클래스와 객체지향
클래스(Class)
똑같은 무언가(객체)를 만들어 낼 수 있는 설계 도면
class Cookie: # 클래스 정의
pass
a = Cookie() # 객체 생성- 메서드(Method): 클래스 안에 구현된 함수
ㄴ> 클래스에 포함되어 있다는 점만 제외하면 일반 함수와 동일함
def 함수명(매개변수):
수행할 문장1) 클래스로 만든 객체 특징
- 객체(Object): 클래스로 만든 결과물
ㄴ> 클래스로 만든 객체의 객체 변수는 다른 객체의 객체변수와 독립적인 값임 - 객체마다 고유한 성격(변수)를 가짐
- 동일한 클래스로 만든 객체들은 서로 영향 X
2) 사칙연산 클래스 예제
class FourCal:
def setdata(self, first, second): # self는 자신의 객체 주소를 참조
self.first = first # setdata 호출 이전에는 존재 X
self.second = second # 호출 이전에 메서드 수행 시 'AttributeError' 오류 발생
def add(self):
result = self.first + self.second
return result
def mul(self):
result = self.first * self.second
return result
def sub(self):
result = self.first - self.second
return result
def div(self):
result = self.first / self.second
return result
>>> a = FourCal()
>>> a.setdata(4, 2)
>>> a.add()
6
>>> a.mul()
8
>>> a.sub()
2
>>> a.div()
2.03) 생성자(Constructor)
객체 생성 시 자동으로 호출되는 메서드
class FourCal:
def __init__(self, first, second):
self.first = first
self.second = second- 메서드
__init__로 초기 값 설정 - 객체에 초기 값을 설정해야 할 경우 생성자를 구현하는 것이 가장 안전함
4) 상속(Inheritance)
class 클래스명(상속할 클래스명)
class MoreFourCal(FourCal):
def pew(self):
result = self.first ** self.second
return result
>>> a = MoreFourCal(4, 2)
>>> a.pow()
16
>>> a.add()
6- 어떤 클래스를 만들 때 다른 클래스의 기능을 물려받는 것
5) 메서드 오버라이딩(method overriding)
부모 클래스(상속한 클래스)의 메서드를 동일한 이름으로 다시 만드는 것
class SafeFourCal(FourCal):
def div(self):
if self.second == 0
return 0
else:
return self.first / self.second
>>> a = SafeFourCal(4, 0)
>>> a.div()
0모듈과 패키지
모듈(Module)
연괸된 기능이나 공통 목적을 가진 함수, 변수, 클래스를 모아둔 파일
- 다른 파이썬 프로그램에서 불러와 사용할 수 있음
import
1_모듈 전체를 불러올 때
import 모듈명
모듈명.변수명()
2) 모듈명 없이 함수명만 쓰고 싶은 경우
from 모듈명 import 모듈함수
모듈함수명()
3) 함수를 여러 개 불러오고 싶은 경우: 쉼표(,)로 구분
from 모듈명 import 모듈함수1, 모듈함수2
4) 모듈의 모든 함수를 불러오는 경우
from 모듈명 import *- 이미 만들어 놓은 파이썬 모듈을 사용할 수 있게 해줌
표준라이브러리
전셰계 개발자들이 만든 유용한 프로그램을 모아둔 것으로, 파이썬 설치 시 지동으로 설치됨
| 이름 | 설명 |
|---|---|
| datetime.data() | 연, 월, 일로 날짜 표현 |
| time | 시간 관련 모듈 ⬇️ |
| time.time() | 현재 시간을 초 단위로 반환 |
| time.localtime() | 현재 시간을 struct_time 객체로 반환 (연도,월,일,시,분,초 등 시각 정보 포함) |
| time.asctime() | struct_time 객체를 입력 받음 -> 문자열로 변환, 입력이 없으면 현재 시간을 문자열로 반환 |
| time.ctime() | time.time() 값을 입력으로 -> 문자열로 변환, 입력이 없으면 현재 시간을 문자열로 반환 |
| time.strftime() | 특정 포맷을 사용하여 시간을 문자열로 변환 |
| time.sleep() | 프로그램 실행을 주어진 시간동안 지연시킴 |
| random | 규칙이 없는 임의의 수(난수) 생성 모듈 ⬇️ |
| random.random() | 0-1 사이 난수 반환 |
| random.sample() | 시퀀드 데이터에서 지정된 개수만큼 랜덤한 값 반환 (중복 X) |
| random.choice() | 시퀀스 데이터에서 랜덤한 값 반환 |
| OS | OS 자원(환경변수, 디렉터리, 파일 등) 제어 모듈 ⬇️ |
| os.environ() | 환경변수를 딕셔너리 형태로 반환/접근 |
| os.chdir() | 현재 작업 중인 디렉터리 변경 |
| os.getcwd() | 현재 작업 중인 디렉터리의 절대경로 반환 |
| os.system() | 시스템 내 파일 반환 |
| os.popen() | 결과를 반환하는 파일 객체 반환 |
| os.mkdir() / os.rmdir() | 디렉터리 생성/삭제 |
| os.remove() | 파일 삭제 |
| os.rename() | 파일/디렉터리 이름 변경 |
| json | JSON 데이터를 쉽게 처리하고자 사용하는 모듈 |
json
{
"name": "홍길동",
"birth": "0525",
"age": 30
}Key: Value구조
ㄴ> Key는 무조건 문자열만 / Value는 숫자, 문자열, bool, list 가능
# 1_딕셔너리 자료형 -> JSON 형태로 (dump())
>>> import json
>>> data = {"name": "홍길동", "birth": "0525", "age": 30}
>>> with open('file.json', 'w') as f:
json.dump(data, f)
# 2_ 파이썬 자료형 -> JSON 문자열로
>>> import json
>>> data = {"name": "홍길동", "birth": "0525", "age": 30}
>>> json.data = json.dumps(data)
>>> json.data
'{"name": "홍길동", "birth": "0525", "age": 30}'
# 3_JSON 문자열 -> 딕셔너리 자료형으로
>>> json.loads(json.data)
{"name": "홍길동", "birth": "0525", "age": 30}
# 4_딕셔너리 외 다른 자료형 -> JSON 문자열로
>>> json.dumps([1, 2, 3])
'[1, 2, 3]'
>>> json.dumps((4, 5, 6))
'[4, 5, 6]'
# 5_출력 JSON 문자열 정렬
>>> data = {"name": "홍길동", "birth": "0525", "age": 30}
>>> print(json.dumps(data, indent=2, ensure_acii=False))
{
"name": "홍길동",
"birth": "0525",
"age": 30
}
# 6_아스키 형태의 문자열로 변경되는 것을 방지
>>> data = {"name": "홍길동", "birth": "0525", "age": 30}
>>> json_data = json.dumps(data, ensure_ascii=False)
>>> json_data
'{"name": "홍길동", "birth": "0525", "age": 30}'
>>> json.loads(json_data)
{"name": "홍길동", "birth": "0525", "age": 30}넘파이(Numpy)
수치 계산에 특화된 라이브러리
- 다차원 배열 객체 ndarray를 중심으로 작동
ㄴ> 요소의 데이터 타입을 통일함 - 배열 연산, 선형 대수, 난수 생성, 푸리에 변환 등 다양한 수학적 기능 제공함
넘파이 설치
pip install numpy
1. 기본 문법
- 배열(ndarray) 중심으로 이루어짐
1) 배열 생성
- np.array(): 기본 배열 생성
ㄴ> 리스트를 배열로 변환
import numpy as np
# 1차원 배열 생성
arr1 = np.array([1, 2, 3, 4])
print(arr1) # [1, 2, 3, 4]
# 2차원 배열 생성
arr2 = np.array([[1, 2], [3, 4]])
print(arr2) # [[1, 2]
# [3, 4]]
- np.zeros(): 0으로 채워진 배열 생성
- np.ones(): 1로 채워진 배열 생성
import numpy as np
# zeros()
zeros = np.zeros((2, 3))
print(zeros) # [[0. 0. 0.]
# [0. 0. 0.]]
# ones()
ones = np.ones((2, 3))
print(ones) # [[1. 1. 1.]
# [1. 1. 1.]]
- np.arange(): 연속적인 숫자로 배열 생성
- np.linspace(): 일정 범위에서 동일한 간격으로 숫자 생성
import numpy as np
# arange()
sequence = np.arange(0, 10, 2)
print(sequence) # [0 2 4 6 8]
# linspace()
linspace = np.linspace(0, 1, 5)
print(linspace) # [0. 0.25 0.5 0.75 1.]2) 배열 속성 확인
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # shape: 배열의 크기(행, 열)
print(arr.ndim) # ndim: 배열의 차원
print(arr.size) # 배열의 총 원소 개수
print(arr.dtype) # 배열 원소의 데이터 타입3) 배열의 인덱싱과 슬라이싱
import numpy as np
# 1_인덱싱
# 1차원 배열
arr = np.array([10, 20, 30, 40])
print(arr[0])
print(arr[-1])
# 2차원 배열
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])
print(arr[1, -1])
# 2_슬라이싱
# 1차원 배열
arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4])
print(arr[:3])
print(arr[::2])
# 2차원 배열
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[:2, 1:])
print(arr[1:, :2])4) 배열의 연산
import numpy as np
# 1_기본 연산
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2)
print(arr1 * arr2)
print(arr1 ** 2)
# 2_브로드캐스팅: 크기가 다른 배열 간 연산
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr + 10)5) 배열의 형태 변경
- reshape(): 배열의 크기 변경
- flatten(): 다차원 배열 -> 1차원 배열로 변환
import numpy as np
# reshape()
arr = np.array([1, 2, 3, 4, 5, 6])
reshaped = np.reshape(2, 3)
print(reshaped) # [[1 2 3]
# [4 5 6]]
# flatten()
arr = np.array([[1, 2, 3], [4, 5, 6]])
flattened = np.flatten()
print(flattened) # [1 2 3 4 5 6]6) 유용한 함수들
- random: 난수 생성, AI 모델 초기 가중치나 무작위 데이터 생성에 사용
import numpy as np
# 1_filter
arr = np.array([1, 2, 3, 4, 5])
filtered = arr[arr > 3]
print(filtered) # [4 5]
# 2_random
random = np.random.rand(5)
random_int = np.random.randint(1, 20, size=(2, 3))2. 인공지능에서 활용
1) 배열 생성
- AI 모델은 데이터를 벡터나 행렬 형태로 처리
ㄴ> 배열을 쉽게 생성, 컨트롤 가능
2) 벡터화 연산
- 입력 데이터와 가중치 곱하기
- 손실을 계산함
- np.dot(): 행렬 곱
# 가중치 벡터
weights = np.array([0.5, -0.2])
# 가중치와 데이터의 내적
outputs = np.dot(data, weights)3) 활성화 함수
- 신경망에서 활성화 함수 -> 데이터를 비선형적으로 변환
# 시그모이드 함수
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 내적 결과에 시그모이드 적용
sigmoid_outputs = sigmoid(outputs)4) 난수 생성
- 초기 가중치 무작위 설정
- 데이터셋을 무작위 섞을 때도 사용
# 초기 가중치 생성 (난수)
inital_weight = np.random.rand(2)
# 데이터 섞기
shuffled = np.random.permutation(len(data))
shuffled_data = data[shuffled_indices]
shuffled_labels = labels[shuffled_indices]5) 행렬 연산
- 딥러닝에서 입력 데이터를 여러 층의 가중치와 곱하여 계산
# 입력 데이터
input_data = np.array([[1.0, 2.0], [0.5, 1.5]])
# 첫 번째 층 가중치와 바이어스
weights_layer1 = np.array([[0.2, 0.4], [-0.5, 0.3]])
bias_layer1 = np.array([0.1, -0.2])
# 두 번째 층 가중치와 바이어스
weights_layer2 = np.array([[0.6], [0.1]])
bias_layer2 = np.array([0.3])
# 첫 번째 층 출력
layer1_output = sigmoid(np.dot(input_data, weights_layer1) + bias_layer1)
# 두 번째 층 출력
layer2_output = sigmoid(np.dot(layer1_output, weights_layer2) + bias_layer2)6) 손실 함수 계산
- 학습 중 예측 값과 실제 값의 차이를 계산
ㄴ> 평균 제곱 오차(MSE)
# 예측 값
predictions = np.array([0.9, 0.4, 0.3])
# 실제 값
true_value = np.array([1, 0, 0])
# MSE 계산
mse = np.mean((predictions - true_value) ** 2)7) 배열 변환
- 데이터를 재구성하거나 형식 변환
reshaped_data = data.reshape(-1, 2)판다스(Pandas)
데이터 분석과 조작에 특화된 라이브러리
- 구조화된 데이터를 처리하는데 유용함
ㄴ> Serial, DataFrame 두 가지 데이터 구조를 중심으로 작동 - 다양한 데이터 소스 지원: CSV, Excel, JSON, SQL 등
- 편리한 데이터 조작: 필터링, 그룹화, 집계, 결측 값 처리 등
판다스 설치
pip install pandas
1.기본 문법
1) 데이터 구조
- Series: 1차원 데이터 구조 (값(value) + 인덱스(index))
s = pd.Series([10, 20, 30], index=['A', 'B', 'C'])- DataFrame: 2차원 데이터 구조 (행(row) + 열(col))
ㄴ> 다양한 형태 저장 가능
data = {
'name': ['son', 'kang', 'han'],
'age': [30, 10, 20]
}
df = pd.DataFrame(data)
print(df)2) 데이터 확인
df.head(2) # 상위 몇 개의 행 출력
df.tail(2) # 하위 몇 개의 행 출력
print(df.shape) # 데이터 크기 확인 (행, 열 개수)
print(df.info()) # 데이터 타입 및 결측 값 확인
print(df.describe() # 수치형 데이터의 요약 통계3) 열 선택
# 단일 열 선택
print(df['Name'])
# 여러 열 선택
print(df['Name', 'Score'])- 특정 행 선택 시 loc, iloc 사용
ㄴ> loc: 라벨(이름) 기반 인덱싱
ㄴ> iloc: 정수 기반 인덱싱
# loc
print(df.loc[0])
print(df.loc[:, 'Name']) # 모든 행에서 Name 열만 출력
# iloc
print(df.iloc[1])
print(df.iloc[:, 1]) # 모든 행에서 두 번째 열만 출력- 조건 필터링
high_scores = df[df['Score'] >= 90]4) 데이터 조작
- 데이터 필터링, 그룹화, 결합, 결측 값 처리, 정렬 등
# 열 추가
df['Passed'] = df['Score'] >= 90
# 행 추가: concat()
new_data = {
'name': 'beak',
'age': 28
}
new = pd.DataFrame([new_data])
df = pd.concat([df, new], ignore_index=True)
# 특정 값 수정
df.loc[0, 'Score'] = 95
# 열 전체 수정
df['Passed'] = df['Score'] >= 905) 결측 값 처리
# 결측 값 생성
df.loc[1, 'Score'] = None
# 결측 값 채우기
df['Score'] = df['Score'].fillna(0)
# 결측 값 제거
df = df.dropna()6) 데이터 정렬
# 오름차순 정렬
sorted_df = df.sort_values(by='Score')
# 내림차순 정렬
sorted_df = df.sort_values(by='Score', acending=False)7) 데이터 그룹화
# 데이터 생성
data = {
'team': ['A', 'A', 'B', 'B'],
'score': [90, 85, 95, 88]
}
df = pd.DataFrame(data)
grouped = df.groupby('team')['score'].mean() # 팀별 평균 점수 계산8) 데이터 입출력
- CSV, Excel, SQL, JSON 등 다양한 파일 형식 지원
# 데이터 저장 (CSV 파일로)
df.to_csv('output.csv', index=False)2. 인공지능 프로그래밍에서 활용
- 데이터 탐색: 데이터를 요약하고 확인
- 데이터 전처리: 결측 값 처리, 데이터 필터링, 변환
- 특징 엔지니어링: 새로운 열 추가, 기존 데이터 변형
- 훈련 데이터 준비: 데이터를 AI 모델에 맞도록 가공
열심히 살아보아요