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
특성 방정식 고유벡터와 고유공간 고유벡터 고유벡터(Eigenvector)와 고유값(Eigenvalue) 선형대수학에서 고유 벡터 (eigenvector)는 정방 행렬의 선형 변환 이 일어난 후에도 방향이 변하지 않는 영벡터(zero vector)가 아닌 벡터를 의미합니다. 즉, 기저 벡터들을 의미합니다. 이 고유 벡터의 길이를 변화시킬 수 있는 고유한 스칼라 값을 고유값 (eigenvalue)이라고 하며 각 고유 벡터에 대응하는 특정한 값입니다. 예) 행렬 A와 두 벡터 u, v의 관계를 조사해 봅니다. $$A= \begin{bmatrix}3 & -2\\1 & 0\end{bmatrix},\quad u=\left[\begin{matrix}-1\\1\end{matrix}\right], \quad v= \left[\begin{matrix}2\\1\end{matrix}\right]$$ import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt A=np.array([[3,-2],[1,0]]) u=np.array([[-1],[1]]) v=np.array([[2],[1]]) sp.Matrix(np.hstack([A, u])).rref()[0] $\small\color{navy}{ \left[\begin{matrix}1 & 0 & 1\\0 & 1 & 2\end{matrix}\right]}$ sp.Matrix(np.hstack([A, v])).rref()[0] $\small\color{navy}{ \left[\begin{matrix}1 & 0 & 1\\0 & 1 & \frac{1}{2}\end{matrix}\right]}$ 위 결과에 의하면 행렬 A와 벡터 u, v의 각 선형 결합 에서