diff --git a/Error Analysis.py b/error_analysis.py
similarity index 62%
rename from Error Analysis.py
rename to error_analysis.py
index af5f818..7fe4eca 100644
--- a/Error Analysis.py	
+++ b/error_analysis.py
@@ -10,15 +10,18 @@ import matplotlib.pyplot as plt
 'Final_error_hyper_original', 'Final_error_hyper_nonlinear']
 '''
 
-# CSV 파일 읽기
+# CSV 파일 읽기 (일단, 다단 성토 포함)
 df_overall = pd.read_csv('Error_overall.csv', encoding='euc-kr')
 
-# 통계량 저장소
-# 열 mean / median / percentile
-# 행 RMSE (O) / RMSE (NL) / FE (O) / FE (NL)
+# 통계량 저장소 statistics 초기화
 statistic =[]
 
-count = 0
+# 통계량 저장소 statistics 데이터 구조
+#            mean    /   median  /   percentile
+# RMSE (O)
+# RMSE (NL)
+# FE (O)
+# FE (NL)
 
 # 최종 성토 단계에서 각 침하 데이터 사용 영역에 대해서 다음을 수행
 for data_usage in range(20, 100, 10):
@@ -32,26 +35,21 @@ for data_usage in range(20, 100, 10):
     FE_hyper_original = df_overall_sel['Final_error_hyper_original'].to_numpy()
     FE_hyper_nonlinear = df_overall_sel['Final_error_hyper_nonlinear'].to_numpy()
 
-    # 중앙값, 평균, 90% percentile 산정 및 저장
-    statistic.append([np.mean(RMSE_hyper_original),
-                      np.median(RMSE_hyper_original),
+    # 평균, 중앙값, 90% percentile 산정 및 저장
+    statistic.append([np.mean(RMSE_hyper_original), np.median(RMSE_hyper_original),
                       np.percentile(RMSE_hyper_original, 90)])
-    statistic.append([np.mean(RMSE_hyper_nonlinear),
-                      np.median(RMSE_hyper_nonlinear),
+    statistic.append([np.mean(RMSE_hyper_nonlinear), np.median(RMSE_hyper_nonlinear),
                       np.percentile(RMSE_hyper_nonlinear, 90)])
-    statistic.append([np.mean(FE_hyper_original),
-                      np.median(FE_hyper_original),
+    statistic.append([np.mean(FE_hyper_original), np.median(FE_hyper_original),
                       np.percentile(FE_hyper_original, 90)])
-    statistic.append([np.mean(FE_hyper_nonlinear),
-                      np.median(FE_hyper_nonlinear),
+    statistic.append([np.mean(FE_hyper_nonlinear), np.median(FE_hyper_nonlinear),
                       np.percentile(FE_hyper_nonlinear, 90)])
 
     # 그래프 설정 (2 by 2)
     fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize = (8, 8))
 
     # 그래프 제목 설정
-    fig.suptitle('Histograms: ' + str(data_usage) +
-                 '% of Settlement Data Used in the Final Step')
+    fig.suptitle('Histograms: ' + str(data_usage) + '% of Settlement Data Used in the Final Step')
 
     # 각 Subplot의 제목 설정
     ax1.set_xlabel('RMSE (Original Hyperbolic) (cm)')
@@ -81,50 +79,54 @@ for data_usage in range(20, 100, 10):
         ax.set_xlim(0, 50)
         ax.set_ylim(0, 0.5)
 
-    count = count + 1
-
     # 그래프 저장 (SVG 및 PNG)
     plt.savefig('error_analysis/error_nonstep(%i percent).png' % data_usage,
                 bbox_inches='tight')
 
+# 데이터 사용 영역 설정
 data_usages = range(20, 100, 10)
+
+# 통계량 배열을 numpy 배열로 전환
 statistic = np.array(statistic)
 
+# 그래프 설정 (총 4개의 그래프)
 fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6)) = plt.subplots(3, 2, figsize = (8, 12))
 
+# 그래프 전체 제목 설정
 fig.suptitle("Original Hyperbolic vs. Nonlinear Hyperbolic")
 
-# mean rmse
+# 데이터 사용량 대비 RMSE 평균값 변화 도시
 ax1.set_ylabel('Mean(RMSE) (cm)')
 ax1.plot(data_usages, statistic[0::4, 0], label = 'Original Hyperbolic')
 ax1.plot(data_usages, statistic[1::4, 0], label = 'Nonlinear Hyperbolic')
 ax1.legend()
 
-# mean fe
+# 데이터 사용량 대비 FE 평균값 변화 도시
 ax2.set_ylabel('Mean(FE) (cm)')
-ax2.plot(data_usages, statistic[2::4, 0])
-ax2.plot(data_usages, statistic[3::4, 0])
+ax2.plot(data_usages, statistic[2::4, 0], label = 'Original Hyperbolic')
+ax2.plot(data_usages, statistic[3::4, 0], label = 'Nonlinear Hyperbolic')
 
-# median rmse
+# 데이터 사용량 대비 RMSE 중앙값 변화 도시
 ax3.set_ylabel('Median(RMSE) (cm)')
 ax3.plot(data_usages, statistic[0::4, 1])
 ax3.plot(data_usages, statistic[1::4, 1])
 
-# median fe
+# 데이터 사용량 대비 FE 중앙값 변화 도시
 ax4.set_ylabel('Median(FE) (cm)')
 ax4.plot(data_usages, statistic[2::4, 1])
 ax4.plot(data_usages, statistic[3::4, 1])
 
-# percentile rmse
+# 데이터 사용량 대비 RMSE의 90% Percentile 변화 도시
 ax5.set_ylabel('90% Percentile(RMSE) (cm)')
 ax5.plot(data_usages, statistic[0::4, 2])
 ax5.plot(data_usages, statistic[1::4, 2])
 
-# percentile fe
+# 데이터 사용량 대비 FE의 90% Percentile 변화 도시
 ax6.set_ylabel('90% Percentile(FE) (cm)')
 ax6.plot(data_usages, statistic[2::4, 2])
 ax6.plot(data_usages, statistic[3::4, 2])
 
+# 각 subplot을 포함한 리스트 설정
 axes = [ax1, ax2, ax3, ax4, ax5, ax6]
 
 # 공통 사항 적용
@@ -146,13 +148,20 @@ plt.savefig('error_analysis/error_overall.png', bbox_inches='tight')
 'Final_error_hyper_original', 'Final_error_hyper_nonlinear', 'Final_error_step'
 '''
 
+# CSV 파일 읽기 (다단 성토만)
 df_multi_step = pd.read_csv('Error_multi_step.csv', encoding='euc-kr')
 
-# 통계량 저장소
-# 열 mean / median / percentile
-# 행 RMSE (O) / RMSE (NL) / RMSE(S) / FE (O) / FE (NL) / FE (S)
-statistic2 =[]
-count = 0
+# 통계량 저장소 statistics 초기화
+statistic_step =[]
+
+# 통계량 저장소 statistics 데이터 구조
+#            mean    /   median  /   percentile
+# RMSE (O)
+# RMSE (NL)
+# RMSE (S)
+# FE (O)
+# FE (NL)
+# FE (S)
 
 # 최종 성토 단계에서 각 침하 데이터 사용 영역에 대해서 다음을 수행
 for data_usage in range(20, 100, 10):
@@ -169,24 +178,24 @@ for data_usage in range(20, 100, 10):
     FE_step = df_multi_step_sel['Final_error_step'].to_numpy()
 
     # 중앙값, 평균, 90% percentile 산정 및 저장
-    statistic2.append([np.mean(RMSE_hyper_original),
-                       np.median(RMSE_hyper_original),
-                       np.percentile(RMSE_hyper_original, 90)])
-    statistic2.append([np.mean(RMSE_hyper_nonlinear),
-                       np.median(RMSE_hyper_nonlinear),
-                       np.percentile(RMSE_hyper_nonlinear, 90)])
-    statistic2.append([np.mean(RMSE_step),
-                       np.median(RMSE_step),
-                       np.percentile(RMSE_step, 90)])
-    statistic2.append([np.mean(FE_hyper_original),
-                       np.median(FE_hyper_original),
-                       np.percentile(FE_hyper_original, 90)])
-    statistic2.append([np.mean(FE_hyper_nonlinear),
-                       np.median(FE_hyper_nonlinear),
-                       np.percentile(FE_hyper_nonlinear, 90)])
-    statistic2.append([np.mean(FE_step),
-                       np.median(FE_step),
-                       np.percentile(FE_step, 90)])
+    statistic_step.append([np.mean(RMSE_hyper_original),
+                           np.median(RMSE_hyper_original),
+                           np.percentile(RMSE_hyper_original, 90)])
+    statistic_step.append([np.mean(RMSE_hyper_nonlinear),
+                           np.median(RMSE_hyper_nonlinear),
+                           np.percentile(RMSE_hyper_nonlinear, 90)])
+    statistic_step.append([np.mean(RMSE_step),
+                           np.median(RMSE_step),
+                           np.percentile(RMSE_step, 90)])
+    statistic_step.append([np.mean(FE_hyper_original),
+                           np.median(FE_hyper_original),
+                           np.percentile(FE_hyper_original, 90)])
+    statistic_step.append([np.mean(FE_hyper_nonlinear),
+                           np.median(FE_hyper_nonlinear),
+                           np.percentile(FE_hyper_nonlinear, 90)])
+    statistic_step.append([np.mean(FE_step),
+                           np.median(FE_step),
+                           np.percentile(FE_step, 90)])
 
     # 그래프 설정 (2 by 2)
     fig, ((ax1, ax2, ax3), (ax4, ax5, ax6)) = plt.subplots(2, 3, figsize = (12, 8))
@@ -217,66 +226,69 @@ for data_usage in range(20, 100, 10):
     # 공통 사항 적용
     for i in range(len(axes)):
         ax = axes[i]
-        ax.text(10, 0.4, 'Mean = ' + "{:0.2f}".format(statistic2[count * 6 + i][0]) + '\n' +
-                'Median = ' + "{:0.2f}".format(statistic2[count * 6 + i][1]) + '\n' +
-                '90% Percentile = ' + "{:0.2f}".format(statistic2[count * 6 + i][2]))
+        ax.text(10, 0.4, 'Mean = ' + "{:0.2f}".format(statistic_step[count * 6 + i][0]) + '\n' +
+                'Median = ' + "{:0.2f}".format(statistic_step[count * 6 + i][1]) + '\n' +
+                '90% Percentile = ' + "{:0.2f}".format(statistic_step[count * 6 + i][2]))
         ax.set_ylabel("Probability")
         ax.grid(color="gray", alpha=.5, linestyle='--')
         ax.tick_params(direction='in')
         ax.set_xlim(0, 50)
         ax.set_ylim(0, 0.5)
 
-    count = count + 1
-
     # 그래프 저장 (SVG 및 PNG)
     plt.savefig('error_analysis/error_step(%i percent).png' % data_usage,
                 bbox_inches='tight')
 
-
+# 데이터 사용 영역 배열 설정
 data_usages = range(20, 100, 10)
-statistic2 = np.array(statistic2)
 
+# 통계량 배열을 numpy 배열로 전환
+statistic_step = np.array(statistic_step)
+
+# 그래프 설정 (총 6개의 그래프)
 fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6)) = plt.subplots(3, 2, figsize = (8, 12))
 
-fig.suptitle("Hyperbolic vs. Step loading")
+# 그래프 전체 제목 설정
+fig.suptitle("Hyperbolic methods vs. Step loading")
 
-# mean rmse
+# 데이터 사용량 대비 RMSE 평균값 변화 도시
 ax1.set_ylabel('Mean(RMSE) (cm)')
-ax1.plot(data_usages, statistic2[0::6, 0], label = 'Original Hyperbolic')
-ax1.plot(data_usages, statistic2[1::6, 0], label = 'Nonlinear Hyperbolic')
-ax1.plot(data_usages, statistic2[2::6, 0], color='k', label = 'Step Loading')
+ax1.plot(data_usages, statistic_step[0::6, 0], label ='Original Hyperbolic')
+ax1.plot(data_usages, statistic_step[1::6, 0], label ='Nonlinear Hyperbolic')
+ax1.plot(data_usages, statistic_step[2::6, 0], color='k', label ='Step Loading')
 ax1.legend()
 
-# mean fe
+# 데이터 사용량 대비 FE 평균값 변화 도시
 ax2.set_ylabel('Mean(FE) (cm)')
-ax2.plot(data_usages, statistic2[3::6, 0])
-ax2.plot(data_usages, statistic2[4::6, 0])
-ax2.plot(data_usages, statistic2[5::6, 0], color='k')
+ax2.plot(data_usages, statistic_step[3::6, 0])
+ax2.plot(data_usages, statistic_step[4::6, 0])
+ax2.plot(data_usages, statistic_step[5::6, 0], color='k')
 
-# median rmse
+# 데이터 사용량 대비 RMSE 중앙값 변화 도시
 ax3.set_ylabel('Median(RMSE) (cm)')
-ax3.plot(data_usages, statistic2[0::6, 1])
-ax3.plot(data_usages, statistic2[1::6, 1])
-ax3.plot(data_usages, statistic2[2::6, 1], color='k')
+ax3.plot(data_usages, statistic_step[0::6, 1])
+ax3.plot(data_usages, statistic_step[1::6, 1])
+ax3.plot(data_usages, statistic_step[2::6, 1], color='k')
 
-# median fe
+# 데이터 사용량 대비 FE 중앙값 변화 도시
 ax4.set_ylabel('Median(FE) (cm)')
-ax4.plot(data_usages, statistic2[3::6, 1])
-ax4.plot(data_usages, statistic2[4::6, 1])
-ax4.plot(data_usages, statistic2[5::6, 1], color='k')
+ax4.plot(data_usages, statistic_step[3::6, 1])
+ax4.plot(data_usages, statistic_step[4::6, 1])
+ax4.plot(data_usages, statistic_step[5::6, 1], color='k')
 
-# percentile rmse
+# 데이터 사용량 대비 RMSE의 90% Percentile 변화 도시
 ax5.set_ylabel('90% Percentile(RMSE) (cm)')
-ax5.plot(data_usages, statistic2[0::6, 2])
-ax5.plot(data_usages, statistic2[1::6, 2])
-ax5.plot(data_usages, statistic2[2::6, 2], color='k')
+ax5.plot(data_usages, statistic_step[0::6, 2])
+ax5.plot(data_usages, statistic_step[1::6, 2])
+ax5.plot(data_usages, statistic_step[2::6, 2], color='k')
 
-# percentile fe
+# 데이터 사용량 대비 FE의 90% Percentile 변화 도시
 ax6.set_ylabel('90% Percentile(FE) (cm)')
-ax6.plot(data_usages, statistic2[3::6, 2])
-ax6.plot(data_usages, statistic2[4::6, 2])
-ax6.plot(data_usages, statistic2[5::6, 2], color='k')
+ax6.plot(data_usages, statistic_step[3::6, 2])
+ax6.plot(data_usages, statistic_step[4::6, 2])
+ax6.plot(data_usages, statistic_step[5::6, 2], color='k')
 
+# 각 subplot을 포함한 리스트 설정
 axes = [ax1, ax2, ax3, ax4, ax5, ax6]
 
 # 공통 사항 적용