log1p 변환을 적용합니다.

mercari_df['price'] = np.log1p(mercari_df['price'])

로그 변환 후 분포가 정규 분포에 가까워지며
모델이 고가 상품에 과도하게 끌려가지 않도록 합니다.

3. 범주형 데이터 전처리

3.1 category_name 분해 (대 / 중 / 소)

Men/Tops/T-shirts 형태의 문자열을 분해합니다.

def split_cat(category_name):
    try:
        return category_name.split('/')
    except:
        return ['Other_Null','Other_Null','Other_Null']
        
        
mercari_df['cat_dae'], mercari_df['cat_jung'], mercari_df['cat_so'] = \
zip(*mercari_df['category_name'].apply(split_cat))

이렇게 분리하는 이유는
카테고리의 계층 정보를 모델에 명시적으로 전달하기 위함입니다.

4. 결측치 처리 전략

mercari_df['brand_name'] = mercari_df['brand_name'].fillna('Other_Null')
mercari_df['category_name'] = mercari_df['category_name'].fillna('Other_Null')
mercari_df['item_description'] = mercari_df['item_description'].fillna('Other_Null')

결측 자체도 하나의 정보로 판단
별도 제거 없이 "Other_Null"로 통합

5. 텍스트 피처 벡터화 전략

Mercari 문제의 핵심은 텍스트 처리 전략 분리입니다.

5.1 name → CountVectorizer

cnt_vec = CountVectorizer()
X_name = cnt_vec.fit_transform(mercari_df['name'])

cnt_vec = CountVectorizer()
X_name = cnt_vec.fit_transform(mercari_df['name'])

5.2 item_description → TF-IDF

tfidf_descp = TfidfVectorizer(
    max_features=50000,
    ngram_range=(1,3),
    stop_words='english'
)
X_descp = tfidf_descp.fit_transform(mercari_df['item_description'])

설명은 길고 문맥 정보 중요
n-gram + TF-IDF가 성능 향상에 결정적

6. 범주형 피처 원-핫 인코딩 (희소 행렬)

고차원 범주형 데이터는 반드시 희소 행렬(sparse matrix) 로 처리합니다.

from sklearn.preprocessing import OneHotEncoder

oh_encoder = OneHotEncoder()

X_brand = oh_encoder.fit_transform(mercari_df['brand_name'].values.reshape(-1,1))
X_item_cond_id = oh_encoder.fit_transform(mercari_df['item_condition_id'].values.reshape(-1,1))
X_shipping = oh_encoder.fit_transform(mercari_df['shipping'].values.reshape(-1,1))
X_cat_dae = oh_encoder.fit_transform(mercari_df['cat_dae'].values.reshape(-1,1))
X_cat_jung = oh_encoder.fit_transform(mercari_df['cat_jung'].values.reshape(-1,1))
X_cat_so = oh_encoder.fit_transform(mercari_df['cat_so'].values.reshape(-1,1))

결과적으로 160,000+ 차원의 희소 행렬이 생성됩니다.

7. 모든 피처 결합 (Sparse HStack)

from scipy.sparse import hstack

X_features_sparse = hstack([
    X_name, X_descp, X_brand,
    X_item_cond_id, X_shipping,
    X_cat_dae, X_cat_jung, X_cat_so
]).tocsr()

CSR 형식은 연산 및 메모리 효율이 가장 좋음
실무 대규모 텍스트 문제의 표준 방식

8. 평가 지표: RMSLE

def rmsle(y,y_pred):
    return np.sqrt(np.mean(np.power(np.log1p(y)-np.log1p(y_pred),2)))

가격 예측 문제에서 상대 오차를 평가
고가 상품의 과도한 영향 억제

9. Ridge 회귀 모델 실험

9.1 Item Description 제외

Ridge rmsle ≈ 0.498

9.2 Item Description 포함

Ridge rmsle ≈ 0.468

상품 설명 텍스트가 가격 예측에 매우 중요함을 확인할 수 있습니다.

10. LightGBM 회귀 모델

lgbm_model = LGBMRegressor(
    n_estimators=200,
    learning_rate=0.5,
    num_leaves=125
)

LightGBM rmsle ≈ 0.457

비선형 관계를 잘 학습
범주형/텍스트 피처 혼합에 강함

11. Ridge + LightGBM 앙상블

preds = lgbm_preds * 0.45 + linear_preds * 0.55

최종 RMSLE ≈ 0.447

서로 다른 모델의 오차 특성이 상호 보완됨
단일 모델 대비 안정적 성능 확보

12. 결론 정리

Mercari 문제는 대규모 희소 행렬 처리 능력이 핵심
텍스트 피처 분리 전략이 성능을 좌우
Ridge는 안정적 베이스라인
LightGBM은 비선형 보완
앙상블이 최종 성능을 끌어올림