[2024/12/19]내일배움캠프 QA/QC 1기 - 4일차

커리어 스터디

도메인과 직무를 기반으로 커리어 분석

내가 선택한 도메인과 직무에 대해 추가적으로 학습합니다.

 - 주요 제품과 공정 과정, 분석 기법 등

 - 주요 업무와 필수 역량, 채용 공고 등

그간의 조사 결과를 바탕으로 커리어 분석 결과를 정리합니다.

직무 : QC

도메인 : 철강

 

필수 역량

• 제품의 품질 유지, 향상
• 꼼꼼함, 분석력, 품질 표준 및 규정 이해
• 데이터 분석 및 문제 해결 능력
• 의사소통 및 협업능력
• 신속성과 유연성
• 지속적인 개선과 학습

주요 업무

• 품질 보증 및 관리 업무, 품질경영시스템 인증 업무, 품질 이슈 대응 및 품질 개선 업무
• 부품 품질 관리, 완제품 품질 관리 
• 제품의 양산성 확보, 품질 향상을 위한 제조 공정 및 설비 개조/관리, 제품의 불량분석과 품질 최적화
• 품질 검사 및 테스트, 공정 품질관리, 결함 분석 및 개선,  표준 준수 및 인증 관리, 고객 및 클레임 관리, 품질 데이터 분석 및 보고, 장비 및 설비 관리
• 생산성과 고객의 신뢰를 유지하기 위한 업무

주요 제품 : 코일, 강판, 형강, 봉강, 파이프, 특수강 등

 

철강 생산 공정

제철 : 고로(BF : Blast Furnace)에 철광석, 코크스를 넣고 녹여 선철(Pig iron)을 만듦

주요 데이터 : 고로 내부 온도, 철광석과 코크스 및 첨가제의 함유량, 비율 등

 

제강

1) 선철을 전로(BOF : Basic Oxygen Furnace)로 옮기고 산소를 불어넣어 불순물 제거하는 정련 공정. 불순물이 제거된 용강 만듦

2) 철 스크랩을 전기로(EAF : Electric Ark Furnace)에 넣어 용강을 만듦

주요 데이터 : 전로, 전기로 내부 온도, 전로에 주입된 산소량 등

 

주조 : 주형틀(Mold)에 용강을 부어 반제품 형태로 굳힘(슬래브, 블룸, 빌렛, 주괴)

주요 데이터 : 냉각 속도, 균열, 슬래그 혼입 정도, 미세조직, 반제품의 길이 및 형상 데이터 등

 

압연 : 열간/냉간 압연 등의 성형 공정을 통해 반제품을 최종 철강 제품 제작

주요 데이터 : 온도, 속도, 제품 두께와 폭의 균일한 정도, 기계적 특성, 결함 여부 등

Swedish Steel Producers Association, 2011

실시간 공정 모니터링을 통해 공정이 안정적으로 유지될 수 있도록 조절

머신러닝, AI 모델을 사용하여 공정 데이터 분석을 통한 최적 공정 조건 도출

공정 중 파악이 어려운 주조 과정 등의 내부 상태를 시뮬레이션을 사용하여 시각화

데이터 분석을 통해 표면 결함, 기계적 특성 저하, 크랙 발생 등의 원인을 파악하여 방지할 수 있도록 조치

공정 데이터, 설비 데이터를 기반으로 장비의 이상 신호를 사전에 감지하여 고장 예방

 

즉, 공정 개선, 품질 향상, 비용 절감, 설비 유지보수, 환경 관리 등 모든 측면에서 사용됨

 

진행 시험

인장 시험

경도 시험

충격 시험

굽힘 시험

 

예시

포스코 인공지능 기반 도금량 제어자동화 솔루션

 - 자동차강판 생산의 핵심기술인 용융아연도금(CGL : Continuous  Galvanizing Line)을 인공지능을 통해 정밀하게 제어함으로써 도금량 편차를 획기적으로 줄임

 - 인공지능 기법의 도금량 예측모델과 최적화 기법의 제어모델이 결합되어 실시간으로 도금량을 예측하고 목표 도금량을 정확히 맞추는 자동제어 기술

 - 고가의 아연이 불가피하게 많이 소모되었던 도금공정을 인공지능에 의해 자동으로 제어함으로써 자동차용 도금강판의 품질향상과 더불어 과도금량 감소로 인한 생산 원가 절감

 - 자동운전으로 인한 작업자 부하도 경감시켜 작업 능률 및 생산성 향상

 

POSCO의 스마트 팩토리

수주공정

 - 수작업하던 소Lot 주문을 AI가 예측하고 판단하여 공정 소요시간이 12시간에서 1시간으로 대폭 축소

 - 주문에 영향을 주는 인자 12개를 도출하여 AI가 스스로 주문을 판단하는 학습모델 구축

 - 설계 사이즈 예측으로 원가 낭비 없이 최적으로 제작

 

제선공정

 - 작업자가 수작업으로 진행한 조업을 IoT 센서와 카메라 이미지를 통해 배출 형상을 데이터화

 - 쇳물 온도를 IoT가 데이터화, 카메라를 통한 원료의 상태 자동 확인

 - 1시간 후 상태까지 예측 관리하여 쇳물 생산량 증가

 

제강공정

 - 용선의 온도와 성분, 원료가 달라도 조건에 맞게 AI 학습

 - 경우의 수 12만 5천개 분석하는 전로~연주 연속 제어 시스템(PTX : Posco sTeelmaking eXpress) 개발

 - 공정별 도착시간, 온도, 성분 실시간 확인으로 온도 적중률 90% 이상, 원료 사용량 60% 감소

 

연주공정

 - 품질 이상에 대한 기준을 AI에 학습시켜 결함이 있는 소재만 선별 및 원인분석

 - 기존에는 대표 소재만 100% 의무 검사 실행 후 이상 발생시 모든 소재 결함 분석

 - 실적 데이터 자동 수집, 표면 품질 예측 모델 개발하여 불량재 발생시 자동 알림

 - 불필요한 검사 없어지고 연간 6억원 원가 절감

 

압연공정

 - 열간/냉간 평탄도 인자 데이터화, 빅데이터로 분석, 후판TMCP 학습모델 개발

 - 평탄도 조건의 상관관계 분석으로 프로그램이 자동으로 최적의 TMCP 조건 생성

 - 후 교정률 50% 저감 및 연간 13억원 절감

 

도금공정

 - 딥러닝을 이용하여 목표 도금량 스스로 학습하여 정확하게 제어

 - 도금 제어 적중률 89%에서 99%이상으로 향상

 

[출처] 철강산업에서 스마트팩토리 적용 현황 및 발전 방안, 한국철강협회

 

ANN 모델 : 철강 제조 공정에서 입력변수(HMRT, HTSZ, ORRT, SCH)와 출력변수(철강 생산량) 간의 관계를 높은 정확도로 예측

 - HMRT(용선율), HTSZ(열크기), ORRT(철광석 투입률), SCH(고철 투입량)는 철강 생산량에 가장 높은 영향을 미치는 요소들

 - Levenberg-Marquardt 알고리즘 사용

---

 

데이터 분석 종합반 4주차

데이터 분석 1강

직접 가설을 세우고 검증하기

게임종합반 구매전환률을 높여라!

import pandas as pd

sparta_data = pd.read_csv('/content/user_db1.csv')

sparta_data.head()

#

데이터 분석 2강

데이터 전처리

광고 효율이 나지 않는 매체를 찾아라!

가설 세우기 : 여러 광고 매체 중 광고 효율이 낮은 매체에 사용한 비용을 가장 효율이 좋은 매체에 집행한다면 기존 대비 50%의 광고효율을 증대시킬 수 있을 것이다.(모든 광고 매체에 같은 비용을 쓰고 있다고 가정)

sparta_data.isnull().sum()  # discounted 2474

 

sparta_data = sparta_data.dropna()

sparta_data.info()

데이터 분석 3강

시각화 및 결론 도출

access_media = sparta_data.groupby('access_media')['user_id'].count()

access_media

#

import matplotlib.pyplot as plt

import numpy as np

plt.rc('font', family='NanumBarunGothic')

plt.figure(figsize=(6,6))

plt.bar(access_media.index, access_media)

plt.title('수강생 별 수강 신청 경로')

plt.xlabel('수강 신청 경로')

plt.ylabel('수강생 수')

plt.xticks(rotation=45)

plt.show()

#

***결론***

옥외광고 비율을 줄이고, 광고 효율이 좋은 인스타그램, 페이스북 그리고 네이버 블로그 관련 홍보에 예산을 집중하자.

 

데이터 분석 4강

그래프 시각화

import pandas as pd

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_csv('user_db1.csv')

sparta_data.tail()

access_media = sparta_data.groupby('access_media')['user_id'].count()

plt.figure(figsize=(6,6))

plt.bar(access_media.index,access_media.values,color='green')

plt.title('수강생 별 수강 신청 경로')

plt.xlabel('수강 신청 경로')

plt.ylabel('수강생 수')

plt.xticks(rotation=45)

plt.show()

#

 

* 각 바마다 색 입히기

plt.bar(access_media.index,access_media.values, color = ['gold', 'b', '#FF0000', 'green','orange','red','#000000'], alpha = 0.3)

#

 

* 테두리 색 및 두께 변경

plt.bar(access_media.index,access_media.values, color = ['gold', 'b', '#FF0000', 'green','orange','red','#000000'], alpha = 0.3,edgecolor = 'black', linewidth = 2.5)

#

 

* 바 두께 변경하기(기본 값 = 0.8)

plt.bar(access_media.index,access_media.values, width=0.5)

#

 

* 그래프 폰트 변경하기

plt.title('수강생 별 수강 신청 경로',fontsize=20)

#

 

* 각 바의 수치 나타내기

bar = plt.bar(access_media.index,access_media.values)

for rect in bar:

    height = rect.get_height()

    plt.text(rect.get_x() + rect.get_width()/2.0, height, '%.1f' % height, ha='center', va='bottom', size = 12)

#

 

 

* 가로 그래프 그리기

bar = plt.barh(access_media.index,access_media.values)

#

 

데이터 분석 5강

패키지 상품 기획하기_ 가설 수립 및 전처리

문제 파악 : 현재 게임개발 종합반이 다른 패키지에 포함되어 있는 강의들보다 구매 전환율이 저조한 상황입니다

추가 정보 : 이전의 웹개발 종합반과 엑셀보다 쉬운 SQL의 패키지 상품을 기획하여 기존 대비 각각 40%의 구매 전환율이 높아진 사례가 있습니다

원하는 결과 : 매력적인 패키지 상품을 기획하여 게임개발 종합반의 구매 전환율을 더욱 높이고자합니다.

가설 : 게임개발 종합반 과목을 산 인원 중 가장 많은 인원이 동시에 구입한 과목과 패키지를 기획해 판매한다면 약 30%의 구매 전환율을 높일 수 있을 것이다.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_table('user_registered_class.csv', sep=',')

sparta_data.head()

#

0 = 수강 신청 X, 1 = 수강 신청 O

 

sum_of_students_by_class = sparta_data[sparta_data==1].count()

sum_of_students_by_class

#

 

sum_of_students_by_class = sum_of_students_by_class.drop('user_id')

 

plt.figure(figsize=(10,5))

plt.bar(sum_of_students_by_class.index , sum_of_students_by_class)

plt.title('게임개발 종합반 신청한 학생 수강이력')

plt.xlabel('강의')

plt.ylabel('수강생(명)')

plt.show()

#

***결론***

게임 종합반에 가장 관심이 많았던 고객은, 앱개발 종합반 수강생이다.

추가 분석이 필요하다.

 

데이터 분석 6강

패키지 상품 기획하기_ 추가 가설 시각화 하기

왜 앱개발 종합반 신청자가 게임종합반에 관심이 많은 것인가?

가설 : 앱 종합반과 게임 종합반 신청자의 공통 관심사는 중 가장 큰 비율을 차지하는 것은 부수입 창출일 것이다.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data_app = pd.read_table('user_db_app.csv',sep=',')

sparta_data_game = pd.read_table('user_db_game.csv',sep=',')

app_users_goal= sparta_data_app.groupby('goal')['user_id'].count()

app_users_goal

#

 

game_users_goal= sparta_data_game.groupby('goal')['user_id'].count()

game_users_goal

#

 

plt.figure(figsize=(8,6))

plt.plot(app_users_goal.index ,app_users_goal,color="red", label="app")

plt.plot(game_users_goal.index ,game_users_goal,color="blue", label="game")

plt.legend()

plt.title("앱 종합반, 게임 종합반 수강생의 관심사")

plt.xlabel('수강 목적')

plt.ylabel('수강생 수')

plt.show()

#

***결론***

앱 개발, 그리고 게임 종합반 신청자의 공통 관심사는 부수입 창출이다.

 

데이터 분석 7강

할인은 정말 효과적인 선택일까?_ 전처리하기

문제 파악 :

결제 마지막 페이지에서 이탈률이 높은 상황입니다.

확인 해 본 결과, 결제 페이지 오류는 없는 상황입니다.

금액이 고객들의 구매 결정에 걸림돌이 되는 것으로 예상됩니다.

원하는 결과 :

결제 마지막 페이지에서 고객 이탈율을 줄이고 싶습니다.

가설: 결제 마지막 페이지에서 할인 쿠폰을 제공하여 금액적으로 구매 결정에 걸림돌을 제거해준다면 결제율을 높일수 있을 것이다.

같은 기간동안 선착순으로 결제 페이지에 접속한 각 12000명을 대상으로

첫번째 그룹 마지막 페이지 결제 접속자 에게 마지막 결제 페이지에 할인 쿠폰을 제공

두번째 그룹 마지막 페이지 결제 접속자 에게 할인 쿠폰 미 제공(정가 구매 유도)

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_table('user_db1.csv',sep=',')

sparta_data.head()

#

group : 1 = 할인 받음, 0 = 할인 못받음

데이터 분석 8강

할인은 정말 효과적인 선택일까? _ 데이터 분석 및 시각화

sum_of_students_by_discounted = sparta_data[sparta_data['group']==1]['user_id'].count()

sum_of_students_by_discounted

# 5654

 

sum_of_students_by_not_discounted = sparta_data[sparta_data['group']==0]['user_id'].count()

sum_of_students_by_not_discounted

# 2474

 

percent_of_students_by_not_discounted = sum_of_students_by_not_discounted/12000 *100

percent_of_students_by_discounted = sum_of_students_by_discounted/12000 *100

print(percent_of_students_by_not_discounted , percent_of_students_by_discounted )

# 20.616666666666667 47.11666666666667

 

plt.figure(figsize=(10,5))

x_list =["정가 구입 그룹", "할인 적용 그룹"]

y_list = [percent_of_students_by_not_discounted ,percent_of_students_by_discounted]

plt.bar(x_list, y_list)

plt.title('할인 여부 결제 전환율 비교 분석')

plt.xlabel('할인 적용 여부')

plt.ylabel('결제 전환율')

plt.show()

#

***결론***

할인 적용 신청 그룹의 신청율이 46% 대 20%로 정가 구입 그룹 보다 월등히 높다

고객의 구매 장벽을 낮추기 위해 마지막 페이지에 적절한 할인을 제시하는 것이 신규 수강생 모집에 효과적으로 보인다.

 

데이터 분석 9강

4주차 과제 제출(https://essay2892.tistory.com/16)

 

데이터 분석 5주차

데이터 분석 1강

 💡 김르탄 팀장 🧑🏻‍💻:

“스파르타코딩클럽에서 수강 완주율은

좋은 컨텐츠 제공 여부 및 수강생 관리가 잘 되어 가고 있는지에 대한 가장 중요한 지표 입니다.

그런데 지난 8월 중순 부터 웹개발 종합반의 완주율이 크게 떨어졌습니다.”

이번 주는 무엇이 수강생들의 완주율에 가장 큰 영향을 미쳤는지 함께 고민 해 보고 개선해 봅시다.

 

❗ 8월 중순부터 완주율이 크게 떨어졌습니다. 이유를 찾아서 개선해봅시다!

 

데이터 분석 2강

데이터 분석 시작하기

가설을 세우기 이전에 어떤 변수가 있을지 파악 : 고객의 입장에서 수업을 듣는 여정 생각 해보기

[수강 여정]

1. 강의를 들을 수 있는 시간적 여유가 생긴다.
2. 강의를 들어야겠다고 마음을 먹는다.
3. 강의를 듣기 위해 콘텐츠에 접근한다.
4. 콘텐츠를 2에서 목표한 부분까지 듣는다.

1, 2, 4번이 각각 문제가 있지는 않을지 확인해보면 어떤 것이 완주를 가로막고 있을지에 대해 파악할 수 있습니다.

📌 이번주에는 1, 2, 4번을 살펴보면서 어떤 점을 개선하면 완주율을 높일 수 있을지

가설을 세워 확인하는 시간을 가져보겠습니다 :)

import pandas as pd

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_csv('sprata_data.csv')

sparta_data.head()

#

_id: 회원 고유 아이디 created_at: 수강 등록 시점 updated_at: 최근 수강 완료 시점 name: 회원 이름 marketing: 마케팅 수신동의 managed: 찐한관리 여부 gender: 성별 age: 나이대 progress_rate: 진도율

데이터 분석 3강

우리는 적절한 타겟에게 판매를 하고 있을까?

✔️ 시간이 없어 듣지 못하는 고객의 경우 저희가 무언가를 개선한다고 완주를 할 수 없습니다.

애초에 만족할 수 없는 고객에게 판매를 한 것이니 장기적 관점에서 포지셔닝 변경이 필요합니다.

⇒ 스파르타코딩클럽 정말로 포지셔닝 변경이 필요할지 데이터로 살펴봅시다!

가설 : 다른 연령대에 비해 바쁜 20~30대의 수강 완주율이 상대적으로 낮을 것이다.

age_data = sparta_data.groupby('age')['progress_rate'].sum()

age_data

#

 

numberofpeople = sparta_data.groupby('age')['_id'].count()

numberofpeople

#

 

average = age_data/numberofpeople

average

#

 

plt.figure(figsize=(6,6))

plt.xticks([10,20,30,40,50])

plt.bar(average.index, average)

bar = plt.bar(average.index, average,width=8)

for rect in bar:

    height = rect.get_height()

    plt.text(rect.get_x() + rect.get_width()/2.0, height, '%.1f' % height, ha='center', va='bottom', size = 12)

plt.title('[나이대 별 평균 수강율]',fontsize=15,pad=20)

plt.xlabel('나이대',fontsize=12,labelpad=20)

plt.ylabel('수강생(명)',fontsize=14,rotation=360,labelpad=35)

plt.show()

#

***결론***

2-30대의 완주율 평균이 다른 나이대와 비슷한 비율이라는 점을 확인

프로덕트 개선이나 광고 메인 타겟을 변경 등은 고려에서 배제해도 좋을 것이다.

 

데이터 분석 4강

찐한관리를 하면 완주율이 높아질까?_ 가설 및 전처리

가설 : 찐한관리를 받은 인원이 그렇지 않은 인원보다 완주율이 높을 것이다.

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_csv('sprata_data.csv')

managed = ['TRUE','FALSE']

managed

# ['TRUE','FALSE']

데이터 분석 5강

찐한관리를 하면 완주율이 높아질까? _ 분석 및 시각화

managed_data_avg = sparta_data.groupby('managed')['progress_rate'].sum()/sparta_data.groupby('managed')['_id'].count()

managed_data_avg

 

plt.figure(figsize=(6,6))

plt.bar(managed_data_avg.index ,managed_data_avg)

bar = plt.bar(managed_data_avg.index ,managed_data_avg)

for rect in bar:

    height = rect.get_height()

    plt.text(rect.get_x() + rect.get_width()/2.0, height, '%.1f' % height, ha='center', va='bottom', size = 12)

plt.title('찐한관리 유무에 따른 평균 완주율',fontsize=14)

plt.xlabel('평균 완주율',fontsize=12)

plt.xticks([0,1], labels=["찐한관리 비 신청자","찐한관리 신청자"])

plt.ylabel('찐한관리 여부',fontsize=12,rotation=360,labelpad=35)

plt.xticks(rotation=45)

plt.yticks(rotation=360)

plt.show()

#

***결론***

찐한 관리를 받지 않은 그룹의 수강 완주율은 38.6%

찐한 관리를 받은 그룹의 수강 완주율은 68.5 %

찐한관리를 받은 그룹의 완주율이 월등히 높은 것을 확인

 

찐한관리 신청 비율을 높이는 액션을 진행해보는 것이 완주율 개선에 효과적일 것 같다.

수업 시작 전, 찐한관리 참여를 적극적으로 유도해보아도 좋을 것이다.

 

데이터 분석 6강

프로덕트 개선은 정말 도움이 되었을까?_ 가설 세우기

✔️ 목표한 만큼 강의 컨텐츠를 모두 수강 완료하는 것에 도움을 주려면

콘텐츠가 충분히 흥미있고 유익해야 합니다. 이 부분을 확인해볼까요?

→ 앗 이미 8월 즈음 콘텐츠 개편이 완료되어 적용된 상황입니다!

→ 흠.. 8월이라.. 완주율이 꺾인 시점과 유사한데 좀 더 파볼까요?

가설 : 8월 둘째 주 부터 변경된 3주 차 강의의 완주율이 현저히 떨어졌을 것이다.

2가지 요인이 복합적으로 작용하는 결과를 확인해야하므로 코호트 차트 만들기

 

데이터 분석 7강

프로덕트 개선은 정말 도움이 되었을까?_ 전처리 및 분석

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

plt.rc('font', family='NanumBarunGothic')

sparta_data = pd.read_table('cohort_data.csv',sep=',')

print(type(sparta_data['created_at'][1]))  # <class 'str'>

 

format='%Y-%m-%dT%H:%M:%S.%f'

sparta_data['start_time'] = pd.to_datetime(sparta_data['created_at'], format='mixed')

 

sparta_data['start_week']= sparta_data['start_time'].dt.isocalendar().week

sparta_data.tail()

#

 

category_range = set(sparta_data['start_week'])

category_range  # {31, 32, 33, 34, 35, 36}

progress_rate = list(sparta_data['progress_rate'])

bins = [0,4.11,26.03,41.10,61.64,80.82,100]

labels=[0,1,2,3,4,5]

cuts = pd.cut(progress_rate,bins, right=True,include_lowest=True, labels=labels)

cuts

#

[5, 5, 2, 5, 5, ..., 5, 5, 3, 5, 5]
Length: 1736
Categories (6, int64): [0 < 1 < 2 < 3 < 4 < 5] 

 

cuts = pd.DataFrame(cuts)

cuts.tail()

#

 

sparta_data = pd.concat([sparta_data,cuts],axis=1, join='inner')

sparta_data.head()

#

 

sparta_data.columns=['created_at','user_id','name','progress_rate','start_time','start_week',"week"]

sparta_data.head()

#

 

grouping = sparta_data.groupby(['start_week','week'])

grouping.head()

#

 

cohort_data = grouping['user_id'].apply(pd.Series.nunique)

cohort_data = pd.DataFrame(cohort_data)

cohort_data.head(5)

#

 

f=31

for i in range(6):

  for j in range(5, 0, -1):

    cohort_data.at[(f,j-1), 'user_id'] = int(cohort_data.at[(f,j),'user_id']) +  int(cohort_data.at[(f,j-1),'user_id'])

  f=f+1

 

cohort_data = cohort_data.reset_index()

cohort_data.head()

#

데이터 분석 8강

프로덕트 개선은 정말 도움이 되었을까_ 시각화

cohort_counts = cohort_data.pivot(index="start_week",

                                  columns="week",

                                  values="user_id")

cohort_counts

#

 

retention = cohort_counts

cohort_sizes = cohort_counts.iloc[:,0]

cohort_sizes.head()

#

 

retention = cohort_counts.divide(cohort_sizes, axis=0)

retention.head()

#

 

retention.round(3)*100

#

 

plt.figure(figsize=(10,8))

sns.heatmap(data=retention,

           annot=True,

           fmt='.0%',

           vmin=0,

           vmax=1,

           cmap="BuGn")

plt.xlabel('주차', fontsize=14,labelpad=30)

plt.ylabel('개강일', fontsize=14,rotation=360,labelpad=30)

plt.yticks(rotation=360)

plt.show()

#

***결론***

4주 차 컬럼에서만 떨어진 것이 아니라 전체적으로 떨어진 것을 볼 수 있다.

다른 요인 때문에 완주율이 떨어졌다고 보는 것이 맞을 것 같다.

 

데이터 분석 9강

5주차 과제 제출(https://essay2892.tistory.com/17)

---

 

엑셀보다 쉽고 빠른 SQL 2주차

SQL 1강

복습 및 맛보기

 

SQL 2강

엑셀 대신 SQL로 한번에 계산하기 (SUM, AVERAGE, COUNT, MIN, MAX)

select food_preparation_time,

delivery_time,

food_preparation_time + delivery_time as total_time

from food_orders

 

select sum(food_preparation_time) total_food_preparation_time,

avg(delivery_time) avg_delivery_time

from food_orders

#

 

select avg(age) average_age

from customers

#

 

select count(1) count_of_orders,

count(distinct customer_id) count_of_customers

from food_orders

#

 

select count(*) as total_count,

count(distinct pay_type) as count_of_pay_type

from payments

#

 

select min(price) min_price,

max(price) max_price

from food_orders

 #

SQL 3강

WHERE 절로 원하는 데이터를 뽑고, 계산해보기

주문 금액이 30,000원 이상인 주문건의 갯수 구하기

select count(*) as number_of_order

from food_orders

where price >= 30000

 #

 

한국 음식의 주문 당 평균 음식가격 구하기

select avg(price)

from food_orders

where cuisine_type = 'Korean'

 #

SQL 4강

GROUP BY로 범주별 연산 한 번에 끝내기

select cuisine_type,

sum(price) sum_of_price

from food_orders

group by cuisine_type

 #

 

select restaurant_name,

max(price) max_price

from food_orders

group by restaurant_name

 #

 

select pay_type,

max(date) recent_date

from payments

group by pay_type

#

SQL 5강

Query 결과를 정렬하여 업무에 바로 사용하기 (ORDER BY)

select cuisine_type,

sum(price) sum_of_price

from food_orders

group by cuisine_type

order by sum(price)

#

 

음식점별 주문 금액 최댓값 조회하기 - 최댓값 기준으로 내림차순 정렬

select restaurant_name,

max(price) as max_price

from food_orders

group by restaurant_name

order by max(price) desc 

#

 

고객을 이름 순으로 오름차순으로 정렬하기  

select *

from customers

order by name

#

SQL 6강

SQL 구조 마스터 - WHERE, GROUP BY, ORDER BY 로 완성되는 SQL 구조

[퀴즈] 조회 할 데이터를 SQL 구조에 맞춰서 바꿔보기

1.

order by sum(delivery_time) desc

group by cuisine_type

where day_of_the_week=’Weekend’

from food_orders

select cuisine_type, sum(delivery_time) total_delivery_time

 

답

select cuisine_type, sum(delivery_time) total_delivery_time

from food_orders

where day_of_the_week=’Weekend’

group by cuisine_type

order by sum(delivery_time) desc

 

2.

where age between 20 and 40

select age, count(name) count_of_name

order by age

group by age

from customers

 

답

select age, count(name) count_of_name

from customers

where age between 20 and 40

group by age

order by age

SQL 2주차 숙제 제출(https://essay2892.tistory.com/19)