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 형변환 암묵적 형변환 명시적 형변환 형변환(Type Conversion) 형변환 pyhton에서 자료형은 숫자형과 문자형으로 구분합니다. 숫자형은 기본 자료형으로 정수, 실수, 복소수형으로 구성되어 있습니다. 이들은 근본적으로 동일한 자료형으로 연산과정에서 자동적으로 형변환이 이루어집니다. 이를 암묵적 형변환 이라고 합니다. 반면에 문자형은 메모리에 저장 과정에서 이미 변환된 상태로서 자동적으로 변환이 이루어지지 않습니다. 그러므로 이들의 형변환은 특정한 함수에 의해 이루어 집니다. 이 과정을 명시적 형변환 이라 합니다. 암묵적 형변환 자동적으로 일어나는 형변환을 의미합니다. 예를 들어 정수와 실수의 연산에서 정수는 자동적으로 실수형으로 변환됩니다. x=2 y=3.14 z=x+y; z 5.140000000000001 for i in [x, y, z]: print(F"{i}의 자료형: {type(i)}") 2의 자료형: <class 'int'> 3.14의 자료형: <class 'float'> 5.140000000000001의 자료형: <lass 'float'> 명시적 형변환 다음 두 자료는 같은 수이지만 다른 자료형입니다. a=3 b="3" type(a), type(b) (int, str) a+b ~~TypeError: unsupported operand type(s) for +: 'int' and 'str' 위의 두 a와 b의 자료형은 다르기 때문에 에러가 발생합니다. 위 코드의 객체 b는 문자이지만 숫자로 변환이 가능한 자료입니다. 이 경우 a 와 같은 자료형 즉, 정수로 변환하기 위해 int() 함수를 사용하여 형변환할 수 있습니다. 이러한 명시적 변환은 유형캐스팅 (typecasting)이라고 합니다. 유형캐스팅에 적용할 수 있는 함수