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
스칼라와 벡터 차원과 축 벡터 스칼라와 벡터 그림 1은 무엇을 나타낸 것일까요? import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt d={'r':(-2, -4), 'g':(3, -4), 'b':(5, 3), 'k':(-3, 5)} col=['black','red','green','navy'] plt.figure(dpi=100) plt.scatter(0, 0, label="A(0,0)") for i, j in enumerate(d.keys()): plt.scatter(d[j][0], d[j][1], color=col[i], label=f"{j}{d[j]}") plt.annotate(j, xy=d[j], xytext=(0,0), arrowprops=dict(facecolor=col[i])) plt.legend(loc="best") plt.axhline(0) plt.axvline(0) di={'south':(0.1,-3), 'easth':(3,-0.5), 'west':(-3,-0.5), 'north':(0.1,3) } di2={'south':'y-', 'easth':'x+', 'west':'x-', 'north':'y+' } n=0 for i, j in zip(di.keys(), di2.keys()): plt.text(di[i][0], di[i][1], (di2[j], j), color=col[n], weight='bold') n +=1 plt