[조보현]Section02 Project_COVID-19 in South Korea : 입원기간의 차이에 대한 모델링

----------------
----------------
# 사용한 데이터셋
[DS4C: Data Science for COVID-19 in South Korea](https://www.kaggle.com/kimjihoo/coronavirusdataset)

원본 데이터셋(영어) 설명접기/펼치기

# 1. The Lists of Data Table
## What is this dataset (Detailed Description)
- https://www.kaggle.com/kimjihoo/ds4c-what-is-this-dataset-detailed-description

### 1) Case Data
- **Case**: Data of COVID-19 infection cases in South Korea

### 2) Patient Data
- **PatientInfo**: Epidemiological data of COVID-19 patients in South Korea
- **PatientRoute**: Route data of COVID-19 patients in South Korea (currently unavailable)

### 3) Time Series Data
- **Time**: Time series data of COVID-19 status in South Korea
- **TimeAge**: Time series data of COVID-19 status in terms of the age in South Korea
- **TimeGender**: Time series data of COVID-19 status in terms of gender in South Korea
- **TimeProvince**: Time series data of COVID-19 status in terms of the Province in South Korea

### 4) Additional Data
- **Region**: Location and statistical data of the regions in South Korea
- **Weather**: Data of the weather in the regions of South Korea
- **SearchTrend**: Trend data of the keywords searched in NAVER which is one of the largest portals in South Korea
- **SeoulFloating**: Data of floating population in Seoul, South Korea (from SK Telecom Big Data Hub)
- **Policy**: Data of the government policy for COVID-19 in South Korea

# The Structure of our Dataset
- What color means is that they have similar properties.
- If a line is connected between columns, it means that the values of the columns are partially shared.
- The dotted lines mean weak relevance.
----------------

### 현재 `Section02 Project`에서 사용 할 데이터 : 환자 데이터(Patient Data)
- PatientInfo: 대한민국 COVID-19 환자의 역학 데이터
- PatientRoute: 대한민국 COVID-19 환자의 경로 데이터(현재 사용 불가)

데이터를 정하기 전에 해야할 작업들

# Steps of Data Wrangling :
> 데이터 분석이라는 요리를 내놓기 위해 데이터셋이라는 재료를 다듬는 과정

1. Discovering (탐색) : 데이터를 파악, 변수간의 상관관계 이해
- 도메인 지식
- 데이터분포 파악
- 어떤 데이터가 필요한지/필요없는지 확인

2. Cleaning (정리) : 분석/모델의 성능에 방해가 될만한 요소를 처리
- 결측치/이상치 처리
- 잘못된 데이터 처리

3. Structuring/Enriching (구조화/다양하게)
- 데이터 통합/ 인코딩
- 새로운 피쳐 만들기

### 데이터셋 설명
- patient_id : 환자 고유 번호
- sex: 성별
- age: 나이대
- country: 나라
- province: 00도/시(지역)
> ex) 경기도, 충청남도 etc
- city: 대도시명
> ex) 강서구, 중랑구 etc
- infection_case: 전염된 사례
> ex) 해외 유입, 환자와 접촉 etc
- infected_by: 누구(patient_id)에게 감염되었는가
- contact_number: 전화번호 뒷자리
- symptom_onset_date: 증상이 시작된 날짜
- confirmed_date: 확진 받은 날짜
- released_date: 퇴원한 날짜
- deceased_date: 사망 날짜
- state: 현재 상황

----------------
----------------

# 문제의 정의
- 이번에 만들 모델은 입원 기간이 평균보다 많을지 적을지를 예측하는 모델이다.

> 해당 문제를 하게된 이유 ?

~처음에 "내가 한국에 살면서 죽을 확률은 몇프로일까?" 계산하는 모델링을 하려했습니다.~
~아무리 막 만들어도 90%를 넘을 극악치에 다른 타겟을 탐색하기 시작..~

## 분류(Classification) or 회귀(Regression)?
> 평균 보다 높을지 낮을지 예측하는 것이다 보니 **이진 분류 (Binary classification)** 모델이다

## 타겟으로 사용할 특성을 선택
- 환자의 입원 기간을 타겟으로 하였다.


> why? 입원 기간이 평균보다 많을지 적을지를 예측해야하기 때문이다.

### 문제에 맞는 평가지표 (evaluation metrics)를 선택
> 검증 정확도로 해도 되지만 공부를 위한 프로젝트다보니 다양하게 시도할 예정

### 베이스라인을 선택

## 주의점
### 정보의 누수(leakage) 확인
```python
mport graphviz
from sklearn.tree import export_graphviz

tree = pipe.named_steps['decisiontreeclassifier']

dot_data = export_graphviz(
tree,
feature_names=X_train.columns,
class_names=y_train.unique().astype(str),
filled=True,
proportion=True
)

graphviz.Source(dot_data)
```
### 이상치(outliers) 처리
----------------

----------------
----------------
모델링도중 충격과 공포인 상태로 리허설 진행

+) 여담
> 덕분에 다양한 시각화, 데이터셋을 만들다 흥미로운 그래프를 만들게 되었습니다.

> 흥미로웠던 시각화
- 남성 환자보다 여성 환자의 확진 건수가 높지만 여성 환자의 사망률에 비해 남성 환자의 사망률이 높다.
~해당 내용에 대해 도전하려했으나, 시간이 부족하여 우선 간단한 내용으로 문제 정의 변경함~

The issue names no repository files or tests. Start with the problem definition and the linked DS4C dataset, then inspect the PatientInfo fields and the sklearn pipeline using DecisionTreeClassifier; done means the stated binary classification model is defined and its evaluation is documented.

Written by the indexing model from the issue text.