6조 토이프로젝트 — Steam 사용자 맞춤형 Value Score 기반 게임 추천 시스템
10th-toy-team6/
├── README.md
├── requirements.txt
├── .gitignore
├── .env.example # STEAM_API_KEY= 형태로 키만 비워둔 예시. 복사해서 .env로 사용
├── data/ # 데이터
│ ├── raw/ # 원본 데이터
│ │ └── original_data.csv
│ └── processed/ # 전처리/가공 끝난 데이터
│ ├── cleaned_data.csv
│ ├── game_features_full.csv
│ ├── user_genre_preference_raw.csv
│ ├── user_genre_preference_normalized.csv
│ ├── user_tag_preference_top30_raw.csv
│ ├── user_tag_preference_top30_normalized.csv
│ ├── user_tag_preference_top50_raw.csv
│ ├── user_tag_preference_top50_normalized.csv
│ └── user_profile_features.csv
├── notebooks/ # 실험/분석용 Jupyter Notebook
│ ├── 01_data_collection.ipynb
│ ├── 02_data_cleaning.ipynb
│ └── 03_data_preprocessing.ipynb
├── src/ # 재사용할 실제 Python 코드
├── results/ # 실행 결과
└── docs/ # 문서
├── 최종모델.md # 추천 시스템 설계 문서
└── PROJECT_QUALITY.md # 프로젝트 구조/보안 이슈 점검 및 개선 이력
data/raw (원본 데이터 수집)
│
▼
data/processed (정제·전처리 끝난 데이터, feature)
│
▼
notebooks/ (01 수집 → 02 정제 → 03 전처리, 여기서 자유롭게 탐색/실험)
│ ── 검증된 로직만 뽑아서 ──▶ src/ (재사용 가능한 Python 모듈로 정리)
▼
results/ (노트북·src 실행 결과: 추천 목록, 성능 비교표, 그래프 등 저장)
│
▼
docs/ (실험 결과와 설계 내용을 문서로 정리)
즉 data에서 시작해서 notebooks에서 실험하고(01_data_collection → 02_data_cleaning → 03_data_preprocessing 순서), 반복해서 쓸 코드는 src로 옮기고, 실행 결과는 results에 쌓고, 최종적으로 docs에 정리하는 흐름입니다.
pip install -r requirements.txt
cp .env.example .env # STEAM_API_KEY 채워넣기