Python のまとめ

月の日数についてのデータを作る．うるう年のことは考えないことにする

import numpy as np
days = np.array([0, 31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31])
print( days[7] )
print( days[9] )

for による繰り返し

import numpy as np
x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
for t in x:
    print( (9.8 / 2) * t * t )

for による繰り返し

import numpy as np
x = np.array([8, 6, 4, 2, 3])
y = np.array([0, 0, 0, 0, 0])
for i in range(0,5):
    y[i] = x[i] * 10

print(x)
print(y)

「*」の表示を 18 回繰り返す（* を 18 個並べて表示）

for による繰り返し

import sys
for i in range(18):
    sys.stdout.write("*")

文字列の演算子

キーワード: +, in, %, split, join, replace, strip, match, sprintf

pandas データフレーム

Pandas を用いたデータの扱い (CVSファイル読み込み、散布図、要約統計量、ヒストグラム)を示す．

説明のために，次のようなデータ（CSV ファイル）を使う．ファイル名は enquete.csv

このデータ（CSV ファイル）のダウンロードは， Windows でコマンドプロンプトを管理者として開き 次のコマンドを実行する．

cd C:\
curl -O https://www.kkaneko.jp/sample/csv/enquete.csv

CSV ファイルの読み込み、確認

1. アンケートデータの読み込み

   import pandas as pd
   import seaborn as sns
   
   x = pd.read_csv('C:/enquete.csv', encoding='SHIFT-JIS')
   
   

   

   先頭行にデータ本体がある（先頭行が属性名でない）ときは、「pd.read_csv('hoge.csv', )」のようにする

2. 読み込んだデータの表示

   
   print(x) 
   

   
3. 読み込んだデータのうち、1列目と 2列目の表示

   * オブジェクト x には 0列目と 1列目と 2列目がある．

   print(x.iloc[:,1]) 
   print(x.iloc[:,2]) 
   

   
4. 読み込んだデータについて、1列目と 2列目の散布図

   「plt.style.use('ggplot')」はグラフの書式の設定．「ro」は「赤い丸」という意味．

   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   plt.style.use('ggplot')
   plt.plot(x.iloc[:,1], x.iloc[:,2], 'ro')
   plt.show()
   

   
5. 各列について、基本的な情報の表示
   • head: 先頭部分の表示
   • shape: サイズ
   • ndim: 次元数
   • columns: 属性名
   • info(): 各属性のデータ型

   print(x.head())
   print(x.info())
   print(x.shape)
   print(x.ndim)
   print(x.columns)
   

   
6. CSV ファイルに書き出し

   x.to_csv('hoge.csv', header=True, index=False, encoding='SHIFT-JIS')
   

各属性の要約統計量（総数、平均、標準偏差、最小、四分位点、中央値、最大）

print(x.describe())

JSONファイルの書き出しと読み込み

import numpy as np
pd.to_json('hoge.json')
a = pd.read_json('hoge.json')

pandas.DataFrame のコンストラクタ

• リストから

  pd.DataFrame([1, 2, 3])
  

• numpy.ndarray から

  import numpy as np
  import pandas as pd
  pd.DataFrame( np.array([1,2,3]) )
  

  import numpy as np
  import pandas as pd
  pd.DataFrame( np.array([[1,2,3], [10,20,30], [100,200,300]]) )
  

import pandas as pd
pd.DataFrame( {'x' : [1, 2, 3], 'y' : [4, 5, 6]} )

ヒストグラムの表示

plt.hist(x.iloc[:,1])
plt.show()

plt.hist(x.iloc[:,2])
plt.show()

２次元ヒストグラム

plt.hist2d(x.iloc[:,1], x.iloc[:,2])
plt.show()

numpy 全般

次元数

numpy の1次元の配列の次元数は 1．（ndimで得る）

1次元の配列の形は (＜要素数＞,)のように表示される（shapeで得る）

import numpy as np
x = np.zeros(10)
print( x.ndim )
print( x.shape )

numpy の2次元の配列の次元数は 2．（ndimで得る）

2次元の配列の形は ((＜要素数＞,＜要素数＞))のように表示される（shapeで得る）

import numpy as np
x = np.zeros((2, 3))
print( x.ndim )
print( x.shape )

データ型と，要素のデータ型

1次元の配列のデータ型は numpy.darray．（typeで得る）

配列の要素のデータ型は dtypes を使って表示… 「float64」は浮動小数点数

import numpy as np
x = np.zeros(10)
print( type( x ) )
print( x.dtype )

2次元の配列のデータ型は numpy.darray．（typeで得る）

配列の要素のデータ型は dtypes を使って表示… 「float64」は浮動小数点数

import numpy as np
x = np.zeros((2, 3))
print( type( x ) )
print( x.dtype )

1次元の配列

配列は，データの並びで，それぞれのデータに，0 から始まる番号（添字）が付いている．

1次元の配列の生成

• 0要素

  type はオブジェクトのタイプの取得．shape は配列（アレイ)のサイズの取得．

  import numpy as np
  x = np.zeros(10)
  print(x)
  print(type(x))
  print(x.shape)
  

  表示の「0.」は「0」のこと

  
• 1要素

  import numpy as np
  x = np.ones(10)
  print(x)
  print(type(x))
  print(x.shape)
  

  表示の「1.」は「1」のこと

  
• 乱数. 正規分布．平均が０

  import numpy as np
  x = np.random.randn(10)
  print(x)
  print(type(x))
  print(x.shape)
  

  
• 要素指定（要素を並べて書いて配列を作る）

  import numpy as np
  x = np.array([3, 1, 2, 5, 4])
  print(x)
  print(type(x))
  print(x.shape)
  

  
• arange による指定

  -5 から開始して、2 ずつ増やし、4 まで

  import numpy as np
  x = np.arange(-5, 4, 2)
  print(x)
  print(type(x))
  print(x.shape)
  

  
• linespace による指定

  -2 から、2 まで、全部で、9 個

  import numpy as np
  x = np.linspace(-2, 2, 9)
  print(x)
  print(type(x))
  print(x.shape)
  

  

合計

8, 6, 4, 3, 2 というデータについて，合計を求める

import numpy as np
x = np.array([8, 6, 4, 2, 3])
print(sum(x))

2次元の配列

import numpy as np
x = np.zeros((2, 3))
print(x)
print(type(x))
print(x.shape)

表示の「0.」は「0」のこと

import numpy as np
x = np.ones((2, 3))
print(x)
print(type(x))
print(x.shape)

表示の「1.」は「1」のこと

import numpy as np
x = np.random.randn(2,3)
print(x)
print(type(x))
print(x.shape)

import numpy as np
x = np.random.randn(2,3)
print(x)

２次元の配列の種々の処理

行列の積

時間計測も行う．

import numpy as np
import time

x = np.random.randn(5000, 5000)
y = np.random.randn(5000, 5000)

s = time.time()
z = np.dot(x, y)
print("%1.3f [sec.]" % float(time.time() - s))

CuPy を用いて行列の積を求める

時間計測も行う．

• CPU を用いて，行列の積を求める

  
  !pip3 install cupy
  import numpy as np
  use_gpu=False
  if use_gpu:
      import cupy
      npcp = cupy
  else:
      npcp = np
  
  x = npcp.random.random((5000, 5000))
  y = npcp.random.random((5000, 5000))
  import datetime
  a = datetime.datetime.now()
  npcp.dot(x, y)
  print( (a - datetime.datetime.now()).microseconds ) 
  

  
• GPU を用いて，行列の積を求め

  上のプログラムと同じ． 「use_gpu=False」を 「use_gpu=True」に変えただけ

  
  !pip3 install cupy
  import numpy as np
  use_gpu=True
  if use_gpu:
      import cupy
      npcp = cupy
  else:
      npcp = np
  
  x = npcp.random.random((5000, 5000))
  y = npcp.random.random((5000, 5000))
  import datetime
  a = datetime.datetime.now()
  npcp.dot(x, y)
  print( (a - datetime.datetime.now()).microseconds ) 
  

行列の積，主成分分析，SVD，k-means

import time
import numpy
import numpy.linalg
import sklearn.decomposition
import sklearn.cluster
X = numpy.random.rand(2000, 2000)
Y = numpy.random.rand(2000, 2000)
# 行列の積
a = time.time(); Z = numpy.dot(X, Y); print(time.time() - a)
# 主成分分析
pca = sklearn.decomposition.PCA(n_components = 2)
a = time.time(); pca.fit(X); X_pca = pca.transform(X); print(time.time() - a)
# SVD
a = time.time(); U, S, V = numpy.linalg.svd(X); print(time.time() - a)
# k-means
a = time.time(); 
kmeans_model = sklearn.cluster.KMeans(n_clusters=10, random_state=10).fit(X)
labels = kmeans_model.labels_
print(time.time() - a)

numpy の npz 形式（numpy.ndarray）ファイルの書き出しと読み込み

import numpy as np
np.savez('hoge.npz',a = np.array([1, 2, 3]), b = np.array([1, 2, 3]))
m = np.load('hoge.npz')
print( m['a'] )
print( m['b'] )

２次元配列データのCSV ファイル読み書き

CSV ファイル書き出し．pandas の機能で行う．次のプログラム実行により， ファイル XX.csv とYY.csv ができる．

import numpy as np
import pandas as pd
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
XX = pd.DataFrame(X)
print(XX)
XX.to_csv("XX.csv", header=False, index=False)
YY = pd.DataFrame(Y)
print(YY)
YY.to_csv("YY.csv", header=False, index=False)

CSV ファイル読み込み．pandas の機能で行う． これは，いま作成したファイル XX.csv を読み込むもの．

pd.read_csv("XX.csv", header=None)

今度は，ファイル YY.csv を読み込む．

pd.read_csv("YY.csv", header=None)

メッシュグリッド

3次元のグラフを作るとき．あるいは，計算を繰り返すときに便利

import numpy as np
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
print(X)
print(type(X))
print(X.shape)
print(Y)
print(type(Y))
print(Y.shape)

配列の次元を増やす

1次元を2次元に．

次のプログラムは，１次元の配列 x を，２次元の配列 A, B に変換する．

import numpy as np
x = np.array([3, 1, 2, 5, 4])
A = x[:, np.newaxis]
B = x[np.newaxis, :]
print(A)
print(type(A))
print(A.shape)
print(B)
print(type(B))
print(B.shape)

リスト

a = [1, 2, 3, 4]
print(a)
type(a)

Python のリストの添字は 0 から開始する

a = [10, 20, 30]
print(a[1])
a[2] = 200
print(a)

Python のモジュール

Python のモジュールは，1つ以上の関数を集めて，1つのファイルに集めたもの．下の Python モジュールには関数 tax が入っている． p> Python のモジュールは，単体でも実行できるように作ることができる．これは，モジュールのテストを行いたいときに便利（下の例では，「if __name__ == "__main__"」から始まる部分が，単体でも実行できるようにするためのもの）

def tax(x):
    return x * 1.08

if __name__ == "__main__":
    print(tax(100))

import hoge
print(hoge.tax(10))

Python のライブラリ

ここでの例 現在の日時, 最大公約数, 方程式を解く, 平方根, 円周率, 三角関数, など

現在の日時

オペレーティングシステム（コンピュータ）のタイマーを利用 いまの日時が表示されることを確認．

import datetime
now = datetime.datetime.now()
print(now)

最大公約数

24 と 18 の最大公約数を求めたい．結果 6 を確認．

import math
print( math.gcd(24, 18) )

方程式を解く

4x + 1 = 0 を解きたい

from scipy import optimize
def foo(x):
    return 4 * x + 1
print( optimize.fsolve(foo, 10) )

平方根

面積が 7 の正方形の一辺の長さは？

次のプログラムを実行．結果 2.6457513110645907 を確認（結果は近似値）

import math
print( math.sqrt(7) )

円の面積

半径 3 の円の面積は？ 円周率は, Pythonのモジュールの math.pi を使用 結果は，近似値で求まる．

import math
print( 3 * 3 * math.pi )

三角形の面積

三角形の２辺の長さが，4と6で，その間の角度が60度のとき．

import math
print( (1/2) * 4 * 6 * math.sin(60 * math.pi / 180) )

IPython.display を用いた画像表示

画像ファイルを読み込んで表示

from PIL import Image
Image.open("126.png").show()

Matplotlib を用いたプロット

matplotlib は，オープンソースの Python のプロットライブラリ．

散布図

• x, y からの散布図の作成

  %matplotlib inline
  import matplotlib.pyplot as plt
  import warnings
  warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
  import numpy as n
  x = [1, 2, 3, 4, 5]
  y = [2, 4, 1, 3, 5]
  plt.style.use('ggplot')
  plt.scatter(x, y)
  

  
• pandas の 2つの属性 x, y からの散布図の作成

  import numpy as np
  import pandas as pd
  %matplotlib inline
  import matplotlib.pyplot as plt
  import warnings
  warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
  a = pd.DataFrame( {'x' : [1, 2, 3, 4, 5], 'y' : [2, 4, 1, 3, 5]} )
  plt.style.use('ggplot')
  plt.plot(a['x'], a['y'], 'ro')
  plt.show()
  

  

３次元散布図

%matplotlib inline
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import numpy as np
from mpl_toolkits.mplot3d import axes3d
plt.style.use('ggplot')
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
z = [1, 1, 2, 2, 3]
ax.scatter(x, y, z, c='b')

OpenCV 画像の表示

matplotlib を用いて，OpenCV のカラー画像を表示する例は次の通り．

import cv2
import matplotlib.pyplot as plt
bgr = cv2.imread("126.png")
plt.style.use('default')
plt.imshow(cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB))
plt.show()

matplotlib を用いて，OpenCV の濃淡画像を表示する例は次の通り．

import cv2
import matplotlib.pyplot as plt
bgr = cv2.imread("126.png")
mono = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)
plt.style.use('default')
plt.imshow(mono, cmap='gray')
plt.show()

Matplotlib を用いて OpenCV 画像の表示するときに，小さく表示される場合

普通に Matplotlib を用いてOpenCV 画像の表示を表示すると，小さく表示される．

「plt.style.use('default') 」の実行により，Matplotlib での OpenCV 画像の表示が大きくなる．

関数のプロット

matplotlib を用いたグラフ描画の例は次の通り．

import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
x = np.linspace(0, 6, 100)
plt.style.use('ggplot')
plt.plot(x, np.sin(x))

メッシュグリッドと関数の３次元プロット

%matplotlib inline
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import numpy as np
from mpl_toolkits.mplot3d import axes3d
plt.style.use('ggplot')
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X, Y = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def f(x,y):
    return x * y
Z = f(X, Y)
ax.scatter(X, Y, Z, c='b')

メッシュグリッドと関数の3次元プロット. 今度は x1, x2 のソフトマックス関数

%matplotlib inline
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import numpy as np
from mpl_toolkits.mplot3d import axes3d
plt.style.use('ggplot')
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X1, X2 = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def softmax(x):
    A = np.exp(x - np.max(x))
    return A / A.sum()
def f(x1, x2):
    return softmax( np.array([x1, x2]) )
Z = f(X1, X2)
ax.scatter(X1, X2, Z[0], c='b')

fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
ax.scatter(X1, X2, Z[1], c='b')

TensorFlow

TensorFlow のプログラム例 - 行列の足し算

import tensorflow as tf
import numpy as np
a = tf.constant( np.reshape([1, 1, 1, 1, 1, 1], (2, 3) ) ) 
b = tf.constant( np.reshape( [1, 2, 3, 4, 5, 6], (2, 3) ) )
c = tf.add(a, b)

print(c)

Keras

Keras は，TensorFlow を用いてのディープラーニング（深層学習）でのモデルの構築と，その訓練（構築）を簡単に行えるようにするソフトウェア

用語集

• Keras のモデルは，複数の層が組み合わさったもの．単純に層を積み重ねたもの（シーケンシャル）や，複雑な構成のもの（グラフ）がある
• Keras の層には，活性化関数，層の重みの種類（カーネル，バイアスなど）を設定できる
• Keras の層には，全結合，畳み込み（コンボリューション）などの種類がある
• 学習のために，オプティマイザの設定を行う
• Keras のモデルの構成やオプティマイザの設定は，保存できる
• 学習の結果は，結合の重みになる．結合の重みも保存できる

ニューラルネットワークのデモサイト: http://playground.tensorflow.org

手順

1. パッケージのインポートなど

   from __future__ import absolute_import, division, print_function, unicode_literals
   
   # TensorFlow と tf.keras のインポート
   import tensorflow as tf
   import tensorflow_datasets as tfds
   from tensorflow import keras
   
   # ヘルパーライブラリのインポート
   import numpy as np
   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   
   print(tf.__version__)
   

   
2. 画像データセット MNIST の準備

   x_train: サイズ 28 × 28 の 60000枚の濃淡画像

   y_train: 60000枚の濃淡画像それぞれの,種類番号(0 から 9 のどれか) x_test: サイズ 28 × 28 の 10000枚の濃淡画像

   y_test: 10000枚の濃淡画像それぞれの,種類番号(0 から 9 のどれか)

   「+ コード」で，コードセルを追加し，次を実行．

   mnist, metadata = tfds.load(
       name="mnist", as_supervised=False, with_info=True, batch_size = -1)
   train, test = mnist['train'], mnist['test']
   print(metadata)
   
   x_train, y_train = train["image"].numpy().astype("float32") / 255.0, train["label"] 
   x_test, y_test = test["image"].numpy().astype("float32") / 255.0, test["label"]
   

   
3. 画像データセット MNIST の確認表示

   「+ コード」で，コードセルを追加し，次を実行．

   plt.style.use('default')
   plt.figure(figsize=(10,10))
   for i in range(25):
     plt.subplot(5,5,i+1)
     plt.xticks([])
     plt.yticks([])
     plt.grid(False)
     image, label = train["image"][i], train["label"][i]
     plt.imshow(image.numpy()[:, :, 0].astype(np.float32), cmap='gray')
     plt.xlabel(label.numpy())
   
   plt.show()
   

   
4. 「サイズ 28 × 28 の 60000枚の濃淡画像」であることを確認

   配列の形: 60000×28×28

   次元: 3

   「+ コード」で，コードセルを追加し，次を実行．

   print( x_train.shape )
   print( x_train.ndim )
   

   
5. ディープニューラルネットワークのモデルの作成

   2層のニューラルネットワークを作成

   1層目：ユニット数は 28 かける28

   2層目：ユニット数は 10

   「+ コード」で，コードセルを追加し，次を実行．

   「実行」をクリックして結果が何も出ないのは正常動作．

   m = tf.keras.Sequential()
   m.add(tf.keras.layers.Flatten(input_shape=(28, 28, 1)))
   m.add(tf.keras.layers.Dense(units=128, activation='relu'))
   m.add(tf.keras.layers.Dropout(rate=0.2))
   m.add(tf.keras.layers.Dense(units=10, activation='softmax'))
   m.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
                 loss='sparse_categorical_crossentropy',
                 metrics=['accuracy'])
   

   
6. ニューラルネットワークの確認表示

   「+ コード」で，コードセルを追加し，次を実行．

   print(m.summary())
   

   
7. ニューラルネットワークの学習を行う

   「+ コード」で，コードセルを追加し，次を実行．

   history = m.fit(x_train, y_train, epochs=50)
   

   
8. 検証用データで検証する

   「+ コード」で，コードセルを追加し，次を実行．

   print( m.evaluate(x_test,  y_test, verbose=2) )
   

   * 訓練(学習）などで乱数が使われるので，下図と違う値になる．

   
9. ニューラルネットワークを使ってみる

   テスト画像を，ニューラルネットワークに与えて，予測させる

   テスト画像は 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 が書かれた画像である． 画像を読み取って，数字を予測する．

   「+ コード」で，コードセルを追加し，次を実行．

   predictions = m.predict(x_test)
   print(predictions[0])
   

   結果の見方. 0である確率，1である確率，2である確率，・・・9である確率と，10 個の 数字が，結果として得られる． 先ほど作成したニューラルネットワークの2層目は 10個のユニットがあった．各ユニットから1個の数字が得られている．

   * 訓練(学習）などで乱数が使われるので，下図と違う値になる．

   
10. 正解表示

    テスト画像 0 番の正解を表示

    「+ コード」で，コードセルを追加し，次を実行．

    print(y_test[0])
    

    * 訓練(学習）などで乱数が使われるので，下図と違う値になる．

    

ニューラルネットワークによる画像分類

1. このページでは、次の画像を使うことにする

   2071.png のようなファイル名で保存しておく

   
2. 画像のアップロード操作
   1. ファイルをアップロードしたい．「ファイル」を選ぶ
      
   2. 「アップロード」を選ぶ
      
   3. アップロードしたいファイルを選ぶ
      
3. InceptionV3 を使うプログラム。Kerasのサイトで公開されているものを少し書き換えて使用。

   import h5py
   from tensorflow.keras.preprocessing import image
   from keras.applications.inception_v3 import preprocess_input, decode_predictions, InceptionV3
   import numpy as np
   
   m = InceptionV3(weights='imagenet')
   
   img_path = '2071.png'
   img = image.load_img(img_path, target_size=(299, 299))
   x = image.img_to_array(img)
   x = np.expand_dims(x, axis=0)
   x = preprocess_input(x)
   
   preds = m.predict(x)
   
   print('Predicted:')
   for p in decode_predictions(preds, top=5)[0]:
       print("Score {}, Label {}".format(p[2], p[1]))
   

   画像分類の結果（lab_coat, syringe, beaker, stethoscope, plate）と，それぞれの 確率が表示される．

   

式と変数

変数は，変化するデータのこと． 「x = 100」のように書くと x の値が 100 に変化する

式の実行結果として値が得られる．式の中に，変数名を書くことができる．

x = 100
y = 200
print(x + y)
print( (x + 10) * y)

teihen = 2.5
takasa = 5
print(teihen * takasa / 2)

関数定義，関数オブジェクト

関数定義は def, 帰り値は return

• アッカーマン関数の定義

  def a(m, n):
      if m == 0:
          return n + 1
      elif n == 0:
          return a(m-1, 1)
      else:
          return a(m-1, a(m, n-1))
  
  print(a(3, 2))
  print(a(m = 3, n = 2))
  print(a(n = 2, m = 3))
  

  
• 既定（デフォルト）値

  def a(m, n = 1):
      if m == 0:
          return n + 1
      elif n == 0:
          return a(m-1, 1)
      else:
          return a(m-1, a(m, n-1))
  
  print(a(3, 1))
  print(a(3))
  print(a(m = 3))
  

  
• 関数オブジェクト

  f = lambda x: x + 1
  print(f(100))
  

  

式の抽象化と関数

式の抽象化は，類似した複数の式（下に書いた3つの式のようなもの）を， 変数を使って1つにまとめること．

print(100 * 1.08) 
print(150 * 1.08) 
print(400 * 1.08) 

上の 3つの式を抽象化すると「a * 1.08」のような式になる．

式「a * 1.08」を本体式とするような関数 （関数名は foo）の定義とその使用例は次の通り． 関数の利用により，繰り返し同じことを書く（例えば「* 1.08」）ことを防ぐことができ，ミスを減らすこともできる．プログラムの変更も簡単になる．

def foo(a):
    return a * 1.08 
print(foo(100))
print(foo(150))
print(foo(400))

式の評価のタイミング

関数の中の式の評価では， 最新の変数値が用いられる

x = 30
def foo(a):
    return(a * x) 
x = 300
print(foo(100))
x = 3000
print(foo(100))

クラス定義，オブジェクト生成，属性アクセス

• メソッド: オブジェクトに属する操作や処理
• クラス: 同一種類のオブジェクトの集まり
• クラス定義: あるクラスが持つ属性とメソッドを定めること．
• 「.」+属性名: 属性アクセス

  メソッド内では，self + 「.」で，属性にアクセスする

クラス定義，オブジェクト生成，属性アクセスの例

クラス名: C

その属性名: qty, weight, name

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name

x = C(5, 170.51, 'apple')
y = C(3, 40.97, 'orange')
print(vars(x))
print(vars(y))
print(x.name)
print(y.name)

vars はオブジェクトの属性名と値を取得する． 「x.name」，「y.name」は属性アクセスである．

getattr による属性値の取得

クラス名: C

その属性名: qty, weight, name

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name

x = C(5, 170.51, 'apple')
y = C(3, 40.97, 'orange')
print(getattr(x, 'qty'))
print(getattr(y, 'weight'))

getattr はオブジェクトと，属性名（文字列）を指定して，値を取得する．

setattr による属性の動的な追加

クラス名: C

その属性名: qty, weight, name

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name

x = C(5, 170.51, 'apple')
y = C(3, 40.97, 'orange')
setattr(x, 'color', 'red')
print(vars(x))
print(vars(y))

setattr では，オブジェクトと，属性名（文字列）と値を指定する．

コンストラクタでの既定値（デフォルト値）

既定値（デフォルト値）を設定している場合には，引数を省略できる．コンストラクタ以外のメソッドでも同様．

クラス名: D

属性名: s_hour, s_minute, e_hour, e_minute

class D(object):
    def __init__(self, s_hour, s_minute):
        self.s_hour = s_hour
        self.s_minute = s_minute
        self.e_hour = None
        self.e_minute = None

z = D(15, 30)
z2 = D(16, 15)
print(vars(z))
print(vars(z2))

メソッド

メソッドの例

• 「.」+メソッド名: メソッドアクセス

  メソッド内では，self + 「.」で，属性やメソッドにアクセスする

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight

x = C(5, 170.51, 'apple')
print(vars(x))
print(x.total())
help(x)

help は，メソッドの説明を表示する．

setattr によるメソッドの追加

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight

x = C(5, 170.51, 'apple')
setattr(C, 'hoge', lambda self: int(self.weight))
print(x.hoge())
help(x)

スーパークラスからの継承

クラス名: C

その属性名: qty, weight, name

クラス名: E

その属性名: qty, weight, name, price

クラス E は，スーパークラスであるクラス C の属性とメソッドを継承する

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight

class E(C):
    def __init__(self, qty, weight, name, price):
        super(E, self).__init__(qty, weight, name)
        self.price = price
    def payment(self):
        return self.qty * self.price

x2 = E(2, 875.34, 'melon', 500)
print(vars(x2))
print(x2.total())
print(x2.payment())