기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

R apply, lapply, sapply 그리고 tapply함수

Applying functions

자료에서 원자별, 그룹별로 함수등을 적용할 경우 apply 계열의 함수를 사용합니다. 예를 들어 행렬, 배열, 데이터 프레임의 지정된 차원에 함수를 적용하거나 리스트의 각 인덱스별로 함수등을 적용할 경우 control 문을 대신하여 사용합니다. 이 계열의 함수들의 기본 목적은 같지만 입력과 출력의 데이터 형태에서 차이를 보입니다.
apply(x, margin, Fun, ...)
margin: 차원인덱스, Fun: 적용할 함수
입력: array, dataframe, 출력: vector, list, array
lapply(x, Fun, ...)
입력: list, vector, dataframe, 출력: list
sapply(x, Fun, ...)
입력: list, vector, dataframe, 출력: vector, array
lapply()와 동일하지만 벡터나 배열을 출력
tapply(x, index, Fun, ...)
index: factor를 포함한 list
입력: list, vector, factor, dataframe, 출력: vector, array
set.seed(10)
da<-round(matrix(runif(24), 6, 4), 3)
colnames(da)<-c('one', 'two', 'three', 'four')
rownames(da)<-paste('case', 1:6, sep=' ')
head(da, 2)
         one   two three  four
case 1 0.507 0.275 0.114 0.399
case 2 0.307 0.272 0.596 0.836
행기준의 평균
apply(da, 1, mean)
 case 1  case 2  case 3  case 4  case 5  case 6
0.32375 0.50275 0.56650 0.54175 0.39100 0.35325
열기준의 평균
apply(da, 2, mean)
      one       two     three      four
0.3740000 0.4688333 0.3021667 0.6410000
열기준으로 최대와 최소 20%를 절삭하는 trim mean을 계산합니다.
apply(da, 2, mean, trim=0.2)
    one     two   three    four
0.36650 0.47225 0.29125 0.65625
다음 객체는 학생들의 이름으로 구성된 벡터로 각 학생의 fistname만으로 구성된 객체를 생성합니다.
Student <- c("John Davis", "Angela Williams", "Bullwinkle Moose",
 "David Jones", "Janice Markhammer", "Cheryl Cushing",
 "Reuven Ytzrhak", "Greg Knox", "Joel England",
 "Mary Rayburn")
 name<-strsplit(Student, ' ')
[[1]]
[1] "John"  "Davis"

[[2]]
[1] "Angela"   "Williams"
⋮
[[10]]
[1] "Mary"    "Rayburn"
fNameL<-lapply(name, '[', 1); fNameL
[[1]]
[1] "John"
⋮
[[10]]
[1] "Mary"
위 함수에 적용된 '['는 객체의 부분을 분취하기 위한 함수입니다. 위 객체는 list이므로 unlist() 함수를 사용하여 vector로 전환할 수 있습니다.
fNameV<-unlist(fNameL); fNameV
[1] "John"       "Angela"     "Bullwinkle" "David"      "Janice"    
 [6] "Cheryl"     "Reuven"     "Greg"       "Joel"       "Mary"
위의 lapply() 적용 결과를 벡터로 전환하는 과정은 sapply()함수를 사용하는 것으로 생략할 수 있습니다.
sapply(name, '[', 1)
[1] "John"       "Angela"     "Bullwinkle" "David"      "Janice"
 [6] "Cheryl"     "Reuven"     "Greg"       "Joel"       "Mary" 
lapply(), sapply()함수를 dataframe에 적용할 경우 열기준으로 작동됩니다. 위의 데이터 da를 dataframe 형식으로 전환하여 두 함수를 적용한 결과는 다음과 같습니다.
daf<-as.data.frame(da); daf
         one   two three  four
case 1 0.507 0.275 0.114 0.399
…
lapply(daf, mean)
$one
[1] 0.374

$two
[1] 0.4688333
⋮
sapply(daf, sd)
      one       two     three      four 
0.2156247 0.1690354 0.2024791 0.2220910
tapply()는 벡터의 각 요인 변수에 대한 측정값(평균, 중앙값, 최소값, 최대값 등) 또는 함수를 계산합니다. 벡터의 하위 집합을 만든 다음 각 하위 집합에 일부 기능을 적용할 수 있는 매우 유용한 기능입니다.
data(iris)
head(iris)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa
이 자료의 구조는 dataframe이지만 각 열 자료는 다음의 형태를 가집니다.
sapply(iris, class)
 Sepal.Length  Sepal.Width Petal.Length  Petal.Width      Species 
   "numeric"    "numeric"    "numeric"    "numeric"     "factor" 
위 결과와 같이 Species 열은 factor이므로 levels() 함수를 사용하여 고유값을 확인할 수 있습니다.
levels(iris$Species)
 [1] "setosa"     "versicolor" "virginica"
위 결과는 중복값을 제거하고 고유값만을 반환하는 unique()함수를 사용할 수 있습니다. 이 함수의 결과는 factor 형입니다.
unique(iris$Species)
 [1] setosa     versicolor virginica 
Levels: setosa versicolor virginica
자료 iris에서 Sepal.Length를 Species의 각 수준(level)로 그룹화하여 각 그룹의 평균들 계산합니다. 이 계산은 tapply()함수를 적용합니다.
with(iris, {
+     meanLen<<-tapply(Sepal.Length, Species, mean)
+ })
meanLen
 setosa versicolor  virginica
    5.006      5.936      6.588

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...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...