Native Python Programing

파이썬에서 "데이터 카드(Data Card)"라는 용어는 일반적으로 사용되지 않지만, 일반적으로 데이터 카드란 특정 데이터를 구조적으로 정리하여 표현하는 방법으로 이해할 수 있습니다. 이를 위해 일반적으로 사용하는 자료구조는 클래스, 사전, 튜플, 리스트 등이 있습니다.

여기에서는 데이터를 정리하여 표현할 수 있는 카드 형태의 자료구조를 구현하기 위해 클래스를 사용하는 예제를 보여드리겠습니다. 이 클래스는 카드의 속성을 정의하고, 데이터를 저장하고, 출력하는 기능을 포함할 수 있습니다.

데이터 카드 클래스 구현

1. 데이터 카드 클래스

우선, 데이터 카드 클래스의 기본 구조를 설계하겠습니다. 이 클래스는 이름, 번호, 설명 등의 속성을 가질 수 있습니다.

class DataCard:
    def __init__(self, name, number, description):
        self.name = name          # 카드의 이름
        self.number = number      # 카드의 번호
        self.description = description  # 카드에 대한 설명

    def display(self):
        """카드 정보를 출력하는 메서드"""
        print(f"Name: {self.name}")
        print(f"Number: {self.number}")
        print(f"Description: {self.description}")


# 데이터 카드 객체 생성 및 정보 출력
if __name__ == "__main__":
    card1 = DataCard("Card A", 1, "This is the first data card.")
    card2 = DataCard("Card B", 2, "This is the second data card.")

    print("Data Card 1:")
    card1.display()
    print("\nData Card 2:")
    card2.display()

2. 코드 설명

• __init__ 메서드: 클래스의 초기화 메서드로, 카드의 이름, 번호 및 설명을 초기화합니다.
• display 메서드: 카드의 정보를 출력하는 메서드입니다.
• if __name__ == "__main__":: 이 블록 내의 코드는 모듈이 직접 실행될 때만 실행됩니다. 여기에서는 두 개의 데이터 카드 객체를 생성하고, 각각의 정보를 출력합니다.

3. 실행 결과

위 코드를 실행하면 다음과 같은 결과가 출력됩니다:

Data Card 1:
Name: Card A
Number: 1
Description: This is the first data card.

Data Card 2:
Name: Card B
Number: 2
Description: This is the second data card.

3. 카드 목록 구현

여러 개의 카드 데이터를 관리하기 위해 카드 목록을 생성하는 방법도 소개하겠습니다.

class CardCollection:
    def __init__(self):
        self.cards = []  # 카드 리스트 초기화

    def add_card(self, card):
        """카드를 컬렉션에 추가하는 메서드"""
        self.cards.append(card)

    def display_all(self):
        """모든 카드를 출력하는 메서드"""
        for card in self.cards:
            card.display()
            print()  # 카드 사이에 빈 줄 추가


# 카드 컬렉션 생성 및 카드 추가
if __name__ == "__main__":
    collection = CardCollection()

    card1 = DataCard("Card A", 1, "This is the first data card.")
    card2 = DataCard("Card B", 2, "This is the second data card.")

    collection.add_card(card1)
    collection.add_card(card2)

    print("All Data Cards in Collection:")
    collection.display_all()

4. 코드 설명

• CardCollection 클래스: 여러 개의 카드 데이터를 관리하는 클래스입니다.
• add_card 메서드: 새로운 카드를 컬렉션에 추가합니다.
• display_all 메서드: 컬렉션에 있는 모든 카드의 정보를 출력합니다.

5. 실행 결과

위 코드를 실행하면 다음과 같은 결과가 출력됩니다:

All Data Cards in Collection:
Name: Card A
Number: 1
Description: This is the first data card.

Name: Card B
Number: 2
Description: This is the second data card.

결론

위의 예제는 데이터 카드를 구조적으로 관리하기 위한 클래스를 구현한 것입니다. 데이터 카드의 속성과 메서드를 정의하여 필요한 데이터를 쉽게 저장하고 출력할 수 있습니다. 이러한 클래스를 사용하여 더 복잡한 데이터 구조를 만들고, 추가적인 기능(예: 카드 수정, 삭제 등)을 구현할 수 있습니다.

파이썬에서 다차원 자료구조를 생성하는 방법은 여러 가지가 있습니다. 가장 일반적인 다차원 자료구조는 리스트(list)와 NumPy 배열입니다. 아래에서는 이 두 가지 방법을 포함하여 다양한 다차원 자료구조를 만드는 방법을 설명합니다.

1. 리스트를 사용한 다차원 자료구조

리스트는 파이썬의 기본 자료구조로, 다차원 배열을 구현하는 데 자주 사용됩니다. 리스트의 리스트를 중첩하여 다차원 배열을 만들 수 있습니다.

예시: 2차원 리스트 생성

# 2차원 리스트 (행렬) 생성
matrix = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]

# 2차원 리스트 출력
for row in matrix:
    print(row)

예시: 3차원 리스트 생성

# 3차원 리스트 생성
tensor = [
    [
        [1, 2, 3],
        [4, 5, 6]
    ],
    [
        [7, 8, 9],
        [10, 11, 12]
    ]
]

# 3차원 리스트 출력
for matrix in tensor:
    for row in matrix:
        print(row)
    print()  # 행렬 사이에 빈 줄 추가

2. NumPy를 사용한 다차원 배열 생성

NumPy는 고성능 과학 계산과 데이터 분석을 위한 라이브러리로, 다차원 배열을 다루는 데 매우 유용합니다. NumPy 배열은 리스트보다 더 효율적으로 메모리를 사용하고, 많은 수학적 연산을 지원합니다.

NumPy 설치

먼저, NumPy가 설치되어 있지 않은 경우 아래 명령어로 설치할 수 있습니다:

pip install numpy

예시: NumPy를 사용한 2차원 배열 생성

import numpy as np

# 2차원 NumPy 배열 생성
array_2d = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

print("2차원 NumPy 배열:")
print(array_2d)

예시: NumPy를 사용한 3차원 배열 생성

# 3차원 NumPy 배열 생성
array_3d = np.array([
    [
        [1, 2, 3],
        [4, 5, 6]
    ],
    [
        [7, 8, 9],
        [10, 11, 12]
    ]
])

print("3차원 NumPy 배열:")
print(array_3d)

3. pandas를 사용한 다차원 자료구조

pandas는 데이터 분석을 위한 라이브러리로, 1차원 및 2차원 데이터를 쉽게 다룰 수 있습니다. 특히 DataFrame은 2차원 표 형태의 자료구조로 많이 사용됩니다.

pandas 설치

먼저, pandas가 설치되어 있지 않은 경우 아래 명령어로 설치할 수 있습니다:

pip install pandas

예시: pandas DataFrame 생성

import pandas as pd

# DataFrame 생성
data = {
    'Column1': [1, 4, 7],
    'Column2': [2, 5, 8],
    'Column3': [3, 6, 9]
}

df = pd.DataFrame(data)

print("DataFrame:")
print(df)

4. 사전(Dictionary)를 사용한 다차원 자료구조

사전은 키-값 쌍으로 데이터를 저장하는 자료구조로, 중첩된 사전을 사용하여 다차원 구조를 만들 수 있습니다.

예시: 중첩된 사전 생성

# 중첩된 사전 생성
nested_dict = {
    'A': {
        'B': {
            'C': 1
        }
    },
    'D': {
        'E': 2
    }
}

# 중첩된 사전 접근
print("중첩된 사전 값:", nested_dict['A']['B']['C'])

결론

파이썬에서 다차원 자료구조를 생성하는 방법은 다양합니다. 리스트, NumPy 배열, pandas DataFrame, 사전 등을 사용하여 필요한 구조를 만들 수 있습니다. 사용 목적과 데이터의 성격에 따라 적절한 자료구조를 선택하면 됩니다. NumPy와 pandas는 특히 과학 계산 및 데이터 분석에 많이 사용되므로, 이러한 라이브러리를 사용하는 것이 좋습니다.

확률 관련 계산을 다루는 클래스를 파이썬으로 구현하는 것은 유용한 프로젝트입니다. 아래는 간단한 확률 클래스를 만들어 기본적인 확률 계산, 조합, 그리고 베르누이 분포를 다루는 예제입니다. 이 클래스는 확률을 다루기 위해 다음과 같은 기능을 제공합니다:

1. 확률 계산: 특정 사건의 확률을 계산하는 메서드.
2. 조합 계산: n개 중 k개를 선택하는 조합 수를 계산하는 메서드.
3. 베르누이 확률: 주어진 성공 확률에 대한 베르누이 분포를 계산하는 메서드.

확률 클래스 구현

import math

class Probability:
    def __init__(self):
        pass

    @staticmethod
    def probability(event_outcomes, total_outcomes):
        """ 특정 사건의 확률을 계산합니다. """
        if total_outcomes <= 0:
            raise ValueError("총 경우의 수는 0보다 커야 합니다.")
        if event_outcomes < 0:
            raise ValueError("사건의 경우의 수는 음수일 수 없습니다.")
        return event_outcomes / total_outcomes

    @staticmethod
    def combination(n, k):
        """ n개 중 k개를 선택하는 조합 수를 계산합니다. """
        if k > n or n < 0 or k < 0:
            raise ValueError("n은 k보다 크거나 같아야 하며, 두 값 모두 0 이상이어야 합니다.")
        return math.comb(n, k)

    @staticmethod
    def bernoulli_distribution(p, n, k):
        """ 베르누이 분포의 확률을 계산합니다. """
        if p < 0 or p > 1:
            raise ValueError("성공 확률 p는 0과 1 사이의 값이어야 합니다.")
        if n < 0 or k < 0 or k > n:
            raise ValueError("n과 k는 0 이상이어야 하며, k는 n보다 작거나 같아야 합니다.")

        # 베르누이 확률 질량 함수
        q = 1 - p  # 실패 확률
        return (Probability.combination(n, k) * (p ** k) * (q ** (n - k)))

# 사용 예시
if __name__ == "__main__":
    prob = Probability()

    # 특정 사건의 확률 계산
    event_outcomes = 3
    total_outcomes = 10
    print(f"확률: {prob.probability(event_outcomes, total_outcomes):.2f}")

    # 조합 계산
    n = 5
    k = 2
    print(f"{n}C{k} = {prob.combination(n, k)}")

    # 베르누이 분포 확률 계산
    p = 0.6  # 성공 확률
    n = 10   # 시행 횟수
    k = 6    # 성공 횟수
    print(f"베르누이 분포 확률: {prob.bernoulli_distribution(p, n, k):.4f}")

설명

1. probability 메서드:

   • 사건의 경우의 수와 총 경우의 수를 받아 해당 사건의 확률을 계산합니다.
   • 총 경우의 수가 0 이하이거나 사건의 경우의 수가 음수인 경우, ValueError를 발생시킵니다.

2. combination 메서드:

   • 조합을 계산하는 메서드로, math.comb를 사용하여 n개 중 k개를 선택하는 조합 수를 계산합니다.
   • n이 k보다 작거나, 두 값이 음수인 경우 ValueError를 발생시킵니다.

3. bernoulli_distribution 메서드:

   • 주어진 성공 확률, 시행 횟수, 성공 횟수에 대한 베르누이 분포의 확률을 계산합니다.
   • 성공 확률이 0과 1 사이가 아닐 경우 또는 n, k가 음수이거나 k가 n보다 클 경우 ValueError를 발생시킵니다.

사용 예시

• 위의 코드에서 클래스의 메서드를 호출하여 사건의 확률, 조합 수, 그리고 베르누이 확률을 계산할 수 있습니다.
• 이 코드는 직접 실행하면 확률을 계산하는 예시 결과를 출력합니다.

이와 같은 확률 클래스를 통해 다양한 확률 관련 계산을 쉽게 수행할 수 있습니다. 필요한 경우 이 클래스를 확장하여 추가적인 확률 분포나 통계 계산을 추가할 수 있습니다.

확률과 확률 분포는 통계학과 데이터 분석에서 매우 중요한 개념입니다. 이 두 개념은 서로 밀접하게 관련되어 있으며, 확률을 사용하여 사건의 가능성을 정량화하고, 확률 분포는 이 사건들이 발생할 가능성을 시각적으로 나타내거나 모델링하는 데 사용됩니다. 아래에서 두 개념을 자세히 설명하겠습니다.

1. 확률 (Probability)

정의

확률은 어떤 사건이 발생할 가능성을 나타내는 수치입니다. 0과 1 사이의 값으로 표현되며, 0은 해당 사건이 절대 발생하지 않음을 의미하고, 1은 해당 사건이 반드시 발생함을 의미합니다.

확률 계산

확률 ( P )는 일반적으로 다음과 같이 계산됩니다:

[
P(A) = \frac{\text{사건 A의 경우의 수}}{\text{전체 경우의 수}}
]

여기서 ( P(A) )는 사건 ( A )의 확률을 의미합니다.

예시

• 동전을 던질 때, 앞면이 나올 확률은 ( P(앞면) = \frac{1}{2} )입니다.
• 주사위를 던질 때, 3이 나올 확률은 ( P(3) = \frac{1}{6} )입니다.

2. 확률 분포 (Probability Distribution)

정의

확률 분포는 확률 변수의 모든 가능한 값과 그 값이 발생할 확률을 나타내는 함수입니다. 확률 분포는 주로 두 가지 형태로 나뉩니다: 이산 확률 분포와 연속 확률 분포.

이산 확률 분포 (Discrete Probability Distribution)

이산 확률 분포는 확률 변수가 이산적인(즉, 개별적인) 값을 가질 때 사용됩니다. 예를 들어 주사위 던지기와 같은 경우가 있습니다.

• 확률 질량 함수 (PMF): 이산 확률 분포에서 각 사건의 확률을 나타내는 함수입니다.

예시: 이산 확률 분포

1. 베르누이 분포 (Bernoulli Distribution): 성공 또는 실패의 두 가지 결과가 있는 실험에서 사용됩니다.

   • 예: 동전을 던져 앞면이 나오는 경우.

2. 이항 분포 (Binomial Distribution): 독립적인 베르누이 실험에서 성공의 횟수를 모델링합니다.

   • 예: 10번의 동전 던지기에서 앞면이 나오는 횟수.

3. 포아송 분포 (Poisson Distribution): 주어진 시간 내에 발생하는 사건의 수를 모델링합니다.

   • 예: 1시간 내에 특정 전화가 걸려오는 횟수.

연속 확률 분포 (Continuous Probability Distribution)

연속 확률 분포는 확률 변수가 연속적인 값을 가질 때 사용됩니다. 예를 들어 키, 무게, 시간 등의 측정값이 있습니다.

• 확률 밀도 함수 (PDF): 연속 확률 분포에서 확률을 나타내는 함수입니다. 특정 구간의 확률은 PDF의 면적을 통해 계산됩니다.

예시: 연속 확률 분포

1. 정규 분포 (Normal Distribution): 평균과 표준편차에 의해 정의되며, 많은 자연 현상에서 나타납니다. 종 모양의 곡선을 가집니다.

   • 예: 사람의 키, 시험 성적 등.

2. 균등 분포 (Uniform Distribution): 모든 값이 같은 확률을 가지는 분포입니다.

   • 예: 0과 1 사이의 실수가 균등하게 발생할 확률.

3. 지수 분포 (Exponential Distribution): 사건이 발생하는 간격의 시간을 모델링하는 데 사용됩니다.

   • 예: 고장 발생 시간, 대기 시간.

3. 확률 분포의 특징

• 기대값 (Mean): 확률 변수의 평균값으로, 확률 분포의 중심을 나타냅니다.
• 분산 (Variance): 확률 변수의 값이 평균값 주위에서 얼마나 퍼져 있는지를 나타냅니다. 표준편차는 분산의 제곱근입니다.
• 누적 분포 함수 (CDF): 특정 값 이하의 확률을 나타내는 함수로, 이산 확률 분포와 연속 확률 분포 모두에서 사용됩니다.

4. 확률과 확률 분포의 관계

확률은 개별 사건의 가능성을 나타내고, 확률 분포는 이러한 사건들이 어떻게 발생하는지를 모델링합니다. 확률 분포는 다수의 사건의 확률을 요약하고, 통계적 추론 및 예측 분석을 가능하게 합니다.

5. 확률 분포의 시각화

확률 분포를 시각화하는 것은 데이터를 이해하고 해석하는 데 도움이 됩니다. 이산 확률 분포는 막대 그래프로, 연속 확률 분포는 곡선 그래프로 시각화할 수 있습니다. 예를 들어, 정규 분포의 경우 다음과 같은 형태로 시각화됩니다.

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 정규 분포 예시
mu, sigma = 0, 0.1  # 평균과 표준편차
s = np.random.normal(mu, sigma, 1000)

# 히스토그램 그리기
plt.figure(figsize=(10, 5))
sns.histplot(s, bins=30, kde=True)
plt.title('정규 분포의 히스토그램')
plt.xlabel('값')
plt.ylabel('빈도수')
plt.show()

이 코드 예시는 평균이 0이고 표준편차가 0.1인 정규 분포에서 무작위 샘플을 생성하고 이를 히스토그램으로 시각화하는 방법을 보여줍니다. KDE(커널 밀도 추정)는 확률 밀도 함수를 부드럽게 나타내는 데 사용됩니다.

결론

확률과 확률 분포는 데이터 분석 및 통계적 모델링의 기초입니다. 확률은 사건의 가능성을 정량화하는 방법을 제공하고, 확률 분포는 이러한 사건들의 발생 양상을 모델링하여 다양한 분석과 예측을 가능하게 합니다. 이 두 개념을 이해함으로써 데이터의 패턴을 더 잘 이해하고 해석할 수 있습니다.

파이썬의 명명된 자료구조는 데이터를 더 명확하고 가독성 있게 관리하기 위한 구조입니다. 이러한 자료구조는 값에 접근할 때 이름을 통해 접근할 수 있기 때문에 코드의 이해와 유지보수를 용이하게 합니다.

파이썬에서는 다음과 같은 명명된 자료구조를 사용할 수 있습니다.

1. namedtuple (from collections)
2. dataclass (from dataclasses)

각각을 설명하고 예제 코드를 제공하겠습니다.

1. namedtuple (from collections)

namedtuple은 일반적인 튜플과 유사하지만, 각 항목에 이름을 붙일 수 있는 튜플입니다. 따라서, 인덱스 번호가 아닌 필드 이름으로 값에 접근할 수 있습니다. 불변(immutable)하다는 점에서는 튜플과 동일합니다.

사용법:

from collections import namedtuple

# namedtuple 정의
Person = namedtuple('Person', ['name', 'age', 'city'])

# 객체 생성
p = Person(name="John", age=30, city="New York")

# 값에 필드 이름으로 접근
print(p.name)  # 출력: John
print(p.age)   # 출력: 30
print(p.city)  # 출력: New York

# 튜플처럼 인덱스로도 접근 가능
print(p[0])  # 출력: John

설명:

• namedtuple('Person', ['name', 'age', 'city']): Person이라는 명명된 튜플을 정의합니다. 세 개의 필드 이름 name, age, city를 가지며, 각 필드에 이름으로 접근할 수 있습니다.
• 불변성: namedtuple은 기본적으로 불변(immutable)합니다. 값을 변경할 수 없습니다.

장점:

• 필드 이름으로 데이터에 접근할 수 있어 가독성이 높습니다.
• 메모리 사용이 효율적이고 성능이 뛰어납니다.

2. dataclass (from dataclasses)

파이썬의 dataclass는 3.7 버전부터 도입된 기능으로, 클래스를 더 간편하게 정의할 수 있도록 도와줍니다. 특히, 데이터 저장과 관련된 클래스에 자주 사용되는 __init__, __repr__, __eq__와 같은 메서드를 자동으로 생성해줍니다.

사용법:

from dataclasses import dataclass

@dataclass
class Person:
    name: str
    age: int
    city: str

# 객체 생성
p = Person(name="Alice", age=25, city="Los Angeles")

# 값에 필드 이름으로 접근
print(p.name)  # 출력: Alice
print(p.age)   # 출력: 25
print(p.city)  # 출력: Los Angeles

# __repr__ 메서드 자동 생성됨
print(p)  # 출력: Person(name='Alice', age=25, city='Los Angeles')

# __eq__ 메서드 자동 생성됨
p2 = Person(name="Alice", age=25, city="Los Angeles")
print(p == p2)  # 출력: True

설명:

• @dataclass: dataclass 데코레이터를 사용하면, 클래스 정의 시 각 필드의 타입과 이름만 적어주면 됩니다. 파이썬이 자동으로 생성자(__init__), 문자열 표현(__repr__), 비교(__eq__) 등을 처리해 줍니다.
• 변경 가능성: dataclass는 기본적으로 변경 가능(mutable)합니다.

장점:

• 클래스를 더 간결하게 작성할 수 있습니다.
• 자동으로 생성되는 메서드를 통해 코드의 중복을 줄일 수 있습니다.
• 기본 값, 필드 간 타입 검사 등을 쉽게 지원합니다.

dataclass의 추가 기능:

• 기본값 설정: 필드에 기본값을 설정할 수 있습니다.
• 필드 순서 변경: 기본값이 없는 필드는 기본값이 있는 필드 앞에 위치해야 합니다.
• 불변성 설정: dataclass에서 불변성을 설정할 수도 있습니다. 이를 위해 frozen=True를 사용합니다.

from dataclasses import dataclass

@dataclass(frozen=True)
class Point:
    x: int
    y: int

p = Point(10, 20)
print(p.x)  # 출력: 10

# 불변성으로 인해 값을 변경하려고 하면 오류 발생
# p.x = 15  # AttributeError: cannot assign to field 'x'

namedtuple와 dataclass 비교

결론

파이썬의 명명된 자료구조는 가독성을 높이고, 명시적으로 데이터를 관리할 수 있는 좋은 도구들입니다. namedtuple은 메모리 효율적이고 불변성을 가진 자료 구조가 필요할 때 유용하고, dataclass는 보다 유연하고 클래스를 빠르게 정의하고 싶을 때 매우 유용합니다.

상황에 맞는 도구를 선택하여 데이터를 관리하면 코드의 유지 보수성과 효율성을 모두 높일 수 있습니다.

제너릭을 이용한 파이썬의 `Pair` 클래스를 구현하는 것은 타입 안전성을 높이는 좋은 방법입니다. 제너릭은 다양한 데이터 타입을 다룰 수 있는 클래스를 작성할 수 있게 해줍니다. 다음은 `Pair` 클래스를 구현하고, 이 클래스를 사용하는 예제입니다.

1. Pair 클래스 구현

from typing import Generic, TypeVar

# 제너릭 타입 변수 정의
T = TypeVar('T')
U = TypeVar('U')

class Pair(Generic[T, U]):
    def __init__(self, first: T, second: U):
        self.first = first
        self.second = second

    def get_first(self) -> T:
        """첫 번째 요소를 반환합니다."""
        return self.first

    def get_second(self) -> U:
        """두 번째 요소를 반환합니다."""
        return self.second

    def __repr__(self) -> str:
        """객체의 문자열 표현을 정의합니다."""
        return f"Pair({self.first}, {self.second})"

# 사용 예제
if __name__ == "__main__":
    # 서로 다른 타입의 Pair 객체 생성
    int_str_pair = Pair(1, "one")
    float_bool_pair = Pair(3.14, True)

    # 첫 번째 및 두 번째 요소 가져오기
    print(int_str_pair.get_first())  # 출력: 1
    print(int_str_pair.get_second())  # 출력: "one"
    print(float_bool_pair.get_first())  # 출력: 3.14
    print(float_bool_pair.get_second())  # 출력: True

    # Pair 객체의 문자열 표현 출력
    print(int_str_pair)  # 출력: Pair(1, one)
    print(float_bool_pair)  # 출력: Pair(3.14, True)

2. 코드 설명

• 제너릭 타입 변수: TypeVar를 사용하여 제너릭 타입 변수를 정의합니다. T와 U는 각각 Pair 클래스의 첫 번째와 두 번째 요소의 타입을 나타냅니다.
• 클래스 정의: Pair 클래스는 두 개의 제너릭 타입 변수를 사용하여 두 개의 요소를 가집니다.
• 생성자: __init__ 메서드는 첫 번째와 두 번째 요소를 초기화합니다.
• 메서드:
  • get_first: 첫 번째 요소를 반환합니다.
  • get_second: 두 번째 요소를 반환합니다.
• 문자열 표현: __repr__ 메서드는 Pair 객체의 문자열 표현을 정의하여, 객체를 쉽게 확인할 수 있도록 합니다.

3. 실행 예제

위 코드를 실행하면 다음과 같은 결과가 출력됩니다:

1
one
3.14
True
Pair(1, one)
Pair(3.14, True)

4. 장점

• 타입 안전성: 제너릭을 사용하면 각 요소의 타입을 명확히 정의할 수 있어, 타입 안전성을 높입니다. 잘못된 타입을 사용하면 컴파일 타임에 오류를 발생시키므로, 런타임 오류를 줄일 수 있습니다.
• 재사용성: 다양한 데이터 타입에 대해 `Pair` 클래스를 재사용할 수 있습니다. 필요에 따라 다른 타입의 쌍을 생성할 수 있습니다.

이러한 방식으로 제너릭을 활용하면, 다양한 데이터 타입을 다룰 수 있는 유연한 클래스를 쉽게 구현할 수 있습니다.

고정 키 집합을 가지는 딕셔너리 (FixedKeysDict)

이 예제에서는 초기화 시 정의된 키 집합 외에는 새로운 키를 추가할 수 없도록 제한하는 딕셔너리 클래스를 구현합니다.

코드 설명

• __init__: 초기 키 집합을 정의하고, 초기 데이터가 이 키 집합에 속하는지 확인합니다.
• __setitem__: 새로운 키를 추가하려 할 때 제한을 걸어 기존 키에 대해서만 값을 설정할 수 있도록 합니다.
• update: update 메서드를 오버라이드하여 새로운 키의 추가를 방지합니다.
• __repr__: 딕셔너리의 문자열 표현을 사용자 정의합니다.

class FixedKeysDict(dict):
    def __init__(self, *args, **kwargs):
        """
        초기 키 집합을 정의합니다.
        """
        # 초기 데이터 로드
        super().__init__(*args, **kwargs)
        # 초기 키 집합 저장
        self._fixed_keys = set(self.keys())

    def __setitem__(self, key, value):
        if key not in self._fixed_keys:
            raise KeyError(f"Cannot add new key '{key}'. Allowed keys: {self._fixed_keys}")
        super().__setitem__(key, value)

    def update(self, *args, **kwargs):
        """
        update 메서드도 새로운 키의 추가를 제한합니다.
        """
        if args:
            if isinstance(args[0], dict):
                for key in args[0]:
                    if key not in self._fixed_keys:
                        raise KeyError(f"Cannot add new key '{key}'. Allowed keys: {self._fixed_keys}")
            elif isinstance(args[0], (list, tuple)):
                for key, _ in args[0]:
                    if key not in self._fixed_keys:
                        raise KeyError(f"Cannot add new key '{key}'. Allowed keys: {self._fixed_keys}")
            else:
                raise TypeError("Invalid argument type for update")

        for key in kwargs:
            if key not in self._fixed_keys:
                raise KeyError(f"Cannot add new key '{key}'. Allowed keys: {self._fixed_keys}")
        
        super().update(*args, **kwargs)

    def __repr__(self):
        return f"{self.__class__.__name__}({dict.__repr__(self)})"

# 사용 예제
try:
    # 고정 키 'a', 'b'로 초기화
    my_dict = FixedKeysDict(a=1, b=2)
    print(my_dict)  # 출력: FixedKeysDict({'a': 1, 'b': 2})

    # 기존 키 수정
    my_dict['a'] = 10
    print(my_dict)  # 출력: FixedKeysDict({'a': 10, 'b': 2})

    # 새로운 키 추가 시도
    my_dict['c'] = 3  # KeyError 발생
except KeyError as e:
    print(e)  # 출력: Cannot add new key 'c'. Allowed keys: {'a', 'b'}

try:
    # update 메서드로 새로운 키 추가 시도
    my_dict.update({'a': 100, 'c': 300})  # KeyError 발생
except KeyError as e:
    print(e)  # 출력: Cannot add new key 'c'. Allowed keys: {'a', 'b'}

출력 결과

FixedKeysDict({'a': 1, 'b': 2})
FixedKeysDict({'a': 10, 'b': 2})
"Cannot add new key 'c'. Allowed keys: {'a', 'b'}"
"Cannot add new key 'c'. Allowed keys: {'a', 'b'}"