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.
    • xgreeting() 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...

[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...