이 랩에서는 Python 의 고차 함수에 대해 배우게 됩니다. 고차 함수는 다른 함수를 인수로 받거나 함수를 결과로 반환할 수 있습니다. 이 개념은 함수형 프로그래밍에서 매우 중요하며, 더 모듈화되고 재사용 가능한 코드를 작성할 수 있게 해줍니다.
고차 함수가 무엇인지 이해하고, 함수를 인수로 받는 고차 함수를 만들고, 기존 함수를 고차 함수를 사용하도록 리팩토링하며, Python 의 내장 map() 함수를 활용할 것입니다. 랩 동안 reader.py 파일이 수정될 것입니다.
reader.py 파일의 현재 코드를 살펴보는 것으로 시작해 봅시다. 프로그래밍에서 기존 코드를 검토하는 것은 작동 방식을 이해하고 개선할 부분을 식별하는 중요한 단계입니다. WebIDE 에서 reader.py 파일을 열 수 있습니다. 이렇게 하는 두 가지 방법이 있습니다. 파일 탐색기에서 파일을 클릭하거나 터미널에서 다음 명령을 실행할 수 있습니다. 이 명령은 먼저 프로젝트 디렉토리로 이동한 다음 reader.py 파일의 내용을 표시합니다.
cd ~/project
cat reader.py코드를 보면 두 개의 함수가 있다는 것을 알 수 있습니다. Python 의 함수는 특정 작업을 수행하는 코드 블록입니다. 다음은 두 함수와 그 기능입니다.
csv_as_dicts(): 이 함수는 CSV 데이터를 받아 딕셔너리 목록으로 변환합니다. Python 에서 딕셔너리는 키 - 값 쌍의 모음이며, 데이터를 구조화된 방식으로 저장하는 데 유용합니다.csv_as_instances(): 이 함수는 CSV 데이터를 받아 인스턴스 목록으로 변환합니다. 인스턴스는 객체를 생성하기 위한 청사진인 클래스에서 생성된 객체입니다.이제 이 두 함수를 자세히 살펴보겠습니다. 두 함수가 매우 유사하다는 것을 알 수 있습니다. 두 함수 모두 다음 단계를 따릅니다.
records 리스트를 초기화합니다. Python 에서 리스트는 서로 다른 유형의 항목 모음입니다. 빈 리스트를 초기화하는 것은 항목이 없는 리스트를 생성하는 것을 의미하며, 처리된 데이터를 저장하는 데 사용됩니다.csv.reader()를 사용하여 입력을 파싱합니다. 파싱은 의미 있는 정보를 추출하기 위해 입력 데이터를 분석하는 것을 의미합니다. 이 경우 csv.reader()는 CSV 데이터를 행별로 읽는 데 도움이 됩니다.records 리스트에 추가합니다. 추가는 리스트의 끝에 항목을 추가하는 것을 의미합니다.records 리스트를 반환합니다.이러한 코드 중복은 여러 가지 이유로 문제가 됩니다. 코드가 중복되면 다음과 같은 문제가 발생합니다.
이 두 함수의 유일한 실제 차이점은 행을 레코드로 변환하는 방식입니다. 이것은 고차 함수가 매우 유용할 수 있는 전형적인 상황입니다. 고차 함수는 다른 함수를 인수로 받거나 함수를 결과로 반환할 수 있는 함수입니다.
이 함수들이 어떻게 작동하는지 더 잘 이해하기 위해 이러한 함수의 몇 가지 사용 예시를 살펴보겠습니다. 다음 코드는 csv_as_dicts() 및 csv_as_instances()를 사용하는 방법을 보여줍니다.
## Example of using csv_as_dicts
with open('portfolio.csv') as f:
portfolio = csv_as_dicts(f, [str, int, float])
print(portfolio[0]) ## {'name': 'AA', 'shares': 100, 'price': 32.2}
## Example of using csv_as_instances
class Stock:
@classmethod
def from_row(cls, row):
return cls(row[0], int(row[1]), float(row[2]))
def __init__(self, name, shares, price):
self.name = name
self.shares = shares
self.price = price
with open('portfolio.csv') as f:
portfolio = csv_as_instances(f, Stock)
print(portfolio[0].name, portfolio[0].shares, portfolio[0].price) ## AA 100 32.2다음 단계에서는 이 코드 중복을 제거하기 위해 고차 함수를 만들 것입니다. 이렇게 하면 코드를 더 유지 관리하기 쉽고 오류가 발생하기 쉬워집니다.
Python 에서 고차 함수는 다른 함수를 인수로 받을 수 있는 함수입니다. 이를 통해 더 큰 유연성과 코드 재사용이 가능합니다. 이제 convert_csv()라는 고차 함수를 만들어 보겠습니다. 이 함수는 CSV 데이터를 처리하는 일반적인 작업을 처리하는 동시에 CSV 의 각 행을 레코드로 변환하는 방식을 사용자 정의할 수 있도록 합니다.
WebIDE 에서 reader.py 파일을 엽니다. CSV 데이터의 반복 가능한 객체, 변환 함수, 그리고 선택적으로 열 헤더를 사용할 함수를 추가할 것입니다. 변환 함수는 CSV 의 각 행을 레코드로 변환하는 데 사용됩니다.
다음은 convert_csv() 함수의 코드입니다. reader.py 파일에 복사하여 붙여넣으세요.
def convert_csv(lines, conversion_func, *, headers=None):
'''
Convert lines of CSV data using the provided conversion function
Args:
lines: An iterable containing CSV data
conversion_func: A function that takes headers and a row and returns a record
headers: Column headers (optional). If None, the first row is used as headers
Returns:
A list of records as processed by conversion_func
'''
records = []
rows = csv.reader(lines)
if headers is None:
headers = next(rows)
for row in rows:
record = conversion_func(headers, row)
records.append(record)
return records이 함수가 하는 일을 자세히 살펴보겠습니다. 먼저, 변환된 레코드를 저장하기 위해 records라는 빈 리스트를 초기화합니다. 그런 다음 csv.reader() 함수를 사용하여 CSV 데이터의 행을 읽습니다. 헤더가 제공되지 않으면 첫 번째 행을 헤더로 사용합니다. 각 후속 행에 대해 conversion_func을 적용하여 행을 레코드로 변환하고 records 리스트에 추가합니다. 마지막으로, 레코드 목록을 반환합니다.
이제 convert_csv() 함수를 테스트하기 위한 간단한 변환 함수가 필요합니다. 이 함수는 헤더와 행을 받아 헤더를 키로 사용하여 행을 딕셔너리로 변환합니다.
다음은 make_dict() 함수의 코드입니다. 이 함수도 reader.py 파일에 추가하세요.
def make_dict(headers, row):
'''
Convert a row to a dictionary using the provided headers
'''
return dict(zip(headers, row))make_dict() 함수는 zip() 함수를 사용하여 각 헤더를 행의 해당 값과 쌍으로 연결한 다음 이러한 쌍에서 딕셔너리를 생성합니다.
이 함수들을 테스트해 보겠습니다. 터미널에서 다음 명령을 실행하여 Python 셸을 엽니다.
cd ~/project
python3 -i reader.pypython3 명령의 -i 옵션은 대화형 모드에서 Python 인터프리터를 시작하고 reader.py 파일을 가져오므로 방금 정의한 함수를 사용할 수 있습니다.
Python 셸에서 다음 코드를 실행하여 함수를 테스트합니다.
## Open the CSV file
lines = open('portfolio.csv')
## Convert to a list of dictionaries using our new function
result = convert_csv(lines, make_dict)
## Print the result
print(result)이 코드는 portfolio.csv 파일을 열고, make_dict() 변환 함수와 함께 convert_csv() 함수를 사용하여 CSV 데이터를 딕셔너리 목록으로 변환한 다음 결과를 출력합니다.
다음과 유사한 출력이 표시되어야 합니다.
[{'name': 'AA', 'shares': '100', 'price': '32.20'}, {'name': 'IBM', 'shares': '50', 'price': '91.10'}, {'name': 'CAT', 'shares': '150', 'price': '83.44'}, {'name': 'MSFT', 'shares': '200', 'price': '51.23'}, {'name': 'GE', 'shares': '95', 'price': '40.37'}, {'name': 'MSFT', 'shares': '50', 'price': '65.10'}, {'name': 'IBM', 'shares': '100', 'price': '70.44'}]이 출력은 고차 함수 convert_csv()가 올바르게 작동함을 보여줍니다. 다른 함수를 인수로 사용하는 함수를 성공적으로 만들었으며, 이를 통해 CSV 데이터의 변환 방식을 쉽게 변경할 수 있습니다.
Python 셸을 종료하려면 exit()를 입력하거나 Ctrl+D 를 누르세요.
이제 convert_csv()라는 고차 함수를 만들었습니다. 고차 함수는 다른 함수를 인수로 받거나 함수를 결과로 반환할 수 있는 함수입니다. 이는 Python 에서 더 모듈화되고 재사용 가능한 코드를 작성하는 데 도움이 되는 강력한 개념입니다. 이 섹션에서는 이 고차 함수를 사용하여 원래 함수인 csv_as_dicts()와 csv_as_instances()를 리팩터링합니다. 리팩터링은 외부 동작을 변경하지 않고 기존 코드를 재구성하여 코드 중복 제거와 같은 내부 구조를 개선하는 프로세스입니다.
WebIDE 에서 reader.py 파일을 열어 시작해 보겠습니다. 다음과 같이 함수를 업데이트합니다.
csv_as_dicts() 함수를 대체합니다. 이 함수는 CSV 데이터의 행을 딕셔너리 목록으로 변환하는 데 사용됩니다. 다음은 새로운 코드입니다.def csv_as_dicts(lines, types, *, headers=None):
'''
Convert lines of CSV data into a list of dictionaries
'''
def dict_converter(headers, row):
return {name: func(val) for name, func, val in zip(headers, types, row)}
return convert_csv(lines, dict_converter, headers=headers)이 코드에서 headers와 row를 인수로 사용하는 내부 함수 dict_converter를 정의합니다. 딕셔너리 컴프리헨션 (dictionary comprehension) 을 사용하여 키가 헤더 이름이고 값이 해당 유형 변환 함수를 행의 값에 적용한 결과인 딕셔너리를 만듭니다. 그런 다음 dict_converter 함수를 인수로 사용하여 convert_csv() 함수를 호출합니다.
csv_as_instances() 함수를 대체합니다. 이 함수는 CSV 데이터의 행을 주어진 클래스의 인스턴스 목록으로 변환하는 데 사용됩니다. 다음은 새로운 코드입니다.def csv_as_instances(lines, cls, *, headers=None):
'''
Convert lines of CSV data into a list of instances
'''
def instance_converter(headers, row):
return cls.from_row(row)
return convert_csv(lines, instance_converter, headers=headers)이 코드에서 headers와 row를 인수로 사용하는 내부 함수 instance_converter를 정의합니다. 주어진 클래스 cls의 from_row 클래스 메서드를 호출하여 행에서 인스턴스를 생성합니다. 그런 다음 instance_converter 함수를 인수로 사용하여 convert_csv() 함수를 호출합니다.
이러한 함수를 리팩터링한 후에는 예상대로 작동하는지 확인하기 위해 테스트해야 합니다. 이를 위해 Python 셸에서 다음 명령을 실행합니다.
cd ~/project
python3 -i reader.pycd ~/project 명령은 현재 작업 디렉토리를 project 디렉토리로 변경합니다. python3 -i reader.py 명령은 reader.py 파일을 대화형 모드로 실행합니다. 즉, 파일 실행이 완료된 후에도 Python 코드를 계속 실행할 수 있습니다.
Python 셸이 열리면 다음 코드를 실행하여 리팩터링된 함수를 테스트합니다.
## Define a simple Stock class for testing
class Stock:
def __init__(self, name, shares, price):
self.name = name
self.shares = shares
self.price = price
@classmethod
def from_row(cls, row):
return cls(row[0], int(row[1]), float(row[2]))
def __repr__(self):
return f'Stock({self.name}, {self.shares}, {self.price})'
## Test csv_as_dicts
with open('portfolio.csv') as f:
portfolio_dicts = csv_as_dicts(f, [str, int, float])
print("First dictionary:", portfolio_dicts[0])
## Test csv_as_instances
with open('portfolio.csv') as f:
portfolio_instances = csv_as_instances(f, Stock)
print("First instance:", portfolio_instances[0])이 코드에서는 먼저 테스트를 위해 간단한 Stock 클래스를 정의합니다. __init__ 메서드는 Stock 인스턴스의 속성을 초기화합니다. from_row 클래스 메서드는 CSV 데이터의 행에서 Stock 인스턴스를 생성합니다. __repr__ 메서드는 Stock 인스턴스의 문자열 표현을 제공합니다.
그런 다음 portfolio.csv 파일을 열고 유형 변환 함수 목록과 함께 함수에 전달하여 csv_as_dicts() 함수를 테스트합니다. 결과 목록의 첫 번째 딕셔너리를 출력합니다.
마지막으로, portfolio.csv 파일을 열고 Stock 클래스와 함께 함수에 전달하여 csv_as_instances() 함수를 테스트합니다. 결과 목록의 첫 번째 인스턴스를 출력합니다.
모든 것이 제대로 작동하면 다음과 유사한 출력이 표시되어야 합니다.
First dictionary: {'name': 'AA', 'shares': 100, 'price': 32.2}
First instance: Stock(AA, 100, 32.2)이 출력은 리팩터링된 함수가 올바르게 작동함을 나타냅니다. 동일한 기능을 유지하면서 코드 중복을 성공적으로 제거했습니다.
Python 셸을 종료하려면 exit()를 입력하거나 Ctrl+D 를 누르세요.
Python 에서 고차 함수는 다른 함수를 인수로 받거나 함수를 결과로 반환할 수 있는 함수입니다. Python 의 map() 함수는 고차 함수의 훌륭한 예입니다. 이는 주어진 함수를 리스트나 튜플과 같은 반복 가능한 객체의 각 항목에 적용할 수 있는 강력한 도구입니다. 각 항목에 함수를 적용한 후 결과의 이터레이터 (iterator) 를 반환합니다. 이러한 기능으로 인해 map()은 CSV 파일의 행과 같이 데이터 시퀀스를 처리하는 데 완벽합니다.
map() 함수의 기본 구문은 다음과 같습니다.
map(function, iterable, ...)여기서 function은 iterable의 각 항목에 대해 수행하려는 작업입니다. iterable은 리스트 또는 튜플과 같은 항목의 시퀀스입니다.
간단한 예제를 살펴보겠습니다. 숫자 목록이 있고 해당 목록의 각 숫자를 제곱하고 싶다고 가정해 보겠습니다. map() 함수를 사용하여 이를 수행할 수 있습니다. 방법은 다음과 같습니다.
numbers = [1, 2, 3, 4, 5]
squared = list(map(lambda x: x * x, numbers))
print(squared) ## Output: [1, 4, 9, 16, 25]이 예제에서는 먼저 numbers라는 리스트를 정의합니다. 그런 다음 map() 함수를 사용합니다. lambda 함수 lambda x: x * x는 numbers 리스트의 각 항목에 대해 수행하려는 작업입니다. map() 함수는 이 lambda 함수를 리스트의 각 숫자에 적용합니다. map()은 이터레이터를 반환하므로 list() 함수를 사용하여 리스트로 변환합니다. 마지막으로, 원래 숫자의 제곱 값을 포함하는 squared 리스트를 출력합니다.
이제 map() 함수를 사용하여 convert_csv() 함수를 수정하는 방법을 살펴보겠습니다. 이전에는 for 루프를 사용하여 CSV 데이터의 행을 반복했습니다. 이제 해당 for 루프를 map() 함수로 대체합니다.
def convert_csv(lines, conversion_func, *, headers=None):
'''
Convert lines of CSV data using the provided conversion function
'''
rows = csv.reader(lines)
if headers is None:
headers = next(rows)
## Use map to apply conversion_func to each row
records = list(map(lambda row: conversion_func(headers, row), rows))
return records이 업데이트된 버전의 convert_csv() 함수는 이전 버전과 정확히 동일한 작업을 수행하지만 for 루프 대신 map() 함수를 사용합니다. map() 내부의 lambda 함수는 CSV 데이터에서 각 행을 가져와 헤더와 함께 conversion_func을 적용합니다.
이 업데이트된 함수가 제대로 작동하는지 테스트해 보겠습니다. 먼저 터미널을 열고 프로젝트 디렉토리로 이동합니다. 그런 다음 reader.py 파일로 Python 대화형 셸을 시작합니다.
cd ~/project
python3 -i reader.pyPython 셸에 들어가면 다음 코드를 실행하여 업데이트된 convert_csv() 함수를 테스트합니다.
## Test the updated convert_csv function
with open('portfolio.csv') as f:
result = convert_csv(f, make_dict)
print(result[0]) ## Should print the first dictionary
## Test that csv_as_dicts still works
with open('portfolio.csv') as f:
portfolio = csv_as_dicts(f, [str, int, float])
print(portfolio[0]) ## Should print the first dictionary with converted types이 코드를 실행한 후 다음과 유사한 출력이 표시되어야 합니다.
{'name': 'AA', 'shares': '100', 'price': '32.20'}
{'name': 'AA', 'shares': 100, 'price': 32.2}이 출력은 map() 함수를 사용하는 업데이트된 convert_csv() 함수가 올바르게 작동하고, 이에 의존하는 함수도 예상대로 계속 작동함을 보여줍니다.
map() 함수를 사용하면 다음과 같은 몇 가지 장점이 있습니다.
for 루프보다 더 간결할 수 있습니다. for 루프에 대해 여러 줄의 코드를 작성하는 대신 map()을 사용하여 동일한 결과를 한 줄로 얻을 수 있습니다.map()을 보면 즉시 함수를 반복 가능한 객체의 각 항목에 적용하고 있음을 알 수 있습니다.map()에서 반환된 이터레이터를 리스트로 변환했지만, 경우에 따라 메모리를 절약하기 위해 이터레이터를 직접 사용할 수 있습니다.Python 셸을 종료하려면 exit()를 입력하거나 Ctrl+D 를 누르세요.
이 랩에서는 Python 의 고차 함수와 고차 함수가 더 모듈화되고 유지 관리 가능한 코드를 작성하는 데 어떻게 기여하는지 배웠습니다. 먼저, 두 개의 유사한 함수에서 코드 중복을 식별했습니다. 그런 다음 변환 함수를 인수로 받는 고차 함수 convert_csv()를 만들고 이를 사용하도록 원래 함수를 리팩터링했습니다. 마지막으로, Python 의 내장 map() 함수를 활용하도록 고차 함수를 업데이트했습니다.
이러한 기술은 Python 프로그래머의 도구 상자에서 강력한 자산입니다. 고차 함수는 코드 재사용과 관심사 분리를 촉진하는 반면, 함수를 인수로 전달하면 더 유연하고 사용자 정의 가능한 동작이 가능합니다. map()과 같은 함수는 데이터를 변환하는 간결한 방법을 제공합니다. 이러한 개념을 마스터하면 더 간결하고, 유지 관리 가능하며, 오류 발생 가능성이 적은 Python 코드를 작성할 수 있습니다.