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 벡터공간에서의 연산법칙 부분공간 부분공간의 차원 기저벡터(basis vector) 부분공간의 차원 벡터공간 이 글은 선형시스템 또는 선형결합 에 대한 지식이 필요합니다. 벡터들과 스칼라간의 연산에 의해 선형결합의 성립될 수 있으며 그 결과벡터는 연산에 사용된 벡터들이 존재하는 공간의 부분으로 존재합니다. 이렇게 벡터들이 존재하는 공간을 벡터 공간 (Vector space)이라고 합니다. 선형결합 에 의한 벡터 공간에서 벡터와 스칼라 간에 다음과 같은 다양한 연산 법칙이 성립됩니다. 벡터 공간에서의 연산 법칙 u, v ∈ Vector → u+v ∈ Vector u, v가 모두 벡터이면 그들의 합은 벡터(u+v) α ∈ scalar, u ∈ Vector → ;αu ∈ Vector α가 스칼라(C)이고 u가 벡터라면 이 둘의 곱인 αu는 벡터 u + v = v + u 벡터들의 합은 교환법칙 성립 u + (v + w) = ( u + v) + w 벡터들의 합은 결합법칙 성립 모든 요소가 0인 0벡터(zero vector)가 존재 u가 벡터이고 -u 역시 벡터라면 u + (-u) = 0 α, β ∈ scalar, u ∈ Vector → α(βu) = (α β) u 스칼라 배수 법칙 성립 α ∈ scalar and u ∈ Vector → α(u + v) = α u + α v 스칼라와 벡터의 곱에서 분배법칙이 성립 α, β ∈ scalar u ∈ Vector → (α + β)u = α u + β u 두 개의 스칼라와 한 개의 벡터사이에 분배법칙이 성립 u ∈ V → 1·u = u 부분공간 일반적으로 벡터 공간 (Vector sp