기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

datetime module의 개요

1. Introduction 

datetime 모듈은 날짜와 시간의 관련된 조정을 할 수 있는 많은 클래스를 제공한다.
이 모듈에서 기준이 되는 year의 범위는 다음과 같다.

In [1]: import datetime
In [2]: datetime.MINYEAR
Out[2]: 1

In [3]: datetime.MAXYEAR
Out[3]: 9999

시간의 범위를  알아보기 위해 datetime 모듈의 time 클래스를 사용한다.

In [4]: datetime.time.min
Out[4]: datetime.time(0, 0)

In [5]: datetime.time.max
Out[5]: datetime.time(23, 59, 59, 999999)

위에서 나타낸 것과 같이 datetime 모듈의 경우 5개의 클래스를 포함한다.

1) datetime.date ;

  날짜를 다루는 클래스로 year, month, day속성을 가진다.

속성은 클래스에 전달하는 인수값을 각각의 인덱스 또는 매개변수 이름에 매칭하여 반환시켜주는 일종의 함수이다. 그러므로 속성은 그 자체의 매개변수를 별도로 가지지 않는다.

2) datetime. time;

시간을 다루는 클래스로 1일을 24*60*60 초로 계산한다. 속성으로는 hour, minute, second, microsecond, tzinfo
 tzinfo는 지역시간대 정보(time zone information) 값이다.

3.)datetime.datetime ;

시간과 날짜를 합한 정보를 다루는 클래스이다. 속성으로는 위의 각 클래스에 속하는 모든것을 포함한다. 즉,
year, month, day, hour, minute, second, microsecond, tzinfo


4) datetime.timdelta;

두 date, time 또는 datetime의 instance들 사이의 차이를 마이크로초의 resolution의 수준에서 반환하는 클래스

5) datetime.tzinfo

시간 지역대의 정보의 객체들을 위한 기본 클래스 time zone 그리고 일광절약시간등 시간 조정의 정보를 제공하기 위해 datetime, time 클래스에 사용된다.

위의 각 클래스의 객체는 수정할 수 없다. 즉, immutable


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

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b