[시각화] MZ 세대의 문해력은 정말로 낮을까?¶

1. 분석 배경¶

'심심한 사과' 올렸더니 "난 안심심해"…문해력 논란 부른 사과문
"금일이 금요일? 사흘이 4일?" 읽을 줄 알아도 이해 못하는 디지털 세대
“시장이 반찬” 미주, ‘속담 상식 논란’에...누리꾼 “나도 몰라” VS “기본이다”
🤔 과연 MZ 세대의 문해력은 정말로 낮을까?

2. 데이터 분석¶

KOSIS(https://kosis.kr/) 의 성인문해능력조사
- 성인이 일상생활에서 필요한 문해능력 수준 측정
- 문해 수준을 총 4단계(수준 1 ~ 수준 4)로 나누어 판별
  - 수준1(초등 1~2학년 학습 필요 수준)
    - 일상생활에 필요한 기본적인 읽기, 쓰기, 셈하기가 불가능한 수준
  - 수준2(초등 3~6학년 학습 필요 수준)
    - 기본적인 읽기, 쓰기, 셈하기는 가능하지만, 일상생활에 활용은 미흡한 수준
  - 수준3(중학 1~3학년 학습 필요 수준)
    - 가정 및 여가생활 등 단순한 일상생활에 활용은 가능하지만, 공공 및 경제생활 등 복잡한 일상생활에 활용은 미흡한 수준
  - 수준4 이상(중학 학력 이상 수준)
    - 일상생활에 필요한 충분한 문해력을 갖춘 수준
- 통계 설명 자료

In [320]:

# 1. 데이터 통계
## 1-1. 전체 데이터 비율
df_literacy = pd.read_csv(
            'https://raw.githubusercontent.com/0525hhgus/Datascience-Study/master/data/literacy_total_level_20221120131800.csv',
            encoding="cp949") # 파일명을 영문으로 변경해야 ascii 인코딩 에러가 안뜸

df_literacy.rename(columns=df_literacy.iloc[0],inplace=True)
df_literacy = df_literacy.drop(df_literacy.index[0])

print(df_literacy.shape)
df_literacy

(45, 6)

Out[320]:

	응답자특성별(1)	응답자특성별(2)	수준1	수준2	수준3	수준4 이상
1	전체	소계	4.5	4.2	11.4	79.8
2	성별	남성	2.7	3.3	10.3	83.7
3	성별	여성	6.4	5.1	12.5	76.0
4	연령별	18~29세	0.2	0.5	4.0	95.3
5	연령별	30~39세	0.1	0.3	4.3	95.3
6	연령별	40~49세	0.8	0.8	6.9	91.5
7	연령별	50~59세	1.9	2.3	13.0	82.8
8	연령별	60~69세	5.3	7.9	22.4	64.4
9	연령별	70~79세	13.7	19.4	25.7	41.1
10	연령별	80세 이상	49.3	14.2	13.6	22.9
11	학력구분별(1)	무학	66.9	16.4	8.2	8.5
12	학력구분별(1)	초졸	17.3	24.3	29.0	29.4
13	학력구분별(1)	중졸	5.0	14.0	31.2	49.8
14	학력구분별(1)	고졸	1.4	2.0	13.2	83.4
15	학력구분별(1)	대졸 이상	0.0	0.4	3.9	95.7
16	학력구분별(2)	중졸 미만	35.5	21.4	21.4	21.7
17	학력구분별(2)	중졸 이상	1.1	2.3	10.3	86.4
18	월 가구소득별	100만원 미만	34.3	20.3	15.7	29.7
19	월 가구소득별	100~299만원	6.6	8.9	20.3	64.2
20	월 가구소득별	300~399만원	2.9	3.1	13.3	80.7
21	월 가구소득별	400~499만원	1.5	1.6	7.8	89.1
22	월 가구소득별	500만원 이상	1.6	1.0	5.8	91.6
23	경제활동상태별	취업	2.2	2.9	10.0	84.9
24	경제활동상태별	비취업	0.2	0.9	4.9	94.1
25	경제활동상태별	비경제활동	13.2	9.5	18.4	58.8
26	직업별	소계	2.2	2.9	10.0	84.9
27	직업별	관리직 전문가	0.0	0.5	2.4	97.1
28	직업별	사무직	0.1	0.1	2.7	97.2
29	직업별	서비스 판매 종사자	1.6	2.4	11.2	84.8
30	직업별	기술직 노무종사자	3.3	5.1	17.4	74.1
31	직업별	농림어업종사자	17.2	17.3	21.4	44.1
32	직업별	군인 및 기타	2.8	0.0	10.1	87.2
33	고용형태별	소계	2.2	2.9	10.0	84.9
34	고용형태별	임금근로자	1.0	1.3	7.4	90.4
35	고용형태별	비임금근로자	4.3	5.5	14.2	76.1
36	지역별	서울 및 광역시	4.4	4.2	11.0	80.3
37	지역별	중소도시	3.6	3.6	11.4	81.3
38	지역별	농산어촌	12.1	8.3	14.1	65.5
39	권역별	서울	3.5	3.1	7.8	85.6
40	권역별	경인권	1.8	2.2	14.2	81.8
41	권역별	충청권	4.7	7.4	9.6	78.2
42	권역별	전라권	2.9	2.9	6.7	87.5
43	권역별	대구권	7.4	8.0	16.1	68.5
44	권역별	부산권	8.9	6.0	11.8	73.3
45	권역별	기타(제주강원)	10.1	3.9	11.1	74.9

In [321]:

## 1-2. 조사 추정 인구 데이터
df_literacy_population = pd.read_csv(
            'https://raw.githubusercontent.com/0525hhgus/Datascience-Study/master/data/literacy_population_20221120135004.csv',
            encoding="cp949")

df_literacy_population.rename(columns=df_literacy_population.iloc[0],inplace=True)
df_literacy_population = df_literacy_population.drop(df_literacy_population.index[0]).transpose()
df_literacy_population.rename(columns=df_literacy_population.iloc[0],inplace=True)
df_literacy_population = df_literacy_population.drop(df_literacy_population.index[:2])

df_literacy_population

Out[321]:

	전체	수준1	수준2	수준3	수준4 이상
추정인구 (명)	44081271	2001428	1855661	5039367	35184815

In [322]:

# 데이터를 수치형으로 변환
df_literacy['수준1'] = df_literacy['수준1'].astype('float')
df_literacy['수준2'] = df_literacy['수준2'].astype('float')
df_literacy['수준3'] = df_literacy['수준3'].astype('float')
df_literacy['수준4 이상'] = df_literacy['수준4 이상'].astype('float')
df_literacy.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 45 entries, 1 to 45
Data columns (total 6 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   응답자특성별(1)  45 non-null     object 
 1   응답자특성별(2)  45 non-null     object 
 2   수준1        45 non-null     float64
 3   수준2        45 non-null     float64
 4   수준3        45 non-null     float64
 5   수준4 이상     45 non-null     float64
dtypes: float64(4), object(2)
memory usage: 2.5+ KB

In [323]:

# 조사 비율 데이터와 조사 추정 전체 인구 데이터를 곱함 -> 인구수 데이터로 변환
df_literacy['수준1_인구'] = df_literacy['수준1']*int(df_literacy_population['전체'][0])
df_literacy['수준2_인구'] = df_literacy['수준2']*int(df_literacy_population['전체'][0])
df_literacy['수준3_인구'] = df_literacy['수준3']*int(df_literacy_population['전체'][0])
df_literacy['수준4 이상_인구'] = df_literacy['수준4 이상']*int(df_literacy_population['전체'][0])

In [324]:

## 1-3. 연령대별 문해력 수준에 대한 인구 데이터 추출
df_literacy_age = df_literacy[df_literacy['응답자특성별(1)'] == '연령별'][['응답자특성별(2)', '수준1_인구','수준2_인구', '수준3_인구', '수준4 이상_인구']]
df_literacy_age

Out[324]:

	응답자특성별(2)	수준1_인구	수준2_인구	수준3_인구	수준4 이상_인구
4	18~29세	8.816254e+06	22040635.5	1.763251e+08	4.200945e+09
5	30~39세	4.408127e+06	13224381.3	1.895495e+08	4.200945e+09
6	40~49세	3.526502e+07	35265016.8	3.041608e+08	4.033436e+09
7	50~59세	8.375441e+07	101386923.3	5.730565e+08	3.649929e+09
8	60~69세	2.336307e+08	348242040.9	9.874205e+08	2.838834e+09
9	70~79세	6.039134e+08	855176657.4	1.132889e+09	1.811740e+09
10	80세 이상	2.173207e+09	625954048.2	5.995053e+08	1.009461e+09

In [325]:

## 1-4. 성별 문해력 수준에 대한 인구 데이터 추출
df_literacy_sex = df_literacy[df_literacy['응답자특성별(1)'] == '성별'][['응답자특성별(2)', '수준1_인구','수준2_인구', '수준3_인구', '수준4 이상_인구']]
df_literacy_sex

Out[325]:

	응답자특성별(2)	수준1_인구	수준2_인구	수준3_인구	수준4 이상_인구
2	남성	119019431.7	145468194.3	454037091.3	3.689602e+09
3	여성	282120134.4	224814482.1	551015887.5	3.350177e+09

In [326]:

## 1-5. 직업별 문해력 수준에 대한 인구 데이터 추출
df_literacy_job = df_literacy[df_literacy['응답자특성별(1)'] == '직업별'][['응답자특성별(2)', '수준1_인구','수준2_인구', '수준3_인구', '수준4 이상_인구']]
df_literacy_job

Out[326]:

	응답자특성별(2)	수준1_인구	수준2_인구	수준3_인구	수준4 이상_인구
26	소계	96978796.2	127835685.9	440812710.0	3.742500e+09
27	관리직 전문가	0.0	22040635.5	105795050.4	4.280291e+09
28	사무직	4408127.1	4408127.1	119019431.7	4.284700e+09
29	서비스 판매 종사자	70530033.6	105795050.4	493710235.2	3.738092e+09
30	기술직 노무종사자	145468194.3	224814482.1	767014115.4	3.266422e+09
31	농림어업종사자	758197861.2	762605988.3	943339199.4	1.943984e+09
32	군인 및 기타	123427558.8	0.0	445220837.1	3.843887e+09

3. 데이터 시각화¶

In [347]:

# 시각화 데이터셋 생성용 함수
def visual_dataset(df, target_col):
    data_list = []
    level_col = ['수준1_인구','수준2_인구', '수준3_인구', '수준4 이상_인구']
    for i in range(df[df['응답자특성별(1)'] == target_col].shape[0]):
        col_data = df[df['응답자특성별(1)'] == target_col].iloc[i]
        for c in level_col:
            data_list.append([col_data['응답자특성별(2)'], c, col_data[c[:-3]], col_data[c]])
    return pd.DataFrame(data_list, columns=[target_col, "수준", "수준(비율)", "인구"])

In [348]:

visual_age = visual_dataset(df_literacy, '연령별')
visual_age

Out[348]:

	연령별	수준	수준(비율)	인구
0	18~29세	수준1_인구	0.2	8.816254e+06
1	18~29세	수준2_인구	0.5	2.204064e+07
2	18~29세	수준3_인구	4.0	1.763251e+08
3	18~29세	수준4 이상_인구	95.3	4.200945e+09
4	30~39세	수준1_인구	0.1	4.408127e+06
5	30~39세	수준2_인구	0.3	1.322438e+07
6	30~39세	수준3_인구	4.3	1.895495e+08
7	30~39세	수준4 이상_인구	95.3	4.200945e+09
8	40~49세	수준1_인구	0.8	3.526502e+07
9	40~49세	수준2_인구	0.8	3.526502e+07
10	40~49세	수준3_인구	6.9	3.041608e+08
11	40~49세	수준4 이상_인구	91.5	4.033436e+09
12	50~59세	수준1_인구	1.9	8.375441e+07
13	50~59세	수준2_인구	2.3	1.013869e+08
14	50~59세	수준3_인구	13.0	5.730565e+08
15	50~59세	수준4 이상_인구	82.8	3.649929e+09
16	60~69세	수준1_인구	5.3	2.336307e+08
17	60~69세	수준2_인구	7.9	3.482420e+08
18	60~69세	수준3_인구	22.4	9.874205e+08
19	60~69세	수준4 이상_인구	64.4	2.838834e+09
20	70~79세	수준1_인구	13.7	6.039134e+08
21	70~79세	수준2_인구	19.4	8.551767e+08
22	70~79세	수준3_인구	25.7	1.132889e+09
23	70~79세	수준4 이상_인구	41.1	1.811740e+09
24	80세 이상	수준1_인구	49.3	2.173207e+09
25	80세 이상	수준2_인구	14.2	6.259540e+08
26	80세 이상	수준3_인구	13.6	5.995053e+08
27	80세 이상	수준4 이상_인구	22.9	1.009461e+09

In [350]:

# 2-1. 연령대별 문해력 수준에 대한 인구 수 시각화
## 막대그래프와 선그래프로 시각화
# 시각화 환경 설정
sns.set(font="NanumGothic", font_scale=0.85, 
        context="talk",
        palette="pastel",
        style="dark")

fig, ax1 = plt.subplots(figsize=(20, 12)) 

ax1.grid(axis='y', c='lightgray') # 가로 그리드 설정
ax2 = ax1.twiny() # y축(백만) 공유
sns.barplot(data=visual_age, x='연령별', y='인구', hue='수준', alpha=0.7, ci=None, ax=ax1) # 바 차트
sns.lineplot(data=visual_age, x='연령별', y='인구', hue='수준', ci=None, ax=ax2) # 라인 차트

ax1.legend([],[], frameon=False) # 바 차트 범례 삭제
ax2.axes.xaxis.set_visible(False) # 라인 차트 y축 라벨 삭제

fig.suptitle('연령별 문해력 수준에 대한 인구 수', fontsize=20) # 제목

Out[350]:

Text(0.5, 0.98, '연령별 문해력 수준에 대한 인구 수')

No description has been provided for this image

MZ(18~39세) 세대의 문해력은 높다!

In [429]:

# 2-2. 성별 문해력 수준에 대한 비율 시각화
## 파이차트 활용
visual_sex = visual_dataset(df_literacy, '성별')
sex_catg = visual_sex['성별'].unique()
fig, axs = plt.subplots(ncols=len(sex_catg), figsize=(14,7), 
                        gridspec_kw={'wspace':0.1},
                        constrained_layout=True)

for i in range(len(sex_catg)):
    pie_data = visual_sex[visual_sex['성별'] == sex_catg[i]]
    axs[i].pie(x=pie_data['수준(비율)'], autopct='%.0f%%')
    axs[i].set_title(sex_catg[i])

fig.legend(pie_data['수준'])
fig.suptitle('성별 문해력 수준에 대한 인구 분포',fontweight ="bold")

Out[429]:

Text(0.5, 0.98, '성별 문해력 수준에 대한 인구 분포')

남성이 여성보다 문해력이 높은 편이다.

In [440]:

# 2-2. 직업별 문해력 수준에 대한 인구 시각화
## 히트맵 활용
visual_job = visual_dataset(df_literacy, '직업별')
visual_job = visual_job[visual_job['직업별'] != '소계']
visual_job_pivot = visual_job.pivot_table(index="직업별", columns="수준", values="인구", aggfunc="sum")

plt.figure(figsize=(20, 12))
sns.heatmap(visual_job_pivot, cmap = "bwr", annot=True, fmt=".0f")

Out[440]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fb81c304f10>

전반적으로 문해력이 높지만, 농림어업종사자가 문해력이 낮은 편에 속함

4. 인사이트 도출¶

연령대별 독서량과 비교
- 종이책+전자책+오디오북 종합 독서량 (성인)
- 통계 설명 자료

In [442]:

df_reading = pd.read_csv(
            'https://raw.githubusercontent.com/0525hhgus/Datascience-Study/master/data/amount_of_reading_adult_20221120132043.csv',
            encoding="cp949")
df_reading.rename(columns=df_reading.iloc[0],inplace=True)
df_reading = df_reading.drop(df_reading.index[0])

print(df_reading.shape)
df_reading

(16, 5)

Out[442]:

	통계분류(1)	통계분류(2)	사례수	전체 평균	독서자 평균
1	전체	소계	6000	4.5	9.5
2	성별	남성	2991	4.5	9.3
3	성별	여성	3009	4.5	9.6
4	연령별	19~29세	1016	8.5	10.8
5	연령별	30~39세	964	6.8	9.9
6	연령별	40~49세	1123	4.9	9.9
7	연령별	50~59세	1173	2.6	7.3
8	연령별	60세 이상	1724	1.9	7.8
9	학력별	중졸 이하	900	0.6	5.2
10	학력별	고졸/고퇴	2136	2.4	7.6
11	학력별	대재 이상	2964	7.1	10.3
12	가구소득별	200만원 미만	715	1.6	7.7
13	가구소득별	200~300만원 미만	888	2.9	9.4
14	가구소득별	300~400만원 미만	1412	4.3	9.4
15	가구소득별	400~500만원 미만	1521	5.1	9.4
16	가구소득별	500만원 이상	1464	6.4	9.8

In [445]:

df_reading['사례수'] = df_reading['사례수'].astype('float')
df_reading['전체 평균'] = df_reading['전체 평균'].astype('float')
df_reading['독서자 평균'] = df_reading['독서자 평균'].astype('float')
df_reading.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 16 entries, 1 to 16
Data columns (total 5 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   통계분류(1)  16 non-null     object 
 1   통계분류(2)  16 non-null     object 
 2   사례수      16 non-null     float64
 3   전체 평균    16 non-null     float64
 4   독서자 평균   16 non-null     float64
dtypes: float64(3), object(2)
memory usage: 768.0+ bytes

In [469]:

# 1. 연령대별 독서량 사례수 시각화
df_reading_count_pivot = df_reading[df_reading['통계분류(1)'] == '연령별'].pivot_table(index="통계분류(2)", values="사례수")
df_reading_count_pivot.index.name='연령대'
sns_reading = sns.barplot(data=df_reading_count_pivot.reset_index(), x='연령대', y='사례수', alpha=0.7, ci=None)
sns_reading.grid(axis='y', c='lightgray')
plt.suptitle('연령대별 독서량 사례수',fontweight ="bold")

Out[469]:

Text(0.5, 0.98, '연령대별 독서량 사례수')

In [468]:

# 2. 연령대별 독서량 
df_reading_mean_pivot = df_reading[df_reading['통계분류(1)'] == '연령별'].pivot_table(index="통계분류(2)", values="전체 평균")
df_reading_mean_pivot.index.name='연령대'
sns_reading_mean = sns.lineplot(data=df_reading_mean_pivot.reset_index(), x='연령대', y='전체 평균', marker='o', ci=None) # 라인 차트
sns_reading_mean.grid(axis='y', c='lightgray')

독서량도 MZ세대가 많은 편이다.

결론: MZ(18~39세) 세대의 문해력은 높다.

추가로 확인이 필요한 가설
- MZ세대는 SNS 활동이 활발하여, 소수의 사례(문해력 논란)가 돋보이는 것일까?
- 세대 간 사용하는 언어의 차이로 인해 발생한 문제일까?

'IT > 데이터분석' 카테고리의 다른 글

[시각화][애니메이션] 지하철은 내가 탈 때만 붐비는 걸까? - 서울 지하철 시간대별 혼잡도 분석 (0)	2024.03.01
[시각화][애니메이션] 유튜버의 미래는 밝을까? - 2024 문화여가활동 분석 (0)	2024.03.01

logN^블

[시각화] MZ세대의 문해력은 정말로 낮을까? - 성인문해능력조사 분석

[시각화] MZ 세대의 문해력은 정말로 낮을까?¶

1. 분석 배경¶

2. 데이터 분석¶

3. 데이터 시각화¶

4. 인사이트 도출¶

'IT > 데이터분석' 카테고리의 다른 글

티스토리툴바

[시각화] MZ세대의 문해력은 정말로 낮을까? - 성인문해능력조사 분석

[시각화] MZ 세대의 문해력은 정말로 낮을까?¶

1. 분석 배경¶

2. 데이터 분석¶

3. 데이터 시각화¶

4. 인사이트 도출¶

'IT > 데이터분석' 카테고리의 다른 글

관련글

티스토리툴바