기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 자료형(type)의 분류

자료형(type)

컴퓨터에 입력되는 데이터 즉, 리터럴(literal, raw data)은 0과 1로 변환되어 메모리에 저장되기 때문에 데이터의 종류를 구분할 수 없습니다. 그러므로 입력된 데이터가 0과 1 변환되기 전에 문자인지 숫자인지를 지정할 필요가 있습니다.

메모리 입력되는 원시데이터로 자신을 참조하는 객체를 이미합니다.

C, JAVA, Kotlin등과 같은 언어는 자료를 선언하는 단계에서 그 타입을 명시적으로 지정해야 하지만 파이썬의 경우는 자료형의 선언이 암묵적으로 이루어집니다. 그러나 동일한 자료형내에서만 연산이 이루어지므로 표 1에 제시된 자료형의 분류를 인지하고 있어야 합니다. 파이썬은 기본적으로 숫자형과 문자형으로 구분하며 리터럴의 1개 이상의 자료를 그룹화하기 위한 컬렉션(collection)(컬렉션 참조)을 가집니다.

표 1 자료형의 분류
분류 자료형
기본형 숫자형 int(정수형) -13, 0, 231
float(실수형) -2.31, 0.98, 2.31E2
complex(복소수형) 0.+3j, 1+0j
문자형 String(문자열) 'a', "string'
복합형
(Collections)
list [1, 3, 'a', 'string']
tuple (1, 3, 'a', 'string')
dictionary {"one": 1, "cha":'a', "str":'string'}
set {1, 2, 3}

표 1의 각 자료형은 클래스(class)로 작성되었습니다. 파이썬에서 객체를 생성할 때 자동적으로 부여되는 속성들이 있습니다. 이 속성 중에 __class__은 그 객체가 소속되는 클래스를 반환합니다. 다음 코드들은 숫자와 문자 그리고 컬렉션인 리스트 객체들이 소속된 클래스를 확인하기 위해 이 속성을 사용한 것입니다.

x=1
x.__class__
int
y="string"
y.__class__
str
z=[1, 3, 'a', 'string']
z.__class__
list

클래스(class)는 데이터의 상태와 변화의 범위를 고유하게 만들기 위해 사용합니다. 그러므로 특정한 클래스로 생성된 객체는 다른 클래스로 생성된 것과 구별됩니다. 다시 말하면 각 자료형의 클래스가 다르다는 것은 그것의 특성과 동작이 고유하다는 것을 의미합니다(클래스 참조).

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