기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[numpy] 함수의 인자 axis에 대해

함수의 인자 axis

파이썬 패키지인 numpy는 1차원 벡터들을 기반으로 2, 3차원 등의 다양한 차원의 기반이 되는 배열(array)를 생성합니다. 그러므로 그들의 모양과 연산에 관련된 함수들의 인수 중에 axis를 포함합니다. 이 인수 axis는 값들이 나열 되는 축의 인덱스를 의미합니다. 즉, 다음의 1차원 벡터를 나타내기 위해서는 1개의 축만이 필요합니다.

np.random.seed(1)
x=np.random.randint(0, 10, size=3)
print(x)
[5 8 9]
print(f"x의 모양: {x.shape}\nx의 차원: {x.ndim}") 
x의 모양: (3,)
x의 차원: 1

위 객체 x의 모양은 1개의 숫자로 표현됩니다. 이것은 1개의 축위에 x의 값들을 나열할 수 있음을 나타내는 것으로 축 인덱스는 0만 존재합니다.

인덱스는 0부터 시작하는 음이 아닌 정수입니다. 다음 객체 X는 2차원

다음 객체 X는 2차원으로 모양을 나타내기 위해 2개의 수가 필요합니다. 즉, 두개의 축이 필요함을 의미하는 것으로 축 인덱스는 0과 1이 됩니다.

np.random.seed(1)
X=np.random.randint(0, 10, size=(3,4))
print(X)
[[5 8 9 5]
 [0 0 1 7]
 [6 9 2 4]]
print(f"X의 모양: {X.shape}\nX의 차원: {X.ndim}") 
X의 모양: (3, 4)
X의 차원: 2

객체 X의 각 요소의 합을 계산하기 위해 함수 np.sum(객체, axis=None)을 사용합니다. 이 함수의 인수 axis는 축 인덱스를 지정하는 것으로 기본값은 None입니다. 이 경우 축을 무시하고 모든 요소의 합을 나타냅니다.

np.sum(X)
56

axis=0인 경우 객체 X의 축 인덱스 0에서 다른 값들의 합을 계산합니다.

축인덱스: 1  ↓
행/열 인덱스01231 축 합
축인덱스:0
→
05895 19
10017 10
26924 11
0축 합11 17 12 16 56
  • axis=0인 경우 3개의 하위인덱스가 존재하고 다른 인덱스의 값들 합: [5 + 0 + 6, 8 + 0 + 9, 9 + 1 + 2, 5 + 7 + 4]
  • axis=1인 경우 4개의 하위인덱스가 존재하고 다른 인덱스의 값들 합: [5 + 0 + 6, 8 + 0 + 9, 9 + 1 + 2, 5 + 7 + 4]
np.sum(X, axis=0)
array([11, 17, 12, 16])
np.sum(X, axis=1)
array([27,  8, 21])

두 배열 객체를 결합하기 위해 np.concatenate((x, y), axis=0) 함수를 적용합니다. 이 함수에서 인수 axis에 의한 차이를 알아봅니다.

np.random.seed(10)
Y=np.random.randint(0, 10, size=(3,4))
print(Y)
[[9 4 0 1]
 [9 0 1 8]
 [9 0 8 6]]

객체 X와 Y의 모양은 모두 3×4로서 축인덱스 0은 3개의 하위인덱스(행인덱스), 축인덱스 1은 4개의 하위인덱스(열인덱스)를 가집니다. 그러므로 axis=0인 경우 0축에 해당하는 인덱스의 합, axis=1인 경우는 1축에 해당하는 인덱스의 합 결과를 보입니다. 이 관계를 다음과 같이 나타낼 수 있습니다.

\begin{align}\text{axis}&=0\\\text{X.shape}\quad&\;{\color{red}3}\times 4\\ \text{Y.shape}\;\underline{+}&\underline{\;{\color{red}3}\times 4}\\ \text{XY}\quad&\;{\color{red}6}\times 4\\\\ \text{axis}&=1\\\text{X.shape}\quad&\;3\times {\color{red}4}\\ \text{Y.shape}\;\underline{+}&\underline{\;3\times {\color{red}4}}\\ \text{XY}\quad&\;3\times {\color{red}8} \end{align}
np.concatenate((X, Y), axis=0)
array([[5, 8, 9, 5],
       [0, 0, 1, 7],
       [6, 9, 2, 4],
       [9, 4, 0, 1],
       [9, 0, 1, 8],
       [9, 0, 8, 6]])
np.concatenate((X, Y), axis=1)
array([[5, 8, 9, 5, 9, 4, 0, 1],
       [0, 0, 1, 7, 9, 0, 1, 8],
       [6, 9, 2, 4, 9, 0, 8, 6]])

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 ...