기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 암묵적과 명시적 형변환(Type Conversion)

내용

형변환(Type Conversion)

형변환

pyhton에서 자료형은 숫자형과 문자형으로 구분합니다. 숫자형은 기본 자료형으로 정수, 실수, 복소수형으로 구성되어 있습니다. 이들은 근본적으로 동일한 자료형으로 연산과정에서 자동적으로 형변환이 이루어집니다. 이를 암묵적 형변환이라고 합니다. 반면에 문자형은 메모리에 저장 과정에서 이미 변환된 상태로서 자동적으로 변환이 이루어지지 않습니다. 그러므로 이들의 형변환은 특정한 함수에 의해 이루어 집니다. 이 과정을 명시적 형변환이라 합니다.

암묵적 형변환

자동적으로 일어나는 형변환을 의미합니다. 예를 들어 정수와 실수의 연산에서 정수는 자동적으로 실수형으로 변환됩니다.

x=2
y=3.14
z=x+y; z
5.140000000000001
for i in [x, y, z]:
    print(F"{i}의 자료형: {type(i)}")
2의 자료형: <class 'int'>
3.14의 자료형: <class 'float'>
5.140000000000001의 자료형: <lass 'float'>

명시적 형변환

다음 두 자료는 같은 수이지만 다른 자료형입니다.

a=3
b="3"
type(a), type(b)
(int, str)
a+b
~~TypeError: unsupported operand type(s) for +: 'int' and 'str'

위의 두 a와 b의 자료형은 다르기 때문에 에러가 발생합니다.

위 코드의 객체 b는 문자이지만 숫자로 변환이 가능한 자료입니다. 이 경우 a 와 같은 자료형 즉, 정수로 변환하기 위해 int() 함수를 사용하여 형변환할 수 있습니다. 이러한 명시적 변환은 유형캐스팅(typecasting)이라고 합니다.

유형캐스팅에 적용할 수 있는 함수는 다음과 같습니다.

함수 내용
int(x) 객체 x를 정수형으로 변환
float(x) 객체 x를 부동소수형으로 변환
complex(x) 객체 x를 복소수형으로 변환

위 함수의 적용은 다음과 같이 선언할 수 있습니다.

dataTypeName(객체)

이러한 유형캐스팅 과정에서 데이터의 손실이 발생할 수 있습니다.

int(b)
3
a+int(b)
6
a+float(b)
6.0
str(a)+b
'33'

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

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b