pompom_33.log

[파이썬] strip vs. split

Thu, 09 Jan 2025 05:52:00 GMT

strip() 문자열 양쪽의 공백이나 특정 문자를 제거합니다. 기본적으로 공백, 줄바꿈(\n), 탭(\t) 등을 제거합니다. 제거할 문자를 지정할 수도 있습니다.

text = "  Hello, World!  \n"
cleaned_text = text.strip()  # 양쪽 공백과 줄바꿈 제거
print(cleaned_text)  # "Hello, World!"

# 특정 문자 제거
text = "###Hello###"
cleaned_text = text.strip('#')  # '#' 문자 제거
print(cleaned_text)  # "Hello"

split() 문자열을 특정 구분자를 기준으로 잘라서 리스트로 반환합니다. 기본값은 공백이며, 지정하지 않으면 공백(스페이스, 탭, 줄바꿈 등)을 기준으로 나눕니다. 특정 구분자를 지정하면 해당 문자로 나눕니다.

text = "apple,banana,cherry"
split_text = text.split(',')  # ','를 기준으로 나눔
print(split_text)  # ['apple', 'banana', 'cherry']

# 기본 공백 기준으로 나눔
text = "Hello   World"
split_text = text.split()  # 공백 기준으로 나눔
print(split_text)  # ['Hello', 'World']

[파이썬] readlines vs. read

Thu, 09 Jan 2025 05:50:02 GMT

readlines() 파일 전체를 읽어서 각 줄을 리스트의 항목으로 반환합니다. 결과는 문자열의 리스트 형태가 됩니다. 각 줄 끝에 줄바꿈 문자(\n)가 포함되어 있을 수 있습니다.
```
with open('file.csv', 'r') as f:
 lines = f.readlines()
 # lines: ['line1\n', 'line2\n', 'line3\n']
```

read() 파일 전체 내용을 하나의 문자열로 반환합니다. 줄 구분 없이 파일 내용을 그대로 읽고, 필요하면 나중에 .splitlines()로 줄 단위로 나눌 수 있습니다.

with open('file.csv', 'r') as f:
    content = f.read()
    # content: 'line1\nline2\nline3\n'

[파이썬] 문자열의 sorted

Sun, 29 Dec 2024 06:13:53 GMT

👩‍🏫 기본 문법

문자열에서 sorted가 사용되면

sorted(문자열) = ['a', 'b', 'c', 'd']

문자열 ⭐한 개 단위로 쪼개서 알파벳 순서로 sort한 ⭐리스트를 반환해줌

👩‍🏫 예를 들어

strs = ["eat","tea","tan"]

for word in strs:
    print(sorted(word))

>> ['a', 'e', 't']
>> ['a', 'e', 't']
>> ['a', 'n', 't']

👩‍🏫 인사이트

기본적으로 sorted 는 리스트를 반환하는 함수군!

[파이썬] dictionary : 와 =

Thu, 19 Dec 2024 01:31:59 GMT

질문

왜 수정된 코드에서는 딕셔너리에 새로운 키와 밸류를 할당할 때 ':' 대신 '=' 를 쓰는거야?

답변

좋은 질문이에요! 코드를 작성하면서 혼동하기 쉬운 부분인데, 여기에서 :와 =의 차이를 이해하는 것이 중요합니다.

💡`:` vs `=`의 차이

1. `:`는 딕셔너리 리터럴에서 키-값 쌍을 정의할 때 사용:

**딕셔너리를 새로 생성**하거나 **딕셔너리 내부의 키-값 쌍을 지정할 때** 사용됩니다. 예를 들어:

my_dict = {
    "key": "value",  # 여기에서 ':'를 사용
    "status": "deficient"
}

-> 그니까 기존에 정해진 값들을 활용할 때 :를 쓰는 듯!

2. `=`는 값을 업데이트하거나 변수에 값을 할당할 때 사용:

**기존 딕셔너리의 값을 수정**하거나 **새 키를 추가할 때**는 `=`를 사용해야 합니다. 예를 들어:

my_dict["key"] = "new_value"  # 기존 키 "key"의 값을 업데이트
my_dict["new_key"] = "value"  # 새 키-값 쌍 추가

왜 수정된 코드에서는 `=`를 사용해야 하나?

수정된 코드에서는 이미 존재하는 딕셔너리(merged_result)를 업데이트하거나 새 키(status)를 추가하고 있습니다. 이 경우 딕셔너리의 특정 키에 값을 할당해야 하므로 =를 사용해야 합니다.

과거 코드와 현재 코드의 차이

과거 코드에서는 station_demands라는 리스트에 새 딕셔너리를 생성해서 추가하고 있었어요. 이때는 딕셔너리 리터럴을 사용했기 때문에 :를 사용했습니다:

station_demands.append({
    "station_id": row['station_id'],  # ':' 사용
    "stock": stock,
    "predicted_rental": predicted_rental,
    "status": "deficient"  # ':' 사용
})

수정된 코드에서는 이미 존재하는 딕셔너리(merged_result)의 값을 업데이트하고 있으므로 =를 사용해야 합니다:

merged_result[stationid]["status"] = "deficient"  # '=' 사용

요약

딕셔너리 리터럴 생성: : 사용
```
new_dict = {"key": "value"}
```
딕셔너리 값 업데이트: = 사용
```
existing_dict["key"] = "new_value"
```

정리

수정된 코드에서 =를 사용한 이유는, 이미 생성된 merged_result 딕셔너리에 새로운 키-값 쌍을 추가하거나 기존 값을 업데이트하고 있기 때문입니다.

[SQL] CROSS JOIN 활용

Sun, 15 Dec 2024 02:51:15 GMT

👩‍🏫문제

1280. Students and Examinations 각 학생들이 각 과목을 응시한 횟수를 반환하라.

Students +------------+--------------+ | student_id | student_name | +------------+--------------+ | 1 | Alice | | 2 | Bob | | 13 | John | | 6 | Alex | +------------+--------------+

Examinations +------------+--------------+ | student_id | subject_name | +------------+--------------+ | 1 | Math | | 1 | Physics | | 1 | Programming | | 2 | Programming | | 1 | Physics | | 1 | Math | | 13 | Math | | 13 | Programming | | 13 | Physics | | 2 | Math | | 1 | Math | +------------+--------------+

👩‍🏫풀이

SELECT S.student_id, 
       S.student_name, 
       sub.subject_name, 
       COUNT(E.student_id) AS attended_exams
FROM Students S
CROSS JOIN Subjects sub
LEFT JOIN Examinations E
    ON S.student_id = E.student_id
    AND sub.subject_name = E.subject_name
GROUP BY S.student_id, S.student_name, sub.subject_name
ORDER BY S.student_id, sub.subject_name

💡 IDEA

CROSS JOIN으로 접점이 없는 Students와 Subjects의 가능한 모든 수를 연결 (해당 학생이 응시하지 않은 과목은 '0'으로 표기해야 함)
여기서 LEFT JOIN으로 조인해야 student_id기준으로 정렬됨.
```
LEFT JOIN Examinations E
ON S.student_id = E.student_id
```
여기서 LEFT JOIN으로 조인해야 subject_name기준으로 정렬됨.
```
LEFT JOIN Examinations E
...
AND sub.subject_name = E.subject_name
```

하지만 여전히 어렵다...

[SQL] 날짜 덧셈 뺄셈

Thu, 05 Dec 2024 02:25:38 GMT

Oracle

SYSDATE = 현재 날짜 SYSDATE +1 = 내일 SYSDATE +7 = 일주일 뒤 ADD_MONTHS(SYSDATE, 1) = 오늘로부터 한 달 뒤 ADD_MONTHS(SYSDATE, 12)

MySQL

now() = 현재 날짜 DATE_ADD(now(), INTERVAL 1 DAY) DATE_ADD(now(), INTERVAL 1 WEEK) DATE_ADD(now(), INTERVAL 1 MONTH) DATE_ADD(now(), INTERVAL 1 YEAR)

내용 출처 : https://blog.naver.com/newyorkinms/220757138800

[CSS] CSS 기초

Fri, 08 Nov 2024 02:48:35 GMT

1. . (점): 클래스 선택자를 나타냅니다. 예를 들어, .schedule은 class="schedule"인 모든 HTML 요소에 스타일을 적용합니다.

.schedule {
    /* 클래스가 schedule인 요소에 스타일 적용 */
    width: 30%;
    padding: 20px;
    /* 기타 스타일 */
}

2. # (샵): 아이디 선택자를 나타냅니다. #map_div는 id="map_div"인 특정 HTML 요소에 스타일을 적용합니다. 아이디는 한 페이지 내에서 고유해야 하며, 한 번만 사용됩니다.

#map_div {
    /* 아이디가 map_div인 요소에 스타일 적용 */
    width: 400px;
    height: 500px;
    /* 기타 스타일 */
}

3. 아무것도 붙지 않은 경우: 태그 선택자를 나타내며, 해당 태그에 해당하는 모든 HTML 요소에 스타일을 적용합니다. 예를 들어, table은 페이지의 모든

요소에 스타일을 지정합니다.

table {
    /* 모든 table 요소에 스타일 적용 */
    width: 100%;
    border-collapse: collapse;
}

요약 .: 클래스 선택자 (.class-name) #: 아이디 선택자 (#id-name) 아무것도 안 붙은 경우: 태그 선택자 (element-name)

[작성중][딥러닝] RNN 모델 작성

Tue, 08 Oct 2024 05:01:32 GMT

Chat GPT 질문-답변

RNN 모델 작성

class RNNModel(torch.nn.Module):
  def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim):
    super().__init__()
    self.embedding = torch.nn.Embedding(
        num_embeddings=vocab_size,  #토큰나이저의 어휘 개수
        embedding_dim=embedding_dim  # 임베딩 벡터 차원
    )
    self.rnn = torch.nn.RNN(
        inout_size=embedding_dim,
        hidden_size=hidden_dim,
        num_layers=1,
        dropout=0.5 # 오버피팅을 방지하기 위해 일부러 일부 파라미터들을 학습시키지 않는 역할. 0.5면 랜덤하게 절반의 파라미터만 학습
    )
    self.fc = torch.nn.Linear(hidden_dim, output_dim)
    self.dropout = torch.nn.Dropout(0.5)

  def forward(self, x):
    text_lengths = (x != 0).long().sum(dim=0)
    embedded = self.dropout(self.embedding(x))
    packed = pack_padded_sequence(embedded, text_lengths, enforce_sorted=False)
    packed_output, hidden = self.rnn(packed) #RNN 통과
    output, output_lengths = pad_packed_sequence(packed_output)
    return self.fc(hidden)

특히 몰랐던 부분!

1. forward 함수의 다음 부분:

packed = pack_padded_sequence(
embedded, text_lengths, enforce_sorted=False
)

가변 길이의 입력을 RNN에 전달하기 위해 패딩을 제거한 시퀀스를 패킹합니다.
text_lengths로 시퀀스의 길이를 지정하고, 정렬되지 않은 배치도 처리할 수 있도록 합니다.

2. dropout을 두 번 하는 이유

이 코드에서는 두 가지 다른 위치에서 드롭아웃을 수행하는데, 그 이유는 각각의 드롭아웃이 다른 층과 다른 목적을 위해 사용되기 때문이야. 이를 각각 자세히 설명해볼게.

self.rnn = torch.nn.RNN(..., dropout=0.5) 이 드롭아웃은 RNN 층 사이의 드롭아웃을 의미해. RNN 층이 여러 개 있을 때, 각 RNN 층 사이에서 드롭아웃이 적용되는 거야.

예를 들어, RNN이 여러 층으로 쌓여 있을 경우 (num_layers > 1), 각 층의 출력에서 다음 층으로 전달될 때 드롭아웃을 수행해서 과적합(overfitting)을 방지하는 역할을 해. 하지만 이 드롭아웃은 층 간에만 적용되기 때문에, 만약 num_layers=1로 지정하면 이 드롭아웃은 적용되지 않게 돼. 따라서 이 드롭아웃은 RNN의 은닉 상태를 다음 층으로 전달할 때만 적용된다고 보면 돼.

self.dropout = torch.nn.Dropout(0.5) 이 드롭아웃은 임베딩 벡터나 출력에 적용되는 드롭아웃이야.

이 부분은 입력된 데이터나 임베딩 벡터, 혹은 RNN의 마지막 은닉 상태가 완전 연결 층(fc)으로 넘어가기 전에 드롭아웃을 추가하는 거야. 이는 RNN 층 내부의 드롭아웃과 별도로, 모델의 다른 부분에서 과적합을 방지하기 위한 역할을 수행해.

왜 두 번 드롭아웃을 수행하는가?

RNN 드롭아웃은 층 간의 드롭아웃을 제어하는 것이고,
별도의 드롭아웃(self.dropout)은 다른 단계에서 임베딩 벡터나 RNN의 출력이 네트워크로 흘러가기 전에 적용하는 거야.

이렇게 다양한 위치에서 드롭아웃을 적용하면 모델이 특정 값에 지나치게 의존하는 것을 방지하고, 다양한 패턴을 학습하도록 돕는 역할을 해.

[SQL] 걸린 시간 구하기

Sun, 06 Oct 2024 09:03:15 GMT

문제

1661. Average Time of Process per Machine

좋은 풀이!!

SELECT machine_id, 
        ROUND(
            AVG(
                CASE WHEN activity_type='start' THEN - timestamp ELSE timestamp end
                )*2,
              3) AS processing_time
FROM activity
GROUP BY machine_id;

POINT 1 : -timestamp CASE WHEN문을 활용하여start일 경우-timestamp 이렇게 음수를 취해줌으로써 (end-start)의 값을 유도
POINT 2 : AVG(~)*2 이 상태에서 average를 구하면 실제로는 n개의 task를 진행했는데도 데이터가 2n개이기 때문에 2n개로 나눠진 average 값이 나옴. 이를 원복해주기 위해 average 값에 2를 곱해줌

[딥러닝] torch 생성자 함수에 "transform"

Wed, 02 Oct 2024 02:49:07 GMT

질문

from torch.utils.data import Dataset
import pandas as pd

class CustomImageDataset(Dataset):
  def __init__(self, img_dir, transform=None):
    self.img_dir = img_dir
    self.img_labels = pd.read_csv(f"{self.img_dir}/label.csv")
    self.transform = transform

내가 궁금한 부분은 def __init__(self, img_dir, transform=None): 에서 transform=None의 역할이 뭐야? 한글로 설명해줘.

답변

def __init__(self, img_dir, transform=None):에서 transform=None의 역할은, 이미지에 적용할 전처리(transformation)가 없을 경우를 대비해 기본값을 None으로 설정하는 것입니다.

즉, transform 매개변수가 제공되지 않으면 기본적으로 아무 전처리도 적용되지 않게 설정하는 것이고, 만약 transform에 특정 변환을 적용하는 함수나 객체를 전달하면, 데이터를 불러올 때 그 변환이 이미지에 적용됩니다.

예를 들어, 이미지 데이터를 학습에 적합한 형태로 변환할 필요가 있을 때, transform에 torchvision.transforms 같은 변환 함수를 전달할 수 있어요. 하지만 변환이 필요 없을 때는 이를 생략할 수 있도록 기본값을 None으로 설정한 거죠.

[딥러닝] Dataset vs. Dataloader

Wed, 02 Oct 2024 01:39:09 GMT

질문

Pytorch에서 Dataset과 Dataloader의 차이가 뭘까?

답변

1. Dataset:

Dataset은 데이터 샘플과 그에 상응하는 라벨을 포함하는 클래스입니다.
데이터의 구조를 정의하며, 데이터를 어떻게 불러올지 설정하는 역할을 합니다.
Dataset을 상속받아 __getitem__과 __len__ 메서드를 구현하면, 원하는 방식으로 데이터를 로드할 수 있습니다. 예를 들어, CSV 파일을 읽거나 이미지 폴더에서 이미지를 불러와 사용할 수 있게 합니다.
```
from torch.utils.data import Dataset
```

class CustomDataset(Dataset): def init(self, data): self.data = data

def __getitem__(self, index):
    return self.data[index]

def __len__(self):
    return len(self.data)


#### 2. **DataLoader**:

* `DataLoader`는 `Dataset`에서 정의한 데이터를 효율적으로 로드하기 위한 클래스입니다.
* 주된 기능은 **배치(batch)** 단위로 데이터를 불러오고, 데이터를 섞거나(shuffle), 병렬로 처리하는 등의 작업을 돕습니다.
* 데이터가 너무 클 경우 한 번에 불러오는 대신 여러 미니배치로 나눠 처리할 수 있게 합니다.
* `DataLoader`는 내부적으로 `Dataset` 객체를 받아서 데이터를 로드합니다.
```python
from torch.utils.data import DataLoader

dataset = CustomDataset([1, 2, 3, 4, 5])
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

for data in dataloader:
    print(data)

요약:

Dataset: 데이터를 정의하고, 어떻게 로드할지 결정하는 클래스.
DataLoader: Dataset에서 정의한 데이터를 배치 처리하거나 병렬로 처리할 수 있게 도와주는 클래스.

[파이썬] super().init()

Sun, 29 Sep 2024 13:36:26 GMT

class SimpleDNN(torch.nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
    super().__init__()
    ...
    (하략)


### 질문
**`super().__init__()`** 이 뭐야?


### 기본 개념:
* **부모 클래스의 상속**: 클래스는 상속을 통해 다른 클래스의 속성과 메서드를 물려받을 수 있습니다. 예를 들어, **SimpleDNN**은 `torch.nn.Module`을 상속받아 신경망 모델로서 필요한 다양한 기능을 물려받습니다.




* `super() 함수`: 이 함수는 자식 클래스에서 부모 클래스를 참조할 수 있게 해줍니다. 특히, 부모 클래스의 메서드(생성자 포함)를 호출할 때 유용합니다.

* `__init__()` 함수: 클래스가 생성될 때 자동으로 호출되는 생성자 함수입니다. 부모 클래스에도 고유의 `__init__()` 메서드가 있을 수 있으며, **이를 자식 클래스에서 사용하고 싶을 때 `super().__init__()`을 호출합니다.**


### 왜 사용하는가?
1. **부모 클래스의 초기화**: 부모 클래스가 특정 변수를 초기화하거나 중요한 설정을 할 수 있습니다. 이를 자식 클래스에서 사용해야 할 때, **`super().__init__()`**을 통해 그 작업을 수행합니다.

2. **코드 중복 방지**: 부모 클래스에서 이미 정의된 초기화 작업을 다시 작성할 필요 없이, 자식 클래스에서 super()로 호출하여 활용할 수 있습니다.

### 예시
```python
class Parent:
    def __init__(self, name):
        self.name = name
        print("Parent class initialized")

class Child(Parent):
    def __init__(self, name, age):
        # 부모 클래스의 __init__을 호출하여 name을 초기화
        super().__init__(name)
        self.age = age
        print("Child class initialized")

child = Child("Alice", 25)

출력 결과:

Parent class initialized
Child class initialized

super().__init__()(name)가 없으면 Parent 클래스의 name 변수가 초기화되지 않아 오류가 발생할 수 있습니다.
super().__init__()(name)는 Parent 클래스의 생성자를 호출하여 name 변수를 설정하고, 그 후 자식 클래스에서 추가 작업을 수행할 수 있습니다.

즉, super().__init__()(name)는 부모 클래스의 속성이나 메서드를 자식 클래스에서도 사용할 수 있게 해주는 중요한 역할을 합니다.

[통계학] 로그 취해준 변수 원복하기(선형회귀모델)

Sun, 29 Sep 2024 10:43:19 GMT

1. 독립변수 & 종속변수

🏠독립 변수: 집의 크기 💰종속 변수: 집 값

2. 정규화

🏡독립 변수: 로그 취한 집의 크기 💵종속 변수: 로그 취한 집 값

3. 선형회귀모델을 만든다

뚝딱뚝딱

4. 새로운 데이터에 대해 예측

내가 하고 싶은 것 : 🏠새로운 집의 크기 -> 💰집 값 예측

집의 크기와 집 값 모두 로그(정규화) 취했다면

🏠새로운 집의 크기 -> 🏡로그 취해주고 -> 💵회귀식으로 예측 -> 💰예측 결과값을 다시 지수승 (최종 결과)

만약에 집의 크기만 로그(정규화) 취했다면

🏠새로운 집의 크기 -> 🏡로그 취해주고 -> 💰회귀식으로 예측 (최종 결과)

만약 집의 가격에만 로그(정규화) 취했다면

🏠새로운 집의 크기 -> 💵회귀식으로 예측 -> 💰예측 결과값 지수승 (최종 결과)

수업내용정리

Fri, 27 Sep 2024 02:11:35 GMT

simple linear regression 부터
multilayer perceptron까지!

torch로 linear reggresion 클래스 작성하기

Wed, 25 Sep 2024 15:13:05 GMT

https://chatgpt.com/share/66f42811-d814-8003-b91a-a27e6c12c412

[딥러닝] 역전파 코드

Wed, 25 Sep 2024 02:52:24 GMT

내 질문

from collections import defaultdict
import numpy as np
from tqdm import tqdm
from sklearn.metrics import accuracy_score

def train_model(model):
    model.train()
    loss_list = []
    acc_list = []
    for x_train, y_train in tqdm(train_dataloader):
        outputs = model(x_train)
        loss = criterion(outputs, y_train)
        loss_list.append(loss.item())

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        pred = torch.argmax(outputs, dim=1)
        acc = accuracy_score(y_train, pred)
        acc_list.append(acc)
    return get_mean(loss_list), get_mean(acc_list)

이 코드에서 다음 세 줄의 역할에 대해 설명해줘

optimizer.zero_grad()
loss.backward()
optimizer.step()

Chat GPT 답변

이 세 줄은 PyTorch에서 모델을 학습시키기 위한 핵심 단계들입니다. 각각의 역할을 설명하자면:

optimizer.zero_grad():

이 함수는 모델의 모든 가중치에 대한 기울기(gradient)를 초기화하는 역할을 합니다. PyTorch에서는 역전파(backpropagation)를 할 때 기울기가 누적(accumulate)되기 때문에, 매번 학습할 때마다 기울기를 초기화해주어야 합니다. 그렇지 않으면 이전 학습의 기울기가 계속 더해지면서 잘못된 업데이트가 발생할 수 있습니다.

loss.backward():

이 함수는 역전파(backpropagation)를 통해 손실 함수(loss)의 기울기를 계산합니다. 이때 각 파라미터(가중치)에 대한 기울기가 계산되고, 해당 값이 각 파라미터의 .grad 속성에 저장됩니다. 이 과정은 체인 룰(chain rule)을 사용하여 계산됩니다.

optimizer.step():

이 함수는 optimizer가 각 파라미터의 기울기(gradient)를 사용하여 가중치를 업데이트하는 역할을 합니다. optimizer는 SGD, Adam 등 다양한 최적화 알고리즘을 기반으로 가중치를 업데이트하며, 이 단계에서 모델이 더 나은 방향으로 학습될 수 있도록 파라미터가 조정됩니다.

즉, 이 세 줄은 기울기 초기화, 역전파로 기울기 계산, 기울기를 사용한 가중치 업데이트의 순서로 모델을 학습시키는 핵심 부분입니다.

[SQL] LEAD/LAG

Sun, 22 Sep 2024 12:18:19 GMT

👩‍🏫 LEAD / LAG

LEAD 현재 행 기준 이전 행 값을 가져오는 함수
LAG 현재 행 기준 이후 행 값을 가져오는 함수

👩‍🏫 LAG 기본 문법

LAG([,offset[,default_value]]) 
OVER ([PARTITION BY ] ORDER BY )

LAG() OVER (ORDER BY )

[...] 부분은 생략 가능하다. 두 번째 코드는 필수 부분만 담은 것
offset : 지정시 N번째 값을 가져온다.
default_value : N번째 값이 없을 경우 default_value값을 가져온다.
PARTITION BY : 지정시 GROUP 별로 행 값을 가져온다.

👩‍🏫 LAG 예제

LEETCODE SQL 문제 197. Rising Temperature

SELECT W1.id
FROM Weather W1
JOIN Weather W2
  ON W1.recordDate = DATE_ADD(W2.recordDate, INTERVAL 1 DAY)
WHERE W1.temperature > W2.temperature;

👩‍🏫 LEAD는...?

LAG와 사용법이 동일하다.

참고한 벨로그

[MySQL] LEAD, LAG 함수

[파이썬] set함수

Fri, 13 Sep 2024 06:00:08 GMT

👩‍🏫 문제

2351. First Letter to Appear Twice 주어지는 문자열에서 2회 이상 등장하는 문자를 return하면 된다. 두 개 이상의 정답이 있는 경우 가장 먼저 반복되는 문자를 return.

👩‍🏫 첫 번째 풀이(list 활용)

tmp = []
for c in s:
    if c in tmp:
        return c
    tmp.append(c)

c를 순차적으로 list에 append하며 if c in tmp:로 tmp에 포함되었는지 확인하는 간단한 구조

👩‍🏫 두 번째 풀이(set 활용)

visited = set()
for c in s:
    if c in visited:
        return c
    visited.add(c)

list 대신 set을 활용했다.
그 이유는 list는 if c in visited: 단계에서 모든 문자열을 순회하면서 c가 있는지 확인하는데, set은 딕셔너리처럼 필요한 부분만 콕 집어서 확인한다 -> 메모리 효율성이 올라감.
set은 append 대신 add를 이용한다
tmp 보다 visited라는 변수명이 더 적합하다.

💡 set 활용하는 방법들 정리

{a, b, c} 이렇게 {}brackets 안에 원소 넣으면 set 객체 형성됨. 빈 dictionary를 생성할 때와 헷갈리지 말자.
set('객체') 안에 넣은 객체를 set으로 바꿔준다.
```
nums = [1, 2, 3]
A = set(nums)
```

print(A, type(A)) => {1, 2, 3} ```

[파이썬] ⭐반복문 제어: continue, break, pass

Fri, 13 Sep 2024 04:04:11 GMT

👩‍🏫 continue

nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

for num in nums:
    if num == 5:
        continue
    print(num)

...
1, 2, 3, 4, 6, 7, 8, 9, 10

결과에서 '5'만 없는 것을 확인 가능
continue : 조건을 만족시키는 경우에만 아래의 명령문을 실행시키지 말고 나머지 loop을 진행하라
즉, 5 이후의 6, 7, 8, 9, 10에 대해서는 loop 진행

👩‍🏫 break

nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

for num in nums:
    if num == 5:
        break
    print(num)

...
1, 2, 3, 4

break : if조건을 만나면 거기서 loop을 멈춰버림. 이후의 반복문은 실행되지 않고 종료

👩‍🏫 pass

nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

for num in nums:
    if num == 5:
        pass
    else:
        i = i * 2
    print(num)

...
2, 4, 6, 8, 5, 12, 14, 16, 18, 20

pass : if-else 부분을 실행시키지 않고 그 외의 반복문 명령어를 실행시킴

💡 continue vs. pass

continue는 반복문 내의 모든 명령어를 무시하는데,
pass는 if-else 부분만 무시하고 나머지는 실행!

라고 이해했습니다......

내용참고 https://itgilajavy.tistory.com/25

[파이썬] sort vs. sorted

Thu, 12 Sep 2024 13:37:58 GMT

👩‍🏫 sort와 sorted의 차이점

sort : 원본 리스트를 수정한다.
sorted : 원본 리스트는 유지하고, 정렬된 리스트를 새롭게 반환한다.

👩‍🏫 sort 예제

list = [9, 3, 6]
sort_list = list.sort()

print(list)
=> [3, 6, 9]

print(sort_list)
=> none

원본 list 값이 수정되고, 새로운 객체가 생성되지 않습니다.

👩‍🏫 sorted 예제

sorted_list = sorted(list)

list = [9, 3, 6]
sorted_list = sorted(list)

print(list)
=> [9, 3, 6]

print(sorted_list)
=> [3, 6, 9]

원본 list는 그대로고 이를 sorted한 새로운 list가 생성됩니다.