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
실질적인 해를 갖지 않는 모순된 시스템(inconsistent system)에 적당한 해를 찾기 위해 근사치에 대한 좋은 정의가 필요합니다. 이를 위해 벡터 공간에 거리와 정규성(orthogonality)의 개념을 도입할 것입니다. 이 정규성은 벡터 공간 W의 밖에 놓여 있는 어떤 점 y에 가장 근접한 W내의 점을 찾기 위해 이용됩니다. 이를 위해 모순된 선형 시스템을 위한 적절한(최소자승, least square) 해들을 찾기 위한 방법을 모색할 것입니다. 내적(inner product) $R^n$차원의 두 벡터 u, v에서 $u^T\cdot v$의 결과는 scalar입니다. 이것을 내적이라고 합니다. $$\left[\begin{array}{rrrr}u_1&u_2&\cdot&u_n\end{array}\right] \left[\begin{array}{r}v_1\\v_2\\\vdots\\n_n\end{array}\right] =u_1v_1+u_2v_2+ \cdots + u_nv_n$$ python에서 numpy.dot(x, y)를 사용하여 계산합니다. 이 값의 양의 제곱근이 내적이 됩니다. 또는 linalg.norm()을 사용하면 직접적으로 내적값을 계산할 수 있습니다. >>> import numpy as np >>> from sympy import * >>> import numpy.linalg as LA 1. 벡터 u, v에 대해 u•v, v•u? $$u=\left[\begin{array}{r}2\\-5\\-1\end{array}\right], \; v=\left[\begin{array}{r}3\\2\\-3\end{array}\right]$$ >>> u=np.mat("2;-5;-1"); u matrix([[ 2], [-5], [-1]]) >>> v=np.mat("3;2