기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

apply group_R

apply_do

1 Apply group

1.1 apply()

apply()함수 계열을 for, while 등의 루프(loop)문의 기능을 하는 R의 내장함수이다. 이 계열의 함수는 객체와 함수를 기본 매계변수로 전달된다.
apply(x, margin, FUN)
배열 또는 행렬 객체에 함수를 적용하기 위한 함수로서 적용할 함수가 객체의 행 또는 열을 지정해야 된다. 인수중 margin은 이 방향을 의미한다. 즉, 인수 1은 행, 2는 열방향을 의미한다.
다음의 데이터는 kospi의 일일 주가자료이다.
> kospi<-read.csv('kospi1.csv')
> tail(kospi, 3)
           date      op      hp      lp      cp    vol
1829 2017-06-13 2358.92 2375.81 2358.92 2374.70 322081
1830 2017-06-14 2384.54 2387.29 2366.92 2372.64 386990
1831 2017-06-15 2373.36 2378.04 2350.37 2361.65 331182
위 자료의 date를 제외한 각 열의 평균을 산정하기 위해 apply() 함수를 사용한다. R에서 평균을 계산하기 위해 mean()를 적용한다.
> apply(kospi[,-1], 2, mean ) #각 열의 평균으로 다음의 cloMeans()와 동일하다.  
        op         hp         lp         cp        vol 
  1959.625   1967.838   1948.458   1958.643 380240.086 
> colMeans(kospi[,-1])
        op         hp         lp         cp        vol 
  1959.625   1967.838   1948.458   1958.643 380240.086 
> tail(apply(kospi[,-1], 1,  sum), 3) #각 행의 합 
[1] 331549.3 396501.4 340645.4
행렬, 배열의 각 행 또는 열 단위로 합과 평균을 계산하기 위해 ColSums(), rowSums(), colMeans(), rowMeans()가 있다.

1.2 lapply()

함수는 지정되는 객체에 특정한 함수를 적용하여 그 결과를 리스트로 반환한다.
lapply(x, FUN, …)
벡터, 리스트, 표현식, 데이터 프레임(x) 등에서 함수(FUN)를 적용하고 그 결과를 리스트로 반환한다. … 는 FUN의 인자들로서 입력된 값은 FUN으로 전달된다. 반환값은 리스트다.
객체 x의 각각의 함수의 적용 대상으로 간주한다. 반환값 리스트는 unlist(x, recursive=FALSE, use.names=TRUE)를 이용하여 벡터 구조로 전환한다.
함수의 매개변수 중 recursive=FALSE는 x에 포함된 리스트 역시 재귀적으로 변환할지 여부를 지정하고, use.names=TRUE 리스트 내 값의 이름을 보존할 지 여부를 지정하는 것이다. 디폴트 값으로 원 객체의 이름이 유지된다.
> simpleStatistics.s<-function(x){
+   return(list("Sum"=sum(x), "Quantile"=mean(x)))
+ }
> 
> x<-lapply(2:ncol(kospi), function(i){simpleStatistics.s(kospi[,i])} )
> names(x)<-colnames(kospi[,-1])
> x
$op
$op$Sum
[1] 3588073

$op$Quantile
[1] 1959.625


$hp
$hp$Sum
[1] 3603112

$hp$Quantile
[1] 1967.838


$lp
$lp$Sum
[1] 3567627

$lp$Quantile
[1] 1948.458


$cp
$cp$Sum
[1] 3586274

$cp$Quantile
[1] 1958.643


$vol
$vol$Sum
[1] 696219597

$vol$Quantile
[1] 380240.1
> unlist(x) #결과 구조인 리스트는 unlist() 적용으로 벡터 구조로 전환된다. 
      op.Sum  op.Quantile       hp.Sum  hp.Quantile       lp.Sum 
3.588073e+06 1.959625e+03 3.603112e+06 1.967838e+03 3.567627e+06 
 lp.Quantile       cp.Sum  cp.Quantile      vol.Sum vol.Quantile 
1.948458e+03 3.586274e+06 1.958643e+03 6.962196e+08 3.802401e+05 

1.3 do.call()

리스트 구조의 객체에 unlist()를 사용하여 벡터 구조로 전환할 경우 각 객체에 이질적인 데이터 형이 존재하면 원 데이터 형은 유지되지 못하고 한가지로 전환된다. 그러므로 각 데이터의 형을 유지할 필요가 있다. 이러한 경우 사용할 수 있는 함수가 apply() 함수와 유사한 기능을 하는 do.call() 함수로 리스트로 되어 있는 객체의 각 원소에 지정된 함수를 적용한다.
do.call(Fun, list구조의 데이터)
리스트 구조의 데이터에 함수를 적용한다.
위이 결과 x는 리스트이다. 이 리스트의 각 원소객체를 열 단위로 합하여 행렬의 형태로 나타내기 위해 다음과 같이 실행한다.
> do.call(cbind, x) # 리스트 객체의 각 원소객체를 열 단위로 결합 
         op       hp       lp       cp       vol      
Sum      3588073  3603112  3567627  3586274  696219597
Quantile 1959.625 1967.838 1948.458 1958.643 380240.1 
> do.call(rbind, x) # 행단위로 결합 
    Sum       Quantile
op  3588073   1959.625
hp  3603112   1967.838
lp  3567627   1948.458
cp  3586274   1958.643
vol 696219597 380240.1
> y<-do.call(rbind, x)
> y
    Sum       Quantile
op  3588073   1959.625
hp  3603112   1967.838
lp  3567627   1948.458
cp  3586274   1958.643
vol 696219597 380240.1
> class(y)
[1] "matrix"
> x<-list(data.frame(name="foo", value =1), data.frame(name="bar", value=2))
> x
[[1]]
  name value
1  foo     1

[[2]]
  name value
1  bar     2
> unlist(x)
 name value  name value 
    1     1     1     2 
> class(unlist(x))
[1] "numeric"
> y<-do.call(rbind, x)
> y
  name value
1  foo     1
2  bar     2
> class(y)
[1] "data.frame"

1.4 sapply()

sapply(객체, 함수, …)
벡터, 리스트, 표현식, 데이터프레임 등의 객체에 함수를 적용하고 그 결과를 벡터 또는 행렬로 반환한다.
결과의 길이가 1이면 벡터, 1보다 크면 행렬로 반환된다.
> x<-lapply(kospi[,-1], mean)
> x #리스트 구조 
$op
[1] 1959.625

$hp
[1] 1967.838

$lp
[1] 1948.458

$cp
[1] 1958.643

$vol
[1] 380240.1
> y<-sapply(kospi[,-1], mean)
> y # 벡터 구조 
        op         hp         lp         cp        vol 
  1959.625   1967.838   1948.458   1958.643 380240.086 
> x<-lapply(2:ncol(kospi), function(i){simpleStatistics.s(kospi[,i])})
> x
[[1]]
[[1]]$Sum
[1] 3588073

[[1]]$Quantile
[1] 1959.625


[[2]]
[[2]]$Sum
[1] 3603112

[[2]]$Quantile
[1] 1967.838


[[3]]
[[3]]$Sum
[1] 3567627

[[3]]$Quantile
[1] 1948.458


[[4]]
[[4]]$Sum
[1] 3586274

[[4]]$Quantile
[1] 1958.643


[[5]]
[[5]]$Sum
[1] 696219597

[[5]]$Quantile
[1] 380240.1
> class(x)
[1] "list"
> y<-sapply(2:ncol(kospi), function(i){simpleStatistics.s(kospi[,i])})
> y
         [,1]     [,2]     [,3]     [,4]     [,5]     
Sum      3588073  3603112  3567627  3586274  696219597
Quantile 1959.625 1967.838 1948.458 1958.643 380240.1 
> class(y)
[1] "matrix"
sapply()는 한가지 타입만 저장 가능한 데이터 타입인 벡터 또는 행렬을 반환하므로 함수의 반환값이 여러 데이터형을 가지면 안된다. 이 경우는 lapply()를 사용해야 한다.

1.5 tapply()

데이터를 일정한 기준에 의해 그룹화하여 각 그룹에 지정된 함수를 적용하기 위해 사용한다.
tapply(객체, index, FUN,…)
백터인 객체를 index로 전달된 기준으로 그룹화하여 각 그룹에 FUN(함수)를 적용아려 그 결과를 배열로 반환한다.
위 kospi 자료의 2열과 5열을 비교하여 0보다 크면 1, 작으면 0으로 구분할 경우 각각에서의 vol의 mean을 계산한 것이다.
> kos<-data.frame(kospi, id=ifelse(kospi[,5]>kospi[,2], 1, 0))
> tail(kos, 3)
           date      op      hp      lp      cp    vol id
1829 2017-06-13 2358.92 2375.81 2358.92 2374.70 322081  1
1830 2017-06-14 2384.54 2387.29 2366.92 2372.64 386990  0
1831 2017-06-15 2373.36 2378.04 2350.37 2361.65 331182  0
> tapply(kos$vol, kos$id, mean)
       0        1 
383950.9 376194.7 

1.6 mapply()

apply()와 유사한 계열의 함수는 결과적으로 데이터의 특정한 부분에 지정한 함수를 적용하기 위해 사용한다. 그러나 apply와 sapply의 경우 적용하는 함수에 전달하는 인수가 여러개일 경우 사용이 용이하지 않다. 이러한 경우에 사용할 수 있는 함수가 mapply()이다.
mapply(FUN, 인수1, 인수2, …)
함수에 적용되는 인수가 여러개 일 경우 사용한다. 결과는 리스트이다.
rnorm(갯수, 평균, 표준편차)는 전달한 평균과 표준편차를 가지는 정규분포를 따르는 지정한 수만큼의 랜덤수를 산출하는 함수이다. 이 산출과정에서 mapply()를 적용하여 보자.
> mapply(rnorm, c(1,2,3), c(0, 10, 100), c(1,1,1))
[[1]]
[1] -0.5301171

[[2]]
[1] 10.64874 10.00448

[[3]]
[1]  99.33829 103.26205 100.88152

2 doBy group

doBy 패키지로 부터의 데이터를 그룹화하는 함수

2.1 orderBy()

지정된 칼럼값에 따라 data.frame을 정렬한다. 유사한 함수로는 R의 내장함수인 sort(), order()가 있다.
order(data, na.last=TRUE, decreasing=FALSE)
데이터를 정렬한다.
na.last=TRUE는 기본값으로 NA 값을 정렬한 자료의 마지막에 위치한다는 의미이고 FALSE는 처음에 위치시킨다.
또한 na.last=NA는 정렬결과에서 NA 값 제외시킨다. decreaseing은 내림차순여부를 나타내는 것으로 기본은 올림차순이다.
반환값은 원 데이터에 색인(index)이다.
sort(x, decreasing=T)
벡터를 정렬할 목적으로 order()와 유사하지만 값자체가 반환된다.
> x<-round(rnorm(10),0)
> x
 [1]  0 -1  1 -1 -1  1  1 -2  1 -1
> order(x) #각 값의 인덱스를 나타냄 
 [1]  8  2  4  5 10  1  3  6  7  9
> sort(x)
 [1] -2 -1 -1 -1 -1  0  1  1  1  1
> x[order(x)] #벡터의 각 원소의 호출은 각 원소의 인덱스에 의해 이루어진다. 
 [1] -2 -1 -1 -1 -1  0  1  1  1  1
위의 함수들과 유사하지만 사용 용도가 확대된 함수가 orderBy() 함수이다.
orderBy(formula, data)
정렬할 데이터(data)를 지정한 formula에 의해 올림차순으로 정렬한다. 반환값은 정렬된 데이터이다.
kospi 자료중 최종일 기준으로 10를 샘플링하여 위 함수를 적용해 본다.
> n<-nrow(kospi)
> kospi1<-kospi[(n-10):n, ]
> kospi1
           date      op      hp      lp      cp    vol
1821 2017-05-31 2339.25 2355.23 2338.25 2347.38 555939
1822 2017-06-01 2348.31 2351.31 2335.63 2344.61 331956
1823 2017-06-02 2353.77 2372.65 2353.45 2371.72 392800
1824 2017-06-05 2376.66 2376.83 2363.61 2368.62 326411
1825 2017-06-07 2364.96 2369.43 2356.71 2360.14 370971
1826 2017-06-08 2361.64 2365.52 2347.62 2362.80 397935
1827 2017-06-09 2371.22 2385.15 2367.81 2381.69 511622
1828 2017-06-12 2370.69 2374.70 2353.35 2357.87 324051
1829 2017-06-13 2358.92 2375.81 2358.92 2374.70 322081
1830 2017-06-14 2384.54 2387.29 2366.92 2372.64 386990
1831 2017-06-15 2373.36 2378.04 2350.37 2361.65 331182
다음은 kospi1을 cp를 기준으로 정렬한다.
> library(doBy)
> orderBy(~cp, kospi1)
           date      op      hp      lp      cp    vol
1822 2017-06-01 2348.31 2351.31 2335.63 2344.61 331956
1821 2017-05-31 2339.25 2355.23 2338.25 2347.38 555939
1828 2017-06-12 2370.69 2374.70 2353.35 2357.87 324051
1825 2017-06-07 2364.96 2369.43 2356.71 2360.14 370971
1831 2017-06-15 2373.36 2378.04 2350.37 2361.65 331182
1826 2017-06-08 2361.64 2365.52 2347.62 2362.80 397935
1824 2017-06-05 2376.66 2376.83 2363.61 2368.62 326411
1823 2017-06-02 2353.77 2372.65 2353.45 2371.72 392800
1830 2017-06-14 2384.54 2387.29 2366.92 2372.64 386990
1829 2017-06-13 2358.92 2375.81 2358.92 2374.70 322081
1827 2017-06-09 2371.22 2385.15 2367.81 2381.69 511622
다음은 여러개의 기준일 경우 틸트(물결모양)기호에 가까운 변수에 의해 먼저 정렬되고 그 다음ㅔ 있는 변수가 기준이 되는 방식으로 이루어진다.
> orderBy(~cp+vol, kospi1)
           date      op      hp      lp      cp    vol
1822 2017-06-01 2348.31 2351.31 2335.63 2344.61 331956
1821 2017-05-31 2339.25 2355.23 2338.25 2347.38 555939
1828 2017-06-12 2370.69 2374.70 2353.35 2357.87 324051
1825 2017-06-07 2364.96 2369.43 2356.71 2360.14 370971
1831 2017-06-15 2373.36 2378.04 2350.37 2361.65 331182
1826 2017-06-08 2361.64 2365.52 2347.62 2362.80 397935
1824 2017-06-05 2376.66 2376.83 2363.61 2368.62 326411
1823 2017-06-02 2353.77 2372.65 2353.45 2371.72 392800
1830 2017-06-14 2384.54 2387.29 2366.92 2372.64 386990
1829 2017-06-13 2358.92 2375.81 2358.92 2374.70 322081
1827 2017-06-09 2371.22 2385.15 2367.81 2381.69 511622

2.2 summaryBy()

summaryBy(formula, data, FUN=mean)
데이터프라임을 컬럼값에 따라 그룹으로 묶은 후 지정된 함수 계산결과를 반환한다. 적용할 함수는 리스트로 여러개를 전달할 수 있다.
이 예를 보이기 위해 cut()함수를 사용하여 데이터들을 그룹화할 요인(factor)를 생성한다. 이 함수는 다음과 같다.
cut(객체, 그룹 갯수, labels = NULL, …)
객체를 지정된 갯수만큼 구분하기 위한 요인을 생성하고 label은 각 그룹의 이름으로 기본값은 없다.
kospi의 op와 cp의 변화율에 따른 요인을 생성해보자.
> ind<-cut((kospi[,5]-kospi[,2])/(kospi[,2]), 10, labels=letters[1:10])                                     
> kospi2<-data.frame(kospi[,2:5], ind)
> head(kospi2)
       op      hp      lp      cp ind
1 1681.71 1696.14 1681.71 1696.14   f
2 1701.62 1702.39 1686.45 1690.62   d
3 1697.88 1706.89 1696.10 1705.32   e
4 1702.92 1707.90 1683.45 1683.45   d
5 1694.06 1695.26 1668.84 1695.26   e
6 1700.79 1705.73 1694.12 1694.12   e
> summaryBy(op+hp+lp+cp~ind, kospi2)
   ind  op.mean  hp.mean  lp.mean  cp.mean
1    a 1866.483 1866.660 1779.717 1794.730
2    b 1867.266 1873.186 1811.085 1819.629
3    c 1928.282 1931.911 1890.320 1896.613
4    d 1963.093 1966.097 1943.411 1948.314
5    e 1973.152 1979.281 1964.809 1973.011
6    f 1938.519 1955.463 1934.370 1952.811
7    g 1894.848 1926.465 1890.738 1924.462
8    h 1810.133 1856.624 1805.083 1854.740
9    i 1713.100 1769.750 1706.900 1769.290
10   j 1733.920 1832.480 1733.920 1817.440
기본적으로 지정된 함수는 mean이고 다른 함수를 전달할 경우 반드시 매개변수명과 함께 FUN=함수이름의 형식으로 입력해야 한다. 또한 여러개의 함수를 적용할 경우 함수는 리스트형식으로 전달해야 한다.
> summaryBy(op+hp+lp+cp~ind, kospi2, FUN=list(mean, var, length))
   ind  op.mean  hp.mean  lp.mean  cp.mean    op.var    hp.var    lp.var
1    a 1866.483 1866.660 1779.717 1794.730 19836.656 19759.378 15837.629
2    b 1867.266 1873.186 1811.085 1819.629  9486.238  9717.001  9156.205
3    c 1928.282 1931.911 1890.320 1896.613 20865.606 20617.304 21048.850
4    d 1963.093 1966.097 1943.411 1948.314 17086.905 17101.602 16946.535
5    e 1973.152 1979.281 1964.809 1973.011 13259.935 13213.023 13370.683
6    f 1938.519 1955.463 1934.370 1952.811 20983.920 20983.836 21186.670
7    g 1894.848 1926.465 1890.738 1924.462 16861.964 17598.223 17308.392
8    h 1810.133 1856.624 1805.083 1854.740 15800.862 15784.125 15983.309
9    i 1713.100 1769.750 1706.900 1769.290        NA        NA        NA
10   j 1733.920 1832.480 1733.920 1817.440        NA        NA        NA
      cp.var op.length hp.length lp.length cp.length
1  18667.510         3         3         3         3
2   9395.821        18        18        18        18
3  20306.575        50        50        50        50
4  16895.609       372       372       372       372
5  13204.445      1000      1000      1000      1000
6  21134.075       338       338       338       338
7  17598.561        41        41        41        41
8  16175.419         7         7         7         7
9         NA         1         1         1         1
10        NA         1         1         1         1
summaryBy()와 유사한 함수로 tapply()를 적용할 수 있지만 적용하는 객체는 벡터이어야 한다.
> tapply(kospi2[,1], kospi2$ind, length)
   a    b    c    d    e    f    g    h    i    j 
   3   18   50  372 1000  338   41    7    1    1 

2.3 sampleBy()

sampleBy(formula, frac=0.1, replace=False, data, systematic=FALSE)
데이터 프레임을 특정 컬럼값에 따라 그룹으로 묶은 후 각 그룹에서 샘플을 추출
지정한 formula에 대해 일정한 비율(frac) 만큼 추출한다. systematic은 계통추출을 위한 인수이다. 예로서 formula ~ind 라면 각 데이터를 ind에 의해 분리하여 각 분리된 자료에서 일정한 비율을 추출한다.
> kospi2Sample<-sampleBy(~ind, frac=0.1, replace=F, data=kospi2)
> head(kospi2Sample, 2)
          op      hp      lp      cp ind
f.1  1681.71 1696.14 1681.71 1696.14   f
f.41 1615.25 1622.63 1611.35 1622.44   f
> tail(kospi2Sample, 2)
           op      hp      lp      cp ind
b.416 1829.30 1829.75 1785.82 1785.83   b
b.461 1860.96 1862.27 1813.25 1813.25   b

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...