정성·정량 데이터와 이산·연속 변수 분류

변수의 의미가 분석 경로를 결정한다

데이터 분석은 변수의 타입을 올바르게 정하는 일에서 시작한다. 정성·정량, 이산·연속의 구분은 전처리 방식, 통계 기법, 시각화, 모델 성능에 직접 연결된다. 실무에서는 측정 척도와 변수 타입을 일관되게 판별하고 관리하는 절차가 필요하다.

정성 데이터(Qualitative, Categorical)는 값이 범주(category)로 표현되는 데이터다. 명목척도(Nominal)와 서열척도(Ordinal)가 여기에 속한다. 성별과 제품군은 명목 변수이고, 만족도 5점 척도는 순서가 있는 서열 변수다.

정량 데이터(Quantitative)는 수량으로 측정할 수 있는 데이터다. 구간척도(Interval)와 비율척도(Ratio)를 포함하며, 온도는 구간척도, 매출액·길이·무게는 비율척도의 예가 된다.

이산 변수(Discrete)는 셀 수 있는 값의 집합에서 정의되는 정량 변수로, 대개 정수 카운트로 나타난다. 결함 개수, 클릭 수, 주문 건수가 이에 해당한다. 반대로 연속 변수(Continuous)는 연속 구간에서 실수 값으로 측정하는 정량 변수다. 시간, 길이, 온도, 전류처럼 측정 정밀도에 따라 값이 달라질 수 있는 항목이 대표적이다.

측정 척도는 가능한 연산과 해석의 범위를 정한다.

• 명목척도는 분류만 가능하며 크기나 간격에는 의미가 없다.
• 서열척도는 순서가 있지만 값 사이의 간격은 확정할 수 없다.
• 구간척도는 간격에는 의미가 있으나 절대영점이 없다. 섭씨가 예다.
• 비율척도는 간격과 비율 모두 의미가 있고 절대영점이 존재한다. 무게와 길이가 이에 속한다.

이산과 연속은 정량 변수 안에서 나뉜다

정성/정량 분류와 이산/연속 분류를 같은 층위로 보면 오류가 생긴다. 이산과 연속은 정량 변수의 하위 구분이다. 정성 변수는 범주형이며, 이산 변수와 직접 같은 개념이 아니다.

우편번호나 고객 ID는 숫자로 보이지만 수량을 뜻하지 않는다. 이런 값은 명목 변수로 처리해야 한다. Likert 서열척도는 탐색분석에서 연속 변수로 근사할 수 있지만, 추론 단계에서는 서열로 모델링하는 편이 권장된다.

⤢✕

타입에 맞춰 전처리와 분석 방법을 고른다

저장 타입보다 먼저 확인할 것은 변수의 의미다. 숫자 형태여도 범주를 식별하는 값이라면 명목으로 다뤄야 한다. 척도가 달라지면 허용되는 연산, 통계 요약, 거리 함수도 달라진다. 잘못된 척도 가정은 추론을 왜곡할 수 있다.

정성 변수에는 원-핫, 임베딩, 타깃 인코딩 등을 선택할 수 있다. 서열 변수에는 순서 인코딩이나 모노토닉 변환을 적용한다. 정량 변수는 표준화·정규화, 분할(binning), 로그 변환 등을 검토하며, 이산과 연속의 특성에 맞춰 누락값과 이상치를 처리한다.

통계 요약과 검정도 변수 타입에 맞아야 한다. 정성 데이터에는 빈도표, 비율, 카이제곱 검정, 피셔 검정을 적용한다. 정량-이산 데이터에는 포아송·이항 모델과 비모수 요약인 사분위를 함께 사용할 수 있다. 정량-연속 데이터에는 평균·분산, t-검정·ANOVA, 회귀가 연결된다.

시각화 역시 같은 원칙을 따른다. 정성 변수는 막대그래프, 모자이크, 누적 비율로 표현할 수 있다. 정량-이산 변수에는 막대 간격이 고정된 히스토그램과 도트플롯이 어울린다. 정량-연속 변수는 히스토그램, KDE, 상자수염 그래프로 분포를 본다. 모델링에서는 변수 타입에 따라 손실함수와 링크함수를 골라야 한다.

의미 판별을 스키마 관리로 연결하기

실무에서는 데이터 사전(데이터 딕셔너리), 샘플 1~5%, 수집 센서·양식 같은 메타데이터를 입력으로 삼는다. 이 정보를 바탕으로 변수 카탈로그를 확정하고, EDA와 모델링 템플릿을 자동 선택할 수 있다.

먼저 의미를 기준으로 판별한다. ID·코드·우편번호는 정성(명목)으로 강제하고, 점수와 등급은 서열로 우선 분류한 뒤 필요하면 연속 근사 설정을 둔다.

다음으로 값 분포와 카디널리티를 확인한다. 고유값 개수, 간격의 균일성, 측정 정밀도가 점검 대상이다. 숫자형인데 카디널리티가 행수와 비슷하다면 ID일 가능성을 경고하는 규칙도 필요하다.

이후 혼합 타입(숫자+문자), 단위 불일치, 소수점·천 단위처럼 지역화된 형식을 정규화한다. 누락·이상치 규칙도 이 단계에서 정의한다. 예를 들어 연속 변수 가운데 음수가 될 수 없는 값은 음수를 결측으로 치환할 수 있다.

마지막으로 스키마 레지스트리에 변수 타입, 척도, 허용 도메인을 등록하고 파이프라인에 검사 규칙을 적용한다. 변수 카탈로그에는 타입·척도·인코딩 규칙·허용값·단위를 기록한다. 시간형 변수는 정량-연속으로 다루되, 시각의 순환 특성도 함께 고려해야 한다. 주기·요일·월 같은 파생 변환을 적용할 수 있다.

분석 현장에서의 구분

마케팅 세그먼테이션에서는 인구통계, 채널, 캠페인 반응을 정성 변수로 처리하고 원-핫 또는 임베딩을 적용한다. 구매액과 방문횟수는 모두 정량이지만 금액은 연속, 횟수는 이산으로 나눠 모델에 반영한다. 로지스틱/GBDT 혼합 파이프라인을 구성할 수 있다.

제조 공정 품질 관리에서 결함 수는 이산 데이터이므로 포아송 회귀와 c/u 관리도를 사용해 공정율 변화를 탐지한다. 치수 측정은 연속 데이터로서 정규성 검정과 X̄-R 관리도를 적용하며, 측정 시스템 분석(MSA)으로 정밀도를 검증한다.

A/B 테스트와 제품 분석에서는 전환 여부를 정성-이진 변수로 보고 비율 비교, 카이제곱 또는 프로포션 z-검정을 적용한다. 체류시간과 LTV는 연속 변수로 다루며 로그 변환과 강건 추정을 적용할 수 있다. 혼합 분포를 고려한 비모수 검정 대안도 함께 검토한다.

변수 유형별로 달라지는 해석

구분	값의 형태	대표 척도	통계 요약	대표 시각화	모델링 주의점
정성(명목)	범주	명목	빈도/비율	막대/모자이크	숫자 코딩은 거리 왜곡 가능
정성(서열)	순위	서열	중위수/사분위	누적 막대	간격 불명확, 선형모델 계수 해석 주의
정량-이산	정수 카운트	비율	평균/분산(포아송 가정)	히스토그램/도트	과산포·제로-인플레이션 고려
정량-연속	실수	구간/비율	평균/표준편차	히스토그램/KDE/상자수염	스케일링·이상치 처리 필수

타입 오분류를 줄이면 이상 탐지·검정 오류율이 2040%p 개선된 예시가 있으며, 스키마 기반 검증은 ETL 장애율을 월간 15% 이상 낮출 것으로 기대된다. 자동 전처리 템플릿 적용은 EDA·모델링 초기 소요 시간을 3050% 단축하고, 모델 선택과 하이퍼파라미터 탐색 범위를 줄여 실험 횟수를 2030% 절감할 수 있다. 올바른 인코딩과 스케일링을 적용했을 때 AUC/RMSE 등 지표가 210% 개선된 사례도 일반적이다.

해석성과 손실 사이의 선택

변수 의미를 먼저 판별한 뒤 저장 타입을 정하고, 스키마 레지스트리와 데이터 카탈로그를 운영하는 방식이 기준이 된다. 서열 척도에는 모노토닉 인코딩을 적용하고, 정성 다범주 변수에는 고유값 규제(rare category bucket)를 둔다. 연속 변수는 스케일과 단위를 관리하며 로그·박스-콕스 변환 가이드라인을 문서화한다.

이산화(binning)는 해석성과 로버스트성을 높일 수 있지만 정보 손실과 경계 민감도를 키운다. 고차원 원-핫 인코딩은 비선형 모델 호환성을 높이는 대신 희소성과 메모리 비용을 늘린다. 서열을 연속으로 근사하면 계산은 단순해지지만 추론 편향 위험이 따른다.

변수의 의미, 척도, 분포를 함께 기준으로 삼아 정성/정량과 이산/연속을 판별해야 한다. 스키마와 인코딩·검정·시각화·모델링을 타입에 맞게 연결하는 운영 절차가 데이터 품질, 분석 효율, 모델 성능을 함께 좌우한다.