SCOPE
SCOPE

데이터로 바라보는,
더 넓은 세상

스코프는 데이터를 통해 세상을 새로운 관점으로 바라보고, Python으로 직접 분석하며 서로의 관점을 나누는 데이터 분석 동아리입니다.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv")
DATA ANALYSIS   /   PYTHON   /   DATA VISUALIZATION   /   INSIGHT   /   COLLABORATION   /   NEW PERSPECTIVE   /   DATA ANALYSIS   /   PYTHON   /   DATA VISUALIZATION   /   INSIGHT
OUR ANALYSIS

데이터로 확인한 것들

SCOPE는 질문에서 시작해 데이터를 수집하고, 분석과 시각화를 거쳐 결과를 해석합니다.

01#주거

서울 원룸 월세 분석

Python으로 지역별 원룸 월세 데이터를 정제한 뒤 평균값과 지역 간 차이율을 계산해 비교했습니다.

PythonPandasgroupby()평균·차이율
주요 지역 원룸 월세 (보증금 1,000만원 기준 / 만원)
67
서울 평균
97
강남구
81
용산구
77
성동구
77
서초구
Python 분석Pandas로 지역·월세 열을 정리하고 지역별 평균을 groupby로 집계했습니다. 이후 서울 평균 대비 차액과 차이율을 계산해 지역별 월세 수준을 비교했습니다.
분석 결과강남구 97만원, 용산구 81만원, 성동·서초구 77만원으로 집계됐습니다. 강남구는 서울 평균 67만원보다 30만원 높았고, Python으로 계산한 평균 대비 차이율은 약 44.8%였습니다.
범위연립·다세대 원룸 기준으로 비교했으며 아파트와 오피스텔은 포함하지 않았습니다.
핵심 Python 코드 보기
import pandas as pd

df = pd.read_csv("seoul_rent.csv")

region_mean = (
    df.groupby("region")["monthly_rent"]
      .mean()
      .sort_values(ascending=False)
)

seoul_mean = df["monthly_rent"].mean()

result = pd.DataFrame({
    "avg_rent": region_mean,
    "diff": region_mean - seoul_mean,
    "diff_rate": (region_mean / seoul_mean - 1) * 100
})
전체 분석 코드가 아니라 결과를 만드는 핵심 로직을 이해하기 쉽게 정리한 코드입니다.
02#스포츠

2025 KBO 정규시즌 분석

Python으로 팀별 경기 기록을 가공해 승률과 득실점차를 계산하고, 두 지표를 함께 비교했습니다.

PythonPandas정렬파생지표 계산
팀별 승률
.603
LG
.593
한화
.536
SSG
.520
삼성
팀별 득실점차
204
LG
135
한화
64
SSG
127
삼성
Python 분석Pandas로 팀별 승·패와 득점·실점 데이터를 정리한 뒤 승률과 득실점차(득점-실점)를 계산했습니다. 계산 결과를 내림차순으로 정렬해 상위 팀의 성과를 비교했습니다.
분석 결과LG는 승률 .603과 득실점차 +204로 두 지표 모두 높은 수준이었고, 한화는 승률 .593와 +135를 기록했습니다. 단순 순위뿐 아니라 득점과 실점의 격차까지 함께 비교했습니다.
범위2025 정규시즌 기록을 기준으로 비교했으며 포스트시즌은 포함하지 않았습니다.
핵심 Python 코드 보기
import pandas as pd

df = pd.read_csv("kbo_2025.csv")

df["win_rate"] = (
    df["wins"] /
    (df["wins"] + df["losses"])
)

df["run_diff"] = (
    df["runs_scored"] - df["runs_allowed"]
)

result = (
    df[["team", "win_rate", "run_diff"]]
      .sort_values("win_rate", ascending=False)
)

correlation = df[
    ["win_rate", "run_diff"]
].corr()
전체 분석 코드가 아니라 결과를 만드는 핵심 로직을 이해하기 쉽게 정리한 코드입니다.
03#주거

서울 월세가격지수 분석

Python으로 시계열 데이터를 정리하고 기준시점 대비 증감률을 계산해 월세 유형별 추이를 비교했습니다.

PythonPandas시계열Matplotlib
월세가격지수 추이 (2022.1 = 100)
월세통합월세준월세준전세
2022.12023.12024.12025.12 109.2107.4105.3100.6
Python 분석월별 가격지수를 Pandas DataFrame으로 변환하고 날짜순으로 정렬했습니다. 2022년 1월을 기준값 100으로 두고 유형별 증감률을 계산한 뒤 Matplotlib 방식의 시계열 그래프로 비교했습니다.
분석 결과2025년 12월 기준 월세 109.2, 준월세 107.4, 월세통합 105.3, 준전세 100.6으로 나타났습니다. 기준시점 대비 월세는 9.2% 상승한 반면 준전세는 0.6% 상승해 유형별 차이가 확인됐습니다.
범위서울 월세가격지수를 기준으로 한 분석으로 지역별 세부 특성은 별도로 구분하지 않았습니다.
핵심 Python 코드 보기
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("seoul_rent_index.csv")
df["date"] = pd.to_datetime(df["date"])
df = df.sort_values("date")

base = df.iloc[0]

for col in ["monthly", "semi_monthly", "semi_jeonse"]:
    df[f"{col}_change"] = (
        df[col] / base[col] - 1
    ) * 100

plt.plot(df["date"], df["monthly"], label="월세")
plt.plot(df["date"], df["semi_monthly"], label="준월세")
plt.plot(df["date"], df["semi_jeonse"], label="준전세")
plt.legend()
plt.show()
전체 분석 코드가 아니라 결과를 만드는 핵심 로직을 이해하기 쉽게 정리한 코드입니다.
HOW WE WORK

질문을 결과로 만드는 과정

정답을 외우기보다 직접 데이터를 만지고, 각자의 관점으로 결과를 해석합니다.

01 QUESTION

질문 정하기

관심 있는 현상에서 데이터로 확인해보고 싶은 질문을 정합니다.

02 DATA

데이터 수집

공공데이터와 공개 자료를 찾아 분석 가능한 형태로 정리합니다.

03 ANALYSIS

Python 분석

Pandas 등을 활용해 데이터를 비교하고 필요한 지표를 계산합니다.

04 INSIGHT

관점 나누기

시각화한 결과를 함께 보고 서로 다른 해석과 인사이트를 공유합니다.

JOIN SCOPE

새로운 관점을
함께 발견해요.

지원하기 →