[Python] Python - Function (함수)

Function (함수)

함수는 재사용 가능한 코드 블록으로, 코드의 가독성과 유지보수성을 높여줍니다. 함수를 사용하면 코드의 중복을 줄이고, 모듈화된 코드를 작성할 수 있으며, 복잡한 시스템을 구성하는 기본 단위를 제공합니다.

 

• 함수 정의: def 키워드를 사용하여 함수를 정의합니다.
• 함수 호출: 함수 이름과 괄호를 사용하여 함수를 호출합니다.

 

함수 정의

• 함수는 def 키워드를 사용하여 정의합니다. 함수 이름 뒤에 괄호를 쓰고, 괄호 안에는 함수가 받을 수 있는 매개변수(인수)를 정의할 수 있습니다. 함수의 본문은 들여쓰기로 구분됩니다.
• 기본 형태

def 함수이름(매개변수1, 매개변수2, ...):
    # 함수 본문
    return 반환값

 

• Example

def greet(name):
    return f"Hello, {name}!"

# 함수 호출
print(greet("Alice"))  # Output: Hello, Alice!

---

함수 호출

함수를 호출할 때는 함수 이름과 괄호를 사용합니다. 괄호 안에는 함수가 필요로 하는 인수를 전달할 수 있습니다.

• 기본 형태

함수이름(인수1, 인수2, ...)

• 예시

def add(a, b):
    return a + b

result = add(3, 5)
print(result)  # Output: 8

---

함수의 장점

• 재사용성: 한 번 정의된 함수는 여러 번 호출하여 사용할 수 있습니다. 이는 코드의 중복을 줄이고, 개발 시간을 단축시킵니다.

def square(x):
    return x * x

print(square(2))  # Output: 4
print(square(3))  # Output: 9

• 모듈화: 함수는 복잡한 문제를 작은 단위로 나누어 해결할 수 있게 해줍니다. 각 함수는 특정 작업을 수행하도록 설계될 수 있습니다.

def add(a, b):
    return a + b

def multiply(a, b):
    return a * b

result = add(3, 5)
print(multiply(result, 2))  # Output: 16

• 가독성: 함수를 사용하면 코드가 더 구조화되고 이해하기 쉬워집니다. 함수 이름과 매개변수 이름을 통해 코드의 목적을 명확히 할 수 있습니다.

def calculate_area(radius):
    pi = 3.14159
    return pi * radius * radius

print(calculate_area(5))  # Output: 78.53975

 

• 유지보수성: 함수를 사용하면 코드의 특정 부분을 쉽게 수정할 수 있습니다. 함수의 내부 구현을 변경해도 함수 호출부는 수정할 필요가 없습니다.

def greet(name):
    return f"Hello, {name}!"

print(greet("Alice"))  # Output: Hello, Alice!

# 함수 수정
def greet(name):
    return f"Hi, {name}!"

print(greet("Alice"))  # Output: Hi, Alice!

---

Lambda Function (람다 함수)

람다 함수는 한 줄로 작성 가능한 익명 함수로, 간단한 연산이나 데이터 변환에 유용합니다. 'lambda' 키워드를 사용하여 정의합니다.

• 람다 함수는 lambda 키워드를 사용하여 정의되며, lambda 매개변수: 반환값의 형태를 가집니다.
• 람다 함수는 함수 이름 없이 정의되기 때문에 익명 함수라고도 불립니다.

 

• 기본 형태

lambda 매개변수1, 매개변수2, ... : 반환값

• Example

add = lambda a, b: a + b
print(add(3, 5))  # Output: 8

---

람다 함수의 필요성

• 코드 간결화: 람다 함수는 짧고 간단한 연산을 수행할 때 코드의 가독성을 높여주고, 코드의 길이를 줄여줍니다.

# 정규 함수
def add(a, b):
    return a + b
print(add(3, 5))  # Output: 8

# 람다 함수
add = lambda a, b: a + b
print(add(3, 5))  # Output: 8

 

• 일회성 함수가 필요한 경우: 일회성으로 사용될 간단한 함수를 정의할 때 유용합니다. 주로 map(), filter(), sorted()와 같은 함수와 함께 사용됩니다.

numbers = [1, 2, 3, 4, 5]

# map()과 람다 함수 사용
squared = list(map(lambda x: x ** 2, numbers))
print(squared)  # Output: [1, 4, 9, 16, 25]

# filter()와 람다 함수 사용
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers)  # Output: [2, 4]

# sorted()와 람다 함수 사용
points = [(1, 2), (3, 1), (5, 4), (2, 3)]
sorted_points = sorted(points, key=lambda point: point[1])
print(sorted_points)  # Output: [(3, 1), (1, 2), (2, 3), (5, 4)]

 

---

람다 함수 사용 예시

• 리스트 요소의 제곱 계산

numbers = [1, 2, 3, 4, 5]
squared = list(map(lambda x: x ** 2, numbers))
print(squared)  # Output: [1, 4, 9, 16, 25]

• 리스트에서 짝수만 필터링

numbers = [1, 2, 3, 4, 5]
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers)  # Output: [2, 4]

• 튜플 리스트의 특정 요소를 기준으로 정렬

points = [(1, 2), (3, 1), (5, 4), (2, 3)]
sorted_points = sorted(points, key=lambda point: point[1])
print(sorted_points)  # Output: [(3, 1), (1, 2), (2, 3), (5, 4)]

• 문자열 리스트의 길이를 기준으로 정렬

words = ["apple", "banana", "cherry", "date"]
sorted_words = sorted(words, key=lambda word: len(word))
print(sorted_words)  # Output: ['date', 'apple', 'banana', 'cherry']

---

가변 인자 및 키워드 가변 인자

가변 인자 (*args)

• *args는 여러 개의 인자를 함수에 전달할 때 사용됩니다.
• 함수 정의 시 매개변수 앞에 *를 붙여서 사용하며, 전달된 인자들은 튜플 형태로 함수 내부에 전달됩니다.

def my_function(*args):
    for arg in args:
        print(arg)

my_function(1, 2, 3)  # Output: 1 2 3

 

키워드 가변 인자 (**kwargs)

• **kwargs는 키워드 인자를 함수에 전달할 때 사용됩니다.
• 함수 정의 시 매개변수 앞에 **를 붙여서 사용하며, 전달된 인자들은 딕셔너리 형태로 함수 내부에 전달됩니다.

def my_function(**kwargs):
    for key, value in kwargs.items():
        print(f"{key} = {value}")

my_function(name="Alice", age=30)  # Output: name = Alice age = 30

 

왜 매개변수를 명시하지 않고 가변 인자를 사용할까요?

• 가변 인자를 사용하면 함수가 고정된 수의 인자만 받을 필요가 없게 되어, 더 유연한 함수 설계가 가능합니다.
• 다양한 수의 인자를 받아야 하는 상황에서 매우 유용합니다.

def sum_all(*args):
    return sum(args)

print(sum_all(1, 2, 3))  # Output: 6
print(sum_all(1, 2, 3, 4, 5))  # Output: 15

다양한 함수 호출 패턴을 지원

• 가변 인자와 키워드 가변 인자는 다양한 형태의 인자 전달 방식을 지원하여, 함수 호출 패턴을 다양하게 할 수 있습니다.
• 이는 특히 함수 오버로딩을 구현하는 데 유용합니다.

def greet(*args, **kwargs):
    for arg in args:
        print(f"Hello, {arg}")
    for key, value in kwargs.items():
        print(f"{key} = {value}")

greet("Alice", "Bob", age=25, location="New York")
# Output:
# Hello, Alice
# Hello, Bob
# age = 25
# location = New York

---

Function Programming (함수형 프로그래밍)

함수형 프로그래밍은 함수를 일급 객체로 사용하여 코드를 구성하고, 상태 변화와 부작용을 최소화하는 프로그래밍 방법입니다.

 

• 이는 프로그램의 각 부분을 함수로 나누고, 이러한 함수를 결합하여 문제를 해결합니다. 함수형 프로그래밍의 주요 특징 중 하나는 고차 함수의 사용입니다.
• 일급 객체로서의 함수: 함수는 변수에 할당되거나 다른 함수의 인자로 전달될 수 있으며, 함수에서 반환될 수도 있습니다.

 

고차 함수

• 고차 함수는 하나 이상의 함수를 인자로 받거나, 함수를 반환하는 함수입니다.
• Python에서 자주 사용되는 고차 함수로는 map, filter, reduce가 있습니다.

map 함수

• map 함수는 모든 요소에 함수를 적용하여 새로운 리스트를 반환합니다.
• 사용법

map(function, iterable)

• Example

numbers = [1, 2, 3, 4, 5]
squared = list(map(lambda x: x ** 2, numbers))
print(squared)  # Output: [1, 4, 9, 16, 25]

 

 

Filter 함수

• filter 함수는 조건에 맞는 요소만 걸러내어 새로운 리스트를 반환합니다.
• 사용법

filter(function, iterable)

• Example

numbers = [1, 2, 3, 4, 5]
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers)  # Output: [2, 4]

 

 

Reduce 함수

• reduce 함수는 모든 요소를 누적하여 단일 값을 반환합니다. 이는 functools 모듈에서 제공됩니다.
• 사용법

from functools import reduce
reduce(function, iterable)

• Example

from functools import reduce

numbers = [1, 2, 3, 4, 5]
total = reduce(lambda x, y: x + y, numbers)
print(total)  # Output: 15

---

Function Programming (함수형 프로그래밍)의 장점

코드 간결성

• 함수형 프로그래밍은 코드의 중복을 줄이고, 더 간결하고 읽기 쉬운 코드를 작성할 수 있게 합니다.

numbers = [1, 2, 3, 4, 5]

# 함수형 프로그래밍을 사용한 예시
squared = list(map(lambda x: x ** 2, numbers))

 

상태 변화 최소화

• 함수형 프로그래밍은 상태 변화와 부작용을 최소화하여 코드의 예측 가능성과 안정성을 높입니다.

# 순수 함수의 예시
def add(a, b):
    return a + b

result = add(3, 5)  # 항상 같은 입력에 대해 같은 출력을 반환

 

 

대규모 데이터 처리에 유용

• 함수형 프로그래밍은 대규모 데이터 처리에 유용하며, 실무에서 데이터 파이프라인을 구축할 때 자주 사용됩니다.

data = range(1, 1000000)
filtered_data = list(filter(lambda x: x % 2 == 0, data))
transformed_data = list(map(lambda x: x ** 2, filtered_data))