기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[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

[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