기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python]주요한 내장함수들

함수

관련내용

주요한 내장함수들(Built-in Functions)

표 1은 자주 사용되는 내장함수들을 나타낸 것입니다.

표 1 주요한 내장함수
함수내  용
all()모든 요소들이 참이면 True
0을 제외한 모든 수 True, empty일 경우도 True
any()참인 요소가 1개라도 존재하면 True
empty일 경우도 False
enumerate()객체의 인덱스와 값을 튜플 형식으로 반환.
set은 순서가 없는 자료형으로 디스플레이 된 순서대로 반환
len()객체의 크기 (원소수) 반환
max(), min()객체의 최대값과 최소값을 반환
sorted(x, key, reverse=False)객체를 올림차순으로 정렬
reverse=True이면 내림차순
key는 정렬의 기준을 설정 (람다 함수를 사용할 수 있음)
sum()객체내의 모든 원소의 합
filter(조건 또는 함수, 객체)객체에 함수를 적용하여 함수에 부합하는 부분만을 추출
x={1,2,3}
print(f'모든 요소가 True이므로 {all(x)}')
모든 요소가 True이므로 True
y=[0, False]
print(f'모든 요소가 False이므로 {any(y)}')
모든 요소가 False이므로 False
print(f'all은 empty일 경우 {all([])}, any는 empty일 경우 {any([])}')
all은 empty일 경우 True, any는 empty일 경우 False
list(enumerate(x))
[(0, 1), (1, 2), (2, 3)]
for i, j in enumerate(y):
    print(f'요소의 인덱스{i}, 값:{j}')
 요소의 인덱스0, 값:0
  요소의 인덱스1, 값:False 
A=[2,1,9, 4, 3]
print(f'최소값: {min(A)}, 최대값: {max(A)}')
최소값: 1, 최대값: 9
B=sorted(A); B
[1, 2, 3, 4, 9]
C=sorted(A, reverse=True); C
[9, 4, 3, 2, 1]
print(f'A의 총합: {sum(A)}')
A의 총합: 19

다음 객체 a는 [0, 9]사이의 정수들을 요소로 갖습니다. 함수 cond()는 인수 x가 짝수 그리고 홀수를 결정하여 각각 TrueFalse를 반환합니다. 이 함수에 객체 a의 각 요소를 인수로 전달하기 위해 filter()함수를 적용하며 True에 대응하는 값을 반환합니다.

a=range(10)
def cond(x):    
    return(x%2==0)
list(filter(cond, a))
[0, 2, 4, 6, 8]

filter()의 결과는 list() 함수를 사용하여 리스트 형으로 변환하였습니다. 이것은 filter()함수의 결과는 이터레이터로서 게으른 평가가 이루어지기 때문입니다. 즉, 이 결과 객체는 내장 메소드 __iter__()와 __next__() 을 포함합니다.

y=filter(cond, a)
"__iter__" in dir(y)
True
"__next__" in dir(y)
True

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