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
Gram-Schmidt 과정 그람 슈미트 과정은 0이 아닌 R n 의 부분공간에서 직교 또는 정규직교 기저를 생성하는 단순한 알고리즘입니다. import numpy as np import numpy.linalg as LA from sympy import * def coefS(x, y): x=np.dot(x.T, y) y=np.dot(y.T, y) return(x/y) 예 1) W=Span{$x 1 , x 2 }일 때 W에서 직교 기저인 {v 1 , v 2 }? $x_1 =\left[\begin{array}{r}3\\6\\0\end{array}\right],\; x_2=\left[\begin{array}{r}1\\2\\2\end{array}\right]$ 이 예에 대한 그림은 다음과 같습니다. 위 그림에서 공간 W의 직교기저는 v 1 , v 2 로 나타낼 수 있으며 벡터 x 2 은 벡터 $x 1 위에 직교 투영됩니다. 그러므로 v 1 =x 1 관계를 가정할 수 있습니다. 그러므로 x 2 는 다음과 같이 분해 할 수 있습니다. x 2 = v 2 +p 위 식에서 p는 직교 기저인 x 1 =v 1 을 사용하여 다음과 같이 계산됩니다. ( 직교 투영 의 Eq. 1 참조) $p=\frac{x_2 \cdot x_1}{x_1 \cdot x_1}x_1$ 그러므로 $v_2=x_2-\frac{x_2 \cdot x_1}{x_1 \cdot x_1}x_1$ p=coefS(x2,x1)*x1; p array([[1.], [2.], [0.]]) v2=x2-p; v2 array([[ 0.], [ 0.], [ 2.]]) x 2 =Span{v 1 , v 2 }가 성립합니다. 즉, v 1 , v 2 의 선형결합으로 x 2 가 생성되며 선형