xwMOOC 자동차

1. 자동차 리콜
2. 연도별 품질 문제가 많은 자동차 제조사
3. 나름 정리한 데이터
4. 현대차, 기아차를 포함한 리콜 상위 10사

1. 자동차 리콜 ¹

공공데이터포털에서 자동차결함 리콜현황 데이터를 받아볼 수 있다. 2017년은 현재시점(2017-12-29) 올라와있지 않지만, 2011-2016년까지는 다양한 형태로 데이터를 정제하지도 않은 상태로 .csv, .xls 파일 형태로 올라와 있다.

따라서, 추가적인 분석을 위해서 데이터정제 작업은 각자 진행하여 분석작업을 수행한다.

2. 연도별 품질 문제가 많은 자동차 제조사

2.1. 데이터 가져오기

2011년부터 2016년까지 데이터를 불러온다. UTF-8인코딩을 맞추기 위해서 read.csv 함수로 fileEncoding="EUC-KR" 인자를 넘겨 우선 데이터를 불러들인다.

# 0. 환경설정 ---------------
# library(tidyverse)
# library(readxl)
# library(xts)
# library(stringr)
# library(lubridate)
# library(ggpubr)
# library(extrafont)
# loadfonts()

# 1. 데이터 가져오기 ------

recall_2011_dat <- read.csv("data/공공데이터포털/리콜현황(2011년).csv", fileEncoding="EUC-KR", skip=1)
recall_2012_dat <- read.csv("data/공공데이터포털/리콜현황(2012년).csv", fileEncoding="EUC-KR", skip=1)
recall_2013_dat <- read.csv("data/공공데이터포털/자동차 결함 리콜현황(2013년).csv", fileEncoding="EUC-KR")
recall_2014_dat <- read_excel("data/공공데이터포털/리콜현황(2014년).xlsx", skip=1)
recall_2015_dat <- read.csv("data/공공데이터포털/자동차리콜현황(2015).csv", fileEncoding="EUC-KR")
recall_2016_dat <- read.csv("data/공공데이터포털/자동차리콜현황(2016).csv", fileEncoding="EUC-KR")

2.2. 데이터 전처리

데이터 형태가 다르기 때문에 해당 연도에 맞춰 적절한 형태로 연도별 데이터프레임을 적절한 형태로 가공한다.

# 2. 데이터 전처리 ------
## 2011년 
recall_2011_df <- recall_2011_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2011-01-01") %>% 
  separate(생산기간, into=c("생산시작", "생산종료"), sep="~")

## 2012년 
recall_2012_df <- recall_2012_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2012-01-01") %>% 
  separate(생산기간, into=c("생산시작", "생산종료"), sep="~")

## 2013년 
recall_2013_df <- recall_2013_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2013-01-01") %>% 
  rename(생산시작=`생산기간.부터.`, 생산종료=`생산기간.까지.`)

## 2014년 
recall_2014_df <- recall_2014_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2014-01-01") %>% 
  separate(생산기간, into=c("생산시작", "생산종료"), sep="~")

## 2015년 
recall_2015_df <- recall_2015_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2015-01-01") %>% 
  rename(생산시작=`생산기간.부터.`, 생산종료=`생산기간.까지.`)

## 2016년 
recall_2016_df <- recall_2016_dat %>% 
  tbl_df() %>% 
  mutate(연도 = "2016-01-01") %>% 
  rename(생산시작=`생산기간.부터.`, 생산종료=`생산기간.까지.`) %>% 
  select(-X, -X.1)

## 데이터 병합 -----------
recall_df <- recall_2011_df %>% 
  bind_rows(recall_2012_df) %>% 
  bind_rows(recall_2013_df) %>% 
  bind_rows(recall_2014_df) %>% 
  bind_rows(recall_2015_df) %>% 
  bind_rows(recall_2016_df)

2.3. 데이터 전처리 - 제조사

자동차 제조사를 적절한 범주로 나눠 다시 재분류한다.

# 2. 데이터 전처리 ------
## 2.1. 자동차 제조사 정리 -----
recall_df <- recall_df %>% 
  mutate(제조사 = case_when(
    str_detect(제작사, "대우|지엠|GM|타타") ~ "지엠대우",
    str_detect(제작사, "현대") ~ "현대차",
    str_detect(제작사, "기아") ~ "기아차",
    str_detect(제작사, "혼다") ~ "혼다",
    str_detect(제작사, "볼보") ~ "볼보",
    str_detect(제작사, "토요타") ~ "토요타",
    str_detect(제작사, "벤츠|다임러") ~ "다임러벤츠",
    str_detect(제작사, "닛산") ~ "닛산",
    str_detect(제작사, "에프씨에이|크라이슬러") ~ "크라이슬러",
    str_detect(제작사, "비엠더블유") ~ "BMW",
    str_detect(제작사, "아우디") ~ "아우디",
    str_detect(제작사, "포드") ~ "포드",
    str_detect(제작사, "재규어|랜드로버") ~ "재규어랜드로버",
    str_detect(제작사, "한불") ~ "푸조",
    str_detect(제작사, "기흥") ~ "애스턴마틴",
    str_detect(제작사, "스즈키") ~ "스즈키",
    str_detect(제작사, "삼성") ~ "르노삼성",
    str_detect(제작사, "쌍용") ~ "쌍용",
    str_detect(제작사, "포르쉐|스투트가르트") ~ "포르쉐",
    str_detect(제작사, "만트럭|만 트럭") ~ "만트럭",
    str_detect(제작사, "스카니아") ~ "스카니아",
    str_detect(제작사, "모토로싸|모터로싸") ~ "두카티",
    str_detect(제작사, "스바루") ~ "스바루",
    str_detect(제작사, "에프엠케이") ~ "마세라티-페라리",
    str_detect(제작사, "미쓰비시") ~ "미쓰비시",
    str_detect(제작사, "대전") ~ "오토바이-대전",
    str_detect(제작사, "한국모터") ~ "오토바이-야마하",
    str_detect(제작사, "스포츠모터사이클") ~ "오토바이-TKM",
    str_detect(제작사, "S&T모터스|대림|화창") ~ "오토바이-스즈키",
    str_detect(제작사, "모토스타코리아") ~ "오토바이-SYM",
    str_detect(제작사, "락락") ~ "스타크래프트밴",
    str_detect(제작사, "씨엔에이치") ~ "이베코-버스",
    TRUE ~ "기타"
  ))
# 오토바이 제외 !!!
recall_df <- recall_df %>% 
  filter(!str_detect(제조사, "오토바이"))

2.4. 데이터 전처리 - 리콜일

리콜시작일이 연도마다 다르기 때문에 적절한 형태로 가공한다.

## 2.2. 리콜개시일 -----
recall_df <- recall_df %>% 
  mutate(리콜개시일 = str_replace_all(리콜개시일, "\\`", "")) %>% 
  mutate(리콜시작일 = str_split(리콜개시일,"\\.|-|~")) %>% 
  mutate(연도 = map_chr(리콜시작일, 1),
         월 = map_chr(리콜시작일, 2),
         일 = map_chr(리콜시작일, 3)) %>%
  mutate(월 = str_pad(월, 2, "left", pad="0"),
         일 = str_pad(일, 2, "left", pad="0"),
         연도 = ifelse(str_length(연도) ==2, paste0("20", 연도), 연도)) %>% 
  mutate(리콜일 = lubridate::ymd(paste0(연도, "-", 월, "-", 일))) %>% 
  select(-연도, -월, -일, -리콜시작일, -리콜개시일)

3. 나름 정리한 데이터

제조사, 리콜일을 정리한 데이터를 향후 분석을 위해 살펴보자. 추가적인 분석을 원하는 경우 클릭하여 다운로드하여 가져간다.

# 4. 리콜 데이터 표 -----  
recall_df %>% 
  select(리콜일, 제조사, 제작사, 차명, 생산시작, 생산종료, 리콜사유) %>% 
  DT::datatable()

4. 현대차, 기아차를 포함한 리콜 상위 10사

현대, 기아차는 리콜 상위 10위안에 들지 못했지만, 2011년부터 리콜 명령을 받은 횟수가 높은 제조사를 연도별로 시각화하자.

# 3. 연도별 리콜 시각화 -----  

top_10_maker_v <- recall_df %>% 
  mutate(리콜년도 = year(리콜일)) %>% 
  count(제조사, sort=TRUE) %>% 
  top_n(10, n) %>% pull(제조사) %>% 
  c("현대차", "기아차")
  
recall_df %>% 
  mutate(리콜년도 = year(리콜일)-2000) %>% 
  count(리콜년도, 제조사, sort=TRUE) %>% 
  filter(제조사 %in% top_10_maker_v) %>% 
  mutate(제조사 = factor(제조사, levels=c("현대차", "기아차", "BMW", "다임러벤츠", "지엠대우", "아우디", "혼다", "재규어랜드로버", 
                                    "포드", "크라이슬러", "푸조", "볼보"))) %>% 
  ggplot(aes(x=리콜년도, y=n, group=제조사, color=제조사)) +
    geom_point() +
    geom_line() +
    facet_wrap(~제조사) +
    theme_pubr(base_family = "NanumGothic") +
    labs(x="", y="리콜발생수") +
    theme(legend.position = "none")

카미디어, 올해 車리콜 역대 최대..현대-기아차 80% 차지, 2017.12.29 10:16 ↩

xwMOOC 자동차

공공데이터포털 - 대한민국 리콜(2011-2016)

xwMOOC

2017-12-29

1. 자동차 리콜 1