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
Pandas 객체인 Series, DataFrame 형식의 객체는 다음 함수를 사용하여 sqlite에 저장 하고 읽을 수 있습니다. 이를 위해서는 SQlite와 python 참조 절차는 다음과 같습니다. 1) 저장할 DB로의 연결 con=sqlite3.connect("C:/~/stock.db") 2) 그 파일내에 모든 명렬을 실행할 커서를 생성 cur=con.cursor() 3) dataframe 객체를 연결된 db파일내에 저장하기 위해 다음 함수를 사용합니다. 객체명.to_sql('저장할 객체이름', con) 이 함수에 의해 저장된 객체는 연결된 db내에 테이블로 저장됩니다. 다음으로 두개의 테이블이 생성됩니다. sila.to_sql('silragen', con) dat['kospi'].to_sql('kospi', con) 4) 저장된 테이블을 보기 위해서는 다음 함수를 사용합니다. pd.read_sql("select * from 테이블 이름", con) 예) pd.read_sql("select * from silragen", con) pd.read_sql("select * from kospi", con) DataFrame.to_sql(name, con, schema = None , if_exists= 'fail' , index= True , index_label= None , chunksize= None , dtype= None ) name: 테이블 이름 con: connect 객체 schema : 미리 정해진 데이터 구조를 나타내는 것으로 sql의 타입을 나타냅니다. 기본값은 sqlite입니다. if_exists: 저장할 테이블이 존재하는 경우에 어떻게 대응할 지를 지정합니다. 인자값은 {'fail', 'replace', 'ap