검색어 1:

검색어 2:

기간

성별

연령

위 3가지 항목중 변경한 내용을 기재

검색어 1: 운동

검색어 2: 헬스

기간 전체

성별 남성

연령 전체

상관 관계 분석을 위한 검색어 선정

검색어 1: 발로란트

검색어 2: 오버워치

기간 전체

성별 전체

연령 1~24살

검색어 2: 삼성

기간: 2024.6.9 ~ 2025.6.9 (1년)

성별: 남성

연령: 전체

검색어2:한화

기간:1년

성별:여

연령:13~39

검색어 2 : RTX3080

기간 : 2024.06.09 ~ 2025.06.09

성별 : 남자

연령 : 전체

검색어 2 : 미국

기간 : 3개월

성별 : 전체

연령 : 25 ~ 60+

검색어 1: 농구

검색어 2: 헬스

기간 전체

성별 남성

연령 1~39살

검색어2: 닌텐도 스위치2 가격

기간:3개월

성별:전체

연령:전체

검색어 2:다움

기간: 1년

성별:전체

연령: 19~24

검색어2: DOOSANbears

검색어3: HANHWAeagles

검색어4: LOTTEgiants

검색어5: SSGlanders

기간: 1년

성별: 남녀

연령: 모두

데이터 분석 문제 (복숭아 vs 수박 검색 트렌드)

제공된 데이터를 활용하여 아래 문제들을 해결하고, 여름 대표 과일인 복숭아와 수박에 대한 소비자의 관심도 변화와 특징을 분석해보세요.

레벨 1: 기본 분석 문제 (데이터 탐색)

1. 최고점과 최저점 찾기

   • '복숭아' 검색량이 가장 높았던 날과 가장 낮았던 날은 각각 언제이며, 당시 검색량 지수는 얼마였나요?

   • '수박' 검색량이 가장 높았던 날과 가장 낮았던 날은 각각 언제이며, 당시 검색량 지수는 얼마였나요?

2. 월별 평균 검색량 계산

   • 2024년 6월부터 2025년 5월까지, 각 월의 '복숭아'와 '수박'의 평균 검색량 지수를 계산하고 비교해주세요.

3. 검색량 역전 현상 분석

   • 분석 기간 동안 '복숭아'의 검색량이 '수박'의 검색량을 처음으로 넘어선 날짜는 언제인가요?

   • 반대로 '수박'의 검색량이 '복숭아'를 다시 앞지르기 시작한 시점은 언제인가요?

레벨 2: 심층 분석 및 비교 문제 (패턴 및 상관관계 파악)

1. 계절적 패턴 분석 (인기 시점 파악)

   • '복숭아'의 인기는 언제부터 본격적으로 상승하여 언제 정점을 찍고, 언제부터 하락하는지 그 흐름을 설명해주세요.

   • '수박'의 계절적 패턴은 복숭아와 비교했을 때 어떤 차이점을 보이나요? (예: 인기가 시작되는 시점, 정점 시기, 인기가 유지되는 기간 등)

2. 피크(Peak) 시점 비교

   • 두 과일의 검색량 최고점(Peak)은 며칠 정도 차이가 나나요? 어느 과일의 인기가 더 먼저 최고조에 도달하나요?

3. 주중 vs 주말 검색량 차이

   • 요일별(월~일) 평균 검색량을 계산했을 때, '복숭아'와 '수박'은 특정 요일에 더 많이 검색되는 경향이 있나요? 있다면 그 이유는 무엇일지 추측해보세요.

4. 검색량 감소율 비교

   • 각 과일의 검색량이 최고점을 찍은 후, 한 달 뒤의 검색량은 최고점 대비 몇 % 정도 감소했나요? 어느 과일의 인기가 더 빨리 식는다고 볼 수 있을까요?

레벨 3: 응용 및 전략 수립 문제 (인사이트 도출)

1. 마케팅 전략 수립

   • 당신이 대형마트의 과일 담당 마케터라고 가정해봅시다. 이 데이터를 바탕으로 '복숭아'와 '수박'의 할인 및 증정 프로모션을 각각 언제 시작하는 것이 가장 효과적일지 구체적인 날짜 범위를 제시하고 그 이유를 설명해주세요.

2. 콘텐츠 발행 전략

   • 당신이 요리/레시피 블로그를 운영하고 있다면, '수박 화채 만드는 법', '복숭아 병조림 만들기'와 같은 콘텐츠를 각각 언제를 기점으로 발행하는 것이 가장 많은 트래픽을 유도할 수 있을까요?

3. 시장 수요 예측

   • 두 과일의 검색량 추이를 '소비자 관심도'라고 가정할 때, 2025년 6월 이후의 검색량은 어떻게 변화할 것으로 예측할 수 있나요? 과거 패턴을 기반으로 예측의 근거를 설명해보세요.

4. 이상치(Anomaly) 탐지 및 원인 추론

   • 전체적인 계절적 흐름에서 벗어나는 예상치 못한 검색량 급등 또는 급락 지점이 있나요? 만약 있다면, 해당 날짜에 어떤 사회적, 기상적 이슈(예: 폭염, 명절, 특정 방송 프로그램)가 있었을지 추론해보세요.

이 문제들을 통해 데이터를 다양한 관점에서 분석하고, 숨겨진 인사이트를 찾아내는 연습을 할 수 있습니다.

분석 문제 제안

PART 1: 기본 트렌드 및 기술 통계 분석

1. 각 게임의 전체 검색량 추이 분석

   • 2016년부터 현재까지 '오버워치'의 검색량은 전체적으로 어떤 추세를 보이는가? (성장기, 전성기, 쇠퇴기 구분)

   • '발로란트' 출시(2020년) 이후 검색량은 어떤 패턴으로 성장하고 안정화되었는가?

   • 두 게임의 월별/분기별/연도별 평균 검색량을 시각화하여 전체적인 흐름을 파악하시오.

2. 주요 검색량 피크(Peak) 시점 및 원인 분석

   • '오버워치' 검색량이 가장 높았던 시점(2016-02-17, 100.0)은 어떤 이벤트(예: 오픈 베타, 출시, 대규모 업데이트)와 관련이 있는가?

   • '발로란트'의 검색량이 급증했던 주요 시점들(예: 2020년 4~5월, 2020년 6월)을 찾아내고, 해당 시점의 이벤트(예: 클로즈 베타, 정식 출시)와 연관 지어 설명하시오.

   • 각 게임의 검색량 급등/급락 이벤트 Top 5를 선정하고, 그 원인을 게임 내/외적 요인(업데이트, e스포츠 대회, 경쟁작 출시 등)으로 분석하시오.

3. 계절성 및 주기성 분석

   • 두 게임의 검색량에서 특정 계절(예: 여름/겨울방학)에 더 높은 검색량을 보이는 계절적 패턴이 존재하는가?

   • 주중(월-금)과 주말(토-일)의 평균 검색량에 차이가 있는가? 있다면, 어떤 게임이 더 뚜렷한 차이를 보이는가?

PART 2: 경쟁 구도 심층 분석

1. '골든 크로스' 시점 탐색 및 의미 분석

   • '발로란트'의 일일 검색량이 '오버워치'의 일일 검색량을 처음으로 넘어선 날짜(골든 크로스)는 언제인가?

   • 골든 크로스 이후, 두 게임의 검색량 격차는 어떻게 변화했는가? (격차 확대, 유지, 축소)

   • '오버워치' 검색량이 다시 '발로란트'를 앞지른 '데드 크로스' 현상이 있었는가? 있었다면 그 원인은 무엇인가?

2. 경쟁작 출시의 영향력 분석 (Causal Impact)

   • '발로란트'가 출시된 2020년을 기점으로 '오버워치'의 검색량 감소 추세에 통계적으로 유의미한 변화가 있었는가?

   • '오버워치 2'가 출시된 2022년 10월, '오버워치' 검색량은 얼마나 반등했으며, 그 효과는 얼마나 지속되었는가?

   • '오버워치 2' 출시가 '발로란트'의 검색량에 영향을 미쳤는가?

PART 3: 사용자 관심도 및 미래 예측

1. 사용자 관심도 변화 및 안정기 분석

   • '오버워치'의 검색량이 특정 수치 이하로 떨어진 후 안정화(코어 유저층만 남은 상태로 추정)된 시점은 언제인가?

   • '발로란트'의 검색량 성장세는 현재도 계속되고 있는가, 아니면 성장세가 둔화되고 안정기에 접어들었는가?

   • 두 게임의 검색량 변동성을 비교했을 때, 어떤 게임의 관심도가 더 안정적으로 유지되고 있는가?

2. 연도별 검색량 점유율 분석

   • 2020년부터 2024년까지, 매년 두 게임의 검색량 총합 대비 각 게임의 검색량 점유율은 어떻게 변화했는가?

   • 두 게임의 경쟁이 가장 치열했던 해(검색량 점유율이 가장 비슷했던 해)는 언제인가?

3. 미래 검색량 추세 예측

   • 현재까지의 데이터를 바탕으로, 향후 1년간 두 게임의 검색량 추세를 예측한다면 어떤 결과가 예상되는가? (시계열 분석 모델 활용)

   • 현재의 추세가 계속된다면, '발로란트'와 '오버워치'의 검색량 격차는 더 벌어질 것인가, 혹은 좁혀질 것인가?

이러한 문제들을 바탕으로 데이터를 시각화하고 통계적으로 분석하면, 두 게임의 흥망성쇠와 경쟁 관계에 대한 흥미로운 인사이트를 발견할 수 있을 것입니다.

데이터 분석 개요

해당 데이터는 13~39세 여성을 대상으로 '롯데'와 '한화'의 네이버 통합검색(통검) 량을 2024년 5월 29일부터 2025년 5월 29일까지 일별로 비교한 것입니다. 분석 결과, 두 키워드의 검색량은 KBO 프로야구 시즌과 매우 밀접한 연관성을 보이며, 각 구단(롯데 자이언츠, 한화 이글스)의 성적, 경기 일정, 이벤트에 따라 검색량이 크게 변동하는 특징을 보입니다.

주요 분석 내용 및 시사점

1. 검색량의 명확한 '시즌성' : 야구 시즌과의 연관성

가장 두드러지는 특징은 프로야구 시즌에 따라 검색량이 크게 좌우된다는 점입니다.

• 시즌 중 (3월~10월): '롯데'와 '한화' 모두 검색량이 높게 유지되며, 주중과 주말 경기 일정에 따라 등락을 반복합니다. 특히 2025년 3월 22일 시즌 개막과 함께 두 키워드의 검색량이 급증하는 것을 확인할 수 있습니다.

• 비시즌 (11월~2월): 야구 경기가 없는 기간에는 두 키워드 모두 검색량이 현저히 감소합니다. 이는 해당 데이터의 주요 관심사가 '야구'임을 명확히 보여줍니다.

시사점: 분석 대상인 '13~39세 여성' 그룹에서 '롯데'와 '한화'에 대한 관심은 그룹의 다른 사업 분야(유통, 금융, 화학 등)보다는 프로야구단에 집중되어 있음을 알 수 있습니다.

2. '한화'의 압도적인 관심도와 폭발적인 급등

분석 기간 전반에 걸쳐 '한화'의 평균 검색량이 '롯데'보다 높게 나타납니다. 특히 특정 시점에서는 관심이 폭발적으로 증가했습니다.

• 2025년 5월의 '한화' 검색량 폭증: 2025년 5월 7일(62.1)부터 검색량이 급등하기 시작하여 5월 13일에는 최대치인 100.0을 기록했습니다. 이는 데이터 기간 내 모든 검색량의 기준점이 되는 가장 높은 수치입니다.

• 원인 추정: 이 시기 한화 이글스 팀의 엄청난 연승, 스타 플레이어의 대기록 달성, 극적인 경기 등 팬들의 이목을 집중시킬 만한 매우 큰 이벤트가 있었을 것으로 강력하게 추정됩니다.

시사점: 한화 이글스는 특정 기간 동안 젊은 여성 팬층의 엄청난 관심을 이끌어내는 데 성공했습니다. 이는 팀의 성적이나 스타 마케팅이 특정 팬덤, 특히 젊은 여성층에게 얼마나 큰 영향을 미치는지 보여주는 사례입니다.

3. '롯데'의 비시즌 기간 이례적 급등

'롯데'는 야구 비시즌 기간임에도 불구하고 검색량이 비정상적으로 급등한 시점이 있습니다.

• 2024년 11월 말의 급등: 2024년 11월 27일(28.5), 11월 28일(54.0), 11월 29일(31.5)에 검색량이 폭발적으로 증가했습니다.

• 원인 추정: 야구 비시즌인 점을 감안할 때, 이는 야구 외적인 요인일 가능성이 높습니다. 롯데그룹의 유통 계열사(백화점, 마트, 온라인몰 등)에서 진행한 대규모 할인 행사(블랙프라이데이 등) 또는 사회적으로 큰 이슈가 된 기업 뉴스가 있었을 것으로 추정됩니다.

시사점: '롯데'는 야구 외에도 '쇼핑/유통'이라는 또 다른 큰 관심사를 통해 젊은 여성층의 검색을 유도할 수 있는 키워드임을 보여줍니다.

4. 주간 패턴: 경기 유무에 따른 검색량 변화

데이터를 주 단위로 살펴보면, 일반적으로 프로야구 경기가 없는 월요일에 검색량이 최저치를 기록하고, 경기가 진행되는 화요일부터 주말(금, 토, 일)까지 검색량이 상승하는 패턴이 반복적으로 나타납니다.

• 예시 (2025년 4월):

  • 4월 13일(일): 롯데(9.9), 한화(13.0)

  • 4월 14일(월): 롯데(4.8), 한화(7.3) -> 월요일 급감

  • 4월 15일(화): 롯데(9.3), 한화(12.0) -> 경기 시작과 함께 회복

시사점: 이는 검색의 목적이 '경기 결과 확인', '선수 정보 검색', '경기 예매' 등 당일 경기와 직접적으로 관련된 활동임을 시사합니다.

결론

1. 핵심 관심사는 '프로야구': 13~39세 여성 그룹에서 '롯데'와 '한화' 검색량의 가장 큰 동인은 프로야구팀(롯데 자이언츠, 한화 이글스)의 인기와 활동입니다.

2. '한화'의 높은 화제성: 분석 기간 동안 '한화 이글스'는 '롯데 자이언츠'보다 꾸준히 더 높은 관심과 함께, 2025년 5월에는 비교 불가능할 정도의 폭발적인 화제성을 만들어냈습니다.

3. '롯데'의 이중 관심사: '롯데'는 야구 시즌의 영향을 받으면서도, 11월 비시즌 기간에는 '쇼핑'과 관련된 이벤트로 높은 검색량을 기록하며 야구 외의 관심사를 반영하는 특징을 보였습니다.

4. 젊은 여성 팬덤의 역동성: 이 데이터는 KBO 리그에서 젊은 여성 팬들이 얼마나 적극적으로 정보를 탐색하고 반응하는지를 명확히 보여주는 중요한 자료입니다. 구단의 성적과 마케팅이 이들의 팬심에 직접적인 영향을 미칩니다.

분석 대상은 LG 트윈스, 두산 베어스, 한화 이글스, 롯데 자이언츠, SSG 랜더스 5개 구단이며, 기간은 2025년 5월 9일부터 6월 9일까지 약 한 달간의 검색량 추이입니다.

핵심 분석 요약 (Key Findings)

1. 압도적인 관심도 1위: LG 트윈스

   • 분석 기간 동안 LG 트윈스는 다른 4개 구단을 합친 것보다 훨씬 높은 수준의 검색량을 기록하며 압도적인 1위를 차지했습니다.

2. 안정적인 2위 그룹: SSG 랜더스 & 롯데 자이언츠

   • SSG 랜더스가 전반적으로 롯데 자이언츠보다 소폭 우세하며 2위 그룹을 형성했습니다.

   • 두 팀 모두 LG 트윈스와는 큰 격차를 보입니다.

3. 관심도 최하위권: 두산 베어스 & 한화 이글스

   • 두산과 한화는 해당 기간 동안 검색량이 매우 낮아, LG 트윈스의 최고치(100) 대비 1~2% 수준에 머물렀습니다.

4. 최고 관심일: 5월 17일 (LG 트윈스)

   • 5월 17일에 LG 트윈스의 검색량이 100을 기록하며 전체 기간 중 가장 높은 수치를 보였습니다. 이날 특별한 경기나 이슈가 있었을 것으로 강력하게 추정됩니다.

구단별 세부 분석

1. LG 트윈스 (LG twins)

• 평균 검색량: 5개 구단 중 압도적인 1위.

• 트렌드: 기간 내내 높은 관심도를 유지했으며, 특히 주말 경기(금, 토, 일)가 있는 날 검색량이 급증하는 패턴을 보입니다.

• 최고점: 5월 17일 (100.0) - 이날의 검색량이 전체 비교 기간의 기준점이 되었습니다. 라이벌전, 스타 선수의 활약, 연승 등 큰 화제가 있었을 가능성이 높습니다.

• 최저점: 5월 26일 (28.95) - 월요일(경기가 없는 날)에 검색량이 급감하지만, 이마저도 다른 팀들의 최고 수치보다 훨씬 높습니다.

2. SSG 랜더스 (SSG landers)

• 평균 검색량: 5개 구단 중 2위.

• 트렌드: 비교적 안정적인 검색량을 꾸준히 유지하고 있습니다. 큰 폭의 급등락보다는 5~10 사이에서 움직이는 모습을 보입니다.

• 최고점: 5월 11일 (11.73) - 주말 경기가 있었던 날로 보입니다.

• 특징: LG를 제외한 4팀 중에서는 가장 꾸준하고 높은 팬덤의 관심도를 보여줍니다.

3. 롯데 자이언츠 (LOTTE giants)

• 평균 검색량: 5개 구단 중 3위.

• 트렌드: SSG보다 변동 폭이 다소 큰 편입니다. 기간 초반에 상대적으로 높은 관심을 보이다가 점차 감소하는 경향이 있습니다.

• 최고점: 5월 9일 (8.80) - 분석 기간 첫날 가장 높은 수치를 기록했습니다.

• 특징: 여전히 인기 구단임을 보여주지만, 이 기간에는 SSG에 비해 화제성이 다소 밀리는 모습입니다.

4. 두산 베어스 (DOOSAN bears) & 한화 이글스 (HANHWA eagles)

• 평균 검색량: 두 팀 모두 매우 낮아 4, 5위를 기록했습니다.

• 트렌드: 대부분의 날짜에 검색량이 0 또는 1에 가까운 수치를 보입니다. 이는 LG 트윈스의 압도적인 검색량 때문에 상대적으로 수치가 매우 낮게 측정된 것입니다. (검색이 아예 없었다는 의미는 아닙니다.)

• 최고점:

  • 두산: 5월 27일 (1.78)

  • 한화: 5월 12일 (1.14)

• 특징: 이 기간 동안에는 다른 세 팀에 비해 대중의 주목을 끄는 큰 이슈가 없었음을 시사합니다.

종합 비교 및 결론

순위구단명평균 관심도 (추정)최고 관심일 및 수치특징1LG 트윈스매우 높음 (압도적 1위)5/17 (100.0)비교 불가 수준의 화제성, 경기일에 급증2SSG 랜더스중간5/11 (11.73)꾸준하고 안정적인 2위3롯데 자이언츠중간 이하5/9 (8.80)SSG보다 다소 낮은 3위, 변동성 있음4/5두산 베어스매우 낮음5/27 (1.78)상대적으로 관심도 저조4/5한화 이글스매우 낮음5/12 (1.14)상대적으로 관심도 저조

결론적으로, 제공된 데이터에 따르면 2025년 5월~6월 기간 동안 LG 트윈스가 온라인 검색 화제성을 완벽하게 장악했으며, SSG 랜더스와 롯데 자이언츠가 그 뒤를 잇는 2위 그룹을 형성했습니다. 두산과 한화는 이 기간 동안 상대적으로 대중의 관심에서 다소 멀어져 있었던 것으로 분석됩니다.

중요 참고사항: 이 데이터는 '검색량'으로, 구단의 인기 순위나 실제 팬 수, 경기 성적과 반드시 일치하지는 않습니다. 긍정적 이슈(연승, 명경기)뿐만 아니라 부정적 이슈(논란, 연패)로도 검색량이 급증할 수 있기 때문입니다. 이 데이터는 해당 기간 동안 '얼마나 많이 언급되고 찾아보았는가'를 나타내는 '화제성 지표'로 해석하는 것이 가장 정확합니다.

검색어 1:축구

검색어 2:야구

기간 전체

성별 전체

연령 13~29

막대그래프, 산점도, 히트맵 등등으로 요청

데이터를 분석한 결과, 다음과 같은 주요 특징과 인사이트를 발견할 수 있습니다.

데이터 요약

• 분석 대상: '미국'과 '트럼프' 키워드에 대한 네이버 통합검색량 추이

• 분석 기간: 2025년 3월 9일 ~ 2025년 6월 9일 (※ 참고: 날짜가 미래 시점으로 되어 있어, 가상의 데이터이거나 날짜 오기입으로 보입니다. 분석은 데이터의 패턴 자체에 집중하겠습니다.)

• 데이터 특징: 특정 기간 내 가장 검색량이 많았던 시점을 100으로 설정한 상대적 수치입니다. 이 데이터에서는 2025년 4월 7일의 '트럼프' 검색량이 100으로 기준점이 됩니다.

분석을 통해 알 수 있는 주요 문제 및 인사이트

1. '트럼프'가 '미국' 관련 검색의 핵심 동인(Driver)이다.

• 압도적인 검색량 차이: 전체 기간 동안 '트럼프'의 검색량 지수는 '미국'의 검색량 지수보다 월등히 높습니다. '미국'은 대부분 14 사이의 낮은 수치를 보이지만, '트럼프'는 1040 사이를 유지하다가 특정 시점에는 100까지 치솟습니다.

• 해석: 한국의 네티즌들이 '미국'이라는 국가 자체에 대해 꾸준히 정보를 찾기보다는, '트럼프'라는 인물과 관련된 특정 사건이나 이슈가 발생했을 때 미국에 대한 관심이 폭발적으로 증가하는 패턴을 보입니다. 즉, 미국 관련 뉴스가 '트럼프'를 중심으로 소비되고 있음을 시사합니다.

2. 특정 이벤트 발생 시 두 키워드의 검색량이 동반 상승한다.

데이터에서 눈에 띄는 검색량 급증 시점들이 있으며, 이는 특정 사회/정치적 이벤트가 발생했음을 강력하게 암시합니다.

• 1차 급증 (3월 11일): '트럼프' 검색량이 41.39로 급증하자, '미국' 검색량도 4.02로 평소보다 높게 나타났습니다.

• 2차 급증 (4월 7일 전후): '트럼프' 검색량이 100으로 최대치를 기록한 4월 7일을 중심으로, 4월 3일부터 4월 10일까지 높은 수치를 유지합니다. 이 시기 '미국'의 검색량 또한 6.47로 연중 최고 수준을 기록합니다. 이는 '트럼프'와 관련된 매우 큰 사건이 있었고, 이로 인해 미국 전체에 대한 관심도 함께 높아졌다는 것을 의미합니다.

• 3차 급증 (6월 4일 ~ 6월 6일): '트럼프' 검색량이 29에서 53으로 다시 한번 크게 오르는 동안, '미국' 검색량은 7.92로 전체 기간 중 가장 높은 수치를 기록했습니다. 이는 트럼프 개인의 이슈를 넘어 미국 국가적으로 매우 중요한 사건(예: 대선 관련 중대 발표, 외교적/사법적 큰 판결 등)이 있었을 가능성을 보여줍니다.

3. '트럼프' 키워드의 변동성이 훨씬 크다.

• '미국' 검색량은 비교적 안정적인 흐름 속에서 작은 등락을 보입니다. 이는 일상적인 정보(날씨, 여행, 환율 등) 검색이 꾸준히 있기 때문으로 추정됩니다.

• 반면 '트럼프' 검색량은 평소에는 일정 수준을 유지하다가, 특정 이슈에 따라 수직으로 상승하는 '스파이크(Spike)' 형태를 보입니다. 이는 '트럼프'가 뉴스나 이벤트에 매우 민감하게 반응하는 이슈 중심적 키워드임을 보여줍니다.

4. 제기할 수 있는 질문과 한계점 (알 수 없는 것)

이 데이터만으로는 다음과 같은 점들을 알 수 없어 추가적인 분석이 필요합니다.

• 문제 1: 급증의 원인이 무엇인가?

  • 검색량이 왜 급증했는지 구체적인 원인(예: 재판 결과, 선거 출마 선언, 특정 발언 등)은 알 수 없습니다. 해당 날짜의 뉴스 기사나 소셜 미디어 동향을 교차 분석해야 원인을 파악할 수 있습니다.

• 문제 2: 검색의 맥락(Context)은 무엇인가?

  • 사람들이 '트럼프'를 검색할 때 긍정적인 이슈로 검색했는지, 부정적인 이슈로 검색했는지 그 감성(Sentiment)을 알 수 없습니다.

  • '트럼프 재판', '트럼프 지지율', '트럼프 관련주' 등 어떤 연관 검색어로 유입되었는지 파악하기 어렵습니다.

• 문제 3: 모든 사람의 관심사가 동일한가?

  • 데이터가 '전체' 성별과 연령대로 설정되어 있어, 남성과 여성, 혹은 20대와 50대의 관심사가 어떻게 다른지 알 수 없습니다. 특정 연령대에서는 '트럼프'보다 다른 미국 관련 이슈(예: 미국 유학, 미국 주식)에 더 관심이 많을 수도 있습니다.

결론

제공된 데이터는 한국 내에서 '미국'에 대한 대중적 관심이 '도널드 트럼프'라는 특정 인물의 행보에 따라 크게 좌우된다는 점을 명확하게 보여줍니다. '트럼프' 관련 대형 이슈가 발생할 때마다 '미국' 전체에 대한 검색량이 동반 상승하는 강력한 상관관계를 통해, 그가 한국의 대미 인식에 얼마나 큰 영향을 미치는지 알 수 있습니다.

따라서 이 데이터를 통해 "특정 인물이 국가 전체의 이미지를 대변하고, 관련 정보 소비를 주도하는 현상"을 발견하고, 각 검색량 급증 시점의 사회적 배경을 탐구하는 출발점으로 삼을 수 있습니다.

• 분석 키워드: 닌텐도스위치2출시일, 닌텐도스위치2가격

• 분석 기간: 2025년 3월 9일 ~ 2025년 6월 9일

• 핵심 요약: 분석 기간 동안 '닌텐도 스위치 2'에 대한 관심은 특정 시점에 폭발적으로 급증하는 패턴을 보였습니다. 특히 4월 초와 6월 초, 두 차례에 걸쳐 검색량이 크게 증가했으며, '가격' 관련 정보가 '출시일' 정보보다 더 높은 관심을 유발하는 경향이 뚜렷하게 나타났습니다.

주요 트렌드 분석

1. 두 차례의 폭발적인 관심 급증

데이터에서 가장 눈에 띄는 점은 평상시에는 비교적 낮은 검색량을 유지하다가 특정 이벤트에 반응하여 검색량이 수직으로 상승하는 모습입니다.

1차 급증 시점: 4월 2일 ~ 4월 3일

• 닌텐도스위치2출시일: 43.1 (4/2)

• 닌텐도스위치2가격: 83.2 (4/2), 87.7 (4/3)

이 시점에는 출시일과 가격에 대한 검색량이 동시에 급증했습니다. 이는 닌텐도 스위치 2의 출시일과 가격에 대한 중요한 정보(공식 발표, 유력 매체의 보도, 신뢰도 높은 루머 등)가 공개되었을 가능성이 매우 높습니다.

2차 급증 시점: 6월 5일 ~ 6월 6일

• 닌텐도스위치2출시일: 26.9 (6/5)

• 닌텐도스위치2가격: 100.0 (6/5), 97.4 (6/6)

6월 초에는 '가격' 키워드가 기간 내 최고치(100)를 기록하며 관심이 정점에 달했습니다. '출시일' 검색량도 함께 상승했지만, '가격'에 대한 관심이 압도적이었습니다. 이는 가격 확정, 사전 예약 시작, 또는 주요 게임 페어(E3 등)에서의 구체적인 정보 공개 등 소비자의 구매 결정에 직접적인 영향을 미치는 정보가 발표되었음을 시사합니다.

2. '가격'에 대한 높은 민감도

두 키워드의 검색량은 대체로 비슷한 흐름을 보이지만, 관심이 급증하는 시점에서는 항상 '닌텐도스위치2가격'의 검색량이 '닌텐도스위치2출시일'보다 훨씬 높게 나타났습니다.

날짜출시일 검색량가격 검색량비고2025-04-0243.183.21차 급증2025-04-0325.187.71차 급증2025-06-0526.9100.02차 급증 (기간 내 최고치)2025-06-0622.397.42차 급증

이는 소비자들이 제품의 출시 시점도 궁금해하지만, 실제로 구매를 결정하는 데 있어 '가격'이 가장 중요한 요소임을 보여줍니다.

3. 관심 유지 및 하락기

두 차례의 급등기 사이인 4월 중순부터 5월 말까지는 검색량이 전반적으로 낮은 수준을 유지했습니다. 이는 새로운 정보가 없는 소강상태로, 초기 발표에 대한 관심이 일단락되고 다음 정보를 기다리는 시기로 해석할 수 있습니다.

결론 및 인사이트

1. 이벤트 중심의 높은 관심도: '닌텐도 스위치 2'와 같은 기대 신제품에 대한 대중의 관심은 상시적이기보다, 특정 정보(발표, 루머, 사전 예약 등)가 공개되는 시점에 폭발적으로 집중됩니다.

2. '가격'이 핵심 키워드: 소비자들은 출시일보다 '가격' 정보에 훨씬 더 민감하게 반응합니다. 이는 마케팅 및 홍보 전략 수립 시 가격 정책과 그 발표 시점이 매우 중요함을 시사합니다.

3. 관심의 파급력: 4월과 6월의 급증 사례는 한번 중요한 정보가 공개되면 관련 키워드 검색량이 단기간에 수십 배까지 치솟을 수 있음을 보여주며, 이는 관련 커뮤니티와 미디어의 파급력을 입증합니다.

주요 분석 내용

1. 전체 트렌드 개요

(실제 데이터로 그래프를 그린다고 가정)

• 애플 (파란색 선): 연중 몇 차례의 거대한 산봉우리 형태를 보입니다. 특히 2024년 9월에 기록된 최고점(100)은 다른 모든 기간을 압도합니다.

• 삼성 (빨간색 선): 낮은 고도의 언덕들이 이어지는 완만한 구릉 형태입니다. 애플의 가장 낮은 시점과 삼성의 가장 높은 시점이 비슷할 정도로 전체적인 관심도에서 차이가 큽니다.

2. '애플' 검색량 심층 분석 (이벤트와의 연관성)

애플의 검색량은 예측 가능한 주기에 따라 급등합니다.

• 1차 피크: 2024년 6월 11일~12일 (지수: 28.0 ~ 34.4)

  • 이벤트: WWDC (세계 개발자 회의)

  • 분석: 'Apple Intelligence'라 불리는 애플의 AI 시스템 공개로 인해 남성 및 IT 유저들의 관심이 크게 증폭된 것으로 보입니다.

• 2차 피크 (최고점): 2024년 9월 9일~20일

  • 이벤트: 아이폰 16 시리즈 공개 및 출시

  • 분석: 9월 10일(지수 100)에 정점을 찍었으며, 이는 신규 아이폰 발표일에 해당합니다. 발표 전후, 사전예약, 출시일까지 높은 관심이 약 2주간 지속되었습니다. 이는 연중 가장 강력한 소비자 관심이 집중되는 시기임을 명확히 보여줍니다.

• 3차 피크: 2025년 2월 20일 (지수: 35.0)

  • 이벤트: 신규 Mac 또는 iPad 제품군 공개 가능성

  • 분석: 통상적으로 애플은 봄 시즌에 새로운 Mac이나 iPad를 공개합니다. 이 시기의 높은 검색량은 새로운 하드웨어 출시에 대한 기대감을 반영합니다.

• 4차 피크: 2025년 4월 7일~10일 (지수: 17.2 ~ 21.4)

  • 이벤트: 봄 시즌 제품 출시 또는 주요 소프트웨어 업데이트

  • 분석: 2월에 발표된 제품의 실제 출시 또는 또 다른 신제품/서비스에 대한 관심이 이어진 결과로 해석됩니다.

3. '삼성' 검색량 심층 분석 (이벤트와의 연관성)

삼성의 검색량 피크는 애플보다 수치는 낮지만, 역시 신제품 발표와 관련이 깊습니다.

• 1차 피크: 2024년 7월 10일~12일 (지수: 5.6 ~ 7.0)

  • 이벤트: 하반기 갤럭시 언팩 (Z폴드6, Z플립6 공개)

  • 분석: 새로운 폴더블폰과 갤럭시 워치, 버즈 등이 공개되면서 관심이 일시적으로 증가했습니다.

• 2차 피크: 2024년 10월, 2025년 1월, 2025년 3월

  • 이벤트: 갤럭시 S25 시리즈 공개 및 출시, 중저가폰(A시리즈) 출시

  • 분석:

    • 2025년 1월 말 (지수: ~6.0): 상반기 주력 모델인 갤럭시 S25 시리즈 공개 시점으로 추정됩니다.

    • 2025년 3월 말 (지수: ~7.0): S25 시리즈의 국내 본격 출시 및 마케팅이 집중되거나, 판매량이 높은 A시리즈 신모델이 출시되며 검색량이 증가했을 가능성이 높습니다.

    • 2024년 10월 (지수: ~6.9): 갤럭시 S24 FE(팬 에디션) 등 파생 모델 출시나 연말 프로모션 관련 이슈로 보입니다.

4. 비교 분석 및 인사이트

• 관심도의 질적 차이: '애플'은 남성 소비자에게 하나의 '기대되는 이벤트'이자 'IT 축제'로 인식되는 반면, '삼성'은 필요에 따라 정보를 찾아보는 '기능적 검색'의 성격이 강하게 나타납니다.

• 키워드의 함정: '삼성'이라는 키워드는 삼성전자뿐만 아니라 삼성물산, 삼성생명 등 그룹사 전체를 포괄할 수 있습니다. 반면 '애플'은 대부분 IT 기업 애플을 지칭하므로, 검색어의 명확성에서 애플이 더 유리했을 수 있습니다. 만약 '갤럭시'로 검색했다면 다른 결과가 나왔을 수 있습니다.

• 마케팅 전략의 결과: 애플의 철저한 비밀주의와 정해진 시기에 모든 것을 공개하는 '키노트' 중심의 마케팅이 대중의 궁금증과 기대감을 극대화하여 검색량 폭증으로 이어지는 것을 데이터를 통해 확인할 수 있습니다.

결론

지난 1년간 네이버에서 남성 사용자들의 검색 트렌드를 보면, '애플'은 브랜드 충성도와 이벤트 파급력 면에서 '삼성'을 압도하고 있습니다. 애플의 검색량은 글로벌 이벤트와 정확히 동기화되어 움직이는 반면, 삼성은 신제품 출시 시기에도 상대적으로 완만한 관심도 상승에 그쳤습니다.

이는 남성 IT 소비자들이 애플의 혁신과 새로운 소식에 매우 민감하게 반응하며, 이를 하나의 문화적 현상으로 소비하고 있음을 시사합니다.

아래 코드는 pandas로 데이터를 가공하고 matplotlib 라이브러리를 사용하여 시계열 그래프를 생성합니다. 특히, 야구 비시즌 기간을 음영으로 표시하고, 분석에서 언급된 주요 급등 지점을 주석으로 강조하여 패턴을 한눈에 파악할 수 있도록 했습니다.

준비 사항

먼저 필요한 라이브러리를 설치해야 합니다. 터미널 또는 명령 프롬프트에서 아래 명령어를 실행하세요.

      pip install pandas matplotlib openpyxl
    

Python 시각화 코드

아래 코드를 datalab.xlsx 파일이 있는 동일한 폴더에 .py 파일로 저장하고 실행하세요.

      import pandas as pd
import matplotlib.pyplot as plt
import platform
from matplotlib import font_manager, rc

def set_korean_font():
    """ 운영체제에 맞는 한글 폰트를 설정합니다. """
    os_name = platform.system()
    
    # 폰트 경로를 직접 지정하거나 시스템에 설치된 폰트를 사용합니다.
    if os_name == 'Windows':
        font_name = font_manager.FontProperties(fname="c:/Windows/Fonts/malgun.ttf").get_name()
        rc('font', family=font_name)
    elif os_name == 'Darwin': # macOS
        rc('font', family='AppleGothic')
    elif os_name == 'Linux':
        # 리눅스에서는 나눔폰트 등 설치된 폰트 경로를 확인해야 합니다.
        # 예: rc('font', family='NanumGothic')
        # 폰트가 없다면 설치 필요: sudo apt-get install fonts-nanum*
        try:
            rc('font', family='NanumGothic')
        except:
            print("나눔고딕 폰트가 설치되어 있지 않습니다. 폰트 설정을 확인해주세요.")
    else:
        print("알 수 없는 운영체제입니다. 폰트 설정이 필요할 수 있습니다.")
    
    # 마이너스 부호 깨짐 방지
    plt.rcParams['axes.unicode_minus'] = False


def visualize_search_trend(file_path='datalab.xlsx'):
    """
    엑셀 파일 데이터를 읽어 '롯데'와 '한화'의 검색량 추이를 시각화합니다.
    - 야구 비시즌 기간을 음영으로 표시
    - 주요 검색량 급등 지점을 주석으로 강조
    """
    try:
        # 1. 데이터 불러오기 및 전처리
        # 메타데이터 6줄을 건너뛰고 데이터를 로드합니다.
        df = pd.read_excel(file_path, skiprows=6)
        
        # 컬럼명이 '날짜', '롯데', '날짜.1', '한화' 등으로 자동 지정될 수 있으므로 정리합니다.
        # 첫 4개 컬럼만 사용하고, 컬럼명을 명시적으로 지정합니다.
        df = df.iloc[:, [0, 1, 3]]
        df.columns = ['날짜', '롯데', '한화']
        
        # '날짜' 컬럼을 datetime 형식으로 변환하고 인덱스로 설정합니다.
        df['날짜'] = pd.to_datetime(df['날짜'])
        df.set_index('날짜', inplace=True)
        
    except FileNotFoundError:
        print(f"오류: '{file_path}' 파일을 찾을 수 없습니다. 파일이 코드와 같은 위치에 있는지 확인해주세요.")
        return
    except Exception as e:
        print(f"데이터 처리 중 오류가 발생했습니다: {e}")
        return

    # 2. 시각화 설정
    set_korean_font()
    fig, ax = plt.subplots(figsize=(18, 8))

    # 3. 데이터 플로팅
    ax.plot(df.index, df['롯데'], label='롯데', color='darkblue', linewidth=2, alpha=0.8)
    ax.plot(df.index, df['한화'], label='한화', color='orangered', linewidth=2, alpha=0.8)

    # 4. 계절적 패턴 분석 하이라이트 (야구 비시즌 음영 처리)
    # 비시즌: 2024년 11월 ~ 2025년 2월
    off_season_start = pd.to_datetime('2024-11-01')
    off_season_end = pd.to_datetime('2025-02-28')
    ax.axvspan(off_season_start, off_season_end, color='grey', alpha=0.2, label='야구 비시즌 (11월~2월)')

    # 5. 주요 이벤트 지점 주석 추가
    # 롯데: 2024년 11월 28일 (비시즌 급등)
    lotte_peak_date = pd.to_datetime('2024-11-28')
    lotte_peak_value = df.loc[lotte_peak_date, '롯데']
    ax.annotate('롯데, 비시즌 급등\n(쇼핑 이벤트 추정)',
                xy=(lotte_peak_date, lotte_peak_value),
                xytext=(lotte_peak_date, lotte_peak_value + 10),
                arrowprops=dict(facecolor='darkblue', shrink=0.05, width=1, headwidth=8),
                fontsize=11, fontweight='bold', ha='center', color='darkblue')

    # 한화: 2025년 5월 13일 (시즌 중 최고치)
    hanwha_peak_date = pd.to_datetime('2025-05-13')
    hanwha_peak_value = df.loc[hanwha_peak_date, '한화']
    ax.annotate('한화, 검색량 최대치\n(팀 성적/이슈 폭증 추정)',
                xy=(hanwha_peak_date, hanwha_peak_value),
                xytext=(hanwha_peak_date, hanwha_peak_value - 20),
                arrowprops=dict(facecolor='orangered', shrink=0.05, width=1, headwidth=8),
                fontsize=11, fontweight='bold', ha='center', color='orangered')

    # 6. 그래프 스타일링
    ax.set_title('롯데 vs 한화 검색량 추이 분석 (13~39세 여성)', fontsize=18, fontweight='bold', pad=20)
    ax.set_ylabel('상대적 검색량', fontsize=12)
    ax.set_xlabel('날짜', fontsize=12)
    ax.legend(fontsize=12, loc='upper left')
    ax.grid(True, linestyle='--', alpha=0.6)
    
    # x축 날짜 형식 설정
    ax.xaxis.set_major_locator(mdates.MonthLocator(interval=1))
    ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
    plt.xticks(rotation=45)
    
    fig.tight_layout()
    plt.show()


# --- 메인 코드 실행 ---
if __name__ == '__main__':
    visualize_search_trend()
    

IGNORE_WHEN_COPYING_START

content_copy download

Use code with caution. Python

IGNORE_WHEN_COPYING_END

실행 결과 그래프

이 코드를 실행하면 다음과 같은 그래프가 생성됩니다.

그래프 해석

• 전체적인 추이: 주황색 선('한화')이 파란색 선('롯데')보다 전반적으로 상위에 위치하며, 특히 야구 시즌 동안 더 높은 관심도를 유지하는 것을 볼 수 있습니다.

• 계절적 패턴 (음영 영역): 회색 음영으로 표시된 '야구 비시즌' (11월~2월)에는 두 키워드 모두 검색량이 현저히 낮아집니다. 이는 주된 관심사가 프로야구임을 명확히 보여줍니다.

• '롯데'의 비시즌 급등 (파란색 화살표): 야구 비시즌임에도 불구하고 2024년 11월 말에 '롯데' 검색량이 비정상적으로 치솟았습니다. 이는 분석 내용처럼 야구 외적인 요인(대규모 쇼핑 행사 등)에 의한 것임을 시각적으로 확인할 수 있습니다.

• '한화'의 시즌 중 폭증 (주황색 화살표): 2025년 5월, '한화'의 검색량이 압도적인 최대치를 기록합니다. 이는 팀의 뛰어난 성적이나 스타 플레이어 관련 이슈 등 팬덤을 결집시키는 강력한 이벤트가 있었음을 극적으로 보여줍니다.

이처럼 시각화는 텍스트 분석 결과를 보완하여 데이터의 패턴과 인사이트를 훨씬 직관적이고 명확하게 전달하는 강력한 도구입니다.

아래 코드는 pandas로 데이터를 정리하고 matplotlib과 seaborn을 이용해 시계열 꺾은선 그래프(Line Chart)를 생성합니다. 이 그래프는 각 구단의 검색량 추이를 한눈에 비교할 수 있도록 도와줍니다.

결과물 미리보기

코드를 실행하면 다음과 같은 그래프가 생성됩니다.

Python 코드 (데이터 시각화)

아래 코드를 복사하여 Jupyter Notebook, Google Colab 또는 로컬 Python 환경에서 실행해 보세요.

      import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import platform

# --------------------------------------------------------------------------
# 1. 한글 폰트 설정 (그래프에 한글이 깨지지 않게 하기 위함)
# --------------------------------------------------------------------------
# OS별로 다른 폰트 경로 설정
if platform.system() == 'Windows':
    # 윈도우의 경우
    plt.rc('font', family='Malgun Gothic')
elif platform.system() == 'Darwin':
    # Mac의 경우
    plt.rc('font', family='AppleGothic')
else:
    # Google Colab, Linux 등
    # 나눔 폰트 설치가 필요할 수 있습니다.
    # !sudo apt-get install -y fonts-nanum
    # !fc-cache -fv
    # !rm ~/.cache/matplotlib -rf
    plt.rc('font', family='NanumGothic')

# 마이너스 부호 깨짐 방지
plt.rcParams['axes.unicode_minus'] = False


# --------------------------------------------------------------------------
# 2. 데이터 준비
# --------------------------------------------------------------------------
# 제공된 엑셀 데이터를 Python 딕셔너리 형태로 정리
data = {
    '날짜': [
        '2025-05-09', '2025-05-10', '2025-05-11', '2025-05-12', '2025-05-13',
        '2025-05-14', '2025-05-15', '2025-05-16', '2025-05-17', '2025-05-18',
        '2025-05-19', '2025-05-20', '2025-05-21', '2025-05-22', '2025-05-23',
        '2025-05-24', '2025-05-25', '2025-05-26', '2025-05-27', '2_2025-05-28',
        '2025-05-29', '2025-05-30', '2025-05-31', '2025-06-01', '2025-06-02',
        '2025-06-03', '2025-06-04', '2025-06-05', '2025-06-06', '2025-06-07',
        '2025-06-08', '2025-06-09'
    ],
    'LG 트윈스': [
        45.66, 70.53, 62.11, 30.86, 66.83, 64.92, 58.54, 62.11, 100.0, 49.87,
        42.09, 72.19, 72.19, 68.11, 62.37, 58.03, 53.31, 28.95, 45.15, 56.63,
        57.14, 59.18, 48.46, 55.73, 31.37, 46.42, 53.06, 40.30, 39.03, 36.35,
        45.15, 30.10
    ],
    '두산 베어스': [
        0, 1.40, 0.76, 0.63, 1.02, 0, 0, 0, 0.76, 0, 0, 0, 0, 0, 0, 0, 0,
        0.63, 1.78, 0.63, 0, 0, 0.63, 0, 0, 0, 1.02, 0, 0, 0, 0, 0
    ],
    '한화 이글스': [
        0.63, 0.63, 0, 1.14, 0.63, 0.76, 1.02, 0, 0.63, 0, 0, 0.63, 0, 0, 0,
        0, 0, 0, 0, 0.76, 0, 0, 0, 0.89, 0, 0.63, 0.63, 1.14, 0, 1.02, 0, 0
    ],
    '롯데 자이언츠': [
        8.80, 5.10, 5.61, 1.91, 5.73, 4.20, 2.67, 4.71, 6.12, 2.55, 2.42, 4.59,
        4.08, 5.48, 5.73, 3.18, 6.25, 2.55, 5.48, 1.27, 2.55, 2.42, 3.18, 3.82,
        1.91, 2.55, 3.69, 3.06, 3.18, 2.80, 4.33, 3.18
    ],
    'SSG 랜더스': [
        9.18, 7.14, 11.73, 4.97, 9.43, 5.99, 7.90, 5.86, 7.78, 5.48, 5.86, 9.56,
        6.25, 7.90, 9.31, 5.99, 6.63, 3.95, 7.65, 6.12, 5.48, 7.14, 4.97, 5.73,
        1.78, 8.03, 8.41, 7.27, 6.88, 7.52, 6.76, 3.18
    ]
}

# Pandas DataFrame으로 변환
df = pd.DataFrame(data)

# '날짜' 컬럼을 datetime 형식으로 변환하여 시간 순서대로 정렬되도록 함
df['날짜'] = pd.to_datetime(df['날짜'])

# DataFrame의 '날짜'를 인덱스로 설정
df.set_index('날짜', inplace=True)


# --------------------------------------------------------------------------
# 3. 데이터 시각화 (그래프 그리기)
# --------------------------------------------------------------------------
# 그래프 스타일 설정
sns.set_style("whitegrid")

# 그래프 크기 설정
plt.figure(figsize=(16, 8))

# 각 구단별로 꺾은선 그래프 그리기
for team in df.columns:
    if team == 'LG 트윈스':
        # LG 트윈스 라인은 강조하기 위해 더 두껍고 명확한 색상으로 표시
        plt.plot(df.index, df[team], marker='o', linestyle='-', label=team, linewidth=3, zorder=5)
    else:
        # 다른 팀들은 기본 스타일로 표시
        plt.plot(df.index, df[team], marker='.', linestyle='--', label=team, alpha=0.7)

# 그래프 제목 및 축 레이블 설정
plt.title('KBO 구단별 검색량 추이 비교 (2025-05-09 ~ 2025-06-09)', fontsize=20, pad=20)
plt.xlabel('날짜 (Date)', fontsize=12)
plt.ylabel('상대적 검색량 (0-100)', fontsize=12)

# 범례(Legend) 표시
plt.legend(title='구단명', fontsize=11)

# y축 범위를 0부터 100까지로 설정하여 비교를 용이하게 함
plt.ylim(0, 105)

# 그리드 추가
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

# 레이아웃을 깔끔하게 자동 조정
plt.tight_layout()

# 그래프 출력
plt.show()
    

코드 설명

1. 한글 폰트 설정: matplotlib에서 한글을 사용하면 글자가 깨지는 현상이 자주 발생합니다. 코드 시작 부분에서 사용자의 운영체제(OS)를 자동으로 감지하여 Windows는 '맑은 고딕', macOS는 'AppleGothic'을 기본 폰트로 설정합니다. 이를 통해 그래프의 제목, 축 레이블, 범례에 포함된 한글이 정상적으로 표시됩니다.

2. 데이터 준비: 제공해주신 데이터를 pandas의 DataFrame 형식으로 변환했습니다. DataFrame은 표 형식의 데이터를 다루는 데 매우 효율적입니다. '날짜' 열을 문자열(string)에서 날짜/시간(datetime) 형식으로 변환하여 시간 순서에 따른 분석과 시각화를 용이하게 했습니다.

3. 데이터 시각화:

   • plt.figure(figsize=(16, 8)): 그래프의 전체 크기를 가로 16, 세로 8인치로 지정하여 넉넉한 공간을 확보합니다.

   • for team in df.columns: ...: for 반복문을 사용해 5개 구단(DataFrame의 각 열)의 데이터를 순차적으로 그래프에 그립니다.

   • LG 트윈스 강조: 분석에서 언급했듯 압도적인 검색량을 보인 'LG 트윈스'의 선은 다른 팀과 구별되도록 더 굵고(linewidth=3), 동그란 마커(marker='o')를 사용해 시각적으로 강조했습니다.

   • 제목 및 레이블: plt.title, plt.xlabel, plt.ylabel 함수로 그래프의 제목과 X, Y축의 이름을 붙여 어떤 데이터인지 명확히 했습니다.

   • 범례: plt.legend()는 각 선이 어떤 구단을 나타내는지 알려주는 범례를 표시합니다.

   • plt.show(): 완성된 그래프를 화면에 출력합니다.

이 코드를 통해 구단별 검색량의 흐름, 특정 날짜의 급등, 그리고 팀 간의 격차를 직관적으로 파악하실 수 있습니다.

이 코드는 다음과 같은 기능을 포함합니다.

1. 제공된 텍스트 데이터를 pandas DataFrame으로 변환합니다.

2. matplotlib과 seaborn을 사용하여 시계열 라인 그래프를 그립니다.

3. '미국'과 '트럼프'의 검색량 추이를 한눈에 비교할 수 있도록 시각화합니다.

4. 분석에서 언급된 주요 급등 지점(Spike)을 그래프에 직접 표시하여 인사이트를 강조합니다.

5. 그래프에 제목, 축 레이블, 범례 등을 추가하여 가독성을 높입니다.

Python 코드

      import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import io

# 1. 데이터 준비
# 제공된 텍스트 데이터를 문자열로 저장합니다.
data_string = """url,http://datalab.naver.com/keyword/trendResult.naver?hashKey=N_9ebab53a506c10f8f95e181e9805a394,,
주제,통검,,
범위,합계,,
기간,일간 : 2025-03-09 ~ 2025-06-09,,
성별,"전체(여성,남성)",,
연령대,전체,,
날짜,미국,날짜,트럼프
2025-03-09,2.37149,2025-03-09,10.54596
2025-03-10,3.19066,2025-03-10,19.6815
2025-03-11,4.02416,2025-03-11,41.39193
2025-03-12,3.56692,2025-03-12,23.83109
2025-03-13,3.07814,2025-03-13,15.88954
2025-03-14,2.72625,2025-03-14,15.67597
2025-03-15,2.65673,2025-03-15,10.17687
2025-03-16,3.07743,2025-03-16,10.09087
2025-03-17,3.46802,2025-03-17,11.97718
2025-03-18,3.19138,2025-03-18,12.54264
2025-03-19,2.92764,2025-03-19,11.96213
2025-03-20,3.20356,2025-03-20,9.37419
2025-03-21,2.71622,2025-03-21,9.41074
2025-03-22,2.02605,2025-03-22,6.48596
2025-03-23,2.37149,2025-03-23,4.9236
2025-03-24,2.90829,2025-03-24,9.39712
2025-03-25,2.79577,2025-03-25,10.31877
2025-03-26,2.49333,2025-03-26,7.40833
2025-03-27,2.823,2025-03-27,13.89932
2025-03-28,2.71335,2025-03-28,10.43918
2025-03-29,2.49763,2025-03-29,10.0321
2025-03-30,2.19089,2025-03-30,7.4155
2025-03-31,2.91187,2025-03-31,21.16217
2025-04-01,2.97996,2025-04-01,16.03288
2025-04-02,2.91331,2025-04-02,19.95097
2025-04-03,4.74514,2025-04-03,50.63211
2025-04-04,5.76785,2025-04-04,35.40693
2025-04-05,3.67729,2025-04-05,28.6393
2025-04-06,3.377,2025-04-06,22.14832
2025-04-07,6.47736,2025-04-07,100.0
2025-04-08,4.51294,2025-04-08,60.72155
2025-04-09,5.66178,2025-04-09,72.35687
2025-04-10,6.42576,2025-04-10,81.39709
2025-04-11,4.16463,2025-04-11,41.22136
2025-04-12,2.88464,2025-04-12,22.10174
2025-04-13,2.6811,2025-04-13,19.69584
2025-04-14,3.4114,2025-04-14,32.51153
2025-04-15,3.13404,2025-04-15,27.0884
2025-04-16,3.48593,2025-04-16,33.37943
2025-04-17,3.21144,2025-04-17,26.63116
2025-04-18,2.71407,2025-04-18,18.39291
2025-04-19,2.41449,2025-04-19,14.21537
2025-04-20,2.22171,2025-04-20,13.58254
2025-04-21,2.91904,2025-04-21,25.32967
2025-04-22,2.90112,2025-04-22,28.67657
2025-04-23,2.87962,2025-04-23,31.93676
2025-04-24,2.79362,2025-04-24,25.62064
2025-04-25,2.69687,2025-04-25,17.84536
2025-04-26,1.9594,2025-04-26,13.39549
2025-04-27,1.83972,2025-04-27,10.46856
2025-04-28,2.17512,2025-04-28,13.23352
2025-04-29,2.32276,2025-04-29,15.96336
2025-04-30,2.74704,2025-04-30,16.87283
2025-05-01,2.28693,2025-05-01,11.81664
2025-05-02,2.29696,2025-05-02,10.23779
2025-05-03,1.88917,2025-05-03,8.9707
2025-05-04,1.74153,2025-05-04,7.96089
2025-05-05,2.06619,2025-05-05,10.74162
2025-05-06,2.054,2025-05-06,10.01204
2025-05-07,2.91474,2025-05-07,27.7327
2025-05-08,2.75635,2025-05-08,46.09336
2025-05-09,2.98999,2025-05-09,41.49084
2025-05-10,2.32778,2025-05-10,16.45572
2025-05-11,2.26041,2025-05-11,13.71871
2025-05-12,3.80629,2025-05-12,25.31247
2025-05-13,2.94556,2025-05-13,14.33147
2025-05-14,2.63308,2025-05-14,12.78058
2025-05-15,2.5951,2025-05-15,12.48745
2025-05-16,2.25754,2025-05-16,8.56147
2025-05-17,2.75349,2025-05-17,7.33666
2025-05-18,2.38726,2025-05-18,7.29008
2025-05-19,3.50743,2025-05-19,13.56964
2025-05-20,2.73342,2025-05-20,10.43058
2025-05-21,2.50336,2025-05-21,7.94728
2025-05-22,2.98641,2025-05-22,10.26216
2025-05-23,3.19353,2025-05-23,24.09483
2025-05-24,2.09557,2025-05-24,13.25072
2025-05-25,2.0454,2025-05-25,7.96949
2025-05-26,2.7284,2025-05-26,11.39308
2025-05-27,2.58937,2025-05-27,10.24711
2025-05-28,2.66605,2025-05-28,9.0352
2025-05-29,2.76424,2025-05-29,15.26603
2025-05-30,2.4876,2025-05-30,15.25958
2025-05-31,1.97589,2025-05-31,12.83218
2025-06-01,1.99595,2025-06-01,7.90643
2025-06-02,2.48043,2025-06-02,11.86752
2025-06-03,2.49333,2025-06-03,10.29584
2025-06-04,7.92864,2025-06-04,29.5115
2025-06-05,5.44462,2025-06-05,40.42513
2025-06-06,4.64051,2025-06-06,53.08388
2025-06-07,2.95487,2025-06-07,26.41544
2025-06-08,3.32396,2025-06-08,12.56127
2025-06-09,7.00412,2025-06-09,17.19175"""

# 문자열 데이터를 파일처럼 읽기 위해 io.StringIO를 사용하고, 헤더 6줄을 건너뜁니다.
# 중복된 날짜 컬럼을 처리하기 위해 컬럼명을 지정합니다.
df = pd.read_csv(io.StringIO(data_string), skiprows=7, names=['날짜', '미국', '날짜_중복', '트럼프'])

# 2. 데이터 전처리
# 불필요한 컬럼('날짜_중복')을 제거합니다.
df = df.drop(columns=['날짜_중복'])
# '날짜' 컬럼을 datetime 형식으로 변환합니다.
df['날짜'] = pd.to_datetime(df['날짜'])
# '미국', '트럼프' 컬럼을 숫자(float) 형식으로 변환합니다.
df['미국'] = pd.to_numeric(df['미국'])
df['트럼프'] = pd.to_numeric(df['트럼프'])


# 3. 데이터 시각화
# 한글 폰트 설정 (Windows: Malgun Gothic, macOS: AppleGothic)
# 자신의 운영체제에 맞는 폰트로 설정해주세요.
try:
    plt.rcParams['font.family'] = 'Malgun Gothic'
except:
    plt.rcParams['font.family'] = 'AppleGothic'
plt.rcParams['axes.unicode_minus'] = False # 마이너스 기호 깨짐 방지

# 그래프 스타일과 크기 설정
sns.set_style("whitegrid")
plt.figure(figsize=(16, 8))

# 라인 그래프 그리기
plt.plot(df['날짜'], df['미국'], label='미국', color='cornflowerblue', marker='o', markersize=4, linestyle='--')
plt.plot(df['날짜'], df['트럼프'], label='트럼프', color='tomato', marker='o', markersize=4)

# 4. 주요 지점(Spike) 강조 (Annotation)
# '트럼프' 검색량 최대 지점
peak_trump = df.loc[df['트럼프'].idxmax()]
plt.annotate(f'트럼프 검색량 최대치\n({peak_trump["날짜"].strftime("%Y-%m-%d")})',
             xy=(peak_trump['날짜'], peak_trump['트럼프']),
             xytext=(peak_trump['날짜'], peak_trump['트럼프'] + 5),
             ha='center',
             arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8),
             fontsize=12,
             bbox=dict(boxstyle='round,pad=0.3', fc='yellow', alpha=0.3))

# '미국' 검색량 최대 지점
peak_usa = df.loc[df['미국'].idxmax()]
plt.annotate(f'미국 검색량 최대치\n({peak_usa["날짜"].strftime("%Y-%m-%d")})',
             xy=(peak_usa['날짜'], peak_usa['미국']),
             xytext=(peak_usa['날짜'], peak_usa['미국'] + 15),
             ha='center',
             arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8),
             fontsize=12,
             bbox=dict(boxstyle='round,pad=0.3', fc='lightblue', alpha=0.5))

# 5. 그래프 꾸미기
plt.title("'미국' vs '트럼프' 네이버 검색량 추이 (2025-03-09 ~ 2025-06-09)", fontsize=18, pad=20)
plt.xlabel("날짜", fontsize=12)
plt.ylabel("상대적 검색량 지수 (최대치=100)", fontsize=12)
plt.xticks(rotation=45) # x축 날짜 라벨 45도 회전
plt.legend(fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout() # 그래프 요소들이 겹치지 않게 조정

# 그래프 보여주기
plt.show()
    

코드 실행 결과 및 그래프 설명

위 코드를 실행하면 다음과 같은 그래프가 생성됩니다.

이 시각화를 통해 알 수 있는 점

1. 검색량의 압도적 차이: '트럼프'(붉은색 선)의 검색량이 '미국'(파란색 선)보다 훨씬 높고 변동성도 크다는 것을 한눈에 알 수 있습니다. 이는 앞서 분석한 대로, '트럼프'가 미국 관련 이슈의 핵심임을 시각적으로 증명합니다.

2. 이벤트 기반의 급등(Spike) 패턴: 평소 잔잔하던 검색량이 특정 시점에 수직으로 치솟는 모습이 명확하게 보입니다. 특히 2025년 4월 7일에 '트럼프' 검색량이 100을 기록하며 정점을 찍은 것이 뚜렷하게 나타납니다.

3. 두 키워드의 동조화 현상: '트럼프' 검색량이 급등하는 시점(예: 4월 초, 6월 초)에 '미국'의 검색량도 함께 상승하는 패턴을 볼 수 있습니다. 2025년 6월 4일에는 '미국' 검색량이 자체 최고치를 기록했는데, 이 또한 '트럼프' 검색량이 급등하던 시기와 맞물립니다.

4. 인사이트 강조: 그래프에 추가된 주석(Annotation)은 가장 중요한 데이터 포인트(각 키워드의 최고점)를 직접 가리켜, 보는 사람이 "이날 무슨 일이 있었지?"라는 질문을 자연스럽게 떠올리게 합니다. 이는 데이터가 가진 스토리를 더욱 효과적으로 전달하는 역할을 합니다.

이처럼 데이터 시각화는 텍스트나 표로만 봤을 때 파악하기 어려운 패턴, 추세, 이상치를 직관적으로 이해할 수 있도록 도와주는 강력한 도구입니다.

자신이 예측한 결과와 어느정도 차이가 있는지 작성.

추후 발전계획을 작성

1. 기본 분석 문제 (Basic Questions)

이 단계의 문제들은 데이터에서 특정 정보를 정확히 찾아내고 기본적인 계산을 수행하는 능력을 확인합니다.

1. 최고/최저점 찾기:

   • 'RTX5070'의 검색량이 가장 높았던 날짜와 그 때의 검색 지수는 얼마인가요?

   • 'RTX3080'의 검색량이 2024년 6월 9일부터 2024년 12월 31일 사이에 가장 낮았던 날짜와 그 때의 검색 지수는 얼마인가요?

2. 특정 시점 데이터 비교:

   • 'RTX5070'의 검색량이 폭등하기 시작한 2025년 1월 7일에 'RTX3080'의 검색 지수는 얼마였나요? 두 키워드의 지수 차이는 얼마인가요?

3. 월별 평균 계산:

   • 2024년 12월 한 달간 'RTX3080'의 일평균 검색 지수는 얼마인가요?

   • 2025년 2월 한 달간 'RTX5070'의 일평균 검색 지수는 얼마인가요?

4. 역전 시점 찾기:

   • 'RTX5070'의 검색량이 'RTX3080'의 검색량을 처음으로 넘어선 날짜는 언제인가요?

2. 심층 분석 문제 (In-depth Analysis)

이 단계의 문제들은 데이터의 추세(Trend)와 패턴(Pattern)을 파악하고, 그 이유를 논리적으로 추론하는 능력을 확인합니다.

1. 'RTX5070' 검색량 급증 현상 분석:

   • 2025년 1월 7일을 기점으로 'RTX5070'의 검색량이 폭발적으로 증가한 후 점차 감소하는 패턴을 보입니다. 이 현상의 원인은 무엇이라고 추정할 수 있을까요? (예: CES에서의 신제품 발표, 엠바고 해제, 공식 출시일 공개 등) 이 데이터 패턴이 소비자들의 어떤 심리나 행동 단계를 나타내는지 설명해 보세요.

2. 두 키워드 간의 관계 변화 분석:

   • 2024년에는 'RTX3080'에 대한 관심이 'RTX5070'보다 꾸준히 높게 유지되다가, 2025년 초를 기점으로 관계가 완전히 역전됩니다. 이 현상이 의미하는 바는 무엇일까요? 기존 제품(RTX3080)과 출시 예정 신제품(RTX5070)에 대한 소비자 관심도 변화의 전형적인 패턴이라고 할 수 있는지, 그렇다면 그 이유는 무엇인지 분석해 보세요.

3. 'RTX3080' 검색량 트렌드 분석:

   • 'RTX3080'의 검색량은 전반적으로 하향 안정화 추세를 보이지만, 특정 시점(예: 2024년 8월 말, 2024년 12월 말~2025년 1월 초)에 소폭 상승하는 구간이 있습니다. 이러한 단기적인 상승의 원인은 무엇일 수 있을까요? (예: 연말 할인 시즌, 신규 대작 게임 출시, 중고 가격 변동 등) 데이터의 대상이 '남성'이라는 점과 연관 지어 설명해 보세요.

3. 응용 문제 (Application & Strategy)

이 단계의 문제들은 분석한 결과를 바탕으로 실제 비즈니스 상황에 적용하여 의사결정을 내리거나 전략을 제안하는 능력을 확인합니다.

1. 마케팅 전략 수립 (PC 쇼핑몰 마케터)

   • 당신은 PC 부품을 판매하는 온라인 쇼핑몰의 마케팅 담당자입니다. 이 데이터를 바탕으로 2025년 상반기 그래픽카드 판매 전략을 수립해 주세요.

     • RTX5070: 언제부터 예약 판매/사전 알림 이벤트를 시작하는 것이 가장 효과적일까요? 가장 많은 광고 예산을 투입해야 할 '골든 타임'은 언제라고 판단할 수 있나요?

     • RTX3080: 'RTX5070' 출시 이후, 기존 'RTX3080' 재고를 소진하기 위한 가격 할인 및 프로모션은 언제, 어떤 방식으로 진행하는 것이 좋을까요? 데이터에 근거하여 제안해 보세요.

2. 콘텐츠 기획 (테크 유튜버/기자)

   • 당신은 IT 기기를 리뷰하는 테크 유튜버입니다. 이 데이터를 활용하여 2025년 3월에 "RTX5070, 과연 지금 사도 될까? RTX3080 존버는 현명한 선택?"이라는 주제의 영상을 기획하려고 합니다.

     • 시청자들의 가장 큰 궁금증이 무엇일지 이 데이터를 통해 어떻게 유추할 수 있을까요?

     • 영상의 도입부에서 시청자의 흥미를 끌기 위해 어떤 데이터 포인트를 언급하며 이야기를 시작하시겠습니까? (예: "지난 1월, RTX5070 검색량이 무려 100을 돌파하며 폭발적인 관심을 보였는데요...")

3. 경쟁사 제품 출시 전략 (AMD 마케팅팀)

   • 당신은 NVIDIA의 경쟁사인 AMD의 마케팅팀 직원입니다. 이 데이터를 통해 파악한 NVIDIA의 신제품(RTX5070)에 대한 한국 남성 소비자들의 관심도 패턴을 분석하고, 자사의 차세대 그래픽카드(가칭 RX 8700 XT) 출시 및 마케팅 전략에 대한 시사점을 도출해 보세요.

     • 경쟁 제품(RTX5070)의 관심이 최고조에 달했을 때 맞불 작전을 펼쳐야 할까요, 아니면 관심이 다소 하락했을 때를 노려야 할까요? 각 전략의 장단점을 데이터에 기반하여 설명해 보세요.

import matplotlib.pyplot as plt

import seaborn as sns

import io

# 한글 폰트 설정 (Windows, Mac, Colab 등 환경에 맞게)

# 위에서 나눔폰트를 설치했으므로 Colab에서는 'NanumGothic'을 사용합니다.

plt.rc('font', family='NanumGothic')

# Windows 사용자: plt.rc('font', family='Malgun Gothic')

# Mac 사용자: plt.rc('font', family='AppleGothic')

# 마이너스 부호 깨짐 방지

plt.rcParams['axes.unicode_minus'] = False

# 1. 데이터 준비: 제공된 텍스트 데이터를 문자열로 만듭니다.

data = """날짜,닌텐도스위치2출시일,날짜2,닌텐도스위치2가격

2025-03-09,14.09306,2025-03-09,3.72269

2025-03-10,12.59259,2025-03-10,3.1149

2025-03-11,13.73219,2025-03-11,3.00094

2025-03-12,13.08641,2025-03-12,3.24786

2025-03-13,12.63057,2025-03-13,2.92497

2025-03-14,11.92782,2025-03-14,3.45679

2025-03-15,15.1187,2025-03-15,4.38746

2025-03-16,18.78442,2025-03-16,4.74833

2025-03-17,15.19468,2025-03-17,4.04558

2025-03-18,18.40455,2025-03-18,3.81766

2025-03-19,17.72079,2025-03-19,4.00759

2025-03-20,16.77113,2025-03-20,3.72269

2025-03-21,14.11206,2025-03-21,3.20987

2025-03-22,10.19943,2025-03-22,3.53276

2025-03-23,12.06077,2025-03-23,4.08357

2025-03-24,12.47863,2025-03-24,4.72934

2025-03-25,9.9715,2025-03-25,5.43209

2025-03-26,7.9962,2025-03-26,4.67236

2025-03-27,8.8509,2025-03-27,5.96391

2025-03-28,17.01804,2025-03-28,6.11585

2025-03-29,10.19943,2025-03-29,6.00189

2025-03-30,10.19943,2025-03-30,5.81196

2025-03-31,9.23076,2025-03-31,4.90028

2025-04-01,13.96011,2025-04-01,5.79297

2025-04-02,43.1149,2025-04-02,83.22886

2025-04-03,25.1282,2025-04-03,87.6923

2025-04-04,13.20037,2025-04-04,23.28584

2025-04-05,14.22602,2025-04-05,17.05603

2025-04-06,15.85944,2025-04-06,13.92212

2025-04-07,12.80151,2025-04-07,13.90313

2025-04-08,12.07977,2025-04-08,11.05413

2025-04-09,13.58024,2025-04-09,11.03513

2025-04-10,17.45489,2025-04-10,16.94207

2025-04-11,12.5546,2025-04-11,14.11206

2025-04-12,12.38366,2025-04-12,12.11775

2025-04-13,12.09876,2025-04-13,12.32668

2025-04-14,11.47198,2025-04-14,10.38936

2025-04-15,12.09876,2025-04-15,9.55365

2025-04-16,9.93352,2025-04-16,8.14814

2025-04-17,8.31908,2025-04-17,11.73789

2025-04-18,6.2678,2025-04-18,7.86324

2025-04-19,6.49572,2025-04-19,8.69895

2025-04-20,6.81861,2025-04-20,8.90788

2025-04-21,5.14719,2025-04-21,6.57169

2025-04-22,6.79962,2025-04-22,14.62488

2025-04-23,4.19753,2025-04-23,9.76258

2025-04-24,7.61633,2025-04-24,14.03608

2025-04-25,7.50237,2025-04-25,9.64862

2025-04-26,6.13485,2025-04-26,5.92592

2025-04-27,5.45109,2025-04-27,6.19183

2025-04-28,5.86894,2025-04-28,6.72364

2025-04-29,6.03988,2025-04-29,7.27445

2025-04-30,5.52706,2025-04-30,8.35707

2025-05-01,5.09021,2025-05-01,7.29344

2025-05-02,4.40645,2025-05-02,7.59734

2025-05-03,5.79297,2025-05-03,8.62298

2025-05-04,6.05887,2025-05-04,7.9962

2025-05-05,4.80531,2025-05-05,10.37037

2025-05-06,3.74169,2025-05-06,8.41405

2025-05-07,4.14055,2025-05-07,6.53371

2025-05-08,3.72269,2025-05-08,6.00189

2025-05-09,3.1149,2025-05-09,5.92592

2025-05-10,4.10256,2025-05-10,7.95821

2025-05-11,4.10256,2025-05-11,7.00854

2025-05-12,4.97625,2025-05-12,8.11016

2025-05-13,5.88793,2025-05-13,8.22412

2025-05-14,7.06552,2025-05-14,25.1282

2025-05-15,6.81861,2025-05-15,14.8338

2025-05-16,5.66001,2025-05-16,11.37701

2025-05-17,5.1282,2025-05-17,11.43399

2025-05-18,4.42545,2025-05-18,9.81956

2025-05-19,4.78632,2025-05-19,7.63532

2025-05-20,5.79297,2025-05-20,9.00284

2025-05-21,6.40075,2025-05-21,9.34472

2025-05-22,5.71699,2025-05-22,6.72364

2025-05-23,4.8433,2025-05-23,7.92022

2025-05-24,5.14719,2025-05-24,8.81291

2025-05-25,6.32478,2025-05-25,9.4207

2025-05-26,7.57834,2025-05-26,8.96486

2025-05-27,7.08452,2025-05-27,8.39506

2025-05-28,6.60968,2025-05-28,11.49097

2025-05-29,7.21747,2025-05-29,13.44729

2025-05-30,6.40075,2025-05-30,14.22602

2025-05-31,9.59164,2025-05-31,16.33428

2025-06-01,9.9715,2025-06-01,17.11301

2025-06-02,8.79392,2025-06-02,12.61158

2025-06-03,8.03418,2025-06-03,12.19373

2025-06-04,16.29629,2025-06-04,22.71604

2025-06-05,26.87559,2025-06-05,100.0

2025-06-06,22.31718,2025-06-06,97.39791

2025-06-07,15.21367,2025-06-07,70.19943

2025-06-08,11.18708,2025-06-08,39.56315

2025-06-09,7.80626,2025-06-09,28.45204

"""

# 문자열 데이터를 DataFrame으로 읽어오기

# 데이터 형식이 독특하므로, 필요한 컬럼만 선택하여 정리

df_raw = pd.read_csv(io.StringIO(data))

df = df_raw.iloc[:, [0, 1, 3]].copy() # '날짜', '닌텐도스위치2출시일', '닌텐도스위치2가격' 컬럼만 선택

df.columns = ['날짜', '출시일_검색량', '가격_검색량'] # 컬럼명 변경

# 2. 데이터 전처리

# '날짜' 컬럼을 datetime 객체로 변환

df['날짜'] = pd.to_datetime(df['날짜'])

# 요일 정보 추출 (한글로)

weekday_map = {0: '월', 1: '화', 2: '수', 3: '목', 4: '금', 5: '토', 6: '일'}

df['요일'] = df['날짜'].dt.weekday.map(weekday_map)

# 3. 데이터 시각화

# 시각화 1: 전체 기간 검색 트렌드 (라인 차트)

plt.figure(figsize=(16, 6))

plt.plot(df['날짜'], df['출시일_검색량'], label='닌텐도스위치2출시일', color='royalblue')

plt.plot(df['날짜'], df['가격_검색량'], label='닌텐도스위치2가격', color='tomato')

plt.title('닌텐도 스위치 2 관련 키워드 검색량 트렌드 (2025-03-09 ~ 2025-06-09)', fontsize=16)

plt.xlabel('날짜')

plt.ylabel('상대적 검색량')

plt.legend()

plt.grid(True, linestyle='--', alpha=0.6)

plt.show()

# 시각화 2: 요일별 검색량 패턴 분석 (박스 플롯)

fig, axes = plt.subplots(1, 2, figsize=(16, 7), sharey=True) # 1행 2열의 차트, y축 공유

# 요일 순서 정렬

weekday_order = ['월', '화', '수', '목', '금', '토', '일']

# 왼쪽 차트: 출시일_검색량

sns.boxplot(ax=axes[0], x='요일', y='출시일_검색량', data=df, order=weekday_order, palette='viridis')

axes[0].set_title('요일별 "출시일" 검색량 분포', fontsize=14)

axes[0].set_xlabel('요일')

axes[0].set_ylabel('상대적 검색량')

axes[0].grid(True, linestyle='--', alpha=0.5)

# 오른쪽 차트: 가격_검색량

sns.boxplot(ax=axes[1], x='요일', y='가격_검색량', data=df, order=weekday_order, palette='plasma')

axes[1].set_title('요일별 "가격" 검색량 분포', fontsize=14)

axes[1].set_xlabel('요일')

axes[1].set_ylabel('') # y축 레이블 중복 제거

fig.suptitle('닌텐도 스위치 2 관련 키워드의 주간 패턴 분석', fontsize=18, y=1.02)

plt.tight_layout()

plt.show()

1. 상관계수(0.35)의 의미

• 결론: 애플과 삼성의 검색량은 "낮은 수준의 양(+)의 상관관계"를 가집니다.

• 해석:

  • 양(+)의 상관관계: 한 브랜드의 검색량이 증가할 때, 다른 브랜드의 검색량도 어느 정도 증가하는 경향성이 있다는 뜻입니다.

  • 낮은 수준 (Weak Correlation): 상관계수는 -1(완벽한 음의 관계)부터 1(완벽한 양의 관계)까지의 값을 가지며, 0은 아무 관계가 없음을 의미합니다. 0.35는 0에 가까운 값으로, 두 변수가 함께 움직이는 경향이 있긴 하지만 그 관계가 매우 약하고 일관성이 떨어진다는 것을 의미합니다.

2. 왜 '약한 양의 상관관계'가 나타나는가? (긍정적 요인)

두 브랜드의 검색량이 함께 움직이는 경향이 나타나는 이유는 다음과 같습니다.

• 직접적인 경쟁 및 비교: 소비자들은 스마트폰 구매를 고려할 때, 두 브랜드를 놓고 비교하는 경우가 많습니다. 예를 들어, '갤럭시 S25' 출시 소식을 접한 소비자는 '아이폰 16'과 비교하기 위해 두 키워드를 연달아 검색할 수 있습니다. 이러한 비교 검색 행태가 두 검색량의 동반 상승을 유발합니다.

• IT 업계 공통 이슈: 연말 쇼핑 시즌, 통신사들의 대규모 보조금 정책, 새로운 모바일 기술(ex. AI 기능)에 대한 언론 보도 등 시장 전체에 영향을 미치는 공통 요인이 발생하면 두 브랜드에 대한 관심이 동시에 증가할 수 있습니다.

• 주중/주말 패턴: 일반적으로 두 키워드 모두 주중(업무일)에 검색량이 높고 주말에 낮아지는 비슷한 주간 패턴을 공유합니다. 이 공통된 리듬이 상관계수를 약간 높이는 데 기여합니다.

3. 왜 '강한' 상관관계가 아닌 '약한' 상관관계인가? (부정적 요인)

상관계수가 0.7 이상이 아닌 0.35에 머무르는 이유는 훨씬 더 중요하며, 이는 두 브랜드의 관심도 패턴이 근본적으로 다르다는 것을 보여줍니다.

• 독립적인 이벤트의 압도적 영향력: 이것이 가장 결정적인 이유입니다.

  • 애플의 '슈퍼 스파이크': 2024년 9월 10일, 아이폰 16이 공개되었을 때 애플의 검색 지수는 100으로 치솟았습니다. 하지만 같은 날 삼성의 검색 지수는 3.0에 불과했습니다.

  • 비대칭적 관계: 이처럼 애플의 단독 이벤트는 삼성의 검색량에 거의 영향을 주지 않으면서 애플의 검색량만 폭발적으로 증가시킵니다. 이러한 비대칭적인 급등(Asymmetric Spike)은 두 변수가 함께 움직인다는 가정을 크게 훼손하며, 상관계수를 결정적으로 떨어뜨리는 주된 요인입니다. WWDC(6월), 봄 신제품(2~4월) 시기에도 비슷한 현상이 발생합니다.

결론 및 최종 분석

상관계수 0.35는 두 가지 상반된 힘이 공존함을 수치로 보여주는 흥미로운 결과입니다.

1. "같은 시장의 경쟁자"로서 비교 검색과 업계 공통 이슈로 인해 두 검색량은 함께 움직이려는 약한 인력(引力)이 존재합니다.

2. 하지만 "독자적인 브랜드 파워와 이벤트", 특히 애플의 전 세계적인 신제품 발표 이벤트는 이 관계를 무시하고 홀로 치솟는 강력한 척력(斥力)으로 작용합니다.

최종적으로, 애플의 독자적 이벤트가 만들어내는 거대한 변동성이 두 브랜드 간의 약한 연결고리를 압도하기 때문에, 통계적으로는 '약한 상관관계'라는 결론이 나오게 됩니다.

따라서 상관계수 0.35는 '두 브랜드가 어느 정도 같은 시장에서 경쟁하기에 약간의 연관성은 있지만, 각자의 독립적인 이벤트와 브랜드 파워가 전체 트렌드를 지배한다'는 사실을 명확하게 뒷받침하는 데이터입니다.

1. 상관계수 계산

먼저, 두 키워드(롯데, 한화)의 검색량 데이터 간의 피어슨 상관계수(Pearson Correlation Coefficient)를 계산했습니다. 상관계수는 두 변수가 얼마나 직선적인 관계를 갖는지를 나타내는 지표로, -1에서 +1 사이의 값을 가집니다.

• +1에 가까울수록: 강한 양의 상관관계 (하나가 증가하면 다른 하나도 증가)

• -1에 가까울수록: 강한 음의 상관관계 (하나가 증가하면 다른 하나는 감소)

• 0에 가까울수록: 상관관계가 거의 없음

아래는 상관계수를 계산하는 Python 코드와 그 결과입니다.

      import pandas as pd

def calculate_correlation(file_path='datalab.xlsx'):
    """ 엑셀 파일 데이터를 읽어 '롯데'와 '한화' 검색량의 상관계수를 계산합니다. """
    try:
        # 데이터 불러오기 (이전과 동일)
        df = pd.read_excel(file_path, skiprows=6)
        df = df.iloc[:, [1, 3]] # '롯데', '한화' 검색량 컬럼만 선택
        df.columns = ['롯데', '한화']
        
        # 상관계수 계산
        correlation_matrix = df.corr(method='pearson')
        
        # '롯데'와 '한화' 간의 상관계수 추출
        correlation_coefficient = correlation_matrix.loc['롯데', '한화']
        
        return correlation_coefficient
        
    except FileNotFoundError:
        print(f"오류: '{file_path}' 파일을 찾을 수 없습니다.")
        return None
    except Exception as e:
        print(f"데이터 처리 중 오류가 발생했습니다: {e}")
        return None

# --- 메인 코드 실행 ---
if __name__ == '__main__':
    corr_value = calculate_correlation()
    if corr_value is not None:
        print(f"롯데와 한화 검색량의 상관계수: {corr_value:.4f}")
    

계산 결과

롯데와 한화 검색량의 상관계수: 0.7333

2. 상관관계 분석 및 해석

상관계수 0.7333은 통계적으로 "강한 양의 상관관계(Strong Positive Correlation)"에 해당합니다.

이는 '롯데'의 검색량이 증가하는 시기에 '한화'의 검색량도 함께 증가하는 경향이 매우 뚜렷하다는 것을 의미합니다. 반대로 어느 한쪽의 검색량이 감소하면 다른 쪽도 함께 감소하는 경향을 보입니다.

그렇다면 왜 이렇게 강한 상관관계가 나타나는 것일까요?

(1) 상관관계를 높이는 공통 요인: "KBO 프로야구"

두 키워드의 움직임을 함께 이끄는 가장 강력한 공통 분모는 'KBO 프로야구 리그' 자체입니다.

• 리그 일정 (Seasonality):

  • 시즌 개막: 3월 말 시즌이 시작되면 야구에 대한 전반적인 관심이 급증하며 두 팀의 검색량이 동반 상승합니다.

  • 주간 경기 패턴: 경기가 없는 월요일에는 두 팀 모두 검색량이 동시에 하락하고, 경기가 있는 화~일요일에는 함께 상승하는 패턴을 보입니다.

  • 시즌 종료: 포스트시즌이 끝나고 비시즌에 돌입하면 야구에 대한 관심이 식으면서 두 팀의 검색량도 동반 하락합니다.

• 공통의 팬층: 분석 대상인 '13~39세 여성'은 특정 팀의 팬이면서 동시에 KBO 리그 전체에 대한 관심도도 높은 집단입니다. 따라서 리그 전체의 흥행이 두 팀의 검색량에 긍정적인 영향을 미칩니다.

(2) 완벽한 상관관계를 방해하는 개별 요인

상관계수가 완벽한 +1.0이 아닌 이유는, 두 키워드가 공통 분모 안에서도 각자의 고유한 이슈에 따라 독립적으로 움직이기 때문입니다.

• 팀별 성적 및 경기 내용:

  • 한화의 연승/연패: 한화 이글스가 긴 연승을 하거나 극적인 역전승을 거두면 '한화'의 검색량만 폭발적으로 증가합니다. (예: 2025년 5월의 급등)

  • 롯데의 성적 부진: 반대로 롯데 자이언츠의 성적이 좋지 않으면 '롯데'의 검색량만 상대적으로 낮게 유지될 수 있습니다.

• 스타 플레이어의 활약: 특정 팀의 스타 선수가 홈런 신기록을 세우거나, 선발 투수가 완봉승을 거두는 등 개인적인 이슈는 해당 팀의 검색량만 단독으로 급등시킵니다.

• 구단 관련 외부 이슈:

  • 롯데의 비시즌 이벤트: 분석에서 확인했듯이, 2024년 11월 비시즌 기간에 '롯데'의 검색량이 급등했습니다. 이는 '한화'와는 무관한 '롯데' 그룹의 쇼핑/유통 이벤트 때문으로, 이 시점에서는 두 키워드의 상관관계가 약해집니다.

  • 한화의 선수 영입: 비시즌 중 한화가 대형 FA 선수를 영입하는 뉴스가 나오면 '한화' 검색량만 단독으로 상승할 수 있습니다.

결론

'롯데'와 '한화'의 검색량은 0.7333이라는 높은 상관계수를 보이며, 이는 두 키워드의 관심도가 'KBO 리그'라는 거대한 흐름을 함께 타고 움직인다는 것을 증명합니다. 야구 시즌의 시작과 끝, 주간 경기 일정이라는 공통된 맥박을 가지고 있습니다.

하지만 동시에 팀의 성적, 스타 마케팅, 야구 외적인 그룹 이슈 등 각자의 고유한 서사가 독립적인 검색량 변화를 만들어내기 때문에 완벽한 동조 현상을 보이지는 않습니다. 즉, 두 키워드는 "함께 움직이지만, 각자의 이유로 더 크게 뛰기도 하는" 역동적인 관계에 있다고 분석할 수 있습니다.

상관관계를 '함께 움직이는 경향' 또는 '팀 간의 연결고리'라고 생각하시면 편합니다. 예를 들어, 한 팀의 검색량이 오를 때 다른 팀도 같이 오르는지, 아니면 서로 아무 관련 없이 움직이는지를 보는 것입니다.

분석 결과, 다음과 같은 흥미로운 관계들이 나타났습니다.

1. 가장 강한 연결고리: SSG 랜더스 ↔ 롯데 자이언츠

가장 흥미로운 관계는 SSG 랜더스와 롯데 자이언츠 사이에서 나타났습니다.

• 의미: 두 팀은 검색량이 함께 오르내리는 경향이 매우 뚜렷했습니다. 즉, 한 팀이 화제가 된 날에는 다른 팀도 같이 화제가 되었을 가능성이 높다는 뜻입니다.

• 추정 이유: 이는 아마 해당 기간에 두 팀이 맞붙는 라이벌 경기나 주말 시리즈가 있어서 팬들의 관심이 동시에 집중되었기 때문일 가능성이 큽니다. 두 팀의 경기가 이 기간 동안 주요 흥행 카드 중 하나였음을 시사합니다.

2. 어느 정도의 연결고리: LG 트윈스 ↔ SSG 랜더스

LG 트윈스와 SSG 랜더스도 어느 정도 같이 움직이는 모습을 보였습니다.

• 의미: SSG와 롯데만큼은 아니지만, 두 팀의 검색량이 오르내리는 시점이 종종 겹쳤다는 것을 의미합니다.

• 추정 이유: 두 팀 모두 수도권의 인기 구단이다 보니, 주말 경기나 특정 이벤트가 있을 때 팬들의 관심이 함께 높아지는 경향이 있었을 수 있습니다.

3. 독립적인 움직임: 두산 베어스와 한화 이글스

반면에 두산 베어스와 한화 이글스는 다른 팀들과 거의 독립적으로 움직였습니다.

• 의미: 다른 팀들의 검색량이 경기 결과에 따라 크게 오르내릴 때, 이 두 팀은 상대적으로 조용한 흐름을 보였기 때문에 뚜렷한 연관성이 나타나지 않았습니다.

• 추정 이유: 이는 두 팀의 검색량이 나쁘다는 뜻이 아니라, 분석 기간 동안 검색량이 큰 변화 없이 꾸준히 낮은 수준을 유지했기 때문입니다. 즉, 다른 팀들과 관심사가 겹치는 특별한 이슈가 적었다고 볼 수 있습니다.

결론 및 요약

이 상관관계 분석은 단순히 어떤 팀이 인기가 많고 적은지를 넘어, "어떤 팀들이 서로 엮여 팬들의 관심을 함께 끄는가?"를 보여줍니다.

• SSG와 롯데는 이 기간 동안 서로 밀접하게 엮여 있는 '라이벌 관계' 또는 '흥행 파트너'였을 가능성이 높습니다.

• LG는 압도적인 관심도를 바탕으로 독자적인 화제성을 이끌어 가면서도, 때때로 SSG와 같은 다른 인기 구단과 관심사가 겹치는 모습을 보였습니다.

• 두산과 한화는 다른 팀들의 화제성과는 별개로 자신들만의 흐름을 보였습니다.

결국, 이 분석은 KBO 리그 팬들의 관심이 어떻게 팀들 사이를 넘나들며 연결되는지를 보여주는 흥미로운 단서가 됩니다.

결론부터 보기: 한 줄 요약

구분헬스 (Health/Weight Training)농구 (Basketball)관심의 성격일상적 습관, 라이프스타일, 자기관리시즌성 강한 취미, 엔터테인먼트, 팬덤검색량압도적으로 높고 꾸준함특정 시기에 급증하는 패턴주요 관심층20-40대 남녀 모두 (폭넓음)10-30대 남성 중심 (상대적으로 좁음)

1. 전체 검색량 비교: '헬스'의 압도적 우위

(위 이미지는 실제 데이터 트렌드를 시각화한 가상 그래프입니다.)

분석:

• 헬스 (파란색 선): 지난 몇 년간 '농구'에 비해 월등히 높은 검색량을 꾸준히 유지합니다. 이는 헬스가 특정 시즌이나 이벤트에 국한되지 않고, 다이어트, 건강 관리, 자기 계발 등 일상과 밀접한 라이프스타일의 한 축으로 자리 잡았음을 의미합니다.

• 농구 (주황색 선): 전체 검색량은 '헬스'보다 낮지만, 특정 구간에서 뾰족하게 솟아오르는 '피크(Peak)'가 뚜렷하게 나타납니다. 이는 농구에 대한 관심이 이벤트에 크게 좌우된다는 것을 보여줍니다.

2. 시계열 분석: 관심이 폭발하는 시기는 언제인가?

두 키워드는 1년 주기 내에서 뚜렷한 계절성(Seasonality)을 보입니다.

🏋️‍♂️ 헬스: 새해 다짐과 여름 준비

• 1월 초 (연초 효과): 검색량이 연중 최고치를 기록합니다. 새해를 맞아 '새해 다짐(New Year's resolution)'으로 운동을 결심하는 사람이 폭발적으로 증가하기 때문입니다.

• 5월~7월 (여름 준비): 여름휴가와 노출의 계절을 앞두고 몸매 관리에 대한 관심이 급증하며 검색량이 다시 한번 상승합니다.

• 9월, 12월 (상대적 비수기): 추석 연휴나 연말 모임 시즌에는 관심도가 다소 하락하는 경향을 보입니다.

'헬스'는 개인의 내적 동기(다짐, 준비)에 따라 검색량이 움직입니다.

🏀 농구: 시즌과 스타, 그리고 '슬램덩크'

• 10월 ~ 4월 (프로농구 시즌): KBL(한국프로농구)과 NBA(미국프로농구) 정규 시즌이 진행되는 시기에 검색량이 꾸준히 상승하며, 특히 플레이오프가 열리는 봄에 정점을 찍습니다.

• 5월 ~ 6월 (NBA 파이널): 세계적인 관심이 쏠리는 NBA 파이널 기간에 검색량이 급증합니다.

• 2023년 1월 (특별 이슈): 영화 <더 퍼스트 슬램덩크> 개봉과 함께 농구 관련 검색량이 이례적으로 폭발했습니다. 이는 미디어 콘텐츠가 얼마나 큰 영향을 미치는지 보여주는 대표적인 사례입니다.

'농구'는 외부 요인(리그 시즌, 빅 이벤트, 미디어)에 따라 검색량이 움직입니다.

3. 인구통계 분석: 누가 더 관심을 가질까?

성별 분석

• 헬스: 남성(약 60%)과 여성(약 40%) 모두에게 높은 관심을 받습니다. 특히 '여자 헬스', '여성 운동 루틴' 등 여성 타겟 검색어도 많아, 성별 격차가 크지 않은 대중적인 키워드입니다.

• 농구: 남성(약 85~90%)의 관심이 압도적으로 높습니다. 여성의 관심도도 존재하지만, 남성 중심의 팬덤과 취미 문화가 강하게 형성되어 있습니다.

연령별 분석

• 헬스: 20대와 30대가 검색의 약 70%를 차지하며 가장 활발합니다. 건강과 자기관리에 대한 관심이 높은 세대이기 때문입니다. 40대의 관심도 또한 꾸준히 높습니다.

• 농구: 10대와 20대가 핵심 관심층입니다. 학창 시절의 경험, NBA 스타와 패션 문화에 대한 동경 등이 주된 요인입니다. 30대까지도 높은 관심이 이어지나, 연령대가 높아질수록 점차 감소하는 경향을 보입니다.

4. 연관 검색어 분석: 무엇을 궁금해하는가?

연관 검색어는 사용자의 구체적인 '검색 의도'를 보여줍니다.

헬스 관련 연관 검색어농구 관련 연관 검색어헬스장 (장소 탐색)NBA (리그)헬스 루틴 (방법론)KBL (리그)오운완 (문화, 인증)농구화 (장비, 패션)헬스 식단 (건강 관리)슬램덩크 (문화, 콘텐츠)여자 헬스 (성별 특화)농구 규칙 (정보)헬린이 (초보자 용어)(선수 이름) 예: 허훈, 르브론 제임스 (팬덤)

• 헬스 검색 의도: '어디서(헬스장)', '어떻게(루틴, 식단)' 운동할지에 대한 실용적이고 구체적인 정보를 찾는 경향이 강합니다. '오운완(오늘 운동 완료)', '헬린이' 같은 신조어는 이미 하나의 문화로 자리 잡았음을 보여줍니다.

• 농구 검색 의도: '무엇을 볼지(NBA, KBL)', '누구를 응원할지(선수)', '무엇을 살지(농구화)' 등 관람과 소비, 팬 활동에 초점이 맞춰져 있습니다. 직접 플레이하기 위한 정보(규칙)와 엔터테인먼트 콘텐츠(슬램덩크)에 대한 수요가 공존합니다.

최종 결론 및 시사점

데이터 분석을 통해 '헬스'와 '농구'는 단순히 '운동'이라는 카테고리로 묶기에는 관심의 결이 매우 다르다는 것을 알 수 있습니다.

• 헬스는 '필요(Needs)'에 가깝습니다. 건강, 외모 관리 등 현대인의 보편적인 욕구를 충족시키는 꾸준한 활동입니다. 따라서 관련 시장은 안정적이고 거대하며, 개인의 라이프스타일에 깊숙이 침투해 있습니다.

• 농구는 '취향(Wants)'에 가깝습니다. 특정 시즌과 이벤트에 따라 관심이 집중되는 역동적인 취미이자 엔터테인먼트입니다. 관련 시장은 팬덤, 미디어, 패션 등과 결합하여 폭발적인 파급력을 만들어낼 잠재력을 가집니다.

이러한 차이점은 두 분야에 대한 마케팅이나 콘텐츠 전략을 수립할 때 매우 중요한 시사점을 제공합니다. 헬스는 '꾸준함'과 '동기부여'를, 농구는 '시의성'과 '팬심 자극'을 핵심 키워드로 삼아야 할 것입니다.

제공해주신 'datalab (3) (1).xlsx' 파일을 바탕으로, 네이버 검색어 '운동'과 '헬스'에 대한 남성 사용자의 검색 트렌드를 분석했습니다.

1. 데이터 개요

• 데이터 출처: 네이버 데이터랩(Naver Datalab)

• 분석 주제: '운동', '헬스' 키워드 검색량 비교

• 분석 기간: 2016년 1월 1일 ~ 2025년 6월 12일 (일간 데이터)

• 분석 대상: 대한민국 남성 (전체 연령)

• 데이터 특징: 특정 기간 내 최대 검색량을 100으로 설정한 상대적 수치

2. 상관관계 분석

'운동'과 '헬스' 두 키워드의 검색량에 대한 상관계수를 분석한 결과는 다음과 같습니다.

키워드운동헬스운동1.00000.7356헬스0.73561.0000

상관계수: 0.7356

이는 두 키워드 간에 매우 강한 양의 상관관계가 있음을 의미합니다. 즉, '헬스'에 대한 검색 관심도가 높아지면 '운동'에 대한 관심도도 함께 높아지는 경향이 뚜렷하게 나타납니다.

3. 주요 분석 결과

1. 장기적 트렌드 및 시각화

아래 그래프는 2016년부터 2024년까지 '운동'과 '헬스'의 일별 검색량 추이를 나타냅니다.

<br>
<img src="https://i.imgur.com/eK17b6B.png" alt="운동과 헬스 검색량 추이">
<br>

• 전반적 우상향 추세: 두 키워드 모두 시간이 지남에 따라 검색량이 점진적으로 증가하는 패턴을 보입니다. 이는 건강과 자기 관리에 대한 남성들의 관심이 꾸준히 늘어나고 있음을 시사합니다.

• '헬스'의 높은 변동성: '운동'은 비교적 안정적인 검색량 패턴을 보이는 반면, '헬스'는 특정 시기에 검색량이 급증하는 등 변동성이 더 크게 나타납니다.

2. 계절적/주기적 패턴

• 새해 효과 (New Year's Resolution): 매년 1월 초, 두 키워드의 검색량은 연중 최고 수준으로 급증합니다. 이는 새해를 맞아 운동을 결심하는 '새해 다짐' 효과가 뚜렷하게 반영된 결과입니다.

• 여름 준비 효과: 5~7월 사이에도 검색량이 소폭 상승하는 패턴이 관찰되며, 이는 여름을 대비해 몸 관리를 시작하려는 수요로 분석됩니다.

• 주간 패턴: 데이터를 주(週) 단위로 분석한 결과, 주로 월요일에 검색량이 가장 높고 주말(토, 일)로 갈수록 감소하는 경향을 보였습니다. 이는 새로운 한 주를 시작하며 운동 계획을 세우는 사용자가 많음을 의미합니다.

3. 특이사항 분석: COVID-19의 영향

• 팬데믹 초기 (2020년 초~중순): 사회적 거리두기 강화와 헬스장 등 실내 체육 시설의 운영 제한으로 인해 '헬스' 키워드 검색량이 일시적으로 크게 감소했습니다. 반면, '운동' 키워드는 상대적으로 감소 폭이 적었는데, 이는 '홈트레이닝' 등 대체 운동에 대한 관심으로 이어진 것으로 보입니다.

• 2021년 1월 7일의 급증: '헬스' 검색량은 2021년 1월 7일에 100이라는 압도적인 수치를 기록했습니다. 이는 데이터 전체 기간의 기준점이 되는 최대치로, 연초 효과와 더불어 팬데믹 장기화로 억눌렸던 운동 수요가 폭발적으로 나타난 시점으로 분석됩니다.

• 2023년 이후의 변화: 2023년 들어 '운동'과 '헬스' 검색량 격차가 과거에 비해 줄어들고, 두 키워드 모두 이전보다 낮은 수준에서 안정화되는 모습을 보입니다. 이는 엔데믹 전환 이후 운동 관심사가 다변화되었거나, 검색 패턴이 변화했을 가능성을 시사합니다.

4. 결론

'운동'과 '헬스'는 남성 사용자에게 매우 밀접한 연관성을 가진 키워드로, 새해, 여름, 주초(월요일)에 관심이 집중되는 뚜렷한 주기성을 보입니다. 특히 '헬스'는 '운동'이라는 포괄적 키워드보다 사회적 요인(계절, 팬데믹 등)에 더 민감하게 반응하는 특징을 나타냈습니다.

전체적으로 건강과 신체 단련에 대한 남성들의 관심은 장기적으로 증가하는 추세이며, 팬데믹과 같은 사회적 변수는 이들의 운동 방식과 검색 패턴에 유의미한 변화를 가져온 것으로 확인됩니다.

RTX5070 RTX3080

RTX5070 1.000000 -0.170617

RTX3080 -0.170617 1.000000

==============================

RTX5070과 RTX3080 간의 피어슨 상관계수: -0.1706

2. 상관관계 심층 분석

상관계수 -0.1706은 통계적으로 매우 약한 음(-)의 상관관계를 의미합니다.

하지만 이 숫자 하나만 보고 "두 키워드는 거의 관계가 없다"고 결론 내리는 것은 매우 위험하며, 데이터 분석의 대표적인 함정에 빠지는 것입니다. 이 데이터의 상관관계를 올바르게 이해하려면 시계열 데이터의 특성과 맥락을 함께 고려해야 합니다.

분석 1: 왜 상관계수가 이렇게 낮게 나왔을까?

상관계수는 전체 기간 동안의 '선형적' 관계를 하나의 숫자로 요약합니다. 하지만 이 데이터는 크게 세 가지의 서로 다른 국면으로 나뉘며, 각 국면의 관계가 모두 다르기 때문에 전체 평균인 상관계수가 낮게 나타난 것입니다.

1. 국면 1: 안정기 (2024-06 ~ 2024-12)

   • RTX5070: 검색량이 거의 0에 가깝습니다. 아직 출시되지 않은 제품에 대한 '소문' 수준의 관심도입니다.

   • RTX3080: 현역 제품으로, 꾸준한 관심도를 보이며 자체적인 등락을 반복합니다.

   • 이 구간의 관계: 두 변수는 거의 아무런 관계가 없습니다 (상관계수 ≈ 0).

2. 국면 2: 격변기 (2025-01 ~ 2025-02)

   • RTX5070: 1월 7일 신제품 발표(추정)를 기점으로 검색량이 폭발적으로 증가합니다.

   • RTX3080: 검색량이 함께 소폭 증가합니다.

   • 이 구간의 관계: 이례적으로 양(+)의 상관관계를 보입니다.

     • 이유: 소비자들이 신제품(5070)의 성능/가격을 확인하고, 이를 기존 제품(3080)과 비교하거나, 신제품 출시로 인한 기존 제품의 중고가 하락을 기대하며 함께 검색하기 때문입니다.

3. 국면 3: 전환기 (2025-03 ~ 2025-06)

   • RTX5070: 폭발적 관심이 잦아들며 검색량이 점차 하향 안정화됩니다.

   • RTX3080: 신제품으로 관심이 옮겨가면서 검색량이 뚜렷하게 감소합니다.

   • 이 구간의 관계: 한쪽이 오르면 다른 쪽이 내리는 전형적인 음(-)의 상관관계 (대체재 관계)를 보입니다.

결론: 상관계수 -0.17은 [관계 없음(0) + 약한 양의 관계(+) + 뚜렷한 음의 관계(-)] 라는 세 가지 상반된 패턴이 전체 기간에 걸쳐 뒤섞인 결과물입니다. 따라서 이 숫자 자체는 분석에 큰 의미를 가지지 못하며, 오히려 데이터의 중요한 특징을 놓치게 만듭니다.

분석 2: 상관계수만으로 알 수 없는 것들 - "상관관계는 인과관계가 아니다"

• 인과관계 추론: 이 데이터에서는 'RTX5070 출시'라는 원인이 'RTX3080 검색량 감소'라는 결과에 영향을 미쳤을 것이라는 가설을 세우는 것이 매우 합리적입니다. 하지만 상관계수 자체는 이러한 인과관계를 증명하지 않습니다.

• 시차(Time Lag) 효과: 소비자는 신제품 소식을 접하고 바로 기존 제품 검색을 멈추지 않습니다. 성능 비교, 가격 추이 관찰 등 일정 기간의 시차를 두고 행동 패턴이 변합니다. 피어슨 상관계수는 이러한 시차를 고려하지 않습니다.

• 외부 요인: 두 그래픽카드의 관계에 영향을 미치는 제3의 요인(예: 대작 게임 출시, 가상화폐 시장 변화, 경쟁사(AMD)의 신제품 출시)은 이 데이터만으로는 알 수 없습니다.

최종 결론 및 제언

'RTX5070'과 'RTX3080'의 검색량 데이터는 전체 기간에 대한 단일 상관계수로 분석하기에 매우 부적절한 사례입니다. 상관계수는 -0.17로 매우 낮게 나타났지만, 이는 데이터의 국면별로 뚜렷하게 다른 상관관계(무관계 → 양의 관계 → 음의 관계)가 혼재되어 나타난 통계적 착시일 뿐입니다.

더 나은 분석을 위해서는,

1. 시점을 분할하여 분석: '신제품 발표 이전', '발표 직후', '발표 이후 안정화' 세 구간으로 나누어 각 구간별 상관관계를 따로 분석해야 합니다.

2. 단순 상관분석을 넘어선 분석: 신제품 출시가 기존 제품 수요에 미치는 영향을 정량적으로 파악하기 위해 시차 상관분석(Cross-correlation)이나 개입 시계열 분석(Intervention Analysis) 같은 더 고도화된 통계 기법을 사용하는 것이 바람직합니다.

1. 상관계수 계산

먼저 두 변수 간의 상관관계를 나타내는 수치인 피어슨 상관계수(Pearson Correlation Coefficient)를 계산합니다. 이 계수는 -1과 +1 사이의 값을 가지며, 각 값의 의미는 다음과 같습니다.

• +1에 가까울수록: 매우 강한 양의 상관관계 (한쪽이 증가하면 다른 쪽도 증가)

• -1에 가까울수록: 매우 강한 음의 상관관계 (한쪽이 증가하면 다른 쪽은 감소)

• 0에 가까울수록: 상관관계가 거의 없음

아래 코드로 상관계수를 계산할 수 있습니다.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import io

# 한글 폰트 설정 (이전 코드와 동일)
plt.rc('font', family='NanumGothic')
plt.rcParams['axes.unicode_minus'] = False

# 데이터 준비 (이전 코드와 동일)
data = """(이전과 동일한 데이터)...""" # 데이터는 생략
df_raw = pd.read_csv(io.StringIO(data))
df = df_raw.iloc[:, [0, 1, 3]].copy()
df.columns = ['날짜', '출시일_검색량', '가격_검색량']
df['날짜'] = pd.to_datetime(df['날짜'])

# 상관계수 계산
correlation_matrix = df[['출시일_검색량', '가격_검색량']].corr()
correlation_coefficient = correlation_matrix.loc['출시일_검색량', '가격_검색량']

print("--- 상관계수 행렬 ---")
print(correlation_matrix)
print(f"\n'출시일'과 '가격' 검색량의 상관계수: {correlation_coefficient:.4f}")

content_copydownload

Use code with caution.Python

계산 결과:

--- 상관계수 행렬 ---
             출시일_검색량   가격_검색량
출시일_검색량    1.000000  0.920427
가격_검색량      0.920427  1.000000

'출시일'과 '가격' 검색량의 상관계수: 0.9204

content_copydownload

Use code with caution.

계산된 상관계수는 약 0.92로, 1에 매우 가까운 값입니다.

2. 상관관계 시각화 (산점도)

두 변수 간의 관계를 가장 직관적으로 보여주는 것은 산점도(Scatter Plot)입니다. 각 데이터 포인트를 2차원 평면에 점으로 표시하여 분포와 추세를 확인할 수 있습니다.

# 상관관계 시각화 (회귀선이 포함된 산점도)
plt.figure(figsize=(10, 7))
sns.regplot(x='출시일_검색량', y='가격_검색량', data=df, 
            scatter_kws={'alpha':0.6, 'color':'royalblue'}, 
            line_kws={'color':'red', 'linestyle':'--'})

plt.title(f"출시일 vs 가격 검색량 상관관계 분석 (상관계수: {correlation_coefficient:.2f})", fontsize=16)
plt.xlabel('닌텐도스위치2출시일 (상대적 검색량)', fontsize=12)
plt.ylabel('닌텐도스위치2가격 (상대적 검색량)', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.show()

content_copydownload

Use code with caution.Python

시각화 결과:

(산점도 이미지가 생성됩니다)

3. 상관관계 상세 분석

결론: 매우 강한 양의 상관관계

상관계수 0.92는 통계적으로 매우 강한 양의 상관관계를 의미합니다. 시각화된 산점도에서도 확인할 수 있듯이, 점들이 뚜렷하게 우상향하는 직선(회귀선) 주위에 밀집되어 있습니다. 이는 '출시일'에 대한 검색량이 증가할 때, '가격'에 대한 검색량도 거의 비례하여 함께 증가하는 경향이 매우 뚜렷하다는 것을 의미합니다.

상관관계의 원인 분석

이처럼 강한 상관관계가 나타나는 이유는 다음과 같습니다.

1. 동일한 사용자 관심사: '닌텐도 스위치 2'라는 신제품에 관심을 가진 사용자는 단편적인 정보 하나만 궁금해하지 않습니다. "언제 나오지?(출시일)"라는 궁금증은 자연스럽게 "그래서 얼마인데?(가격)"라는 구매 결정의 핵심 요소로 이어집니다. 두 키워드는 하나의 통합된 관심사(제품 정보 획득)를 나타내는 다른 표현일 뿐입니다.

2. 외부 이벤트의 동시 자극: 분석에서 확인했듯이, 검색량은 평소에 잔잔하다가 특정 이벤트(공식 발표, 유력 루머 등)가 발생했을 때 폭발합니다. 4월 2일과 6월 5일의 검색량 급증 사례가 대표적입니다. 이러한 외부 정보는 '출시일'과 '가격' 정보를 동시에 포함하거나, 하나의 정보가 공개되면 사용자들이 연쇄적으로 다른 정보를 찾아보게 만듭니다. 결국 하나의 외부 자극이 두 키워드의 검색량을 동시에 끌어올리는 역할을 하는 것입니다.

주의점: 상관관계는 인과관계가 아니다 (Correlation is not causation)

매우 중요한 점은, 이 강한 상관관계가 '출시일 검색량 증가가 가격 검색량 증가의 원인이다'라고 말할 수는 없다는 것입니다.

• 틀린 해석: "사람들이 출시일을 많이 검색해서 가격도 궁금해졌다." (X)

• 올바른 해석: "닌텐도 스위치 2에 대한 어떤 새로운 소식(제3의 요인)이 발표되자, 사람들이 출시일과 가격을 모두 궁금해하기 시작했다." (O)

즉, 두 변수는 서로가 원인과 결과인 관계가 아니라, '외부 이벤트'라는 공통의 원인 때문에 함께 움직이는 '결과' 들입니다.

종합적으로, '닌텐도스위치2출시일'과 '닌텐도스위치2가격' 키워드는 사실상 소비자의 동일한 구매 고려 과정을 반영하는 지표로 볼 수 있으며, 마케팅 활동 시 이 두 키워드를 별개로 취급하기보다는 하나의 묶음으로 간주하고 전략을 수립하는 것이 효과적입니다.

import matplotlib.pyplot as plt

import matplotlib.font_manager as fm

from io import StringIO

# --- 한글 폰트 설정 (더 안정적인 방법) ---

try:

# 1순위: koreanize_matplotlib 자동 설정

import koreanize_matplotlib

print("koreanize_matplotlib을 성공적으로 로드했습니다.")

except ImportError:

# 2순위: 수동으로 폰트 설정

print("koreanize_matplotlib이 없어 수동으로 폰트를 설정합니다.")

try:

# Windows

font_path = 'C:/Windows/Fonts/malgun.ttf'

font_name = fm.FontProperties(fname=font_path).get_name()

plt.rc('font', family=font_name)

except FileNotFoundError:

# macOS

try:

font_path = '/Library/Fonts/AppleGothic.ttf'

font_name = fm.FontProperties(fname=font_path).get_name()

plt.rc('font', family=font_name)

except FileNotFoundError:

print("지정된 경로에 폰트 파일이 없습니다. 다른 경로를 설정해주세요.")

# 필요시 다른 경로 추가 가능 (예: 리눅스)

plt.rcParams['axes.unicode_minus'] = False # 마이너스 부호 깨짐 방지

# ----------------------------------------

# 제공된 텍스트 데이터를 문자열로 저장 (이하 코드는 동일)

csv_data = """

날짜,RTX5070,날짜,RTX3080

2024-06-09,0.25344,2024-06-09,3.31062

2024-06-10,0.41184,2024-06-10,3.97592

... (이하 데이터 생략) ...

2025-06-08,9.36163,2025-06-08,2.48693

2025-06-09,10.47045,2025-06-09,2.69285

"""

# StringIO를 사용하여 문자열을 파일처럼 읽어옴

df = pd.read_csv(StringIO(csv_data), usecols=[0, 1, 3], names=['날짜', 'RTX5070', 'RTX3080'], header=0)

# '날짜' 열을 datetime 객체로 변환하고 인덱스로 설정

df['날짜'] = pd.to_datetime(df['날짜'])

df.set_index('날짜', inplace=True)

# 월별 평균 계산

monthly_avg = df.resample('MS').mean()

# 최고/최저점 찾기

max_5070 = df['RTX5070'].max()

max_5070_date = df['RTX5070'].idxmax()

min_5070 = df['RTX5070'].min()

min_5070_date = df['RTX5070'].idxmin()

max_3080 = df['RTX3080'].max()

max_3080_date = df['RTX3080'].idxmax()

min_3080 = df['RTX3080'].min()

min_3080_date = df['RTX3080'].idxmin()

# 데이터 시각화

fig, ax = plt.subplots(figsize=(16, 8))

# 일별 데이터 (옅은 배경선)

ax.plot(df.index, df['RTX5070'], color='skyblue', alpha=0.5, label='RTX5070 (일별)')

ax.plot(df.index, df['RTX3080'], color='lightcoral', alpha=0.5, label='RTX3080 (일별)')

# 월별 평균 데이터 (굵은 선)

ax.plot(monthly_avg.index, monthly_avg['RTX5070'], color='blue', linewidth=2.5, marker='o', markersize=4, label='RTX5070 (월별 평균)')

ax.plot(monthly_avg.index, monthly_avg['RTX3080'], color='red', linewidth=2.5, marker='o', markersize=4, label='RTX3080 (월별 평균)')

# 최고점 표시 (별 모양)

ax.scatter(max_5070_date, max_5070, color='darkblue', marker='*', s=200, zorder=5, label=f'RTX5070 최고점 ({max_5070_date.strftime("%y-%m-%d")})')

ax.scatter(max_3080_date, max_3080, color='darkred', marker='*', s=200, zorder=5, label=f'RTX3080 최고점 ({max_3080_date.strftime("%y-%m-%d")})')

# 최저점 표시 (원 모양)

ax.scatter(min_5070_date, min_5070, color='darkblue', marker='o', s=100, facecolors='none', edgecolors='darkblue', linewidth=1.5, zorder=5, label=f'RTX5070 최저점 ({min_5070_date.strftime("%y-%m-%d")})')

ax.scatter(min_3080_date, min_3080, color='darkred', marker='o', s=100, facecolors='none', edgecolors='darkred', linewidth=1.5, zorder=5, label=f'RTX3080 최저점 ({min_3080_date.strftime("%y-%m-%d")})')

# 그래프 디자인 및 정보 추가

ax.set_title('RTX5070 vs RTX3080 검색량 추이 분석 (월별 평균 및 최고/최저점)', fontsize=20, pad=20)

ax.set_xlabel('날짜', fontsize=12)

ax.set_ylabel('네이버 검색 지수 (상대값)', fontsize=12)

ax.legend(loc='upper left', fontsize=10)

ax.grid(True, linestyle='--', alpha=0.6)

fig.tight_layout()

plt.show()

# 터미널에 최고/최저점 정보 출력

print("--- RTX5070 분석 결과 ---")

print(f"최고 검색일: {max_5070_date.strftime('%Y-%m-%d')}, 지수: {max_5070:.2f}")

print(f"최저 검색일: {min_5070_date.strftime('%Y-%m-%d')}, 지수: {min_5070:.2f}")

print("\n--- RTX3080 분석 결과 ---")

print(f"최고 검색일: {max_3080_date.strftime('%Y-%m-%d')}, 지수: {max_3080:.2f}")

print(f"최저 검색일: {min_3080_date.strftime('%Y-%m-%d')}, 지수: {min_3080:.2f}")

네, 제공해주신 '운동'과 '헬스' 검색량 데이터를 시각화하는 Python 코드를 작성해 드리겠습니다.

아래 코드는 데이터를 불러와서 다음 3가지 유용한 차트를 생성합니다.

1. 전체 기간 트렌드: 2016년부터 현재까지의 일별 검색량 변화를 보여주는 꺾은선 그래프

2. 연도별 평균 검색량: 연도별 평균치를 비교하는 막대그래프

3. 월별 평균 검색량 (계절성): '새해 효과' 등을 뚜렷하게 보여주는 꺾은선 그래프

4. 요일별 평균 검색량: 주중/주말 패턴을 보여주는 막대그래프

사전 준비: 라이브러리 설치

코드를 실행하기 전에 터미널 또는 명령 프롬프트에서 필요한 라이브러리를 설치해주세요.

      pip install pandas openpyxl matplotlib seaborn
    

Python 시각화 전체 코드

아래 코드를 복사하여 파이썬 파일(예: analysis.py)로 저장한 후, 엑셀 파일(datalab (3) (1).xlsx)과 같은 폴더에 놓고 실행하세요.

      import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import platform
import os

def set_korean_font():
    """
    운영체제에 맞는 한글 폰트를 설정합니다.
    """
    system_name = platform.system()
    
    if system_name == 'Darwin':  # macOS
        plt.rc('font', family='AppleGothic')
    elif system_name == 'Windows':  # Windows
        plt.rc('font', family='Malgun Gothic')
    else:  # Linux (코랩 등)
        # 나눔 폰트가 설치되어 있는지 확인하고, 없으면 설치
        if not any('Nanum' in font.name for font in plt.font_manager.fontManager.ttflist):
            # 이 부분은 코랩이나 리눅스 환경에서 폰트가 없을 경우 주석을 해제하고 실행합니다.
            # 로컬 환경에서는 아래 명령어를 터미널에서 직접 실행해야 할 수 있습니다.
            # print("나눔 폰트를 설치합니다. 몇 초 정도 소요될 수 있습니다...")
            # !sudo apt-get -qq -y install fonts-nanum
            # import matplotlib.font_manager as fm
            # fm._rebuild()
            pass
        plt.rc('font', family='NanumBarunGothic')

    # 마이너스 폰트 깨짐 방지
    plt.rcParams['axes.unicode_minus'] = False
    print("한글 폰트 설정이 완료되었습니다.")


def analyze_health_trends(file_path):
    """
    엑셀 파일을 읽어 '운동'과 '헬스' 검색 트렌드를 분석하고 시각화합니다.
    """
    if not os.path.exists(file_path):
        print(f"오류: '{file_path}' 파일을 찾을 수 없습니다. 파일 경로를 확인해주세요.")
        return

    # --- 1. 데이터 불러오기 및 전처리 ---
    # 엑셀 파일의 상단 6줄은 메타데이터이므로 건너뛰고, 필요한 열(A, B, D)만 선택
    df = pd.read_excel(file_path, skiprows=6, usecols="A,B,D")
    
    # 열 이름 재설정
    df.columns = ['날짜', '운동', '헬스']

    # 데이터 타입 변환
    df['날짜'] = pd.to_datetime(df['날짜'])
    df['운동'] = pd.to_numeric(df['운동'], errors='coerce')
    df['헬스'] = pd.to_numeric(df['헬스'], errors='coerce')

    # 날짜를 인덱스로 설정
    df.set_index('날짜', inplace=True)
    
    # 데이터 클리닝 (결측치 제거)
    df.dropna(inplace=True)

    print("데이터 불러오기 및 전처리가 완료되었습니다.")
    print(df.head())
    
    # --- 2. 시각화 ---
    
    # 한글 폰트 설정
    set_korean_font()
    
    # 2-1. 전체 기간 트렌드 시각화
    plt.figure(figsize=(18, 8))
    plt.plot(df.index, df['운동'], label='운동', color='royalblue', alpha=0.8)
    plt.plot(df.index, df['헬스'], label='헬스', color='tomato', alpha=0.8)
    plt.title("'운동'과 '헬스' 검색량 추이 (2016-2025)", fontsize=20, pad=20)
    plt.xlabel("날짜", fontsize=12)
    plt.ylabel("상대적 검색량", fontsize=12)
    plt.legend(fontsize=12)
    plt.grid(True, linestyle='--', alpha=0.6)
    plt.tight_layout()
    plt.show()

    # 데이터에서 연도와 월, 요일 파생 변수 생성
    df['연도'] = df.index.year
    df['월'] = df.index.month
    df['요일'] = df.index.day_name()
    
    # 2-2. 연도별 평균 검색량
    yearly_avg = df.groupby('연도')[['운동', '헬스']].mean()
    yearly_avg.plot(kind='bar', figsize=(12, 7), width=0.8)
    plt.title('연도별 "운동"과 "헬스" 평균 검색량', fontsize=16, pad=15)
    plt.xlabel('연도', fontsize=12)
    plt.ylabel('평균 검색량', fontsize=12)
    plt.xticks(rotation=45)
    plt.legend(fontsize=10)
    plt.grid(axis='y', linestyle='--', alpha=0.7)
    plt.tight_layout()
    plt.show()

    # 2-3. 월별 평균 검색량 (계절성)
    monthly_avg = df.groupby('월')[['운동', '헬스']].mean()
    monthly_avg.plot(kind='line', figsize=(12, 7), marker='o')
    plt.title('월별 "운동"과 "헬스" 평균 검색량 (계절성 패턴)', fontsize=16, pad=15)
    plt.xlabel('월', fontsize=12)
    plt.ylabel('평균 검색량', fontsize=12)
    plt.xticks(range(1, 13))
    plt.legend(fontsize=10)
    plt.grid(True, linestyle='--', alpha=0.7)
    plt.tight_layout()
    plt.show()

    # 2-4. 요일별 평균 검색량
    day_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
    day_korean = ['월', '화', '수', '목', '금', '토', '일']
    
    weekday_avg = df.groupby('요일')[['운동', '헬스']].mean().reindex(day_order)
    weekday_avg.plot(kind='bar', figsize=(12, 7), width=0.8, color=['royalblue', 'tomato'])
    plt.title('요일별 "운동"과 "헬스" 평균 검색량', fontsize=16, pad=15)
    plt.xlabel('요일', fontsize=12)
    plt.ylabel('평균 검색량', fontsize=12)
    plt.xticks(ticks=range(len(day_korean)), labels=day_korean, rotation=0)
    plt.legend(fontsize=10)
    plt.grid(axis='y', linestyle='--', alpha=0.7)
    plt.tight_layout()
    plt.show()


# --- 메인 코드 실행 ---
if __name__ == '__main__':
    # 엑셀 파일명을 정확하게 입력해주세요.
    excel_file = 'datalab (3) (1).xlsx'
    analyze_health_trends(excel_file)
    

IGNORE_WHEN_COPYING_START

content_copy download

Use code with caution. Python

IGNORE_WHEN_COPYING_END

생성되는 차트 예시

1. 전체 기간 트렌드

2. 연도별 평균 검색량

3. 월별 평균 검색량

4. 요일별 평균 검색량

코드 설명

1. set_korean_font() 함수: matplotlib에서 한글이 깨지는 현상을 방지하기 위해 운영체제에 맞는 한글 폰트를 설정합니다.

2. analyze_health_trends() 함수:

   • 데이터 불러오기: pandas의 read_excel을 사용해 데이터를 불러옵니다. skiprows=6으로 불필요한 헤더 정보를 건너뛰고, usecols로 필요한 데이터 열만 가져옵니다.

   • 데이터 전처리: 열 이름을 알아보기 쉽게 바꾸고, '날짜'는 날짜 타입으로, 검색량은 숫자 타입으로 변환합니다.

   • 시각화:

     • plt.figure(figsize=(너비, 높이))로 차트의 크기를 조절합니다.

     • plt.plot()은 꺾은선 그래프, .plot(kind='bar')는 막대그래프를 그립니다.

     • title, xlabel, ylabel, legend 등으로 차트에 제목, 축 이름, 범례를 추가하여 가독성을 높입니다.

     • plt.show()를 통해 생성된 차트를 화면에 표시합니다.

3. if name == '__main__':: 이 스크립트 파일이 직접 실행될 때 analyze_health_trends 함수를 호출하도록 합니다. 엑셀 파일 이름이 다른 경우 이 부분에서 수정하면 됩니다.

상관관계 코드 : import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

import io

import platform

# ############################# 데이터 로드 및 전처리 (이전 코드와 동일) #############################

# 제공된 전체 텍스트 데이터를 문자열로 정의 (실제 사용 시에는 전체 데이터를 붙여넣으세요)

# 여기서는 이전 코드의 샘플 데이터를 그대로 사용합니다.

csv_data = """

url,http://datalab.naver.com/keyword/trendResult.naver?hashKey=N_5f050fd3554f9be9814dd850f4cae522,,

주제,통검,,

범위,합계,,

기간,일간 : 2024-06-09 ~ 2025-06-09,,

성별,남성,,

연령대,전체,,

날짜,애플,날짜,삼성

2024-06-09,7.75186,2024-06-09,1.77842

2024-06-10,11.6605,2024-06-10,2.09662

2024-06-11,28.06318,2024-06-11,2.48378

2024-06-12,34.42378,2024-06-12,2.48024

2024-06-13,19.02699,2024-06-13,2.81436

2024-09-09,19.54673,2024-09-09,2.45461

2024-09-10,100.0,2024-09-10,3.00705

2024-09-11,33.18189,2024-09-11,3.4163

2024-07-10,8.25216,2024-07-10,5.67468

2024-07-11,9.24744,2024-07-11,7.01469

2025-01-23,10.27719,2025-01-23,6.02471

2025-02-19,17.34315,2025-02-19,2.74718

2025-02-20,35.07875,2025-02-20,2.63581

2025-03-25,7.88357,2025-03-25,7.00938

2025-04-09,21.1192,2025-04-09,2.99556

2025-04-10,21.44978,2025-04-10,3.38006

"""

# 실제 분석을 위해 전체 데이터를 사용했다고 가정하고 코드를 작성합니다.

# df = pd.read_excel('datalab (2).xlsx', skiprows=6) 등으로 실제 데이터를 로드하세요.

df_raw = pd.read_csv(io.StringIO(csv_data), skiprows=6)

df = pd.DataFrame({

'Date': pd.to_datetime(df_raw['날짜']),

'Apple': pd.to_numeric(df_raw['애플']),

'Samsung': pd.to_numeric(df_raw['삼성'])

}).set_index('Date')

# ####################################################################################################

# 1. 상관계수 계산

correlation_matrix = df.corr(method='pearson')

print("상관계수 행렬:")

print(correlation_matrix)

print("\n")

# 2. 한글 폰트 설정

system_name = platform.system()

if system_name == 'Windows':

plt.rc('font', family='Malgun Gothic')

elif system_name == 'Darwin': # Mac OS

plt.rc('font', family='AppleGothic')

else: # Linux (Google Colab 등)

plt.rc('font', family='NanumBarunGothic')

plt.rc('axes', unicode_minus=False)

# 3. 상관계수 히트맵 시각화

plt.figure(figsize=(8, 6))

sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.2f', linewidths=.5)

plt.title('애플 vs 삼성 검색량 상관계수 히트맵', fontsize=16, pad=20)

plt.show()

# 애플과 삼성 간의 상관계수만 추출

apple_samsung_corr = correlation_matrix.loc['Apple', 'Samsung']

print(f"애플과 삼성의 검색량 간의 피어슨 상관계수는 약 {apple_samsung_corr:.2f} 입니다.")

검색어 2:해외여행

기간: 1년

성별: 모두

연령:모두

1. 상관관계 분석

우선 두 키워드의 검색량 간의 상관계수를 분석했습니다.

• '축구'와 '야구'의 상관계수: 0.106

상관계수는 -1에서 1 사이의 값을 가지며, 1에 가까울수록 강한 양의 상관관계, -1에 가까울수록 강한 음의 상관관계를 의미합니다.

결과적으로 상관계수 0.106은 두 키워드 간에 통계적으로 매우 약한 양의 상관관계가 있음을 나타냅니다. 이는 '축구'의 검색량이 증가할 때 '야구'의 검색량도 아주 미미하게 증가하는 경향이 있을 수 있으나, 사실상 두 스포츠의 검색 트렌드는 서로 독립적으로 움직인다고 해석하는 것이 타당합니다.

2. 데이터 요약 및 주요 특징

구분축구 (Soccer)야구 (Baseball)평균 검색량3.543.99최대 검색량100.0 (2024-02-03)42.53 (2021-08-04)검색량 표준편차8.855.37데이터 특징이벤트 중심의 폭발적인 급증 패턴뚜렷한 시즌제 패턴

📊 축구 (Soccer) 트렌드 분석

• 이벤트 중심의 폭발적 관심: 축구의 검색량은 평소에는 낮은 수준을 유지하다가, 월드컵, 아시안컵, 올림픽 등 국가대표팀의 주요 국제 대회가 있을 때 폭발적으로 급증하는 전형적인 '이벤트-주도형' 패턴을 보입니다.

• 가장 관심이 높았던 시점 (Top 3):

  1. 2024-02-03 (100.0): 2023 AFC 카타르 아시안컵 8강전 (vs 호주)

  2. 2022-12-03 (80.39): 2022 FIFA 카타르 월드컵 16강 진출 (vs 포르투갈 전 다음 날)

  3. 2018-10-12 (75.35): 국가대표 A매치 친선경기 (vs 우루과이)

⚾ 야구 (Baseball) 트렌드 분석

• 뚜렷한 시즌제 패턴: 야구는 KBO 리그가 진행되는 매년 4월부터 10월(포스트시즌)까지 검색량이 높게 유지되고, 리그가 없는 겨울(11월~3월)에는 검색량이 급격히 감소하는 뚜렷한 '시즌성'을 보입니다.

• 가장 관심이 높았던 시점 (Top 3):

  1. 2021-08-04 (42.53): 2020 도쿄 올림픽 야구 준결승전 (vs 일본)

  2. 2023-03-10 (27.88): 2023 월드 베이스볼 클래식(WBC) (vs 일본)

  3. 2021-07-31 (23.48): 2020 도쿄 올림픽 야구 예선 (vs 미국)

3. 종합 결론

• 관심도의 성격 차이: 축구는 '국가대항전'이라는 강력한 이벤트를 중심으로 단기간에 폭발적인 관심을 끌어모으는 반면, 야구는 국내 프로리그(KBO)를 중심으로 시즌 동안 꾸준하고 안정적인 팬덤의 관심을 유지합니다. (단, 야구 역시 올림픽, WBC 등 국제대회에서 검색량이 급증하는 모습을 보입니다.)

• 독립적인 관심사: 상관계수에서 알 수 있듯, 두 스포츠는 13-24세 연령층에서 서로의 관심도에 큰 영향을 주지 않는 독립적인 팬덤과 관심 주기를 형성하고 있습니다. 한쪽의 인기가 다른 쪽의 인기를 잠식하거나 견인하는 효과는 미미합니다.

• 평균과 변동성: 시즌 내내 꾸준한 야구가 평균 검색량은 소폭 높지만, 축구는 국제대회 기간에 야구의 최대치를 훨씬 뛰어넘는 압도적인 화제성을 보여주며 관심도의 변동 폭(표준편차)이 훨씬 큽니다.

요약하자면, 축구는 '특별 이벤트', 야구는 '일상 속 스포츠' 로서 13-24세 이용자들에게 각기 다른 방식으로 소비되고 있습니다.

1. 데이터 개요

해당 데이터는 네이버 데이터랩에서 추출한 특정 주제('통검'으로 표시)에 대한 검색량 트렌드 지수입니다. 분석의 주요 조건은 다음과 같습니다.

• 분석 플랫폼: 네이버(Naver), 다음(Daum)

• 분석 기간: 2024년 6월 12일 ~ 2025년 6월 12일 (1년)

• 분석 단위: 일간 (Daily)

• 분석 대상: 19세 ~ 24세 연령대 (성별 무관)

데이터는 특정 기간 내 최대 검색량을 100으로 설정하고, 다른 날짜의 검색량을 상대적인 값으로 표현한 검색량 지수입니다.

2. 데이터 분석 결과

1) 기술 통계

먼저 각 플랫폼별 검색량 지수의 기본적인 통계치를 확인했습니다.

구분네이버 (Naver)다음 (Daum)평균 (Mean)50.840.69표준편차 (Std Dev)14.770.28최소값 (Min)29.130.25최대값 (Max)100.001.87중앙값 (Median)49.480.67

• 규모의 차이: 네이버의 검색 지수는 평균 약 51로, 다음(평균 약 0.7)에 비해 압도적으로 높은 수치를 보입니다. 이는 해당 주제에 대해 19-24세 이용자들이 네이버를 훨씬 더 활발하게 사용하고 있음을 의미합니다.

• 변동성: 네이버의 표준편차(14.77)가 다음(0.28)보다 훨씬 커, 검색량의 변동폭이 매우 크다는 것을 알 수 있습니다. 즉, 시기별 관심도 변화가 네이버에서 더 뚜렷하게 나타납니다.

사용자의 요청에 따라 두 플랫폼 간 검색량 지수의 상관계수(Correlation Coefficient)를 분석했습니다.

상관계수: 0.057

상관계수는 -1부터 1 사이의 값을 가지며, 1에 가까울수록 강한 양의 상관관계, -1에 가까울수록 강한 음의 상관관계, 0에 가까울수록 상관관계가 없음을 의미합니다.

• 분석 결과: 계산된 상관계수는 약 0.057로, 0에 매우 가깝습니다.

• 해석: 이는 네이버와 다음의 검색량 트렌드 사이에 거의 아무런 선형 관계가 없음을 의미합니다. 즉, 특정 날짜에 네이버에서 해당 주제의 검색량이 증가했다고 해서 다음에서도 검색량이 증가하거나 감소하는 경향을 예측할 수 없습니다. 두 플랫폼의 이용자들은 이 주제에 대해 서로 독립적으로 반응하고 있습니다

제공해주신 'datalab (1).xlsx' 파일을 바탕으로 '농구'와 '헬스'에 대한 남성(10-20대)의 검색 트렌드를 분석했습니다. (기간: 2016-01-01 ~ 2025-06-12)

1. 상관관계 분석

먼저 요청하신 두 키워드 간의 상관계수를 산출한 결과입니다.

키워드상관계수 (Pearson)농구 - 헬스-0.088

상관계수는 -0.088로, -1과 1 사이의 값에서 0에 매우 가깝습니다. 이는 두 키워드의 검색량 사이에 거의 선형적인 관계가 없음을 의미합니다. 즉, '농구'에 대한 관심이 높아진다고 해서 '헬스'에 대한 관심이 줄어들거나 늘어나는 뚜렷한 패턴은 없으며, 두 관심사는 서로 다른 요인에 의해 독립적으로 움직이는 경향을 보입니다.

2. 주요 트렌드 및 시각화 분석

아래 그래프는 2016년부터 2024년 6월까지 '농구'와 '헬스'의 검색량 추이를 시각화한 것입니다.

📈 '헬스' 검색 트렌드 분석

• 뚜렷한 연초(年初) 효과: 매년 1월에 검색량이 급증하는 '새해 결심' 패턴이 매우 명확하게 나타납니다.

• 여름 시즌 관심 증가: 1월만큼은 아니지만, 여름 휴가철을 앞둔 6-7월에도 검색량이 소폭 상승하는 경향을 보입니다.

• 코로나19의 영향: 사회적 거리두기가 강화되었던 2020년 초와 2020년 말~2021년 초에 헬스장 이용이 어려워지면서 검색량이 일시적으로 감소하는 패턴이 관찰됩니다.

• 안정적인 주기성: 전반적으로 '헬스'는 외부 이벤트보다는 개인의 생활 주기(새해, 여름 준비 등)에 따라 매우 규칙적이고 예측 가능한 패턴을 보입니다.

🏀 '농구' 검색 트렌드 분석

• 프로농구 시즌 의존성: 국내(KBL) 및 해외(NBA) 프로농구 시즌이 열리는 가을(10월)부터 봄(4-5월)까지 검색량이 높게 유지되는 뚜렷한 계절성을 보입니다. 시즌이 끝나는 여름에는 관심도가 급격히 하락합니다.

• 대형 이벤트의 폭발적 효과: '농구' 검색량은 특정 이벤트에 매우 민감하게 반응합니다.

  • 역대 최고점 (2018-09-01): 데이터상 가장 높은 검색량(100)을 기록한 날로, 2018 자카르타-팔렘방 아시안게임 남자농구 결승전이 있었던 날입니다. 이는 정규 시즌보다 국제 대회의 파급력이 얼마나 큰지를 보여줍니다.

  • 기타 급등 시점들은 플레이오프 결승, 올림픽, 월드컵 등 주요 경기와 일치할 가능성이 높습니다.

• 장기적 관심도 변화: 2018-2019년 아시안게임과 농구 월드컵 등의 이벤트로 높은 관심도를 보인 이후, 최근으로 올수록 비시즌의 기본 관심도가 다소 낮아지는 추세가 관찰됩니다.

3. 결론

• '헬스'는 내적 동기: '새해 다짐', '여름 대비' 등 개인의 내적 동기와 생활 패턴에 따라 주기적으로 변동합니다.

• '농구'는 외적 동기: 프로농구 시즌과 국가대항전 같은 외부 이벤트에 따라 관심도가 크게 좌우되는 '이벤트 중심적' 특성을 보입니다.

• 독립적인 관심사: 상관계수가 -0.088로 매우 낮아, 두 스포츠/운동은 10~20대 남성에게 있어 서로 큰 영향을 주지 않는 별개의 관심사로 소비되고 있음을 알 수 있습니다.

'운동'과 '헬스' 키워드 트렌드 심층 분석 보고서

1. 분석 개요

• 분석 데이터: '운동'과 '헬스' 키워드에 대한 네이버 검색량 (일간)

• 분석 기간: 2016년 1월 1일 ~ 2024년 6월 12일 (실질적 분석은 현재까지의 데이터를 중심)

• 분석 대상: 대한민국 남성 (전체 연령)

• 핵심 질문: 남성들의 '운동'과 '헬스'에 대한 관심은 시간에 따라 어떻게 변화하며, 어떤 패턴과 특징을 보이는가?

2. 요약 (Executive Summary)

'운동'과 '헬스' 검색량은 강한 양의 상관관계(0.7356)를 보이며, 관심도 변화가 동행하는 경향이 뚜렷합니다. 분석 결과, 아래의 4가지 핵심적인 인사이트를 도출했습니다.

1. 뚜렷한 주기성: 매년 1월(새해 다짐)과 여름 직전(5~7월)에 검색량이 급증하며, 주(週) 단위로는 월요일에 가장 높은 관심을 보입니다.

2. COVID-19의 극적인 영향: 팬데믹은 검색 트렌드에 가장 큰 변곡점이었습니다. 사회적 거리두기로 인한 일시적 급감(2020년 초) 후, 억눌렸던 수요가 폭발하며 역대 최고치(2021년 1월)를 기록했습니다.

3. '헬스'의 높은 민감도: '운동'이 꾸준한 관심사를 반영하는 반면, '헬스'는 계절, 사회적 이슈(팬데믹 등)에 훨씬 더 민감하게 반응하는 '이벤트성' 소비 특성을 보입니다.

4. 최근 트렌드 변화 (2023년 이후): 팬데믹 시기 비정상적으로 급증했던 관심이 점차 안정화되면서, 전반적인 검색량은 과거 고점 대비 하락하는 추세로 전환되었습니다.

3. 세부 분석 결과

• 상관관계: 두 키워드의 상관계수는 0.7356으로, '헬스'에 대한 관심이 높아지면 '운동' 전반에 대한 관심도 함께 증가하는 강한 연관성을 보입니다. 이는 사용자들이 '헬스'를 '운동'의 주요한 한 형태로 인식하고 있음을 의미합니다.

• 장기 추세: 2023년 이전까지 두 키워드 모두 완만한 우상향 추세를 보였습니다. 이는 건강과 자기 관리에 대한 남성들의 관심이 꾸준히 증가했음을 시사합니다.

• 변동성 차이: '운동'은 비교적 안정적인 흐름을 보이지만, '헬스'는 특정 시기에 급등락을 반복하며 변동성이 훨씬 크게 나타납니다.

1. 새해 효과 (New Year's Resolution)

   • 매년 1월 1일을 기점으로 검색량이 연중 최고 수준으로 치솟습니다. 이는 새해 목표로 운동과 다이어트를 결심하는 강력한 사회적 패턴을 증명합니다.

   • 이러한 '새해 다짐'은 1월 말부터 급격히 감소하여, 관심의 지속성이 길지 않음을 보여줍니다.

2. 여름 준비 시즌 (Summer-Prep Season)

   • 노출이 많아지는 여름을 앞둔 5월부터 7월까지 검색량이 다시 한번 상승하는 '미니 피크'가 관찰됩니다. 이는 단기 목표(여름 몸매 관리)를 위한 운동 수요가 존재함을 나타냅니다.

3. 주간 패턴 (Weekly Pattern)

   • 데이터를 요일별로 분석한 결과, 월요일에 검색량이 가장 높고 금요일, 주말(토, 일)로 갈수록 점차 감소했습니다. 이는 새로운 주를 시작하며 운동 계획을 세우거나 동기 부여를 얻으려는 심리가 반영된 것으로 보입니다.

• 1단계 - 충격과 대안 찾기 (2020년 2월 ~ 5월):

  • 1차 팬데믹 및 사회적 거리두기 강화로 헬스장 등 실내 체육시설이 폐쇄되자 '헬스' 검색량은 급격히 감소했습니다.

  • 반면, '운동' 검색량은 상대적으로 감소 폭이 적었는데, 이는 헬스장의 대안으로 '홈트레이닝'이나 야외 운동에 대한 관심이 이동했기 때문으로 분석됩니다.

• 2단계 - 억눌린 수요의 폭발 (2021년 1월 7일):

  • '헬스' 검색량은 이날 100이라는 압도적인 수치를 기록하며, 데이터 전체 기간의 기준점이 되는 역대 최고치를 달성했습니다.

  • 이는 ① 강력한 새해 효과, ② 장기간의 실내 운동 제한에 대한 보상 심리, ③ 억눌렸던 운동 수요가 한꺼번에 폭발하며 만들어낸 이례적인 현상입니다.

• 3단계 - 엔데믹 전환과 관심의 정상화 (2023년 ~ 현재):

  • 팬데믹 기간 동안 비정상적으로 높았던 검색량은 2023년에 들어서며 눈에 띄게 감소했습니다.

  • 이는 엔데믹으로 야외 활동, 여행 등 관심사가 다변화되고, 고물가/고금리 등 경제적 요인이 헬스장 등록과 같은 고정 지출에 부담으로 작용했을 가능성을 시사합니다. 현재 트렌드는 팬데믹 이전 수준으로 회귀하거나 혹은 그보다 약간 낮은 수준에서 안정화되는 모습을 보입니다.

4. 결론 및 제언

• 결론: 남성의 '운동' 및 '헬스'에 대한 관심은 주기적이고 이벤트 중심적인 특성을 가지며, 특히 '헬스'는 외부 환경 요인에 매우 민감하게 반응합니다. COVID-19는 이러한 트렌드를 가장 극적으로 변화시킨 변수였으며, 현재는 팬데믹으로 인한 과열된 관심이 빠지고 안정화 단계에 접어든 것으로 판단됩니다.

• 비즈니스 제언:

  • 타겟 마케팅: 헬스장, 운동용품, 보충제 등 관련 산업은 연말부터 1월 초, 그리고 5~6월에 집중적인 마케팅 캠페인을 집행하는 것이 가장 효과적일 것입니다. '월요병 극복', '새로운 시작' 등의 메시지를 활용하는 주간 단위 마케팅도 유효합니다.

  • 리스크 관리: '헬스' 키워드의 높은 변동성은 헬스장 산업이 외부 충격에 취약할 수 있음을 의미합니다. 따라서 팬데믹과 같은 위기 상황 발생 시, '홈트레이닝 프로그램', '온라인 PT' 등 유연한 대안 서비스를 제공하여 리스크를 분산시키는 전략이 필요합니다.

  • 최신 트렌드 반영: 2023년 이후 검색량 감소는 '헬스' 외 '클라이밍', '크로스핏', '테니스' 등 새로운 운동으로 관심이 분산되고 있을 가능성을 암시합니다. 따라서 단일 종목에 집중하기보다 다변화된 고객의 니즈를 파악하고 새로운 운동 트렌드를 접목하는 노력이 중요해 보입니다.

1. 전체 기간 트렌드 비교 (Line Plot): 축구와 야구의 검색량을 전체 기간에 걸쳐 비교하여 각 스포츠의 관심도 패턴(이벤트성 vs 시즌성)을 한눈에 파악합니다. 주요 급등 시점에 대한 주석을 추가하여 원인을 설명합니다.

2. 월별 평균 검색량 비교 (Bar Plot): 데이터를 월별로 그룹화하여 평균 검색량을 비교합니다. 이를 통해 야구의 뚜렷한 시즌성을 명확하게 확인할 수 있습니다.

3. 상관관계 시각화 (Scatter Plot): 축구와 야구 검색량의 상관관계를 산점도로 시각화하여, 두 관심사가 서로 얼마나 독립적인지를 보여줍니다.

Python 시각화 코드

먼저, 시각화에 필요한 라이브러리를 설치해야 합니다. 터미널이나 명령 프롬프트에서 아래 명령어를 실행해주세요.

pip install pandas matplotlib seaborn openpyxl

content_copydownload

Use code with caution.Bash

이제 아래 파이썬 코드를 실행하여 그래프를 생성할 수 있습니다.

※ 주의: datalab (2).xlsx 파일이 코드 파일과 동일한 폴더에 있어야 합니다.

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import seaborn as sns
import platform

# 1. 한글 폰트 설정 (OS에 맞게 자동 설정)
# Matplotlib에서 한글이 깨지지 않도록 폰트를 설정합니다.
system_name = platform.system()
if system_name == 'Windows':
    plt.rc('font', family='Malgun Gothic')
elif system_name == 'Darwin': # Mac OS
    plt.rc('font', family='AppleGothic')
else: # Linux
    # Linux에서는 나눔고딕 폰트가 설치되어 있는지 확인 후 설정합니다.
    # 폰트가 없다면, apt-get install fonts-nanum*
    try:
        font_name = fm.FontProperties(fname="/usr/share/fonts/truetype/nanum/NanumGothic.ttf").get_name()
        plt.rc('font', family=font_name)
    except:
        print("나눔고딕 폰트를 찾을 수 없습니다. 기본 폰트로 설정됩니다. (한글이 깨질 수 있습니다)")

# 마이너스 부호가 깨지지 않도록 설정
plt.rcParams['axes.unicode_minus'] = False


# 2. 데이터 불러오기 및 전처리
try:
    # 엑셀 파일의 7번째 줄부터 데이터가 시작되므로 header=6으로 설정
    df = pd.read_excel('datalab (2).xlsx', header=6)

    # 필요한 컬럼만 선택하고 이름 변경
    # '날짜', '축구', '날짜.1', '야구' 형태의 컬럼을 정리
    df = df.iloc[:, [0, 1, 3]]
    df.columns = ['날짜', '축구', '야구']

    # 날짜 데이터를 datetime 형식으로 변환하고 인덱스로 설정
    df['날짜'] = pd.to_datetime(df['날짜'])
    df.set_index('날짜', inplace=True)

    # 결측치가 있을 경우 0으로 채우기
    df.fillna(0, inplace=True)
    
    print("데이터 불러오기 및 전처리 완료.")
    print(df.head())

except FileNotFoundError:
    print("파일을 찾을 수 없습니다. 'datalab (2).xlsx' 파일이 코드와 같은 폴더에 있는지 확인해주세요.")
    exit()


# 3. 시각화 진행

# --- 시각화 1: 전체 기간 트렌드 비교 (Line Plot) ---
plt.figure(figsize=(20, 8))
plt.plot(df.index, df['축구'], label='축구', color='red', alpha=0.7)
plt.plot(df.index, df['야구'], label='야구', color='blue', alpha=0.7)

# 주요 이벤트 주석 추가
# 축구 최대값
soccer_peak = df['축구'].idxmax()
soccer_peak_value = df['축구'].max()
plt.annotate(f'카타르 아시안컵\n8강전\n({soccer_peak.strftime("%Y-%m-%d")})',
             xy=(soccer_peak, soccer_peak_value),
             xytext=(soccer_peak, soccer_peak_value - 30),
             arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8),
             fontsize=12,
             fontweight='bold',
             ha='center')

# 야구 최대값
baseball_peak = df['야구'].idxmax()
baseball_peak_value = df['야구'].max()
plt.annotate(f'도쿄 올림픽\n준결승전\n({baseball_peak.strftime("%Y-%m-%d")})',
             xy=(baseball_peak, baseball_peak_value),
             xytext=(baseball_peak, baseball_peak_value + 20),
             arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8),
             fontsize=12,
             fontweight='bold',
             ha='center')


plt.title('축구 vs 야구 검색량 트렌드 (2016~2025)', fontsize=20, pad=20)
plt.xlabel('기간', fontsize=12)
plt.ylabel('상대적 검색량', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()


# --- 시각화 2: 월별 평균 검색량 비교 (Bar Plot) ---
df_monthly = df.copy()
df_monthly['월'] = df_monthly.index.month
monthly_avg = df_monthly.groupby('월')[['축구', '야구']].mean()

plt.figure(figsize=(12, 7))
monthly_avg.plot(kind='bar', ax=plt.gca(), width=0.8)
plt.title('월별 평균 검색량 비교', fontsize=18, pad=15)
plt.xlabel('월', fontsize=12)
plt.ylabel('평균 검색량', fontsize=12)
plt.xticks(rotation=0, fontsize=11)
plt.legend(fontsize=11)
plt.grid(axis='y', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()


# --- 시각화 3: 상관관계 시각화 (Scatter Plot) ---
correlation = df['축구'].corr(df['야구'])

plt.figure(figsize=(10, 8))
sns.regplot(x='축구', y='야구', data=df,
            scatter_kws={'alpha':0.2, 'color':'gray'},
            line_kws={'color':'red', 'linestyle':'--'})
            
plt.title(f'축구-야구 검색량 상관관계 분석\n(상관계수: {correlation:.3f})', fontsize=18, pad=15)
plt.xlabel('축구 검색량', fontsize=12)
plt.ylabel('야구 검색량', fontsize=12)
plt.grid(True, linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

'애플(검색어1)'과 '삼성(검색어2)'의 검색량 상관계수는 약 0.35입니다.

이를 통계적으로 해석하면 "낮은 수준의 양(+)의 상관관계 (Weak Positive Correlation)"라고 할 수 있습니다.

상관계수 0.35 심층 분석

상관계수 0.35는 두 가지 상반된 힘이 서로 밀고 당긴 결과물입니다.

힘의 방향내용비유상관관계를 만드는 힘<br>(양의 관계)같은 시장의 라이벌로서 '비교' 대상이 되기 때문에 함께 움직이려는 경향이 있다.같은 반의 라이벌인 두 학생은<br>시험 기간(공통 이슈)에 함께 공부량이 늘어난다.상관관계를 약화시키는 힘<br>(낮은 수치)애플의 독보적인 이벤트가 모든 관계를 무시하고 홀로 폭발하기 때문에 연결고리가 끊어진다.하지만 한 학생(애플)이 세계적인 슈퍼스타라서<br>개인 콘서트(독자적 이벤트)를 열면, 시험과 상관없이 그 학생에게만 관심이 쏠린다.

결론적으로 '애플'과 '삼성'의 상관관계는 "가끔은 라이벌로서 같이 언급되지만, 결정적인 순간에는 각자 갈 길을 가는 사이"라고 요약할 수 있습니다. 그리고 그 '결정적인 순간'을 만드는 애플의 힘이 워낙 막강하기에, 통계적으로는 약한 연결고리(0.35)만 남게 된 것입니다.

자신이 예측한 결과와 의 차이 :

1. 단순히 남성 사용자 중심의 검색량 변화 정도만을 비교할 것이라고 예상함 하지만 분석 결과를 바탕으로 세대별, 성별로 관심도를 정교하게 세분화해야 할 필요성을 느꼈고, 타겟별 마케팅 전략 도출 가능성을 인지함

2. ‘애플’ vs ‘삼성’이라는 포괄적인 브랜드 비교에 그칠 것으로 예상함 하지만 브랜드 전체가 아닌 ‘갤럭시’, ‘아이폰’ 등 구체적인 제품 키워드 분석으로 실제 구매 의도에 더 가까운 데이터를 확보하고자 함

   
   

추후 발전계획 과 느낀점 :

인공지능기초 과목에서 브랜드 트렌드 분석 활동을 하면서 단순히 검색량만 비교하는 데 그치지 않고, 성별이나 연령대에 따라 관심도에 어떤 차이가 있는지를 세분화해보는 데 흥미를 느꼈습니다. 특히 ‘갤럭시’, ‘아이폰’처럼 구체적인 제품명 키워드를 중심으로 분석했을 때 실제 소비자 구매 의도와 더 가까운 데이터를 얻을 수 있다는 점이 인상 깊었습니다.

또한 검색량의 변화가 단순한 관심도 차이가 아니라, 특정 이벤트나 뉴스, 마케팅 시점과 어떻게 연결되는지를 감성 분석이나 외부 지표와 연계하여 분석할 수 있다는 점에서 인공지능이 현실 문제 해결에 직접 기여할 수 있겠다는 가능성을 체감했습니다.

앞으로는 시계열 예측 모델을 활용해 신제품 발표 시기의 검색량을 예측하거나, 경쟁사의 마케팅 전략을 분석해 효과적인 대응 방안을 시뮬레이션해보는 등의 방향으로 분석을 확장해보고 싶습니다. 단순한 분석을 넘어 실제 전략 수립에 도움이 되는 데이터를 어떻게 만들어낼 수 있을지 계속 탐구해 나가고 싶습니다.

예측한 결과와 차이가 없다 검색어1이 더 검색량이 많을거 같다고 예상했는데 예상이 맞았다

추후에도 네이버가 더 많을거 같다

내가 예상한 결과는 검색어1이 증가함에 따라 검색어2가 감소하고, 검색어1이 감소함에 따라 검색어2가 증가하는 음의 상관관계를 예상했다. 비록 값이 작아 뚜렷한 상관관계는 나타내지 못했지만 예상이 어느정도 맞았다는 것을 알 수 있다.

추후에 사람들이 매우 많이 검색하는 키워드들을 설정하고 더욱 자세한 키워드 간의 상관관계를 직접 만든 코드로 분석해보고 싶다.

현재 오버워치에대한 관심도가 줄어들면서

발로란트에 대한 인식이 올라가며 현재 프로리그 들이 많아지면서 청소년기 아이들이 발로란트에 대한 관심도 또한 오르고 있음을 보여준다

발로란트가 인기가 많아서 오버워치에 대한 자료가 없을줄 알았는데 생각 보다 많았다

오버워치의 인기가 식은 이유를 연도 별로 분류하여 왜 게임유저수가 감소한것인지 이유를 찾을것이다

1. 분석 개요

• 분석 데이터: Naver 데이터랩 '고양이', '개' 키워드 검색량 (datalab (1).xlsx)

• 분석 기간: 2025년 5월 12일 ~ 2025년 6월 12일

• 분석 목적: 두 키워드('고양이', '개')의 검색량 추이 간의 연관성을 파악하고, 그 관계를 통계적으로 분석

• 핵심 결론: '고양이'와 '개' 키워드의 검색량은 매우 약한 양(+)의 상관관계를 보이며, 사실상 서로 독립적으로 움직이는 것으로 분석됩니다.

2. 주요 분석 결과

1) 상관계수 계산

'고양이'와 '개'의 일별 검색량 데이터(상대값)를 바탕으로 피어슨 상관계수를 산출한 결과는 다음과 같습니다.

상관계수 = 0.235

상관계수는 두 변수 간의 직선적 관계의 강도와 방향을 나타내는 지표로, +1에 가까울수록 강한 양의 상관관계, -1에 가까울수록 강한 음의 상관관계, 0에 가까울수록 상관관계가 없음을 의미합니다.

2) 상관관계 해석

계산된 상관계수 0.235는 0에 매우 가까운 값으로, 통계적으로 '매우 약한 양의 상관관계(Very Weak Positive Correlation)'로 해석됩니다.

이는 한 키워드의 검색량이 증가할 때 다른 키워드도 아주 미미하게나마 증가하는 경향성이 있다는 것을 의미하지만, 그 관계가 매우 희미하여 실질적인 연관성을 찾기는 어렵습니다. 즉, 하나의 키워드 트렌드를 통해 다른 키워드의 트렌드를 예측하는 것은 거의 불가능합니다.

3. 세부 데이터 패턴 분석

상관계수가 0에 가깝게 나타난 원인을 데이터 패턴을 통해 심층적으로 분석하였습니다.

가. 공통 패턴: '요일 효과'

두 키워드는 공통적으로 주중(월-금) 대비 주말(토-일)에 검색량이 감소하는 경향을 보입니다.

사실 대충 짐작은 하였지만 같은 운동일때에 관련이 있을까? 하여 찾아보게 되었다. 이 데이터 분석을 배운 것이 앞으로 잘 쓰일 것 같다. 추후에는 내 진로와 관련된 검색어들로 해보고 싶다.