기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[python] 최대공약수와 최소공배수 클래스 만들기

최대공약수와 최소공베수 클래스 만들기

두 수의 최대공약수

다음 함수로 두 수의 공약수를 결정할 수 있습니다.

def commomFactor(x, y):
    re=[1]
    if x < y :
        smaller=x
    else:
        smaller=y
    for i in range(2, smaller+1):
        if (x % i ==0) and (y %i==0):
            re.append(i)
    return(re)

commomFactor(54, 24)
[1, 2, 3, 6]

두 수의 최대공약수는 사용자 정의함수 commomFactor()의 결과 중 최대수를 반환하는 방식으로는계산할 수 있습니다. 이러한 방식은 큰 수 일수록 반복문의 횟수가 증가합니다. 이러한 문제는 유클리드 호제법을 적용하여 개선할 수 있습니다. 즉, 두 수 a, b 로부터 다음 알고리즘에서 a%b=0이 될 때까지 반복하면 a가 최대공약수가 됩니다.

a, b = b, a % b

예를들어 76, 24의 최대공약수의 계산과정은 다음과 같습니다.

a, b=76, 24
a, b=b, a%b
a, b
(24, 4)
a, b=b, a%b
a, b
(4, 0)

위 결과와 같이 최대공약수는 a%b=0인 경우의 a 값인 4입니다. 그러나 유클리드 호제법으로 3, 5에 대한 최대공약수는 1이 반환됩니다.

a, b=3, 5
while True:
    a, b=b, a%b
    a, b
    if a%b == 0:
        break
a=b
a    
1

그러므로 위 상황을 고려하여 유클리드호제법을 사용하는 함수는 다음과 같이 작성할 수 있습니다.

def gcd(x, y):
    x1=[x, y]
    while(y):
        x, y=y, x%y
    if x ==1 :
        x=x1[0]*x1[1]
    return x

gcd(76, 24)
4
gcd(3, 5)
15

두 수의 최소공배수

공배수는 각 수의 배수들 중 공통인 수를 의미합니다. 그 공배수 중 가장 작은 값을 최소공배수라고 하며 다음과 같이 계산할 수 있습니다.

\begin{align} a = 24,& \quad b = 76\\ 2&\vert \underline{24\quad 76}\\ 2&\vert \underline{12\quad 38}\\&\;\; 6\quad 19\\ \text{gcd}:\;&2\times 2=4\\ \text{lcm}:\;&2\times 2 \times 6 \times 19 =\frac{24 \times 76}{4} =456\\ \therefore \;& \text{lcm} =\frac{a \times b}{\text{gcd}} \end{align}

def lcm1(a, b):
    if a>b:
        greater=a
    else:
        greater=b
    while(True):
        if (greater % a == 0) and (greater % b ==0):
            re = greater
            break
        greater +=1
    return(re)

lcm1(3,5)
15
lcm1(24, 76)
456

위 lcm1() 함수와 같이 두 인수에 대한 직접적인 계산은 인수의 크기가 클수록 계산 반복의 증가로 실행시간은 증가됩니다. 대신에 위 식에서 나타낸 것과 같이 두수의 최대공약수를 활용하여 실행시간의 단점을 극복할 수 있습니다. 다음 함수 lcm2()는 내재된 최대공약수 함수를 사용합니다.

def lcm2(a, b):
    def gcd(x, y):
        x1=[x, y]
        while(y):
            x, y=y, x%y
        if x ==1 :
            x=x1[0]*x1[1]
        return x
    if a*b == gcd(a, b):
        re=a*b
    else:
        re=a*b/gcd(a, b)
    return(re)
lcm2(24, 76)
456.0
lcm2(3, 5)
15

최대공약수와 최소공배수의 클래스 구현

정적메서드(Static method)클래스메서드(Classmethod)를 적용하였습니다.

class gcdLcm:
    @staticmethod
    def gcd(x, y):
        x1=[x, y]
        while(y):
            x, y=y, x%y
        if x ==1 :
            x=x1[0]*x1[1]
        return x
    @classmethod
    def lcm(clf, a, b):
        if a*b == gcdLcm.gcd(a, b):
            re=a*b
        else:
            re=a*b/gcdLcm.gcd(a, b)
        return(re)
gcd(3, 5)
15
A=gcdLcm()
A.lcm(24, 76)
456.0
gcdLcm.lcm(3, 5)
15

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...