Einführung in Comprehensions

Comprehensions sind eine prägnante und elegante Möglichkeit, Listen, Mengen und Dictionaries in Python zu erstellen. Damit können Sie Operationen und Transformationen in einer einzigen Codezeile ausführen.

In dieser Lektion lernen Sie, wie Sie Listen-, Mengen- und Dictionary-Comprehensions effektiv verwenden.

Was sind Comprehensions?

Comprehensions bieten eine prägnante Möglichkeit, neue Sammlungen aus vorhandenen iterierbaren Objekten zu erstellen. Im Vergleich zu Schleifen ermöglichen sie einen besser lesbaren und Python-typischen Ansatz.

# Basic list comprehension
squares = [x * x for x in range(5)]
print(squares)  # Outputs: [0, 1, 4, 9, 16]

Listen-Comprehensions

Mit Listen-Comprehensions können Sie Listen in einer einzigen Zeile erstellen:

# List comprehension example
numbers = [1, 2, 3, 4, 5]
doubled = [n * 2 for n in numbers]
print(doubled)  # Outputs: [2, 4, 6, 8, 10]

Mengen-Comprehensions

Mengen-Comprehensions ähneln Listen-Comprehensions, erzeugen jedoch Mengen:

# Set comprehension example
numbers = [1, 2, 2, 3, 4, 4, 5]
unique_squares = {n * n for n in numbers}
print(unique_squares)  # Outputs: {1, 4, 9, 16, 25}

Dictionary-Comprehensions

Mit Dictionary-Comprehensions können Sie Dictionaries in einer einzigen Zeile erstellen:

# Dictionary comprehension example
keys = ['a', 'b', 'c']
values = [1, 2, 3]
my_dict = {k: v for k, v in zip(keys, values)}
print(my_dict)  # Outputs: {'a': 1, 'b': 2, 'c': 3}

Bedingungen zu Comprehensions hinzufügen

Sie können Bedingungen zu Comprehensions hinzufügen, um Werte zu filtern:

# Adding conditions to comprehensions
numbers = range(10)
even_numbers = [n for n in numbers if n % 2 == 0]
print(even_numbers)  # Outputs: [0, 2, 4, 6, 8]

Comprehensions verschachteln

Sie können Comprehensions verschachteln, um mit mehrdimensionalen Daten zu arbeiten:

# Nested comprehension example
matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
flattened = [item for row in matrix for item in row]
print(flattened)  # Outputs: [1, 2, 3, 4, 5, 6, 7, 8, 9]

Leistung von Comprehensions

Comprehensions sind schneller als herkömmliche Schleifen, weil sie auf C-Ebene optimiert sind.

Häufige Fehler bei Comprehensions

Hier sind einige Fehler, die Sie vermeiden sollten:

• Comprehensions für übermäßig komplexe Logik zu verwenden.
• Verschachtelte Comprehensions zu erstellen, die die Lesbarkeit verringern.
• Generatorausdrücke für große Datensätze nicht in Betracht zu ziehen.

Was haben Sie gelernt?

In dieser Lektion haben Sie Folgendes gelernt:

• Was Comprehensions sind und wie sie in Python funktionieren.
• Wie Sie Listen-, Mengen- und Dictionary-Comprehensions verwenden.
• Wie Sie Bedingungen hinzufügen und Comprehensions verschachteln.
• Die Leistungsvorteile der Verwendung von Comprehensions.

Sehr gut! Fahren Sie mit dem nächsten Thema fort.