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 colecciones nuevas a partir de iterables existentes. Proporcionan un enfoque más legible e idiomático de Python que 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}

Añadir condiciones a las comprensiones

Puede añadir 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]

Anidamiento de comprensiones

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 en el nivel de C.

Errores habituales 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 añadir condiciones y anidar comprensiones.
• Las ventajas de rendimiento de usar comprensiones.

¡Buen trabajo! Pasemos al siguiente tema.