Merge branch 'update'

docs/blog/posts/2022-01-02-customize_minimal_mistakes.md

@@ -242,7 +242,7 @@ GitHub Pages에 수학식을 출력하는 방법은 여러 가지가 있는데,
 mathjax: true
 ```
 
-글 작성 시 수식 입력 방법은 [여기](2022-01-04-blog_markdown.md/#3)에서 확인할 수 있다.
+글 작성 시 수식 입력 방법은 [여기](2022-01-04-blog_markdown.md/#수식-입력)에서 확인할 수 있다.
 
 ## 4. favicon 설정
 

docs/blog/posts/2022-01-08-count_runtime.md

@@ -73,7 +73,47 @@ with cal_time("test"):
 test: 0:00:01.013775
 ```
 
+## 4. timeit 사용
+
+Python의 표준 라이브러리 중 `timeit` 패키지를 사용하면 코드의 실행 시간을 측정할 수 있다.  
+
+```python
+import timeit
+
+SETUP_CODE = """
+import statistics
+
+import numpy as np
+
+DATA_LIST = [i for i in range(int(1e3))]
+DATA_ARRAY = np.array(DATA_LIST)
+"""
+
+STD_MEAN_WITH_LIST = """statistics.mean(DATA_LIST)"""
+STD_MEAN_WITH_ARRAY = """statistics.mean(DATA_ARRAY)"""
+NP_MEAN_WITH_LIST = """np.mean(DATA_LIST)"""
+NP_MEAN_WITH_ARRAY = """np.mean(DATA_ARRAY)"""
+
+
+def main():
+    print(timeit.timeit(stmt=STD_MEAN_WITH_LIST, setup=SETUP_CODE))
+    print(timeit.timeit(stmt=STD_MEAN_WITH_ARRAY, setup=SETUP_CODE))
+    print(timeit.timeit(stmt=NP_MEAN_WITH_LIST, setup=SETUP_CODE))
+    print(timeit.timeit(stmt=NP_MEAN_WITH_ARRAY, setup=SETUP_CODE))
+
+
+if __name__ == "__main__":
+    main()
+```
+```
+142.78164129995275
+586.6689014999429
+35.12082770001143
+3.3709149999776855
+```
+
 ---
 ## Reference
-- [Python Documentation: time — 시간 액세스와 변환](https://docs.python.org/ko/3/library/time.html)([영문](https://docs.python.org/3/library/time.html))
-- [Python Documentation: datetime — 기본 날짜와 시간 형](https://docs.python.org/ko/3/library/datetime.html)([영문](https://docs.python.org/3/library/datetime.html))
+- [time — Time access and conversions](https://docs.python.org/3/library/time.html)
+- [datetime — Basic date and time types](https://docs.python.org/3/library/datetime.html)
+- [timeit — Measure execution time of small code snippets](https://docs.python.org/3/library/timeit.html)

docs/blog/posts/2022-01-23-regression_statsmodels.md

@@ -227,7 +227,7 @@ res = smf.ols(formula='Lottery ~ np.log(Literacy)', data=df).fit()
     - BIC: AIC와 유사하나 패널티를 부여하여 AIC보다 모델 평가 성능이 더 좋으며, 수치가 낮을수록 좋음
 
 - **coef: 변수의 coefficient(계수)**, 각 독립변수가 종속변수의 변화에 미치는 영향의 정도
-- std err: 계수의 [표준오차](2023-02-15-sampling_distribution.md/#1-3)(표본 통계량의 표준편차), 값이 작을수록 좋음
+- std err: 계수의 [표준오차](2023-02-15-sampling_distribution.md/#1-3-표본분포)(표본 통계량의 표준편차), 값이 작을수록 좋음
 - t: 독립변수와 종속변수간에 선형관계(관련성)가 존재하는 정도, 값이 클수록 상관도가 큼
     - t 값이 크다 = 표준편차가 작다 = 독립-종속변수 간 상관도 높음
     - t 값이 작다 = 표준편차가 크다 = 독립-종속변수 간 상관도 낮음

docs/blog/posts/2022-04-01-iqr_method.md

@@ -134,7 +134,7 @@ $$
 좀 더 정확한 계산값을 사용하고 싶을 때는 $1.7$을 계수로 사용하면 정상 데이터의 범위가 $\pm 2.97 \sigma$이 되어 $\pm 3 \sigma$에 좀 더 가까운 결과가 나오게 된다.  
 
 !!! note
-    실제 데이터의 분포에 상관없이 표준 정규분포를 가정하고 IQR 방식을 사용할 수 있는 이유는 [중심극한정리](2023-02-15-sampling_distribution.md/#2-2)[^1]가 이론적 배경이라고 한다. 중심극한정리는 모집단이 어떤 분포를 가지고 있던지 간에 (모집단 분포가 어떤 모양이던 상관없이) 일단 표본의 크기가 충분히 크다면 표본평균들의 분포가 모집단의 모수를 기반으로한 정규분포를 이룬다는 정리이다.  
+    실제 데이터의 분포에 상관없이 표준 정규분포를 가정하고 IQR 방식을 사용할 수 있는 이유는 [중심극한정리](2023-02-15-sampling_distribution.md/#2-2-중심극한정리)[^1]가 이론적 배경이라고 한다. 중심극한정리는 모집단이 어떤 분포를 가지고 있던지 간에 (모집단 분포가 어떤 모양이던 상관없이) 일단 표본의 크기가 충분히 크다면 표본평균들의 분포가 모집단의 모수를 기반으로한 정규분포를 이룬다는 정리이다.  
 
 [^1]: [위키피디아 - 중심 극한 정리](https://ko.wikipedia.org/wiki/%EC%A4%91%EC%8B%AC_%EA%B7%B9%ED%95%9C_%EC%A0%95%EB%A6%AC)
 

docs/blog/posts/2022-05-19-linear_algebra_various_matrix.md

@@ -109,7 +109,7 @@ Python으로 대칭 행렬 여부를 확인하려면 아래와 같이 앞서 만
 
 ### 반대칭 행렬
 
-아래와 같이 [전치 행렬](#1)이 원래 행렬에 $-1$을 곱한 행렬일 경우 행렬 $A$를 **반대칭 행렬(skew-symmetric matrix)**이라고 한다.  
+아래와 같이 [전치 행렬](#1-전치-행렬)이 원래 행렬에 $-1$을 곱한 행렬일 경우 행렬 $A$를 **반대칭 행렬(skew-symmetric matrix)**이라고 한다.  
 
 $$
 A^{T} = -A
@@ -259,7 +259,7 @@ $$
 
 ## 4. 단위 행렬
 
-**단위 행렬(identity matrix)**은 아래와 같이 주 대각 원소가 1이고 그 외 나머지 원소는 모두 0인 [대각 행렬](#3)을 의미한다. $I$로 표기하며, **항등 행렬**이라고도 부른다.  
+**단위 행렬(identity matrix)**은 아래와 같이 주 대각 원소가 1이고 그 외 나머지 원소는 모두 0인 [대각 행렬](#3-대각-행렬)을 의미한다. $I$로 표기하며, **항등 행렬**이라고도 부른다.  
 
 $$
 I = \begin{bmatrix}
@@ -440,7 +440,7 @@ $$
 
 ## 8. 하우스홀더 행렬
 
-**하우스홀더 행렬(householder matrix)**은 모든 열이 [정규 직교(orthonormal)](2022-06-06-linear_algebra_orthogonal_qr_decomposition.md/#1)하는 정사각 행렬로, 아래와 같은 수식을 따르는 행렬 $H$를 말한다.  
+**하우스홀더 행렬(householder matrix)**은 모든 열이 [정규 직교(orthonormal)](2022-06-06-linear_algebra_orthogonal_qr_decomposition.md/#1-직교-공간)하는 정사각 행렬로, 아래와 같은 수식을 따르는 행렬 $H$를 말한다.  
 
 $$
 \textbf{v} = \begin{bmatrix}
@@ -452,7 +452,7 @@ v_{n}
 \to H = I - 2\frac{\textbf{vv}^{T}}{\textbf{v}^{T}\textbf{v}}
 $$
 
-${\textbf{vv}^{T}}$은 [벡터의 외적](2022-06-09-linear_algebra_various_products.md/#1), ${\textbf{v}^{T}\textbf{v}}$은 [벡터의 내적](2022-06-05-linear_algebra_inner_product_norm.md/#1)을 뜻하기 때문에 하우스홀더 행렬 공식을 Python으로 구현하기 위해서는 벡터의 내적과 외적의 함수를 먼저 구현해야 한다.  
+${\textbf{vv}^{T}}$은 [벡터의 외적](2022-06-09-linear_algebra_various_products.md/#1-외적), ${\textbf{v}^{T}\textbf{v}}$은 [벡터의 내적](2022-06-05-linear_algebra_inner_product_norm.md/#1-내적)을 뜻하기 때문에 하우스홀더 행렬 공식을 Python으로 구현하기 위해서는 벡터의 내적과 외적의 함수를 먼저 구현해야 한다.  
 
 === "Python"
 

docs/blog/posts/2022-05-22-linear_algebra_linear_system.md

@@ -19,7 +19,7 @@ tags:
 
 ## 1. 선형 방정식
 
-**선형 방정식(linear equation)**이란 아래와 같이 변수인 $x_{n}$과 상수인 $\beta_{n}$이 [선형 결합](2022-05-29-linear_algebra_basis_dimension.md/#3)되어 **선형(linear)**으로 표현 되는 1차 방정식을 말한다.  
+**선형 방정식(linear equation)**이란 아래와 같이 변수인 $x_{n}$과 상수인 $\beta_{n}$이 [선형 결합](2022-05-29-linear_algebra_basis_dimension.md/#3-선형-결합과-선형-독립)되어 **선형(linear)**으로 표현 되는 1차 방정식을 말한다.  
 
 $$
 \beta_{0} + \beta_{1}x_{1} + \beta_{2}x_{2} + \cdots + \beta_{n}x_{n} = y
@@ -182,7 +182,7 @@ $$
 
 ### 가우스-조르단 소거법
 
-주어진 선형 시스템을 [기본 행 연산](2022-05-23-linear_algebra_determinant.md/#_4)을 통해 기약 행사다리꼴 행렬의 형태로 만들어 방정식의 해를 구하는 방법을 **가우스-조르단 소거법(Gauss Jordan elimination)**이라고 한다.  
+주어진 선형 시스템을 [기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)을 통해 기약 행사다리꼴 행렬의 형태로 만들어 방정식의 해를 구하는 방법을 **가우스-조르단 소거법(Gauss Jordan elimination)**이라고 한다.  
 
 [Wolfram](https://mathworld.wolfram.com/Gauss-JordanElimination.html)에 따르면 가우스-조르단 소거법은 [역행렬](2022-05-28-linear_algebra_inverse_matrix.md)을 구하기 위한 방법이지만 응용해서 선형 시스템을 해를 구할 때도 사용할 수 있다. 아무튼 Python으로 구현하면 아래와 같다.  
 

docs/blog/posts/2022-05-23-linear_algebra_determinant.md

@@ -106,13 +106,13 @@ $$
 
 ### 특이한 행렬의 행렬식
 
-[삼각 행렬](2022-05-19-linear_algebra_various_matrix.md/#6), [대각 행렬](2022-05-19-linear_algebra_various_matrix.md/#3)의 행렬식은 주 대각 원소의 곱과 같다.  
+[삼각 행렬](2022-05-19-linear_algebra_various_matrix.md/#6-삼각-행렬), [대각 행렬](2022-05-19-linear_algebra_various_matrix.md/#3-대각-행렬)의 행렬식은 주 대각 원소의 곱과 같다.  
 
 $$
 \det(A) = a_{11} a_{22} \cdots a_{nn}
 $$
 
-[전치 행렬](2022-05-19-linear_algebra_various_matrix.md/#1)의 행렬식: 행렬 $A$가 정사각 행렬일 경우 행렬 $A$와 그 전치 행렬 $A^{T}$의 행렬식은 동일하다.  
+[전치 행렬](2022-05-19-linear_algebra_various_matrix.md/#1-전치-행렬)의 행렬식: 행렬 $A$가 정사각 행렬일 경우 행렬 $A$와 그 전치 행렬 $A^{T}$의 행렬식은 동일하다.  
 
 $$
 \det(A) = \det(A)^{T}
@@ -122,7 +122,7 @@ $$
 
 ### 행렬의 기본 행 연산과 행렬식
 
-[기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#_4)에 의한 행렬식의 변경은 아래와 같다.  
+[기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)에 의한 행렬식의 변경은 아래와 같다.  
 
 - 한 행에 영이 아닌 상수를 모두 곱한다.
 

docs/blog/posts/2022-05-28-linear_algebra_inverse_matrix.md

@@ -51,15 +51,15 @@ $$
 
 ### n * n 행렬의 역행렬
 
-n * n 행렬의 역행렬을 구하는 방법은 행렬식에서 다룬 [수반 행렬](2022-05-23-linear_algebra_determinant.md/#_2)을 사용해야 한다. 구하는 방법은 아래와 같다.  
+n * n 행렬의 역행렬을 구하는 방법은 행렬식에서 다룬 [수반 행렬](2022-05-23-linear_algebra_determinant.md/#수반-행렬)을 사용해야 한다. 구하는 방법은 아래와 같다.  
 
 $$
 A^{-1} = \frac{\text{adj}(A)}{\det(A)}
 $$
 
 ## 2. 역행렬 계산
 
-역행렬을 구하는 방법은 다양하지만, 앞서 다뤘던 [가우스-조르단 소거법(Gauss Jordan elimination)](2022-05-22-linear_algebra_linear_system.md/#-)을 사용하는 것이 가장 간편하다. 절차는 아래와 같다.  
+역행렬을 구하는 방법은 다양하지만, 앞서 다뤘던 [가우스-조르단 소거법(Gauss Jordan elimination)](2022-05-22-linear_algebra_linear_system.md/#가우스-조르단-소거법)을 사용하는 것이 가장 간편하다. 절차는 아래와 같다.  
 
 - 행렬 $A$의 오른쪽에 같은 크기를 갖는 단위 행렬 $I$를 첨가해 아래와 같이 첨가 행렬 $[A \vert I]$를 만든다.  
 
@@ -71,7 +71,7 @@ $$
 \end{array} \right]
 $$
 
-- 이 행렬을 [기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#_4)을 통해 아래와 같이 $[I \vert B]$를 만든다.  
+- 이 행렬을 [기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)을 통해 아래와 같이 $[I \vert B]$를 만든다.  
 
 $$
 [I|B] = \left[ \begin{array}{ccc|ccc}

docs/blog/posts/2022-06-05-linear_algebra_inner_product_norm.md

@@ -21,7 +21,7 @@ tags:
 
 ### 내적의 개념
 
-[벡터 공간](2022-05-29-linear_algebra_basis_dimension.md/#1)의 설명에서 언급했듯이 **내적(inner product)**이 주어진 벡터 공간을 **내적 공간(inner product space)**이라고 부르는데, 벡터의 **내적(inner product)**은 벡터를 방향이 일치하는 만큼만 곱한다는 뜻으로 아래와 같이 표기한다.  
+[벡터 공간](2022-05-29-linear_algebra_basis_dimension.md/#1-벡터-공간)의 설명에서 언급했듯이 **내적(inner product)**이 주어진 벡터 공간을 **내적 공간(inner product space)**이라고 부르는데, 벡터의 **내적(inner product)**은 벡터를 방향이 일치하는 만큼만 곱한다는 뜻으로 아래와 같이 표기한다.  
 
 $$
 \textbf{u}
@@ -42,7 +42,7 @@ $$
 \langle \textbf{u}, \textbf{v} \rangle = \textbf{u} \cdot \textbf{v} = \textbf{u}^{T} \textbf{v} = \sum_{i=1}^{n}u_{i}v_{i} = \vert \textbf{u} \vert \vert \textbf{v} \vert \cos \theta
 $$
 
-벡터의 내적을 Python으로 구현하면 아래와 같다. [하우스홀더 행렬](2022-05-19-linear_algebra_various_matrix.md/#8) 공식에서 이미 구현한 바 있다.  
+벡터의 내적을 Python으로 구현하면 아래와 같다. [하우스홀더 행렬](2022-05-19-linear_algebra_various_matrix.md/#8-하우스홀더-행렬) 공식에서 이미 구현한 바 있다.  
 
 === "Python"
 
@@ -79,7 +79,7 @@ $$
 
 ## 2. 노름(norm)
 
-**노름(norm)**은 벡터의 크기 또는 길이를 말하며 $\Vert \textbf{v} \Vert$로 표기한다. 내적이 정의되면 노름(norm)은 자기 자신의 [내적(inner product)](#1)의 제곱근으로 정의할 수 있다.  
+**노름(norm)**은 벡터의 크기 또는 길이를 말하며 $\Vert \textbf{v} \Vert$로 표기한다. 내적이 정의되면 노름(norm)은 자기 자신의 [내적(inner product)](#1-내적)의 제곱근으로 정의할 수 있다.  
 
 !!! warning
     그러나 노름(norm)이 있다고 해서 그에 자연스럽게 대응되는 내적이 항상 존재하는 것은 아니다.  
@@ -172,7 +172,7 @@ $$
 
 ## 3. 코사인 유사도
 
-**[코사인 유사도(cosine similarity)](https://ko.wikipedia.org/wiki/%EC%BD%94%EC%82%AC%EC%9D%B8_%EC%9C%A0%EC%82%AC%EB%8F%84)**는 내적 공간의 두 벡터 간의 유사한 정도를 벡터 간 각도의 코사인 값을 이용하여 측정한 것을 의미하는데, [노름(norm)](#2-norm)을 통해 정리하면 **코사인 유사도(cosine similarity)**를 다음과 같이 유도할 수 있다.  
+**[코사인 유사도(cosine similarity)](https://ko.wikipedia.org/wiki/%EC%BD%94%EC%82%AC%EC%9D%B8_%EC%9C%A0%EC%82%AC%EB%8F%84)**는 내적 공간의 두 벡터 간의 유사한 정도를 벡터 간 각도의 코사인 값을 이용하여 측정한 것을 의미하는데, [노름(norm)](#2-노름norm)을 통해 정리하면 **코사인 유사도(cosine similarity)**를 다음과 같이 유도할 수 있다.  
 
 $$
 \text{cosine similarity} = S_{c}(\textbf{u}, \textbf{v}) = \cos \theta = \frac{\textbf{u} \cdot \textbf{v}}{\Vert \textbf{u} \Vert \Vert \textbf{v} \Vert}