기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 정적메서드(Static method)

정적 메서드(Static method)

메소드(method)는 인수 self를 사용하여 서로 연결되어 있습니다. 그러므로 그 메소드의 동작은 클래스에 전달되는 인수들로 한정됩니다. 그러나 self와 연결되지 않은 인스턴스와는 별개의 인수들에 작동하는 특별한 메소드를 사용할 수 있습니다. 함수처럼 사용할 수 있는 메서드들을 클래스 메서드(classmethod)와 정적 메서드(staticmethod)라고 합니다.

정적 메서드

클래스 메소드는 인스턴스의 생성없이 메소드를 함수로 직접 사용할 수 있는 장치이며 이 메소드에 전달하는 첫번째 인수 때문에 클래스의 속성이나 다른 메서드를 사용할 수 있습니다. 이와 유사하지만 클래스의 내용들과 연결되는 인수를 갖지 않는 메서드를 포함할 수 있습니다. 이러한 메소드를 정적 메서드(static method)라하며 식 1과 같이 장식자(decorator) @staticmethod를 대상 메소드 직전에 첨가하여 사용합니다. 그러나 정적메소드는 여전히 클래스 소속이므로 다른 메소드에서 사용할 있습니다.

@staticmethod
def method_name(인스턴스와 독립적인 인수들):
  내  용
(식 1)

다음은 두 수의 덧셈과 뺄셈을 계산하기 위한 것으로 메서드들로 구성된 클래스 twoNum()입니다.

class twoNum:
    def sum(a, b):
        return a+b
    def sub(a, b):
        return a-b
a=twoNum()
a.sum(10, 12)
TypeError: towNum.sum() takes 2 positional arguments but 3 were given

클래스 내에 메소드들은 첫 번째 인수로 클래스 자체를 나타내는 인수(self 등)를 포함해야 하며 실행할 때 그 인수는 명시할 수 없습니다. 그러므로 위 메소드 sum(a, b)의 첫 번째 인수는 클래스를 나타내는 인수로 인식하므로 실제적으로 전달해야 할 인수는 1개여야만 합니다. 그러나 위 코드에서와 같이 실행을 위해 전달한 인수는 2개이므로 에러가 발생합니다. 클래스의 이 메소드가 정적메소드로 전환되면 인스턴스와 연결된 인수의 전달이 불필요합니다. 그러므로 다음과 같이 실됩니다.

class twoNum:
    @staticmethod
    def sum(a, b):
        return a+b
    @staticmethod
    def sub(a, b):
        return a-b
a=twoNum()
a.sum(10, 12)
22
a.sub(24, 56)
-32
twoNum.sum(1, 2)
3
twoNum.sub(2, 10)
-8
  • 정적메서드(static method)의 경우는 클래스 또는 인스턴스의 속성과 메소드들을 연결해주는 self와 같은 인수를 포함하지 않습니다.
  • 정적메서드를 작성하기 위해서는 데코레이터(장식자)를 사용합니다(@staticmethod).
  • static method는 함수를 메소드로 사용하기 위한 장치입니다.

정적메소드는 클래스와 인스턴스 자신과 연결되는 인자를 가지지 않기 때문에 독립적으로 사용할 수 있습니다. 즉, 메소드 실행이 클래스나 인스턴스 속성에 영향을 주지 않습니다.

다음은 어떤 두 수의 인수 중 최대수를 나타내는 최대공약수(gcd)와 가장 작은 공배수를 나타내는 최소공배수(lcm)를 계산하는 클래스입니다. 최소공배수의 경우 두 수의 곱을 최대공약수로 나눈 결과와 같습니다. 그러므로 다음과 같이 최소공배수를 위한 메서드 lcm()gcd()를 메서드를 적용합니다.

두 수가 소수인 경우 대공약수와 최소공배수는 두 수의 곱이 됩니다. 이러한 특수한 조건은 다음 클래스에는 반영하지 않았습니다. 이러한 사항등을 고려하기 위해 기사 최대공약수와 최소공배수 클래스 만들기를 참조합니다.

class gcdLcm1:
    def __init__(self, a, b):
        self.a = a
        self.b = b
    def gcd(self):
        a1, b1=self.a, self.b
        while(b1):            
            a1, b1 = b1, a1 % b1
        self.a1=a1
        return(self.a1)
    def lcm(self):
        return(self.a*self.b/gcdLcm(self.a, self.b).gcd())
x=gcdLcm1(24, 56)
x.gcd()
8
x.lcm()
168.0

클래스 gcdLcm1에서의 모든 메소드는 self로 연결되어 있습니다. 메소드 gcd() 역시 첫 인수인 self를 통해 인스턴스에 연결된 상태입니다. 즉, 발생자에 전달하는 인수들을 기반으로 적용됩니다. 메소드 gcd()를 인스턴스와 독립되어 적용할 수 있는 함수로 사용하기 위해 정적메소드로 전환합니다.

class gcdLcm:
    @staticmethod
    def gcd(a, b):
        a1, b1=a, b
        while(b):            
            a, b = b, a % b
        return(a)
    
    def lcm(self, a, b):
        return(a*b/gcdLcm.gcd(a,b))
A=gcdLcm()
A.lcm(24, 56)
168.0
gcdLcm.gcd(24,56)
8
gcdLcm().lcm(24,56)
168.0

위 코드에서 정적메소드인 gcd()를 사용하는 경우 단순히 클래스이름만을 사용합니다. 즉, 괄호연산자가 생략되었습니다. 이와 반면에 메소드 lcm()의 경우는 인스턴스(gcdLcm())와 연결되어 사용한 것입니다. 이점은 클래스메소드와 같이 정적메소드의 여시 클래스자체와 직접 연결하여 사용함을 알 수 있습니다. 메소드 lcm()은 내부에 다른 메소드인 gcm()을 사용해야 하므로 완전히 독립된 정적메소드를 사용할 수 없습니다. 대신에 클래스의 다른 부분들과 연결될 수 있는 클래스메소드를 적용할 수 있습니다.

class gcdLcm:
    @staticmethod
    def gcd(a, b):
        a1, b1=a, b
        while(b):            
            a, b = b, a % b
        return(a)
    @classmethod
    def lcm(self, a, b):
        return(a*b/gcdLcm.gcd(a,b))
gcdLcm.gcd(24, 56)
8
gcdLcm.lcm(24,56)
168.0

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