Untitled

9-4 파생변수 만들기 - 연령대

welfare <- welfare %>%
 mutate(ageg = ifelse(age < 30, "young",
 ifelse(age <= 59, "middle", "old")))
table(welfare$ageg)

## 
## middle    old  young 
##   6049   6281   4334

qplot(welfare$ageg)

## 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.

연령대에 따른 월급 차이 분석

ageg_income <- welfare %>%
 filter(!is.na(income)) %>%
 group_by(ageg) %>%
 summarise(mean_income = mean(income))
ageg_income

## # A tibble: 3 × 2
##   ageg   mean_income
##   <chr>        <dbl>
## 1 middle        282.
## 2 old           125.
## 3 young         164.

ggplot(data = ageg_income, aes(x = ageg, y = mean_income)) +
 geom_col() +
 scale_x_discrete(limits = c("young", "middle", "old"))

중년>초년>노년 순서

9-5 연령대 및 성별 월급 차이 분석

sex_income <- welfare %>%
 filter(!is.na(income)) %>%
 group_by(ageg, sex) %>%
 summarise(mean_income = mean(income))

## `summarise()` has grouped output by 'ageg'. You can override using the
## `.groups` argument.

sex_income

## # A tibble: 6 × 3
## # Groups:   ageg [3]
##   ageg   sex    mean_income
##   <chr>  <chr>        <dbl>
## 1 middle female       188. 
## 2 middle male         353. 
## 3 old    female        81.5
## 4 old    male         174. 
## 5 young  female       160. 
## 6 young  male         171.

ggplot(data = sex_income, aes(x = ageg, y = mean_income, fill = sex)) +
 geom_col(position = "dodge") +
 scale_x_discrete(limits = c("young", "middle", "old"))

## 성별 월급 평균

sex_age <- welfare %>%
 filter(!is.na(income)) %>%
 group_by(age, sex) %>%
 summarise(mean_income = mean(income))

## `summarise()` has grouped output by 'age'. You can override using the `.groups`
## argument.

ggplot(data = sex_age, aes(x = age, y = mean_income, col = sex)) + geom_line()

## 9-6 직업별 월급

list_job <- read_excel("Koweps_Codebook.xlsx", col_names = T, sheet = 2)
head(list_job)

## # A tibble: 6 × 2
##   code_job job                                
##      <dbl> <chr>                              
## 1      111 의회의원 고위공무원 및 공공단체임원
## 2      112 기업고위임원                       
## 3      120 행정 및 경영지원 관리자            
## 4      131 연구 교육 및 법률 관련 관리자      
## 5      132 보험 및 금융 관리자                
## 6      133 보건 및 사회복지 관련 관리자

welfare <- left_join(welfare, list_job, by = "code_job")
welfare %>% filter(!is.na(code_job)) %>% 
  select(code_job, job) %>% 
  head(10)

##    code_job                                job
## 1       942                   경비원 및 검표원
## 2       762                             전기공
## 3       530 방문 노점 및 통신 판매 관련 종사자
## 4       999        기타 서비스관련 단순 종사원
## 5       312                    경영관련 사무원
## 6       254             문리 기술 및 예능 강사
## 7       510                        영업 종사자
## 8       530 방문 노점 및 통신 판매 관련 종사자
## 9       286   스포츠 및 레크레이션 관련 전문가
## 10      521                   매장 판매 종사자

직업별 월급 차이 분석

job_income <- welfare %>%
 filter(!is.na(job) & !is.na(income)) %>%
 group_by(job) %>%
 summarise(mean_income = mean(income))
head(job_income)

## # A tibble: 6 × 2
##   job                           mean_income
##   <chr>                               <dbl>
## 1 가사 및 육아 도우미                  80.2
## 2 간호사                              241. 
## 3 건설 및 광업 단순 종사원            190. 
## 4 건설 및 채굴 기계운전원             358. 
## 5 건설 전기 및 생산 관련 관리자       536. 
## 6 건설관련 기능 종사자                247.

월급 내림차순, 상위 10개 추출

top10 <- job_income %>% arrange(desc(mean_income)) %>% head(10)
top10

## # A tibble: 10 × 2
##    job                                  mean_income
##    <chr>                                      <dbl>
##  1 금속 재료 공학 기술자 및 시험원             845.
##  2 의료진료 전문가                             844.
##  3 의회의원 고위공무원 및 공공단체임원         750 
##  4 보험 및 금융 관리자                         726.
##  5 제관원 및 판금원                            572.
##  6 행정 및 경영지원 관리자                     564.
##  7 문화 예술 디자인 및 영상 관련 관리자        557.
##  8 연구 교육 및 법률 관련 관리자               550.
##  9 건설 전기 및 생산 관련 관리자               536.
## 10 석유 및 화학물 가공장치 조작원              532.

ggplot(data = top10, aes(x = reorder(job, mean_income), y = mean_income)) + geom_col() + coord_flip()

하위 10 y= 0~850

bottom10 <- job_income %>% arrange(mean_income) %>% head(10)
bottom10

## # A tibble: 10 × 2
##    job                          mean_income
##    <chr>                              <dbl>
##  1 가사 및 육아 도우미                 80.2
##  2 임업관련 종사자                     83.3
##  3 기타 서비스관련 단순 종사원         88.2
##  4 청소원 및 환경 미화원               88.8
##  5 약사 및 한약사                      89  
##  6 작물재배 종사자                     92  
##  7 농립어업관련 단순 종사원           102. 
##  8 의료 복지 관련 서비스 종사자       104. 
##  9 음식관련 단순 종사원               108. 
## 10 판매관련 단순 종사원               117.

ggplot(data = bottom10, aes(x = reorder(job, -mean_income), y = mean_income)) + geom_col() + coord_flip() + ylim(0, 850)

## 9-7 성별 직업 빈도 분석 성별 직업 빈도표

job_male <- welfare %>% 
  filter(!is.na(job) & sex == "male") %>% group_by(job) %>% 
  summarise(n = n()) %>% arrange(desc(n)) %>% head(10)
job_male

## # A tibble: 10 × 2
##    job                          n
##    <chr>                    <int>
##  1 작물재배 종사자            640
##  2 자동차 운전원              251
##  3 경영관련 사무원            213
##  4 영업 종사자                141
##  5 매장 판매 종사자           132
##  6 제조관련 단순 종사원       104
##  7 청소원 및 환경 미화원       97
##  8 건설 및 광업 단순 종사원    95
##  9 경비원 및 검표원            95
## 10 행정 사무원                 92

job_female <- welfare %>%
 filter(!is.na(job) & sex == "female") %>%
 group_by(job) %>%
 summarise(n = n()) %>%
 arrange(desc(n)) %>%
 head(10)

job_female

## # A tibble: 10 × 2
##    job                              n
##    <chr>                        <int>
##  1 작물재배 종사자                680
##  2 청소원 및 환경 미화원          228
##  3 매장 판매 종사자               221
##  4 제조관련 단순 종사원           185
##  5 회계 및 경리 사무원            176
##  6 음식서비스 종사자              149
##  7 주방장 및 조리사               126
##  8 가사 및 육아 도우미            125
##  9 의료 복지 관련 서비스 종사자   121
## 10 음식관련 단순 종사원           104

남성 빈도 상위 10 그래프

ggplot(data = job_male, aes(x = reorder(job, n), y = n)) +
 geom_col() +
 coord_flip()

여성 빈도 상위 10 그래프

ggplot(data = job_female, aes(x = reorder(job, n), y = n)) +
 geom_col() +
 coord_flip()

9-8 종교 유무에 따른 이혼율

검토 생략

welfare$religion <- ifelse(welfare$religion == 1, "yes", "no")

table(welfare$religion)

## 
##   no  yes 
## 8617 8047

qplot(welfare$religion)

## 혼인 상태 변수 검토

table(welfare$marriage)

## 
##    0    1    2    3    4    5    6 
## 2861 8431 2117  712   84 2433   26

welfare$group_marriage <- ifelse(welfare$marriage == 1, "marriage",
 ifelse(welfare$marriage == 3, "divorce", NA))

이혼 여부 변수 생성

welfare$group_marriage <- ifelse(welfare$marriage == 1, "marriage", ifelse(welfare$marriage == 3, "divorce", NA))
table(welfare$group_marriage)

## 
##  divorce marriage 
##      712     8431

table(is.na(welfare$group_marriage))

## 
## FALSE  TRUE 
##  9143  7521

qplot(welfare$group_marriage)

종교 유무에 따른 이혼율 분석

religion_marriage <- welfare %>%
 filter(!is.na(group_marriage)) %>%
 group_by(religion, group_marriage) %>%
 summarise(n = n()) %>%
 mutate(tot_group = sum(n)) %>%
 mutate(pct = round(n/tot_group*100, 1))

## `summarise()` has grouped output by 'religion'. You can override using the
## `.groups` argument.

religion_marriage

## # A tibble: 4 × 5
## # Groups:   religion [2]
##   religion group_marriage     n tot_group   pct
##   <chr>    <chr>          <int>     <int> <dbl>
## 1 no       divorce          384      4602   8.3
## 2 no       marriage        4218      4602  91.7
## 3 yes      divorce          328      4541   7.2
## 4 yes      marriage        4213      4541  92.8

이혼 추출

divorce <- religion_marriage %>%
 filter(group_marriage == "divorce") %>%
 select(religion, pct)

divorce

## # A tibble: 2 × 2
## # Groups:   religion [2]
##   religion   pct
##   <chr>    <dbl>
## 1 no         8.3
## 2 yes        7.2

ggplot(data = divorce, aes(x = religion, y = pct)) + geom_col()

연령대별 이혼율

ageg_marriage <- welfare %>%
 filter(!is.na(group_marriage)) %>%
 group_by(ageg, group_marriage) %>%
 summarise(n = n()) %>%
 mutate(tot_group = sum(n)) %>%
 mutate(pct = round(n/tot_group*100, 1))

## `summarise()` has grouped output by 'ageg'. You can override using the
## `.groups` argument.

ageg_marriage

## # A tibble: 6 × 5
## # Groups:   ageg [3]
##   ageg   group_marriage     n tot_group   pct
##   <chr>  <chr>          <int>     <int> <dbl>
## 1 middle divorce          437      4918   8.9
## 2 middle marriage        4481      4918  91.1
## 3 old    divorce          273      4165   6.6
## 4 old    marriage        3892      4165  93.4
## 5 young  divorce            2        60   3.3
## 6 young  marriage          58        60  96.7

초년 제외, 이혼 추출

ageg_divorce <- ageg_marriage %>%
 filter(ageg != "young" & group_marriage == "divorce") %>%
 select(ageg, pct)

ageg_divorce

## # A tibble: 2 × 2
## # Groups:   ageg [2]
##   ageg     pct
##   <chr>  <dbl>
## 1 middle   8.9
## 2 old      6.6

ggplot(data = ageg_divorce, aes(x = ageg, y = pct)) + geom_col()

연령대 및 종교 유무에 따른 이혼율 표 만들기

ageg_religion_marriage <- welfare %>%
 filter(!is.na(group_marriage) & ageg != "young") %>%
 group_by(ageg, religion, group_marriage) %>%
 summarise(n = n()) %>%
 mutate(tot_group = sum(n)) %>%
 mutate(pct = round(n/tot_group*100, 1))

## `summarise()` has grouped output by 'ageg', 'religion'. You can override using
## the `.groups` argument.

ageg_religion_marriage

## # A tibble: 8 × 6
## # Groups:   ageg, religion [4]
##   ageg   religion group_marriage     n tot_group   pct
##   <chr>  <chr>    <chr>          <int>     <int> <dbl>
## 1 middle no       divorce          260      2681   9.7
## 2 middle no       marriage        2421      2681  90.3
## 3 middle yes      divorce          177      2237   7.9
## 4 middle yes      marriage        2060      2237  92.1
## 5 old    no       divorce          123      1884   6.5
## 6 old    no       marriage        1761      1884  93.5
## 7 old    yes      divorce          150      2281   6.6
## 8 old    yes      marriage        2131      2281  93.4

연령대 및 종교 유무별 이혼율 표 만들기

df_divorce <- ageg_religion_marriage %>%
 filter(group_marriage == "divorce") %>%
 select(ageg, religion, pct)

df_divorce

## # A tibble: 4 × 3
## # Groups:   ageg, religion [4]
##   ageg   religion   pct
##   <chr>  <chr>    <dbl>
## 1 middle no         9.7
## 2 middle yes        7.9
## 3 old    no         6.5
## 4 old    yes        6.6

ggplot(data = df_divorce, aes(x = ageg, y = pct, fill = religion )) +
 geom_col(position = "dodge")

9-9 지역별 연령대 비율

class(welfare$code_region)

## [1] "numeric"

table(welfare$code_region)

## 
##    1    2    3    4    5    6    7 
## 2486 3711 2785 2036 1467 1257 2922

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

지역명 변수 추가

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

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

##   code_region region
## 1           1   서울
## 2           1   서울
## 3           1   서울
## 4           1   서울
## 5           1   서울
## 6           1   서울

지역별 연령대 비율 분석

region_ageg <- welfare %>%
 group_by(region, ageg) %>%
 summarise(n = n()) %>%
 mutate(tot_group = sum(n)) %>%
 mutate(pct = round(n/tot_group*100, 2))

## `summarise()` has grouped output by 'region'. You can override using the
## `.groups` argument.

head(region_ageg)

## # A tibble: 6 × 5
## # Groups:   region [2]
##   region                ageg       n tot_group   pct
##   <chr>                 <chr>  <int>     <int> <dbl>
## 1 강원/충북             middle   417      1257  33.2
## 2 강원/충북             old      555      1257  44.2
## 3 강원/충북             young    285      1257  22.7
## 4 광주/전남/전북/제주도 middle   947      2922  32.4
## 5 광주/전남/전북/제주도 old     1233      2922  42.2
## 6 광주/전남/전북/제주도 young    742      2922  25.4

ggplot(data = region_ageg, aes(x = region, y = pct, fill = ageg)) +
 geom_col() +
 coord_flip()

노년층 비율 내림차순 정렬

list_order_old <- region_ageg %>% filter(ageg == "old") %>% arrange(pct)

list_order_old

## # A tibble: 7 × 5
## # Groups:   region [7]
##   region                ageg      n tot_group   pct
##   <chr>                 <chr> <int>     <int> <dbl>
## 1 수도권(인천/경기)     old    1109      3711  29.9
## 2 서울                  old     805      2486  32.4
## 3 대전/충남             old     527      1467  35.9
## 4 부산/경남/울산        old    1124      2785  40.4
## 5 광주/전남/전북/제주도 old    1233      2922  42.2
## 6 강원/충북             old     555      1257  44.2
## 7 대구/경북             old     928      2036  45.6

order <- list_order_old$region

order

## [1] "수도권(인천/경기)"     "서울"                  "대전/충남"            
## [4] "부산/경남/울산"        "광주/전남/전북/제주도" "강원/충북"            
## [7] "대구/경북"

ggplot(data = region_ageg, aes(x = region, y = pct, fill = ageg)) +
 geom_col() +
 coord_flip() +
 scale_x_discrete(limits = order)

연령대 순으로 막대 색깔 나열

class(region_ageg$ageg)

## [1] "character"

levels(region_ageg$ageg)

## NULL

region_ageg$ageg <- factor(region_ageg$ageg, level = c("old", "middle", "young"))

class(region_ageg$ageg)

## [1] "factor"

levels(region_ageg$ageg)

## [1] "old"    "middle" "young"

ggplot(data = region_ageg, aes(x = region, y = pct, fill = ageg)) +
 geom_col() +
 coord_flip() +
 scale_x_discrete(limits = order)