기본 콘텐츠로 건너뛰기

통계관련 함수와 메서드 사전

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

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기

대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다.

sympy.solvers.solve(f, *symbols, **flags)
  • f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산
  • f : 식 또는 함수
  • symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식)
  • flags: 계산 또는 결과의 방식을 지정하기 위한 인수들
    • dict=True: {x:3, y:1}같이 사전형식, 기본값 = False
    • set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False
    • ratioal=True : 실수를 유리수로 반환, 기본값 = False
    • positive=True: 해들 중에 양수만을 반환, 기본값 = False


$x^2=1$의 해를 결정합니다.

solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$
import numpy as np
from sympy import *
x = symbols('x')
solve(x**2-1, x)
[-1, 1]
위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$


$x^4=1$의 해를 결정합니다.

solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다.
eq=x**4-1
solve(eq, set=True)
([x], {(-1,), (-I,), (1,), (I,)})
위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수해만을 고려하기 위해서는 변수를 정의할 때 그 변수의 범위를 지정합니다.
다음 코드는 변수 x를 실수로 지정하기 위해 real=True 인수를 전달하였습니다.
x=symbols('x', real=True)
eq=x**4-1
solve(eq, set=True)
([x], {(-1,), (1,)})


함수 $y=\frac{x+4}{2x-5}$의 해를 결정합니다.

solve((x+4)/(2*x-5), x)
[-4]
solve() 함수는 부등식의 경우에도 적용할 수 있습니다. 예를 들어 $x^2 \lt 3$의 해를 결정합니다.
solve(x**2 < 3)
$\quad\color{navy}{\scriptstyle - \sqrt{3} \lt x \wedge x \lt \sqrt{3}}$

두 식 이상으로 구성된 연립방정식에 solve()를 적용할 경우 전달하는 식들은 list형식으로 입력합니다. 다음의 경우는 결과를 사전 형식으로 반환합니다.


다음 방정식의 해를 결정합니다. $$\begin{aligned}&2y+7x=-5\\&5y-7x=12\end{aligned}$$

x, y=symbols('x y', real=True)
eq1=2*y+7*x+5
eq2=5*y-7*x-12
sol=solve([eq1, eq2], x, y, dict=True);sol
[{x: -1, y: 1}]
위 결과의 각 요소는 다음과 같이 호출할 수 있습니다.
sol[0][x], sol[0][y]
(-1, 1)
다음은 위 예의 해를 set형으로 지정한 것으로 각 변수에 대응하는 값은 분리하여 반환됩니다.
sol1=solve([eq1, eq2], x, y, set=True);sol1
([x, y], {(-1, 1)})
solveset(식, 변수, 범위)
식의 해를 계산하는 과정에서 범위를 지정할 수 있습니다.
th =symbols('theta')
k=4*cos(th)-3; th
$\quad\color{navy}{\scriptstyle \theta}$
sol=solveset(k, th, Interval(-8, 10)); sol
$\quad\color{navy}{\scriptstyle \left\{- 2 \pi - \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)}, - 2 \pi + \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)}, - \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)} + 2 \pi, \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)} + 2 \pi, - \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)}, \operatorname{atan}{\left(\frac{\sqrt{7}}{3} \right)}\right\}}$
sol.evalf(3)
$\quad\color{navy}{\scriptstyle \left\{-7.01, -5.56, -0.723, 0.723, 5.56, 7.01\right\}}$

댓글

이 블로그의 인기 게시물

matplotlib의 그래프 종류

1. 산포도(scatter plot) plt.scatter(x, y) >>> import matplotlib.pyplot as plt >>> import numpy as np >>> data=np.random.rand(1024, 2) >>> data[:3, :] >>> plt.scatter(data[:,0], data[:,1]) >>> plt.show() 2. 막대그래프(bar chart) plt.bar(x, hight, width, align='center') 매개변수중 width에 인수를 전달하여 막대의 두께를 조절할 수 있다. 또한 align의 인수는 'center'와 'edge' 이다. 기본값은 'center'이다. 이 값은 x축의 레이블이 막대의 중간에 위치(center) 또는 왼쪽 가장자리에 위치(edge)시킨다. 코드에서 np.random.randint 는 특정한 범위내에서 지정한 갯수의 랜덤수를 생성 np.unique(배열, retrun_counts=False, axis=None) : 객체 내의 중복되지 않은 수들을 반환한다. return_counts=True이면 각 수에 대한 빈도수를 반환한다. axis를 통해 행(1), 열(0)을 선택한다. >>> x=np.random.randint(1, 6, size=100) >>> uni,count=np.unique(x, return_counts=True) >>> uni array([1, 2, 3, 4, 5]) >>> count array([25, 17, 23, 16, 19], dtype=int64) >>> plt.bar(uni, count) >>> plt.show() 위의 막대그래프의 막대의

유사변환과 대각화

내용 유사변환 유사행렬의 특성 대각화(Diagonalization) 유사변환(Similarity transformation) 유사변환 n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사하다고 하며 이 변환을 유사 변환 (similarity transformation)이라고 합니다. $$\begin{equation}\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B \end{equation}$$ 식 1의 유사 변환은 다음과 같이 고유값을 적용하여 특성 방정식 형태로 정리할 수 있습니다. $$\begin{align} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align}$$ 위 식의 행렬식은 다음과 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)\\ &= \t