Pseudo-Randomness 및 Regex 힌트

우리는 파이썬 단기집중 과정이 거의 끝나가고 있으며 나머지 Data Science from Scratch (by Joel Grus) 동안 재미있는 내용을 다룰 것입니다. 이 게시물에서 우리는 의사 난수와 정규 표현식에 대해 간략하게 알아볼 것입니다.
random 모듈은 데이터 과학에서 광범위하게 사용됩니다. 특히 난수를 생성해야 하고 다음에 모델을 실행할 때 재현 가능한 결과를 원할 때(Python에서는 random.seed(x) , R에서는 set.seed(x) ) x는 우리가 결정한 정수입니다(우리는 일관성만 있으면 됩니다. 모델을 다시 방문할 때).

기술적으로 모듈은 결정론적 결과를 생성하므로 의사 난수입니다. 다음은 임의성이 결정론적임을 강조하는 예입니다.

import random
random.seed(10) # say we use 10

# this variable is from the book
four_randoms = [random.random() for _ in range(4)]

# call four_randoms - same result from Data Science from Scratch
# because the book also uses random.seed(10)
[0.5714025946899135,
 0.4288890546751146,
 0.5780913011344704,
 0.20609823213950174]

# if we use x instead of underscore
# a different set of four "random" numbers is generated
another_four_randoms = [random.random() for x in range(4)]

[0.81332125135732, 
 0.8235888725334455, 
 0.6534725339011758, 
 0.16022955651881965]

_에 대한 간략한 우회

다른 소스에서 읽어보면 밑줄 "_"이 변수에 관심이 없고 사용할 계획이 없을 때 for 루프에서 사용된다는 것을 알 수 있습니다. 예를 들면 다음과 같습니다.

# prints 'hello' five times
for _ in range(5):
    print("hello")

# we could use x as well
for x in range(5):
    print("hello")

위의 예에서 _ 또는 x를 사용할 수 있었고 큰 차이가 없어 보입니다. 우리는 기술적으로 _ 를 호출할 수 있지만 이는 나쁜 습관으로 간주됩니다.

# bad practice, but prints 0, 1, 2, 3, 4
for _ in range(5):
    print(_)

그럼에도 불구하고 _는 다른 결과를 산출하기 때문에 의사 난수의 맥락에서 중요합니다.

import random
random.seed(10)

# these two yield different results, even with the same random.seed(10)
four_randoms = [random.random() for _ in range(4)]
another_four_randoms = [random.random() for x in range(4)]

그러나 결정론 또는 유사 난수성으로 돌아가서 다음과 같이 변경해야 합니다.

# new random.seed()
random.seed(11)

# reset four_randoms
four_randoms = [random.random() for _ in range(4)]
[0.4523795535098186, 
0.559772386080496, 
0.9242105840237294, 
0.4656500700997733]

# change to previous random.seed()
random.seed(10)

# reset four_randoms (again)
four_randoms = [random.random() for _ in range(4)]

# get previous result (see above)
[0.5714025946899135,
 0.4288890546751146,
 0.5780913011344704,
 0.20609823213950174]

random.seed(11) 모듈의 다른 기능에는 random.seed(10) , random , random.randrange 및 random.shuffle가 있습니다.

random.randrange(3,6) # choose randomly between [3,4,5]

# random shuffle
one_to_ten = [1,2,3,4,5,6,7,8,9,10]
random.shuffle(one_to_ten)
print(one_to_ten)  # example: [8, 7, 9, 3, 5, 2, 10, 1, 6, 4]
random.shuffle(one_to_ten) # again
print(one_to_ten)  # example: [3, 10, 8, 6, 9, 2, 7, 1, 4, 5]

# random choice
list_of_people = (["Bush", "Clinton", "Obama", "Biden", "Trump"])
random.choice(list_of_people) # first time, 'Clinton'
random.choice(list_of_people) # second time, 'Biden'

# random sample
lottery_numbers = range(60) # get a range of 60 numbers
winning_numbers = random.sample(lottery_numbers, 6) # get a random sample of 6 numbers
winning_numbers # example: [39, 24, 2, 37, 0, 15]

# because its pseudorandom, if you want a different set of 6 numbers
# reset the winning_numbers
winning_numbers = random.sample(lottery_numbers, 6)
winning_numbers # a different set of numbers [8, 12, 19, 34, 23, 49]

정규식

정규식

전체 책은 random.choice에 대해 쓸 수 있으므로 저자는 유용할 수 있는 몇 가지 기능, random.sample, regular expressions, re.match 및 re.search를 간략하게 강조합니다.

import re

re_examples = [
    not re.match("a", "cat"),                   # re.match check the word cat 'starts' letter 'a'
    re.search("a", "cat"),                      # re.search check if word cat 'contains' letter 'a'
    not re.search("c", "dog"),                  # 'dog' does not contain 'c'
    3 == len(re.split("[ab]", "carbs")),        # 3 equals length of "carbs" once you split out [ab]
    "R-D-" == re.sub("[0-9]", "-", "R2D2")      # sub out numbers in 'R2D2' with hyphen "-"
    ]

# test that all examples are true
assert all(re_examples), "all the regex examples should be True"

마지막 줄은 정규식 예제에 적용된 테스트( re.split )와 진실성( re.sub )에 대한 이해를 검토합니다.


다음 주제에 관심이 있을 수 있습니다.