엑셀에 데이터를 담을 때 주의 사항

첫 번째: 머리글을 두 줄 이상으로 만들지 마세요

머리글(header)은 엑셀 파일 첫 번째 줄에 각 칸의 이름을 쓰는 공간을 말합니다. 학번, 나이, 성별 등을 이곳에 쓰죠. 그런데 위 예제를 보시면, 성적을 중간고사와 기말 고사로 나누어 입력하는 과정에서 두 줄을 쓰는 것을 알 수 있습니다. 이러면 나중에 머리글을 사용할 때 무척 번거롭습니다. 통계 프로그램은 대부분 머리글을 기본 한 줄로 해석하기 때문이죠. 위와 같은 데이터를 모을 때는 아래처럼 하시는 편이 나중에 통계 처리할 때 유리합니다.

두 번째: 열 이름이나 데이터 내부에는 최대한 한글을 피해 주세요.

한글을 쓰면 절대 안 되는 건 아닙니다. UTF-8이나 EUC-KR로 인코딩(encoding)을 하고, 다시 파일을 읽을 때도 인코딩을 맞추어 주면 한글 깨짐 현상을 해결할 수 있죠. 하지만 제가 방금한 이야기가 외계의 언어처럼 들리신다면 이해하려 하지 마시고, 그냥 모든 문자를 영어로 통일해 주세요. 여러분을 컴퓨터 전문가 과정으로 안내하는 게 아니라, 컴퓨터가 약한 연구자를 통계 전문가로 만드는 게 이 책의 목표이기 때문입니다. 영어로 열(column) 이름을 작성하실 때는 단어 사이를 띄어쓰기하면 안 됩니다. 예를 들어 기말 고사 점수를 ‘final test’라고 이름을 바꾸게 되면, 그 항목을 컴퓨터가 변수로 불러올 때 ‘final’과 ‘test’라는 두 단어로 인식해 우리가 원하는 열을 찾지 못하는 일이 발생합니다. 그렇다고 한 단어로 무작정 작명을 하면, 나중에 규모가 큰 연구에서는 연구보다 작명에 더 많은 시간을 보내기 일쑤죠. 쉬운 팁을 하나 알려 드리면, 띄어쓰기가 필요한 단어는 ‘final_test’처럼 사이에 언더바(underbar)를 넣어서 사용하거나, ‘finalTest’처럼 두 단어를 붙여서 쓰되 두 번째 단어의 첫 알파벳을 대문자로 써서 단어와 단어를 구분하면 됩니다. 또한 열 이름을 길게 작명하는 일에 부담을 갖지 마세요. 코딩을 전문으로 하는 프로그래머들은 훨씬 더 긴 단어로 변수 이름을 설정하기도 합니다. ‘the_easy_way_to_make_column_name’ 이렇게 말이죠. 이런 식으로 변수 이름을 설정하면, 논문을 제출(submission)하고 첫 리뷰가 올 때까지 한동안 열어 보지않았던 코드라도 당황하지 않고 다시 사용할 수 있습니다. 본인뿐만 아니라, 누군가에게 코드를 공유했을 때도 별다른 추가 설명 없이 이해되도록 작성하는 것이 멋진 코드를 만드는 팁이기도 하고요.

세 번째: 성별과 같은 범주형 변수는 0, 1이 아니라 M, F처럼 문자로

표시해 주세요. 연구자에 따라서는 0과 1로 쓰기를 권하는 분도 있습니다. 회귀분석을 위해 더미 변수를 설정할 때 0과 1로 표현하는 경우가 많기 때문인데요. (무슨 이야기인지 모르셔도 괜찮습니다. 이해가 안 되더라도 그냥 제가 말씀드리는 대로 하시면 되니까요) 문제는 0과 1로 구분되는 결과, 이를테면 사망/생존과 같이 결과가 둘로 나뉘는 경우에 발생합니다. 이런 경우 회귀 분석을 위해서는 로지스틱 회귀모형을 적용해야 하는데요. 0과 1을 범주형 변수(문자)가 아닌 연속형 변수(숫자)로 회귀 분석을 시행해도 결과가 아무런 오류 없이 잘 나오거든요. 초보 연구자들은 이 결과를 또 자랑스럽게 받아 적게 되고요. 그래서 저는 범주형 변수는 꼭 문자로 데이터를 모으시라고 권합니다.

네 번째: 열 이름 안에 결괏값의 단위를 적지 마세요.

나중에 데이터를 살필 때 편하려고 결괏값의 단위를 포함해서 열이름을 짓는 경우가 있습니다. 하지만 단위에는 (, ), ^, %, $ 같은 특수 기호가 자주 들어갑니다. 특수 기호들은 통계 프로그램 안에서 특수한 임무를 담당할 때가 많죠. 그래서 여러분도 모르게 특수 명령이 실행되는 사례가 발생합니다. 알고 시킨 일이라면 멈추기라도 할 텐데, 모르고 시킨 특수 명령은 멈추기도 어렵습니다. 곤란한 일이 없으려면 처음부터 피하시는 게 상책입니다. 결괏값은 엑셀이 아닌 다른 메모장에 정리해 두시길 권해 드립니다.

다섯 번째: 하나의 시트에는 하나의 표만 담아 주세요

간혹 하나의 시트(sheet) 안에 여러 개의 표(table)가 담긴 엑셀 파일을 보곤 합니다. 대개 원본 데이터 파일이 있고, 그 안의 값들을 가지고 함수(function)를 이용해서(참조한다고 표현하기도 합니다) 새로운 표를 구성하는 경우죠. 대개 연령대별 합계를 구하거나, 성별 평균값 등을 정리할 때 이렇게 작업을 많이 하는데요. 이런 상황은 통계 처리에서 정말 쥐약입니다. 컴퓨터가 각각의 엑셀 파일을 자동으로 처리할 때 첫 번째 규칙이 맨 윗줄을 각 열의 이름으로 이해하고, 두 번째 줄부터는 열의 관찰값으로 이해하는 겁니다. 만약 중간에 새로운 표가 있다면 컴퓨터는 무척 당황하겠죠. 그래서 엑셀 작업을 할 때 늘 하던 식으로 맨 밑줄 또는 맨 우측 줄에 합계나 평균을 넣으면 절대 안 됩니다. 그런 건 통계 프로그램에서 작업하시면 훨씬 더 쉬우니, 서두르지 마시고 잠시 미뤄두세요.

이 정도 원칙만 지켜서 엑셀 파일 작업을 하셔도 통계 작업전에 쓸모없이 허비하는 처리 시간을 대폭 단축하실 수 있을 겁니다. 통계 전문가에게 도움을 요청할 때도 센스 있다고 좋은 이야기를 들으실 거고요. 실제로 빅 데이터를 다루는 사람들은 늘 정돈되지 않은 파일을 정리하는 데 대부분의 시간을 보냅니다. ‘주판이나 계산기를 두드리는 것도 아니고 컴퓨터로 분석하니, 빅 데이터 분석가는 놀면서 돈 버는 거 아냐?’라고 생각하실지도 모르겠는데, 아닙니다. 빅 데이터 분석 업무의 대부분이 막노동입니다. 데이터 막노동을 하는 전국의 여러분께 저 또한 막노동을 하는 한 사람으로서 경의를 표합니다.

(이 글은 필자가 쓴 『R 통계의 정석』 (사이언스북스, 2021년) 11~16쪽의 내용을 발췌, 정리한 것임을 밝힙니다.)