기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[python] 중첩함수(Nested function)와 비지역변수

중첩함수(Nested function)와 비지역변수

함수는 일급객체(First Class Object)이므로 다음과 같이 사용되는 다른 함수에 인수로 전달 할 수 있습니다.

def expNum(x, y): 
    return(x**y) 

def addExp(func, x, y): 
    return(func(x, y)+x+y) 

x, y= 2, 3 
addExp(expNum, x, y)
13

위 코드의 addExp()는 다른 함수를 인수로 사용하는 함수입니다. 다음 코드에서 작성한 함수 addExp1()은 위에서 인수로 전달받는 함수를 함수 내부에 포함하는 방식으로 작성한 것으로 같은 결과를 나타냅니다.

def addExp1(x, y):
    re=expNum(x, y)
    return(re+x+y)

addExp1(x, y)
13

위 코드에서 함수 addExp1()와 같이 함수 내부에 포함된 함수를 중첩함수(nested function)라고 합니다.

변수는 선언되는 위치에 따라 전역변수(global variable)와 지역변수(local variable)로 구분합니다. 이러한 구분은 각 변수의 작동영역이 제한되기 때문입니다. 중첩함수 내부에 선언된 변수는 그 내부에서만 작동합니다. 이 경우 이 변수가 지역변수가 되지만 그 외 부분에서 선언된 변수는 모두 전역변수가 될수는 없습니다. 이렇게 중접함수를 포함하는 계층적 구조를 가지는 함수의 경우 그림 1과 같이 구분합니다. 즉, 가장 내부에 포함된 함수의 변수는 지역변수가 되며 그 변수의 영역의 바깥 부분에 존재하는 변수는 비지역변수(nonlocal variable)가 됩니다. 또한 블럭에 상관없이 모든 부분에서 사용가능한 변수를 전역변수라고 할 수 있습니다. 그러므로 비지역변수는 지역변수와 전역변수 사이에 위치하는 모든 변수를 통칭합니다.

그림 1. greeting() 함수에서 선언된 변수들의 범위.

다음 코드에서 함수 greeting()는 중첩 함수인 printGr()을 포함하고 있습니다.

x="Good"       # 전역변수
def greeting(name):  # name : 비지역변수
    y="morning"    # 비지역변수
    def printGr():    # 중첩함수
        name="Han"   # 지역변수
        return(f"{x} {y}, {name}")
    return(printGr())
greeting("Kim")
'Good morning, Han'

위 코드에서 외곽함수인 greeting()에 인수로 전달한 name = "kim"과 중첩함수인 printGr() 내부에서 선언된 지역변수 name = "Han"의 변수이름이 같지만 외곽함수의 실행은 "Han"을 반환합니다. 이것은 변수의 작동영역의 구분과 우선순위 때문입니다. 다시말하면, 변수의 작동영역은 포함된 블럭내로 한정되며 블럭 내에 있는 변수의 실행이 우선됩니다.

위 함수의 실행에서 각 변수의 적용 절차는 다음과 같습니다.

  1. 함수 greeting() 호출 : 인수 name이 전달됩니다.
  2. greeting()의 실행으로 printGr()함수 호출
  3. printGr()함수는 변수 name, x, y를 사용
    • name은 이 함수 블럭에 선언되어 있으므로 외부에 존재하는 동일이름의 변수는 무시됩니다.
    • 같은 블럭에 속한 변수를 local variable(지역변수)
    • 그 블럭 외에 존재하는 변수를 non-local variable(비지역 변수)이라고 합니다.
  4. 변수 x, y: 그 두 변수는 함수 printGr()에 포함되어 있지 않습니다.
    • greeting()함수내의 y값을 사용합니다.
    • greeting()함수 외부에 존재하는 변수 x를 사용합니다.
    • x는 greeting() 외부에 존재하므로 그 함수 외의 다른 모든 코드에서도 사용할 수 있습니다. 이러한 변수를 global variable(전역변수)라고 합니다.

위 코드에서 함수 printGr() 내에 존재하지 않은 x, y 값은 외부로부터 호출하여 사용하였습니다. 그러나 동일한 블럭에서 선언되지 않은 변수의 사용은 읽기만 가능하고 수정할 수 없습니다. 즉, 변수 값은 선언한 위치에서만 수정이 가능합니다.

다음 함수는 외곽함수의 변수를 중첩함수에서 수정하는 것으로 에러를 발생합니다.

def greeting(name): 
    x="hello" 
    def greeting2(): 
        x=name+', '+x 
        print(x) 
    greeting2() 

greeting("Oh")
UnboundLocalError: local variable 'x' referenced before assignment

위 코드에서 중첩함수의 변수 x를 새로운 변수 y로 변형하면 작동합니다.

def greeting(name): 
    x="hello" 
    def greeting2(): 
        y=name+', '+x 
        print(y) 
    greeting2() 

greeting("Oh")
Oh, hello

기사 "전역변수와 지역변수" 소개한 global 문은 전역변수를 블럭내에서 수정할 수 있게 합니다. 이와 유사하게 nonlocal 문을 적용하여 식 1과 같이 비지역변수를 다시 선언하여 블럭내에서 수정할 수 있게 합니다.

nonlocal 비지역변수이름(식 1)
def greeting(name):
    x="hello"
    def greeting2():
        nonlocal x
        x=name+', '+x
        print(x)
    greeting2()

greeting("Oh")
Oh, hello

변수를 전역, 비지역, 그리고 지역으로 구분하는 것은 복잡한 코드의 계층적 구조에서 변수의 관리를 용이하게 합니다. 그러나 비지역 변수를 특정한 블럭(지역)에서 수정한다면 그 변수를 사용하는 다른 블럭의 결과는 왜곡될 수 있습니다. 일반적으로 비지역 변수는 하위 지역에서는 상수로 고려될 수 있기 때문입니다. nonlocal 문은 비지역 변수의 이러한 특성을 잃게하는 것으로 신중하게 사용되어야 합니다.

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...

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...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...