DRY와 "한 가지 작업만"
Python으로 함수 작성하기
Shayne Miel
Software Architect @ Duo Security
반복하지 말기(DRY)
train = pd.read_csv('train.csv')
train_y = train['labels'].values
train_X = train[col for col in train.columns if col != 'labels'].values
train_pca = PCA(n_components=2).fit_transform(train_X)
plt.scatter(train_pca[:,0], train_pca[:,1])
val = pd.read_csv('validation.csv')
val_y = val['labels'].values
val_X = val[col for col in val.columns if col != 'labels'].values
val_pca = PCA(n_components=2).fit_transform(val_X)
plt.scatter(val_pca[:,0], val_pca[:,1])
test = pd.read_csv('test.csv')
test_y = test['labels'].values
test_X = test[col for col in test.columns if col != 'labels'].values
test_pca = PCA(n_components=2).fit_transform(train_X)
plt.scatter(test_pca[:,0], test_pca[:,1])
반복의 문제점
train = pd.read_csv('train.csv')
train_y = train['labels'].values
train_X = train[col for col in train.columns if col != 'labels'].values
train_pca = PCA(n_components=2).fit_transform(train_X)
plt.scatter(train_pca[:,0], train_pca[:,1])
val = pd.read_csv('validation.csv')
val_y = val['labels'].values
val_X = val[col for col in val.columns if col != 'labels'].values
val_pca = PCA(n_components=2).fit_transform(val_X)
plt.scatter(val_pca[:,0], val_pca[:,1])
test = pd.read_csv('test.csv')
test_y = test['labels'].values
test_X = test[col for col in test.columns if col != 'labels'].values
test_pca = PCA(n_components=2).fit_transform(train_X) ### 이런! ###
plt.scatter(test_pca[:,0], test_pca[:,1])
또 다른 반복의 문제점
train = pd.read_csv('train.csv')
train_y = train['labels'].values ### <- 여기, 그리고 여기 --v ###
train_X = train[col for col in train.columns if col != 'labels'].values
train_pca = PCA(n_components=2).fit_transform(train_X)
plt.scatter(train_pca[:,0], train_pca[:,1])
val = pd.read_csv('validation.csv')
val_y = val['labels'].values ### <- 여기, 그리고 여기 --v ###
val_X = val[col for col in val.columns if col != 'labels'].values
val_pca = PCA(n_components=2).fit_transform(val_X)
plt.scatter(val_pca[:,0], val_pca[:,1])
test = pd.read_csv('test.csv')
test_y = test['labels'].values ### <- 여기, 그리고 여기 --v ###
test_X = test[col for col in test.columns if col != 'labels'].values
test_pca = PCA(n_components=2).fit_transform(test_X)
plt.scatter(test_pca[:,0], test_pca[:,1])
함수로 반복 피하기
def load_and_plot(path):
"""데이터셋을 로드하고 첫 두 개의 주성분을 시각화합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
data = pd.read_csv(path)
y = data['label'].values
X = data[col for col in data.columns if col != 'label'].values
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
return X, y
train_X, train_y = load_and_plot('train.csv')val_X, val_y = load_and_plot('validation.csv')test_X, test_y = load_and_plot('test.csv')
def load_and_plot(path):
"""데이터셋을 로드하고 첫 두 개의 주성분을 시각화합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
data = pd.read_csv(path)
y = data['label'].values
X = data[col for col in data.columns if col != 'label'].values
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
return X, y
def load_and_plot(path):
"""데이터셋을 로드하고 첫 두 개의 주성분을 시각화합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
# load the data
data = pd.read_csv(path)
y = data['label'].values
X = data[col for col in data.columns if col != 'label'].values
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
return X, y
def load_and_plot(path):
"""데이터셋을 로드하고 첫 두 개의 주성분을 시각화합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
# load the data
data = pd.read_csv(path)
y = data['label'].values
X = data[col for col in data.columns if col != 'label'].values
# 첫 두 개의 주성분을 시각화
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
return X, y
def load_and_plot(path):
"""데이터셋을 로드하고 첫 두 개의 주성분을 시각화합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
# load the data
data = pd.read_csv(path)
y = data['label'].values
X = data[col for col in data.columns if col != 'label'].values
# 첫 두 개의 주성분을 시각화
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
# 로드한 데이터 반환
return X, y
한 가지 작업만 수행하기
def load_data(path):
"""데이터셋을 로드합니다.
Args:
path (str): CSV 파일 경로.
Returns:
tuple of ndarray: (features, labels)
"""
data = pd.read_csv(path)
y = data['labels'].values
X = data[col for col in data.columns
if col != 'labels'].values
return X, y
def plot_data(X):
"""행렬의 첫 두 개 주성분을 시각화합니다.
Args:
X (numpy.ndarray): 시각화할 데이터.
"""
pca = PCA(n_components=2).fit_transform(X)
plt.scatter(pca[:,0], pca[:,1])
단일 작업의 장점
코드는 다음과 같이 바뀝니다:
- 더 유연해짐
- 더 이해하기 쉬움
- 테스트가 더 간단함
- 디버깅이 더 간단함
- 변경이 더 쉬움
코드 스멜과 리팩터링
"컴퓨터가 이해하는 코드는 아무나 쓸 수 있다. 좋은 프로그래머는 사람이 이해하는 코드를 쓴다." - Martin Fowler (1999)
연습해 봅시다!
Python으로 함수 작성하기
