기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[python] 클래스메서드(Classmethod)

클래스 메소드(Class method)

메소드(method)는 인수 self를 사용하여 서로 연결되어 있습니다. 그러므로 그 메소드의 동작은 클래스에 전달되는 인수들로 한정됩니다. 그러나 self와 연결되지 않은 인스턴스와는 별개의 인수들에 작동하는 특별한 메소드를 사용할 수 있습니다. 함수처럼 사용할 수 있는 메서드들을 클래스 메서드(classmethod)와 정적 메서드(staticmethod)라고 합니다.

클래스 메서드

다음의 클래스 desStatis1의 메서드들은 객체의 크기, 합, 평균과 분산 그리고 표준편차를 계산할 수 있습니다.

class desStatis1:
    def __init__(self, a):
        self.a = a
    def size(self):
        self.sz=len(self.a)
        return(self.sz)
    def sum(self):
        tot=0
        for i in self.a:
            tot +=i
        self.tot=tot
        return(self.tot)
    def mean(self):
        self.mu=self.sum()/self.size()
        return(self.mu)
    def var(self):
        var1=0
        mu=self.mean()
        for i in self.a:
            var1 += (i-mu)**2
        self.var=var1/len(self.a)
        self.std=pow(self.var, 0.5)
        return([self.var, self.std]) 

다음 객체 x는 자료 a에 대해 클래스 desStatis1를 적용한 인스턴스입니다.

import numpy as np
np.random.seed(3)
a=np.random.randint(50, 101, 20)
x=desStatis1(a)
x.mean()
74.2
x.var()
[185.56, 13.622040963086258]
x.size()
20
x.sum()
1484

위 클래스를 사용하여 다른 자료 b에 대해 메소드.mean()을 사용하기 위해서는 새로운 인스턴스를 생성해야 합니다. 그 메소드의 경우 새로운 인수를 받을 수 없기 때문입니다. 이 경우 사용자는 장식자(decorator)인 클래스 메소드를 적용합니다. 클래스 메서드(classmethod)는 인스턴스와 연결없이 클래스 자체에 직접 연결됩니다. 그러므로 인수 self로 연결되는 다른 메소드와 유리된 상태로 작동합니다.

클래스 메서드는 식 1과 같이 장식자 @classmethod를 대상이 되는 메서드의 직전에 첨가하여 작성합니다. 클래스 메소드에 전달되는 첫번째 인수 clf는 인스턴스와 연결된 self와 유사한 성격의 인수이지만 클래스 자체와 직접 연결된 것으로 객체 self와는 별개의 독립적인 인수입니다.

@classmethod
def method_name(clf, 인수, …):
    내 용
(식 1)

다음 클래스 desStatis는 클래스 desStatis1와 같은 메소드들을 가지지만 .mean()을 클래스 메소드로 운영합니다. 그러므로 이 메소드에 새로운 자료가 인수로 전달될 수 있습니다.

class desStatis:
    def __init__(self, a):
        self.a = a
    def size(self):
        self.sz=len(self.a)
        return(self.sz)
    def sum(self):
        tot=0
        for i in self.a:
            tot +=i
        self.tot=tot
        return(self.tot)
    @classmethod
    def mean(clf, a):
        clf.mu=desStatis(a).sum()/desStatis(a).size()
        return(clf.mu)
    def var(self):
        var1=0
        mu=self.mean(self.a)
        for i in self.a:
            var1 += (i-mu)**2
        self.var=var1/self.size()
        self.std=pow(self.var, 0.5)
        return([self.var, self.std])
y=desStatis(a)
y.sum() # 자료 a에 대한 결과
1484
import numpy as np
np.random.seed(4)
b=np.random.randint(50, 101, 20)
y.mean(b) # 자료 b에 대한 결과
78.5

위 코드는 다른 자료 b의 평균을 계산하기 위해 인스턴스 y에서 메소드 .mean()를 적용했습니다. 그러나 이 메소드는 새로운 인수를 받아 인스턴스 y와는 다르게 클래스 자체를 사용하는 것입니다. 이러한 경로를 위해 이 메소드는 첫 번째 인수로 self가 아닌 clf를 전달받습니다. 그러므로 다음과 같이 클러스 이름으로 직접 실행이 이루어집니다.

np.random.seed(4)
b=np.random.randint(50, 101, 20)
desStatis.mean(b)
78.5

자료 a에 대한 평균은 인수로 a를 전달하여 계산해야 합니다. 그러나 이 결과는 여전히 인스턴스 y에 소속된 것이 아닙니다. 다시 말하면 메소드 .mean()은 다른 클래스와는 유리되어 독립적으로 사용할 수 있는 함수와 같이 사용할 수 있는 메서드입니다.

y.mean(a) # 자료 a에 대한 결과
74.2

위 실행과 같이 클래스메서드는 인스턴스가 아닌 클래스 자체와 직접 연결되어 적용합니다. 결과적으로 calssmethod는 메소드를 함수로 사용하기 위한 장치입니다.

다음 코드는 메소드 .var()를 적용한 것으로 이 메소드 내에 호출하여 사용하는 self.mean()은 인스턴스 y에 소속된 메서드입니다. 그러므로 이 메서드의 결과는 자료 b에 대한 것이 아닌 a에 대한 결과입니다.

y.var() # 자료 a에 대한 결과 
[185.56, 13.622040963086258]

self와 마찬가지로 그 인수 이름 clf는 고유명사가 아니므로 다른 용어를 사용할 수 있습니다.

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...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...