기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

[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...

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...