이상우의 IDL 블로그

증가 연산자(Increment Operator) 및 감소 연산자(Decrement Operator)는 원래 C나 자바 같은 프로그래밍 언어들에서 지원되는 연산자들인데, IDL에서도 6.0 버전부터 이러한 증감 연산자들이 지원되어오고 있습니다. 기호로는 ++ 및 --로 표기합니다. IDL에서 이러한 연산자들의 기본적인 개념은 타 언어에서와 거의 비슷합니다. 그러면 IDL에서 증가 및 감소 연산자들의 사용 방법 및 예제들을 살펴보기로 하겠습니다. 증가 및 감소 연산자는 변수 또는 배열에 대하여 적용이 가능합니다. 예를 들어 a라는 변수에 적용한다고 하면 그 방식은 a++, ++a, a--, --a 등과 같습니다. 다만 숫자값 자체에는 적용이 불가능하다는 것을 유의해야 합니다. 즉 23++과 같은 방식의 사용..

IDL에서 군집화 분석 작업을 하는 방법에 관하여 얼마전에 관련 게시물을 통하여 소개한 바 있습니다. 여기서는 계층적 군집 분석(Hierachical Clustering) 알고리즘을 기반으로 군집화를 수행하는 방법을 설명하였고, 이러한 작업을 위하여 DISTANCE_MEASURE, CLUSTER_TREE, DENDROGRAM 등의 기능들을 사용하는 방법 및 관련 예제들을 소개하였습니다. 그런데 IDL에서는 군집화 분석에 있어서 이러한 계층적 분석 기법 외에도 또 다른 기법을 사용할 수도 있습니다. 바로 K-평균 알고리즘을 바탕으로 하는 K-평균 군집화(K-means Clustering) 분석 기법입니다. 이 알고리즘은 웹상에서 검색을 해보면 "주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러..

공간상에 여러 개의 데이터 포인트들이 흩어져있을 때 포인트와 포인트 사이의 거리를 측정하는 작업을 모든 쌍(pair)들에 대하여 수행하고 그 결과를 전달하는 역할을 하는 DISTANCE_MEASURE 함수에 관하여 얼마전에 소개한 바 있습니다. 그리고 이러한 기능은 군집화(Clustering) 및 Dendrogram의 구축이라는 작업의 기본이 된다는 언급도 함께 하였습니다. 오늘은 바로 이어서 DISTANCE_MEASURE 함수로 얻은 결과를 바탕으로 군집화(Clustering) 작업을 수행하고 그 결과를 덴드로그램(Dendrogram)이라는 형태로 가시화하는 과정도 살펴보고자 합니다. 일단 분석에 사용되는 샘플 데이터는 지난회 게시물에서 생성했던 것을 그대로 사용하기로 합니다. 그러면 가상의 샘플 데이..

오늘은 DISTANCE_MEASURE 함수에 관한 소개를 해볼까 합니다. 이 함수는 공간상에 여러 개의 데이터 포인트들이 흩어져있을 때 포인트와 포인트 사이의 거리를 측정하는 작업을 모든 쌍(pair)들에 대하여 수행하고 그 결과를 전달하는 역할을 합니다. 참고로 이러한 기능은 군집화(Clustering) 및 Dendrogram의 구성과 같은 작업의 기본이 됩니다(이와 관련해서는 차후에 기회가 되면 별도로 다룰 예정입니다). DISTANCE_MEASURE 함수의 사용에 있어서 공간의 차원에는 제한이 없습니다. 즉 1차원부터 N 차원까지 모두 적용 가능합니다. 그러면 오늘은 2차원 공간상에 분포하는 가상의 데이터 포인트들을 대상으로 하여 DISTANCE_MEASURE 함수를 적용하는 예제를 살펴보기로 하겠..

제가 이 블로그를 통해서 내삽 또는 보간(Interpolation)이라는 기법과 근사(Fitting)라는 기법을 IDL에서 사용하는 방법에 관하여 관련 내장함수들에 대한 소개 및 예제들을 여러 차례에 걸쳐 소개해드린 바 있습니다. 오늘은 이와 관련하여 조금은 원론적인 얘기를 해보고자 하는데요. 바로 내삽(Interpolation)과 근사(Fitting)의 차이점에 관한 것입니다. 사실 이 두가지 기법은 서로 비슷한 것처럼 느껴질 수도 있습니다. 물론 제가 수치계산 분야의 전문가는 아니기 때문에 학문적으로 완벽한 지식을 갖고 얘기할 수 있는 입장이 아니긴 하지만, 적어도 IDL에서 지원되는 관련 기능들의 관점에서 본다면 두 기법은 서로 완전히 다르다고 얘기할 수 있습니다. 예제 데이터 및 처리 결과를 보면..

내삽 또는 보간이라고 부르는 Interpolation이라는 기법에 대해서는 아마 많이들 알고 계시리라 생각합니다. 공간 또는 시간적인 분포를 하는 데이터가 주어진 상태에서, 원래 데이터 값이 존재하지 않던 특정한 위치에 대한 값을 계산하여 추정하는 기법이라고 할 수 있습니다. 특히 공간 분포의 관점에서 본다면 원론적으로는 1차원, 2차원, 3차원 등 모든 차원에 대하여 원리 자체는 동일하다고 볼 수 있습니다. 사실 2차원 데이터를 기반으로 한 내삽 기법에 관해서는 제가 예전에 관련 게시물을 작성하여 올린 바 있습니다. 오늘은 가장 기본이 된다고 볼 수 있는 1차원 데이터에 대한 내삽 기법에 관하여 관련 예제와 함께 소개해보기로 하겠습니다. IDL에서 1차원 내삽 기법에 해당되는 기능 함수는 바로 INTE..

IDL의 MEDIAN 함수는 중간값(Median Value)을 산출하는 역할을 하는 내장함수입니다. 즉 대상 배열이 있을 때 그 배열 값들을 크기 순서로 오름차순 또는 내림차순으로 나열했을 때 딱 가운데 순위에 해당되는 값을 산출하는 역할을 합니다. 예를 들면 다음과 같습니다. IDL> data = [68, 45, 77, 89, 62] IDL> PRINT, MEDIAN(data) 68.0000 이와 같이 5개의 값들로 구성된 배열 data에 대하여 MEDIAN 함수를 적용하면, 배열 내 5개의 값들 중 크기 순서상으로 정확히 중간 순위인 3위에 해당되는 68이란 값을 결과로 얻게 됩니다. 이와 같이 배열의 원소값 갯수가 홀수일 경우에는 중간 순위가 정확히 정수값으로 떨어집니다. 즉 갯수가 7개라면 4위,..

얼마전에 GAUSSFIT 함수를 사용하여 Gaussian 근사를 하는 방법을 소개하는 게시물을 올린 바 있는데요. 오늘은 그 2차원 버전에 해당되는 GAUSS2DFIT 함수를 사용하여 2차원 Gaussian 근사를 하는 방법을 소개해보기로 하겠습니다. 즉 2차원 데이터가 나타내는 패턴을 2차원 Gaussian 함수에 맞춰서 근사하는데 있어서 GAUSS2DFIT 함수를 사용하는 방법이 될텐데요. IDL 도움말에서 GAUSS2DFIT 함수에 관한 내용을 보면 그 근거가 되는 수식에 관하여 다음과 같이 자세히 소개되어 있습니다. 즉 2차원 타원형 Gaussian 수식이라고 볼 수 있는데요. 2차원적인 패턴을 타원의 형태로 근사하고 그 타원의 장반경, 단반경, 중심점, 기울기 등에 해당되는 인자들을 근사에 의하..

오늘은 IDL의 GAUSSFIT 함수를 이용하여 Gaussian 함수 근사를 수행하는 방법에 관하여 소개해보기로 하겠습니다. Gaussian 함수는 그 형태가 마치 종의 모양(Bell Shape)을 띄며, 기초통계에서 등장하는 정규분포함수 역시 이러한 형태를 띄는 것으로 잘 알려져 있습니다. 원래 이 함수의 일반적인 수식은 다음과 같습니다. 이 수식에서는 그 형태를 결정짓는 인자들이 a, b, c 세 개입니다. 그런데 IDL의 GAUSSFIT 함수에서는 이러한 3-term Gaussian 함수에 대한 근사 뿐만 아니라, 인자들이 더 많은 케이스들(4, 5, 6-term)에 대한 근사도 가능합니다. 즉 다음과 같이 기본적으로는 Gaussian의 형태를 가지면서 베이스라인의 형태가 다양한 일반적인 케이스들까..

오늘은 글로벌 맵(Global Map) 즉 세계 전체 지도 상에서 분포하는 지점별 데이터들을 규칙 격자 데이터로 변환하는 작업에 대하여 소개하고 이와 관련된 유의사항에 관해서도 함께 언급해보고자 합니다. 사실 불규칙하게 지점별로 분포하는 데이터를 규칙 격자 데이터로 변환하는 방법에 관해서는 제가 이 블로그에서 여러 차례 관련 게시물들을 통하여 소개한 바 있습니다. 이 게시물들에서는 격자화를 위한 내삽 연산을 담당하는 GRIDDATA, KRIG2D, SPH_SCAT 등의 함수들의 사용법 및 관련 예제들이 상세히 설명되어 있습니다. 그런데 이 게시물들에서 주로 예제로 사용되었던 지점 분포 데이터들의 경우 그 지점들이 주로 한반도 및 그 주변 영역에 제한되었습니다. 아무래도 국내 사용자들 입장에서는 그런 데이..