A B C d E F G H I K L M N O P Q R S T U V W Z A statsmodels.ap.stats.anova_lm(x) statsmodels.formula.api.ols 에 의해 생성되는 모형 즉, 클래스 인스턴스(x)를 인수로 받아 anova를 실행합니다. np.argsort(x, axis=-1, kind=None) 객체 x를 정렬할 경우 각 값에 대응하는 인덱스를 반환합니다. Axis는 기준 축을 지정하기 위한 매개변수로서 정렬의 방향을 조정할 수 있음(-1은 기본값으로 마지막 축) pandas.Series.autocorr(lag=1) lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산 B scipy.stats.bernoulli(x, p) 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 p: 단일 시행에서의 확률 scipy.stats.binom(x, n, p) 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 n: 총 시행횟수 p: 단일 시행에서의 확률 C scipy.stats.chi2.pdf(x, df, loc=0, scale=1) 카이제곱분포의 확률밀도함수를 계산 $$f(x, k) =\frac{1}{2^{\frac{k}{2}−1}Γ(\frac{k}{2})}x^{k−1}\exp\left(−\frac{x^2}{2}\right)$$ x: 확률변수 df: 자유도 pd.concat(objs, axis=0, join=’outer’, …) 두 개이상의 객체를 결합한 새로운 객체를 반환. objs: Series, DataFrame 객체. Axis=0은 행단위 즉, 열 방향으로 결합, Axis=1은 열단위 즉, 행 방향으
매개변수 color를 사용합니다.
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x=np.arange(4)
>>> y=np.random.randint(0, 10, size=8).reshape(4,2)
>>> plt.barh(x, y[:,0], color="r")
>>> plt.barh(x, -y[:,1], color="b")
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x=np.arange(4)
>>> y=np.random.randint(0, 10, size=8).reshape(4,2)
>>> plt.barh(x, y[:,0], color="r")
>>> plt.barh(x, -y[:,1], color="b")
>>> plt.barh(x, y[:,0], color="k", edgecolor='r')
>>> plt.barh(x, -y[:,1], color="w", edgecolor='b')
다음은 여러개의 막대그래프를 색의 농도에 의해 구별해 봅니다.
>>> col=[str(i) for i in np.abs(np.random.randint(100, size=100))/100]
>>> plt.bar(np.arange(100), np.random.randint(100, size=100), color=col)
위 그래프에서 col을 정렬하여 나타냅니다.
>>> plt.bar(np.arange(100), np.random.randint(100, size=100), color=np.sort(col))
댓글
댓글 쓰기