Introducción a las comprensiones

Las comprensiones son una forma concisa y elegante de crear listas, conjuntos y diccionarios en Python. Permiten realizar operaciones y transformaciones en una sola línea de código.

En esta lección, aprenderá a usar eficazmente las comprensiones de listas, conjuntos y diccionarios.

¿Qué son las comprensiones?

Las comprensiones son una forma concisa de crear nuevas colecciones a partir de iterables existentes. Proporcionan un enfoque más legible y propio de Python en comparación con los bucles.

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

Comprensiones de listas

Las comprensiones de listas permiten crear listas en una sola línea:

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

Comprensiones de conjuntos

Las comprensiones de conjuntos son similares a las comprensiones de listas, pero producen conjuntos:

# 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}

Comprensiones de diccionarios

Las comprensiones de diccionarios permiten crear diccionarios en una sola línea:

# 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}

Agregar condiciones a las comprensiones

Puede agregar condiciones a las comprensiones para filtrar valores:

# 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]

Comprensiones anidadas

Puede anidar comprensiones para trabajar con datos multidimensionales:

# 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]

Rendimiento de las comprensiones

Las comprensiones son más rápidas que los bucles tradicionales porque están optimizadas a nivel de C.

Errores comunes con las comprensiones

Estos son algunos errores que debe evitar:

• Usar comprensiones para una lógica demasiado compleja.
• Crear comprensiones anidadas que reduzcan la legibilidad.
• No considerar las expresiones generadoras para conjuntos de datos grandes.

¿Qué hemos aprendido?

En esta lección, ha aprendido:

• Qué son las comprensiones y cómo funcionan en Python.
• Cómo usar comprensiones de listas, conjuntos y diccionarios.
• Cómo agregar condiciones y anidar comprensiones.
• Las ventajas de rendimiento de usar comprensiones.

¡Buen trabajo! Pasemos al siguiente tema.