Python 함수 심화: 람다 함수, *args와 **kwargs, 함수형 프로그래밍

전전 글에서 Python의 함수 개념과 기본적인 사용법을 다루었습니다. 이제 한 단계 더 나아가, 람다 함수(Lambda Function), 가변 매개변수(*args, **kwargs), 함수형 프로그래밍을 활용하는 방법을 심도 있게 살펴보겠습니다. 이러한 개념을 숙달하면 Python 코드의 가독성, 재사용성, 확장성을 극대화할 수 있으며, 특히 데이터 분석 및 고급 소프트웨어 개발에서 필수적인 역량이 됩니다.

---

1. 람다 함수 (Lambda Function)

람다 함수는 이름 없이 간단한 연산을 수행하는 익명 함수로, 주로 고차 함수에서 사용됩니다. 가독성과 유지보수성을 고려하여 사용 범위를 신중히 결정하는 것이 중요합니다.

1-1. 람다 함수 기본 문법

# 일반 함수
def add(a, b):
    return a + b

# 람다 함수로 변환
add_lambda = lambda a, b: a + b

print(add(3, 5))  # 출력: 8
print(add_lambda(3, 5))  # 출력: 8

1-2. 람다 함수의 활용

람다 함수는 map(), filter(), sorted() 같은 고차 함수와 함께 사용되며, 특히 데이터 변환 및 필터링 작업에서 강력한 성능을 발휘합니다.

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

# map()과 함께 사용 (각 요소를 제곱)
squared = list(map(lambda x: x**2, numbers))
print(squared)  # 출력: [1, 4, 9, 16, 25]

# filter()와 함께 사용 (짝수만 필터링)
evens = list(filter(lambda x: x % 2 == 0, numbers))
print(evens)  # 출력: [2, 4]

람다 함수는 한 줄로 표현 가능한 간단한 연산에 적합하지만, 복잡한 로직을 포함하면 가독성이 떨어질 수 있으므로 주의가 필요합니다.

---

2. 가변 매개변수 (*args, **kwargs)

Python에서는 함수의 매개변수 개수를 유동적으로 받을 수 있도록 *args와 **kwargs를 제공합니다. 이를 활용하면 정해진 개수 이상의 인자를 처리할 수 있으며, 함수의 재사용성을 높일 수 있습니다.

(1) *args: 여러 개의 위치 인자 받기

*args는 여러 개의 위치 인자를 튜플 형태로 전달받아 동적으로 처리할 수 있습니다.

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

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

(2) **kwargs: 여러 개의 키워드 인자 받기

**kwargs는 여러 개의 키워드 인자를 딕셔너리 형태로 전달받아 유연한 함수 호출을 가능하게 합니다.

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

print_info(name="Alice", age=30, city="Seoul")
# 출력:
# name: Alice
# age: 30
# city: Seoul

(3) *args와 **kwargs 함께 사용하기

이 두 가지를 조합하면, 위치 인자와 키워드 인자를 모두 수용하는 강력한 함수를 설계할 수 있습니다.

def function_example(a, b, *args, **kwargs):
    print(f"a: {a}, b: {b}")
    print("추가 위치 인자:", args)
    print("추가 키워드 인자:", kwargs)

function_example(1, 2, 3, 4, name="Alice", age=25)

출력:

a: 1, b: 2
추가 위치 인자: (3, 4)
추가 키워드 인자: {'name': 'Alice', 'age': 25}

이러한 기법을 사용하면 함수의 유연성을 극대화할 수 있으며, 다양한 입력을 처리하는 범용 함수 작성이 가능합니다.

---

3. 함수형 프로그래밍 (Functional Programming)

함수형 프로그래밍은 함수를 일급 객체로 다루며, 고차 함수를 적극적으로 활용하는 패러다임입니다. Python에서는 map(), filter(), reduce() 등의 함수를 제공하여 함수형 프로그래밍을 지원합니다.

(1) map(): 모든 요소에 함수 적용

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

(2) filter(): 조건을 만족하는 요소만 필터링

evens = list(filter(lambda x: x % 2 == 0, numbers))
print(evens)  # 출력: [2, 4]

(3) reduce(): 연속적인 연산 수행

reduce()는 functools 모듈에서 제공되며, 리스트의 모든 값을 누적하여 연산합니다.

from functools import reduce

# 리스트의 모든 요소를 곱하기
def multiply(x, y):
    return x * y

result = reduce(multiply, [1, 2, 3, 4, 5])
print(result)  # 출력: 120

이러한 함수형 프로그래밍 기법을 활용하면 코드를 간결하게 유지하면서도 강력한 데이터 처리를 수행할 수 있습니다.

---

마무리

이번 글에서는 람다 함수, 가변 매개변수, 함수형 프로그래밍을 활용하는 방법을 심도 있게 살펴보았습니다.

• 람다 함수는 간단한 연산을 수행하는 익명 함수로 활용할 수 있습니다.
• *args, **kwargs는 다양한 개수의 인자를 처리하는 유연한 함수 작성에 유용합니다.
• map(), filter(), reduce()를 활용한 함수형 프로그래밍 기법은 데이터 분석 및 처리에서 강력한 도구가 될 수 있습니다.

이제 Python의 고급 함수를 실무에서 활용하여, 보다 효율적인 코드를 작성해봅시다!