기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[seaborn] 이변량 분포의 시각화

이변량 분포의 시각화

그래프를 작성하기 위해 kospi 지수의 일일자료를 호출하여 사용합니다.

import numpy as np
from sklearn.datasets import make_blobs
import pandas as pd
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
plt.rcParams['font.family'] ='NanumGothic'
plt.rcParams['axes.unicode_minus'] =False
import seaborn as sns
import yfinance as yf
from scipy import stats
st=pd.Timestamp(2023, 10, 17)
et=pd.Timestamp(2024, 10, 17)
kos=yf.download("^KS11",st, et)
kos=kos.drop('Adj Close', axis=1)
kos.columns=kos.columns.levels[0][1:]
scaler=StandardScaler().fit(kos)
kos1=scaler.transform(kos)
kos1df=pd.DataFrame(kos1)
kos1df.columns=kos.columns
kos1df['coChg']=pd.qcut(np.ravel((kos1df.Close-kos1df.Open)/kos1df.Open*100), 10, range(10))
kos1df['volChg']=pd.qcut(np.ravel(kos1df.Volume.pct_change()), 5, range(5))
kos1df=kos1df.dropna()
kos1df.head(3)
Price Close High Low Open Volume coChg volChg
1 -1.325313 -1.449859 -1.297633 -1.442811 3.272987 3 4
2 -1.703523 -1.712166 -1.603687 -1.606734 2.085993 6 2
3 -2.033245 -2.031246 -1.992279 -1.935555 0.271720 6 1

다음은 두 변수를 각각 구간으로 구분하여 동일한 구간에 있는 빈도수를 표시하는 것으로 heatmap과 유사한 그래프를 생성합니다. 다음 그림 a는 x, y축의 bin을 조절하지 않은 것이고 그림 b는 인수 binwidth를 적용하여 x, y 축의 binswidth를 각각 2와 0.5로 조정한 것입니다.

그림을 작성하기 위해 사용한 hisplot()는 displot()로 대체가능하며 각 그래프 다음의 색상막대(colorbar)는 인수 cbar=True에 의해 생성됩니다. 두 그래프 ,(a), (b)는 산점도인 (c)와 비교하면 해석이 용이합니다. 즉, 두 변량의 값들이 밀집된 위치에 색이 짙어짐을 알 수 있습니다.

fig, axs=plt.subplots(1,3, figsize=(11, 3))
sns.histplot(kos1df, x="Close", y="Volume", cbar=True,  ax=axs[0]).set_title('(a)')
b=sns.histplot(kos1df, x="Close", y="Volume", binwidth=(2, 0.5), cbar=True, ax=axs[1])
b.set_title('(b)')
b.set_ylabel('')
c=sns.scatterplot(kos1df, x='Close', y="Volume", ax=axs[2])
c.set_title('(c)')
c.set_ylabel('')
plt.show()

위에서 작성한 두 변량에 대한 그래프는 heatmap으로 작성할 수 있습니다. sns.heatmap() 함수에 전달할 data는 교차표(cross tabulation): crosstab 또는 피벗테이블(Pivot table)형태로서 Close와 Volume 두 변량을 목록화하여 교차표를 생성합니다.

histplot() 또는 displot()함수에 전달하는 변량은 연속변수이지만 heatmap()는 목록변수이라는 차이가 있습니다. 위 그림과 다음 그림을 비교하면 각 구간의 밀도의 순위가 유사함을 알 수 있습니다.

cp=pd.cut(kos1df.Close, bins=5 , labels=range(5), retbins=True)
vol=pd.cut(kos1df.Volume, bins=5, labels=range(5), retbins=True)
cl2=pd.crosstab(vol[0], cp[0], normalize=True)
sns.heatmap(cl2, annot=True)
plt.show()

위 그림을 kde(커널밀도 추정)로 표시하면 등고선과 같은 모양을 반환합니다. displot(--, kind="kde") 또는 kdeplot()으로 작성합니다.

sns.displot(kos1df, x="Close", y="Volume", kind="kde")
plt.show()

위 그림으로 Close와 Volume이 모두 0~1 구간에서 가장 밀집함을 나타냅니다. 이것을 수치상으로 알아보기 위해 각 변수를 다음과 같이 목록화하고 교차표를 작성하였습니다. 위 그림과 동일한 구간에서 가장 높은 밀도를 보입니다.

pd.cut() 함수로 목록화하고 pd.crosstab() 함수로 교차표를 작성하였습니다.

cp=pd.cut(kos1df.Close, bins=[-4, -3, -2, -1, 0, 1, 2,3], labels=[ -3, -2, -1, 0, 1, 2,3], retbins=True)
vol=pd.cut(kos1df.Volume, bins=[-3,-2,-1,0, 1, 2, 3, 4], labels=[-2,-1,0, 1, 2, 3, 4], retbins=True)
cl2=pd.crosstab(cp[0], vol[0], normalize=True)
cl2.round(3)
Volume -1 0 1 2 3 4
Close
-2 0.000 0.025 0.016 0.000 0.000 0.000
-1 0.021 0.078 0.012 0.004 0.008 0.008
0 0.049 0.123 0.074 0.012 0.029 0.000
1 0.058 0.169 0.119 0.025 0.012 0.004
2 0.004 0.066 0.037 0.033 0.008 0.000
3 0.000 0.004 0.000 0.000 0.000 0.000

히스토그램과 커널밀도추정을 함께 나타내기 위해서는 histplot() 함수에 kde=True를 설정합니다.

sns.histplot(x=kos1df.Close, stat="density", kde=True)
plt.show()
fig, ax=plt.subplots(figsize=(4,3))
sns.histplot(x=kos1df.Close)
ax2=ax.twinx()
sns.kdeplot(x=kos1df.Close, color="r")
ax2.tick_params(axis="y", labelcolor="r")
ax2.set_ylabel("Desnity", color="r")
plt.show()

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 ...