Implement changes from randombenj

.github/workflows/build-document.yml

@@ -0,0 +1,39 @@
+name: CI
+
+on: [push]
+
+jobs:
+  build:
+
+    runs-on: ubuntu-latest
+    container:
+      image: blang/latex
+
+    steps:
+    - uses: actions/checkout@v1
+    - name: install pdflatex
+      run: |
+        pdflatex -interaction=nonstopmode -halt-on-error -shell-escape stat-python-referenzkarte.tex
+    - name: create release
+      if: startsWith(github.event.ref, 'refs/tags')
+      id: create_release
+      uses: actions/[email protected]
+      env:
+        GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
+      with:
+        tag_name: ${{ github.ref }}
+        release_name: Release ${{ github.ref }}
+        body: |
+          Release ${{ github.ref }} generated by the CI.
+        draft: false
+        prerelease: false
+    - name: upload reference card
+      if: startsWith(github.event.ref, 'refs/tags')
+      uses: actions/[email protected]
+      env:
+        GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
+      with:
+        upload_url: ${{ steps.create_release.outputs.upload_url }}
+        asset_path: stat-python-referenzkarte.pdf
+        asset_name: stat-python-referenzkarte.pdf
+        asset_content_type: application/pdf

README.md

@@ -1,9 +1,11 @@
-[![BuildStatus](https://travis-ci.org/KilnOfTheSecondFlame/python_statistics_reference_card.svg?branch=master)](https://travis-ci.org/KilnOfTheSecondFlame/python_statistics_reference_card)
-[![GitHub release](https://img.shields.io/github/release/KilnOfTheSecondFlame/python_statistics_reference_card.svg)](https://github.com/KilnOfTheSecondFlame/python_statistics_reference_card/releases/latest)
-[![Github All Releases](https://img.shields.io/github/downloads/KilnOfTheSecondFlame/python_statistics_reference_card/total.svg)](https://github.com/KilnOfTheSecondFlame/python_statistics_reference_card/releases)
-
 # Reference Card for Statistics with Python
 
-Python reference cards for statistics with Pandas and Numpy. Created by [@chefe](https://github.com/chefe/) for the Module STAT at HSLU Switzerland.
+Python reference cards for statistics with Pandas and Numpy.
+Created by [@chefe](https://github.com/chefe/) for the Module STAT at HSLU Switzerland.
+
+Build this document by running:
+
+```
+pdflatex -interaction=nonstopmode -halt-on-error -shell-escape *.tex
+```
 
-[Download latest release](https://github.com/KilnOfTheSecondFlame/python_statistics_reference_card/releases/latest/)

STAT_Python_Referenzkarte.tex → stat-python-referenzkarte.tex

@@ -43,7 +43,7 @@ \subsection*{Hilfe anzeigen}
 Hilfetext eines Packages anzeigen \\
 
 \pythoninline{help(np.random.choice)} \\
-Hilfetext einer Funktion anzeigen 
+Hilfetext einer Funktion anzeigen
 
 \subsection*{Numpy Basics}
 \pythoninline{np.e}: Konstante mit Wert von $e$ \\
@@ -167,11 +167,11 @@ \subsection*{Pandas DataFrame}
 )
 \end{python}
 
-\pythoninline{frame.columns}: Spaltenname auslesen \\ 
+\pythoninline{frame.columns}: Spaltenname auslesen \\
 \pythoninline{frame.shape}: Anzahl Zeilen und Spalten des Frames \\
-\pythoninline{frame.T}: Zeilen und Spalten vertauschen \\ 
+\pythoninline{frame.T}: Zeilen und Spalten vertauschen \\
 \pythoninline{frame.describe()}: Kennzahlen jeder Spalte anzeigen \\
-\pythoninline{frame.mean(axis=0)}: Durchschnitt pro Spalte berechnen \\ 
+\pythoninline{frame.mean(axis=0)}: Durchschnitt pro Spalte berechnen \\
 \pythoninline{frame.mean(axis=1)}: Durchschnitt pro Zeile berechnen \\
 \pythoninline{frame.head(n)}: Erste \textit{n} Zeilen des Frames anzeigen \\
 \pythoninline{frame.tail(n)}: Letzte \textit{n} Zeilen des Frames anzeigen \\
@@ -195,7 +195,7 @@ \subsection*{Umgang mit DataFrame}
 
 \pythoninline{frame.nsmallest(n, 'Luzern')} \\
 \pythoninline{frame.nlargest(n, 'Luzern')} \\
-Daten im Frame nach einer Spalte sortieren und dann \\ 
+Daten im Frame nach einer Spalte sortieren und dann \\
 \textit{n} Zeilen mit gr�sstem oder kleinstem Werte zur�ckgeben \\
 
 \pythoninline{filtered = frame[frame['Luzern'] == 0]} \\
@@ -235,7 +235,7 @@ \subsection*{Matplotlib PyPlot}
 
 \pythoninline{plt.subplot(nrows=2, ncols=3, index=4)} \\
 \pythoninline{plt.subplot(234)} \\
-Sub-Plot mit 2 Zeilen und 3 Spalten erstellen und den \\ 
+Sub-Plot mit 2 Zeilen und 3 Spalten erstellen und den \\
 n�chsten Plot an der Position 4 einf�gen. Die Position wird \\
 von links nach rechts und dann von oben nach unten gez�hlt
 
@@ -252,7 +252,7 @@ \subsection*{Plots erstellen}
 \pythoninline{series.plot(kind="hist", bins=20, ...)} \\
 Anzahl Klassen des Histogramm manuell festlegen \\
 
-\pythoninline{series.plot(kind='hist', cumulative=True, 
+\pythoninline{series.plot(kind='hist', cumulative=True,
 	histtype='step', density=True)} \\
 Empirische kumulative Verteilungsfunktion plotten \\
 
@@ -272,8 +272,9 @@ \subsection*{Plots erstellen}
 Plotten einer Regressionsgerade, bei welcher die Daten \\
 einem Polynom ersten Grades angeglichen wurden \\
 
-\pythoninline{st.probplot(arr, plot=plt)} \\
-QQ-Plot anhand einer Normalverteilung\\
+\pythoninline{st.probplot(arr, dist="norm", plot=plt)} \\
+QQ-Plot anhand einer Normalverteilung \\
+Die Verteilungsart kann mit dem \textit{dist} bestimmt werden \\
 
 \pythoninline{t = np.linspace(start, stop, amount_of_numbers)}\\
 \pythoninline{plt.plot(t, f(t), linewidth=1.0)}\\
@@ -425,7 +426,7 @@ \subsubsection*{Wilcoxon-Test}
 
 \pythoninline{st.wilcoxon(arr, zero_method="wilcox",}\\
 \pythoninline{	correction=True)}
-Berechnet den Wilcoxon Vorzeichenrangtest, erwartet das \pythoninline{arr} schon die Differenz zweier Serien beinhaltet 
+Berechnet den Wilcoxon Vorzeichenrangtest, erwartet das \pythoninline{arr} schon die Differenz zweier Serien beinhaltet
 \vspace{0.5em}\\
 \pythoninline{zero_method} : \{"pratt", "wilcox", "zsplit"\}, \textbf{optional}\\
 "wilcox": Wilcox treatment: discards all zero-differences
@@ -466,7 +467,7 @@ \subsection*{Varianzanalyse}
 \pythoninline{sns.boxplot(x="...", y="...", data=frame)} \\
 Varianz-Analyse mit Boxplots zwischen \textit{x} und \textit{y} \\
 
-\pythoninline{sns.distplot(Fstat, kde=False, norm_hist=True, 
+\pythoninline{sns.distplot(Fstat, kde=False, norm_hist=True,
 	hist_kws=dict(edgecolor="black", linewidth=2))} \\
 F-Statistik plotten \\
 
@@ -486,10 +487,10 @@ \subsection*{Varianzanalyse}
 })
 \end{python}
 \end{tcolorbox}
- 
+
 \pythoninline{fit = ols("steak_id~Treatment", data=frame).fit()} \\
 \pythoninline{fit.summary()} \\
-Gruppenmittelmodell berechnen zwischen der Id des \\ 
+Gruppenmittelmodell berechnen zwischen der Id des \\
 Steaks und der ausgef�hrten Behandlung \\
 
 \pythoninline{fit_pred = fit.get_prediction()} \\
@@ -540,6 +541,7 @@ \subsection*{Varianzanalyse}
 \vfill\null
 \columnbreak
 
+
 \subsection*{Zeitreihen}
 \pythoninline{from statsmodels.tsa.seasonal } \\
 \pythoninline{	import seasonal_decompose} \\
@@ -579,22 +581,58 @@ \subsection*{Zeitreihen}
 Zerlegen einer Zeitreihe in die verschiedenen Faktoren \\
 bei einer Fenstergr�sse von 12 \\
 
-\pythoninline{seasonal_decompose(np.log(frame["Passengers"]),} \\ 
+\pythoninline{seasonal_decompose(np.log(frame["Passengers"]),} \\
 \pythoninline{	model="add").resid.plot()} \\
 Residuen Plot von logarithmierten Daten anzeigen \\
 
 % TODO Remove, just for layout purposes
 \vfill\null
 \columnbreak
 
-\pythoninline{seasonal_decompose(frame["Passengers"], } \\ 
+\pythoninline{seasonal_decompose(frame["Passengers"], } \\
 \pythoninline{	model="mul").plot()} \\
 Zerlegen einer Zeitreihe mit dem multiplikativen Modell \\
 
 \pythoninline{frame.resample("A").mean()} \\
 Zeitreihe so umformen, dass jede Zeile den \\
 Jahresdurchschnitt eines Jahres enth�lt
 
+\subsection*{Autoregressive Modelle}
+
+\pythoninline{from statsmodels.graphics.tsaplot } \\
+\pythoninline{	import plot_acf, plot_pacf} \\
+\pythoninline{from statsmodels.tsa.arima_model} \\
+\pythoninline{	import ARMA, ArmaProcess} \\
+Ben�tigte Bibliotheksfunktionen f�r Autoregressive Modelle
+
+\pythoninline{plot_acf(frame, lags=50)} \\
+Pr�ft ob ein Autoregressives modell angebracht ist \\
+
+\pythoninline{plot_pacf(frame, lags=50)} \\
+Findet den parameter $p$ heraus (gr�sste nicht im \\
+Weissen Rauschen verschwindender Wert) \\
+
+\pythoninline{model = ARMA(frame, order=(p, 0).fit()} \\
+Erstellt ein autoregressives Modell mit parameter $p$ \\
+
+\pythoninline{frame.plot()} \\
+\pythoninline{(frame["Passengers"] - model.resid).plot()} \\
+Vergleich zwischen Daten und Modell \\
+
+\pythoninline{fig, ax = plt.subplots()} \\
+\pythoninline{ax = frame.plot(ax=ax)} \\
+\pythoninline{model.plot_predict("start", "end",} \\
+\pythoninline{	dynamic=True, ax=ax, plot_insample=True)} \\
+Vorhersagen des Modells erstellen \\
+
+\pythoninline{process = ArmaProcess([a_1, a_2, ...], ma=[1])} \\
+Erstellen eines theoretischen autoregressiven Prozesses \\
+$a_n$, stellt die polynomialparameter dar \\
+
+% TODO Remove, just for layout purposes
+\vfill\null
+\columnbreak
+
 \subsection*{Allgemein}
 \pythoninline{from scipy.special import comb} \\
 \pythoninline{comb(N=5, k=3, exact=True)} \\