Introduction

FMB819: R을 이용한 데이터분석

고려대학교 경영대학 정지웅

Welcome to FMB 819!

수업의 목표
1. 통계 소프트웨어 R과 친숙해지고,
2. 데이터를 수집, 가공, 표현할 수 있으며
3. 기본적 통계 개념 이해하여
4. 데이터 분석의 결과를 해석할 수 있다.

데이터 분석의 목표

기술 요약(Description): 현상을 설명
예측(Prediction): 관측되지 않는 값을 예측
인과 관계(Causality): 한 변수가 다른 변수에 미치는 영향 분석

많은 경우 의사 결정을 위해서 기술/예측/인과 관계를 조합적으로 파악할 필요

`R`이란?

R은 강력한 통계 및 그래픽 기능을 갖춘 프로그래밍 언어.
1. 오픈소스(open source)
2. 데이터 정리, 시각화, 기계학습 등 거의 모든 분석 가능.
3. 활발한 온라인 커뮤니티, 대부분의 문제에 대한 해결책 존재.
R의 많은 기능들 중 우리가 주로 사용할 기능
- 데이터 수집: 웹에서 데이터 직접 불러오기
- 데이터 가공: 데이터 정리, 변환, 요약
- 데이터 시각화: 고급 그래프와 차트 생성
- 통계 분석: 회귀분석, 가설검정 등 다양한 통계 기법 적용

금융 데이터

데이터의 폭발적 증가: 틱(Tick) 데이터, 대체 데이터(Alternative Data), 비정형 뉴스 텍스트 등 엑셀로 처리하기 힘듬.
엑셀의 한계:
- 인적 오류: 복잡한 수식과 매크로는 추적이 어려움.
- 재현성(Reproducibility) 부족: 데이터 업데이트 시 매번 수작업으로 복사/붙여넣기를 반복.
강력한 통계 엔진과 프로그래밍이 결합된 R이 유용.

1. 재현성과 업무 자동화

R은 “데이터 수집 → 전처리 → 분석 → 시각화 → 보고서 작성”의 전 과정을 하나의 코드 파이프라인으로 통합.
자동화된 보고서 생성: R Markdown과 Quarto를 이용해 매주/매월 자동으로 업데이트되는 보고서 작성 가능.
알고리즘 트레이딩: R로 작성한 트레이딩 알고리즘을 API와 연동하여 실시간으로 거래 실행 가능.

library(tidyquant)
library(ggplot2)
# 1. 삼성전자(005930.KS) 최근 1년 주가 수집
samsung <- tq_get("005930.KS", from = Sys.Date() - 365)
# 2. ggplot을 이용한 시각화 (autoplot 대신 사용)
samsung %>%
  ggplot(aes(x = date, y = close)) +
  geom_line(color = "darkblue", linewidth = 1) +
  labs(title = "Samsung (recent 1 year)", 
       x = "Date", 
       y = "Close Price (KRW)") +
  theme_tq() # 금융 데이터에 어울리는 깔끔한 테마

2. 금융에 적합한 생태계

파이썬(Python)이 범용 프로그래밍 언어라면, R은 통계와 데이터 분석을 위해 만든 ‘데이터를 위한 언어’

퀀트 투자, 리스크 관리, 알고리즘 트레이딩 분야에서 광범위하게 사용.
금융 생태계: 수백 개의 전용 패키지 존재.
- 시계열 분석 (xts, zoo)
- 재무 데이터 처리 (tidyquant, quantmod)
- 포트폴리오 최적화 (PortfolioAnalytics) 등
- 기타 금융 관련 패키지들 https://cran.r-project.org/web/views/Finance.html
시스템 개발이나 거대한 AI 모델 구축이 목적이 아니라면, 주어진 금융 데이터를 빠르게 탐색하고, 통계적으로 엄밀하게 분석하며, 설득력 있는 보고서를 만드는 데는 R이 유용.

3. 시각화 및 커뮤니케이션

ggplot2 R의 시각화 생태계는 글로벌 언론사(NYT, BBC 등)와 헤지펀드에서 사용할 만큼 유연하고 미려함.
Quarto 분석한 결과를 클릭 한 번으로 PDF, HTML, PPT 보고서로 변환 (지금 보는 이 슬라이드처럼).
Shiny를 통해 직접 조작해볼 수 있는 ‘인터랙티브 웹 대시보드’ 구축.

Finance MBA가 R을 무기로 삼아야 하는 이유

단순 엑셀 모델러를 넘어, 대용량 데이터를 다루는 역량.
수작업 리포팅에 낭비되는 시간을 줄이고, 중요한 문제에 시간을 쏟을 수 있음.
최신 통계 및 기계학습 모델을 금융 데이터에 즉각적으로 적용 가능.

`R` 설치

`R` / `RStudio` 설치 시 주의사항 (한글 경로 이슈)

사용자 폴더 경로에 한글/특수문자(non-ASCII) 들어가면 R/RStudio 패키지 설치 과정에서 이유 모를 오류 뜨는 경우 있음

예: C:\Users\홍길동\... 처럼 프로필 경로에 한글 들어간 케이스

제일 안전한 예방책: 영문 사용자 계정으로 설치/사용

설치 전에 Windows 사용자 폴더 경로 확인
- C:\Users\사용자이름\...
사용자 이름(프로필 폴더명)에 한글 들어가 있으면
- 영문 이름 새 계정(가능하면 관리자 권한) 하나 만들고
- 그 계정으로 R/RStudio 설치·사용
주의할 점 있음: Windows에서 “표시 이름”만 바꿔도 실제 프로필 폴더명은 그대로인 경우 많음
→ 그래서 새 계정 생성이 더 확실함
프로젝트/과제 폴더를 영문 경로에 두는 게 안전
- 예: ~/projects/finance_mba/ (폴더명 영문/숫자/언더스코어)

Posit Cloud (온라인)

Posit Cloud는 RStudio의 온라인 버전으로, 브라우저에서 바로 R을 실행할 수 있음.

Posit Cloud에 접속 후 회원가입/로그인
New RStudio Project를 눌러 새 프로젝트 생성
좌측 Files/Console/Terminal을 이용해 로컬 RStudio처럼 실습 진행

`R` 설치 방법 (Windows / macOS)

Windows: 공식 웹사이트에서 다운로드하여 설치
1. CRAN 공식 웹사이트에 접속
2. “Download R for Windows” 클릭
3. “base” 패키지를 선택하고 최신 버전을 다운로드
4. .exe파일 실행 후 기본 설정으로 설치
macOS: 공식 웹사이트에서 다운로드하여 설치
1. CRAN 공식 웹사이트에 접속
2. “Download R for macOS” 클릭
3. 본인 칩셋(Apple Silicon / Intel)에 맞는 설치 파일 다운로드
4. .pkg 파일 실행 후 기본 설정으로 설치

`RStudio` 설치 방법 (Windows / macOS)

R 프로그래밍 언어를 위한 통합 개발 환경(IDE, Integrated Development Environment)

공식 웹사이트에서 다운로드하여 설치 (Windows/macOS 공통)
1. CRAN 공식 웹사이트 접속
2. “RStudio Desktop”의 선택하여 다운로드
3. 다운로드한 설치 파일 실행 후 기본 설정으로 설치
4. 설치 완료 후 RStudio 실행하여 정상 작동하는지 확인

설치 확인

설치가 정상적으로 완료되었는지 확인하기 위해 R과 RStudio 실행.

RStudio 실행
- Windows는 검색창, macOS는 Spotlight(Command + Space)에서 “RStudio” 검색 후 실행.
- 콘솔에서 version 입력하여 설치된 R 버전 확인.
R에서 간단한 코드 실행
- 다음 코드를 console에서 실행하여 정상 동작하는지 확인.
```
print("R과 RStudio 설치 완료!")
```
```
## [1] "R과 RStudio 설치 완료!"
```

R 및 RStudio 업데이트 방법

R 엔진(코어)과 RStudio(편집기)는 별개 프로그램이므로 각각 따로 업데이트해야 함.

1. R 엔진 업데이트

Windows: installr 패키지 활용 (오류 방지를 위해 RStudio가 아닌 기본 R GUI에서 실행하는 것을 권장)
```
install.packages("installr")
installr::updateR()
```
Mac: CRAN 홈페이지에 접속해서 최신 .pkg 버전을 다운로드하고 그대로 덮어씌워서 설치함.

R 및 RStudio 업데이트 방법

2. RStudio 업데이트

RStudio 상단 메뉴: Help -> Check for Updates 클릭함.
업데이트 팝업창이 뜨면 안내에 따라 최신 버전 다운로드 및 설치 진행함.

3. 패키지 일괄 업데이트 (중요 포인트)

R 버전을 올리고 나면 기존 설치한 패키지들도 버전에 맞게 새로고침 해줘야 함.
```
update.packages(ask = FALSE, checkBuilt = TRUE)
```

`RStudio` 화면 구조

`RStudio` 환경

RStudio를 실행하면 여러 창(윈도우)으로 구성되어 있음.

콘솔(Console): 명령어를 입력하고 실행하는 창. > 프롬프트에서 R 코드 입력 후 실행
스크립트 편집기 (Source Editor): .R 파일을 열거나 작성. 여러 줄의 코드를 작성/실행 가능
환경 창 (Environment): 현재 사용 중인 변수와 데이터 프레임을 확인. 데이터 구조를 파악
파일 및 플롯 창 (Files, Plots, Packages, Help)
- Files: 작업 디렉터리 내 파일 목록 확인
- Plots: 생성된 그래프 확인
- Packages: 설치된 패키지 목록 및 관리
- Help: R 함수 및 패키지 도움말 검색 가능

콘솔과 프롬프트

기본적인 실행 방법
- > 뒤에 명령어 입력 후 Enter를 누르면 실행.
```
2 + 2 
```
```
## [1] 4
```
R 콘솔 사용 팁
- 이전 명령어 불러오기: 위쪽 화살표(↑) 키를 사용하면 이전에 입력한 명령어를 불러옴
- 명령어 자동 완성: Tab 키를 사용하여 변수 및 함수 자동 완성 가능.
- 여러 줄 입력:
  - 긴 명령어 입력 시 자동으로 다음 줄로 넘어감 (+ 기호 표시됨).
  - Shift + Enter를 누르면 줄바꿈만 하고 실행되지 않음.
  x <- 10 + # Shift + Enter 20 + # Shift + Enter 30 # Shift + Enter print(x)
```
## [1] 60
```

`R` 스크립트 (Script)

새로운 R 스크립트 생성: File > New File > R Script 선택.
스크립트에서 코드 실행:
- Ctrl + Enter: 현재 줄 실행.
- Ctrl + Alt + R: 전체 스크립트 실행.
주석 작성: # 을 사용하여 코드 설명 추가 가능 (Ctrl + Shift + C)

# 변수 선언
a <- 5
b <- 10

# 변수 더하기
c <- a + b
print(c)  # 결과: 15

## [1] 15

몇 가지 유용한 설정

배경 및 글자 색상 변경

R 스튜디오는 기본적으로 흰색 바탕에 검은색 글씨. 어두운 화면으로 설정을 변경 가능
- RStudio 상단 메뉴: Tools -> Global Options -> Appearance 탭에서 테마 선택 가능 (예: “Tomorrow Night Bright” 등 어두운 테마)

스크림트 한글 깨짐 방지

스크립트 내용 중 한글이 깨지는 것을 방지하기 위해 인코딩 방식을 설정
- RStudio 상단 메뉴: Tools -> Global Options -> Code 탭에서 “Saving” 섹션의 “Default text encoding”을 “UTF-8”로 설정
- 한글 깨짐이 해결되지 않는 경우, [File → Reopen with Encoding] 메뉴에서 [UTF-8] 항목을 선택
- [Set as default encoding for source files] 항목을 선택한 후 [OK]. UTF-8로 인코딩이 설정된 후 파일을 다시 열림

몇 가지 유용한 설정

프로젝트 만들기

코딩 전에 Project 만들면 해당 과제/분석에 쓰는 코드·이미지·문서 파일을 한 폴더 체계로 관리 가능
- RStudio 상단 육각형(Project) 버튼 누르거나 File → New Project 클릭함
  - Create Project에서 New Directory 선택함
  - Project Type에서 New Project 클릭함
  - Directory name에 프로젝트 이름 입력함
  - Create project as subdirectory of에서 프로젝트 폴더 만들 위치 선택함 (Browse로 고르면 됨)
  - 아래 Create Project 클릭하면 RStudio가 재시작되면서 프로젝트 이름이 우측 상단에 표시되고, 파일 창도 프로젝트 폴더로 이동됨. 폴더 안에 *.Rproj 파일도 생성됨 (예: fmb819.Rproj). 이후 스크립트/데이터/이미지 전부 프로젝트 폴더에 저장하면서 작업하면 됨.
  - 프로젝트 이름/폴더 경로에 한글 들어가면 오류 날 수 있으니 영문 추천

Task 1

새로운 R 스크립트를 생성하시오 (File > New File > R Script) 파일을 lecture_intro.R로 저장하시오.
다음 코드를 스크립트에 입력하고 실행하시오. 코드를 실행하려면 Ctrl + Enter (코드를 강조 표시하거나 커서를 코드 줄 끝에 놓으면 실행).
```
4 * 8
```
첫 번째 줄만 실행하면 무슨 일이 일어나는지 확인하시오. (객체 생성)
```
x = 5 # 또는 x <- 5
x
```
x의 세제곱을 할당하는 x_3이라는 새로운 객체를 만드시오. 할당할 때 = 또는 <-를 사용.

도움말 찾는 방법

R built-in help:

?lm  # 함수 앞에 ?를 붙이면 해당 함수의 도움말(설명서)을 확인할 수 있음

help(lm)   # help() 함수도 동일한 역할을 하며, 특정 함수의 도움말을 출력함

args(lm)  # lm 함수의 인자(argument) 목록을 출력함

example(lm)  # lm 함수의 사용 예제(example)를 실행하여 출력함

??lm  # "lm"과 관련된 모든 도움말 문서를 검색하여 표시함

패키지 (Packages)

R 패키지는 특정 기능을 제공하는 코드와 데이터를 포함한 소프트웨어 패키지
패키지 설치는 간단. install.packages 함수를 사용:
```
install.packages("ggplot2")
```
패키지의 내용을 사용하려면, Library에서 불러와야 함. 이를 위해 library 함수를 사용:
```
library(ggplot2)
```
업데이트 하려면
```
update.packages(ggplot2)
```

데이터 유형 (Data Type)

R에서 데이터를 원활하게 다루기 위해 가장 먼저 알아야 할 것은 데이터의 유형(Type)임.
금융 데이터 분석에서는 주로 숫자, 문자열, 날짜 유형를 다룸.

숫자 유형

R에서 기본적으로 다루는 숫자 데이터는 실수(Double) 유형임.

dbl_var = c(1, 2.5, 4.5)
typeof(dbl_var)

## [1] "double"

int_var = as.integer(dbl_var) # dbl_var을 정수형으로 변환
typeof(int_var)

## [1] "integer"

int_var = c(1L, 6L, 5L) # 숫자 뒤에 L을 붙이면, 정수형으로 변환
typeof(int_var)

## [1] "integer"

수열 (range) 생성

1:10
10:1
seq(0:10)   # 0부터 10까지 1씩 증가하는 수열 생성
seq(from=0, to=10, by=2.5)  # 0부터 10까지 2.5씩 증가하는 수열 생성 
seq(from=0, to=10, length=5)    # 0부터 10까지 5개의 숫자를 균등하게 생성
rep(1:5, each=1)    # 1부터 5까지 각 숫자를 1번씩 반복하여 생성
rep(1,5)    # 숫자 1을 5번 반복하여 생성

문자열 유형

일반적인 글자 혹은 텍스트를 문자열(Character Strings)이라고 부름.
paste() 함수를 이용해 문자를 하나로 붙일 수 있음.

a = "Hello"
b = "World"
paste(a, b, collapse = " ")  # 공백으로 구분하여 문자열 결합

## [1] "Hello World"

paste(a, b, sep=',')  # 쉼표로 구분하여 문자열 결합

## [1] "Hello,World"

paste("The answer is", 42)  # 문자열과 숫자 결합

## [1] "The answer is 42"

날짜 유형

R에서 날짜는 Date 클래스의 객체로 표현됨. as.Date() 함수를 사용하여 문자열을 날짜로 변환할 수 있음.

date_str = "2024-01-01"
date_obj = as.Date(date_str)
date_obj

lubridate 패키지를 이용하면 날짜 유형 변경과 정보 추출을 직관적이고 쉽게 할 수 있음.

library(lubridate)
date_str = "2024-12-31"
date_obj = ymd(date_str)  # "year-month-day" 형식의 문자열을 날짜로 변환
date_obj
year(date_obj)  # 날짜에서 연도 추출
month(date_obj) # 날짜에서 월 추출
week(date_obj)  # 날짜에서 주 추출
day(date_obj)   # 날짜에서 일 추출
yday(date_obj)  # 날짜에서 연중 일수 추출
mday(date_obj)  # 날짜에서 월 중 일수 추출
wday(date_obj, label=TRUE)  # 날짜에서 요일 추출 (라벨로 표시)

날짜 유형

날짜 객체를 다루면 더하기, 빼기 등의 직관적인 연산을 손쉽게 처리할 수 있음.

date1 = as.Date("2024-01-01")
date2 = as.Date("2024-12-31")
date_diff = date2 - date1  # 날짜 간의 차이 계산
date_diff
date1 + 30  # date1에서 30일 더하기
date2 - 7   # date2에서 7일 빼기

숫자와 마찬가지로 seq() 함수를 이용해 일정한 패턴을 가진 날짜 벡터를 생성할 수 있음.

start_date = as.Date("2024-01-01")
end_date = as.Date("2024-12-31")
date_seq = seq(from = start_date, to = end_date, by = "1 month")  # 1개월 간격으로 날짜 생성
date_seq
date_seq = seq(from = start_date, to = end_date, by = "1 week")  # 1주 간격으로 날짜 생성
date_seq
date_seq = seq(from = start_date, to = end_date, by = "1 day")  # 1일 간격으로 날짜 생성
date_seq

데이터 구조 (Data Structures)

R에서 사용되는 데이터 구조는 벡터(Vector), 행렬(Matrix), 리스트(List), 배열(Array), 데이터프레임(Dataframe)임.

벡터는 동일한 유형의 데이터를 저장하는 1차원 구조
행렬은 동일한 유형의 데이터를 저장하는 2차원 구조
리스트는 서로 다른 유형의 데이터를 저장할 수 있는 1차원 구조
배열은 동일한 유형의 데이터를 저장하는 다차원 구조
데이터프레임은 서로 다른 유형의 데이터를 저장할 수 있는 2차원 구조로, 표 형식으로 데이터를 다루는 데 적합

벡터 (Vectors)

벡터는 R의 가장 기본적인 1차원 데이터 구조임. c() 함수나 콜론(:)을 이용해 생성할 수 있음.

vec_integer = 8:17
vec_double = c(0.5, 0.6, 0.2)
vec_char = c('a', 'b', 'c')

서로 다른 유형의 데이터가 하나의 벡터로 묶이면, 범용성이 넓은 유형로 강제 변환됨. (문자 > 숫자 > 논리값)

c('a', 'b', 'c', 1, 2, 3)  # 문자가 포함되면 모두 문자로 변환됨
c('a', 'b', 'c', TRUE, FALSE)   
c(1, 2, 3, TRUE, FALSE)  # 숫자와 논리값이 묶이면 TRUE=1, FALSE=0 숫자로 변환됨

생성된 벡터의 특정 위치나 조건에 맞는 데이터를 대괄호([])를 사용해 추출할 수 있음.

v1 = 8:17
v1[2]   # 특정 위치 데이터 추출
v1[c(2, 4, 6)]
v1[-1]  # 마이너스(-) 기호로 특정 위치 제외
v1[v1 < 12] # 조건을 이용한 추출

리스트 (Lists)

리스트는 원소 간의 데이터 타입이나 길이가 달라도 하나의 객체로 묶을 수 있는 구조. 리스트 안에 또 다른 리스트를 넣는 것도 가능함.

l = list(1:3, 'a', c(TRUE, FALSE, TRUE), c(2.5, 4.2))
str(l)
l[[1]]  # 첫 번째 원소 (숫자 벡터)

리스트에 새로운 항목을 추가할 때는 append() 함수나 달러($) 기호를 사용

l3 = list(1:3, 'a', c(TRUE, FALSE, TRUE))
l4 = append(l3, list(c(2.5, 4.2)))
l4$item5 = 'new list item'  # 달러($) 기호로 이름이 부여된 새로운 항목 추가

리스트 (Lists)

리스트 안의 값을 추출할 때는 대괄호와 이중 대괄호의 차이.
리스트는 ‘상자 안의 상자’ 구조. [는 작은 상자를 주는 것이고, [[는 상자를 열어서 내용물을 주는 것.

l4[1]   
str(l4[1])  # 대괄호 한 번은 "리스트" 유형로 반환

l4[[1]] 
str(l4[[1]]) # 이중 대괄호는 원소 자체의 유형로 반환

l4[[1]][3]  # 첫 번째 원소(숫자 벡터)에서 세 번째 항목 추출

l4$item5    # 달러($) 기호로 이름이 부여된 항목 추출

행렬 (Matrix)

행렬은 동일한 유형의 데이터를 저장하는 2차원 구조. matrix() 함수를 사용하여 생성할 수 있음.

m = matrix(1:6, nrow=2, ncol=3)  # 2행 3열의 행렬 생성
m
m[1, 2]  # 첫 번째 행, 두 번째 열의 원소 추출
m[2, ]   # 두 번째 행 전체 추출
m[, 3]   # 세 번째 열 전체 추출

배열 (Array)

배열은 동일한 유형의 데이터를 저장하는 다차원 구조. array() 함수를 사용하여 생성할 수 있음.

a = array(1:24, dim=c(2, 3, 4))  # 2행 3열 4면의 3차원 배열 생성
a
a[1, 2, 3]  # 첫 번째 행, 두 번째 열, 세 번째 면의 원소 추출
a[, , 2]   # 두 번째 면 전체 추출
a[1, , ]   # 첫 번째 행 전체 추출

-   배열은 내부에 **단 한 가지 자료형(보통 숫자)**만 담을 수 있음. 리스트처럼 이것저것 담지는 못하지만, 그만큼 컴퓨터 메모리를 매우 적게 사용하고 계산 속도가 압도적으로 빠름.

데이터 프레임 (`data.frame`)

데이터프레임은 엑셀과 비슷한 2차원(행렬) 구조로, 각 열(Column)마다 다른 데이터 타입을 가질 수 있어 R에서 가장 널리 쓰임.

df = data.frame(
  col1 = 1:3, 
  col2 = c("this", "is", "text"), 
  col3 = c(TRUE, FALSE, TRUE), 
  col4 = c(2.5, 4.2, pi)
)

대괄호([행, 열])를 사용해 데이터프레임의 특정 데이터를 추출.

df[2:3, ]   # 2행과 3행 전체 선택
df[, c('col2', 'col4')] # 'col2'와 'col4' 열 전체 선택
df[, 2, drop = FALSE] # drop=FALSE 옵션을 사용하여 단일 열도 데이터프레임 유형로 유지

실제로는 data.frame을 직접 생성하기보다는, 데이터를 포함하는 파일을 R로 불러오는 방식이 일반적.

데이터 프레임 (`data.frame`)

데이터프레임을 설명하는 데 유용한 함수

str(df) # 데이터프레임의 구조를 보여줌 (각 열의 이름, 데이터 유형 등)
names(df) # 데이터프레임의 열 이름을 벡터 유형로 반환
nrow(df) # number of rows
ncol(df) # number of columns
summary(df)    # 각 열의 요약 통계량을 보여줌 (숫자형은 최소값, 1사분위수, 중앙값, 평균, 3사분위수, 최대값; 문자형은 빈도수 등)
head(df)   # `head` 함수: 데이터프레임의 처음 몇 행을 보여줌
tail(df)   # `tail` 함수: 데이터프레임의 마지막 몇 행을 보여줌
class(df) # 데이터프레임의 클래스(구조)를 보여줌
typeof(df) # 데이터프레임이 내부적으로 어떻게 저장(유형)되는지 보여줌 (예: "list")

class()는 R이 해당 데이터를 어떤 객체로 취급하고 다룰 것인지: “어떤 일을 하도록 훈련받았는가?”
typeof()는 R이 데이터를 내부적으로 어떻게 저장하는지: “어떤 재료로 만들어졌는가?”

Task 2

help(read.csv) 또는 웹서치를 통해 R에서 .csv 파일을 가져오는 방법을 찾아보시오. 단, “Import Dataset” 버튼을 사용하거나 패키지를 설치하지 마시오.
gun_murders.csv 파일을 새로운 객체 murders에 저장하시오. 이 파일은 2010년 미국 주별 총기 살인 사건 데이터를 포함. (힌트: 객체는 = 또는 <-를 사용하여 생성)
murders가 data.frame 형식인지 확인하시오: class(murders)
murders에 포함된 변수를 확인하시오.
환경 창에서 murders를 클릭하여 내용을 확인하시오 total 변수는 무엇을 의미하는 것일까?

데이터프레임 열 (column) 추출하기

한 개의 열을 벡터 유형로 추출하려면 $ 연산자 (murders$state) 또는 대괄호 연산자 []를 이름이나 위치 인덱스와 함께 사용:

first5 <- murders[1:5, ]  # 처음 5개 주만 선택
first5$state  # $ 연산자로 추출
first5[ ,"state"]  # 열 이름으로 추출
first5[ ,1] # 첫 번째 열 가져오기

데이터프레임 subset

데이터프레임에서 특정 부분을 선택하려면 murders[행 조건, 열 번호] 또는 murders[행 조건, "열 이름"]을 사용.

# 총기 살인 사건이 500건 이상인 주만 선택하고 "state"와 "total" 변수만 유지
murders[murders$total > 500, c("state", "total")]
    
# 캘리포니아와 텍사스만 선택하고 "state"와 "total" 변수만 유지
murders[murders$state %in% c("California", "Texas"), c("state", "total")]

subset 명령어 사용 가능 (종종 더 직관적)

subset(murders, total > 500, select = c(state, total))
subset(murders, state %in% c("California", "Texas"), select = c(state, total))

Task 3

murders 데이터프레임에는 몇 개의 관측값(observations)이 있는가?
몇 개의 변수? 각 변수의 데이터 유형(data type)는 무엇인가?
“:” 연산자는 1:10처럼 사용하면 1부터 10까지의 연속된 숫자 생성을 의미함. 이를 활용하여 murders의 10번부터 25번 행을 포함하는 새로운 객체 murders_2를 만드시오.
state와 total 열만 포함하는 murders_3 객체를 만드시오. (c 함수가 벡터를 생성함)
아래 코드를 실행하여 10,000명당 살인 사건 수를 나타내는 total_percap 변수를 생성하시오.

murders$total_percap = (murders$total / murders$population) * 10000

murders 객체를 클릭하여 새 변수를 확인해 보시오.

기타 유용한 명령어/함수

ls()
rm()
rm(list=ls())  # 모든 객체 삭제

함수 만들기

add <- function(x, y) {
  return(x + y)
}
add(3, 5)  # 결과: 8

엑셀 파일 불러오기

install.packages(c("readxl","writexl"))
library(readxl)
library(writexl)
data <- read_excel("path/to/your/file.xlsx")  # Excel 파일 불러오기
write_xlsx(data, "path/to/save/file.xlsx")  # Excel로 저장

기타 유용한 명령어/함수

If 구문

x <- 10
if (x > 5) {
  print("x는 5보다 큽니다.")
} else {
  print("x는 5보다 작거나 같습니다.")
}

ifelse(x > 5, "x는 5보다 큽니다.", "x는 5보다 작거나 같습니다.")  # ifelse 함수로 간단히 표현

for loop 구문

for (i in 1:5) {
  print(paste("현재 숫자:", i))
}

while loop 구문

count <- 1 
while (count <= 5) {
  print(paste("현재 카운트:", count))
  count <- count + 1
}

함수 안에서 조건문과 반복문을 함께 사용하기

my_function <- function(n) {
  for (i in 1:n) {
    if (i %% 2 == 0) {
      print(paste(i, "는 짝수입니다."))
    } else {
      print(paste(i, "는 홀수입니다."))
    }
  }
}
my_function(10)  # 1부터 10까지 숫자에 대해 짝수/홀수 판별

apply 계열 함수 (반복문 대체)

my_matrix <- matrix(1:9, nrow=3)
apply(my_matrix, 1, sum)  # 행별 합계 계산
apply(my_matrix, 2, mean) # 열별 평균 계산

lapply 계열 함수 (리스트에 적용)

my_list <- list(a = 1:5, b = 6:10)
lapply(my_list, sum)  # 리스트의 각 원소에 대해 합계 계산

비교 논리 연산

x <- 1
x < 2

## [1] TRUE

x/0

## [1] Inf

-x/0

## [1] -Inf

0/0

## [1] NaN

Scalar vs. Scalar 비교

a <- 3
a == pi

## [1] FALSE

a != pi

## [1] TRUE

a > pi

## [1] FALSE

a <= pi

## [1] TRUE

Vector vs. Vector 비교

v <- c(0, pi, 4)
w <- rep(pi, 3)
v == w

## [1] FALSE  TRUE FALSE

v != w

## [1]  TRUE FALSE  TRUE

v < w

## [1]  TRUE FALSE FALSE

v >= w

## [1] FALSE  TRUE  TRUE

Scalar vs. Vector 비교

v == pi

## [1] FALSE  TRUE FALSE

v > pi

## [1] FALSE FALSE  TRUE

any(v == pi)

## [1] TRUE

all(v == 0)

## [1] FALSE

비교 논리 연산

is.*() 함수 : 개체의 속성을 묻는 함수

u <- c(3, pi, Inf, NULL, NaN, NA)

is.finite(u)

## [1]  TRUE  TRUE FALSE FALSE FALSE

is.infinite(u)

## [1] FALSE FALSE  TRUE FALSE FALSE

is.na(u)

## [1] FALSE FALSE FALSE  TRUE  TRUE

is.nan(u)

## [1] FALSE FALSE FALSE  TRUE FALSE

is.null(u)

## [1] FALSE

NULL은 완전히 비어 있는 값으로, 벡터에 포함될 경우 자동으로 삭제됨.
na는 not available, nan는 not a number (예, 0/0, sqrt(-1)).
nan은 숫자형 결측값, na는 모든 종류의 결측값이라 생각하면 됨.

결측치 처리하기

is.na() 함수를 사용하여 결측값이 있는지 확인할 수 있음.

x <- c(1, 2, NA, 4)
is.na(x)  # 각 원소가 NA인지 여부를 TRUE/FALSE로 반환

## [1] FALSE FALSE  TRUE FALSE

데이터프레임에 결측치가 있으면 평균 등 계산이 불가능해져 에러가 발생함.

mean(x)  # NA가 포함된 벡터의 평균 계산 시 NA 반환

## [1] NA

na.rm = TRUE 옵션을 사용하여 결측치를 무시하고 계산할 수 있음.

mean(x, na.rm = TRUE)  # NA를 제거하고 평균 계산

## [1] 2.333333

R 연산자 정리

1. 기초 연산자 (Arithmetic Operators)

연산자	설명	예제	결과
`+`	덧셈	`5 + 3`	`8`
`-`	뺄셈	`5 - 3`	`2`
`*`	곱셈	`5 * 3`	`15`
`/`	나눗셈	`5 / 3`	`1.6667`
`^` 또는 `**`	거듭제곱	`5^3`	`125`
`%%`	나머지	`5 %% 3`	`2`
`%/%`	몫	`5 %/% 3`	`1`

2. 관계 연산자 (Comparison Operators)

연산자	설명	예제	결과
`==`	같음	`5 == 3`	`FALSE`
`!=`	다름	`5 != 3`	`TRUE`
`>`	초과	`5 > 3`	`TRUE`
`<`	미만	`5 < 3`	`FALSE`
`>=`	이상	`5 >= 3`	`TRUE`
`<=`	이하	`5 <= 3`	`FALSE`

3. 논리 연산자 (Logical Operators)

연산자	설명	예제	결과
`&`	AND (벡터 연산)	`c(TRUE, FALSE) & c(TRUE, TRUE)`	`TRUE FALSE`
`\|`	OR (벡터 연산)	`c(TRUE, FALSE) \| c(FALSE, FALSE)`	`TRUE FALSE`
`!`	NOT	`!TRUE`	`FALSE`

강의 관련 정보

성적 산출

수업에서 in-class assignment (task) 를 완성해서 제출 $\rightarrow$ 30%: 과제당 점수: 30/과제 개수
기말 시험 $\rightarrow$ 70%
출석은 확인하지 않음.
보통 A는 30%이내 (A+는 아주 뛰어난 경우), C는 총점 50점 미만의 경우, D/F 는 아주 저조한 경우

수업 정책

Be nice. Be honest. Don’t cheat.

숙제는 늦게 제출하면 안됨: 수업 당일 저녁 11시까지 LMS에 제출
부정행위 및 타인의 과제 무단 활용 금지: C나 F 중 불리한 등급 받게 됨
그룹으로 협력: 협력 장려, 다만 개인이 작성하여 제출

과제 제출 방법

Quarto Document로 작성 LMS에 제출.

1. 새 Quarto 문서 생성

RStudio에서 File → New File → Quarto Document… 선택
title과 포맷(HTML) 선택 후 Create 버튼 클릭
생성된 .qmd 파일에서 문서를 작성.

2. 과제 템플릿 예시

다음 양식을 이용하여 과제 제출: 과제 양식 링크
과제 작성 후 적당한 곳에 저장, 예: C:\Users\user\Documents\assignment\assign1.qmd

3. Quarto 문서 렌더링

RStudio에서 Render 버튼 클릭
HTML 문서가 생성됨 (홍길동.html 생성됨)

4. 과제 제출

Quarto 문서와 함께 출력된 HTML 문서를 LSM시스템에 업로드

Quarto 기초

Quarto란 무엇인가?

데이터를 분석하는 코드와 그 결과를 설명하는 텍스트를 하나의 문서에 통합하여 작성할 수 있는 퍼블리싱 시스템.
과거의 R Markdown을 더욱 발전시킨 형태로, RStudio에서 작성한 문서를 클릭 한 번으로 HTML, PDF, Word, PPT(Revealjs) 슬라이드로 변환 가능.
재현 가능한 연구(Reproducible Research): 데이터가 변경되어도 코드만 다시 실행(Render)하면 보고서의 숫자와 그래프가 자동으로 업데이트됨.

Quarto 기본 구조

Quarto 문서(.qmd)는 크게 세 가지 요소로 구성됨.

YAML 헤더: 문서 맨 위에 ---로 둘러싸인 부분. 문서의 제목, 저자, 출력 형식(HTML, PDF 등)을 결정함.
마크다운(Markdown) 텍스트: 일반적인 설명, 제목, 글머리 기호 등을 작성하는 텍스트 영역.
코드 청크(Code Chunk): 실제 R 코드가 실행되는 공간.

필수 마크다운(Markdown) 문법

워드 프로세서 없이 텍스트에 간단한 기호를 붙여 서식을 지정함.

1. 제목 (Headers)

# 1단계 제목 (가장 큼)
## 2단계 제목
### 3단계 제목

2. 텍스트 강조

**굵은 글씨(Bold)**
*기울임꼴(Italic)*
`코드 형태의 텍스트`

3. 목록 (Lists)

* 순서가 없는 목록 1
* 순서가 없는 목록 2
  * 하위 목록 (띄어쓰기 2번 또는 4번 후 작성)

1. 순서가 있는 목록 1
2. 순서가 있는 목록 2

코드 청크(Code Chunk)의 이해

문서 내에 R 코드를 삽입하고 실행 결과를 보여주려면 코드 청크를 만들어야 함.
단축키 Ctrl + Alt + I (Mac: Cmd + Option + I)를 누르면 회색 박스가 생성됨.

```r
# 이 안에 R 코드를 작성합니다.
x <- c(1, 2, 3, 4, 5)
mean(x)
```

주요 청크 옵션 (Chunk Options) 코드 청크 상단에 #| 기호를 사용하여 코드와 결과의 출력 방식을 제어할 수 있음.

```r
#| echo: true    # 코드를 문서에 보여줄지 여부 (false면 결과만 출력)
#| eval: true    # 코드를 실제로 실행할지 여부
#| warning: false # 실행 시 발생하는 경고 메시지를 숨김
mean(x)
```

Introduction

Welcome to FMB 819!

데이터 분석의 목표

R이란?

R이란?

금융 데이터

1. 재현성과 업무 자동화

2. 금융에 적합한 생태계

3. 시각화 및 커뮤니케이션

Finance MBA가 R을 무기로 삼아야 하는 이유

R 설치

R / RStudio 설치 시 주의사항 (한글 경로 이슈)

사용자 폴더 경로에 한글/특수문자(non-ASCII) 들어가면 R/RStudio 패키지 설치 과정에서 이유 모를 오류 뜨는 경우 있음

제일 안전한 예방책: 영문 사용자 계정으로 설치/사용

Posit Cloud (온라인)

R 설치 방법 (Windows / macOS)

RStudio 설치 방법 (Windows / macOS)

설치 확인

R 및 RStudio 업데이트 방법

R 및 RStudio 업데이트 방법

RStudio 화면 구조

RStudio 환경

콘솔과 프롬프트

R 스크립트 (Script)

몇 가지 유용한 설정

배경 및 글자 색상 변경

스크림트 한글 깨짐 방지

몇 가지 유용한 설정

프로젝트 만들기

Task 1

도움말 찾는 방법

패키지 (Packages)

데이터 유형 (Data Type)

데이터 유형 (Data Type)

숫자 유형

문자열 유형

날짜 유형

날짜 유형

데이터 구조 (Data Structures)

데이터 구조 (Data Structures)

벡터 (Vectors)

리스트 (Lists)

리스트 (Lists)

행렬 (Matrix)

배열 (Array)

데이터 프레임 (data.frame)

데이터 프레임 (data.frame)

Task 2

데이터프레임 열 (column) 추출하기

데이터프레임 subset

Task 3

기타 유용한 명령어/함수

기타 유용한 명령어/함수

비교 논리 연산

비교 논리 연산

결측치 처리하기

R 연산자 정리

강의 관련 정보

성적 산출

수업 정책

과제 제출 방법

1. 새 Quarto 문서 생성

2. 과제 템플릿 예시

3. Quarto 문서 렌더링

4. 과제 제출

Quarto 기초

Quarto란 무엇인가?

Quarto 기본 구조

필수 마크다운(Markdown) 문법

코드 청크(Code Chunk)의 이해

THE END

`R`이란?

`R`이란?

`R` 설치

`R` / `RStudio` 설치 시 주의사항 (한글 경로 이슈)

`R` 설치 방법 (Windows / macOS)

`RStudio` 설치 방법 (Windows / macOS)

`RStudio` 화면 구조

`RStudio` 환경

`R` 스크립트 (Script)

데이터 프레임 (`data.frame`)

데이터 프레임 (`data.frame`)