기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

코틀린의 자료형(2)

두 값의 비교 

비교는 이중등호(==)와 삼중 등호(===)를 사용합니다.

이중등호(==): 값을 비교합니다.
삼중등호(===): 참조 주소를 비교합니다.

코틀린의 자료형은 기본적으로 참조형이며 Int, Double 등의 기본 자료형은 컴파일 단계에서 기본형을 전환됩니다.

val a: Int = 128
val b: Int = 128
println(a == b)
     true //위 두 객체의 값이 같으므로 true
println(a === b)
     true

컴파일 후 두 객체 a와 b는 기본형으로 전환되어 stack 메모리에 저장된다. 그러므로 그들의 저장위치는 같습니다.
val a: Int = 128
val c: Int? = 128
println(a == c)
     true
println(a === c)
     false

위의 두 객체 a, c의 자료형은 각각 Int과 nullable Int입니다. 컴파일 단계에서 Int는 기본형으로 전환되지만 nullable Int는 참조형으로 유지됩니다. 그러므로 Int는 stack 메모리에, nullable  Int는 heap에 저장됩니다. 즉, 둘의 참조주소는 다릅니다.

다음 코드는 참조형과 기본형의 구분을 위한 것입니다.

fun main() {
    val a: Double = 1e15
    val b = a

    println(a === b) // 자료형이 기본형인 int가 되어 값이 동일 true
    val c: Double? = a
    val d: Double? = a
    val e: Double? = c
    println(c == d) // 값의 내용만 비교하는 경우 동일하므로 true
    println(c === d) // 값의 내용은 같지만 참조를 비교해 다른 객체(주소 다름)이므로 false
    println(c === e) // 값의 내용도 같고 참조된 객체도 동일(주소 동일)하므로 true
}
      true
      true
      false
      true

위 코드에서
a: Double형으로 컴파일 후 기본형이 됩니다.
b: 객체 a의 자료형과 값 모두 할당 받은 것으로 역시 기본형이 됩니다.
   그러므로 이 둘은 모두 stack 메모리에 저장되므로 값과 참조 주소 모두 같습니다.
c 와 d: 객체 a의 값만을 할당받지만 자료형은 Nullable Double 형을 참조형이 됩니다.
 c와 d의 경우는 같은 값을 할당 받지만 참조형으로 heap 메모리에 각기 다른 위치에 저장됩니다. 그러므로 이 둘의 참조주소가 다릅니다.
e:  객체e는 c의 동일한 값과 자료형을 갖습니다. 그러므로 객체 e는 객체 c와 같은 위치를 참조하게 됩니다.

다음 그림과 같이 나타낼 수 있습니다.

스마트캐스트

코틀린에서 자료형은 다음의 의미가 있습니다.

1) 그 객체가 저장되는 크기를 규정
2) 객체들의 치환, 연산등의 실행 여부 즉, 동일한 자료형을 가져야만 실행됩니다.

예를들어 Int형과 Double 형의 연산은 이루어지지 않습니다.

val a: Int = 17
val b: Double= a
println(b)
     error: type mismatch: inferred type is Int but Double was expected
                  val b: Double= a

객체 a와 b의 자료형이 다르기 때문에 객체 b에 a의 할당은 이루어지지 않습니다.
이러한 경우 스마트 캐스트가 적용되는 자료형을 사용하면 할당되는 값에 따라 자료형이 지정됩니다.
Number 형은 숫자를 저장하기 위한 특별한 자료형을 만드는 대표적인 스마트 캐스트가 적용되는 자료형입니다.

val a: Int = 17
val b: Number=a
println(b)
     17

위 코드에서 a는 Int형입니다. Number로 지정된 객체 b의 경우 할당되는 값에 따라 자료형이 결정됩니다.

val a: Int = 17
var b: Number=a
println(b)
     17

b is Int
     res12: kotlin.Boolean = true

b=3.14
b
     res13: kotlin.Number = 3.14

b is Double
     res14: kotlin.Boolean = true

위 코드에서 b는 그 객체에 전달되는 값에 따라 자료형이 결정됩니다.

Any

스마트 캐스트와 같은 과정을 가지는 자료형으로 "Any"를 사용합니다. 

Any는 kotlin에서 작성하는 모든 클래스의 가장 상단에 놓여있는 수퍼클래스입니다.
다시말하면 모든 클래스가 Any를 상속받을 수 있습니다.

결과적으로 Any로 선언된 변수의 경우 다양한 종류의 값들이 할당될 수 있다는 것을 의미합니다.

var a: Any=3
a is Int
     res15: kotlin.Boolean = true

a=3.14
a is Double
     res16: kotlin.Boolean = true

a="kotlin"
a
     res17: kotlin.Any = kotlin
a is String
     res18: kotlin.Boolean = true



댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...