Your title here

연구 목적 및 배경 설명

What is (are) your main question(s)? What is your story? What does the final graphic show?

데이터에 대한 개괄적인 설명

Explain where the data came from, what agency or company made it, how it is structured, what it shows, etc.

데이터 정제 및 가공 과정

Describe and show how you cleaned and reshaped the data

1. 전체적인 데이터 정제 및 가공

raw_welfare <- read.spss(file = "koweps_hpwc17_2022_Beta1.sav",
                     to.data.frame = T)

## Warning in read.spss(file = "koweps_hpwc17_2022_Beta1.sav", to.data.frame = T):
## koweps_hpwc17_2022_Beta1.sav: Compression bias (0) is not the usual value of
## 100

## Warning in read.spss(file = "koweps_hpwc17_2022_Beta1.sav", to.data.frame = T):
## koweps_hpwc17_2022_Beta1.sav: Very long string record(s) found (record type 7,
## subtype 14), each will be imported in consecutive separate variables

#복사본 만들기 
wel <- raw_welfare

wel <- wel %>% select(code_region = h17_reg7,
                      relation = h17_g2,
                      birth = h17_g4,
                      area = h1706_5,
                      code_housingtype = h1706_3,
                      houseprice = h1706_6,
                      "code_1stprepare" = h1706_8,
                      "code_2stprepare" = h1706_9,
                      satisfaction = p1703_7) %>% 
  filter(relation == 10)

2. code_region변수 검토 및 전처리

class(wel$code_region)

## [1] "numeric"

table(is.na(wel$code_region))

## 
## FALSE 
##  7865

head(wel$code_region)

## [1] 1 1 1 1 2 1

list_region <- data.frame(code_region = c(1:7),
                          region = c("서울",
                                     "수도권(인천/경기)",
                                     "부산/경남/울산",
                                     "대구/경북",
                                     "대전/충남",
                                     "강원/충북",
                                     "광주/전남/전북/제주도"))
list_region

##   code_region                region
## 1           1                  서울
## 2           2     수도권(인천/경기)
## 3           3        부산/경남/울산
## 4           4             대구/경북
## 5           5             대전/충남
## 6           6             강원/충북
## 7           7 광주/전남/전북/제주도

wel <- left_join(wel, list_region, by = "code_region")

wel %>% 
  select(code_region, region) %>% 
  head()

##   code_region            region
## 1           1              서울
## 2           1              서울
## 3           1              서울
## 4           1              서울
## 5           2 수도권(인천/경기)
## 6           1              서울

3. birth변수 검토 및 전처리

class(wel$birth)

## [1] "numeric"

summary(wel$birth)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1922    1943    1954    1957    1969    2003

qplot(wel$birth)

## Warning: `qplot()` was deprecated in ggplot2 3.4.0.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

table(is.na(wel$birth))

## 
## FALSE 
##  7865

wel$age <- 2022 - wel$birth + 1
summary(wel$age)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   20.00   54.00   69.00   66.23   80.00  101.00

qplot(wel$age)

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

3-1. age_group 파생변수 만들기

wel <- wel %>%
  mutate(age_group = ifelse(age < 20, "10s",
                       ifelse(age < 30, "20s", 
                              ifelse(age < 40, "30s",
                                     ifelse(age < 50, "40s",
                                            ifelse(age < 60, "50s",
                                                   ifelse(age < 70, "60s",
                                                          ifelse(age < 80, "70s", "old"))))))))

table(wel$age_group)

## 
##  20s  30s  40s  50s  60s  70s  old 
##  149  412  863 1131 1519 1739 2052

ggplot(data = wel, aes(x = age_group)) +
  geom_bar()

## 3-2. MZ 파생변수 만들기

wel <- wel %>%
  mutate(MZ = ifelse(age >= 20 & age < 25, "E20s",
                       ifelse(age < 30, "L20s", 
                              ifelse(age < 35, "E30s",
                                     ifelse(age < 40, "L30s",
                                            ifelse(age < 45, "E40s", NA))))))

table(wel$MZ)

## 
## E20s E30s E40s L20s L30s 
##   19  188  393  130  224

wel %>% 
  filter(!is.na(MZ)) %>% 
  ggplot(aes(x = MZ)) +
  geom_bar() +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s"))

4. area 변수 검토 및 전처리

class(wel$area)

## [1] "numeric"

head(wel$area)

## [1] 92 33 73 92 46 59

table(is.na(wel$area))

## 
## FALSE 
##  7865

summary(wel$area)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    7.00   56.00   79.00   77.95   99.00  327.00

5. code_housingtype변수 검토 및 전처리

class(wel$code_housingtype)

## [1] "numeric"

head(wel$code_housingtype)

## [1] 1 3 1 1 5 3

table(is.na(wel$code_housetype))

## < table of extent 0 >

list_housingtype <- data.frame(code_housingtype = c(1:6),
                          housingtype = c("자가",
                                     "전세",
                                     "보증부 월세",
                                     "월세(사글세)",
                                     "비가구원 명의 주택",
                                     "기타"))
list_housingtype

##   code_housingtype        housingtype
## 1                1               자가
## 2                2               전세
## 3                3        보증부 월세
## 4                4       월세(사글세)
## 5                5 비가구원 명의 주택
## 6                6               기타

wel <- left_join(wel, list_housingtype, by = "code_housingtype")

wel %>% 
  select(code_housingtype, housingtype) %>% 
  head()

##   code_housingtype        housingtype
## 1                1               자가
## 2                3        보증부 월세
## 3                1               자가
## 4                1               자가
## 5                5 비가구원 명의 주택
## 6                3        보증부 월세

5. houseprice 변수 검토 및 전처리

class(wel$houseprice)

## [1] "numeric"

head(wel$houseprice)

## [1] 1e+05 5e+02 4e+04 7e+04    NA 6e+03

table(is.na(wel$houseprice))

## 
## FALSE  TRUE 
##  6785  1080

summary(wel$houseprice)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##       0    4000   12000   22493   30000  650000    1080

options(scipen = 99)
head(wel$houseprice)

## [1] 100000    500  40000  70000     NA   6000

. prepare 변수 검토 및 전처리

class(wel$code_1stprepare)

## [1] "numeric"

table(is.na(wel$code_1stprepare))

## 
## FALSE  TRUE 
##  6785  1080

head(wel$code_1stprepare)

## [1]  1  1  1  1 NA  3

class(wel$code_2stprepare)

## [1] "numeric"

table(is.na(wel$code_2stprepare))

## 
## FALSE  TRUE 
##  6785  1080

head(wel$code_2stprepare)

## [1]  4 88  4 88 NA 88

list_prepare1 <- data.frame(code_1stprepare = c(1:5),
                           "prepare1" = c("자기돈(상속인 경우 포함)",
                                     "무상으로 도움을 받음 ",
                                     "부모,형제,친척,친구 등으로 부터 빌림",
                                     "금융기관으로부터 빌림",
                                     "사채"))
list_prepare2 <- data.frame(code_2stprepare = c(1:5),
                           "prepare2" = c("자기돈(상속인 경우 포함)",
                                     "무상으로 도움을 받음 ",
                                     "부모,형제,친척,친구 등으로 부터 빌림",
                                     "금융기관으로부터 빌림",
                                     "사채"))

list_prepare1

##   code_1stprepare                             prepare1
## 1               1             자기돈(상속인 경우 포함)
## 2               2                무상으로 도움을 받음 
## 3               3 부모,형제,친척,친구 등으로 부터 빌림
## 4               4                금융기관으로부터 빌림
## 5               5                                 사채

list_prepare2

##   code_2stprepare                             prepare2
## 1               1             자기돈(상속인 경우 포함)
## 2               2                무상으로 도움을 받음 
## 3               3 부모,형제,친척,친구 등으로 부터 빌림
## 4               4                금융기관으로부터 빌림
## 5               5                                 사채

wel <- left_join(wel, list_prepare1, by = "code_1stprepare")

wel <- left_join(wel, list_prepare2, by = "code_2stprepare")

wel %>% 
  select(code_1stprepare, code_2stprepare, prepare1, prepare2) %>% 
  head()

##   code_1stprepare code_2stprepare                             prepare1
## 1               1               4             자기돈(상속인 경우 포함)
## 2               1              88             자기돈(상속인 경우 포함)
## 3               1               4             자기돈(상속인 경우 포함)
## 4               1              88             자기돈(상속인 경우 포함)
## 5              NA              NA                                 <NA>
## 6               3              88 부모,형제,친척,친구 등으로 부터 빌림
##                prepare2
## 1 금융기관으로부터 빌림
## 2                  <NA>
## 3 금융기관으로부터 빌림
## 4                  <NA>
## 5                  <NA>
## 6                  <NA>

6. satisfaction 변수 검토 및 전처리

class(wel$satisfaction)

## [1] "numeric"

table(is.na(wel$satisfaction))

## 
## FALSE  TRUE 
##  7555   310

7. satisfaction 변수 검토 및 전처리

class(wel$satisfaction)

## [1] "numeric"

table(wel$satisfaction)

## 
##    1    2    3    4    5 
##   57  473 1800 4808  417

table(is.na(wel$satisfaction))

## 
## FALSE  TRUE 
##  7555   310

summary(wel$satisfaction)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   1.000   3.000   4.000   3.669   4.000   5.000     310

데이터 분석

Describe and show how you analyzed the data ## 1. 연령대/지역별 점유형태 분석

1-1. 전연령대별 점유형태 분석

ageg_type <- wel %>% 
  count(age_group, housingtype) %>% 
  group_by(age_group) %>% 
  mutate(pct = round(n/sum(n)*100, 2))

head(ageg_type)

## # A tibble: 6 × 4
## # Groups:   age_group [1]
##   age_group housingtype            n   pct
##   <chr>     <chr>              <int> <dbl>
## 1 20s       기타                  15 10.1 
## 2 20s       보증부 월세           75 50.3 
## 3 20s       비가구원 명의 주택    18 12.1 
## 4 20s       월세(사글세)           5  3.36
## 5 20s       자가                   5  3.36
## 6 20s       전세                  31 20.8

1-2. MZ세대별 점유형태 분석

MZ_type <- wel %>% 
  count(MZ, housingtype) %>% 
  group_by(MZ) %>% 
  mutate(pct = round(n/sum(n)*100, 2))

head(MZ_type)

## # A tibble: 6 × 4
## # Groups:   MZ [1]
##   MZ    housingtype            n   pct
##   <chr> <chr>              <int> <dbl>
## 1 E20s  기타                   4 21.0 
## 2 E20s  보증부 월세            7 36.8 
## 3 E20s  비가구원 명의 주택     1  5.26
## 4 E20s  월세(사글세)           2 10.5 
## 5 E20s  자가                   1  5.26
## 6 E20s  전세                   4 21.0

1-3. 지역별 점유형태 분석 (전연령대)

region_type <- wel %>% 
  count(region, housingtype) %>% 
  group_by(region) %>% 
  mutate(pct = round(n/sum(n)*100, 2))

head(region_type)

## # A tibble: 6 × 4
## # Groups:   region [1]
##   region    housingtype            n   pct
##   <chr>     <chr>              <int> <dbl>
## 1 강원/충북 기타                  13  1.82
## 2 강원/충북 보증부 월세           89 12.5 
## 3 강원/충북 비가구원 명의 주택    90 12.6 
## 4 강원/충북 월세(사글세)          18  2.52
## 5 강원/충북 자가                 461 64.6 
## 6 강원/충북 전세                  43  6.02

1-4. 지역별 점유형태 분석 (MZ세대)

region_typeMZ <- wel %>% 
  filter(!is.na(MZ)) %>% 
  count(region, housingtype) %>% 
  group_by(region) %>% 
  mutate(pct = round(n/sum(n)*100, 2))

head(region_typeMZ)

## # A tibble: 6 × 4
## # Groups:   region [1]
##   region    housingtype            n   pct
##   <chr>     <chr>              <int> <dbl>
## 1 강원/충북 기타                   6  8.22
## 2 강원/충북 보증부 월세           19 26.0 
## 3 강원/충북 비가구원 명의 주택     5  6.85
## 4 강원/충북 월세(사글세)           1  1.37
## 5 강원/충북 자가                  23 31.5 
## 6 강원/충북 전세                  19 26.0

2. 연령별 주거면적/주택마련비용

2-1. 연령별 주거면적 분석

age_area <- wel %>% 
  filter(!is.na(area)) %>% 
  group_by(age) %>% 
  summarise(mean_area = mean(area))

head(age_area)

## # A tibble: 6 × 2
##     age mean_area
##   <dbl>     <dbl>
## 1    20      36  
## 2    21      47.5
## 3    22      25  
## 4    23      29.5
## 5    24      39.5
## 6    25      35.3

MZ_area <- wel %>% 
  filter(!is.na(area) & !is.na(MZ)) %>% 
  group_by(age) %>% 
  summarise(mean_area = mean(area))

head(MZ_area)

## # A tibble: 6 × 2
##     age mean_area
##   <dbl>     <dbl>
## 1    20      36  
## 2    21      47.5
## 3    22      25  
## 4    23      29.5
## 5    24      39.5
## 6    25      35.3

2-2. 연령대별 주택마련비용 분석

age_price <- wel %>% 
  select(housingtype, houseprice, age, MZ) %>% 
  na.omit()

head(age_price)

##    housingtype houseprice age   MZ
## 16        자가     100000  39 L30s
## 29        자가      68000  41 E40s
## 36        자가      17000  41 E40s
## 39        전세      35000  43 E40s
## 45        전세      23000  36 L30s
## 51 보증부 월세        500  40 E40s

age_price %>% 
  group_by(housingtype) %>% 
  summarise(mean_price = mean(houseprice))

## # A tibble: 3 × 2
##   housingtype mean_price
##   <chr>            <dbl>
## 1 보증부 월세      2713.
## 2 자가            41941.
## 3 전세            16108.

2-3. 연령대별 평당주택마련비용 분석

price_per_area <- wel %>%
  filter(!is.na(MZ) & !is.na(houseprice)) %>% 
  select(MZ, houseprice, area, housingtype) %>% 
  mutate(price_per = round(houseprice/area, 2)) 

head(price_per_area)

##     MZ houseprice area housingtype price_per
## 1 L30s     100000   79        자가   1265.82
## 2 E40s      68000   96        자가    708.33
## 3 E40s      17000  109        자가    155.96
## 4 E40s      35000  122        전세    286.89
## 5 L30s      23000   69        전세    333.33
## 6 E40s        500   20 보증부 월세     25.00

3. 주택구입비용/보증금 마련경로 분석

prepare <- wel %>% 
  select(prepare1, prepare2, housingtype, MZ) %>% 
  na.omit()

head(prepare)

##                    prepare1                             prepare2 housingtype
## 16 자기돈(상속인 경우 포함) 부모,형제,친척,친구 등으로 부터 빌림        자가
## 29    무상으로 도움을 받음              자기돈(상속인 경우 포함)        자가
## 36    금융기관으로부터 빌림             자기돈(상속인 경우 포함)        자가
## 39 자기돈(상속인 경우 포함)                금융기관으로부터 빌림        전세
## 45 자기돈(상속인 경우 포함)                무상으로 도움을 받음         전세
## 55    금융기관으로부터 빌림             자기돈(상속인 경우 포함)        전세
##      MZ
## 16 L30s
## 29 E40s
## 36 E40s
## 39 E40s
## 45 L30s
## 55 E30s

3-1. 순위별

per_prepare1 <- prepare %>% 
  count(prepare1) %>% 
  mutate(pct = round(n/sum(n)*100, 1))


per_prepare2 <- prepare %>% 
  count(prepare2) %>% 
  mutate(pct = round(n/sum(n)*100, 1))

head(per_prepare1)

##                               prepare1   n  pct
## 1                금융기관으로부터 빌림 221 44.0
## 2                무상으로 도움을 받음   16  3.2
## 3 부모,형제,친척,친구 등으로 부터 빌림  19  3.8
## 4             자기돈(상속인 경우 포함) 246 49.0

head(per_prepare2)

##                               prepare2   n  pct
## 1                금융기관으로부터 빌림 228 45.4
## 2                무상으로 도움을 받음   26  5.2
## 3 부모,형제,친척,친구 등으로 부터 빌림  20  4.0
## 4             자기돈(상속인 경우 포함) 228 45.4

3-2. 연령대별

MZprepare <- wel %>% 
  select(prepare1, prepare2, housingtype, MZ) %>% 
  na.omit() %>% 
  mutate(ageg = ifelse(MZ == "E20s"| MZ == "L20s", "20s",
                       ifelse(MZ == "E30s"| MZ == "L30s", "30s", "40s")))

head(MZprepare)

##                    prepare1                             prepare2 housingtype
## 16 자기돈(상속인 경우 포함) 부모,형제,친척,친구 등으로 부터 빌림        자가
## 29    무상으로 도움을 받음              자기돈(상속인 경우 포함)        자가
## 36    금융기관으로부터 빌림             자기돈(상속인 경우 포함)        자가
## 39 자기돈(상속인 경우 포함)                금융기관으로부터 빌림        전세
## 45 자기돈(상속인 경우 포함)                무상으로 도움을 받음         전세
## 55    금융기관으로부터 빌림             자기돈(상속인 경우 포함)        전세
##      MZ ageg
## 16 L30s  30s
## 29 E40s  40s
## 36 E40s  40s
## 39 E40s  40s
## 45 L30s  30s
## 55 E30s  30s

per_MZprepare <- MZprepare %>% 
  count(ageg, prepare1) %>% 
  group_by(ageg) %>% 
  mutate(pct = round(n/sum(n)*100, 1))


head(per_MZprepare)

## # A tibble: 6 × 4
## # Groups:   ageg [2]
##   ageg  prepare1                                   n   pct
##   <chr> <chr>                                  <int> <dbl>
## 1 20s   "금융기관으로부터 빌림"                   24  64.9
## 2 20s   "무상으로 도움을 받음 "                    2   5.4
## 3 20s   "부모,형제,친척,친구 등으로 부터 빌림"     5  13.5
## 4 20s   "자기돈(상속인 경우 포함)"                 6  16.2
## 5 30s   "금융기관으로부터 빌림"                  117  51.1
## 6 30s   "무상으로 도움을 받음 "                   12   5.2

그래프 만들기

1. 연령대/지역별 점유형태 분석

1-1. 전연령대별 점유형태 그래프

ggplot(data = ageg_type, aes(x = age_group, y = pct, fill = housingtype)) +
  geom_col() +
  coord_flip() +
  ggtitle("전 연령대별 점유형태 비율")  +
  labs(x = "전체 연령대", y = "비율", fill = "점유형태") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

1-2. MZ세대별 점유형태 그래프

MZ_type %>% 
  filter(!is.na(MZ)) %>% 
  ggplot(aes(x = MZ, y = pct, fill = housingtype)) +
  geom_col() +
  coord_flip() +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  labs(x = "연령대", y = "비율", fill = "점유형태") +
  ggtitle("MZ세대 연령대별 점유형태 비율")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

1-3. 지역별 점유형태 그래프 (전연령대)

ggplot(data = region_type, aes(x = region, y = pct, fill = housingtype)) +
  geom_col() +
  coord_flip() +
  labs(x = "지역", y = "비율", fill = "점유형태") +
  ggtitle("지역별 점유형태 비율 (전연령대)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

1-4. 지역별 점유형태 그래프 (MZ세대)

ggplot(data = region_typeMZ, aes(x = region, y = pct, fill = housingtype)) +
  geom_col() +
  coord_flip() +
  labs(x = "지역", y = "비율", fill = "점유형태") +
  ggtitle("지역별 점유형태 비율 (MZ세대)") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

## 2. 연령별 주거면적/주택마련비용

2-1. 연령별 주거면적 분석

p <- ggplot(data = age_area, aes(x = age, y = mean_area)) +
  geom_line() +
  labs(x = "나이", y = "주거면적") +
  ggtitle("전 연령별 주거면적 (단위: ㎡)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black")) 

ggplotly(p)

P <- ggplot(data = MZ_area, aes(x = age, y = mean_area)) +
  geom_line() +
  geom_smooth() +
  labs(x = "나이", y = "주거면적") +
  ggtitle("MZ연령별 주거면적 (단위: ㎡)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black")) 

ggplotly(P)

## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'

2-2. 연령대별 집의 가격 분석

q <- age_price %>% 
  ggplot(aes(x = MZ, y = houseprice, fill = housingtype)) +
  geom_boxplot() +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  ylim(0,75000) +
  labs(x = "연령대", y = "집값", fill = "점유형태") +
  scale_fill_discrete(limit = c("자가", "전세", "보증부 월세")) +
  ggtitle("MZ연령대별 주택비용 (전체) (단위: 만 원)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black")) +
  facet_wrap(~housingtype, ncol = 3)

ggplotly(q)

## Warning: Removed 40 rows containing non-finite values (`stat_boxplot()`).

Q <- age_price %>% 
  filter(housingtype == "자가") %>%
  ggplot(aes(x = MZ, y = houseprice)) +
  geom_boxplot() +
  ylim(0, 200000) +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  labs(x = "연령대", y = "주택가격") +
  ggtitle("MZ연령대별 집값 (자가) (단위: 만 원)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

ggplotly(Q)

## Warning: Removed 1 rows containing non-finite values (`stat_boxplot()`).

R <- age_price %>% 
  filter(housingtype == "전세") %>%
  ggplot(aes(x = MZ, y = houseprice)) +
  geom_boxplot() +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  ylim(0,63000) +
  labs(x = "연령대", y = "전세금") +
  ggtitle("MZ연령대별 집값 (전세) (단위: 만 원)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

ggplotly(R)

Z <- age_price %>% 
  filter(housingtype == "보증부 월세") %>%
  ggplot(aes(x = MZ, y = houseprice)) +
  geom_boxplot() +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  ylim(0,35500) +
  labs(x = "연령대", y = "보증금") +
  ggtitle("MZ연령대별 집값 (보증부 월세) (단위: 만 원)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

ggplotly(Z)

2-3. 연령대별 평당주택마련비용 분석

pp <- price_per_area %>% 
  ggplot(aes(x = MZ, y = price_per, color = housingtype)) +
  geom_jitter() +
  ylim(0, 1500) +
  scale_x_discrete(limit = c("E20s", "L20s", "E30s", "L30s", "E40s")) +
  labs(x = "연령대", y = "평당가격", color = "점유형태") +
  ggtitle("MZ연령대별 평당주택마련비용 (단위: 만 원)")  +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black")) +
  facet_wrap(~housingtype, ncol = 3)

ggplotly(pp)

3.

3-1. 순위별 그래프

ggplot(data = per_prepare1, aes(x = '', y = pct, fill = prepare1))+
  geom_bar(stat='identity')+
  theme_void()+
  coord_polar('y', start=0 )+
  geom_text(aes(label=paste0(round(pct,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=2.5) +
  labs(fill = "1순위") +
  ggtitle("주택구입비용/보증금 마련경로 (1순위)") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

ggplot(data = per_prepare2, aes(x = '', y = pct, fill = prepare2))+
  geom_bar(stat='identity')+
  theme_void()+
  coord_polar('y', start=0 )+
  geom_text(aes(label=paste0(round(pct,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=4) +
  labs(fill = "2순위") +
  ggtitle("주택구입비용/보증금 마련경로 (2순위)") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black"))

3-2. 연령대별 그래프

ggplot(data = per_MZprepare, aes(x = '', y = pct, fill = prepare1)) +
  geom_bar(stat='identity')+
  theme_void() +
  coord_polar('y', start=0 )+
  geom_text(aes(label=paste0(round(pct,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=3) +
  ggtitle("주택구입비용/보증금 마련경로 (MZ연령별)") +
  labs(fill = "마련경로") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 15, color = "black")) +
  facet_wrap(~ageg, , nrow = 3)

Figure 1

Describe and show how you created the first figure. Why did you choose this figure type?

Figure 2

Figure 3

In showing the figures that you created, describe why you designed it the way you did. Why did you choose those colors, fonts, and other design elements?