기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 반복문: while 문

반복문(loop statement)

관련 내용

while 문

while 문 역시 하위문을 포함하는 블럭을 구성하며 조건이 True일 경우 하위문이 실행되며 조건이 False가 될때 블럭이 종결됩니다. 이 구문의 기본 형식은 식 1과 같습니다.

while 조건식: #메인문1(main1)(식 1)
본문 1 #하위문1(sub1)
else: #메인문2(main2)
본문 2 #하위2(sub2)

식 1에서 사용된 키워드는 다음과 같습니다.

  • while: while문을 시작하기 위한 키워드
  • else: 생략 가능한 문,
     while 문 실행 후에 결과가 반환

for 문과 같이 하위문을 포함하는 while 문은 블럭을 구성하며 이외의 다른 코드와는 분리됩니다. 옵션으로 첨가되는 else 문while 문이 종료된 후에 실행됩니다. 그림 1은 while 문의 진행과정을 시각화한 것입니다.

그림 1. while 문의 실행과정.

자연수에서 2와 3의 최소공배수는 두 수에 의해 모두 나누어지는 첫 수를 의미합니다. 이것을 코드화하면 다음과 같습니다. 즉, 1부터 시작하는 수를 2 또는 3으로 나누어지지 않는다는 조건으로 while 문을 적용합니다.

x=1 #①
while (x%2!=0) | (x%3!=0): #②
    x +=1 #③
x #④
6

위 코드의 실행 단계는 다음과 같습니다.

  • ① 코드
    • 순회(loop)를 x = 1부터 시작
  • ② 코드
    • x값이 2 또는 3으로 나누어지지 않는다면 ③ 코드 실행
    • 조건이 만족되지 않는 경우 while loop는 종결
  • ③ 코드
    • ②코드의 조건를 만족한 수에 1을 더함
  • ④ 코드
    • ②가 충족되지 않는 경우 실행

for 문과 같이 옵션인 else 문을 첨가할 수 있으며 while 문이 종결된 후에 실행됩니다.

x=1
while (x%2!=0) | (x%3!=0):
    x +=1
else:
    print(f"자연수에서 2와 3의 최소 공배수는 {x}입니다.")
자연수에서 2와 3의 최소 공배수는 6입니다.

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