[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,174 @@
|
||||
id: wiki-2026-0508-analysis
|
||||
title: Analysis
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ASIS-001]
|
||||
aliases: [Data Analysis, Analytical Method]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, analysis, critical-thinking, methodology, _systems-analysis, Problem-Solving]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [analysis, methodology, reasoning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: pandas
|
||||
---
|
||||
|
||||
# [[Analysis|Analysis]]
|
||||
# Analysis
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해부하여 파헤치기: 복잡하게 뒤엉킨 덩어리를 더 이상 쪼개지지 않는 최소 단위로 분해한 뒤, 각 부분의 속성과 그들 사이의 관계를 낱낱이 파악하여 전체의 본질을 꿰뚫는 지적 해체 작업."
|
||||
## 매 한 줄
|
||||
> **"매 Analysis는 복잡한 whole를 component parts로 decompose하여 underlying structure를 understand하는 systematic process이다"**. Aristotle의 logical decomposition에서 시작하여, modern data science(2026)에서는 EDA, statistical inference, causal analysis까지 spectrum이 확장되었다. 매 핵심은 reduction 자체가 아니라, decomposition 후의 synthesis로 actionable insight를 도출하는 것.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
분석(Analysis)은 복잡한 사물, 현상, 혹은 개념을 이해하기 위해 그것을 구성하는 하부 요소로 나누고, 각 요소의 역할과 상호작용을 체계적으로 검토하는 방법론입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **분석의 유형**:
|
||||
* **Quantitative Analysis (정량 분석)**: 수치와 통계 데이터를 기반으로 객관적 지표 산출.
|
||||
* **Qualitative Analysis (정성 분석)**: 의미, 맥락, 속성 등 비수치적 가치를 깊이 있게 탐구.
|
||||
* **Root Cause Analysis (RCA)**: 문제의 표면적 현상이 아닌 근본 원인을 찾아가는 분석 (5 Whys).
|
||||
* **Systems Analysis**: 개별 요소가 아닌 시스템 전체의 구조와 흐름 분석.
|
||||
2. **프로세스**:
|
||||
* 정의(Define) -> 분해(Decompose) -> 검증(Examine) -> 재구성(Synthesize). (Synthesis와 짝꿍)
|
||||
### 매 Analysis vs Synthesis
|
||||
- **Analysis**: top-down decomposition — whole → parts → relationships.
|
||||
- **Synthesis**: bottom-up integration — parts → whole.
|
||||
- 매 둘은 paired operation — analysis만 하면 fragmentation, synthesis만 하면 superficial generalization.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '쪼개서 분석'만 잘하면 모든 문제를 풀 수 있다는 환원주의(Reductionism) 정책이 지배적이었으나, 현대 복잡계 분석 정책은 분석 결과들을 다시 '생성적 통합(Synthesis)'하지 않으면 전체 의미를 놓친다는 정책적 반성을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 빅데이터 분석 정책에서, 단순히 '무엇(What)'이 일어났는지 보여주는 서술적 분석을 넘어, 인과 관계를 밝히고 미래를 예측하는 '처방적 분석(Prescriptive Analytics) 정책'으로 고도화됨.
|
||||
### 매 분석 dimensions
|
||||
- **Descriptive**: "무엇이 happened?" — summary statistics, distributions.
|
||||
- **Diagnostic**: "왜 happened?" — correlation, causal inference.
|
||||
- **Predictive**: "무엇이 happen할 것인가?" — forecasting models.
|
||||
- **Prescriptive**: "무엇을 해야 하나?" — optimization, decision theory.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Systems Thinking|Systems Thinking]], [[Statistics & Data Analysis|Statistics & Data Analysis]], [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Structuralism|Structuralism]], [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Data visualization tools (Tableau), Statistical software (R, Python Pandas).
|
||||
---
|
||||
### 매 응용
|
||||
1. EDA (Exploratory Data Analysis) — Tukey의 1977 framework, 매 modern DS의 first step.
|
||||
2. Root Cause Analysis — 5 Whys, fishbone, fault tree.
|
||||
3. Sensitivity Analysis — input perturbation으로 model robustness 측정.
|
||||
4. Failure Mode Analysis (FMEA) — engineering risk assessment.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### EDA quickstart (Polars 2026)
|
||||
```python
|
||||
import polars as pl
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
df = pl.read_parquet("data.parquet")
|
||||
print(df.schema)
|
||||
print(df.null_count())
|
||||
print(df.describe())
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
for col in df.select(pl.col(pl.NUMERIC_DTYPES)).columns:
|
||||
df[col].to_pandas().hist(bins=50)
|
||||
plt.title(col); plt.show()
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Correlation matrix with significance
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy import stats
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def corr_with_pvalues(df):
|
||||
cols = df.select_dtypes(include=np.number).columns
|
||||
n = len(cols)
|
||||
corr = np.zeros((n, n)); pval = np.zeros((n, n))
|
||||
for i, a in enumerate(cols):
|
||||
for j, b in enumerate(cols):
|
||||
r, p = stats.pearsonr(df[a].dropna(), df[b].dropna())
|
||||
corr[i, j] = r; pval[i, j] = p
|
||||
return corr, pval
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Causal analysis (DoWhy 2026)
|
||||
```python
|
||||
from dowhy import CausalModel
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
model = CausalModel(
|
||||
data=df,
|
||||
treatment="ad_spend",
|
||||
outcome="revenue",
|
||||
common_causes=["season", "channel", "brand"],
|
||||
)
|
||||
identified = model.identify_effect()
|
||||
estimate = model.estimate_effect(
|
||||
identified, method_name="backdoor.linear_regression"
|
||||
)
|
||||
refute = model.refute_estimate(
|
||||
identified, estimate, method_name="random_common_cause"
|
||||
)
|
||||
print(estimate.value, refute)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Sensitivity analysis (SALib)
|
||||
```python
|
||||
from SALib.sample import sobol
|
||||
from SALib.analyze import sobol as sobol_analyze
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
problem = {
|
||||
"num_vars": 3,
|
||||
"names": ["x1", "x2", "x3"],
|
||||
"bounds": [[0, 1]] * 3,
|
||||
}
|
||||
X = sobol.sample(problem, 1024)
|
||||
Y = np.array([model_fn(*x) for x in X])
|
||||
Si = sobol_analyze.analyze(problem, Y)
|
||||
print(Si["S1"], Si["ST"])
|
||||
```
|
||||
|
||||
### Failure Mode tabulation
|
||||
```python
|
||||
fmea = pl.DataFrame({
|
||||
"mode": ["timeout", "OOM", "race"],
|
||||
"severity": [7, 9, 8],
|
||||
"occurrence": [4, 2, 3],
|
||||
"detection": [5, 6, 9],
|
||||
})
|
||||
fmea = fmea.with_columns(
|
||||
(pl.col("severity") * pl.col("occurrence") * pl.col("detection")).alias("RPN")
|
||||
).sort("RPN", descending=True)
|
||||
```
|
||||
|
||||
### LLM-assisted analysis (Claude Opus 4.7)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
client = Anthropic()
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=2048,
|
||||
system="You are a senior data analyst. Output JSON: {findings, hypotheses, next_steps}.",
|
||||
messages=[{"role": "user", "content": f"Summary stats:\n{df.describe()}"}],
|
||||
)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| New dataset, no prior | EDA + descriptive |
|
||||
| Known outcome, want drivers | Diagnostic + causal |
|
||||
| Need forecast | Predictive ML |
|
||||
| Decision under uncertainty | Prescriptive + sensitivity |
|
||||
| Post-incident | Root cause + FMEA |
|
||||
|
||||
**기본값**: EDA first — 매 어떤 sophisticated method도 raw data 의 distribution 의 understanding 없이는 misleading하다.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Reasoning]] · [[Scientific Method]]
|
||||
- 변형: [[Exploratory Data Analysis]] · [[Causal Inference]] · [[Root Cause Analysis]]
|
||||
- 응용: [[Decision Making]] · [[Debugging]] · [[Risk Assessment]]
|
||||
- Adjacent: [[Synthesis]] · [[Modeling]] · [[Statistics]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: hypothesis generation, summary narration, code scaffolding for analysis pipelines, anomaly explanation.
|
||||
**언제 X**: precise statistical inference (use proper tools), causal claims without proper identification, large-N numeric crunching (use pandas/polars not LLM).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Analysis paralysis**: 매 endless decomposition without synthesis — 의 decision 의 deferred.
|
||||
- **Confirmation bias**: 매 only analyzing data that supports prior hypothesis.
|
||||
- **Spurious correlation**: 매 correlation을 causation으로 confuse.
|
||||
- **Over-decomposition**: 매 component-level optimization 의 global suboptimum.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Tukey 1977 *Exploratory Data Analysis*; Pearl 2009 *Causality*).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full content with 6 patterns + decision matrix |
|
||||
Reference in New Issue
Block a user