기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[python] 주요 함수와 메서드

함수와 메소드

내용

A

statsmodels.tsa.stattools.acf(x, adjusted=False, nlags, qstats=False, alpha=None,...)

  • 매개변수 nlags에 지정한 시차까지의 자기상관계수를 반환
  • adjusted=True이면 자유도 (샘플수 - 설명변수의 수)를 고려
  • qstats=True이면 Ljung-Box q statistic 분석 즉, 자기상관=0 이라는 귀무가설을 검정하고 p-value를 반환
  • alpha를 지정하면 신뢰구간을 반환, 0.05 경우 95% 신뢰구간

statsmodels.ap.add_constant(설명변수)

  • 설명변수의 행렬에 모든 요소들이 1인 편차항을 포함시킵니다.
    • $$X=\begin{bmatrix}x_1\\x_2\\\vdots\\x_n\end{bmatrix} \rightarrow X0=\begin{bmatrix}1& x_1\\1& x_2\\\vdots\\1& x_n\end{bmatrix}$$

np.allclose(A, B, rtol = 1e−05, atol = 1e−08)

  • 객체 A, B의 모든 원소가 같으면 True, 그렇지 않으면 False를 반환
  • 각 원소값은 상대 임계값(rtol)과 절대 임계값(atol)을 기준
    • rtol과 atol의 기본값은 각각 소수점 이하 5자리 그리고 8자리까지 비교

scipy.stats.ansderson(x, dist="norm")

  • x: 배열 계열의 객체
  • dist: 다양한 분포를 지정할 수 있음(‘norm’, ‘expon’, ‘logistic’, ‘gumbel’…)
    • 기본은 nor(정규분포)
  • 임계값(critical_values), 유의 수준(significance_level, %), x가 지정된 분포에 부합하면 그 분포의 위치정보(평균과 분산) 등의 통계량 반환
    • signifcance_level에 대응하는 critical_values로서 5개의 값이 반환

statsmodels.ap.stats.anova_lm(model)

np.any(객체, axis=None, …)

  • 지정한 축에 True인 원소가 존재하면 True

np.arccos(x)

  • cos 값의 역수를 반환 (y=cos(x) → x=arccos(y))

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)

np.around(M, decimal=0)

  • 배열 객체 각 요소의 반올림을 실행
  • decimal은 반올림 자릿수를 지정하는 것으로서 0이 기본값

numpy.array(x, dtype=None, …)

  • x: 리스트 객체 예) [1,2,3], [[1,2],[3,4]]등
    • 객체의 대괄호 한 개는 행을, 그 내부에 포함된 값의 수는 열의 수를 의미
    • 단지 대괄호가 한개만 존재하면 벡터를 의미.
    • 시작하는 대괄호의 갯수는 차원을 나타냄. 예로서 [[1, 2], [3, 4]]의 차원은 2 × 2로 행과 열을 가진 2차원
  • dtype: 인수로 전달하는 값(들)의 자료형을 지정
    • 지정하지 않을 경우 입력한 형식으로 자동지정 됩니다.
    • 지정 예) float: 부동소수(실수)
    • 다른 자료형을 array로 전환할 경우 지정 필요

numpy.array(x, dtype=None, …)

  • x: 리스트 객체 예) [1,2,3], [[1,2],[3,4]]등
    • 객체의 대괄호 한 개는 행을, 그 내부에 포함된 값의 수는 열의 수를 의미
    • 단지 대괄호가 한개만 존재하면 벡터를 의미.
    • 시작하는 대괄호의 갯수는 차원을 나타냄. 예로서 [[1, 2], [3, 4]]의 차원은 2 × 2로 행과 열을 가진 2차원
  • dtype: 인수로 전달하는 값(들)의 자료형을 지정
    • 지정하지 않을 경우 입력한 형식으로 자동지정 됩니다.
    • 지정 예) float: 부동소수(실수)
    • 다른 자료형을 array로 전환할 경우 지정 필요

pandas.Series.autocorr(lag=1)

  • lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산

B

scipy.stats.bartlett(*samples)

  • 등분산성을 위한 Bartlett 검정을 실행
  • 두개 이상의 벡터(1 차원 numpy 객체)들을 인수로 전달
  • 통계량과 p-value를 반환

scipy.stats.bernoulli(x, p)

  • 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다.
  • x: 랜덤변수
  • p: 단일 시행에서의 확률

DataFrame.bfill()

  • 결측지를 그 직후 값으로 치환

sklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)

  • 매개변수 threshold에 지정한 값을 기준 데이터를 이분화하는 클래스
    • x ≤ threshold → 0
    • x > threshold → 1

scipy.stats.binom(x, n, p)

  • 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다.
  • x: 랜덤변수
  • n: 총 시행횟수
  • p: 단일 시행에서의 확률

C

np.random.choice(x, size=None, replace=True, p=None)

  • 주어진 수들(x)에서 무작위로 지정된 갯수(size)를 추출 합니다.
  • x: 1차원 객체 또는 정수 입니다. 만약 정수로 주어진다면 np.arange(정수)로 인식합니다. 즉, [0, 지정한 정수)의 범위에서 주어진 크기 만큼의 랜덤 샘플이 생성
  • replace: 추출의 방식을 지정. True는 복원이고 기본값입니다.
  • p: 객체의 각 값에 확률을 부여하기 위한 매개변수

식.coeff(변수, 차수)

  • 식(sympy 객체)으로부터 지정한 변수와 차수에 대응하는 계수를 반환.

collect(eq, variable)

  • 지정한 변수의 차수를 기준으로 식을 정렬하는 sympy 함수

x1.column_join(x2)

  • 객체 x1과 x2를 열의 방향으로 결합

M.columnspace()

  • 행렬 M의 열공간을 반환

scipy.special.comb(n,k)

  • n개 중에서 중복없이 순서를 고려하지 않고 k개를 선택하는 경우의 수 (조합)

itertools.combiations(x, r)

  • iterable 객체 x(확률변수)에 대해 지정한 수(r)만큼 선택한 조합의 모든 경우를 반환
  • iterable는 리스트, 튜플 형과 같이 각 요소의 순서에 맞게 호출할 수 있는 객체입니다.
  • x의 길이 = n → 0 ≤ r ≤ n
  • r > n 일 경우 itertools.combinations_with_replacement(x, r)을 사용

statsmodels.stats.weightstats.CompareMeans(d1, d2)

  • 두 샘플의 평균을 비교하는 클래스
  • 데이터 d1, d2는 DescrStatsW의 인스턴스
  • 다음의 속성을 가짐
    • std_meandiff_pooledvar: 등분산을 가정하는 경우의 표준오차
    • std_meandiff_separatevar: 이분산을 가정하는 경우의 표준오차
  • summary(), .ttest_int(), .ztest_int()등의 다양한 메서드를 포함

pandas.concat([x, y, ...], aixs=0, join='outer', ...)

  • 두개 이상의 pandas 객체(DataFrame, Series)를 결합
  • axis=0은 행단위로, 1은 열단위로 결합
  • join은 결합방식을 지정하는 매개변수로서 'outer'은 모든 행 또는 열을 결합, 'inner'는 같은 행이름 또는 열이름만 결합

np.concatenate((a,b,c,…), axis=0)

  • 여러 배열 객체들을 결합한 새로운 객체를 생성
  • axis: 결합에 기준이 되는 축 지정
    • 0:열방향(기본값)
    • 1:행방향

np.cos(rad)

  • radian 값에 대응하는 cosin 값을 반환

stats.chi2_contingency(obs, correction=True, …)

  • 교차표의 변수들 독립성에 대한 χ2 검정 결과를 반환
  • obs: 교차표
  • 자유도가 1이고 correction=True 이면 연속성에 대한 Yate’s correction을 실행
  • χ2 통계량, p-value, dof (자유도), 기대값을 반환

DataFrame.corr(method=”pearson” )

  • 객체의 상관행렬을 반환
  • np.corrcoef(x, y=None, rowvar=True, ddof)와 같음, 객체 x만 전달할 경우 rowvar 인수를 이용하여 변수가 행단위(기본) 또는 열단위인지를 지정합니다.
  • scipy.stats.pearsonr(x,y), 두 객체를 전달하여 피어슨 상관계수와 p-Value를 반환

DataFrame.cov(ddof=1)

  • 객체의 공분산행렬을 반환
  • ddof는 자유도를 계산하기 위해 표본수에서 제외되는 수를 나타냄
  • np.cov(배열객체, rowvar=True, ddof=None,...)와 같음
    • rowvar = True → 행이 변수
    • rowvar = False → 열이 변수

np.cross(x,y)

  • 벡터 x, y사이에 외적 (cross product)를 반환
  • 벡터 x, y는 행벡터이어야 합니다.

pd.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfrunc="mean", margins=False, margins_name= 'All', dropna= True, normalize=False)

  • 두 개 (또는 그 이상)의 요인(factor)에 대한 교차표를 작성합니다.
  • index, columns : 각각 행과 열에서 그룹화 할 값
  • index와 columns에 대응하는 values를 aggfunc에 지정한 계산을 시행
    alues의 지정은 aggfunc의 지정과 함께 하여야 함
  • rownames, colnames: 표의 행과 열의 이름
  • margins=True → 행합과 열합을 마지막 행과 열에 첨부, 그 행과 열의 이름은 margins_name으로 지정할 수 있음
  • dropna=True이면 NA 값은 삭제. 행과 열의 수가 일치하지 않을 경우는 False를 선택 즉, 행과 열의 수가 일치하지 않을 경우 True이면 행 기준의 합과 열의 합 사이에 불일치가 발생
  • 값들의 정규화의 여부를 지정. 이 인수에 전달 할 수 있는 인수값은 다음과 같습니다.
    • normalize=True or all 이면 각 값은 총합으로 나눈 값을 반환
    • normalize=index, 각 행에 대해 정규화
    • normalize=column, 각 열에 대해 정규화

np.cumsum(x, axis=None)

  • 객체 x의 누적합을 반환합니다.
  • 2차원 이상의 객체에서 계산의 기준이 되는 축(axis)을 지정할 수 있습니다. 지정하지 않을 경우 1차원으로 자동 변환하여 누적합을 반환합니다.

pd.cut(x, bins, right=True, labels=None, retbins=False, ...)

  • 1차원 배열의 각 값을 지정한 구간(bins)에 대응하는 구간(계급)을 반환합니다.
  • 연속형 변수를 범주형 변수로 변환할 경우 유용합니다.
  • x : 1차원 배열 객체
  • bins: 계급(class) 구간의 갯수를 나타내는 정수 또는 명시적으로 구간을 구분하기 위한 리스트 객체
  • right = Ture → (a, b] · right = False → [a, b)
  • label: 각 계급 구간에 대한 이름을 지정. 그러므로 bins의 수와 같아야 함
  • retbins: bins을 정수로 전달 할 경우 각 계급(class)의 구간을 반환

B

scipy.stats.bartlett(*samples)

  • 등분산성을 위한 Bartlett 검정을 실행
  • 두개 이상의 벡터(1 차원 numpy 객체)들을 인수로 전달
  • 통계량과 p-value를 반환

scipy.stats.bernoulli(x, p)

  • 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다.
  • x: 랜덤변수
  • p: 단일 시행에서의 확률

DataFrame.bfill()

  • 결측지를 그 직후 값으로 치환

sklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)

  • 매개변수 threshold에 지정한 값을 기준 데이터를 이분화하는 클래스
    • x ≤ threshold → 0
    • x > threshold → 1

scipy.stats.binom(x, n, p)

  • 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다.
  • x: 랜덤변수
  • n: 총 시행횟수
  • p: 단일 시행에서의 확률

D

pd.DataFrame(객체, index, columns)

  • 객체는 리스트, 사전 형태 등
  • index: 행이름
  • columns: 열이름
  • 함수에서 직접적으로 행과 열이름을 전달할 수 있지만 DataFrame 객체를 생성한 후 다음과 같이 행과 열 이름을 지정할 수 있습니다.
    • DataFrame객체.index: 행이름 지정
    • DataFrame객체.columns: 열이름 지정
  • .values 속성을 사용하여 객체의 값만을 추출하여 numpy 배열형을 변환

FinanceDataReader.DataReader(symbol, start=None, end=None, country=None)

  • python의 라이브러리인 FinanceDataReader를 사용하여 웹을 통해 다양한 금융 데이터를 호출하여 사용할 수 있으며 이 데이터의 기본 구조는 pandas.DataFrame 구조로서 여러 메소드나 함수를 적용하기에 적합니다.
  • 함수 DataReader()는 다음을 반환
    • 코드(symbol)에 대응하는 가격 데이터를 호출
    • 시작 날짜만 입력하면 현재까지의 자료를 호출

pd객체.day_name

  • pandas 객체의 성분 중 요일을 이름으로 반환하는 속성

pd객체.dayofweek

  • 객체내에서 표시된 요일을 정수로 반환하는 속성
  • 0=월요일, 6=일요일

np.deg2rad(θ)

  • θ값을 radian값으로 변환(=np.radians(θ))

pd객체.describe()

  • 객체(데이터)의 크기, 평균 등의 기술 통계량을 나타냅니다.

statsmodels.stats.weightstates.DescrStatsW(data, weights=None, ddof=0)

  • 샘플 각각에 대한 기술통계량과 검정을 실시하는 위한 클래스
  • data: 1차원, 2차원 배열로 여러 열을 가진 자료
  • mean, std, corcoef, cov등의 속성을 포함
  • ttest_mean(), tconfint_mean(), ztest_mean, zconfint_mean() 등의 다양한 메서드를 포함

scipy.stats.describe(x)

  • 배열 객체 x에 대한 기술 통계량을 반환합니다.
  • pd객체.describe()에서 반환하는 통계량 종류와 약간 차이를 보입니다.

la.det(M)

  • 행렬 M의 행렬식을 계산

np.diag(values) or np.diag(M, k=0)

  • 인수 values: 지정한 값들이 대각원소가 되는 대각행렬을 생성.
  • 인수 k
    • 지정된 k에 따른 행렬(M)의 대각 원소를 반환
    • k는 행렬에서 반환할 대각의 위치를 지정
      • k = 0 : 주(main) 대각선(기본값)
      • k > 0 인 정수 : 주 대각선을 기준으로 위쪽으로 이동
      • k < 0 인 정수 : 주 대각선을 기준으로 아래쪽으로 이동

sympy.diff(x, variable, count=1), x.diff(variable, count=1)

  • x: sympy 객체로서 식(equation)
  • 미분의 기준이 되는 변수(variable)를 지정
  • 미분의 차수(count)를 지정하여 고차미분을 실행, 기본값은 1

np.digitize(x, bin)

  • 연속형 자료에 대한 그룹화 결과를 반환
  • x: numpy 객체
  • bin: 그룹의 상한과 하한의 되는 기준 객체입니다.
    • bin=[0, 1, 2] 일 경우 그 그룹화 범위는 0 < x ≤ 1, 1 < x ≤ 2이 됩니다.
    • bin = 6 → 6개의 소그룹이 생성

sympy객체.doit()

  • sympy.integral와 같은 함수는 적분된 식의 형태를 반환합니다. 즉, 최종적인 평가가 이루어지지 않습니다. 이와 같이 평가되지 않은 상태로 반환되는 객체를 평가하기 위해 사용되는 함수입니다.

numpy.dot(x,y)

  • 객체 x와 y의 행렬곱 결과를 반환
  • 연산자 "@"와 같음: a@b

DataFrame.drop(labels=None, axis=0, …)

  • DataFrame객체에 행 또는 열을 삭제
  • labels: 행 또는 열 이름
  • axis= 0: 행 삭제, axis = 1: 열 삭제

DataFrame.dropna(axis=0, how='any', …)

  • DataFrame객체에 NaN가 포함된 행 또는 열을 삭제
  • axis= 0: 행 삭제, axis = 1: 열 삭제
  • how:'any', 'all'
    • any: 한 개 이상의 NaN이 존재하는 행 또는 열을 삭제하기
    • all: 행 또는 열의 모든 값이 NaN일 경우 삭제

statsmodels.stats.stattools.durbin_watson(resids, axis=0)

  • Durbin_Watson 통계량을 계산
  • 1차원 이상의 객체일 경우 기준 축을 지정

E

numpy.linalg.eig(x)

  • numpy array 형인 x에 대해 고유값과 고유벡터를 계산
  • sympy 패키지의 .eigvals(), .eigvects() 메소드는 각각 고유값과 고유벡터를 반환

sklearn.linear_model.ElasticNet(alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, max_iter=1000, tol=0.0001, …)

  • elasticnet 회귀모델을 위한 클래스(elasticnet 회귀모형생성)
  • l1_ratio를 지정함으로서 l1 norm, l2 norm을 모두 적용할 수 있습니다. 기본값은 0.5
  • model=sklearn.linear_model.ElasticNet()
    • model.fit(x, y): 클래스에 적용될 설명변수, 종속변수를 전달하는 메서드
    • model.predict(x): 생성된 모형에 의한 추정값 산출하는 메서드
    • model.score(x, y): 결정계수(R2)을 반환하는 메서드
    • model.coef_: 모형의 회귀계수를 반환하는 속성
    • model.intercept_: 모형의 절편항를 반환하는 속성
    • 이외에도 다양한 메소드와 속성이 존재합니다.
  • ElasticNetCV() 클래스는 교차 평가(cross validation)에 의해 적절한 α와 l1 ratio를 결정하여 모델 생성
    • 클래스의 인수 cv에 의해 교차평가를 위한 그룹의 수를 지정
    • 인수 alpha에 비교할 α의 목록을 지정, 지정하지 않은 경우 자동으로 결정

sympy.Eq(x, y)

  • 식을 나타내는 두 인수 x, y로부터 x = y가 성립하는 새로운 식을 반환

np.equal(a, b)

  • 배열 객체 a, b의 원소 단위로 같음을 판단

x.evalf(n), N(x, n)

  • x를 지정된 유효숫자(n)를 기준으로 반올림합니다.

sympy.exapnd(x)

  • 식 x를 전개된 형태로 반환

scipy.stats.expon(x, loc=0, scale=1)

  • 지수분포를 위한 클래스, f(x) = exp(−x)
  • loc = 0, scale = 1: 표준화된 분포
  • expon.pdf(y) ← y = (x − loc)/scale
  • 지수분포의 모수인 평균 발생률 λ로 부터 scale=1/λ이 성립

np.eye(# of row or column)

  • 배열 객체 a, b의 원소 단위로 같음을 판단

eye(n)

  • n차원의 항등행렬을 생성

F

sklearn.feature_selection.f_classif(X, y)

  • 자료의 ANOVA F-value를 계산
  • X: 설명변수, y: 반응변수
  • F 통계량, p-value를 반환

scipy.stats.f_oneway(x, y,…)

  • 인수 x, y, …는 1차원 벡터 또는 pandas.Series 형태의 단변수 자료.
  • 각 객체에 대한 일원분산분석의 결과인 F 검정통계량과 p-value를 반환

sympy.factor(식)

  • 식을 간단한 형태로 반환 즉, 분수의 경우 인수분해한 상태의 식을 반환

np.math.factorial(n)

  • numpy.math 모듈 함수
  • 양의 정수 n의 팩토리얼을 계산(=n!)

DataFrame.ffill()

  • 결측지를 그 직전의 값으로 치환

np객체.flatten()

  • 객체의 차원을 1차원으로 변환

scipy.stats.fligner(*samples, center='median', proportiontocut=0.05)

  • samples: 1차원 벡터들에 대한 등분산성을 위한 Flinger-Killeen 검정을 실시
  • center: 중심위치는 mean(평균), median(중간값), trimmed(절사평균) 중의 하나로 지정
  • 절사평균을 지정할 경우 절사할 비율을 매개변수 propotiontocut에서 지정

sklearn.feature_selection.f_regression(x, y, center=True)

  • x의 각 설명변수와 반응변수 y에 대해 생성되는 각 회귀 모형에서의 F 분석을 실행
  • 검정통계량의 F값과 유의확률(p-value)를 반환
  • 이 함수의 인수 중 y는 1차원 즉, 벡터이어야 합니다.

sympy.fps(f, x=None, x0=0, dir=1, …)

  • 함수 f의 급수를 공식화하여 나타냅니다.
  • x: 급수의 변수
  • x0: 시작점이며 기본값은 0
  • dir: 급수 전개의 방향을 나타내며 1 또는 '+'일 경우 x0을 기준으로 오른쪽, -1 또는 '-'일 경우는 왼쪽으로 전개되는 식을 나타냄

G

scipy.speical.gamma(z)

  • 인수 z은 실수 또는 복소수이며 그 값에 대한 팩토리얼을 계산
    • app2_3

pandas.get_dummies(x, prefix=None, dummy_na=False, dtype=None)

  • 전달되는 데이터인 x는 1차원 Array, pandas Series, 그리고 DataFrame 모두 가능
  • 데이터의 고유값(unique value)에 대응하는 클래스를 생성하여 값에 적합한 클래스에 True, 나머지 클래스에 False를 할당(one-hot encoding)
    • True와 False로 표시가 기본값
    • 인수 dtype = "int": True → 1, False → 0
  • dummy_na = True: 데이터의 포함된 Na를 포함
  • pd.get_dummies(['A', 'A', 'C', 'C', 'B'])
    A B C
    0 True False False
    1 True False False
    2 False False True
    3 False False True
    4 False True False
    pd.get_dummies(['A', 'A', 'C', 'C', 'B'], dtype='int')
    A B C
    0 1 0 0
    1 1 0 0
    2 0 0 1
    3 0 0 1
    4 0 1 0
    y=pd.DataFrame([['A', 'A', 'C', 'C', 'B'],['B', 'A', 'C', 'A', 'B']])
    pd.get_dummies(y)
    0_A 0_B 1_A 2_C 3_A 3_C 4_B
    0 True False True True False True True
    1 False True True True True False True

DataFrame.groupby(by=None, axis=0, level=None, …, dropna=True)

  • 인수 by에 지정한 기준으로 데이터 프레임을 그룹화합니다.
  • by: mapping, function, label, or label들의 리스트를 인수로 전달하여 그룹화의 기준을 지정
    • 예) DataFrame.groupby("a").mean(): 인자 a에 의해 자료를 분류하고 그룹화된 값들의 평균을 반환합니다.
  • 이 함수에 의한 결과는 자료형이 지정되지 않은 상태이므로 확인을 위해서는 list()등을 적용하여 자료형을 지정해주어야 합니다. 이러한 방식의 평가를 게으른 평가(lazy estimation)이라고 합니다. 또는 반복문을 사용하여 이 결과의 각 구성물들을 확인할 수 있습니다.
  • 반환물의 구조와 속성은 dir() 함수를 사용하여 확인할 수 있습니다.

H

statsmodels.stats.diagnostic.het_breuschpagan(x, 설명변수, robust=True)

  • 회귀 모델에 의한 잔차(numpy 배열 객체)의 이분산성 검정을 실시
  • x는 다음의 잔차를 의미
    • error = y - model.predict
      residModel = error2 ~ explanatory variables
      x = residModel.resid
  • robust
    • True: 잔차의 정규성과 독립성을 가정
    • False: 잔차의 정규성만 가정
  • 라그랑주 승수 통계량, 라그랑주 승수 p-value, 잔차가 설명변수에 의존하지 않는다는 가설의 f 통계량, f 통계량에 대한 p-value를 반환

matplotlib.pyplot.hist(x, bins, density=False)

  • numpy.histogram(x, bins, density=False)와 동일하지만 이 함수는 그래프를 함께 반환합니다.

numpy.histogram(x, bins, density=False)

  • x: numpy 객체로서 2차원 이상의 객체일 경우 1차원으로 자동 변환
  • bins: 데이터를 그룹화하기 위한 클래스의 수 또는 각 그룹의 상한값과 하한값으로 구성한 객체
  • density: True일 경우, 빈도 대신 밀도가 반환
    • density = Frequency· n
      Number of bin
      n: data 크기
  • 위 식과 같이 밀도는 확률분포함수 그래프에서 (y의 길이)/(x의 길이)를 의미합니다. 그러므로 연속변수의 경우 한 지점에 대해 밀도를 특정할 수 없습니다. 대신에 연속변수를 몇 개의 구간으로 그룹화한 경우 밀도는 위의 식과 계산할 수 있습니다.

np.hstack((a, b, c,…))

  • 객체들을 행방향으로 결합 = np.c_[a, b, c,…]

I

DataFrame.insert(loc, column, value, allow_duplicates=False)

  • 지정한 위치(loc)에 데이터(열)를 삽입
  • loc: 삽입할 열 위치 (0, 1, 2, …)
  • column: 삽입할 열이름
  • value: 삽입할 열 데이터

sympy.integrate(식, 변수)

  • 식의 적분 계산
  • 부정 적분: 계산 결과에는 상수항이 생략되어 있음을 주의해야 합니다.
  • 정적분: integrate(식, (변수, 범위 하한, 범위 상한))
  • 1개 이상의 변수에 대한 다중 적분은 지정된 변수의 순서에 따라 적분이 실행됩니다.
    • integrate(식, 변수1, 변수2, ...)
    • integrate(식, (변수1, 범위 하한, 범위 상한), (변수2, 범위 하한, 범위 상한),...)
  • 미분의 Derivative()와 같이 최종적으로 Integral()함수는 평가되지 않은 적분의 형태를 반환합니다. 평가를 위해서는 .doit() 함수를 결합합니다.

numpy.linalg.inv(M)

  • M의 역행렬을 생성
  • scipy.linalg 모듈의 inv() 함수와 동일합니다.

scipy.stats.iqr(x, axis=none, rng=[25, 75])

  • x: numpy 객체
  • axis: 2차원이상의 객체의 경우 기준이 되는 축을 지정
  • rng: 사분위의 범위 계산의 기준을 지정하는 것으로 Q1, Q3가 기본값입니다.

numpy.isclose(a, b, rtol=1e-05)

  • 두 행렬의 각 요소의 같음, 다름을 True, False로 반환
  • 인수 rtol에서 지정한 위치까지의 숫자를 검사. 기본값은 소수점이하 5자리까지 검사

DataFrame.isna()

  • 값이 결측치이면 True, 아니면 False를 반환

Timestamp.isocalendar()

  • 연, 월, 일이 구성된 Timestamp 객체에서 년, 월 그리고 일을 분리하여 반환. day는 요일로 전환됨
    • 2021-1-1 → 2000, 1, 1
    • 일 :1:월요일 ∼ 7:일요일
  • Timestamp객체는 pandas의 DatetimeIndex 객체를 포함
  • 분리된 각 결과는 .year, .week, .day 속성을 사용하여 호출

J

scipy.stats.jarque_bera(x, axis=None, ...)

  • numpy 객체인 x에 대해 Jarque-Bera 정규성 검정을 실행
  • 검정통계량, p-value를 반환
  • statsmodels.stats.stattools.jarque_bera(x, axis=0)와 같음
    • 검정통계량, p-value, 왜도, 첨도를 반환

K

scipy.stats.kstest(x, cdf, args=(), N=20, alternative=’two-sided’, …)

  • Kolmogorov-Smirnov test를 수행
  • x: 1차원 데이터
  • cdf: 1차원 데이터 또는 문자열인 경우 scipy.stats에서 지원되는 함수의 이름
  • args: 분포(cdf)의 매개변수
  • N: 샘플 사이즈로 기본값은 20입니다.
  • alternative: 양측, 단측검정, 기본값은 양측검정
  • 검정통계량과 p-Value를 반환

scipy.stats.kurtosis(data, axis=0)

  • 지정한 축에 따라 자료의 첨도를 반환

L

sklearn.preprocessing.LabelBinarizer()

  • 라벨표시 행렬을 생성하는 클래스
  • fit() 메소드로 데이터를 클래스에 적합시킴
  • transform() 메소드로 이진화된 라벨표시 행렬을 반환
  • 속성 .class_으로 오름차순으로 정렬된 목록의 라벨을 확인

sklearn.preprocessing.LabelEncoder()

  • 각 변수의 인덱스를 사용하여 명목변수를 수치형으로 전환하는 클래스
  • x=sklearn.preprocessing.LabelEncoder()
    • x.fit(객체)
    • x.class : 오름차순으로 정렬한 클래스의 이름을 나타냄
    • x.transform(객체): 클래스의 인덱스를 반환, 인코딩
    • x.inverse_transform(변환된 객체): 원시데이터로 환원, 디코딩

sklearn.linear_model.Lasso(alpha=1.0, *, fit_intercept=True, normalize=False, max_iter=1000, tol=0.0001, …)

  • lasso 회귀모델을 위한 클래스(Lasso 회귀모형생성)
  • l1 norm을 적용합니다.
  • model=sklearn.linear_model.lasso()
    • model.fit(x, y): 클래스에 적용될 설명변수, 종속변수를 전달하는 메서드
    • model.predict(x): 생성된 모형에 의한 추정값 산출하는 메서드
    • model.score(x, y): 결정계수(R2)을 반환하는 메서드
    • model.coef_: 모형의 회귀계수를 반환하는 속성
    • model.intercept_: 모형의 편차를 반환하는 속성
    • 이외에도 다양한 메소드와 속성이 존재합니다.
  • LassoCV(alphas=, …) 클래스는 교차검증(cross-validation) 방법으로 적절한 α를 선정하여 lasso 모델을 생성
    • 클래스의 인수 cv에 의해 교차평가를 위한 그룹의 수를 지정
    • 인수 alpha에 비교할 α의 목록을 지정, 지정하지 않은 경우 자동으로 결정
  • LassoLarsIC(criterion="aic", …)
    • AIC 또는 BIC를 기준으로 모델을 선택
    • criterions_ 속성으로 조사하는 모델들의 AIC, 또는 BIC를 확인
    • 이 클래스에 생성되는 모델은 AIC, BIC의 최적값에 대응

scipy.stats.levene(*samples, center='median', proportiontocut=0.05)

  • samples: 1차원 벡터들에 대한 등분산성을 위한 Levene 검정을 실시
  • center: 중심위치는 mean(평균), median(중간값), trimmed(절사평균) 중의 하나로 지정
  • 절사평균을 지정할 경우 절사할 비율을 매개변수 propotiontocut에서 지정

sklearn.linear_model.LinearRegression()

  • 선형모형을 위한 클래스( 회귀모형생성)
  • 이 클래스의 메소드는 sklearn.linear_model.Lasso()와 같음

pandas.linspace(start, stop, size)

  • [start, stop) 범위에서 일정한 간격으로 지정한 크기(size)의 수들을 반환

scipy.linalg.linalg.lu(M)

  • 행렬 M의 LU 분해를 실시

M

DataFrame.mad(axis=none, skipna=na)

  • 지정한 축에 따라 평균 절대편차(mean absolute deviation)를 반환
  • axis: 연산 기준 축 지정
  • 자료가 결측치를 포함할 경우 처리 방식을 인자 skipna에 지정하며 기본값은 결측치를 무시합니다.

make_classification(n_samples, n_features, n_informative, n_redundant, n_repeated, random_state, …)

  • sklearn.datasets 클래의 함수
  • 분류용 가상 데이터를 생성
  • n_samples : 샘플의 수(행 수), 기본값 100
  • n_features : 특성(변수)의 수(열 수), 기본값 20
  • n_informative : 변수들 중 상관 관계가 있는 성분의 수, 기본값 2
  • n_redundant : 변수 중 다른 변수의 선형 조합으로 나타나는 성분의 수, 기본값 2
  • n_repeated : 독립 변수 중 단순 중복된 성분의 수, 기본값 0
  • n_classes : 변수의 클래스 수, 기본값 2
  • n_clusters_per_class : 클래스 당 클러스터의 수, 기본값 2
  • weights : 각 클래스에 할당된 표본 비율
  • random_state : 난수 발생 시드
  • 반환: X(셜명변수), y(반응변수)

make_Regression(n_samples, n_features, n_informative, n_redundant, n_repeated, …)

  • sklearn.datasets 클래의 함수
  • 회귀모델을 위한 가상 데이터를 생성
  • 함수의 인수들은 make_Classification 참조

DataFrame.mask(조건, other=None)

  • 객체내에 조건에 부합하는 값들을 other로 치환. other를 지정하지 않을 경우 조건에 부합하는 값은 NaN으로 치환.

np.max(x, axis=None)

  • 배열 객체 x에서 지정한 축에 따라 최대값을 반환
  • axis: None일 경우 1차원 벡터로 자동 변환 후 최대값 반환
  • array.max(axis), pd객체.max(axis)와 같음

sklearn.preprocessing.MaxAbsScaler()

  • 변수의 최대값의 절대값을 기준으로 각 데이터의 비를 계산
  • .fit() 메소드로 데이터에 적합시키고 .transform() 메소드로 데이터를 변형
  • .inverse_transform() 메소드를 사용하여 원 데이터로 환원
  • 다양한 속성이 있음

Matrix(x)

  • 객체 x를 행렬 등의 배열 객체로 변환
  • numpy 배열 객체의 경우 sympy의 행렬 객체로 변환

la.matrix_power(M, k)

  • 행렬 M 에 대해 Mk 를 계산

la.matrix_rank(M)

  • 행렬 M의 급수 (rank)를 반환

numpy.mean(x, axis=none, skipna=na)

  • 지정한 축을 기준으로 산술평균을 계산 (= x.mean(axis=none))
  • axis: 연산 기준 축 지정
  • 자료가 결측치를 포함할 경우 처리 방식을 인자 skipna에 지정하며 기본값은 결측치를 무시합니다.

x.mean(axis=0, skipna=True)

  • Pandas 객체 x(DataFrame, Series)의 지정한 축을 기준으로 산술평균을 계산
  • axis: 0(기본값, 열평균), 1(행평균)
  • 자료가 결측치를 포함할 경우 처리 방식을 인자 skipna에 지정하며 기본값은 결측치를 무시합니다.

sklearn.metrics.mean_absolute_error(y_true, y_pred, …)

  • 관찰값과 추정값(pred)에 대한 평균절대오차(mae)를 계산

sklearn.metrics.mean_squared_error(true, pred, squared=True, …)

  • 관측값과 추정값(pred)에 대한 평균제곱오차(mse)를 계산
  • squared=False 인 경우는 rmse(=mse0.5)를 반환
  • 이 함수는 자유도를 고려하지 않음, 즉 mse/샘플 수

numpy.median(x, axis=none, …)

  • 지정한 축을 기준으로 중간값을 반환

scipy.stats.median_abs_deviation(x, axis=0)

  • 지정한 축을 기준으로 절대 편차 중간값을 반환

pd.melt(DataFrame, id_vars, value_vars, var_names, value_name,...)

  • 자료(DataFrame)를 식별자 변수(id_vars)에 대응하는 측정 변수(value_vars)를 나타내는 형식으로 구조를 변환합니다.
  • df=pd.DataFrame({"A":["a1","a2","a3"], "B":["b1",'b2','b3'], 'c':[1,2,3],'d':[0.1,0.2,0.3]})
    df
  • A B cd
    0 a1 b1 1 0.1
    1 a2 b2 2 0.2
    2 a3 b3 3 0.3
  • pd.melt(df, id_vars=["A","B"], value_vars=["c","d"], var_name="varName", value_name="val")
  • A B varName val
    0 a1 b1 c 1.0
    1 a2 b2 c 2.0
    2 a3 b3 c 3.0
    3 a1 b1 d 0.1
    4 a2 b2 d 0.2
    5 a3 b3 d 0.3
  • id_vars: 분리의 기준이되는 변수(들)의 열이름
  • value_vars: id_vars의 각 변수에 대응하는 값들의 열이름
  • value_vars의 값들을 재구조화 합니다. 위의 경우 변수이름 c, d를 한 열에 나타내고 각각에 대응하는 값을 또다른 열에 나타냅니다. 각 열이름은 var_name, value_name으로 지정할 수 있음

np.min(x, axis=None)

  • 배열 객체 x에서 지정한 축에 따라 최소값을 반환
  • axis: None일 경우 1차원 벡터로 자동 변환후 최소값 반환
  • array.min(axis), pd객체.min(axis)과 같음

sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1))

  • 데이터를 행 단위로 다음과 같이 스케일 합니다. 다음의 첫번째 식은 데이터의 표준화를 위한 것으로 분모에 분산 대신 데이터의 범위를 사용한 것입니다.
    • Xstd = x − μ
      Xmax − Xmin
      Xscaled = Xstd(Xmax − Xmin) + Xmin
  • .fit() 메소드로 데이터에 적합시키고 .transform() 메소드로 데이터를 변형
  • .inverse_transform() 메소드를 사용하여 원 데이터로 환원
  • 다양한 속성이 있음

DataFrame.mode(axis=0, numeric_only=False, dropna=True)

  • 지정한 축을 따라 최빈값을 반환

scipy.stats.mode(x, axis=0, keepdims=True)

  • 객체 x의 지정한 축(axis)에 따라 최빈값(들)을 결정합니다.
  • x는 수치형으로 구성된 객체이어야 합니다.

sklearn.preprocessing.MultiLabelBinarizer()

  • 다중클래스 표시 행렬을 생성
  • .fit() 메소드로 데이터에 적합, .transform() 메소드로 데이터로부터 다중클래스 표시행렬을 생성

N

np.ndim()

  • np 객체인 arr의 차원 반환

la.norm(v, ord=None, axis=None)

  • 벡터 v의 norm을 계산
  • 인수 ord는 norm을 계산하는 방식을 지정하는 것으로 None=Frobenius Norm을 적용(참조)
  • axis: 벡터는 1개의 축을 가지지만 행렬 이상의 객체에서 여러 개의 축들로 표현됩니다. 그러므로 axis를 지정하여 배열 내에 포함되는 각 벡터의 놈을 계산
    • 행렬의 경우 행은 1, 열 0
    • axis 값에서 행이 제일 큰 값, 다음이 열의 순으로 정해짐
    • 예) 3차원 배열의 경우 축은 3개, axis = 2: 행, 1: 열, 0: 나머지 축으로 지정

sklearn.preprocession.Normalizer(norm="l2")

  • 데이터의 각 샘플이 단위벡터가 되도록 변환
  • 인수 norm에 l1, l2 또는 max
    • norm = "l1" → L1 정규화, x/(∑|x|)
    • norm = "l2" → L2 정규화, x/(∑x2)0.5
    • norm = "max" → x/(max|x|)
    • 기본값은 l2

M.nullspace(x)

  • 객체 M의 영공간(null space)을 반환

O

sympy.O()

  • O()(알파벳 문자 O)는 x = ∞를 나타내는 기호로서 컴퓨터 과학에서 사용하는 Big O notation 입니다.

sklearn.preprocessing.OneHotEncoder()

  • 특정한 값에 해당하는 인덱스에 1, 나머지는 0을 할당하는 방식으로 데이터 변환하는 클래스
  • 전달하는 인수는 2차원 이상의 배열 구조 이어야 합니다.
  • .fit(data): estimator 생성하는 메서드
  • .transform(data): 변환된 결과를 생성하는 메서드. 이 결과는 자료형이 지정되지 않은 상태로 .toarray() 메소드에 의해 array 형으로 전환한 후 나타냄
  • 위의 두 메소드를 결합하여 .fit_transform(data)로 처리할 수 있습니다.
  • .inverse_transforme(변환된 data): 원시데이터로 환원된 결과를 반환하는 메소드
  • .categories_ : data의 클래스(목록)를 즉, 각 변수의 고유값을 반환하는 속성

statsmodels.formula.api.ols("Y ∼ C(X)", data)

  • 회귀분석을 모형을 생성하는 클래스
  • Y:반응변수, X: 설명변수
  • ols() 함수에 전달되는 인수 중 명목변수는 C(변수이름) 함수를 적용하여야 합니다.
    • 인수: "반응변수 ~ 설명변수"의 형태의 식(formula)
    • 교호작용: "설명1*설명2*..." 형태의 식을 첨가
    • 절편항을 제거하기 위해서는 식(formula)에 '-1' 을 첨가합니다.
  • 이 모형을 지정한 data에 적용하기 위해서는 .fit() 메소드를 적용
  • 모든 결과는 .summary()메소드로 나타냄

statsmodels.api.OLS(Y, X)

  • 회귀분석을 모형을 생성하는 클래스
  • Y:반응변수, X: 독립(설명)변수
  • 이 모형을 지정한 data에 적용하기 위해서는 .fit() 메소드를 생성
  • 결과는 .summary()메소드로 나타냄
  • 생성된 모델의 이상치 분석을 위한 여러 기준들은 get_influence() 메소드로 확인
    • 이상치 기준의 모든 결과는 get_influence().summary_frame() 으로 확인 할 수 있음

sklearn.preprocessing.OrdinalEncoder(categories="auto")

  • 목록변수를 정수(배열형)로 인코딩하는 클래스
  • categories를 기본값(auto)으로 지정하면 고유값들을 올림차순으로 지정하고 각각에 대응하는 인덱스로 변환, 동일한 형태의 배열형태로 값을 지정하면 그 값에 대응하여 변환

statsmodels.stats.outliers_influence.outlier_test(model, method="bonf",...)

  • Bonferroni 방법으로 이상치를 결정합니다.
  • 이 함수의 인수는 분산분석 또는 회귀분석 모델입니다.
  • Studentized residuals, the unadjusted p-value, 그리고 Bonferroni 방법에 의해 수정된 corrected p-value을 반환
    • 이 수정된 p-value 값이 1이하 값이 되면 이상치로 결정할 수 있습니다.

P

sklearn.decomposition.PCA(n_components=None, ..., random_state=None)

  • 자료에 대한 특이값 분해(SVD)를 사용하여 주성분 분석을 실행합니다.
  • n_components: 산출하고자 하는 주성분의 수로 정수 입니다
  • 속성 components_, explained_variance_는 각각 자료의 고유벡터와 고유값을 나타냄
  • 속성 expalined_variance_ratio는 고유값들의 합 중에 각 고유값 비율을 반환
  • 속성 .mean_은 각 변수의 평균(=변수.mean(axis=0))

DataFrame.pct_change(period=1,...)

  • 열단위로 period로 지정한 간격에 위치한 값들 사이의 변화율 계산, period의 기본값은 1

scipy.stats.chi2.pdf(x, df, loc=0, scale=1)

  • 카이제곱분포의 확률밀도함수를 계산
    • app2_2
  • x: 확률변수
  • df: 자유도

scipy.stats.f.pdf(x, d1, d2, loc=0, scale=1)

  • F분포의 확률밀도함수 계산
  • d1: 분자의 자유도
  • d2: 분모의 자유도

scipy.stats.pearsonr(x, y)

  • 두 배열 객체 x, y의 피어슨 상관계수와 양쪽 검정의 결과인 p-value를 반환

scipy.special.perm(n,k)

  • n개 중에서 k개를 선택하는 경우의 수(순열) 계산

itertools.permuation(확률변수, r)

  • 모든 확률변수에서 r개를 선택하는 순열의 경우를 반환
  • 확률변수의 수= n → 0 ≤ r ≤ n

Piecewise((식, 조건),(식, 조건),...)

  • 변수의 조건에 따라 적용되는 식이 다른 조각 함수(piecewise function)를 계산
  • 결과 중 특정한 부분을 선택하기 위해 object.args[index]를 사용합니다. 그 선택된 결과 중 [0]은 함수, [1]은 조건만 선택됩니다.

pandas.pivot_table(df, values=None, index=None, columns=None, aggfunc='mean', margins=False, …)

  • df: dataframe 구조의 데이터
  • index 또는 column에 따라 value를 구분하여
  • DataFrame을 index(row)와 columns에 대응하는 value를 지정한 함수 aggfunc에 따라 계산
  • pd.crosstab() 유사하지만 이 함수는 values값들이 존재해야 합니다.
  • margins=True이면 각 열 또는 각 행의 합을 계산하여 margin 열 또는 행에 나타냄
    이 열 또는 행의 이름은 margins_name='All'로 지정, 기본값은 'All'

scipy.stats.nbinom.pmf(k, n, p)

  • 음이항분포의 확률질량함수
  • k: 실패수, n: 성공수, p: 성공확률
  • scipy.stats 참조

np.precentile()

np.place(x, cond, vals)

  • 객체 x에서 조건(cond)에 해당하는 부분을 지정한 값(vals)로 변환

matplotlib.pyplot.plot(x, y, linestyle, linewidth, color, marker, markersize...)

  • 선그래프와 산점도를 작성합니다.
  • x, y: x,y 축에 입력될 값들
  • linestyle: 선 종류
  • linewidth: 선 두께
  • color: 선 색
  • marker: 점을 표시하는 모양
  • markersize: marker의 크기
  • color와 marker 또는 선 종류는 "ro", "b+", "g-"와 같이 동시에 지정할 수 있습니다. 각각 red & circle, blue & +, green & dashed line을 의미합니다.
  • 기본적으로 선그래프를 나타내지만 marker 인자만을 전달 할 경우 산포도를 작성

print()

  • 결과를 출력하는 내장함수

print()

  • 코드의 결과를 모니터에 출력합니다. 이 함수에 의한 출력은 결과의 내용만을 나타냅니다. 다음의 이 함수를 사용하지 않은 경우와 비교해보면 명확해집니다.
    • a=np.array([3, 1])
      a
    • array([3, 1])
    • print(a)
    • [3 1]
  • sympy 객체는 다음과 같이 latex 방식으로 됩니다.
    • M=Matrix([[3, 1], [2, 4]])
      M
    • appEq1
    • 이 객체는 print()함수에 의해 다음과 같이 표현됩니다.
    • print(M)
    • Matrix([[3, 1], [2, 4]])
    • sympy 객체를 numpy.array 객체로 변환하여 print()함수에 의한 결과는 다음과 같습니다.
    • print(np.array(M))
    • [[3 1]
       [2 4]]

scipy.stats.probplot(x, sparams=(), dist='norm', fit=True, plot=None, rvalue=False)

  • 지정한 분포를 기준으로 데이터(x)의 QQplot을 작성.
  • x: 배열 형태의 객체
  • sparams: 지정한 분포의 모수(형태모수, location, scale)
  • dist: 분포의 형태를 지정. 기본값은 정규분포( norm)
  • fit: 최적합 회귀선
  • plot: 이 결과를 그래프로 나타내기 위해 사용할 모듈을 지정
  • rvalue: 회귀선의 결정계수(R2) 표현 여부
  • x 축(이론적 분위수), y축(올림차순으로 정렬된 표준화된 관찰값)을 튜플로 반환
  • 회귀선의 기울기, 절편(편차), 상관계수 r을 튜플로 반환

numpy.prod(x, axis=None)

  • x: 배열 객체
  • 지정한 축(axis)를 기준으로 x의 각 요소들의 곱을 계산

DataFrame.product(axis, …)

  • DataFrame 객체의 지정한 축(axis)을 기반으로 동일한 행 또는 열의 값들을 곱을 수행

itertools.product(객체, repeat=1)

  • 객체를 시행할 경우 모든 경우를 반환
  • 인수 repeat은 시행횟수를 지정하며 기본값은 1
  • 이 함수의 결과는 게으른 평가로 이루어지므로 결과에 대해 자료형을 지정해 주어야 함
    • x=[2,1,4]
      y=itertools.product(x, repeat=2)
      list(y)
      [(2, 2), (2, 1), (2, 4), (1, 2), (1, 1), (1, 4), (4, 2), (4, 1), (4, 4)]

Q

pandas.qcut(데이터, q, labels, retbins=False, &hellips;)

  • 데이터를 q에 따라 그룹화
  • 데이터: 1차원 배열 또는 Series
  • q(bins)는 데이터를 목록화하기 위한 기준값(들), 정수(구분구간을 표시) 또는 [0, 1]사이의 실수로 구분을 위한 벡분율 예)[0., .25, .5,.75, 1.]
  • labels는 각 그룹의 명칭
  • retbins=True 이면 bins, labels를 반환

la.qr(M)

  • 행렬 M의 QR 분해하여 Q, R을 튜플로 반환

scipy.integrate.quad(식, 변수)

  • 지정한 변수에 대해 식을 미분
  • 식은 lambda에 의해 정의한 함수
  • 미분한 결과와 오차범위를 반환

numpy.quantile(x, q, axis=none)

  • 지정된 축을 따라 데이터(x)의 q번째 분위수를 계산합니다.
  • q: [0, 1]사이의 값 또는 그 사이 값들로 구성된 리스트
    • 예로 4분위수의 경우 :0.25, 0.50, 0.75
  • axis: 2차원이상의 객체의 경우 기준이 되는 축을 지정
    • axis = 1 → 행
    • axis = 0 → 열
  • axis를 지정하지 않는 경우 객체를 1차원으로 인식하여 모든 값들에 대해 계산합니다.
  • np.precentile() 함수는 동일한 결과를 나타내지만 q는 [0, 100] 사이의 값 즉, 퍼센트입니다.
    • 예로 4분위수의 경우 :25, 50, 75

R

r2_score(y_ture, y_pred, …)

  • 회귀모델의 결정계수(R2)를 반환

numpy.random.randint(start, end, size)

  • 시작과 마지막의 구간을 지정하여 지정한 크기의 랜덤 정수를 생성

np.rad2deg(rad)

  • radian값을 θ로 변환

np.radians(θ)

  • θ를 radian값으로 변환

np.random.randint(start, end, size=())

  • a. [시작, 끝-1]의 범위에서 지정한 size의 랜덤수(정수)를 생성
  • size: 결과의 크기와 형태 지정
    • 정수 하나이면 결과를 리스트로 반환.
    • "(행의 수, 열의 수)"와 같이 튜플형식으로 지정할 경우 배열로 반환

Rational(x) 또는 Rational(분자, 분모)

  • 부동소수를 분수로 전환하여 반환하는 sympy 함수
  • 두개의 정수 즉, 분자와 분모를 전달하여 분수를 표현
  • 전달하는 인수를 문자형으로 전환하여 전달
    • Rational('5/3') , Rational(5, 3)
    • (5/3, 5/3)

numpy.ravel(x, order="C" )

  • 객체 x를 1차원 벡터로 변환
  • order는 변환하는 축의 방향을 지정하는 매개변수
    • "C"는 행우선
    • "F"는 열 우선
    • \begin{bmatrix}1&2\\3&4\end{bmatrix} \rightarrow \begin{cases} \text{'C'}: & [1,2,3,4]\\ \text{'F'}: & [1,3,2,4]\end{cases}

arr.reshape(# of row, # of column)

  • 원소의 수 = 행의 수 × 열의 수가 성립한다면 배열(벡터 또는 행렬)의 형태를 지정한 행과 열에 따라 재배열
  • 행 또는 열에 특정한 인수가 -1인 경우 다른 인수를 기준으로 차원이 변경됩니다.

sklearn.feature_selection.RFE(estimator, n_features_to_select=None, step=1, ...)

  • 회귀계수나 변수 중요도(상관계수의 절대값)등의 결정기준으로 모델 생성에 약한 영향을 주는 변수를 제거하는 클래스.
  • 이 과정은 지정한 설명변수의 수(n_features_to_select)에 도달 할 때까지 반복됩니다.
  • estimator: 모델을 생성하는 방법
  • n_features_to_select: 최종적으로 선택하는 설명변수의 수 none(기본값)일 경우 full model의 반을 선택
  • step: 정수일 경우 반복과정 당 제거할 변수의 수, [0,1]사이의 값이면 제거할 변수의 백분율을 의미
  • 속성 n_suppiort, n_ranking은 각각 설명변수의 선택여부를 True/False로 나타내고 영향정도의 순위를 나타냅니다.

sympy객체.removeO()

  • series()에 의한 급수 전개시 O() 즉, Big O notation으로 표현된 부분을 삭제합니다.

np.repeat(x, n, axis=None)

  • 객체 x내의 각 요소를 n번 반복
  • axis: x가 2차원 이상의 객체라면 기준이 되는 축을 지정
    • np.repeat([1,3], 3)
      array([1, 1, 1, 3, 3, 3])

DataFrame.replace(x, y, inplace=False, …)

  • 객체내에 포함된 x를 y로 치환

np.reshape(x, shape), x.reshape(shape)

  • 배열객체 x를 지정한 모양(shape)로 변환합니다.
    • 예를 들어 4개의 요소를 가진 1차원 벡터를 2행 2열의 행렬로 변환하기 위해 np.shape(x, (2,2))를 시행
    • 차원 중 하나의 인수를 -1로 전달하는 경우 상대 차원에 따라 자동 조정합니다. (-1, 1)인 경우 1열로 조정한 후 행을 조정합니다.

sklearn.linear_model.Ridge(alpha=1.0, *, fit_intercept=True, max_iter=1000, tol=0.0001, …)

  • ridge 회귀모델을 위한 클래스(ridge 회귀모형생성)
  • l2 norm을 적용합니다.
  • model=sklearn.linear_model.ridge()
    • model.fit(x, y): 클래스에 적용될 설명변수, 종속변수를 전달하는 메서드
    • model.predict(x): 생성된 모형에 의한 추정값 산출하는 메서드
    • model.score(x, y): 결정계수(R2)을 반환하는 메서드
    • model.coef_: 모형의 회귀계수를 반환하는 속성
    • model.intercept_: 모형의 편차를 반환하는 속성
    • 이외에도 다양한 메소드와 속성이 존재합니다.
  • RidgeCV(alphas=, …) 클래스는 여러개의 소멸계수(α)를 인수로 전달하여 교차검증(cross-validation) 방법으로 적절한 α를 선정하고 대응하는 ridge 모델을 생성합니다.

DataFrame.rolling(n, axis=0 …)

  • DataFrame 객체에서 지정한 축(axis)을 기준으로 n 번 이동한 상태를 유지
  • 이 함수에 이어지는 함수에 따라 결과를 반환
    • 예) A.rolling(n=5, axis=0).mean()의 경우 행을 기준으로 5번 이동한 값들의 평균을 계산.
    • 이러한 이동은 A의 처음부터 마지막까지 이루어지므로 결국 각 열의 5일 이동평균을 계산.

round(값, 자릿수)

  • 실수인 값을 지정한 자릿수까지 반올림하는 파이썬 코아의 내장함수

sklearn.feature_selection.r_regression(x, y, center=True)

  • x의 각 설명변수와 반응변수 y의 pearson's r(상관계수)와 유의확률(p-value)를 반환
  • 이 함수의 인수 중 y는 1차원 즉, 벡터이어야 합니다.

x1.row_join(x2)

  • 객체 x1과 x2를 행의 방향으로 결합

x.rref(x)

  • sympy객체 x의 기약행사다리꼴을 생성.
  • 이 함수의 결과는 다음과 같이 터플 형식으로 반환됩니다. (기약행사다리꼴 행렬, column space 열의 번호)

S

x.sample(n=None, frac=None, replace=False, random_seed=None, axis=None, …)

  • DataFrame 또는 Series객체 x에서 지정한 수(n)만큼의 자료를 무작위로 샘플링
  • n 대신 선택할 표본의 비율(frac)을 지정할 수 있음
  • replace=False: 동일한 행 또는 열을 선택하지 않음
  • random_seed=정수, 표집의 재현성을 확보(np.random.seed참조)
  • axis: DataFrame 객체일 경우 기준 축을 지정

sklearn.preprocessing.scale(x, axis=0)

  • 배열객체 x를 지정한 축에 따라 표준화를 수행하는 함수
    • xstd = x − μ
      σ

plt.scatter(x, y, s, c, marker)

  • 산포도를 반환
  • x: x축의 인자로서 리스트, iteratable 객체
  • y: x에 대응되는 iterable 객체
  • 이 함수는 x와 y에 대응하는 점을 나타내는 것으로 점의 크기, 색, 모양을 지정할 수 있음
    • s: 크기
    • c: 색
    • marker : 모양(참조: https://matplotlib.org/stable/api/markers_api.html#module-matplotlib.markers)

numpy.random.seed(정수)

  • numpy.random 모듈로 부터 랜덤수 생성은 코드 실행시 마다 다른 수를 반환하는데 같은 수가 필요할 경우 이 함수와 함께 코드를 실행합니다. 이 함수에 전달한 정수하에서는 같은 알고리즘으로 랜덤수를 생성합니다.

sklearn.feature_selection.SelectFromeModel(estimator, threshold, max_features,...)

  • RFE() 클래스와 같은 기전을 가지지만 임계값(threshold)을 설정하여 그 이상 값을 나타내는 변수들 사이에서 선택이 이루어집니다.
  • 이 임계값은 모든 변수 중요도의 중앙값(평균) 또는 그 값들의 배수로 지정할 수 있습니다. 이 인수가 None으로 지정된 경우는 임계값은 평균이 됩니다.

sklearn.feature_selection.SelectKBest(function, k=10)

  • 지정한 함수(function)에 의한 점수에 따라 높은 순으로 지정한 수(k)의 변수를 선택
  • 사용할 다양한 함수(fucntion)들이 있지만 회귀분석에서는 r_regreesion(상관계수(R) 값이 결정기준), f_regression을 사용, 각 설명변수와 반응변수의 모델에서 F-value값을 반환
  • 지정한 변수의 수 k의 기본값은 10
  • scores_, pvalues_등의 속성을 가짐

DataFrame.sem(axis=None, ddof=1)

  • 지정한 축(axis)을 기준으로 Dataframe에 대한 표준오차를 계산
  • axis=None은 기본값으로 0과 같음
  • ddof는 자유도를 계산하기 위한 수를 지정, 전체수-ddof

sklearn.feature_selection.SequentialFeatureSelector(estimator, n_features_to_select='warn', tol=None, direction='forward', scoring=None, ...)

  • RFE, SelectFromModel()클래스와 같이 변수 중요도(feature_imortances_)를 기준을 사용하여 재귀적 방법으로 변수를 선택.
  • 매개변수 direction에 다음 인수를 지정하여 새로운 변수를 첨가 또는 기존의 변수를 제거하는 방향으로 변수를 선택
    • forward: 시작모델 "반응변수 = 편차항"
    • backward: 시작 모델"반응변수 = 편차항 + 모든 설명변수"
  • estimator: 추정모델
  • n_feature_to_select
    • 정수: 최종 변수의 수
    • [0, 1] 사이의 값은 선택되는 변수의 백분율
    • "auto"일 경우 tol에 따라 실행(기본값 warn과 같음)
    • "tol": score의 변화가 없는 수준에 변수의 선택실행이 중지됩니다. 그 변화의 정도를 지정
  • scoring: R2등의 점수, 지정하지 않은 경우 (None) 추정기로부터 적용할 수 있는 score를 사용

pandas.Series(x, index)

  • 1차원 배열 객체(벡터)를 표의 형태로 생성
  • x: 리스트, 또는 array 객체
  • index: 행이름
  • 함수에서 직접적으로 행과 열이름을 전달할 수 있지만 Series 객체를 생성한 후 다음과 같이 행 이름을 지정할 수 있습니다.
    • Series객체.index: 행이름 지정
  • .values 속성을 사용하여 객체의 값만을 추출하여 numpy 배열형을 변환

sympy.series(함수 또는 식, x=None, x0=0, n=6, dir="+")

  • 함수 또는 식의 급수 전개를 반환합니다.
  • x: 변수
  • x0: 변수의 초기값
  • n: 급수를 전개 할 항의 개수
  • dir: 급수 전개의 방향을 지정합니다.

x.shape

  • 객체 x의 모양(행의 수 그리고 열의 수)을 반환하는 속성(attribution)
  • x: arry, Series, DataFrame

scipy.stats.shapiro(x)

  • 자료 x에 대한 shapiro-Wilk 검정을 실시
  • 통계량 w와 p-value 를 반환

X.shift(periods=1, axis=0, fill_value=np.nan)

  • X(DataFrame, Series의 pandas 객체)의 데이터를 앞 또는 뒤로 이동
  • periods = num
    • 지정한 수(양수) 만큼 데이터를 앞으로 이동
    • 음수이면 뒤로 이동
  • 행단위로 이루어지기 위해서 axis=0, 열단위는 1로 지정

np.sin(rad)

  • radian 값에 대응하는 sin 값을 반환

x.size

  • 객체 x의 자료의 구조에 상관없이 전체 값의 수(크기)를 반환하는 속성
  • x: arry, Series, DataFrame 형

scipy.stats.skew(data, axis=0)

  • 지정한 축에 따라 자료의 왜도를 반환

numpy.linalg.solve()

  • solve(a, b)
    • a·x=b의 방정식에서 미지수 x의 값을 계산
  • solve(expression or matrix)
      solve(A, b),
    • 동차방정식 또는 matrix = 0의 식에 대한 미지수의 해를 계산
    • solve(a, b)의 형태로 위의 la.solve()와 같음
  • 두 함수의 인수는 동차방정식(식 = 0)의 형태
  • 연립방정식과 같이 여러 개의 식들이 입력될 경우 괄호로 묶어 줍니다.
    • solve((eq1, eq2, ...), (var1, var2,...)
  • 행렬 시스템(선형시스템 참조)의 해를 계산할 수 있습니다.
    • A는 계수행렬, x는 변수벡터, b는 A와 x의 행렬곱에의한 결과벡터인 시스템: Solve(A, b)
    • Appeq2
  • sympy.solve() 함수와 같음

sympy.solve(식, 변수)

  • 동차방정식(homogeneous equation, 변수)에서 미지수(변수)의 해를 계산

np.sort(x, axis=-1, kind="quicksort")

  • 객체 x를 지정한 축(axis)에 따라 정렬합니다.
  • kind는 정렬을 위한 알고리즘 방법을 지정( "quicksort", "mergesort", "heapsort" )

plt.step(x, y)

  • x와 y의 교차점들 사이를 선으로 연결하여 계단형태로 작도합니다.

sklearn.preprocessing.StandardScaler(x)

  • x는 2차원 배열 객체
  • 자료를 다음과 같이 표준화시키기 위한 클래스
    • xnormalize = x − μ
      σ
  • .transform() 메서드를 사용하여 자료 변환.
  • .inverse_transform()메서드로 변환된 값에 대응하는 원시 데이터(raw data)로 환원.
  • 변환에 사용된 평균과 분산은 각각 .mean_, .var_ 속성으로 반환.

numpy.std(x, axis=None, ddof=0, ...), DataFrame.std()

  • 지정한 축을 기준으로 배열 객체 x의 표준편차를 계산 (= array.std())
  • axis=None 의 경우 1차원 벡터로 전환하여 표준편차 계산
  • ddof: 자료의 자유도를 산출하기 위해 데이터 크기에서 빼주는 값

객체.subs(변수, 값)

  • sympy객체 내의 지정된 변수 대신에 값 또는 새로운 변수(들)를 치환하여 계산합니다.
  • 치환할 변수가 여러개일 경우 사전(dictionary)형식으로 인수를 전달 합니다.

sum(x)

  • x: 리스트 객체
  • x를 구성하는 모든 요소들의 합을 계산

np.sum(객체, axis=None)

  • 객체의 합을 계산합니다.
  • 인수 axis에 축 지정
    • 기본값은 none으로 객체의 내의 모든 값의 합을 계산
    • 행렬의 경우 열 :0, 행 :1
    • 이 순서는 행×열과 같이 객체의 형태를 나타내는 방식에서 오른쪽 부터 0, 1, 2 등을 지정하여 사용.
  • = pandas객체.sum(axis=0)

sympy.Sum(식, (변수, 시작, 마지막))

  • 식에서 지정한 변수에 따른 지정한 구간(시작, 마지막)의 합을 계산합니다.
  • 이 식은 평가되지 않은 상태로 반환
  • 결과를 평가하기 위해서는 .doit() 메소드를 적용합니다.

la.svd(M)

  • 행렬 M의 특이값분해를 실시 → M = UΣVT
  • 정규직교행렬(U), 특이값, 고유행렬의 전치행렬(VT)을 반환
    • ∑: 특이값을 대각 원소로 하는 M과 동일한 차원을 갖는 대각 행렬, 특이값 이외의 부분은 모두 0입니다.

symbols(기호로 사용할 객체, ... )

  • 객체를 기호(변수)로 지정합니다. var(객체)함수도 동일합니다.
  • 위 함수는 여러 기호를 동시에 지정할 수 있습니다.
  • 일반적으로 기호를 지정할 경우 그 기호(변수)의 범위는 실수, 복소수 등의 모든 영역을 포함합니다.
  • 변수의 범위 즉, 실수, 양수 등의 범위 조건을 위한 다양한 인자(argumnet)가 존재합니다.
    • real=True ;실수영역
    • positive=True ;양수영역
    • 위 두 조건을 함께 설정할 수 있습니다.; real=True, positive=True

T

M.T

  • 행렬 M을 전치시키는 속성
  • 함수 transpose (M)와 같은 결과를 반환

np.tile(x, n)

  • 객체 x 자체를 n번 반복
    • np.tile([1,3], 3)
      array([1, 3, 1, 3, 1, 3])

pd.Timestamp(x,...)

  • pandas time index와 같은 date 객체를 날짜 연산이 가능한 객체인 datetime 형식으로 변환하는 클래스
  • 다양한 속성과 메서드를 가지고 있음
    • 예를들어 .dayofweek 속성 또는 .weekday() 메서드는 날짜에 대응하는 요일을 반환합니다.
    • 0:월요일 ∼ 7:일요일

pandas.to_datetime(x)

  • x를 datetime 형식으로 변환
  • 이 형식은 .year, .month, .day의 속성을 가집니다. 이 속성으로 인 덱스에서 년, 월, 일에 속한 부분 만을 취할 수 있습니다.

scipy.linalg.toepliz(c, r=None)

  • Toepliz 행렬을 생성합니다.
  • c: 첫번째 열의 요소로 numpy array형식입니다.
  • r: 첫번째 행의 요소로 numpy array형식입니다. 선택사항입니다.

np.trace(M)

  • 정방행렬 M의 대각원소 들의 합을 계산

sklearn.model_selection.train_test_split(X, Y, test_size)

  • 데이터를 학습 셋과 테스트 셋으로 분리
  • X: 설명변수, Y: 반응변수
  • test_size: 전체 자료 중에서 검증에 사용할 데이터의 비율

np.transpose(arr, axes=None)

  • 객체 a를 전치시키는 함수
  • 속성 T의 경우 2차원인 행렬에 대해 행과 열을 교환하는데 반해 이 함수는 3 차원 이상의 객체(텐서)의 전치에서 교환할 축을 지정할 수 있습니다.
    • 예를 들어 3차원의 형태가 2 × 3 × 4인 경우를 4 × 2 × 3으로 교환하고자 할 때 다음과 같이 적용합니다.
    • 원 객체의 차원의 인덱스 0, 1, 2는 각각 2, 3, 4의 크기를 가집니다. 이의 전환은 0 → 1, 1 → 2, 2 → 0으로 변환되어야 합니다. 그러므로 명령은 다음과 같습니다.
    • np.transpose(arr, (1, 2, 0))

np.tril(M, k=0)

  • 행렬 M에서 k에 따른 대각 원소들을 기준으로 위쪽의 원소들을 모두 0으로 변환하여 하삼각행렬 생성
  • 인수 k는 np.diag() 참조

np.triu(M, k=0)

  • 행렬 M에서 k에 따른 대각 원소들을 기준으로 아래쪽의 원소들을 모두 0으로 변환하여 상삼각행렬 생성
  • 인수 k는 np.diag()) 참조

scipy.stats.ttest_ind(x, y, axis=0, equal_var=True)

  • 독립인 두 그룹 x, y의 t test를 실행
  • equal_var는 두 자료의 등분산성을 지정하는 것으로 기본값은 True
  • 검정통계량과 유의확률(p-value)를 반환

scipy.stats.ttest_rel(x, y, axis=0)

  • x의 각 값에 대응하는 y의 값이 존재하는 두 관련 샘플에 대한 t test를 실시(짝비교)
  • 검정통계량과 유의확률(p-value)를 반환

scipy.stats.tukey_hsd(x, y, ...)

  • 두 그룹의 평균을 비교하여 studentized range distribution(SRD) 분포를 기준으로 tukey 검정하는 클래스
  • x, y, ...: 단변수
  • pvalue, statistic의 속성, confidence_interval(confidence_level=0.95)로 각 결과를 반환

statsmodels.stats.multicomp.pairwise_tukeyhsd(x, group, alpha=0.05)

  • 두 그룹의 평균을 비교하여 studentized range distribution(SRD) 분포를 기준으로 tukey 검정하는 함수
  • x: 이 함수의 대상 자료는 각 group에 대응하는 반응변수
  • p-value와 alpha에 지정된 유의 수준에서의 신뢰구간을 반환
  • plot_simultaneous() 메소드를 사용하여 결과를 시각적으로 나타냄

type(x)

  • 객체 x의 자료형을 반환하는 함수

U

np.unique(x, return_index=False, return_counts=False, axis=None)

  • 객체 x에서 고유한 요소들과 각각의 빈도를 반환
  • return_index: 반환된 요소들의 인덱스 (첫 번째로 감지되는 인덱스)
  • return_counts: 각 고유값(unique)의 빈도수
  • axis=None: 함수가 실행되는 기준 축, None는 객체를 1차원으로 전환

V

pd객체.values

  • Series, DataFrame의 pandas객체에서 값만을 추출하여 numpy 배열로 반환

pd객체.value_counts(normalize=False, sort=True, ascending=False, dropna=True)

  • 고유한 값의 빈도수를 포함하는 Series를 반환합니다.
  • normalize: 빈도수를 상대 빈도로 변환
  • sort: 빈도수에 따라 결과를 정렬
    • ascending=True 올림차순, False 내림차순
  • dropna=True, 결측치를 제거

numpy.var(x, axis=None, ddof=0, ...), x.var(axis=None, ddof=0, ...)

  • 객체 x의 분산을 계산
  • x: array, DataFrame, Series 객체
  • axis: 연산의 방향을 지정
  • ddof: 자료의 자유도를 산출하기 위해 고려되는 값

statsmodel.stats.outliers_influence.variance_inflation_factor(변수, 제외할 변수의 인덱스)

  • 설명변수에서 특정한 변수를 제외한 경우의 VIF를 계산

np.vstack((a, b, c,…))

  • 객체들을 열방향으로 결합 (= np.r_[a, b, c, …])

W

pd객체.weekday()

  • 요일을 정수로 반환하는 메소드
  • 월요일 : 0 ∼ 일요일 : 6

numpy.where(조건)

  • 조건이 참인 경우의 인덱스를 튜플 형식으로 반환

DataFrame.where(조건, other=None)

  • 객체내에 조건에 부합하는 값들을 other로 치환. other를 지정하지 않을 경우 조건에 부합하는 값은 NaN으로 치환.

Z

statsmodels.stats.weightstats.zconfint(x, y=None, value=0, alpha=0.05, alternative="two-side", ddof=1.0)

  • alpha를 통해 유의수준을 지정
  • 다른 인자들은 ztest() 함수와 같음
  • 결과: (신뢰구간의 하한, 상한)

scipy.stats.zscore(x)

  • 객체의 값들을 z 점수화하여 반환

statsmodels.stats.weightstats.ztest(x, y=None, value=0, alternative="two-side", ddof=1.0)

  • x, y는 배열 데이터로 1차원 또는 2차원, y는 생략 가능
  • value는 귀무가설에 고려되는 값
    • one-sample → H0: μ = value
    • two-sample → H0: xbar - ybar = value
  • alternative
    • "wo-side" → H0: xbar = ybar
    • "larger" → H0: xbar > ybar
    • "smaller" → H0: xbar < ybar
  • ddof는 자유도를 계산하기 위해 자료 크기에 제외하는 수
  • 결과: (검정통계량, p-value)

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 ...