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
기저는 벡터공간 V에서 어떤 선형결합 시스템을 표현할 수 있는 가장 간단한 벡터를 의미합니다. 그러므로 일반적인 좌표시스템에서 좌표는 기저( 좌표벡터 )를 기준으로하여 다른 좌표값으로 나타낼 수 있습니다. 이것은 동일한 좌표를 다른 좌표벡터를 기준으로 다르게 나타낼 수 있음을 의미합니다. >>> import numpy as np >>> from sympy import * >>> import scipy.linalg as LA 1. 두개의 기저공간 B, C를 사용하여 일반좌표계에서 벡터 <1, 5>에 대한 $[X]_B$와 $[X]_C$? $$B=\left\{\left[\begin{array}{r}1\\1\end{array}\right],\; \left[\begin{array}{r}1\\-1\end{array}\right] \right\}$$ $$C=\left\{\left[\begin{array}{r}2\\-1\end{array}\right],\; \left[\begin{array}{r}-1\\1\end{array}\right] \right\}$$ $[X]_B$: Bx=y에 대한 해공간 $[X]_C$: Cx=y에 대한 해공간 >>> B=np.mat("1,1;1,-1"); B matrix([[ 1, 1], [ 1, -1]]) >>> C=np.mat("2,-1; -1,1");C matrix([[ 2, -1], [-1, 1]]) >>> y=np.mat("1; 5");y matrix([[1], [5]]) >>> LA.solve(B, y) array([[ 3.], [-2.]]) >>> LA.solve(C, y) array([[ 6.], [ 11.]]) 결과로부터