Python 연산자

1 + 2 # 3

'ab' + 'c' # 'abc'

2 - 1 # 1

2 * 3 # 6

'a' * 5 # 'aaaaa'

line = '-' * 10 # '----------'

5 / 2 # 2.5

5 // 2 # 2, 소수점 버림

4 % 2 # 0, 나머지 0

3**2 # 9, 2 제곱

2**(1/2) # 1.4142135623730951, sqrt(2)

1 == 1 # True

a = [1,2,3]

b = [1,2,3]

a == b # True, 내용이 같다

True is True # True

a is b # False, 주소가 다르다

1 != 1 # False

a != b # False, 내용이 같다

is not

True is not True # False

a is not b # True, 주소가 다르다

1 < 2 # True

1 > 0 # True

and

True and False # False

(1 < 2) and (1 > 0) #True

True or False # True

범위

2 > 1 > 0 # True

nums = [1,2,3,4,5]

5 in nums # True

5 not in nums # False

삼항연산자

v = 3

'a' if v==1 else 'b' # 'b', v == 1 이 True 일 때, 'a' 를 반환, 아니면 'b'를 반환

'a' if v==1 else 'b' if v==2 else 'c' if v==3 else 'd' # v==1일 때 'a', v==2일 때 'b', v==3일 때 'c', 아니면 'd'

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() { return ( < div className = "App" > < Hello /> </ div > ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() { return ( < h1 > Hello, World! </ h1 > ); } export default Hello; Hello.css h1 { color : red; }

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...

다루한의 코딩공부

이 블로그 검색