기본 콘텐츠로 건너뛰기

Python Class(설계도)와 객체

속성, 메소드
속성 : 객체속성, 클래스속성
함수 : 객체메소드, 클래스메소드, 정적메소드

class Emp:
    company = '우리사'
    def __init__(self,empno=None,ename=None,dept=None): # Emp(), Emp(1,"Smith",10), Emp(empno=1,ename="Smith",dept=10)
        self.empno = empno # 객체 변수
        self.__ename = ename # 언더바(_) 두 개를 앞에 붙이면 외부에서 바로 접근 불가(자바에서 private과 비슷하다)
        self.dept = dept

    def __str__(self):
        return '{}\t{}\t{}'.format(self.empno, self.__ename, self.dept)

    def __eq__(self, other): # ==, 연산자 오버라이딩
        return self.empno == other.empno
    def __lt__(self,other): # <
        return self.empno < other.empno
    def __le__(self,other): # <=
        return self.empno <= other.empno
    def __gt__(self,other): # >
        return self.empno > other.empno
    def __ge__(self,other): # >=
        return self.empno >= other.empno
        
    @classmethod # 클래스 메소드
    def set_company(cls, company): # 클래스 메소드는 처음에 오는 매개변수가 객체의 주소가 오는 것이 아니라, 클래스의 주소가 온다
        cls.company = company

    @property
    def name(self):
        return self.__ename

    @name.setter
    def name(self, ename):
        self.__ename = ename
    
    @staticmethod # 정적 메소드
    def mul(a=0,b=0): # 처음 매개변수가 객체의 주소나 클래스의 주소가 오지 않는다
        print(f'{a} * {b} = {a*b}')

객체 생성
emp = Emp(11, "Dennis", 20) # <__main__.Emp at 0x1d0d64a4730>
print(emp) # 11 Dennis 20
emp == emp # True

객체 변수
emp.empno # 11

클래스 변수
Emp.company # '우리사'

객체 변수 생성
emp.company # '다른사', 새로운 객체 변수 생성

객체 변수 변경
emp.empno = 12 # empno가 12로 변경됨
emp.ename = 'Scott' # 세터 메소드 호출 __ename 객체 변수가 변경이 된다

Emp.company # '우리사', 객체의 참조변수를 통해서 클래스의 변수의 값을 변경할 수는 없다

클래스 변수 변경
Emp.set_company('신림사') # 클래스 메소드를 통해서 클래스 변수를 변경한다.
Emp.company # '신림사', 변경이 된 것을 확인할 수 있다.

딕셔너리 형태로 변환
emp.__dict__ # {'empno':1, '_Emp__ename': 'smith', 'dept':10}

클래스의 상속
class Manager(Emp):
    def __init__(self,empno,ename,dept,job):
        self.empno = empno
        self.__ename = ename
        self.dept = dept
        self.job = 'Manager'

연산자 오버라이드
산술연산자
    __add__ # +
    __sub__ # -
    __mul__ # *
    __truediv__ # /
    __floordiv__ # //, 소수점 버림 나눗셈
    __mod__ # %, 나머지 연산자
    __pow__ # **, 제곱 연산자
비교연산자
    __lt__ # <
    __gt__ # >
    __eq__ # ==
    __ne__ # !=
    __le__ # <=
    __ge__ # >=

이 블로그의 인기 게시물

Blogger

코드 하이라이트 사이트 http://hilite.me/ 코드 <!-- 나만의 공간 --> <style id='daru_css' type='text/css'> .code {      overflow: auto;      height: 200px;      background-color: rgb(239,239,239);      border-radius: 10px;      padding: 5px 10px; } .code::-webkit-scrollbar-thumb {      background-color: grey;      border: 1px solid transparent;      border-radius: 10px;      background-clip: padding-box;   } .code::-webkit-scrollbar {      width: 15px; } </style> <!-- 나만의 공간 -->

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_blobs

from sklearn.datasets import make_blobs 예제 X, y = make_blobs(n_samples=500, centers=3, n_features=2, random_state=0) # 500개의 점을 3개로 모이게 한다, 변수는 2개, 무작위 상태는 0 X.shape, y.shape # ((500, 2), (500,)) plt.scatter(X[:,0],X[:,1],c=y,s=5) plt.show() # 학습 데이터 나누기 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=.25, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # ((375, 2), (125, 2), (375,), (125,)) # 지도 학습 하기 from sklearn.linear_model import LogisticRegression logisticReg = LogisticRegression(max_iter=5000) # 기본 반복 100 logisticReg.fit(x_train, y_train) # 추정하기 pred = logisticReg.predict(X) # 결정계수 logisticReg.score(x_test, y_test) # 0.92 # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 # 산점도 plt.figure(figsize=(10,4)) plt.subplot(1,2, 1) plt.scatter(X[:,0],X[:,1],c=y) plt.title('정답') plt.su...