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 직교벡터(Orthogonal vectors) 정사영(Projection) 직교벡터와 정사영 직교벡터(Orthogonal vectors) 두 벡터의 내적 과 사잇각은 식 1과 같이 계산됩니다. $$\begin{align}\tag{1} &u \cdot v=\parallel{u}\parallel \parallel{v}\parallel \cos(\theta) \\ & \cos(\theta) =\frac{u \cdot v}{\parallel{u}\parallel \parallel{v}\parallel} \end{align}$$ 식 1에 의하면 두 벡터가 직각 을 이루는 경우 내적은 0가 됩니다. 이러한 벡터를 직교벡터 (Orthogonal vectors)라 합니다. 그림 1은 벡터 u와 v와 벡터 u와 -v는 모두 직각관계를 나타냅니다. 즉, 벡터 v에 수직인 벡터 u는 다음의 조건을 만족합니다. $$\parallel{u-v}\parallel=\parallel{u-(-v)}\parallel$$ import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt a, u, uNeg, v=[0,0], [3,0], [-3,0], [0,3] col=['blue','red','green'] nme=['u', '-u','v'] plt.figure(dpi=100) for i, j in enumerate([u, uNeg, v]): plt.arrow(a[0], a[1], j[0]-a[0], j[1]-a[1], width=0.05, color=col[i], label=nme[i]) plt.arrow(uNeg[0],uNeg[1], v[0]-uNeg[0],v[1]-uNeg[1], linestyle='--