Python és un llenguatge de programació àmpliament utilitzat que ofereix diverses característiques i avantatges únics en comparació amb llenguatges com Java i C++. El nostre tutorial de Python explica a fons els conceptes bàsics i avançats de Python, començant per la instal·lació, enunciats condicionals , bucles , estructures de dades integrades , programació orientada a objectes , generadors , gestió d'excepcions , Python RegEx i molts altres conceptes. Aquest tutorial està dissenyat per a principiants i professionals que treballen.
A finals de la dècada de 1980, Guido van Rossum somiava amb desenvolupar Python. La primera versió de Python 0.9.0 es va publicar el 1991 . Des del seu llançament, Python va començar a guanyar popularitat. Segons els informes, Python és ara el llenguatge de programació més popular entre els desenvolupadors a causa de les seves altes exigències en l'àmbit tecnològic.
Què és Python
Python és un llenguatge de programació de propòsit general, d'escriptura dinàmica, d'alt nivell, compilat i interpretat, recollit en escombraries i purament orientat a objectes que admet programació procedimental, orientada a objectes i funcional.
Característiques de Python:
Python en té molts actius basats en web , projectes de codi obert , i una comunitat vibrant . Aprendre l'idioma, treballar junts en projectes i contribuir a l'ecosistema Python és molt fàcil per als desenvolupadors.
A causa del seu marc de llenguatge senzill, Python és més fàcil d'entendre i escriure codi. Això el converteix en un llenguatge de programació fantàstic per als novells. A més, ajuda els programadors experimentats a escriure codi clar i sense errors.
Python té moltes biblioteques de tercers que es poden utilitzar per facilitar la seva funcionalitat. Aquestes biblioteques cobreixen molts dominis, per exemple, desenvolupament web, informàtica científica, anàlisi de dades i molt més.
Java vs. Python
Python és una opció excel·lent per a tasques de desenvolupament ràpid i scripts. Mentre que Java emfatitza un sistema de tipus fort i una programació orientada a objectes.
Aquests són alguns programes bàsics que il·lustren les diferències clau entre ells.
Imprimint 'Hola món'
Codi Python:
print('Hello World)'
A Python, és una línia de codi. Requereix una sintaxi senzilla per imprimir 'Hola món'
Codi Java:
public class HelloWorld { public static void main(String[] args) { System.out.println('Hello, World!'); } } A Java, hem de declarar classes, estructures de mètodes moltes altres coses.
Tot i que tots dos programes donen la mateixa sortida, podem notar la diferència de sintaxi a la instrucció d'impressió.
matriu dinàmica en java
- A Python, és fàcil aprendre i escriure codi. Mentre està a Java, requereix més codi per realitzar determinades tasques.
- Python s'escriu dinàmicament, és a dir, no necessitem declarar la variable, mentre que Java s'escriu estadísticament, és a dir, hem de declarar el tipus de variable.
- Python és adequat per a diversos dominis com ara ciència de dades, aprenentatge automàtic, desenvolupament web i molt més. Mentre que Java és adequat per al desenvolupament web, desenvolupament d'aplicacions mòbils (Android) i molt més.
Sintaxi bàsica de Python
No s'utilitzen claus ni punt i coma en el llenguatge de programació Python. És una llengua semblant a l'anglès. Però Python utilitza el sagnat per definir un bloc de codi. El sagnat no és més que afegir espais en blanc abans de la instrucció quan sigui necessari.
Per exemple -
def func(): statement 1 statement 2 ………………… ………………… statement N
A l'exemple anterior, les declaracions que estan al mateix nivell a la dreta pertanyen a la funció. En general, podem utilitzar quatre espais en blanc per definir el sagnat.
En lloc de punt i coma com s'utilitza en altres idiomes, Python acaba les seves declaracions amb un caràcter NewLine.
Python és un llenguatge sensible a majúscules i minúscules, el que significa que les majúscules i les minúscules es tracten de manera diferent. Per exemple, 'nom' i 'Nom' són dues variables diferents a Python.
A Python, els comentaris es poden afegir utilitzant el símbol '#'. Qualsevol text escrit després del símbol '#' es considera un comentari i l'intèrpret ignora. Aquest truc és útil per afegir notes al codi o desactivar temporalment un bloc de codi. També ajuda a entendre millor el codi per part d'altres desenvolupadors.
'Si' , 'en cas contrari', 'per' , 'mentre' , 'prova', 'excepte' i 'finalment' són algunes paraules clau reservades a Python que no es poden utilitzar com a noms de variables. Aquests termes s'utilitzen a la llengua per raons particulars i tenen significats fixos. Si utilitzeu aquestes paraules clau, el vostre codi pot incloure errors o l'intèrpret pot rebutjar-los com a possibles noves variables.
Història de Python
Python va ser creat per Guido van Rossum . A finals de la dècada de 1980, Guido van Rossum, un programador holandès, va començar a treballar en Python mentre estava al Centrum Wiskunde & Informatica (CWI) als Països Baixos. Volia crear un successor de la Llenguatge de programació ABC que seria fàcil de llegir i eficient.
El febrer de 1991, es va publicar la primera versió pública de Python, la versió 0.9.0. Això va marcar el naixement oficial de Python com a projecte de codi obert . L'idioma va rebre el nom de la sèrie de comèdia britànica ' El Circ Volador de Monty Python '.
El desenvolupament de Python ha passat per diverses etapes. El gener de 1994, Python 1.0 va ser llançat com a llenguatge de programació estable i utilitzable. Aquesta versió incloïa moltes de les funcions que encara estan presents a Python avui dia.
Des dels anys 90 fins als 2000 , Python va guanyar popularitat per la seva senzillesa, llegibilitat i versatilitat. L'octubre de 2000 es va llançar Python 2.0 . Python 2.0 va introduir la comprensió de llistes, la recollida d'escombraries i el suport per a Unicode.
El desembre de 2008, es va llançar Python 3.0. Python 3.0 va introduir diversos canvis incompatibles cap enrere per millorar la llegibilitat i el manteniment del codi.
Al llarg de la dècada de 2010, la popularitat de Python va augmentar, especialment en camps com l'aprenentatge automàtic i el desenvolupament web. El seu ric ecosistema de biblioteques i marcs el va convertir en el favorit entre els desenvolupadors.
El Python Software Foundation (PSF) es va establir l'any 2001 promoure, protegir i avançar el llenguatge de programació Python i la seva comunitat.
Per què aprendre Python?
Python proporciona moltes funcions útils per al programador. Aquestes característiques el converteixen en l'idioma més popular i utilitzat. A continuació hem enumerat algunes característiques essencials de Python.
- Llenguatge orientat a objectes : Admet programació orientada a objectes, facilitant l'escriptura de codi modular i reutilitzable.
On s'utilitza Python?
Python és un llenguatge de programació popular i de propòsit general i s'utilitza en gairebé tots els camps tècnics. A continuació es mostren les diferents àrees d'ús de Python.
- Intel · ligència artificial : La IA és una tecnologia emergent i Python és un llenguatge perfecte per a la intel·ligència artificial i l'aprenentatge automàtic a causa de la disponibilitat de biblioteques potents com TensorFlow , Keras i PyTorch .
- DevOps : Python s'utilitza àmpliament a DevOps per a l'automatització i l'escriptura de la gestió de la infraestructura, la gestió de la configuració i els processos de desplegament.
- Sol·licituds : una biblioteca per fer peticions HTTP
- SQLAlchemy : una biblioteca per treballar amb bases de dades SQL
- Desesperada : un marc per crear aplicacions multitàctils
- Pygame : una biblioteca per al desenvolupament de jocs
- Marc REST : un conjunt d'eines per crear API RESTful
- FastAPI : un marc web modern i ràpid per crear API
- Streamlit : una biblioteca per crear aplicacions web interactives per a l'aprenentatge automàtic i la ciència de dades
- NLTK : una biblioteca per al processament del llenguatge natural
Python té una àmplia gamma de biblioteques i marcs àmpliament utilitzats en diversos camps com ara l'aprenentatge automàtic, intel·ligència artificial, aplicacions web, etc. Definim alguns marcs i biblioteques populars de Python de la següent manera.
Funció Python print().
La funció print() de Python s'utilitza per mostrar la sortida a la consola o al terminal. Ens permet mostrar text, variables i altres dades en un format llegible per l'home.
Sintaxi:
imprimir (objecte(s), sep=separador, final=final, fitxer=fitxer, esborrat=abocat)
Pren un o més arguments separats per comes (,) i afegeix una 'nova línia' al final per defecte.
Paràmetres:
- object(s): tantes com vulgueu que es mostrin dades, primer es convertiran en cadena i s'imprimiran a la consola.
- sep - Separa els objectes mitjançant un separador passat, valor per defecte = ' '.
- end - Acaba una línia amb un caràcter de nova línia
- fitxer: un objecte fitxer amb mètode d'escriptura, valor per defecte = sys.stdout
Exemple:
# Displaying a string print('Hello, World!') # Displaying multiple values name = 'Aman' age = 21 print('Name:', name, 'Age:', age) # Printing variables and literals x = 5 y = 7 print('x =', x, 'y =', y, 'Sum =', x + y) # Printing with formatting percentage = 85.75 print('Score: {:.2f}%'.format(percentage)) Sortida:
Hello, World! Name: Aman Age: 21 X = 5 y = 7 Sum = 12 Score: 85.75%
En aquest exemple, la instrucció print s'utilitza per imprimir valors de cadena, enters i flotants en un format llegible per l'home.
La declaració d'impressió es pot utilitzar per depurar, registrar i proporcionar informació a l'usuari.
Declaracions condicionals de Python
Les declaracions condicionals ens ajuden a executar un bloc determinat per a una condició determinada. En aquest tutorial, aprendrem a utilitzar l'expressió condicional per executar un bloc diferent d'instruccions. Python proporciona paraules clau if i else per configurar condicions lògiques. El Elif La paraula clau també s'utilitza com a declaració condicional.
Exemple de codi per a la declaració if..else
x = 10 y = 5 if x > y: print('x is greater than y') else: print('y is greater than or equal to x')
Sortida:
x is greater than y
Al codi anterior, tenim dues variables, x i y, amb 10 i 5, respectivament. Aleshores hem utilitzat una instrucció if..else per comprovar si x és més gran que y o viceversa. Si la primera condició és certa, s'imprimeix la declaració 'x és més gran que y'. Si la primera condició és falsa, en el seu lloc s'imprimeix la declaració 'y és major o igual que x'.
La paraula clau if comprova que la condició és certa i executa el bloc de codi que hi ha dins. El codi dins del bloc else s'executa si la condició és falsa. D'aquesta manera, la instrucció if..else ens ajuda a executar diferents blocs de codi basats en una condició.
Aprendrem sobre això amb més detall a l'article següent per al tutorial de Python.
Bucles Python
De vegades és possible que hàgim d'alterar el flux del programa. L'execució d'un codi específic pot haver de repetir-se diverses vegades. Amb aquesta finalitat, els llenguatges de programació proporcionen diversos bucles capaços de repetir algun codi específic diverses vegades. Considereu el tutorial següent per entendre les afirmacions en detall.
Python For Loop
fruits = ['apple', 'banana', 'cherry'] for x in fruits: print(x, end=' ')
Sortida:
apple banana cherry
Bucle While de Python
i = 1 while i<5: print(i, end=" " ) i +="1" < pre> <p> <strong>Output:</strong> </p> <pre> 1 2 3 4 </pre> <p>In the above example code, we have demonstrated using two types of loops in Python - For loop and While loop.</p> <p>The For loop is used to iterate over a sequence of items, such as a list, tuple, or string. In the example, we defined a list of fruits and used a for loop to print each fruit, but it can also be used to print a range of numbers.</p> <p>The While loop repeats a code block if the specified condition is true. In the example, we have initialized a variable i to 1 and used a while loop to print the value of i until it becomes greater than or equal to 6. The i += 1 statement is used to increment the value of i in each iteration.</p> <p>We will learn about them in the tutorial in detail.</p> <h2>Python Data Structures</h2> <p> <strong>Python offers four built-in data structures:</strong> <strong>lists</strong> , <strong>tuples</strong> , <strong>sets</strong> , and <strong>dictionaries</strong> that allow us to store data in an efficient way. Below are the commonly used data structures in Python, along with example code:</p> <h3>1. Lists </h3> <ul> <li>Lists are <strong>ordered collections</strong> of data elements of different data types.</li> <li>Lists are <strong>mutable</strong> meaning a list can be modified anytime.</li> <li>Elements can be <strong>accessed using indices</strong> .</li> <li>They are defined using square bracket ' <strong>[]</strong> '.</li> </ul> <p> <strong>Example:</strong> </p> <pre> # Create a list fruits = ['apple', 'banana', 'cherry'] print('fuirts[1] =', fruits[1]) # Modify list fruits.append('orange') print('fruits =', fruits) num_list = [1, 2, 3, 4, 5] # Calculate sum sum_nums = sum(num_list) print('sum_nums =', sum_nums) </pre> <p> <strong>Output:</strong> </p> <pre> fuirts[1] = banana fruits = ['apple', 'banana', 'cherry', 'orange'] sum_nums = 15 </pre> <h3>2. Tuples </h3> <ul> <li>Tuples are also <strong>ordered collections</strong> of data elements of different data types, similar to Lists.</li> <li>Elements can be <strong>accessed using indices</strong> .</li> <li>Tuples are <strong>immutable</strong> meaning Tuples can't be modified once created.</li> <li>They are defined using open bracket ' <strong>()</strong> '.</li> </ul> <p> <strong>Example:</strong> </p> <pre> # Create a tuple point = (3, 4) x, y = point print('(x, y) =', x, y) # Create another tuple tuple_ = ('apple', 'banana', 'cherry', 'orange') print('Tuple =', tuple_) </pre> <p> <strong>Output:</strong> </p> <pre> (x, y) = 3 4 Tuple = ('apple', 'banana', 'cherry', 'orange') </pre> <h3>3. Sets </h3> <ul> <li>Sets are <strong>unordered</strong> collections of immutable data elements of different data types.</li> <li>Sets are <strong>mutable</strong> .</li> <li>Elements can't be accessed using indices.</li> <li>Sets <strong>do not contain duplicate elements</strong> .</li> <li>They are defined using curly braces ' <strong>{}</strong> '</li> </ul> <p> <strong>Example:</strong> </p> <pre> # Create a set set1 = {1, 2, 2, 1, 3, 4} print('set1 =', set1) # Create another set set2 = {'apple', 'banana', 'cherry', 'apple', 'orange'} print('set2 =', set2) </pre> <p> <strong>Output:</strong> </p> <pre> set1 = {1, 2, 3, 4} set2 = {'apple', 'cherry', 'orange', 'banana'} </pre> <h3>4. Dictionaries </h3> <ul> <li>Dictionary are <strong>key-value pairs</strong> that allow you to associate values with unique keys.</li> <li>They are defined using curly braces ' <strong>{}</strong> ' with key-value pairs <strong>separated by colons ':'</strong> .</li> <li>Dictionaries are <strong>mutable</strong> .</li> <li>Elements can be accessed using keys.</li> </ul> <p> <strong>Example:</strong> </p> <pre> # Create a dictionary person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} print('person =', person) print(person['name']) # Modify Dictionary person['age'] = 27 print('person =', person) </pre> <p> <strong>Output:</strong> </p> <pre> person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} Umesh person = {'name': 'Umesh', 'age': 27, 'city': 'Noida'} </pre> <p>These are just a few examples of Python's built-in data structures. Each data structure has its own characteristics and use cases.</p> <h2>Python Functional Programming</h2> <p>This section of the Python tutorial defines some important tools related to functional programming, such as lambda and recursive functions. These functions are very efficient in accomplishing complex tasks. We define a few important functions, such as reduce, map, and filter. Python provides the functools module that includes various functional programming tools. Visit the following tutorial to learn more about functional programming.</p> <p>Recent versions of Python have introduced features that make functional programming more concise and expressive. For example, the 'walrus operator':= allows for inline variable assignment in expressions, which can be useful when working with nested function calls or list comprehensions.</p> <h2>Python Function</h2> <ol class="points"> <li> <strong>Lambda Function</strong> - A lambda function is a small, <strong>anonymous function</strong> that can take any number of arguments but can only have one expression. Lambda functions are often used in functional programming to create functions 'on the fly' without defining a named function.</li> <li> <strong>Recursive Function</strong> - A recursive function is a function that calls itself to solve a problem. Recursive functions are often used in functional programming to perform complex computations or to traverse complex data structures.</li> <li> <a href="/python-map-function"> <strong>Map Function</strong> </a> - The map() function applies a given function to each item of an iterable and returns a new iterable with the results. The input iterable can be a list, tuple, or other.</li> <li> <a href="/python-filter-function"> <strong>Filter Function</strong> </a> - The filter() function returns an iterator from an iterable for which the function passed as the first argument returns True. It filters out the items from an iterable that do not meet the given condition.</li> <li> <a href="/reduce-python"> <strong>Reduce Function</strong> </a> - The reduce() function applies a function of two arguments cumulatively to the items of an iterable from left to right to reduce it to a single value.</li> <li> <strong>functools Module</strong> - The functools module in Python provides higher-order functions that operate on other functions, such as partial() and reduce().</li> <li> <strong>Currying Function</strong> - A currying function is a function that takes multiple arguments and returns a sequence of functions that each take a single argument.</li> <li> <strong>Memoization Function</strong> - Memoization is a technique used in functional programming to cache the results of expensive function calls and return the cached Result when the same inputs occur again.</li> <li> <strong>Threading Function</strong> - Threading is a technique used in functional programming to run multiple tasks simultaneously to make the code more efficient and faster.</li> </ol> <h2>Python Modules</h2> <p> Python modules are the program files that contain Python code or functions. Python has two types of modules - User-defined modules and built-in modules. A module the user defines, or our Python code saved with .py extension, is treated as a user-define module.</p> <p>Built-in modules are predefined modules of Python. To use the functionality of the modules, we need to import them into our current working program.</p> <p>Python modules are essential to the language's ecosystem since they offer reusable code and functionality that can be imported into any Python program. Here are a few examples of several Python modules, along with a brief description of each:</p> <p> <strong>Math</strong> : Gives users access to mathematical constants and pi and trigonometric functions.</p> <p> <strong>Datetime</strong> : Provides classes for a simpler way of manipulating dates, times, and periods.</p> <p> <a href="/python-os-module"> <strong>OS</strong> </a> : Enables interaction with the base operating system, including administration of processes and file system activities.</p> <p> <a href="/python-random-module"> <strong>Random</strong> </a> : The random function offers tools for generating random integers and picking random items from a list.</p> <p> <strong>JSON</strong> : JSON is a data structure that can be encoded and decoded and is frequently used in online APIs and data exchange. This module allows dealing with JSON. <br> <strong>Re</strong> : Supports regular expressions, a potent text-search and text-manipulation tool.</p> <p> <strong>Collections</strong> : Provides alternative data structures such as sorted dictionaries, default dictionaries, and named tuples.</p> <p> <strong>NumPy</strong> : NumPy is a core toolkit for scientific computing that supports numerical operations on arrays and matrices.</p> <p> <strong>Pandas</strong> : It provides high-level data structures and operations for dealing with time series and other structured data types.</p> <p> <strong>Requests</strong> : Offers a simple user interface for web APIs and performs HTTP requests.</p> <h2>Python File I/O</h2> <p>Files are used to store data in a computer disk. In this tutorial, we explain the built-in file object of Python. We can open a file using Python script and perform various operations such as writing, reading, and appending. There are various ways of opening a file. We are explained with the relevant example. We will also learn to perform read/write operations on binary files.</p> <p> <strong>Python's file input/output (I/O) system</strong> offers programs to communicate with files stored on a disc. Python's built-in methods for the file object let us carry out actions like reading, writing, and adding data to files.</p> <p>The <strong>open()</strong> method in Python makes a file object when working with files. The name of the file to be opened and the mode in which the file is to be opened are the two parameters required by this function. The mode can be used according to work that needs to be done with the file, such as ' <strong>r</strong> ' for reading, ' <strong>w</strong> ' for writing, or ' <strong>a</strong> ' for attaching.</p> <p>After successfully creating an object, different methods can be used according to our work. If we want to write in the file, we can use the write() functions, and if you want to read and write both, then we can use the append() function and, in cases where we only want to read the content of the file we can use read() function. Binary files containing data in a binary rather than a text format may also be worked with using Python. Binary files are written in a manner that humans cannot directly understand. The <strong>rb</strong> and <strong>wb</strong> modes can read and write binary data in binary files.</p> <h2>Python Exceptions</h2> <p>An exception can be defined as an unusual condition in a program resulting in an interruption in the flow of the program.</p> <p>Whenever an exception occurs, the program stops the execution, and thus the other code is not executed. Therefore, an exception is the run-time errors that are unable to handle to Python script. An exception is a Python object that represents an error.</p> <p> <strong>Python Exceptions</strong> are an important aspect of error handling in Python programming. When a program encounters an unexpected situation or error, it may raise an exception, which can interrupt the normal flow of the program.</p> <p>In Python, exceptions are represented as objects containing information about the error, including its type and message. The most common type of Exception in Python is the Exception class, a base class for all other built-in exceptions.</p> <p>To handle exceptions in Python, we use the <strong>try</strong> and <strong>except</strong> statements. The <strong>try</strong> statement is used to enclose the code that may raise an exception, while the <strong>except</strong> statement is used to define a block of code that should be executed when an exception occurs.</p> <p> <strong>For example, consider the following code:</strong> </p> <pre> try: x = int ( input ('Enter a number: ')) y = 10 / x print ('Result:', y) except ZeroDivisionError: print ('Error: Division by zero') except ValueError: print ('Error: Invalid input') </pre> <p> <strong>Output:</strong> </p> <pre> Enter a number: 0 Error: Division by zero </pre> <p>In this code, we use the try statement to attempt to perform a division operation. If either of these operations raises an exception, the matching except block is executed.</p> <p>Python also provides many built-in exceptions that can be raised in similar situations. Some common built-in exceptions include <strong>IndexError, TypeError</strong> , and <strong>NameError</strong> . Also, we can define our custom exceptions by creating a new class that inherits from the Exception class.</p> <h2>Python CSV</h2> <p>A CSV stands for 'comma separated values', which is defined as a simple file format that uses specific structuring to arrange tabular data. It stores tabular data such as spreadsheets or databases in plain text and has a common format for data interchange. A CSV file opens into the Excel sheet, and the rows and columns data define the standard format.</p> <p>We can use the CSV.reader function to read a CSV file. This function returns a reader object that we can use to repeat over the rows in the CSV file. Each row is returned as a list of values, where each value corresponds to a column in the CSV file.</p> <p> <strong>For example, consider the following code:</strong> </p> <pre> import csv with open('data.csv', 'r') as file: reader = csv.reader(file) for row in reader: print(row) </pre> <p>Here, we open the file data.csv in read mode and create a <strong>csv.reader</strong> object using the <strong>csv.reader()</strong> function. We then iterate over the rows in the CSV file using a for loop and print each row to the console.</p> <p>We can use the <strong>CSV.writer()</strong> function to write data to a CSV file. It returns a writer object we can use to write rows to the CSV file. We can write rows by calling the <strong>writer ()</strong> method on the writer object.</p> <p> <strong>For example, consider the following code:</strong> </p> <pre> import csv data = [ ['Name', 'Age', 'Country'], ['Alice', '25', 'USA'], ['Bob', '30', 'Canada'], ['Charlie', '35', 'Australia'] ] with open('data.csv', 'w') as file: writer = csv.writer(file) for row in data: writer.writerow(row) </pre> <p>In this program, we create a list of lists called data, where each inner list represents a row of data. We then open the file data.csv in write mode and create a <strong>CSV.writer</strong> object using the CSV.writer function. We then iterate over the rows in data using a for loop and write each row to the CSV file using the writer method.</p> <h2>Python Sending Mail</h2> <p>We can send or read a mail using the Python script. Python's standard library modules are useful for handling various protocols such as PoP3 and IMAP . Python provides the <a href="/python-sending-email-using-smtp">smtplib</a> module for sending emails using SMTP (Simple Mail Transfer Protocol). We will learn how to send mail with the popular email service SMTP from a Python script.</p> <h3>Python Magic Methods</h3> <p>The Python magic method is the special method that adds 'magic' to a class. It starts and ends with double underscores, for example, <strong>_init_</strong> or <strong>_str_</strong> .</p> <p>The built-in classes define many magic methods. The <strong>dir()</strong> function can be used to see the number of magic methods inherited by a class. It has two prefixes and suffix underscores in the method name.</p> <ul> <li>Python magic methods are also known as <strong>dunder methods</strong> , short for ' double underscore ' methods because their names start and end with a double underscore.</li> <li> <strong>Magic methods</strong> are automatically invoked by the Python interpreter in certain situations, such as when an object is created, compared to another object, or printed.</li> <li>Magic methods can be used to customize the behavior of classes, such as defining how objects are compared, converted to strings, or accessed as containers.</li> <li>Some commonly used magic methods include <strong>init</strong> for initializing an object, str for converting an object to a string, <strong>eq</strong> for comparing two objects for equality, and <strong>getitem</strong> and <strong>setitem</strong> for accessing items in a container object.</li> </ul> <p>For example, the <strong>str</strong> magic method can define how an object should be represented as a string. Here's an example</p> <pre> class Person: def __init__(self, name, age): self.name = name self.age = age def __str__(self): return f'{self.name} ({self.age})' person = Person('Vikas', 22) print(person) </pre> <p> <strong>Output:</strong> </p> <pre> Vikas (22) </pre> <p>In this example, the str method is defined to return a formatted string representation of the Person object with the person's name and age.</p> <p>Another commonly used magic method is <strong>eq</strong> , which defines how objects should be compared for equality. Here's an example:</p> <pre> class Point: def __init__(self, x, y): self.x = x self.y = y def __eq__(self, other): return self.x == other.x and self.y == other.y point1 = Point(2, 3) point2 = Point(3, 4) point3 = Point(2, 3) print(point1 == point2) print(point1 == point3) </pre> <p> <strong>Output:</strong> </p> <pre> False True </pre> <p>In this example, the <strong>eq</strong> method is defined to return True if two Point objects have the same x and y coordinates and False otherwise.</p> <h2>Python Oops Concepts</h2> <p>Everything in Python is treated as an object, including integer values, floats, functions, classes, and none. Apart from that, Python supports all oriented concepts. Below is a brief introduction to the Oops concepts of Python.</p> <ul> <li> <a href="/classes-objects-python"> <strong>Classes and Objects</strong> </a> - Python classes are the blueprints of the Object. An object is a collection of data and methods that act on the data.</li> <li> <a href="/python-inheritance"> <strong>Inheritance</strong> </a> - An inheritance is a technique where one class inherits the properties of other classes.</li> <li> <a href="/python-constructor"> <strong>Constructor</strong> </a> - Python provides a special method __init__() which is known as a constructor. This method is automatically called when an object is instantiated.</li> <tr><td>Data Member</td> - A variable that holds data associated with a class and its objects. <li> <strong>Polymorphism</strong> - Polymorphism is a concept where an object can take many forms. In Python, polymorphism can be achieved through method overloading and method overriding.</li> </tr><tr><td>Method Overloading</td> - In Python, method overloading is achieved through default arguments, where a method can be defined with multiple parameters. The default values are used if some parameters are not passed while calling the method. <li> <strong>Method Overriding</strong> - Method overriding is a concept where a subclass implements a method already defined in its superclass.</li> <li> <strong>Encapsulation</strong> - Encapsulation is wrapping data and methods into a single unit. In Python, encapsulation is achieved through access modifiers, such as public, private, and protected. However, Python does not strictly enforce access modifiers, and the naming convention indicates the access level.</li> <li> <strong>Data Abstraction</strong> : A technique to hide the complexity of data and show only essential features to the user. It provides an interface to interact with the data. Data abstraction reduces complexity and makes code more modular, allowing developers to focus on the program's essential features.</li> </tr></ul> <p>To read the Oops concept in detail, visit the following resources.</p> <ul> <li> Python Oops Concepts - In Python, the object-oriented paradigm is to design the program using classes and objects. The object is related to real-word entities such as book, house, pencil, etc. and the class defines its properties and behaviours.</li> <li> <a href="/classes-objects-python">Python Objects and classes</a> - In Python, objects are instances of classes and classes are blueprints that defines structure and behaviour of data.</li> <li> <a href="/python-constructor">Python Constructor</a> - A constructor is a special method in a class that is used to initialize the object's attributes when the object is created.</li> <li> <a href="/python-inheritance">Python Inheritance</a> - Inheritance is a mechanism in which new class (subclass or child class) inherits the properties and behaviours of an existing class (super class or parent class).</li> <li> Python Polymorphism - Polymorphism allows objects of different classes to be treated as objects of a common superclass, enabling different classes to be used interchangeably through a common interface.</li> </ul> <h2>Python Advance Topics</h2> <p>Python includes many advances and useful concepts that help the programmer solve complex tasks. These concepts are given below.</p> <h3> Python Iterator </h3> <p>An iterator is simply an object that can be iterated upon. It returns one Object at a time. It can be implemented using the two special methods, <strong>__iter__()</strong> and __next__().</p> <p>Iterators in Python are objects that allow iteration over a collection of data. They process each collection element individually without loading the entire collection into memory.</p> <p>For example, let's create an iterator that returns the squares of numbers up to a given limit:</p> <pre> def __init__(self, limit): self.limit = limit self.n = 0 def __iter__(self): return self def __next__(self): if self.n <= 2 self.limit: square="self.n" ** self.n +="1" return else: raise stopiteration numbers="Squares(5)" for n in numbers: print(n) < pre> <p> <strong>Output:</strong> </p> <pre> 0 1 4 9 16 25 </pre> <p>In this example, we have created a class Squares that acts as an iterator by implementing the __iter__() and __next__() methods. The __iter__() method returns the Object itself, and the __next__() method returns the next square of the number until the limit is reached.</p> <p>To learn more about the iterators, visit our Python Iterators tutorial.</p> <h3> Python Generators </h3> <p> <strong>Python generators</strong> produce a sequence of values <strong>using a yield statement</strong> rather than a return since they are functions that return iterators. Generators terminate the function's execution while keeping the local state. It picks up right where it left off when it is restarted. Because we don't have to implement the iterator protocol thanks to this feature, writing iterators is made simpler. Here is an illustration of a straightforward generator function that produces squares of numbers:</p> <pre> # Generator Function def square_numbers(n): for i in range(n): yield i**2 # Create a generator object generator = square_numbers(5) # Print the values generated by the generator for num in generator: print(num) </pre> <p> <strong>Output:</strong> </p> <pre> 0 1 4 9 16 </pre> <h2>Python Modifiers</h2> <p> <strong>Python Decorators</strong> are functions used to modify the behaviour of another function. They allow adding functionality to an existing function without modifying its code directly. Decorators are defined using the <strong>@</strong> symbol followed by the name of the decorator function. They can be used for logging, timing, caching, etc.</p> <p>Here's an example of a decorator function that adds timing functionality to another function:</p> <pre> import time from math import factorial # Decorator to calculate time taken by # the function def time_it(func): def wrapper(*args, **kwargs): start = time.time() result = func(*args, **kwargs) end = time.time() print(f'{func.__name__} took {end-start:.5f} seconds to run.') return result return wrapper @time_it def my_function(n): time.sleep(2) print(f'Factorial of {n} = {factorial(n)}') my_function(25) </pre> <p> <strong>Output:</strong> </p> <pre> </pre> <p>In the above example, the time_it decorator function takes another function as an argument and returns a wrapper function. The wrapper function calculates the time to execute the original function and prints it to the console. The @time_it decorator is used to apply the time_it function to the my_function function. When my_function is called, the decorator is executed, and the timing functionality is added.</p> <h2>Python MySQL</h2> <p>Python MySQL is a powerful relational database management system. We must set up the environment and establish a connection to use MySQL with Python. We can create a new database and tables using SQL commands in Python.</p> <ul> <li> <strong>Environment Setup</strong> : Installing and configuring MySQL Connector/Python to use Python with MySQL.</li> <li> <strong>Database Connection</strong> : Establishing a connection between Python and MySQL database using MySQL Connector/Python.</li> <li> <strong>Creating New Database</strong> : Creating a new database in MySQL using Python.</li> <li> <strong>Creating Tables</strong> : Creating tables in the MySQL database with Python using SQL commands.</li> <li> <strong>Insert Operation</strong> : Insert data into MySQL tables using Python and SQL commands.</li> <li> <strong>Read Operation</strong> : Reading data from MySQL tables using Python and SQL commands.</li> <li> <strong>Update Operation</strong> : Updating data in MySQL tables using Python and SQL commands.</li> <li> <strong>Join Operation</strong> : Joining two or more tables in MySQL using Python and SQL commands.</li> <li> <strong>Performing Transactions</strong> : Performing a group of SQL queries as a single unit of work in MySQL using Python.</li> </ul> <p>Other relative points include handling errors, creating indexes, and using stored procedures and functions in MySQL with Python.</p> <h2>Python MongoDB</h2> <p> Python MongoDB is a popular NoSQL database that stores data in JSON-like documents. It is schemaless and provides high scalability and flexibility for data storage. We can use MongoDB with Python using the PyMongo library, which provides a simple and intuitive interface for interacting with MongoDB.</p> <p>Here are some common tasks when working with MongoDB in Python:</p> <ol class="points"> <li> <strong>Environment Setup</strong> : Install and configure MongoDB and PyMongo library on your system.</li> <li> <strong>Database Connection</strong> : Connect to a MongoDB server using the MongoClient class from PyMongo.</li> <li> <strong>Creating a new database</strong> : Use the MongoClient Object to create a new database.</li> <li> <strong>Creating collections</strong> : Create collections within a database to store documents.</li> <li> <strong>Inserting documents</strong> : Insert new documents into a collection using the insert_one() or insert_many() methods.</li> <li> <strong>Querying documents</strong> : Retrieve documents from a collection using various query methods like find_one(), find(), etc.</li> <li> <strong>Updating documents</strong> : Modify existing documents in a collection using update_one() or update_many() methods.</li> <li> <strong>Deleting documents</strong> : Remove documents from a collection using the delete_one() or delete_many() methods.</li> <li> <strong>Aggregation</strong> : Perform aggregation operations like grouping, counting, etc., using the aggregation pipeline framework.</li> <tr><td>Indexing:</td> Improve query performance by creating indexes on fields in collections. </tr></ol> <p>There are many more advanced topics in MongoDB, such as data sharding, replication, and more, but these tasks cover the basics of working with MongoDB in Python.</p> <h2> Python SQLite </h2> <p>Relational databases are built and maintained using Python SQLite, a compact, serverless, self-contained database engine. Its mobility and simplicity make it a popular option for local or small-scale applications. Python has a built-in module for connecting to SQLite databases called SQLite3, enabling developers to work with SQLite databases without difficulties.</p> <p>Various API methods are available through the SQLite3 library that may be used to run SQL queries, insert , select , update , and remove data, as well as get data from tables. Additionally, it allows transactions, allowing programmers to undo changes in case of a problem. Python SQLite is a fantastic option for creating programs that need an embedded database system, including desktop, mobile, and modest-sized web programs. SQLite has become popular among developers for lightweight apps with database functionality thanks to its ease of use, portability, and smooth connection with Python.</p> <h2> Python CGI </h2> <p> <strong>Python CGI</strong> is a technology for running scripts through web servers to produce dynamic online content. It offers a communication channel and a dynamic content generation interface for external CGI scripts and the web server. Python CGI scripts may create HTML web pages, handle form input, and communicate with databases. Python CGI enables the server to carry out Python scripts and provide the results to the client, offering a quick and effective approach to creating dynamic online applications.</p> <p>Python CGI scripts may be used for many things, including creating dynamic web pages, processing forms, and interacting with databases. Since Python, a potent and popular programming language, can be utilized to create scripts, it enables a more customized and flexible approach to web creation. Scalable, safe, and maintainable online applications may be created with Python CGI. Python CGI is a handy tool for web developers building dynamic and interactive online applications.</p> <h2> Asynchronous Programming in Python </h2> <p> <strong>Asynchronous programming</strong> is a paradigm for computer programming that enables independent and concurrent operation of activities. It is frequently used in applications like web servers, database software, and network programming, where several tasks or requests must be handled concurrently.</p> <p>Python has asyncio, Twisted, and Tornado among its libraries and frameworks for asynchronous programming. Asyncio, one of these, offers a simple interface for asynchronous programming and is the official asynchronous programming library in Python.</p> <p>Coroutines are functions that may be halted and restarted at specific locations in the code and are utilized by asyncio. This enables numerous coroutines to operate simultaneously without interfering with one another. For constructing and maintaining coroutines, the library offers several classes and methods, including <strong>asyncio.gather(),</strong> <strong>asyncio.wait(),</strong> and <strong>asyncio.create_task().</strong> </p> <p>Event loops, which are in charge of planning and operating coroutines, are another feature of asyncio. By cycling between coroutines in a non-blocking way, the event loop controls the execution of coroutines and ensures that no coroutine blocks another. Additionally, it supports timers and scheduling callbacks, which may be helpful when activities must be completed at specified times or intervals.</p> <h2> Python Concurrency </h2> <p>The term ' <strong>concurrency</strong> ' describes a program's capacity to carry out several tasks at once, enhancing the program's efficiency. Python offers several modules and concurrency-related methods, including asynchronous programming, multiprocessing, and multithreading. While multiprocessing involves running many processes simultaneously on a system, multithreading involves running numerous threads concurrently inside a single process.</p> <p>The <strong>threading module</strong> in Python enables programmers to build multithreading. It offers classes and operations for establishing and controlling threads. Conversely, the multiprocessing module allows developers to design and control processes. Python's asyncio module provides asynchronous programming support, allowing developers to write non-blocking code that can handle multiple tasks concurrently. Using these techniques, developers can write highperformance, scalable programs that can handle multiple tasks concurrently.</p> <p>Python's threading module enables the concurrent execution of several threads within a single process, which is helpful for I/O-bound activities.</p> <p>For CPU-intensive operations like image processing or data analysis, multiprocessing modules make it possible to execute numerous processes concurrently across multiple CPU cores.</p> <p>The asyncio module supports asynchronous I/O and permits the creation of single-threaded concurrent code using coroutines for high-concurrency network applications.</p> <p>With libraries like Dask , <a href="/pyspark-tutorial">PySpark</a> , and MPI, Python may also be used for parallel computing. These libraries allow workloads to be distributed across numerous nodes or clusters for better performance.</p> <h2> Web Scrapping using Python </h2> <p>The process of web scraping is used to retrieve data from websites automatically. Various tools and libraries extract data from HTML and other online formats. Python is among the most widely used programming languages for web scraping because of its ease of use, adaptability, and variety of libraries.</p> <p>We must take a few steps to accomplish web scraping using Python. We must first decide which website to scrape and what information to gather. Then, we can submit a request to the website and receive the HTML content using Python's requests package. Once we have the HTML text, we can extract the needed data using a variety of parsing packages, like <strong>Beautiful Soup and lxml</strong> .</p> <p>We can employ several strategies, like slowing requests, employing user agents, and using proxies, to prevent overburdening the website's server. It is also crucial to abide by the terms of service for the website and respect its robots.txt file.</p> <p>Data mining, lead creation, pricing tracking, and many more uses are possible for web scraping. However, as unauthorized web scraping may be against the law and unethical, it is essential to utilize it professionally and ethically.</p> <h2>Natural Language Processing (NLP) using Python</h2> <p>A branch of artificial intelligence (AI) called 'natural language processing' (NLP) studies how computers and human language interact. Thanks to NLP, computers can now understand, interpret, and produce human language. Due to its simplicity, versatility, and strong libraries like NLTK (Natural Language Toolkit) and spaCy, Python is a well-known programming language for NLP.</p> <p> <strong>For NLP tasks, including tokenization, stemming, lemmatization, part-of-speech tagging, named entity identification, sentiment analysis, and others, NLTK provides a complete library.</strong> It has a variety of corpora (big, organized text collections) for developing and evaluating NLP models. Another well-liked library for NLP tasks is spaCy , which offers quick and effective processing of enormous amounts of text. It enables simple modification and expansion and comes with pre-trained models for various NLP workloads.</p> <p>NLP may be used in Python for various practical purposes, including chatbots, sentiment analysis, text categorization, machine translation, and more. NLP is used, for instance, by chatbots to comprehend and reply to user inquiries in a natural language style. Sentiment analysis, which may be helpful for brand monitoring, customer feedback analysis, and other purposes, employs NLP to categorize text sentiment (positive, negative, or neutral). Text documents are categorized using natural language processing (NLP) into pre-established categories for spam detection, news categorization, and other purposes.</p> <p>Python is a strong and useful tool when analyzing and processing human language. Developers may carry out various NLP activities and create useful apps that can communicate with consumers in natural language with libraries like NLTK and spaCy.</p> <h2>Conclusion:</h2> <p>In this tutorial, we've looked at some of Python's most important features and ideas, including variables, data types, loops, functions, modules, and more. More complex subjects, including web scraping, natural language processing, parallelism, and database connection, have also been discussed. You will have a strong basis to continue learning about Python and its applications using the information you have learned from this lesson.</p> <p>Remember that practicing and developing code is the best method to learn Python. You may find many resources at javaTpoint to support your further learning, including documentation, tutorials, online groups, and more. You can master Python and use it to create wonderful things if you work hard and persist.</p> <h2>Prerequisite</h2> <p>Before learning Python, you must have the basic knowledge of programming concepts.</p> <h2>Audience</h2> <p>Our Python tutorial is designed to help beginners and professionals.</p> <h2>Problem</h2> <p>We assure that you will not find any problem in this Python tutorial. But if there is any mistake, please post the problem in contact form.</p> <hr></=></pre></5:> Al codi d'exemple anterior, hem demostrat l'ús de dos tipus de bucles a Python: bucle For i bucle While.
El bucle For s'utilitza per iterar sobre una seqüència d'elements, com ara una llista, una tupla o una cadena. A l'exemple, hem definit una llista de fruites i hem utilitzat un bucle for per imprimir cada fruita, però també es pot utilitzar per imprimir una sèrie de números.
El bucle While repeteix un bloc de codi si la condició especificada és certa. A l'exemple, hem inicialitzat una variable i a 1 i hem utilitzat un bucle while per imprimir el valor de i fins que esdevingui major o igual a 6. La instrucció i += 1 s'utilitza per incrementar el valor de i en cada iteració. .
Aprendrem sobre ells en el tutorial en detall.
Estructures de dades de Python
Python ofereix quatre estructures de dades integrades: llistes , tuples , col · leccions , i diccionaris que ens permeten emmagatzemar dades d'una manera eficient. A continuació es mostren les estructures de dades que s'utilitzen habitualment a Python, juntament amb el codi d'exemple:
1. Llistes
- Les llistes són col·leccions ordenades d'elements de dades de diferents tipus de dades.
- Les llistes són mutable és a dir, una llista es pot modificar en qualsevol moment.
- Els elements poden ser s'accedeix mitjançant índexs .
- Es defineixen mitjançant claudàtors ' [] '.
Exemple:
# Create a list fruits = ['apple', 'banana', 'cherry'] print('fuirts[1] =', fruits[1]) # Modify list fruits.append('orange') print('fruits =', fruits) num_list = [1, 2, 3, 4, 5] # Calculate sum sum_nums = sum(num_list) print('sum_nums =', sum_nums)
Sortida:
fuirts[1] = banana fruits = ['apple', 'banana', 'cherry', 'orange'] sum_nums = 15
2. Tuples
- Les tuples també ho són col·leccions ordenades d'elements de dades de diferents tipus de dades, similars a Llistes.
- Els elements poden ser s'accedeix mitjançant índexs .
- Les tuples ho són immutable és a dir, les tuples no es poden modificar un cop creades.
- Es defineixen mitjançant claudàtors oberts ' () '.
Exemple:
# Create a tuple point = (3, 4) x, y = point print('(x, y) =', x, y) # Create another tuple tuple_ = ('apple', 'banana', 'cherry', 'orange') print('Tuple =', tuple_)
Sortida:
(x, y) = 3 4 Tuple = ('apple', 'banana', 'cherry', 'orange')
3. Conjunts
- Els conjunts són sense ordenar col·leccions d'elements de dades immutables de diferents tipus de dades.
- Els conjunts són mutable .
- No es pot accedir als elements mitjançant índexs.
- Col · leccions no contenen elements duplicats .
- Es defineixen mitjançant claus ' {} '
Exemple:
# Create a set set1 = {1, 2, 2, 1, 3, 4} print('set1 =', set1) # Create another set set2 = {'apple', 'banana', 'cherry', 'apple', 'orange'} print('set2 =', set2) Sortida:
set1 = {1, 2, 3, 4} set2 = {'apple', 'cherry', 'orange', 'banana'} 4. Diccionaris
- El diccionari són parells clau-valor que permeten associar valors amb claus úniques.
- Es defineixen mitjançant claus ' {} ' amb parells clau-valor separats per dos punts ':' .
- Els diccionaris ho són mutable .
- Es pot accedir als elements mitjançant tecles.
Exemple:
# Create a dictionary person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} print('person =', person) print(person['name']) # Modify Dictionary person['age'] = 27 print('person =', person) Sortida:
person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} Umesh person = {'name': 'Umesh', 'age': 27, 'city': 'Noida'} Aquests són només alguns exemples de les estructures de dades integrades de Python. Cada estructura de dades té les seves pròpies característiques i casos d'ús.
Programació funcional de Python
Aquesta secció del tutorial de Python defineix algunes eines importants relacionades amb la programació funcional, com ara lambda i funcions recursives. Aquestes funcions són molt eficients per realitzar tasques complexes. Definim algunes funcions importants, com ara reduir, mapejar i filtrar. Python proporciona el mòdul functools que inclou diverses eines de programació funcionals. Visiteu el següent tutorial per obtenir més informació sobre la programació funcional.
Les versions recents de Python han introduït funcions que fan que la programació funcional sigui més concisa i expressiva. Per exemple, l'operador 'walrus':= permet l'assignació de variables en línia a les expressions, que pot ser útil quan es treballa amb trucades de funcions imbricades o comprensió de llistes.
Funció Python
- Funció Lambda - Una funció lambda és petita, funció anònima que pot prendre qualsevol nombre d'arguments però només pot tenir una expressió. Les funcions lambda s'utilitzen sovint en la programació funcional per crear funcions 'sobre la marxa' sense definir una funció anomenada.
- Funció recursiva - Una funció recursiva és una funció que s'anomena per resoldre un problema. Les funcions recursives s'utilitzen sovint en programació funcional per realitzar càlculs complexos o per recórrer estructures de dades complexes.
- Funció de mapa - La funció map() aplica una funció donada a cada element d'un iterable i retorna un nou iterable amb els resultats. L'iterable d'entrada pot ser una llista, una tupla o una altra.
- Funció de filtre - La funció filter() retorna un iterador d'un iterable per al qual la funció passat com a primer argument retorna True. Filtra els elements d'un iterable que no compleixen la condició donada.
- Funció de reducció - La funció reduce() aplica una funció de dos arguments acumuladament als elements d'un iterable d'esquerra a dreta per reduir-lo a un sol valor.
- Mòdul functools - El mòdul functools de Python proporciona funcions d'ordre superior que operen amb altres funcions, com ara partial() i reduce().
- Funció de curry - Una funció de curry és una funció que pren diversos arguments i retorna una seqüència de funcions que prenen cadascuna un sol argument.
- Funció de memorització - La memòria és una tècnica que s'utilitza en la programació funcional per emmagatzemar a la memòria cau els resultats de les trucades de funcions cares i retornar el resultat de la memòria cau quan es tornen a produir les mateixes entrades.
- Funció de fil - El threading és una tècnica utilitzada en programació funcional per executar múltiples tasques simultàniament per fer el codi més eficient i ràpid.
Mòduls Python
Els mòduls de Python són els fitxers de programa que contenen codi o funcions de Python. Python té dos tipus de mòduls: mòduls definits per l'usuari i mòduls integrats. Un mòdul que defineix l'usuari, o el nostre codi Python desat amb l'extensió .py, es tracta com un mòdul definit per l'usuari.
Els mòduls integrats són mòduls predefinits de Python. Per utilitzar la funcionalitat dels mòduls, hem d'importar-los al nostre programa de treball actual.
Els mòduls de Python són essencials per a l'ecosistema del llenguatge, ja que ofereixen codi i funcionalitat reutilitzables que es poden importar a qualsevol programa Python. Aquí hi ha alguns exemples de diversos mòduls de Python, juntament amb una breu descripció de cadascun:
Matemàtiques : Ofereix als usuaris accés a constants matemàtiques i funcions pi i trigonomètriques.
Data i hora : ofereix classes per a una manera més senzilla de manipular dates, hores i períodes.
VOSTÈ : Permet la interacció amb el sistema operatiu base, inclosa l'administració de processos i activitats del sistema de fitxers.
aleatòria : La funció aleatòria ofereix eines per generar nombres enters aleatoris i escollir elements aleatoris d'una llista.
JSON : JSON és una estructura de dades que es pot codificar i descodificar i que s'utilitza amb freqüència a les API en línia i a l'intercanvi de dades. Aquest mòdul permet tractar amb JSON.
Re : Admet expressions regulars, una potent eina de cerca i manipulació de text.
Col·leccions : proporciona estructures de dades alternatives, com ara diccionaris ordenats, diccionaris predeterminats i tuples amb nom.
NumPy : NumPy és un conjunt d'eines bàsics per a la informàtica científica que admet operacions numèriques en matrius i matrius.
Pandes : Proporciona estructures i operacions de dades d'alt nivell per tractar sèries temporals i altres tipus de dades estructurades.
Sol·licituds : ofereix una interfície d'usuari senzilla per a les API web i realitza sol·licituds HTTP.
E/S de fitxers Python
Els fitxers s'utilitzen per emmagatzemar dades en un disc d'ordinador. En aquest tutorial, expliquem l'objecte de fitxer integrat de Python. Podem obrir un fitxer mitjançant l'script de Python i realitzar diverses operacions com escriure, llegir i afegir. Hi ha diverses maneres d'obrir un fitxer. Ens expliquen amb l'exemple corresponent. També aprendrem a realitzar operacions de lectura/escriptura en fitxers binaris.
Sistema d'entrada/sortida de fitxers (I/O) de Python ofereix programes per comunicar-se amb fitxers emmagatzemats en un disc. Els mètodes integrats de Python per a l'objecte fitxer ens permeten dur a terme accions com llegir, escriure i afegir dades als fitxers.
El obert() El mètode de Python crea un objecte de fitxer quan es treballa amb fitxers. El nom del fitxer que s'ha d'obrir i la manera en què s'ha d'obrir el fitxer són els dos paràmetres que requereix aquesta funció. El mode es pot utilitzar segons el treball que cal fer amb el fitxer, com ara ' r 'per llegir' En 'per escriure, o' a 'per adjuntar.
Després de crear un objecte amb èxit, es poden utilitzar diferents mètodes segons el nostre treball. Si volem escriure al fitxer, podem utilitzar les funcions write(), i si voleu llegir i escriure totes dues, podem utilitzar la funció append() i, en els casos en què només volem llegir el contingut de el fitxer podem utilitzar la funció read(). Els fitxers binaris que contenen dades en un format binari en lloc de text també es poden treballar amb Python. Els fitxers binaris s'escriuen d'una manera que els humans no poden entendre directament. El rb i wb modes poden llegir i escriure dades binàries en fitxers binaris.
Excepcions de Python
Una excepció es pot definir com una condició inusual en un programa que provoca una interrupció en el flux del programa.
Sempre que es produeix una excepció, el programa atura l'execució i, per tant, l'altre codi no s'executa. Per tant, una excepció són els errors en temps d'execució que no es poden gestionar a l'script Python. Una excepció és un objecte Python que representa un error.
Excepcions de Python són un aspecte important de la gestió d'errors en la programació Python. Quan un programa troba una situació o error inesperat, pot generar una excepció, que pot interrompre el flux normal del programa.
A Python, les excepcions es representen com a objectes que contenen informació sobre l'error, inclòs el seu tipus i missatge. El tipus d'excepció més comú a Python és la classe Exception, una classe base per a totes les altres excepcions integrades.
Per gestionar excepcions a Python, fem servir el provar i excepte declaracions. El provar s'utilitza per incloure el codi que pot generar una excepció, mentre que el excepte s'utilitza per definir un bloc de codi que s'ha d'executar quan es produeix una excepció.
Per exemple, considereu el codi següent:
try: x = int ( input ('Enter a number: ')) y = 10 / x print ('Result:', y) except ZeroDivisionError: print ('Error: Division by zero') except ValueError: print ('Error: Invalid input')
Sortida:
Enter a number: 0 Error: Division by zero
En aquest codi, utilitzem la instrucció try per intentar realitzar una operació de divisió. Si alguna d'aquestes operacions genera una excepció, s'executa el bloc excepte coincident.
Python també proporciona moltes excepcions integrades que es poden plantejar en situacions similars. Algunes excepcions integrades habituals inclouen IndexError, TypeError , i Error de nom . A més, podem definir les nostres excepcions personalitzades creant una nova classe que hereta de la classe Exception.
Python CSV
Un CSV significa 'valors separats per comes', que es defineix com un format de fitxer simple que utilitza una estructuració específica per organitzar les dades tabulars. Emmagatzema dades tabulars com ara fulls de càlcul o bases de dades en text sense format i té un format comú per a l'intercanvi de dades. S'obre un fitxer CSV al full d'Excel i les dades de files i columnes defineixen el format estàndard.
algorisme minimax
Podem utilitzar la funció CSV.reader per llegir un fitxer CSV. Aquesta funció retorna un objecte lector que podem utilitzar per repetir sobre les files del fitxer CSV. Cada fila es retorna com una llista de valors, on cada valor correspon a una columna del fitxer CSV.
Per exemple, considereu el codi següent:
import csv with open('data.csv', 'r') as file: reader = csv.reader(file) for row in reader: print(row)
Aquí, obrim el fitxer data.csv en mode de lectura i creem un csv.reader objecte utilitzant el csv.reader() funció. A continuació, iterem per les files del fitxer CSV mitjançant un bucle for i imprimim cada fila a la consola.
Podem utilitzar el CSV.writer() funció per escriure dades en un fitxer CSV. Retorna un objecte d'escriptor que podem utilitzar per escriure files al fitxer CSV. Podem escriure files cridant al escriptor () mètode sobre l'objecte writer.
Per exemple, considereu el codi següent:
import csv data = [ ['Name', 'Age', 'Country'], ['Alice', '25', 'USA'], ['Bob', '30', 'Canada'], ['Charlie', '35', 'Australia'] ] with open('data.csv', 'w') as file: writer = csv.writer(file) for row in data: writer.writerow(row)
En aquest programa, creem una llista de llistes anomenada dades, on cada llista interna representa una fila de dades. Aleshores obrim el fitxer data.csv en mode d'escriptura i creem un CSV.escriptor objecte utilitzant la funció CSV.writer. A continuació, iterem per les files de les dades mitjançant un bucle for i escrivim cada fila al fitxer CSV mitjançant el mètode writer.
Python enviant correu
Podem enviar o llegir un correu mitjançant l'script de Python. Els mòduls de biblioteca estàndard de Python són útils per manejar diversos protocols com ara PoP3 i IMAP . Python proporciona el smtplib mòdul per enviar correus electrònics mitjançant SMTP (Simple Mail Transfer Protocol). Aprendrem com enviar correu amb el popular servei de correu electrònic SMTP des d'un script Python.
Mètodes màgics de Python
El mètode màgic de Python és el mètode especial que afegeix 'màgia' a una classe. Comença i acaba amb guions baixos dobles, per exemple, _calent_ o _str_ .
Les classes integrades defineixen molts mètodes màgics. El vostè() La funció es pot utilitzar per veure el nombre de mètodes màgics heretats per una classe. Té dos prefixos i un sufix de guió baix al nom del mètode.
- Els mètodes de màgia de Python també es coneixen com mètodes dunder , abreviatura dels mètodes de 'guió baix doble' perquè els seus noms comencen i acaben amb un guió baix doble.
- Mètodes màgics són invocats automàticament per l'intèrpret de Python en determinades situacions, com ara quan es crea un objecte, es compara amb un altre objecte o s'imprimeix.
- Els mètodes màgics es poden utilitzar per personalitzar el comportament de les classes, com ara definir com es comparen els objectes, es converteixen en cadenes o s'accedeix com a contenidors.
- Alguns mètodes màgics utilitzats habitualment inclouen calor per inicialitzar un objecte, str per convertir un objecte en una cadena, eq per comparar dos objectes per igualtat, i cronometrada i settem per accedir als elements d'un objecte contenidor.
Per exemple, el str El mètode màgic pot definir com s'ha de representar un objecte com una cadena. Aquí teniu un exemple
class Person: def __init__(self, name, age): self.name = name self.age = age def __str__(self): return f'{self.name} ({self.age})' person = Person('Vikas', 22) print(person) Sortida:
Vikas (22)
En aquest exemple, el mètode str es defineix per retornar una representació de cadena formatada de l'objecte Person amb el nom i l'edat de la persona.
Un altre mètode màgic utilitzat habitualment és eq , que defineix com s'han de comparar els objectes per a la igualtat. Aquí teniu un exemple:
class Point: def __init__(self, x, y): self.x = x self.y = y def __eq__(self, other): return self.x == other.x and self.y == other.y point1 = Point(2, 3) point2 = Point(3, 4) point3 = Point(2, 3) print(point1 == point2) print(point1 == point3)
Sortida:
False True
En aquest exemple, el eq El mètode es defineix per retornar True si dos objectes Point tenen les mateixes coordenades x i y i False en cas contrari.
Conceptes de Python Oops
Tot en Python es tracta com un objecte, inclosos els valors enters, els flotants, les funcions, les classes i cap. A part d'això, Python admet tots els conceptes orientats. A continuació es mostra una breu introducció als conceptes d'Ups de Python.
- Classes i Objectes - Les classes de Python són els plànols de l'Objecte. Un objecte és una col·lecció de dades i mètodes que actuen sobre les dades.
- Herència - Una herència és una tècnica on una classe hereta les propietats d'altres classes.
- Constructor - Python proporciona un mètode especial __init__() que es coneix com a constructor. Aquest mètode es crida automàticament quan s'instancia un objecte.
- Polimorfisme - El polimorfisme és un concepte on un objecte pot adoptar moltes formes. A Python, el polimorfisme es pot aconseguir mitjançant la sobrecàrrega de mètodes i la substitució de mètodes.
- Anulació del mètode - La substitució de mètodes és un concepte on una subclasse implementa un mètode ja definit a la seva superclasse.
- Encapsulació - L'encapsulació és embolicar dades i mètodes en una sola unitat. A Python, l'encapsulació s'aconsegueix mitjançant modificadors d'accés, com ara públic, privat i protegit. Tanmateix, Python no aplica estrictament els modificadors d'accés i la convenció de nomenclatura indica el nivell d'accés.
- Abstracció de dades : Una tècnica per ocultar la complexitat de les dades i mostrar només les característiques essencials a l'usuari. Proporciona una interfície per interactuar amb les dades. L'abstracció de dades redueix la complexitat i fa que el codi sigui més modular, permetent als desenvolupadors centrar-se en les característiques essencials del programa.
Per llegir el concepte Oops en detall, visiteu els recursos següents.
- Conceptes de Python Oops - A Python, el paradigma orientat a objectes és dissenyar el programa utilitzant classes i objectes. L'objecte està relacionat amb entitats de paraules reals com ara llibre, casa, llapis, etc. i la classe defineix les seves propietats i comportaments.
- Objectes i classes Python - A Python, els objectes són instàncies de classes i les classes són plànols que defineixen l'estructura i el comportament de les dades.
- Constructor Python - Un constructor és un mètode especial en una classe que s'utilitza per inicialitzar els atributs de l'objecte quan es crea l'objecte.
- Herència Python - L'herència és un mecanisme en el qual una nova classe (subclasse o classe fill) hereta les propietats i comportaments d'una classe existent (superclasse o classe pare).
- Polimorfisme de Python - El polimorfisme permet tractar objectes de diferents classes com a objectes d'una superclasse comuna, permetent que diferents classes s'utilitzin de manera intercanviable mitjançant una interfície comuna.
Temes avançats de Python
Python inclou molts avenços i conceptes útils que ajuden el programador a resoldre tasques complexes. Aquests conceptes es donen a continuació.
Iterador de Python
Un iterador és simplement un objecte sobre el qual es pot iterar. Retorna un objecte alhora. Es pot implementar mitjançant els dos mètodes especials, __iter__() i __següent__().
Els iteradors en Python són objectes que permeten la iteració sobre una col·lecció de dades. Processen cada element de col·lecció individualment sense carregar tota la col·lecció a la memòria.
Per exemple, creem un iterador que retorni els quadrats dels nombres fins a un límit determinat:
def __init__(self, limit): self.limit = limit self.n = 0 def __iter__(self): return self def __next__(self): if self.n <= 2 self.limit: square="self.n" ** self.n +="1" return else: raise stopiteration numbers="Squares(5)" for n in numbers: print(n) < pre> <p> <strong>Output:</strong> </p> <pre> 0 1 4 9 16 25 </pre> <p>In this example, we have created a class Squares that acts as an iterator by implementing the __iter__() and __next__() methods. The __iter__() method returns the Object itself, and the __next__() method returns the next square of the number until the limit is reached.</p> <p>To learn more about the iterators, visit our Python Iterators tutorial.</p> <h3> Python Generators </h3> <p> <strong>Python generators</strong> produce a sequence of values <strong>using a yield statement</strong> rather than a return since they are functions that return iterators. Generators terminate the function's execution while keeping the local state. It picks up right where it left off when it is restarted. Because we don't have to implement the iterator protocol thanks to this feature, writing iterators is made simpler. Here is an illustration of a straightforward generator function that produces squares of numbers:</p> <pre> # Generator Function def square_numbers(n): for i in range(n): yield i**2 # Create a generator object generator = square_numbers(5) # Print the values generated by the generator for num in generator: print(num) </pre> <p> <strong>Output:</strong> </p> <pre> 0 1 4 9 16 </pre> <h2>Python Modifiers</h2> <p> <strong>Python Decorators</strong> are functions used to modify the behaviour of another function. They allow adding functionality to an existing function without modifying its code directly. Decorators are defined using the <strong>@</strong> symbol followed by the name of the decorator function. They can be used for logging, timing, caching, etc.</p> <p>Here's an example of a decorator function that adds timing functionality to another function:</p> <pre> import time from math import factorial # Decorator to calculate time taken by # the function def time_it(func): def wrapper(*args, **kwargs): start = time.time() result = func(*args, **kwargs) end = time.time() print(f'{func.__name__} took {end-start:.5f} seconds to run.') return result return wrapper @time_it def my_function(n): time.sleep(2) print(f'Factorial of {n} = {factorial(n)}') my_function(25) </pre> <p> <strong>Output:</strong> </p> <pre> </pre> <p>In the above example, the time_it decorator function takes another function as an argument and returns a wrapper function. The wrapper function calculates the time to execute the original function and prints it to the console. The @time_it decorator is used to apply the time_it function to the my_function function. When my_function is called, the decorator is executed, and the timing functionality is added.</p> <h2>Python MySQL</h2> <p>Python MySQL is a powerful relational database management system. We must set up the environment and establish a connection to use MySQL with Python. We can create a new database and tables using SQL commands in Python.</p> <ul> <li> <strong>Environment Setup</strong> : Installing and configuring MySQL Connector/Python to use Python with MySQL.</li> <li> <strong>Database Connection</strong> : Establishing a connection between Python and MySQL database using MySQL Connector/Python.</li> <li> <strong>Creating New Database</strong> : Creating a new database in MySQL using Python.</li> <li> <strong>Creating Tables</strong> : Creating tables in the MySQL database with Python using SQL commands.</li> <li> <strong>Insert Operation</strong> : Insert data into MySQL tables using Python and SQL commands.</li> <li> <strong>Read Operation</strong> : Reading data from MySQL tables using Python and SQL commands.</li> <li> <strong>Update Operation</strong> : Updating data in MySQL tables using Python and SQL commands.</li> <li> <strong>Join Operation</strong> : Joining two or more tables in MySQL using Python and SQL commands.</li> <li> <strong>Performing Transactions</strong> : Performing a group of SQL queries as a single unit of work in MySQL using Python.</li> </ul> <p>Other relative points include handling errors, creating indexes, and using stored procedures and functions in MySQL with Python.</p> <h2>Python MongoDB</h2> <p> Python MongoDB is a popular NoSQL database that stores data in JSON-like documents. It is schemaless and provides high scalability and flexibility for data storage. We can use MongoDB with Python using the PyMongo library, which provides a simple and intuitive interface for interacting with MongoDB.</p> <p>Here are some common tasks when working with MongoDB in Python:</p> <ol class="points"> <li> <strong>Environment Setup</strong> : Install and configure MongoDB and PyMongo library on your system.</li> <li> <strong>Database Connection</strong> : Connect to a MongoDB server using the MongoClient class from PyMongo.</li> <li> <strong>Creating a new database</strong> : Use the MongoClient Object to create a new database.</li> <li> <strong>Creating collections</strong> : Create collections within a database to store documents.</li> <li> <strong>Inserting documents</strong> : Insert new documents into a collection using the insert_one() or insert_many() methods.</li> <li> <strong>Querying documents</strong> : Retrieve documents from a collection using various query methods like find_one(), find(), etc.</li> <li> <strong>Updating documents</strong> : Modify existing documents in a collection using update_one() or update_many() methods.</li> <li> <strong>Deleting documents</strong> : Remove documents from a collection using the delete_one() or delete_many() methods.</li> <li> <strong>Aggregation</strong> : Perform aggregation operations like grouping, counting, etc., using the aggregation pipeline framework.</li> <tr><td>Indexing:</td> Improve query performance by creating indexes on fields in collections. </tr></ol> <p>There are many more advanced topics in MongoDB, such as data sharding, replication, and more, but these tasks cover the basics of working with MongoDB in Python.</p> <h2> Python SQLite </h2> <p>Relational databases are built and maintained using Python SQLite, a compact, serverless, self-contained database engine. Its mobility and simplicity make it a popular option for local or small-scale applications. Python has a built-in module for connecting to SQLite databases called SQLite3, enabling developers to work with SQLite databases without difficulties.</p> <p>Various API methods are available through the SQLite3 library that may be used to run SQL queries, insert , select , update , and remove data, as well as get data from tables. Additionally, it allows transactions, allowing programmers to undo changes in case of a problem. Python SQLite is a fantastic option for creating programs that need an embedded database system, including desktop, mobile, and modest-sized web programs. SQLite has become popular among developers for lightweight apps with database functionality thanks to its ease of use, portability, and smooth connection with Python.</p> <h2> Python CGI </h2> <p> <strong>Python CGI</strong> is a technology for running scripts through web servers to produce dynamic online content. It offers a communication channel and a dynamic content generation interface for external CGI scripts and the web server. Python CGI scripts may create HTML web pages, handle form input, and communicate with databases. Python CGI enables the server to carry out Python scripts and provide the results to the client, offering a quick and effective approach to creating dynamic online applications.</p> <p>Python CGI scripts may be used for many things, including creating dynamic web pages, processing forms, and interacting with databases. Since Python, a potent and popular programming language, can be utilized to create scripts, it enables a more customized and flexible approach to web creation. Scalable, safe, and maintainable online applications may be created with Python CGI. Python CGI is a handy tool for web developers building dynamic and interactive online applications.</p> <h2> Asynchronous Programming in Python </h2> <p> <strong>Asynchronous programming</strong> is a paradigm for computer programming that enables independent and concurrent operation of activities. It is frequently used in applications like web servers, database software, and network programming, where several tasks or requests must be handled concurrently.</p> <p>Python has asyncio, Twisted, and Tornado among its libraries and frameworks for asynchronous programming. Asyncio, one of these, offers a simple interface for asynchronous programming and is the official asynchronous programming library in Python.</p> <p>Coroutines are functions that may be halted and restarted at specific locations in the code and are utilized by asyncio. This enables numerous coroutines to operate simultaneously without interfering with one another. For constructing and maintaining coroutines, the library offers several classes and methods, including <strong>asyncio.gather(),</strong> <strong>asyncio.wait(),</strong> and <strong>asyncio.create_task().</strong> </p> <p>Event loops, which are in charge of planning and operating coroutines, are another feature of asyncio. By cycling between coroutines in a non-blocking way, the event loop controls the execution of coroutines and ensures that no coroutine blocks another. Additionally, it supports timers and scheduling callbacks, which may be helpful when activities must be completed at specified times or intervals.</p> <h2> Python Concurrency </h2> <p>The term ' <strong>concurrency</strong> ' describes a program's capacity to carry out several tasks at once, enhancing the program's efficiency. Python offers several modules and concurrency-related methods, including asynchronous programming, multiprocessing, and multithreading. While multiprocessing involves running many processes simultaneously on a system, multithreading involves running numerous threads concurrently inside a single process.</p> <p>The <strong>threading module</strong> in Python enables programmers to build multithreading. It offers classes and operations for establishing and controlling threads. Conversely, the multiprocessing module allows developers to design and control processes. Python's asyncio module provides asynchronous programming support, allowing developers to write non-blocking code that can handle multiple tasks concurrently. Using these techniques, developers can write highperformance, scalable programs that can handle multiple tasks concurrently.</p> <p>Python's threading module enables the concurrent execution of several threads within a single process, which is helpful for I/O-bound activities.</p> <p>For CPU-intensive operations like image processing or data analysis, multiprocessing modules make it possible to execute numerous processes concurrently across multiple CPU cores.</p> <p>The asyncio module supports asynchronous I/O and permits the creation of single-threaded concurrent code using coroutines for high-concurrency network applications.</p> <p>With libraries like Dask , <a href="/pyspark-tutorial">PySpark</a> , and MPI, Python may also be used for parallel computing. These libraries allow workloads to be distributed across numerous nodes or clusters for better performance.</p> <h2> Web Scrapping using Python </h2> <p>The process of web scraping is used to retrieve data from websites automatically. Various tools and libraries extract data from HTML and other online formats. Python is among the most widely used programming languages for web scraping because of its ease of use, adaptability, and variety of libraries.</p> <p>We must take a few steps to accomplish web scraping using Python. We must first decide which website to scrape and what information to gather. Then, we can submit a request to the website and receive the HTML content using Python's requests package. Once we have the HTML text, we can extract the needed data using a variety of parsing packages, like <strong>Beautiful Soup and lxml</strong> .</p> <p>We can employ several strategies, like slowing requests, employing user agents, and using proxies, to prevent overburdening the website's server. It is also crucial to abide by the terms of service for the website and respect its robots.txt file.</p> <p>Data mining, lead creation, pricing tracking, and many more uses are possible for web scraping. However, as unauthorized web scraping may be against the law and unethical, it is essential to utilize it professionally and ethically.</p> <h2>Natural Language Processing (NLP) using Python</h2> <p>A branch of artificial intelligence (AI) called 'natural language processing' (NLP) studies how computers and human language interact. Thanks to NLP, computers can now understand, interpret, and produce human language. Due to its simplicity, versatility, and strong libraries like NLTK (Natural Language Toolkit) and spaCy, Python is a well-known programming language for NLP.</p> <p> <strong>For NLP tasks, including tokenization, stemming, lemmatization, part-of-speech tagging, named entity identification, sentiment analysis, and others, NLTK provides a complete library.</strong> It has a variety of corpora (big, organized text collections) for developing and evaluating NLP models. Another well-liked library for NLP tasks is spaCy , which offers quick and effective processing of enormous amounts of text. It enables simple modification and expansion and comes with pre-trained models for various NLP workloads.</p> <p>NLP may be used in Python for various practical purposes, including chatbots, sentiment analysis, text categorization, machine translation, and more. NLP is used, for instance, by chatbots to comprehend and reply to user inquiries in a natural language style. Sentiment analysis, which may be helpful for brand monitoring, customer feedback analysis, and other purposes, employs NLP to categorize text sentiment (positive, negative, or neutral). Text documents are categorized using natural language processing (NLP) into pre-established categories for spam detection, news categorization, and other purposes.</p> <p>Python is a strong and useful tool when analyzing and processing human language. Developers may carry out various NLP activities and create useful apps that can communicate with consumers in natural language with libraries like NLTK and spaCy.</p> <h2>Conclusion:</h2> <p>In this tutorial, we've looked at some of Python's most important features and ideas, including variables, data types, loops, functions, modules, and more. More complex subjects, including web scraping, natural language processing, parallelism, and database connection, have also been discussed. You will have a strong basis to continue learning about Python and its applications using the information you have learned from this lesson.</p> <p>Remember that practicing and developing code is the best method to learn Python. You may find many resources at javaTpoint to support your further learning, including documentation, tutorials, online groups, and more. You can master Python and use it to create wonderful things if you work hard and persist.</p> <h2>Prerequisite</h2> <p>Before learning Python, you must have the basic knowledge of programming concepts.</p> <h2>Audience</h2> <p>Our Python tutorial is designed to help beginners and professionals.</p> <h2>Problem</h2> <p>We assure that you will not find any problem in this Python tutorial. But if there is any mistake, please post the problem in contact form.</p> <hr></=> En aquest exemple, hem creat una classe Squares que actua com a iterador mitjançant la implementació dels mètodes __iter__() i __next__(). El mètode __iter__() retorna l'Objecte en si, i el mètode __next__() retorna el següent quadrat del nombre fins que s'arriba al límit.
Per obtenir més informació sobre els iteradors, visiteu el nostre tutorial sobre els iteradors de Python.
Generadors Python
Generadors Python produir una seqüència de valors utilitzant una declaració de rendiment en lloc d'un retorn ja que són funcions que retornen iteradors. Els generadors finalitzen l'execució de la funció mantenint l'estat local. Reprèn just on es va deixar quan es reinicia. Com que no hem d'implementar el protocol d'iterador gràcies a aquesta característica, escriure iteradors es fa més senzill. Aquí hi ha una il·lustració d'una funció generadora senzilla que produeix quadrats de nombres:
# Generator Function def square_numbers(n): for i in range(n): yield i**2 # Create a generator object generator = square_numbers(5) # Print the values generated by the generator for num in generator: print(num)
Sortida:
0 1 4 9 16
Modificadors de Python
Decoradors Python són funcions que s'utilitzen per modificar el comportament d'una altra funció. Permeten afegir funcionalitats a una funció existent sense modificar-ne el codi directament. Els decoradors es defineixen mitjançant el @ símbol seguit del nom de la funció de decorador. Es poden utilitzar per al registre, el temps, la memòria cau, etc.
Aquí teniu un exemple d'una funció de decorador que afegeix una funcionalitat de temporització a una altra funció:
import time from math import factorial # Decorator to calculate time taken by # the function def time_it(func): def wrapper(*args, **kwargs): start = time.time() result = func(*args, **kwargs) end = time.time() print(f'{func.__name__} took {end-start:.5f} seconds to run.') return result return wrapper @time_it def my_function(n): time.sleep(2) print(f'Factorial of {n} = {factorial(n)}') my_function(25) Sortida:
A l'exemple anterior, la funció decoradora time_it pren una altra funció com a argument i retorna una funció d'embolcall. La funció wrapper calcula el temps per executar la funció original i l'imprimeix a la consola. El decorador @time_it s'utilitza per aplicar la funció time_it a la funció my_function. Quan es crida a my_function, s'executa el decorador i s'afegeix la funcionalitat de temporització.
Python MySQL
Python MySQL és un potent sistema de gestió de bases de dades relacionals. Hem de configurar l'entorn i establir una connexió per utilitzar MySQL amb Python. Podem crear una base de dades i taules noves mitjançant ordres SQL a Python.
- Configuració de l'entorn : instal·lar i configurar MySQL Connector/Python per utilitzar Python amb MySQL.
- Connexió a la base de dades : Establiment d'una connexió entre Python i la base de dades MySQL mitjançant MySQL Connector/Python.
- Creació de nova base de dades : Creació d'una nova base de dades a MySQL mitjançant Python.
- Creació de taules : Creació de taules a la base de dades MySQL amb Python mitjançant ordres SQL.
- Operació d'inserció : Inseriu dades a les taules MySQL mitjançant ordres Python i SQL.
- Llegir l'operació : Llegir dades de taules MySQL mitjançant ordres Python i SQL.
- Operació d'actualització : Actualització de dades en taules MySQL mitjançant ordres Python i SQL.
- Uneix-te a l'operació : unir dues o més taules a MySQL mitjançant ordres Python i SQL.
- Realització de Transaccions : Realització d'un grup de consultes SQL com a unitat única de treball a MySQL mitjançant Python.
Altres punts relatius inclouen la gestió d'errors, la creació d'índexs i l'ús de procediments i funcions emmagatzemades a MySQL amb Python.
Python MongoDB
Python MongoDB és una base de dades NoSQL popular que emmagatzema dades en documents semblants a JSON. No té esquema i ofereix una gran escalabilitat i flexibilitat per a l'emmagatzematge de dades. Podem utilitzar MongoDB amb Python mitjançant la biblioteca PyMongo, que proporciona una interfície senzilla i intuïtiva per interactuar amb MongoDB.
Aquestes són algunes de les tasques habituals quan es treballa amb MongoDB a Python:
- Configuració de l'entorn : Instal·leu i configureu la biblioteca MongoDB i PyMongo al vostre sistema.
- Connexió a la base de dades : Connecteu-vos a un servidor MongoDB mitjançant la classe MongoClient de PyMongo.
- Creació d'una nova base de dades : Utilitzeu l'objecte MongoClient per crear una nova base de dades.
- Creació de col·leccions : Crea col·leccions dins d'una base de dades per emmagatzemar documents.
- Inserció de documents : inseriu documents nous en una col·lecció mitjançant els mètodes insert_one() o insert_many().
- Consulta de documents : Recupereu documents d'una col·lecció mitjançant diversos mètodes de consulta com find_one(), find(), etc.
- Actualització de documents : modifiqueu els documents existents en una col·lecció mitjançant els mètodes update_one() o update_many().
- Eliminació de documents : Elimina documents d'una col·lecció mitjançant els mètodes delete_one() o delete_many().
- Agregació : realitzeu operacions d'agregació com l'agrupació, el recompte, etc., utilitzant el marc de pipeline d'agregació.
Hi ha molts temes més avançats a MongoDB, com ara la fragmentació de dades, la replicació i molt més, però aquestes tasques cobreixen els conceptes bàsics de treballar amb MongoDB a Python.
Python SQLite
Les bases de dades relacionals es creen i es mantenen mitjançant Python SQLite, un motor de bases de dades compacte, sense servidor i autònom. La seva mobilitat i senzillesa el converteixen en una opció popular per a aplicacions locals o a petita escala. Python té un mòdul integrat per connectar-se a bases de dades SQLite anomenat SQLite3, que permet als desenvolupadors treballar amb bases de dades SQLite sense dificultats.
Hi ha diversos mètodes d'API disponibles a través de la biblioteca SQLite3 que es poden utilitzar per executar consultes SQL, inserir, seleccionar, actualitzar i eliminar dades, així com obtenir dades de taules. A més, permet transaccions, permetent als programadors desfer els canvis en cas d'un problema. Python SQLite és una opció fantàstica per crear programes que necessiten un sistema de bases de dades incrustat, inclosos programes web d'escriptori, mòbils i de mida modesta. SQLite s'ha convertit en popular entre els desenvolupadors d'aplicacions lleugeres amb funcionalitat de base de dades gràcies a la seva facilitat d'ús, portabilitat i connexió fluida amb Python.
Python CGI
Python CGI és una tecnologia per executar scripts a través de servidors web per produir contingut dinàmic en línia. Ofereix un canal de comunicació i una interfície de generació de contingut dinàmica per a scripts CGI externs i el servidor web. Els scripts CGI de Python poden crear pàgines web HTML, gestionar l'entrada de formularis i comunicar-se amb bases de dades. Python CGI permet al servidor dur a terme scripts Python i proporcionar els resultats al client, oferint un enfocament ràpid i eficaç per crear aplicacions dinàmiques en línia.
Els scripts CGI de Python es poden utilitzar per a moltes coses, com ara crear pàgines web dinàmiques, processar formularis i interactuar amb bases de dades. Atès que Python, un llenguatge de programació potent i popular, es pot utilitzar per crear scripts, permet un enfocament més personalitzat i flexible per a la creació web. Amb Python CGI es poden crear aplicacions en línia escalables, segures i que es puguin mantenir. Python CGI és una eina útil per als desenvolupadors web que creen aplicacions en línia dinàmiques i interactives.
Programació asíncrona en Python
Programació asíncrona és un paradigma de programació informàtica que permet el funcionament independent i concurrent de les activitats. S'utilitza amb freqüència en aplicacions com servidors web, programari de bases de dades i programació de xarxes, on s'han de gestionar diverses tasques o peticions simultàniament.
Python té asyncio, Twisted i Tornado entre les seves biblioteques i marcs per a la programació asíncrona. Asyncio, un d'aquests, ofereix una interfície senzilla per a la programació asíncrona i és la biblioteca oficial de programació asíncrona a Python.
Les corrutines són funcions que es poden aturar i reiniciar en ubicacions específiques del codi i són utilitzades per asyncio. Això permet que nombroses corrutines funcionin simultàniament sense interferir les unes amb les altres. Per construir i mantenir corrutines, la biblioteca ofereix diverses classes i mètodes, inclosos asyncio.gather(), asyncio.wait(), i asyncio.create_task().
Els bucles d'esdeveniments, que s'encarreguen de planificar i operar les corrutines, són una altra característica d'asyncio. En circular entre corrutines d'una manera sense bloqueig, el bucle d'esdeveniments controla l'execució de corrutines i assegura que cap corrutina en bloqueja una altra. A més, admet temporitzadors i programació de trucades, que poden ser útils quan les activitats s'han de completar a hores o intervals especificats.
Concurrència Python
El terme ' concurrència ' descriu la capacitat d'un programa per dur a terme diverses tasques alhora, millorant l'eficiència del programa. Python ofereix diversos mòduls i mètodes relacionats amb la concurrència, com ara programació asíncrona, multiprocessament i multithreading. Mentre que el multiprocessament implica executar molts processos simultàniament en un sistema, el multiprocessament implica executar nombrosos fils simultàniament dins d'un sol procés.
El mòdul de rosca en Python permet als programadors crear multithreading. Ofereix classes i operacions per establir i controlar fils. Per contra, el mòdul multiprocessament permet als desenvolupadors dissenyar i controlar processos. El mòdul asincrònic de Python proporciona suport de programació asíncrona, permetent als desenvolupadors escriure codi que no bloquegi que pugui gestionar diverses tasques simultàniament. Mitjançant aquestes tècniques, els desenvolupadors poden escriure programes escalables i d'alt rendiment que poden gestionar múltiples tasques simultàniament.
El mòdul de fils de Python permet l'execució simultània de diversos fils dins d'un sol procés, la qual cosa és útil per a activitats vinculades a E/S.
Per a operacions intensives en CPU com el processament d'imatges o l'anàlisi de dades, els mòduls de multiprocessament permeten executar nombrosos processos simultàniament en diversos nuclis de CPU.
El mòdul asyncio admet E/S asíncrona i permet la creació de codi concurrent d'un sol fil mitjançant corrutines per a aplicacions de xarxa d'alta concurrència.
Amb biblioteques com Dask, PySpark , i MPI, Python també es pot utilitzar per a la computació paral·lela. Aquestes biblioteques permeten que les càrregues de treball es distribueixin entre nombrosos nodes o clústers per obtenir un millor rendiment.
Scrapping web amb Python
El procés de raspat web s'utilitza per recuperar dades dels llocs web automàticament. Diverses eines i biblioteques extreuen dades d'HTML i altres formats en línia. Python es troba entre els llenguatges de programació més utilitzats per al raspat web per la seva facilitat d'ús, adaptabilitat i varietat de biblioteques.
Hem de fer uns quants passos per aconseguir el raspat web amb Python. Primer hem de decidir quin lloc web esborrar i quina informació recopilar. Aleshores, podem enviar una sol·licitud al lloc web i rebre el contingut HTML mitjançant el paquet de sol·licituds de Python. Un cop tinguem el text HTML, podem extreure les dades necessàries mitjançant una varietat de paquets d'anàlisi, com ara Sopa preciosa i lxml .
Podem utilitzar diverses estratègies, com ara alentir les sol·licituds, emprar agents d'usuari i utilitzar proxies, per evitar sobrecarregar el servidor del lloc web. També és fonamental complir les condicions del servei del lloc web i respectar el seu fitxer robots.txt.
La mineria de dades, la creació de contactes, el seguiment de preus i molts més usos són possibles per al raspat web. Tanmateix, com que el raspat web no autoritzat pot ser contrari a la llei i poc ètic, és essencial utilitzar-lo de manera professional i ètica.
Processament del llenguatge natural (PNL) amb Python
Una branca de la intel·ligència artificial (IA) anomenada 'processament del llenguatge natural' (PNL) estudia com interactuen els ordinadors i el llenguatge humà. Gràcies a la PNL, els ordinadors ara poden entendre, interpretar i produir llenguatge humà. A causa de la seva senzillesa, versatilitat i biblioteques fortes com NLTK (Natural Language Toolkit) i spaCy, Python és un llenguatge de programació conegut per a NLP.
Per a tasques de PNL, com ara la tokenització, la derivació, la lematització, l'etiquetatge de part de la veu, la identificació d'entitats amb nom, l'anàlisi de sentiments i altres, NLTK ofereix una biblioteca completa. Té una varietat de corpus (col·leccions de textos grans i organitzades) per desenvolupar i avaluar models de PNL. Una altra biblioteca molt popular per a tasques de PNL és spaCy , que ofereix un processament ràpid i eficaç d'enormes quantitats de text. Permet una modificació i una ampliació senzilles i inclou models prèviament entrenats per a diverses càrregues de treball de PNL.
La NLP es pot utilitzar a Python per a diversos propòsits pràctics, com ara chatbots, anàlisi de sentiments, categorització de text, traducció automàtica i molt més. Els robots de xat utilitzen, per exemple, la PNL per comprendre i respondre les consultes dels usuaris amb un estil de llenguatge natural. L'anàlisi de sentiments, que pot ser útil per al seguiment de la marca, l'anàlisi de comentaris dels clients i altres propòsits, utilitza NLP per categoritzar el sentiment del text (positiu, negatiu o neutral). Els documents de text es classifiquen mitjançant el processament del llenguatge natural (NLP) en categories preestablertes per a la detecció de correu brossa, la categorització de notícies i altres finalitats.
Python és una eina forta i útil a l'hora d'analitzar i processar el llenguatge humà. Els desenvolupadors poden dur a terme diverses activitats de PNL i crear aplicacions útils que poden comunicar-se amb els consumidors en llenguatge natural amb biblioteques com NLTK i spaCy.
Conclusió:
En aquest tutorial, hem analitzat algunes de les característiques i idees més importants de Python, com ara variables, tipus de dades, bucles, funcions, mòduls i molt més. També s'han tractat temes més complexos, com ara web scraping, processament del llenguatge natural, paral·lelisme i connexió de bases de dades. Tindreu una base sòlida per continuar aprenent sobre Python i les seves aplicacions utilitzant la informació que heu après d'aquesta lliçó.
Khan arià
Recordeu que practicar i desenvolupar codi és el millor mètode per aprendre Python. Podeu trobar molts recursos a javaTpoint per donar suport al vostre aprenentatge posterior, com ara documentació, tutorials, grups en línia i molt més. Podeu dominar Python i utilitzar-lo per crear coses meravelloses si treballeu dur i persistiu.
Requisit previ
Abans d'aprendre Python, cal tenir els coneixements bàsics dels conceptes de programació.
Públic
El nostre tutorial de Python està dissenyat per ajudar a principiants i professionals.
Problema
Assegurem que no trobareu cap problema en aquest tutorial de Python. Però si hi ha algun error, si us plau, publiqueu el problema al formulari de contacte.