[EDA] 보스턴 부동산 가격 분석

📌 들어가며

이번 글에서는 보스턴 부동산 데이터셋으로 집값(MEDV)에 영향을 주는 요인을 찾는 EDA를 진행한다. 상관관계 히트맵으로 핵심 지표를 찾고, 상권/비상권·가격대별로 데이터를 나눠 숨은 패턴을 관찰한다.

EDA란? 다양한 각도에서 데이터를 관찰·이해하는 과정. 이해도가 높아지면서 숨은 의미와 잠재적 문제를 발견하고, 이를 바탕으로 가설을 보완·수정한다.

---

1. 데이터 확인 & MEDV 분포

df = pd.read_excel('BostonHousing.xls')
df.head()

sns.histplot(data=df, x="MEDV")   # 목표 변수 분포

20,000달러 부근에 몰려 있는데, 50,000달러 지점이 튀어 조사가 필요하다.

df.loc[df["MEDV"] >= 50]   # 50 이상은 전부 50.0

⚠️ 50 이상이 모두 50.0이었다. 상한값을 잘라(censoring) 기록한 데이터로, 이런 인위적 절단은 분석을 왜곡할 수 있으니 반드시 짚고 넘어가야 한다.

---

2. 상관관계 히트맵

df_corr = df.corr()
sns.heatmap(data=df_corr, annot=True, cmap="Blues_r")

MEDV와 유의미한 상관(	r	≥0.6)	의미
RM	방 개수(+)
LSTAT	하위계층 밀집율(−)

💡 CAT. MEDV는 MEDV가 30 이상이면 1인 2차 파생 지표라 MEDV와 상관이 높은 게 당연하다. 이런 파생 변수는 상관 분석에서 걸러 봐야 진짜 요인을 찾을 수 있다.

---

3. 상권 vs 비상권으로 나눠보기

부동산 가격은 지역 성질에 따라 영향 요인이 다를 것이라는 가설로, INDUS(상업 비율) 15를 기준으로 나눴다.

sns.histplot(data=df, x="INDUS")   # 15 기준으로 두 군집
df_low = df.loc[df['INDUS'] < 15]    # 비상권
df_high = df.loc[df['INDUS'] >= 15]  # 상권

지역	관찰
비상권	여전히 RM·LSTAT의 영향
상권	RM의 영향이 다르게 나타남

💡 데이터를 하위 그룹으로 쪼개면 전체에서 안 보이던 차이가 드러난다(심슨의 역설 회피). 다만 눈대중(15)보다는 분위수(quantile)로 나누는 게 더 객관적이다.

---

4. 가격대(CAT. MEDV)별 분석

df_cat_1 = df.loc[df["CAT. MEDV"] == 1]   # 3만 달러 이상
df_cat_0 = df.loc[df["CAT. MEDV"] == 0]   # 3만 달러 미만

가격대	결과
고가(≥3만)	집값에 크게 영향 주는 지표 없음
저가(<3만)	여러 지표가 영향

저가 구간에서 영향 큰 4개(CRIM·NOX·AGE·TAX)를 산점도로 살펴봤지만 뚜렷한 방향은 안 보였다.

💡 고가 주택은 가격 결정 요인이 복잡·개별적이라 단순 지표로 설명되지 않는 반면, 저가 주택은 범죄율·세금 등 여러 환경 요인에 민감하다. 가격대를 나눴기에 발견한 인사이트다.

---

📝 정리

보스턴 부동산 EDA
├─ 목표     MEDV(집값) 영향 요인 찾기
├─ 핵심지표 RM(+)·LSTAT(-) (상관 0.6↑)
├─ 세분화   상권/비상권, 가격대별로 나눠 관찰
└─ 발견     저가는 환경요인 민감, 고가는 요인 불명확

개념	한 줄 정의
상관 히트맵	변수 간 관계 시각화
그룹 분할	하위 집단별 패턴 발견
파생 지표	상관 분석에서 제외

보스턴 EDA의 핵심은 전체 상관관계에서 시작해, 데이터를 의미 있는 그룹으로 쪼개 숨은 패턴을 찾는 것이다. 상권/가격대 분할로 “저가 주택은 환경에 민감, 고가는 요인이 복잡”이라는 인사이트를 얻었다.