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
내용 최빈값(Mode) 평균(Mean) 이상치(outlier) 중간값(Median) 최빈값(Mode) 통계에서는 종종 데이터의 대부분이 집중되는 지점의 정보가 중요하게 사용됩니다. 이러한 점을 중심의 척도라고합니다. 예를 들어 여러가지 메뉴를 가지는 레스토랑에서 새로운 단장 이후에 경영자는 1가지 메뉴로 집중하고자 합니다. 이 경우 가장 많은 매출이 있는 매뉴를 선택하는 것은 합리적인 결정일 수 있습니다. 가장 많이 관찰된 값을 최빈값(mode) 이라고 합니다. 최빈값(mode) 데이터 셋의 각 변수가 등장하는 빈도수에서 가장 높은 빈도수를 가진 값을 최빈값이라고 합니다. 데이터 셋에서 최빈값은 1개 이상이 될 수 있습니다. 최빈값은 가장 높은 빈도수인 정상점(peak)을 나타내기 위해 사용하는 것으로서 이 값은 np.unique() 와 scipy.stats.mode() 함수 그리고 pd객체.mode() 메서드로 확인할 수 있습니다. 또한 데이터의 각 값의 빈도수는 np.unique() 함수와 pd객체.value_counts() 메서드를 사용하여 계산할 수 있습니다. 다음 특정 구간에서 지정한 크기의 임의의 정수를 발생하는 numpy.random 모듈 함수인 randint(시작, 마지막, 크기) 를 사용하여 생성한 자료에서 최빈값을 결정해봅니다. import numpy as np import pandas as pd from scipy import stats np.random.seed(1) data=np.random.randint(1, 10, 50) print(data) [6 9 6 1 1 2 8 7 3 5 6 3 5 3 5 8 8 2 8 1 7 8 7 2 1 2 9 9 4 9 8 4 7 6 2 4 5 9 2 5 1 4 3 1 5 3 8 8 9 7] uniq, cnt=np.unique(data, return_counts=True) uniq array([1, 2, 3, 4, 5, 6,