Introdução às compreensões

As compreensões são uma maneira concisa e elegante de criar listas, conjuntos e dicionários em Python. Elas permitem realizar operações e transformações em uma única linha de código.

Nesta lição, você aprenderá a usar compreensões de listas, conjuntos e dicionários de forma eficaz.

O que são compreensões?

As compreensões são uma forma concisa de criar novas coleções a partir de iteráveis existentes. Elas oferecem uma abordagem mais legível e própria do Python em comparação com os laços.

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

Compreensões de listas

As compreensões de listas permitem criar listas em uma única linha:

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

Compreensões de conjuntos

As compreensões de conjuntos são semelhantes às compreensões de listas, mas produzem 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}

Compreensões de dicionários

As compreensões de dicionários permitem criar dicionários em uma única linha:

# 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}

Adicionando condições às compreensões

Você pode adicionar condições às compreensões 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]

Compreensões aninhadas

Você pode aninhar compreensões para trabalhar com dados multidimensionais:

# 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]

Desempenho das compreensões

As compreensões são mais rápidas que os laços tradicionais porque são otimizadas no nível C.

Erros comuns com compreensões

Aqui estão alguns erros que você deve evitar:

• Usar compreensões para uma lógica excessivamente complexa.
• Criar compreensões aninhadas que reduzem a legibilidade.
• Não considerar expressões geradoras para grandes conjuntos de dados.

O que aprendemos?

Nesta lição, você aprendeu:

• O que são compreensões e como funcionam em Python.
• Como usar compreensões de listas, conjuntos e dicionários.
• Como adicionar condições e aninhar compreensões.
• Os benefícios de desempenho do uso de compreensões.

Ótimo trabalho! Vamos passar para o próximo tópico.