순서형 범주
개요
순서형 범주(Ordinal Category)는 범주형 데이터의 한류로, 특정한 순서나 등급이 존재하는 범주를 의미합니다. 데이터 과학과 통계 분석에서 데이터는 일반적으로 정량형(수치형)과 정성형(범주형)으로 나뉘며, 정성형 데이터는 다시 명목형 범주(Nominal Category)와 순서형 범주(Ordinal Category)로 구분됩니다.
순서형 범주는 단순히 구분되는 것이 아니라, 범주 간에 서열(rank) 또는 크기 관계가 존재합니다. 예를 들어, 학점(A, B, C, D, F)이나 만족도 조사(매우 만족, 만족, 보통, 불만족, 매우 불만족)는 명확한 순서를 가지며, 이 순서는 분석 과정에서 중요한 정보로 활용될 수 있습니다.
이 문서에서는 순서형 범주의 정의, 특징, 데이터 과학에서의 활용, 인코딩 방법, 그리고 분석 시 주의점에 대해 다룹니다.
순서형 범주의 특징
1. 순서의 존재
순서형 범주의 핵심 특징은 범주 간에 의미 있는 순서가 있다는 점입니다. 예를 들어, 다음과 같은 예시들이 있습니다:
- 교육 수준: 고졸 < 대졸 < 석사졸 < 박사졸
- 서비스 만족도: 매우 불만족 < 불만족 < 보통 < 만족 < 매우 만족
- 온도 등급: 차가움 < 서늘함 < 따뜻함 < 덥음
이러한 순서는 단순한 레이블이 아니라, 서열(ranking)을 반영하므로 분석 시 이를 반영하는 것이 중요합니다.
2. 간격의 비일정성
순서형 범주는 수치형 데이터와 달리, 범주 간의 간격(interval)이 일정하지 않습니다. 예를 들어, 만족도 조사에서 "만족"과 "보통" 사이의 심리적 차이가 "보통"과 "불만족" 사이의 차이와 같다고 보장할 수 없습니다. 따라서 이를 수치로 변환할 때는 간격이 동일하다고 가정하지 않아야 합니다.
데이터 과학에서의 활용
순서형 범주는 다양한 분석에서 중요한 역할을 합니다.
- 순서형 변수는 분포를 시각화할 때 막대 그래프나 누적 빈도 그래프로 표현할 수 있습니다.
- 예: 고객 만족도 조사 결과를 순서대로 막대를 정렬하여 시각화하면, 경향성을 쉽게 파악할 수 있습니다.
2. 머신러닝 모델링
- 대부분의 머신러닝 알고리즘은 수치형 입력을 요구하므로, 순서형 범주도 인코딩(encoding)을 통해 수치로 변환해야 합니다.
- 단, 인코딩 방식에 따라 모델의 성능과 해석 가능성에 큰 영향을 미칩니다.
순서형 범주의 인코딩 방법
범주형 데이터를 머신러닝 모델에 입력하기 위해 수치화하는 과정을 인코딩이라 합니다. 순서형 범주의 경우, 순서 정보를 유지하는 인코딩 방법을 사용하는 것이 중요합니다.
1. 순서 기반 인코딩 (Ordinal Encoding)
가장 일반적인 방법으로, 범주에 수치 라벨을 순서에 따라 할당합니다.
| 범주 |
인코딩 값 |
| 매우 불만족 |
1 |
| 불만족 |
2 |
| 보통 |
3 |
| 만족 |
4 |
| 매우 만족 |
5 |
from sklearn.preprocessing import OrdinalEncoder
# 예시: 순서형 인코딩 적용
categories = [['매우 불만족'], ['불만족'], ['보통'], ['만족'], ['매우 만족']]
encoder = OrdinalEncoder(categories=[['매우 불만족', '불만족', '보통', '만족', '매우 만족']])
encoded = encoder.fit_transform(categories)
⚠️ 주의: 인코딩 값은 단지 순서를 반영할 뿐, 수치적인 차이를 의미하지 않습니다.
2. 더미 변수 인코딩 (Dummy Encoding)의 한계
명목형 변수에 적합한 원-핫 인코딩(One-Hot Encoding)은 순서 정보를 무시하므로, 순서형 범주에는 적합하지 않습니다.
예를 들어, 만족도를 원-핫 인코딩하면 각 범주가 독립된 칼럼이 되어, "매우 만족"이 "매우 불만족"보다 높은 등급이라는 정보를 잃게 됩니다.
3. 이진 인코딩 (Binary Encoding) 또는 임베딩
고급 모델에서는 순서 정보를 보존하면서 차원을 줄이기 위해 이진 인코딩이나 임베딩 계층(Embedding Layer)을 사용하기도 합니다. 특히 딥러닝 모델에서 임베딩은 범주 간의 관계를 학습할 수 있어 유리합니다.
분석 시 주의점
- 순서의 정확한 정의: 인코딩 전에 범주의 순서가 명확히 정의되어야 합니다. 잘못된 순서는 모델의 왜곡된 학습을 유발합니다.
- 간격 가정 금지: 인코딩 값이 1, 2, 3, 4, 5라고 해서, 그 차이가 동일하다고 가정하면 안 됩니다.
- 모델 선택: 순서형 변수를 잘 처리하는 모델(예: 순서형 로지스틱 회귀, 결정 트리 계열)을 선택하는 것이 중요합니다.
관련 문서 및 참고 자료
결론
순서형 범주는 단순한 분류를 넘어 서열 정보를 포함하는 중요한 데이터 유형입니다. 데이터 과학에서 이를 정확히 인식하고, 적절한 인코딩과 분석 방법을 적용함으로써 더 정확하고 의미 있는 인사이트를 도출할 수 있습니다. 특히, 순서 정보를 무시하지 않고 모델에 반영하는 것이 성공적인 분석의 핵심입니다.
순서형 범주의 측정 척도
순서형 범주는 통계학의 측정 척도 중 서열 척도(Ordinal Scale)에 해당합니다. 서열 척도는 대상의 특성을 순서대로 나열할 수 있지만, 각 범주 간의 수치적 차이가 일정하지 않은 척도를 의미합니다.
척도별 비교
데이터의 성격에 따라 다음과 같이 구분되며, 순서형 범주는 명목 척도보다는 많은 정보를 담고 있지만 등간/비율 척도보다는 정보량이 적습니다.
| 척도 구분 |
순서/서열 존재 여부 |
간격의 동일성 |
절대 0점 존재 |
예시 |
| 명목 척도 (Nominal) |
X |
X |
X |
성별, 혈액형, MBTI |
| 서열 척도 (Ordinal) |
O |
X |
X |
학점, 직급, 만족도 |
| 등간 척도 (Interval) |
O |
O |
X |
섭씨 온도, 지능지수(IQ) |
| 비율 척도 (Ratio) |
O |
O |
O |
키, 몸무게, 매출액 |
리커트 척도 (Likert Scale)
서열 척도의 가장 대표적인 예시는 사회과학 조사에서 널리 쓰이는 리커트 척도입니다. 이는 특정 진술문에 대해 응답자가 동의하는 정도를 측정하며, 일반적으로 5점 또는 7점 척도로 구성됩니다.
- 예시 (5점 척도):
- 매우 반대함 (Strongly Disagree)
- 반대함 (Disagree)
- 보통 (Neutral)
- 찬성함 (Agree)
- 매우 찬성함 (Strongly Agree)
순서형 범주를 위한 통계 분석 기법
순서형 범주는 수치형 데이터가 아니므로 일반적인 선형 회귀 분석이나 T-검정을 그대로 적용하면 왜곡된 결과가 나올 수 있습니다. 따라서 데이터의 서열 특성을 반영하는 전용 분석 기법이 필요합니다.
1. 순서형 로지스틱 회귀 (Ordinal Logistic Regression)
종속 변수가 순서형 범주일 때 사용하는 회귀 모델입니다. 일반 로지스틱 회귀가 'A냐 B냐'의 이분법적 분류를 수행한다면, 순서형 로지스틱 회귀는 누적 확률(Cumulative Probability)을 모델링하여 "특정 등급 이상일 확률"을 예측합니다.
* 활용 사례: 고객의 서비스 만족도(낮음 $\rightarrow$ 보통 $\rightarrow$ 높음)에 영향을 주는 요인 분석.
2. 비모수 검정 (Non-parametric Tests)
데이터가 정규분포를 따르지 않거나 서열 척도일 때 사용하는 검정 방법입니다. 평균 대신 중앙값(Median)이나 순위(Rank)를 기반으로 분석합니다.
* Kruskal-Wallis 검정: 세 집단 이상의 순서형 데이터 간에 통계적으로 유의미한 차이가 있는지 확인하는 방법 (ANOVA의 비모수적 대안).
* Mann-Whitney U 검정: 두 집단의 순서형 데이터 분포 차이를 비교하는 방법 (T-test의 비모수적 대안).
순서형 데이터의 심화 인코딩: 레이블 인코딩
순서형 범주를 수치화하는 가장 직관적인 방법은 레이블 인코딩(Label Encoding)입니다. 이는 각 범주에 고유한 정수를 할당하는 방식이며, 순서형 데이터에서는 이 정수가 서열의 크기를 반영하도록 설정합니다.
구현 방법 및 특징
단순히 알파벳 순서로 숫자를 부여하는 것이 아니라, 도메인 지식을 바탕으로 서열 순서에 맞게 매핑하는 것이 핵심입니다.
- 매핑 예시:
{'초졸': 1, '중졸': 2, '고졸': 3, '대졸': 4}
- 장점: 데이터의 차원을 늘리지 않으면서 서열 정보를 보존할 수 있습니다.
- 단점: 모델이 숫자 간의 간격을 동일하게 인식할 위험이 있습니다 (예: 1과 2의 차이 $\approx$ 3과 4의 차이).
분석 모델 선택 및 이론적 근거
순서형 범주를 처리할 때 모델의 알고리즘 특성에 따라 데이터 해석 방식이 달라집니다.
1. 트리 기반 모델의 강점
Random Forest, XGBoost, LightGBM과 같은 결정 트리 기반 모델은 순서형 데이터를 처리하는 데 매우 효율적입니다.
* 이유: 트리 모델은 데이터를 분할할 때 Feature $\le$ Value 형태의 임계값(Threshold) 기반 분할을 수행합니다. 따라서 인코딩된 수치가 서열을 반영하고 있다면, 모델은 자연스럽게 "특정 등급 이상인가 이하인가"를 기준으로 최적의 분할 지점을 찾아내어 서열 정보를 학습할 수 있습니다.
2. 수치형 데이터와의 결정적 차이 (분석 시 주의점)
순서형 범주를 분석할 때 가장 주의해야 할 점은 '간격의 비일정성'입니다.
* 이론적 근거: 등간/비율 척도에서는 $10 - 5 = 5$라는 연산이 물리적 의미를 갖지만, 서열 척도에서는 만족(4) - 보통(3) = 1이라는 계산이 "만족이 보통보다 정확히 1단위 더 높다"는 것을 의미하지 않습니다.
* 주의사항: 따라서 순서형 범주를 입력값으로 사용할 때, 산술 평균을 구하거나 선형 회귀 모델에 그대로 투입하는 것은 통계적 오류를 범할 가능성이 높으며, 반드시 서열 특성을 고려한 모델이나 비모수적 접근법을 택해야 합니다.
# 순서형 범주
## 개요
**순서형 범주**(Ordinal Category)는 범주형 데이터의 한류로, 특정한 순서나 등급이 존재하는 범주를 의미합니다. 데이터 과학과 통계 분석에서 데이터는 일반적으로 **정량형**(수치형)과 **정성형**(범주형)으로 나뉘며, 정성형 데이터는 다시 **명목형 범주**(Nominal Category)와 **순서형 범주**(Ordinal Category)로 구분됩니다.
순서형 범주는 단순히 구분되는 것이 아니라, 범주 간에 **서열**(rank) 또는 **크기 관계**가 존재합니다. 예를 들어, 학점(A, B, C, D, F)이나 만족도 조사(매우 만족, 만족, 보통, 불만족, 매우 불만족)는 명확한 순서를 가지며, 이 순서는 분석 과정에서 중요한 정보로 활용될 수 있습니다.
이 문서에서는 순서형 범주의 정의, 특징, 데이터 과학에서의 활용, 인코딩 방법, 그리고 분석 시 주의점에 대해 다룹니다.
---
## 순서형 범주의 특징
### 1. 순서의 존재
순서형 범주의 핵심 특징은 범주 간에 **의미 있는 순서**가 있다는 점입니다. 예를 들어, 다음과 같은 예시들이 있습니다:
- 교육 수준: 고졸 < 대졸 < 석사졸 < 박사졸
- 서비스 만족도: 매우 불만족 < 불만족 < 보통 < 만족 < 매우 만족
- 온도 등급: 차가움 < 서늘함 < 따뜻함 < 덥음
이러한 순서는 단순한 레이블이 아니라, **서열**(ranking)을 반영하므로 분석 시 이를 반영하는 것이 중요합니다.
### 2. 간격의 비일정성
순서형 범주는 수치형 데이터와 달리, 범주 간의 **간격**(interval)이 일정하지 않습니다. 예를 들어, 만족도 조사에서 "만족"과 "보통" 사이의 심리적 차이가 "보통"과 "불만족" 사이의 차이와 같다고 보장할 수 없습니다. 따라서 이를 수치로 변환할 때는 간격이 동일하다고 가정하지 않아야 합니다.
---
## 데이터 과학에서의 활용
순서형 범주는 다양한 분석에서 중요한 역할을 합니다.
### 1. 탐색적 데이터 분석(EDA)
- 순서형 변수는 분포를 시각화할 때 **막대 그래프**나 **누적 빈도 그래프**로 표현할 수 있습니다.
- 예: 고객 만족도 조사 결과를 순서대로 막대를 정렬하여 시각화하면, 경향성을 쉽게 파악할 수 있습니다.
### 2. 머신러닝 모델링
- 대부분의 머신러닝 알고리즘은 수치형 입력을 요구하므로, 순서형 범주도 **인코딩**(encoding)을 통해 수치로 변환해야 합니다.
- 단, 인코딩 방식에 따라 모델의 성능과 해석 가능성에 큰 영향을 미칩니다.
---
## 순서형 범주의 인코딩 방법
범주형 데이터를 머신러닝 모델에 입력하기 위해 수치화하는 과정을 **인코딩**이라 합니다. 순서형 범주의 경우, 순서 정보를 유지하는 인코딩 방법을 사용하는 것이 중요합니다.
### 1. 순서 기반 인코딩 (Ordinal Encoding)
가장 일반적인 방법으로, 범주에 **수치 라벨**을 순서에 따라 할당합니다.
| 범주 | 인코딩 값 |
|------|----------|
| 매우 불만족 | 1 |
| 불만족 | 2 |
| 보통 | 3 |
| 만족 | 4 |
| 매우 만족 | 5 |
```python
from sklearn.preprocessing import OrdinalEncoder
# 예시: 순서형 인코딩 적용
categories = [['매우 불만족'], ['불만족'], ['보통'], ['만족'], ['매우 만족']]
encoder = OrdinalEncoder(categories=[['매우 불만족', '불만족', '보통', '만족', '매우 만족']])
encoded = encoder.fit_transform(categories)
```
> ⚠️ 주의: 인코딩 값은 단지 순서를 반영할 뿐, 수치적인 차이를 의미하지 않습니다.
### 2. 더미 변수 인코딩 (Dummy Encoding)의 한계
명목형 변수에 적합한 **원-핫 인코딩**(One-Hot Encoding)은 순서 정보를 무시하므로, 순서형 범주에는 적합하지 않습니다.
예를 들어, 만족도를 원-핫 인코딩하면 각 범주가 독립된 칼럼이 되어, "매우 만족"이 "매우 불만족"보다 높은 등급이라는 정보를 잃게 됩니다.
### 3. 이진 인코딩 (Binary Encoding) 또는 임베딩
고급 모델에서는 순서 정보를 보존하면서 차원을 줄이기 위해 **이진 인코딩**이나 **임베딩 계층**(Embedding Layer)을 사용하기도 합니다. 특히 딥러닝 모델에서 임베딩은 범주 간의 관계를 학습할 수 있어 유리합니다.
---
## 분석 시 주의점
- **순서의 정확한 정의**: 인코딩 전에 범주의 순서가 명확히 정의되어야 합니다. 잘못된 순서는 모델의 왜곡된 학습을 유발합니다.
- **간격 가정 금지**: 인코딩 값이 1, 2, 3, 4, 5라고 해서, 그 차이가 동일하다고 가정하면 안 됩니다.
- **모델 선택**: 순서형 변수를 잘 처리하는 모델(예: 순서형 로지스틱 회귀, 결정 트리 계열)을 선택하는 것이 중요합니다.
---
## 관련 문서 및 참고 자료
- [범주형 데이터](/wiki/범주형_데이터)
- [원-핫 인코딩](/wiki/원-핫_인코딩)
- [데이터 전처리](/wiki/데이터_전처리)
- Agresti, A. (2010). *Analysis of Ordinal Categorical Data*. Wiley.
---
## 결론
순서형 범주는 단순한 분류를 넘어 **서열 정보**를 포함하는 중요한 데이터 유형입니다. 데이터 과학에서 이를 정확히 인식하고, 적절한 인코딩과 분석 방법을 적용함으로써 더 정확하고 의미 있는 인사이트를 도출할 수 있습니다. 특히, 순서 정보를 무시하지 않고 모델에 반영하는 것이 성공적인 분석의 핵심입니다.
## 순서형 범주의 측정 척도
순서형 범주는 통계학의 측정 척도 중 **서열 척도(Ordinal Scale)**에 해당합니다. 서열 척도는 대상의 특성을 순서대로 나열할 수 있지만, 각 범주 간의 수치적 차이가 일정하지 않은 척도를 의미합니다.
### 척도별 비교
데이터의 성격에 따라 다음과 같이 구분되며, 순서형 범주는 명목 척도보다는 많은 정보를 담고 있지만 등간/비율 척도보다는 정보량이 적습니다.
| 척도 구분 | 순서/서열 존재 여부 | 간격의 동일성 | 절대 0점 존재 | 예시 |
| :--- | :---: | :---: | :---: | :--- |
| **명목 척도** (Nominal) | X | X | X | 성별, 혈액형, MBTI |
| **서열 척도** (Ordinal) | **O** | **X** | **X** | **학점, 직급, 만족도** |
| **등간 척도** (Interval) | O | O | X | 섭씨 온도, 지능지수(IQ) |
| **비율 척도** (Ratio) | O | O | O | 키, 몸무게, 매출액 |
### 리커트 척도 (Likert Scale)
서열 척도의 가장 대표적인 예시는 사회과학 조사에서 널리 쓰이는 **리커트 척도**입니다. 이는 특정 진술문에 대해 응답자가 동의하는 정도를 측정하며, 일반적으로 5점 또는 7점 척도로 구성됩니다.
* **예시 (5점 척도):**
1. 매우 반대함 (Strongly Disagree)
2. 반대함 (Disagree)
3. 보통 (Neutral)
4. 찬성함 (Agree)
5. 매우 찬성함 (Strongly Agree)
## 순서형 범주를 위한 통계 분석 기법
순서형 범주는 수치형 데이터가 아니므로 일반적인 선형 회귀 분석이나 T-검정을 그대로 적용하면 왜곡된 결과가 나올 수 있습니다. 따라서 데이터의 서열 특성을 반영하는 전용 분석 기법이 필요합니다.
### 1. 순서형 로지스틱 회귀 (Ordinal Logistic Regression)
종속 변수가 순서형 범주일 때 사용하는 회귀 모델입니다. 일반 로지스틱 회귀가 'A냐 B냐'의 이분법적 분류를 수행한다면, 순서형 로지스틱 회귀는 **누적 확률(Cumulative Probability)**을 모델링하여 "특정 등급 이상일 확률"을 예측합니다.
* **활용 사례:** 고객의 서비스 만족도(낮음 $\rightarrow$ 보통 $\rightarrow$ 높음)에 영향을 주는 요인 분석.
### 2. 비모수 검정 (Non-parametric Tests)
데이터가 정규분포를 따르지 않거나 서열 척도일 때 사용하는 검정 방법입니다. 평균 대신 **중앙값(Median)**이나 **순위(Rank)**를 기반으로 분석합니다.
* **Kruskal-Wallis 검정:** 세 집단 이상의 순서형 데이터 간에 통계적으로 유의미한 차이가 있는지 확인하는 방법 (ANOVA의 비모수적 대안).
* **Mann-Whitney U 검정:** 두 집단의 순서형 데이터 분포 차이를 비교하는 방법 (T-test의 비모수적 대안).
## 순서형 데이터의 심화 인코딩: 레이블 인코딩
순서형 범주를 수치화하는 가장 직관적인 방법은 **레이블 인코딩(Label Encoding)**입니다. 이는 각 범주에 고유한 정수를 할당하는 방식이며, 순서형 데이터에서는 이 정수가 서열의 크기를 반영하도록 설정합니다.
### 구현 방법 및 특징
단순히 알파벳 순서로 숫자를 부여하는 것이 아니라, 도메인 지식을 바탕으로 **서열 순서에 맞게 매핑**하는 것이 핵심입니다.
* **매핑 예시:** `{'초졸': 1, '중졸': 2, '고졸': 3, '대졸': 4}`
* **장점:** 데이터의 차원을 늘리지 않으면서 서열 정보를 보존할 수 있습니다.
* **단점:** 모델이 숫자 간의 간격을 동일하게 인식할 위험이 있습니다 (예: 1과 2의 차이 $\approx$ 3과 4의 차이).
## 분석 모델 선택 및 이론적 근거
순서형 범주를 처리할 때 모델의 알고리즘 특성에 따라 데이터 해석 방식이 달라집니다.
### 1. 트리 기반 모델의 강점
**Random Forest, XGBoost, LightGBM**과 같은 결정 트리 기반 모델은 순서형 데이터를 처리하는 데 매우 효율적입니다.
* **이유:** 트리 모델은 데이터를 분할할 때 `Feature $\le$ Value` 형태의 **임계값(Threshold)** 기반 분할을 수행합니다. 따라서 인코딩된 수치가 서열을 반영하고 있다면, 모델은 자연스럽게 "특정 등급 이상인가 이하인가"를 기준으로 최적의 분할 지점을 찾아내어 서열 정보를 학습할 수 있습니다.
### 2. 수치형 데이터와의 결정적 차이 (분석 시 주의점)
순서형 범주를 분석할 때 가장 주의해야 할 점은 **'간격의 비일정성'**입니다.
* **이론적 근거:** 등간/비율 척도에서는 $10 - 5 = 5$라는 연산이 물리적 의미를 갖지만, 서열 척도에서는 `만족(4) - 보통(3) = 1`이라는 계산이 "만족이 보통보다 정확히 1단위 더 높다"는 것을 의미하지 않습니다.
* **주의사항:** 따라서 순서형 범주를 입력값으로 사용할 때, 산술 평균을 구하거나 선형 회귀 모델에 그대로 투입하는 것은 통계적 오류를 범할 가능성이 높으며, 반드시 서열 특성을 고려한 모델이나 비모수적 접근법을 택해야 합니다.