기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

행렬구조의 객체들의 결합

행렬 형태의 결합은 numpy와 pandas에서 여러 함수를 제공하고 있다.
그러나 pandas의 여러함수를 사용하는 것보다는 numpy에서 제공하는 다음 두 함수를 사용하여 결합한 후에 pandas DataFrame으로 변환하는 것이 편리하다.
pandas 모듈은 numpy를 기본으로 하기 때문에 이 두 모듈은 상호 호환성이 이루어진다.
np.c_[a, b]: 객체, a와 b를 열기준으로 결합한다.
np.r_[a, b]: 객체, a와 b를 행기준으로 결합한다.

In [1]: import numpy as np
In [2]: import pandas as pd

In [3]: x=np.linspace(1, 20, 5)
In [4]: y=np.linspace(0, 1, 5)
In [5]: x
Out[5]: array([ 1. , 5.75, 10.5 , 15.25, 20. ])

In [6]: y
Out[6]: array([ 0. , 0.25, 0.5 , 0.75, 1. ])

아래와 같이 np의 array 객체는 pandas의 DataFrame객체로 쉽게 전환된다.
In [7]: x1=pd.DataFrame(x) In [8]: x1.columns=['first'] In [9]: x1
Out[9]: 
first
01.00
15.75
210.50
315.25
420.00

코드 7과 같이 pd.DataFrame 객체를 생성할 경우 주어진 객체 x를 '[x]'와 같이 리스크로 묶으면 이것은 하나의 객체로 인식되어 행기준으로 형성된다. 

In [10]: pd.DataFrame([x])
Out[10]:
01234
01.05.7510.515.2520.0

numpy 객체에 행과 열 이름을 지명하는데 명확하지 않다. 그러므로 pd 객체로 전환후 다음과 같이 실행하는 것이 편리하다.(코드 8)
pd.index=[ ] : 행이름을 지정
pd.columns=[ ]: 열이름을 지정 

그러면 위의 두 객체 x, y를 행 또는 열로 결합하여보자. 위에서 객체를 '[]'와 같이 리스트화 하면 하나의 그룹으로 취급된다. 그러므로 다음과 같이 이루어진다. 
In [11]: rmerge=np.r_[x, y]
In [12]: rmerge
Out[12]: array([ 1. , 5.75, 10.5 , 15.25, 20. , 0. , 0.25, 0.5 ,
0.75, 1. ])

rmerge의 경우 결합하는 객체[x,y]는 두 객체 x,y를 하나의 그룹으로 간주하여 한 행에 직접적으로 연결된다.
반면에 rmerge1와 같이 [x],[y]와 같이 두 객체를 별개의 그룹으로 간주한다면 두개의 행이 성립된다.
In [13]: rmerge1=np.r_[[x], [y]]
In [14]: rmerge1
[ 0. , 0.25, 0.5 , 0.75, 1. ]])
Out[14]: array([[ 1. , 5.75, 10.5 , 15.25, 20. ],

cmerge와 같이 열 결합의 경우는 위와 반대이다. 
cmerge의 경우는 두 객체 x, y를 하나의 그룹으로 설정한 것과 같다. 이 경우 열로 결합하기 때문에 x와 y의 동일한 인덱스에 존재하는 값들이 동일한 행에 존재한다. 
반면에 [x], [y]와 같이 각각의 그룹으로 간주되는 경우 x, y의 각원소는 별개의 열에 존재 한다. 그러므로 총 10개의 열이 생성된다.
In [15]: cmerge=np.c_[x, y]
In [16]: cmerge
Out[16]: array([[ 1. , 0. ],
[ 5.75, 0.25],
[ 10.5 , 0.5 ],
[ 15.25, 0.75],
[ 20. , 1. ]])

In [17]: cmerge1=np.c_[[x], [y]]
In [18]: cmerge1
Out[18]: array([[ 1. , 5.75, 10.5 , 15.25, 20. , 0. , 0.25, 0.5 ,
0.75, 1. ]])

위의 결합된 객체 중에서 rmerge1과 cmerge를 pd 객체로 전환하고 각각의 행이름과 열이름을 지정하자.
In [19]: rmergeDf=pd.DataFrame(rmerge1) In [20]: rmergeDf.index=['first','second'] In [21]: rmergeDf
Out[21]:
01234
first1.05.7510.515.2520.0
second0.00.250.50.751.0

주의할 부분은 행 또는 열 결합일경우 index, columns의 이름을 지정할 경우이다.

In [22]: cmergeDf=pd.DataFrame(cmerge) In [23]: cmergeDf.columns=['first','second'] In [24]: cmergeDf
Out[24]:
firstsecond
01.000.00
15.750.25
210.500.50
315.250.75
420.001.00

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 ...