콘텐츠로 이동

P7-4.4 같은 평균, 다른 패턴 비교 연습

Section ID: P7-4.4 Version: v2026.07.22

평균이 같으면 같은 데이터처럼 보이기 쉽습니다. 하지만 동작 단위 시계열에서는 같은 평균을 가진 두 신호도 완전히 다른 패턴일 수 있습니다. 평균(mean)만 남겼을 때 사라지는 정보를 shape token과 간단한 패턴 요약으로 다시 읽는 연습입니다.

핵심은 평균이 틀렸다는 뜻이 아닙니다. 평균은 빠른 비교에 유용하지만, 구간 순서와 모양을 지웁니다. 프로젝트 회고에서는 평균이 같다와 같은 흐름이다를 구분해야 합니다.

평균과 패턴이 가르는 질문

  • 평균이 같은 동작을 정말 같은 상태로 묶어도 되는가?
  • 구간 순서를 잃으면 어떤 실패 해석이 사라지는가?
  • shape token은 세부 수치를 버리는 대신 어떤 판단 정보를 남기는가?

핵심은 값을 줄이는 요약과 판단에 필요한 정보를 남기는 표현을 구분하는 데 있습니다. 평균은 전체 크기를 빠르게 비교하게 해 주지만, 상승형과 하강형처럼 회고에서 중요한 흐름 차이는 숨길 수 있습니다.

판단 기준

  • 평균만 남긴 묶음과 shape token까지 남긴 묶음이 어떻게 달라지는지 설명할 수 있습니다.
  • 평균이 같은 사례에서도 왜 서로 다른 다음 조치가 필요할 수 있는지 적을 수 있습니다.
  • 표현을 단순화할 때 어떤 정보 손실(information loss)을 받아들이는지 문서에 남길 수 있습니다.

왜 평균만으로 부족한가

네 구간 값이 모두 다음처럼 평균 2.5라고 해도, 읽어야 할 이야기는 서로 다릅니다.

패턴 구간 값 평균 사람이 읽는 차이
상승형 1.8, 2.2, 2.7, 3.3 2.5 후반으로 갈수록 값이 커진다
평탄형 2.5, 2.5, 2.5, 2.5 2.5 전체 구간이 안정적이다
하강형 3.2, 2.8, 2.2, 1.8 2.5 후반으로 갈수록 값이 낮아진다

평균 하나만 남기면 이 차이는 사라집니다. 그래서 표현 설계에서는 숫자를 줄이더라도 어떤 정보를 보존할지 먼저 정해야 합니다.

같은 평균을 발견했을 때의 판단 흐름은 다음처럼 압축할 수 있습니다. 평균은 첫 묶음을 만들고, shape token은 그 묶음 안에서 회고가 달라지는 지점을 다시 가릅니다.

flowchart TD
    A[네 구간 값] --> B[평균 계산]
    B --> C{평균만 같은가}
    C -->|예| D[같은 묶음처럼 보임]
    C -->|아니오| E[크기 차이 먼저 기록]
    D --> F[shape token 추가]
    F --> G{패턴이 갈리는가}
    G -->|예| H[평균과 shape를 함께 회고]
    G -->|아니오| I[평균 요약으로 충분한지 확인]
    H --> J[다음 조치 우선순위 분리]

입력 파일

  • 파일 경로: p7-action-unit-pattern-pairs.csv
  • 한 행의 의미: 동작 1회의 네 구간 요약
  • 핵심 열: segment_1, segment_2, segment_3, segment_4, expected_shape

이 파일은 공개형 합성 데이터입니다. 실제 장비 수치를 재현하려는 데이터가 아니라, 평균과 패턴 표현의 차이를 드러내기 위한 작은 비교표입니다.

연습 흐름

  1. 각 동작의 네 구간 평균을 계산합니다.
  2. 평균이 같은 동작끼리 묶습니다.
  3. 구간 값의 흐름을 rising, falling, flat, middle_high, edge_high, mixed 같은 shape token으로 바꿉니다.
  4. 평균만 남겼을 때와 shape token까지 남겼을 때 어떤 회고 문장이 달라지는지 비교합니다.

실행 기록 기준

  • 같은 평균으로 묶이는 동작 목록을 먼저 확인합니다.
  • shape token을 붙였을 때 평균 묶음이 몇 갈래로 다시 나뉘는지 봅니다.
  • 평균만 쓴 회고와 평균 + shape token을 쓴 회고를 한 문장씩 나란히 씁니다.
  • 표현을 더 단순하게 합쳤을 때 사라지는 판단 정보를 적습니다.

Python 예제

예제는 같은 평균을 가진 동작들이 shape token에서는 다르게 갈리는 장면을 확인하는 것입니다.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
# 같은 평균값을 가진 action event segment를 shape token으로 다시 구분해 평균만 볼 때 놓치는 패턴 차이를 확인하는 예제입니다.
import csv
from pathlib import Path

data_path = Path("docs/assets/part-07/chapter-04/p7-action-unit-pattern-pairs.csv")
rows = list(csv.DictReader(data_path.open(encoding="utf-8")))
대표_event_ids = {f"PAT-{index:02d}" for index in range(1, 7)}
rows = [row for row in rows if row["event_id"] in 대표_event_ids]

def values(row):
    return [float(row[f"segment_{index}"]) for index in range(1, 5)]

def shape_token(items):
    first, second, third, fourth = items
    if first < second < third < fourth:
        return "rising"
    if first > second > third > fourth:
        return "falling"
    if len({round(value, 2) for value in items}) == 1:
        return "flat"
    if second > first and third > fourth:
        return "middle_high"
    if first > second and fourth > third:
        return "edge_high"
    return "mixed"

records = []
for row in rows:
    items = values(row)
    average = round(sum(items) / len(items), 3)
    token = shape_token(items)
    records.append({
        "event_id": row["event_id"],
        "pair_id": row["pair_id"],
        "average": average,
        "shape_token": token,
        "expected_shape": row["expected_shape"],
        "average_only_key": f"avg={average}",
        "pattern_key": f"avg={average};shape={token}",
    })

average_groups = {}
for row in records:
    average_groups.setdefault(row["average_only_key"], []).append(row["event_id"])

pattern_groups = {}
for row in records:
    pattern_groups.setdefault(row["pattern_key"], []).append(row["event_id"])

summary = {
    "event_count": len(records),
    "average_groups": average_groups,
    "pattern_groups": pattern_groups,
    "mismatch": [
        row["event_id"]
        for row in records
        if row["shape_token"] != row["expected_shape"]
    ],
}

print("패턴 비교 요약 =", summary)
for row in records:
    print(row)

실행 결과는 다음처럼 읽을 수 있습니다.

1
2
3
4
5
6
7
패턴 비교 요약 = {'event_count': 6, 'average_groups': {'avg=2.5': ['PAT-01', 'PAT-02', 'PAT-03', 'PAT-04', 'PAT-05', 'PAT-06']}, 'pattern_groups': {'avg=2.5;shape=rising': ['PAT-01'], 'avg=2.5;shape=flat': ['PAT-02'], 'avg=2.5;shape=falling': ['PAT-03'], 'avg=2.5;shape=middle_high': ['PAT-04', 'PAT-05'], 'avg=2.5;shape=edge_high': ['PAT-06']}, 'mismatch': []}
{'event_id': 'PAT-01', 'pair_id': 'A', 'average': 2.5, 'shape_token': 'rising', 'expected_shape': 'rising', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=rising'}
{'event_id': 'PAT-02', 'pair_id': 'A', 'average': 2.5, 'shape_token': 'flat', 'expected_shape': 'flat', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=flat'}
{'event_id': 'PAT-03', 'pair_id': 'B', 'average': 2.5, 'shape_token': 'falling', 'expected_shape': 'falling', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=falling'}
{'event_id': 'PAT-04', 'pair_id': 'B', 'average': 2.5, 'shape_token': 'middle_high', 'expected_shape': 'middle_high', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=middle_high'}
{'event_id': 'PAT-05', 'pair_id': 'C', 'average': 2.5, 'shape_token': 'middle_high', 'expected_shape': 'middle_high', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=middle_high'}
{'event_id': 'PAT-06', 'pair_id': 'C', 'average': 2.5, 'shape_token': 'edge_high', 'expected_shape': 'edge_high', 'average_only_key': 'avg=2.5', 'pattern_key': 'avg=2.5;shape=edge_high'}

결과를 어떻게 읽는가

평균만 보면 여섯 동작은 모두 avg=2.5라는 같은 묶음에 들어갑니다. 이 결과만 남기면 PAT-01의 상승형, PAT-03의 하강형, PAT-06의 양끝 집중형은 구분되지 않습니다.

shape token을 붙이면 같은 평균 안에서도 패턴이 다시 갈립니다. PAT-01은 rising, PAT-02는 flat, PAT-03은 falling입니다. PAT-04와 PAT-05는 같은 middle_high로 묶이지만, PAT-06은 edge_high로 따로 떨어집니다.

이 차이는 정보 손실(information loss)을 읽는 작은 예입니다. 평균은 값을 줄여 비교를 쉽게 만들지만, 구간 순서와 모양을 지웁니다. 반대로 shape token은 세부 수치를 줄이지만, 회고에 필요한 흐름 차이를 남깁니다.

결과 해석 기준

관찰 읽어야 할 뜻
모든 동작이 avg=2.5에 들어간다 평균만으로는 패턴 차이를 설명할 수 없다
rising, flat, falling이 갈라진다 같은 크기라도 시간 흐름이 다르면 다른 사례다
middle_high가 두 건으로 묶인다 표현은 차이를 나누기도 하지만 다시 묶기도 한다
edge_high가 따로 떨어진다 평균이 같아도 검토 우선순위가 달라질 수 있다

프로젝트 기록 예시

1
2
3
4
5
비교 단위:
평균만 남겼을 때의 묶음:
shape token을 붙였을 때 새로 보인 차이:
사라질 수 있는 정보:
다음 표현 선택:

회고 문장으로 닫기

실습 뒤에는 다음처럼 기록할 수 있습니다.

평균만 보면 PAT-01부터 PAT-06까지 모두 같은 avg=2.5로 묶인다. 하지만 shape token을 붙이면 상승형, 평탄형, 하강형, 중간 집중형, 양끝 집중형으로 갈라진다. 따라서 프로젝트에서는 평균만으로 동작 상태를 비교하면 패턴 차이를 잃을 수 있으므로, 회고 표에는 평균과 shape token을 함께 남기는 편이 적절하다.

직접 바꿔 보며 확인할 것

  1. PAT-02의 네 값을 2.4, 2.6, 2.4, 2.6으로 바꿔 봅니다. 관찰할 점: 평균은 그대로인데 flat으로 보던 판단이 어떻게 달라지는가?

  2. PAT-03의 마지막 값을 2.1로 올려 봅니다. 관찰할 점: 하강형 판단이 약해질 때 falling을 그대로 써도 되는가?

  3. middle_high와 edge_high를 더 세분화하지 않고 하나의 non_flat으로 합쳐 봅니다. 관찰할 점: 표현을 단순하게 만들면 어떤 회고 정보가 사라지는가?

판단 기준은 평균 묶음이 맞는지보다, 그 묶음이 다음 행동을 정하는 데 필요한 차이를 지워 버리는지입니다. 값을 바꾼 뒤에도 회고 문장이 같다면 평균 요약으로 충분할 수 있지만, 회고 문장이 달라진다면 shape token 같은 보조 표현을 남겨야 합니다.

체크리스트

확인할 것 스스로 답할 질문
평균 묶음 평균이 같은 동작을 먼저 묶어 보았는가?
순서 정보 평균만 남겼을 때 사라지는 구간 순서 정보를 확인했는가?
shape token 세부 수치를 버리는 대신 어떤 패턴 정보를 보존하는지 설명했는가?
단순화 non_flat처럼 표현을 단순하게 만들 때 잃는 정보를 적었는가?
회고 평균과 shape token을 함께 남겨야 하는 이유를 한 문장으로 정리했는가?

출처와 참고 자료

  • 동작 단위 패턴 비교 파일: p7-action-unit-pattern-pairs.csv
  • 이 문서는 자체 합성 데이터와 자체 실습 예시를 사용했습니다. 외부 자료를 직접 인용하지 않았습니다.