기본 통계량을 위한 사용자정의함수

#인덱스로부터 훈련과 테스트 그룹을 분리한다.
#rom sklearn.model_selection import train_test_split
#train, test=train_test_split(da, test_size=0.25, random_state=3)로 대체할 수 있다.
def divideTrainS(obj, size, rep):
    x=np.random.choice(obj, size, rep)
    y=np.delete(range(obj), x)
    return([x, y])

#원자료에서 설명변수와 반응변수를 새로 구성한 자료작성
def indDeS(da, deColN, diffDay):
    n=len(da)
    indN=np.delete(range(len(da.columns)), deColN)
    da1=pd.DataFrame(da.ix[:(n-1), indN])
    y=da.ix[:, deColN].shift(-diffDay)
    da1['de']=y
    targD=da.ix[-1, indN]
    return([da1, targD])

#sklearn LinearRegression을 적용하는 경우 summary를 반환하는 함수
def LinearRegSummaryS(model, ind, de):
    re={}
    re["intercept"]=model.intercept_
    re["coef"]=model.coef_
    re["R^2"]=model.score(ind, de)
    p=model.predict(ind)
    res=de-p
    re["SSR"]=np.dot(np.transpose(res), res)
    re["MSR"]=re["SSR"]/(len(ind)-(np.shape(ind)[1]+1))
    return(re)

#다차항 회귀에서 차수 증가에 따른 R2, MSE, SSE의 변화를 반환한다.
 def BestOrderFindS(ind, de, n):
    sse=np.empty(n+1)
    mse=np.empty(n+1)
    r2=np.empty(n+1)
    for i in range(n+1):
        poly=PolynomialFeatures(i)
        x=poly.fit_transform(ind)
        mod=LinearRegression()
        mod.fit(x, de)
        pre=mod.predict(x)
        y1=de-np.mean(de)
        sst=np.dot(np.transpose(y1), y1)
        res=de-mod.predict(x)
        sse[i]=np.dot(np.transpose(res), res)
        mse[i]= sse[i]/(len(x)-(np.shape(x)[1]+1))
        r2[i]= 1-sse[i]/sst
        re=np.c_[r2, mse, sse]
        re.names
    return()  


 #자료의 표준화와 새로운 데이터를 표준화 시킨 평균과 표준편차에 의해 표준화시킴
 class StdardS:
    def __init__(self, d):
        self.d=d
        try:
            self.n=self.d.shape[1]
        except:
            self.n=1
        else:
            self.n=self.d.shape[1]
        if self.n !=1:
            self.mu=[np.mean(self.d[:,i]) for i in range(self.n)]
            self.sd=[np.var(self.d[:,i])**0.5 for i in range(self.n)]
        else:
            self.mu=np.mean(self.d)
            self.sd=np.var(self.d)**0.5
    def stdard1(self):
        if self.n != 1:
            re=[(self.d[:,i]-self.mu[i])/self.sd[i] for i in range(self.n)]
        else:
            re= (self.d-self.mu)/self.sd
        return(np.transpose(re))
    def stdard2(self, nd):
        if self.n != 1:
            self.nd=nd
            re1=[(self.nd[i]-self.mu[i])/self.sd[i] for i in range(self.n)]
        else:
            re1=(self.nd-self.mu)/self.sd
        return(np.transpose(re1))
   
#np.array 구조의 객체 각 원소의 빈도수를 계산한다.
def FreqS(obj):
    idx, cnt=np.unique(obj, return_counts=True)
    re=np.transpose(np.array([idx, cnt]))
    return(re)

#위 함수와 유사하지만 구간의 빈도수를 계산한다. histogram() 함수를 적용
def histS(obj, n):
    cnt, mu=np.histogram(obj, bins=n)
    prob, mu=np.histogram(obj, bins=n, density=True)
    re=np.transpose(np.array([mu[1:], cnt, prob]))
    return(re)