A B C d E F G H I K L M N O P Q R S T U V W Z A statsmodels.ap.stats.anova_lm(x) statsmodels.formula.api.ols 에 의해 생성되는 모형 즉, 클래스 인스턴스(x)를 인수로 받아 anova를 실행합니다. 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) pandas.Series.autocorr(lag=1) lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산 B scipy.stats.bernoulli(x, p) 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 p: 단일 시행에서의 확률 scipy.stats.binom(x, n, p) 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 n: 총 시행횟수 p: 단일 시행에서의 확률 C scipy.stats.chi2.pdf(x, df, loc=0, scale=1) 카이제곱분포의 확률밀도함수를 계산 $$f(x, k) =\frac{1}{2^{\frac{k}{2}−1}Γ(\frac{k}{2})}x^{k−1}\exp\left(−\frac{x^2}{2}\right)$$ x: 확률변수 df: 자유도 pd.concat(objs, axis=0, join=’outer’, …) 두 개이상의 객체를 결합한 새로운 객체를 반환. objs: Series, DataFrame 객체. Axis=0은 행단위 즉, 열 방향으로 결합, Axis=1은 열단위 즉, 행 방향으
고유분해(Eigen-Decomposition) 식 1과 같이 행렬 A가 가역 행렬인 P와 대각 행렬 D를 사용하여 유사 변환이 가능하다면 그 행렬은 대각 가능 (Diagonalizable)하다고 합니다. $$\begin{equation}\tag{1}\text{A}=\text{PDP}^{-1}\end{equation}$$ 또한 식 2와 같이 행렬의 고유값(λ 1 , λ 2 )과 고유벡터(<v 11 , v 21 >,<v 12 , v 22 >)들 사이에 다음 관계가 성립합니다. ( 고유값과 고유벡터 참조 ) $$\begin{matrix} \tag{2} \begin{bmatrix} a_{11}&a_{12}\\a_{21}&a_{22} \end{bmatrix}\begin{bmatrix} v_{11}\\v_{21} \end{bmatrix}=\lambda_1 \begin{bmatrix} v_{11}\\v_{21} \end{bmatrix}\\\\ \begin{bmatrix} a_{11}&a_{12}\\a_{21}&a_{22} \end{bmatrix}\begin{bmatrix} v_{12}\\v_{22} \end{bmatrix}=\lambda_2 \begin{bmatrix} v_{12}\\v_{22} \end{bmatrix} \end{matrix}$$ 모든 고유값을 대각요소로하는 고유값행렬 (대각행렬)과 고유벡터를 결합한 고유행렬 은 식 3의 관계가 성립됩니다. $$\begin{equation}\tag{3} \begin{bmatrix} a_{11}&a_{12}\\a_{21}&a_{22}\end{bmatrix}\begin{bmatrix} v_{11}&v_{12}\\v_{21}&v_{22}\end{bmatrix}=\begin{bmatrix} v_{11}&v_{12}\\v_{21}&v_{22}\end{bmatrix}\begin{bmatrix}\lambda_1&0\