기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis]중심척도: 평균(Mean)

중심척도

관련내용

평균(Mean)

연속형 변수의 경우 데이터 셋의 최빈값을 결정할 수 없습니다. 대신에 식 1과 같이 계산한 산술평균(average)을 중심의 척도로서 사용합니다. 일반적으로 산술평균을 평균(mean, μ)이라 합니다.

$$\mu=\frac{\sum^N_{i=0} x_i}{N}$$ (식 1)

식 1에서 N은 데이터의 총수, x는 데이터 값을 나타냅니다.

예를 들어 다음은 한 학생의 1, 2학기의 중간과 기말의 등급은 [6, 8, 9, 5]입니다.이들의 평균을 계산하면 식 2와 같습니다.

μ = 6 + 8 + 9 + 5(식 2)
4

평균은 다음 코드와 같이 반복문을 사용하여 계산할 수 있지만 python의 다양한 패키지에서 제공하는 평균 산출을 위한 함수나 메소드를 사용할 수 있습니다. 다음 코드는 np.mean() 함수를 적용한 결과입니다.

  • id="npMean"> numpy.mean(x, axis=none, skipna=na)
    • 객체 x는 numpy array 형
    • 지정한 축을 기준으로 산술평균을 계산 (= x.mean(axis=none))
      x.mean()의 경우 객체 x는 array, pandas 자료형인 DataFrame, Series 형 모두 가능
    • axis: 연산 기준 축 지정, axis: 0(기본값, 열평균), 1(행평균)
    • 자료가 결측치를 포함할 경우 처리 방식을 인자 skipna에 지정하며 기본값은 결측치를 무시합니다.
grade=[6, 8, 9, 5]
total=0
for i in grade:
    total +=i
total
28
mu=total/len(grade); mu
7.0
np.mean(grade)
7.0

예)

다음의 빈도표로부터 평균을 계산합니다.

값 빈도
2 4
5 8
8 6

각 값의 빈도수가 제시된 것으로 데이터 셋에서 그 값의 총합은 값·빈도 가 됩니다. 평균은 식 3와 같이계산됩니다.

μ = 2·4 + 5·8 + 8·6(식 3)
4 + 8 + 6

값들의 수 또는 변수의 수가 많을 경우 행렬 연산을 적용하는 것이 보다 유용합니다. 다음 코드는 식 4와 같이 실행되는 행렬곱을 적용하기 위해 np.dot(x, y) 함수를 사용한 것입니다.

  • numpy.dot(x,y)
    • 객체 x와 y의 행렬곱 결과를 반환
$$\begin{bmatrix} x_1&x_2&\cdots&x_n\end{bmatrix} \begin{bmatrix}f_1\\f_2\\\vdots\\f_n \end{bmatrix}=x_1f_1+x_2f-2+\cdots+x_nf_n$$(식 4)
value=np.array([2, 5, 8])
frequency=np.array([[4],[8],[6]])
total=np.dot(value, frequency)
print(total)
[96]
mu=total/np.sum(frequency)
print(mu.round(2))
[5.33]

예)

평균이 15, 총합이 315인 경우 데이터 크기를 결정합니다.

조건에 따른 데이터의 크기는 식 1.2.2를 적용하여 식 1.2.6과 같이 결정합니다.

15 = 315(식 1.2.6)
n
→ n = 315
15
mu=15
total=315
n=total/mu
n
21.0

다음의 데이터 셋에는 다른 값들과 두드러진 차이를 보이는 값(들)을 포함할 수 있으며 이러한 값을 이상치(outlier)라고 합니다. 평균은 식 1에서 나타낸 것과 같이 모든 수의 합을 다룹니다. 그러므로 평균은 본질적으로 이러한 이상치에 매우 민감합니다.

np.random.seed(0)
data=np.random.randint(1, 5, 10)
print(data)
[1 4 2 1 4 4 4 4 2 4]
data.mean()
3.0
data1=np.append([100], [data[1:]])
print(data1)
[100   4   2   1   4   4   4   4   2   4]
data1.mean()
12.9
data1[1:].mean().round(3) #이상치를 제외한 평균
3.222

평균은 이상치 등의 조절과 함께 데이터 셋의 훌륭한 중심 위치정보를 제공하며 그 데이터의 대표값으로 사용할 수 있습니다. 특히 자료의 크기가 증가할수록 대표값으로 평균의 신뢰도는 증가합니다.

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 ...