Pytonorm är ett flitigt använt programmeringsspråk som erbjuder flera unika funktioner och fördelar jämfört med språk som t.ex Java och C++. Vår Python-handledning förklarar grunderna och avancerade koncept för Python grundligt, med början med installation, villkorliga uttalanden , loopar , inbyggda datastrukturer , objektorienterad programmering , generatorer , undantagshantering , Python RegEx och många andra koncept. Denna handledning är designad för nybörjare och professionella.
I slutet av 1980-talet Guido van Rossum drömde om att utveckla Python. Den första versionen av Python 0.9.0 släpptes 1991 . Sedan det släpptes började Python bli populärt. Enligt rapporter är Python nu det mest populära programmeringsspråket bland utvecklare på grund av dess höga krav inom teknikområdet.
Vad är Python
Python är ett generellt, dynamiskt skrivet, högnivå, kompilerat och tolkat, skräpinsamlat och rent objektorienterat programmeringsspråk som stöder procedurmässig, objektorienterad och funktionell programmering.
Funktioner i Python:
Python har många webbaserade tillgångar , öppen källkodsprojekt , och ett levande samhälle . Att lära sig språket, arbeta tillsammans i projekt och bidra till Python-ekosystemet är allt mycket enkelt för utvecklare.
På grund av dess enkla språkramverk är Python lättare att förstå och skriva kod i. Detta gör det till ett fantastiskt programmeringsspråk för nybörjare. Dessutom hjälper den erfarna programmerare att skriva tydlig och felfri kod.
Python har många tredjepartsbibliotek som kan användas för att göra dess funktionalitet enklare. Dessa bibliotek täcker många domäner, till exempel webbutveckling, vetenskaplig beräkning, dataanalys och mer.
Java vs Python
Python är ett utmärkt val för snabb utveckling och skriptuppgifter. Medan Java betonar ett starkt typsystem och objektorienterad programmering.
Här är några grundläggande program som illustrerar viktiga skillnader mellan dem.
Skriver ut 'Hello World'
Python-kod:
print('Hello World)'
I Python är det en rad kod. Det kräver enkel syntax för att skriva ut 'Hello World'
Java-kod:
public class HelloWorld { public static void main(String[] args) { System.out.println('Hello, World!'); } } I Java måste vi deklarera klasser, metodstrukturer många andra saker.
Medan båda programmen ger samma utdata, kan vi märka syntaxskillnaden i utskriftssatsen.
tvådimensionellt array-program i c
- I Python är det lätt att lära sig och skriva kod. I Java krävs mer kod för att utföra vissa uppgifter.
- Python är dynamiskt skrivet, vilket betyder att vi inte behöver deklarera variabeln, medan Java är statistiskt skrivet, vilket betyder att vi måste deklarera variabeltypen.
- Python lämpar sig för olika domäner som datavetenskap, maskininlärning, webbutveckling och mer. Medan Java är lämpligt för webbutveckling, utveckling av mobilappar (Android) och mer.
Python Basic Syntax
Det finns ingen användning av lockiga hängslen eller semikolon i programmeringsspråket Python. Det är ett engelska-liknande språk. Men Python använder indrag för att definiera ett kodblock. Indrag är inget annat än att lägga till blanksteg före uttalandet när det behövs.
Till exempel -
def func(): statement 1 statement 2 ………………… ………………… statement N
I exemplet ovan tillhör de påståenden som är på samma nivå till höger funktionen. I allmänhet kan vi använda fyra blanksteg för att definiera indrag.
Istället för semikolon som används på andra språk, avslutar Python sina uttalanden med ett NewLine-tecken.
Python är ett skiftlägeskänsligt språk, vilket innebär att stora och små bokstäver behandlas olika. Till exempel är 'namn' och 'namn' två olika variabler i Python.
I Python kan kommentarer läggas till med '#'-symbolen. All text som skrivs efter '#'-symbolen betraktas som en kommentar och ignoreras av tolken. Det här tricket är användbart för att lägga till anteckningar till koden eller tillfälligt inaktivera ett kodblock. Det hjälper också att förstå koden bättre av vissa andra utvecklare.
'Om' , 'annars', 'för' , 'medan' , 'försök', 'utom' och 'slutligen' är några reserverade nyckelord i Python som inte kan användas som variabelnamn. Dessa termer används i språket av särskilda skäl och har fasta betydelser. Om du använder dessa nyckelord kan din kod innehålla fel, eller så kan tolken avvisa dem som potentiella nya variabler.
Pythons historia
Python skapades av Guido van Rossum . I slutet av 1980-talet började Guido van Rossum, en holländsk programmerare, arbeta på Python när han var på Centrum Wiskunde & Informatica (CWI) i Nederländerna. Han ville skapa en efterträdare till ABC programmeringsspråk som skulle vara lätt att läsa och effektivt.
I februari 1991 släpptes den första offentliga versionen av Python, version 0.9.0. Detta markerade den officiella födelsen av Python som ett projekt med öppen källkod . Språket har fått sitt namn efter den brittiska komediserien ' Monty Pythons flygande cirkus '.
Python-utvecklingen har gått igenom flera stadier. I januari 1994 släpptes Python 1.0 som ett användbart och stabilt programmeringsspråk. Denna version inkluderade många av funktionerna som fortfarande finns i Python idag.
Från 1990-talet till 2000-talet , fick Python popularitet för sin enkelhet, läsbarhet och mångsidighet. I oktober 2000 släpptes Python 2.0 . Python 2.0 introducerade listförståelse, sophämtning och stöd för Unicode.
I december 2008 släpptes Python 3.0. Python 3.0 introducerade flera bakåtinkompatibla ändringar för att förbättra kodläsbarhet och underhållsbarhet.
Under 2010-talet ökade Pythons popularitet, särskilt inom områden som maskininlärning och webbutveckling. Dess rika ekosystem av bibliotek och ramverk gjorde det till en favorit bland utvecklare.
De Python Software Foundation (PSF) grundades 2001 för att främja, skydda och främja programmeringsspråket Python och dess community.
Varför lära sig Python?
Python tillhandahåller många användbara funktioner för programmeraren. Dessa funktioner gör det till det mest populära och mest använda språket. Vi har listat nedan några väsentliga funktioner i Python.
- Objektorienterat språk : Den stöder objektorienterad programmering, vilket gör det enkelt att skriva återanvändbar och modulär kod.
Var används Python?
Python är ett allmänt populärt programmeringsspråk, och det används inom nästan alla tekniska områden. De olika områdena för Python-användning ges nedan.
- Artificiell intelligens : AI är en framväxande teknologi, och Python är ett perfekt språk för artificiell intelligens och maskininlärning på grund av tillgången på kraftfulla bibliotek som TensorFlow, Keras och PyTorch.
- DevOps : Python används ofta i DevOps för automatisering och skript av infrastrukturhantering, konfigurationshantering och distributionsprocesser.
- Förfrågningar : ett bibliotek för att göra HTTP-förfrågningar
- SQLAlchemy : ett bibliotek för att arbeta med SQL-databaser
- Desperat : ett ramverk för att bygga multi-touch-applikationer
- Pygame : ett bibliotek för spelutveckling
- REST ramverk : en verktygslåda för att bygga RESTful API:er
- FastAPI : ett modernt, snabbt webbramverk för att bygga API:er
- Strömbelyst : ett bibliotek för att bygga interaktiva webbappar för maskininlärning och datavetenskap
- NLTK : ett bibliotek för naturlig språkbehandling
Python har ett brett utbud av bibliotek och ramverk som ofta används inom olika områden som maskininlärning, artificiell intelligens, webbapplikationer etc. Vi definierar några populära ramverk och bibliotek för Python enligt följande.
Python print() Funktion
Python print()-funktionen används för att visa utdata till konsolen eller terminalen. Det tillåter oss att visa text, variabler och annan data i ett läsbart format.
Syntax:
print(objekt(er), sep=separator, end=end, file=file, flush=flush)
Det tar ett eller flera argument separerade med komma(,) och lägger till en 'nyrad' i slutet som standard.
Parametrar:
- objekt(er) - Så många som du vill att data ska visa, konverteras först till strängar och skrivs ut till konsolen.
- sep - Separerar objekten med en separator som skickas, standardvärde = ' '.
- slut - Avslutar en rad med ett nyradstecken
- fil - ett filobjekt med skrivmetod, standardvärde = sys.stdout
Exempel:
# 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)) Produktion:
Hello, World! Name: Aman Age: 21 X = 5 y = 7 Sum = 12 Score: 85.75%
I det här exemplet används utskriftssatsen för att skriva ut sträng-, heltals- och flytvärden i ett läsbart format.
Utskriftssatsen kan användas för felsökning, loggning och för att ge information till användaren.
Python villkorliga uttalanden
Villkorliga uttalanden hjälper oss att exekvera ett visst block för ett visst tillstånd. I den här handledningen kommer vi att lära oss hur man använder villkorligt uttryck för att exekvera ett annat block med uttalanden. Python tillhandahåller if and else-nyckelord för att ställa in logiska villkor. De Elif nyckelord används också som ett villkorligt uttalande.
Exempelkod för if..else-satsen
x = 10 y = 5 if x > y: print('x is greater than y') else: print('y is greater than or equal to x')
Produktion:
x is greater than y
I ovanstående kod har vi två variabler, x och y, med 10 respektive 5. Sedan använde vi en if..else-sats för att kontrollera om x är större än y eller vice versa. Om det första villkoret är sant skrivs påståendet 'x är större än y' ut. Om det första villkoret är falskt skrivs påståendet 'y är större än eller lika med x' istället.
Nyckelordet if kontrollerar att villkoret är sant och exekverar kodblocket inuti det. Koden inuti else-blocket exekveras om villkoret är falskt. På så sätt hjälper if..else-satsen oss att exekvera olika kodblock baserat på ett villkor.
Vi kommer att lära oss mer om detta i den ytterligare artikeln för Python-handledningen.
Python loopar
Ibland kan vi behöva ändra flödet i programmet. Exekveringen av en specifik kod kan behöva upprepas flera gånger. För detta ändamål tillhandahåller programmeringsspråken olika slingor som kan upprepa någon specifik kod flera gånger. Överväg följande handledning för att förstå påståendena i detalj.
Python för loop
fruits = ['apple', 'banana', 'cherry'] for x in fruits: print(x, end=' ')
Produktion:
apple banana cherry
Python While Loop
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:> I ovanstående exempelkod har vi demonstrerat att använda två typer av loopar i Python - For loop och While loop.
For-loopen används för att iterera över en sekvens av objekt, såsom en lista, tuppel eller sträng. I exemplet definierade vi en lista med frukter och använde en for-loop för att skriva ut varje frukt, men den kan också användas för att skriva ut ett antal nummer.
While-slingan upprepar ett kodblock om det angivna villkoret är sant. I exemplet har vi initierat en variabel i till 1 och använt en while-loop för att skriva ut värdet på i tills det blir större än eller lika med 6. I += 1-satsen används för att öka värdet på i i varje iteration .
Vi kommer att lära oss om dem i handledningen i detalj.
Python-datastrukturer
Python erbjuder fyra inbyggda datastrukturer: listor , tupler , set , och ordböcker som gör att vi kan lagra data på ett effektivt sätt. Nedan är de vanligast använda datastrukturerna i Python, tillsammans med exempelkod:
1. Listor
- Listor är beställda samlingar av dataelement av olika datatyper.
- Listor är föränderlig vilket innebär att en lista kan ändras när som helst.
- Element kan vara nås med hjälp av index .
- De definieras med hakparentes ' [] '.
Exempel:
# 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)
Produktion:
fuirts[1] = banana fruits = ['apple', 'banana', 'cherry', 'orange'] sum_nums = 15
2. Tupler
- Tuples är också beställda samlingar av dataelement av olika datatyper, liknande listor.
- Element kan vara nås med hjälp av index .
- Tuples är oföränderlig vilket innebär att Tuples inte kan modifieras när de väl har skapats.
- De definieras med öppen parentes ' () '.
Exempel:
# 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_)
Produktion:
(x, y) = 3 4 Tuple = ('apple', 'banana', 'cherry', 'orange')
3. Set
- Uppsättningar är obeställd samlingar av oföränderliga dataelement av olika datatyper.
- Uppsättningar är föränderlig .
- Element kan inte nås med index.
- Uppsättningar innehåller inte dubbletter av element .
- De definieras med lockiga hängslen ' {} '
Exempel:
# 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) Produktion:
set1 = {1, 2, 3, 4} set2 = {'apple', 'cherry', 'orange', 'banana'} 4. Ordböcker
- Ordbok är nyckel-värdepar som låter dig associera värden med unika nycklar.
- De definieras med lockiga hängslen ' {} ' med nyckel-värdepar separerade med kolon ':' .
- Ordböcker är föränderlig .
- Element kan nås med tangenter.
Exempel:
# Create a dictionary person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} print('person =', person) print(person['name']) # Modify Dictionary person['age'] = 27 print('person =', person) Produktion:
person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} Umesh person = {'name': 'Umesh', 'age': 27, 'city': 'Noida'} Det här är bara några exempel på Pythons inbyggda datastrukturer. Varje datastruktur har sina egna egenskaper och användningsfall.
Python funktionell programmering
Det här avsnittet av Python-handledningen definierar några viktiga verktyg relaterade till funktionell programmering, såsom lambda och rekursiva funktioner. Dessa funktioner är mycket effektiva för att utföra komplexa uppgifter. Vi definierar några viktiga funktioner, såsom reducera, kartlägga och filtrera. Python tillhandahåller modulen functools som innehåller olika funktionella programmeringsverktyg. Besök följande handledning för att lära dig mer om funktionell programmering.
De senaste versionerna av Python har introducerat funktioner som gör funktionell programmering mer kortfattad och uttrycksfull. Till exempel tillåter 'walrus-operatorn':= inline-variabeltilldelning i uttryck, vilket kan vara användbart när du arbetar med kapslade funktionsanrop eller listförståelse.
Python funktion
- Lambda funktion - En lambdafunktion är en liten, anonym funktion som kan ta valfritt antal argument men kan bara ha ett uttryck. Lambdafunktioner används ofta i funktionsprogrammering för att skapa funktioner 'on the fly' utan att definiera en namngiven funktion.
- Rekursiv funktion – En rekursiv funktion är en funktion som kallar sig för att lösa ett problem. Rekursiva funktioner används ofta i funktionell programmering för att utföra komplexa beräkningar eller för att korsa komplexa datastrukturer.
- Kartfunktion - Map()-funktionen tillämpar en given funktion på varje objekt i en iterabel och returnerar en ny iterabel med resultaten. Indata iterable kan vara en lista, tupel eller annat.
- Filterfunktion - Funktionen filter() returnerar en iterator från en iterabel för vilken funktionen skickades som det första argumentet returnerar True. Den filtrerar bort objekten från en iterabel som inte uppfyller det givna villkoret.
- Reducera funktion - Funktionen reduce() tillämpar en funktion av två argument kumulativt på objekten i en iterabel från vänster till höger för att reducera den till ett enda värde.
- functools modul - Functools-modulen i Python tillhandahåller funktioner av högre ordning som fungerar på andra funktioner, som partial() och reduce().
- Currying funktion - En currying-funktion är en funktion som tar flera argument och returnerar en sekvens av funktioner som var och en tar ett enda argument.
- Memoiseringsfunktion - Memoization är en teknik som används i funktionell programmering för att cache-minne resultaten av dyra funktionsanrop och returnera det cachade resultatet när samma ingångar inträffar igen.
- Träningsfunktion – Trådning är en teknik som används i funktionell programmering för att köra flera uppgifter samtidigt för att göra koden effektivare och snabbare.
Python-moduler
Python-moduler är programfilerna som innehåller Python-kod eller funktioner. Python har två typer av moduler - Användardefinierade moduler och inbyggda moduler. En modul som användaren definierar, eller vår Python-kod sparad med .py-tillägget, behandlas som en användardefinierad modul.
Inbyggda moduler är fördefinierade moduler i Python. För att kunna använda modulernas funktionalitet måste vi importera dem till vårt nuvarande arbetsprogram.
Python-moduler är viktiga för språkets ekosystem eftersom de erbjuder återanvändbar kod och funktionalitet som kan importeras till alla Python-program. Här är några exempel på flera Python-moduler, tillsammans med en kort beskrivning av var och en:
Matematik : Ger användare tillgång till matematiska konstanter och pi och trigonometriska funktioner.
Datum Tid : Ger klasser för ett enklare sätt att manipulera datum, tider och perioder.
DU : Möjliggör interaktion med basoperativsystemet, inklusive administration av processer och filsystemaktiviteter.
slumpmässig : Den slumpmässiga funktionen erbjuder verktyg för att generera slumpmässiga heltal och välja slumpmässiga objekt från en lista.
JSON : JSON är en datastruktur som kan kodas och avkodas och används ofta i online-API:er och datautbyte. Denna modul gör det möjligt att hantera JSON.
Re : Stöder reguljära uttryck, ett kraftfullt verktyg för textsökning och textmanipulering.
Samlingar : Tillhandahåller alternativa datastrukturer som sorterade ordböcker, standardordböcker och namngivna tupler.
NumPy : NumPy är en kärnverktygssats för vetenskaplig beräkning som stöder numeriska operationer på matriser och matriser.
hur man konverterar int till sträng
Pandas : Den tillhandahåller datastrukturer och operationer på hög nivå för att hantera tidsserier och andra strukturerade datatyper.
Förfrågningar : Erbjuder ett enkelt användargränssnitt för webb-API:er och utför HTTP-förfrågningar.
Python-fil I/O
Filer används för att lagra data på en datordisk. I den här handledningen förklarar vi det inbyggda filobjektet i Python. Vi kan öppna en fil med Python-skript och utföra olika operationer som att skriva, läsa och lägga till. Det finns olika sätt att öppna en fil. Vi förklaras med det relevanta exemplet. Vi kommer också att lära oss att utföra läs-/skrivoperationer på binära filer.
Pythons filinmatning/utdata (I/O) system erbjuder program för att kommunicera med filer lagrade på en skiva. Pythons inbyggda metoder för filobjektet låter oss utföra åtgärder som att läsa, skriva och lägga till data till filer.
De öppen() metod i Python gör ett filobjekt när man arbetar med filer. Namnet på filen som ska öppnas och i vilket läge filen ska öppnas är de två parametrar som krävs för denna funktion. Läget kan användas efter arbete som behöver göras med filen, såsom ' r ' för läsning, ' I 'för att skriva, eller' a ' för att bifoga.
Efter att ha skapat ett objekt framgångsrikt kan olika metoder användas enligt vårt arbete. Om vi vill skriva i filen kan vi använda funktionerna write() och om du vill läsa och skriva båda så kan vi använda funktionen append() och, i de fall vi bara vill läsa innehållet i filen kan vi använda read()-funktionen. Binära filer som innehåller data i ett binärt snarare än ett textformat kan också arbetas med med Python. Binära filer är skrivna på ett sätt som människor inte direkt kan förstå. De rb och wb lägen kan läsa och skriva binära data i binära filer.
Python-undantag
Ett undantag kan definieras som ett ovanligt tillstånd i ett program som resulterar i ett avbrott i programmets flöde.
Närhelst ett undantag inträffar, stoppar programmet exekveringen, och den andra koden exekveras därför inte. Därför är ett undantag körtidsfel som inte kan hantera till Python-skript. Ett undantag är ett Python-objekt som representerar ett fel.
Python-undantag är en viktig aspekt av felhantering i Python-programmering. När ett program stöter på en oväntad situation eller ett oväntat fel kan det skapa ett undantag som kan avbryta programmets normala flöde.
I Python representeras undantag som objekt som innehåller information om felet, inklusive dess typ och meddelande. Den vanligaste typen av undantag i Python är klassen Exception, en basklass för alla andra inbyggda undantag.
För att hantera undantag i Python använder vi Prova och bortsett från uttalanden. De Prova uttalande används för att omsluta koden som kan leda till ett undantag, medan bortsett från sats används för att definiera ett kodblock som ska exekveras när ett undantag inträffar.
Tänk till exempel på följande kod:
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')
Produktion:
Enter a number: 0 Error: Division by zero
I den här koden använder vi try-satsen för att försöka utföra en divisionsoperation. Om någon av dessa operationer ger upphov till ett undantag, exekveras det matchande undantagsblocket.
Python ger också många inbyggda undantag som kan tas upp i liknande situationer. Några vanliga inbyggda undantag inkluderar IndexError, TypeError , och Namnfel . Vi kan också definiera våra anpassade undantag genom att skapa en ny klass som ärver från klassen Exception.
Python CSV
En CSV står för 'kommaseparerade värden', som definieras som ett enkelt filformat som använder specifik strukturering för att ordna tabelldata. Den lagrar tabelldata som kalkylblad eller databaser i vanlig text och har ett vanligt format för datautbyte. En CSV-fil öppnas i Excel-arket, och rad- och kolumndata definierar standardformatet.
Vi kan använda funktionen CSV.reader för att läsa en CSV-fil. Denna funktion returnerar ett läsarobjekt som vi kan använda för att repetera över raderna i CSV-filen. Varje rad returneras som en lista med värden, där varje värde motsvarar en kolumn i CSV-filen.
Tänk till exempel på följande kod:
import csv with open('data.csv', 'r') as file: reader = csv.reader(file) for row in reader: print(row)
Här öppnar vi filen data.csv i läsläge och skapar en csv.reader objekt med hjälp av csv.reader() fungera. Vi itererar sedan över raderna i CSV-filen med en for-loop och skriver ut varje rad till konsolen.
Vi kan använda CSV.writer() funktion för att skriva data till en CSV-fil. Det returnerar ett writer-objekt som vi kan använda för att skriva rader till CSV-filen. Vi kan skriva rader genom att anropa författare () metod på skribentobjektet.
Tänk till exempel på följande kod:
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)
I det här programmet skapar vi en lista med listor som kallas data, där varje inre lista representerar en rad med data. Vi öppnar sedan filen data.csv i skrivläge och skapar en CSV.writer objekt med funktionen CSV.writer. Vi itererar sedan över raderna i data med en for-loop och skriver varje rad till CSV-filen med writer-metoden.
Python skickar e-post
Vi kan skicka eller läsa ett mail med Python-skriptet. Pythons standardbiblioteksmoduler är användbara för att hantera olika protokoll som PoP3 och IMAP . Python tillhandahåller smtplib modul för att skicka e-post med SMTP (Simple Mail Transfer Protocol). Vi kommer att lära oss hur man skickar e-post med den populära e-posttjänsten SMTP från ett Python-skript.
Python magiska metoder
Python-magimetoden är den speciella metoden som lägger till 'magi' till en klass. Det börjar och slutar med dubbla understreck, t.ex. _varm_ eller _str_ .
De inbyggda klasserna definierar många magiska metoder. De du() funktionen kan användas för att se antalet magiska metoder som ärvs av en klass. Den har två prefix och suffixunderstreck i metodnamnet.
- Python magiska metoder är också kända som dunder metoder , förkortning för 'dubbel understreck'-metoder eftersom deras namn börjar och slutar med ett dubbelt understreck.
- Magiska metoder anropas automatiskt av Python-tolken i vissa situationer, till exempel när ett objekt skapas, jämförs med ett annat objekt eller skrivs ut.
- Magiska metoder kan användas för att anpassa beteendet hos klasser, som att definiera hur objekt jämförs, konverteras till strängar eller nås som behållare.
- Några vanligt använda magiska metoder inkluderar värme för att initiera ett objekt, str för att konvertera ett objekt till en sträng, ekv för att jämföra två objekt för jämlikhet, och betitlad och setpost för att komma åt objekt i ett containerobjekt.
Till exempel str magisk metod kan definiera hur ett objekt ska representeras som en sträng. Här är ett exempel
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) Produktion:
Vikas (22)
I det här exemplet är str-metoden definierad för att returnera en formaterad strängrepresentation av Person-objektet med personens namn och ålder.
En annan vanlig magisk metod är ekv , som definierar hur objekt ska jämföras för jämlikhet. Här är ett exempel:
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)
Produktion:
False True
I det här exemplet är ekv Metoden är definierad för att returnera True om två punktobjekt har samma x- och y-koordinater och annars False.
Python Oops-koncept
Allt i Python behandlas som ett objekt, inklusive heltalsvärden, flytningar, funktioner, klasser och inga. Bortsett från det stöder Python alla orienterade koncept. Nedan finns en kort introduktion till Pythons Oops-koncept.
- Klasser och objekt - Python-klasser är ritningarna av objektet. Ett objekt är en samling av data och metoder som verkar på datan.
- Arv – Ett arv är en teknik där en klass ärver egenskaperna hos andra klasser.
- Konstruktör - Python tillhandahåller en speciell metod __init__() som är känd som en konstruktor. Denna metod anropas automatiskt när ett objekt instansieras.
- Polymorfism – Polymorfism är ett begrepp där ett föremål kan ta många former. I Python kan polymorfism uppnås genom metodöverbelastning och metodöverstyrning.
- Metod Åsidosättande - Metodöverstyrning är ett koncept där en underklass implementerar en metod som redan är definierad i sin superklass.
- Inkapsling – Inkapsling är att slå in data och metoder i en enda enhet. I Python uppnås inkapsling genom åtkomstmodifierare, såsom offentlig, privat och skyddad. Python tillämpar dock inte strikt åtkomstmodifierare, och namnkonventionen indikerar åtkomstnivån.
- Dataabstraktion : En teknik för att dölja komplexiteten hos data och endast visa väsentliga funktioner för användaren. Det ger ett gränssnitt för att interagera med data. Dataabstraktion minskar komplexiteten och gör koden mer modulär, vilket gör att utvecklare kan fokusera på programmets väsentliga funktioner.
För att läsa Oops-konceptet i detalj, besök följande resurser.
- Python Oops Concepts - I Python är det objektorienterade paradigmet att designa programmet med hjälp av klasser och objekt. Objektet är relaterat till verkliga entiteter som bok, hus, penna etc. och klassen definierar dess egenskaper och beteenden.
- Python-objekt och klasser - I Python är objekt instanser av klasser och klasser är ritningar som definierar struktur och beteende hos data.
- Python-konstruktör - En konstruktor är en speciell metod i en klass som används för att initialisera objektets attribut när objektet skapas.
- Python Arv - Arv är en mekanism där ny klass (underklass eller barnklass) ärver egenskaperna och beteenden hos en befintlig klass (superklass eller överordnad klass).
- Pythonpolymorfism - Polymorfism tillåter att objekt av olika klasser behandlas som objekt av en gemensam superklass, vilket gör att olika klasser kan användas omväxlande genom ett gemensamt gränssnitt.
Python Advance-ämnen
Python innehåller många framsteg och användbara koncept som hjälper programmeraren att lösa komplexa uppgifter. Dessa begrepp ges nedan.
Python Iterator
En iterator är helt enkelt ett objekt som kan itereras på. Den returnerar ett objekt åt gången. Det kan implementeras med två speciella metoder, __iter__() och nästa__().
Iteratorer i Python är objekt som tillåter iteration över en samling data. De bearbetar varje samlingselement individuellt utan att ladda hela samlingen i minnet.
Låt oss till exempel skapa en iterator som returnerar kvadraterna av tal upp till en given gräns:
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></=> I det här exemplet har vi skapat en klass Squares som fungerar som en iterator genom att implementera metoderna __iter__() och __next__(). Metoden __iter__() returnerar själva objektet, och metoden __next__() returnerar nästa kvadrat av talet tills gränsen nås.
För att lära dig mer om iteratorerna, besök vår Python Iterators handledning.
Python-generatorer
Python generatorer skapa en sekvens av värden med hjälp av en avkastningsredovisning snarare än en retur eftersom de är funktioner som returnerar iteratorer. Generatorer avslutar funktionens exekvering samtidigt som den lokala tillståndet behålls. Den fortsätter precis där den slutade när den startas om. Eftersom vi inte behöver implementera iteratorprotokollet tack vare den här funktionen, är det enklare att skriva iteratorer. Här är en illustration av en enkel generatorfunktion som producerar kvadrater av tal:
# 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)
Produktion:
0 1 4 9 16
Python-modifierare
Python dekoratörer är funktioner som används för att ändra beteendet hos en annan funktion. De tillåter att lägga till funktionalitet till en befintlig funktion utan att ändra dess kod direkt. Dekoratörer definieras med hjälp av @ symbol följt av namnet på dekorationsfunktionen. De kan användas för loggning, timing, cachning, etc.
Här är ett exempel på en dekorationsfunktion som lägger till timingfunktionalitet till en annan funktion:
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) Produktion:
I exemplet ovan tar time_it-dekoratorfunktionen en annan funktion som ett argument och returnerar en omslagsfunktion. Omslagsfunktionen beräknar tiden för att utföra originalfunktionen och skriver ut den till konsolen. @time_it-dekoratorn används för att tillämpa time_it-funktionen på min_funktionsfunktionen. När my_function anropas, exekveras dekoratören och tidsfunktionen läggs till.
Python MySQL
Python MySQL är ett kraftfullt relationsdatabashanteringssystem. Vi måste ställa in miljön och upprätta en anslutning för att använda MySQL med Python. Vi kan skapa en ny databas och tabeller med SQL-kommandon i Python.
- Miljöinställningar : Installera och konfigurera MySQL Connector/Python för att använda Python med MySQL.
- Databasanslutning : Etablera en anslutning mellan Python och MySQL-databasen med MySQL Connector/Python.
- Skapa ny databas : Skapa en ny databas i MySQL med Python.
- Skapa tabeller : Skapa tabeller i MySQL-databasen med Python med SQL-kommandon.
- Insert Operation : Infoga data i MySQL-tabeller med Python- och SQL-kommandon.
- Läs Operation : Läser data från MySQL-tabeller med Python- och SQL-kommandon.
- Uppdateringsoperation : Uppdatering av data i MySQL-tabeller med Python- och SQL-kommandon.
- Gå med i Operation : Sammanfoga två eller flera tabeller i MySQL med Python- och SQL-kommandon.
- Utföra transaktioner : Utföra en grupp SQL-frågor som en enda arbetsenhet i MySQL med Python.
Andra relativa punkter inkluderar att hantera fel, skapa index och använda lagrade procedurer och funktioner i MySQL med Python.
Python MongoDB
Python MongoDB är en populär NoSQL-databas som lagrar data i JSON-liknande dokument. Det är schemalöst och ger hög skalbarhet och flexibilitet för datalagring. Vi kan använda MongoDB med Python med PyMongo-biblioteket, som ger ett enkelt och intuitivt gränssnitt för att interagera med MongoDB.
Här är några vanliga uppgifter när du arbetar med MongoDB i Python:
- Miljöinställningar : Installera och konfigurera MongoDB och PyMongo-biblioteket på ditt system.
- Databasanslutning : Anslut till en MongoDB-server med MongoClient-klassen från PyMongo.
- Skapa en ny databas : Använd MongoClient-objektet för att skapa en ny databas.
- Skapar samlingar : Skapa samlingar i en databas för att lagra dokument.
- Att lägga in dokument : Infoga nya dokument i en samling med metoderna insert_one() eller insert_many().
- Fråga efter dokument : Hämta dokument från en samling med olika frågemetoder som find_one(), find(), etc.
- Uppdatering av dokument : Ändra befintliga dokument i en samling med metoderna update_one() eller update_many().
- Ta bort dokument : Ta bort dokument från en samling med metoderna delete_one() eller delete_many().
- Aggregation : Utför aggregeringsoperationer som gruppering, räkning etc. med hjälp av aggregeringspipeline-ramverket.
Det finns många mer avancerade ämnen i MongoDB, såsom datadelning, replikering och mer, men dessa uppgifter täcker grunderna för att arbeta med MongoDB i Python.
Python SQLite
Relationsdatabaser byggs och underhålls med Python SQLite, en kompakt, serverlös, fristående databasmotor. Dess rörlighet och enkelhet gör den till ett populärt alternativ för lokala eller småskaliga applikationer. Python har en inbyggd modul för att ansluta till SQLite-databaser som kallas SQLite3, vilket gör att utvecklare kan arbeta med SQLite-databaser utan svårigheter.
Olika API-metoder är tillgängliga via SQLite3-biblioteket som kan användas för att köra SQL-frågor, infoga, välja, uppdatera och ta bort data, samt hämta data från tabeller. Dessutom tillåter det transaktioner, vilket gör att programmerare kan ångra ändringar i händelse av problem. Python SQLite är ett fantastiskt alternativ för att skapa program som behöver ett inbäddat databassystem, inklusive stationära, mobila och blygsamma webbprogram. SQLite har blivit populärt bland utvecklare för lätta appar med databasfunktionalitet tack vare dess användarvänlighet, portabilitet och smidiga anslutning till Python.
Python CGI
Python CGI är en teknik för att köra skript genom webbservrar för att producera dynamiskt onlineinnehåll. Den erbjuder en kommunikationskanal och ett dynamiskt innehållsgenereringsgränssnitt för externa CGI-skript och webbservern. Python CGI-skript kan skapa HTML-webbsidor, hantera formulärinmatning och kommunicera med databaser. Python CGI gör det möjligt för servern att utföra Python-skript och tillhandahålla resultaten till klienten, vilket erbjuder ett snabbt och effektivt tillvägagångssätt för att skapa dynamiska onlineapplikationer.
Python CGI-skript kan användas för många saker, inklusive att skapa dynamiska webbsidor, bearbeta formulär och interagera med databaser. Eftersom Python, ett potent och populärt programmeringsspråk, kan användas för att skapa skript, möjliggör det ett mer anpassat och flexibelt tillvägagångssätt för webbskapande. Skalbara, säkra och underhållbara onlineapplikationer kan skapas med Python CGI. Python CGI är ett praktiskt verktyg för webbutvecklare som bygger dynamiska och interaktiva onlineapplikationer.
Asynkron programmering i Python
Asynkron programmering är ett paradigm för datorprogrammering som möjliggör oberoende och samtidig drift av aktiviteter. Det används ofta i applikationer som webbservrar, databasprogramvara och nätverksprogrammering, där flera uppgifter eller förfrågningar måste hanteras samtidigt.
Python har asyncio, Twisted och Tornado bland sina bibliotek och ramverk för asynkron programmering. Asyncio, en av dessa, erbjuder ett enkelt gränssnitt för asynkron programmering och är det officiella biblioteket för asynkron programmering i Python.
Coroutines är funktioner som kan stoppas och startas om på specifika platser i koden och som används av asyncio. Detta gör det möjligt för många koroutiner att fungera samtidigt utan att störa varandra. För att konstruera och underhålla koroutiner erbjuder biblioteket flera klasser och metoder, inklusive asyncio.gather(), asyncio.wait(), och asyncio.create_task().
Händelseloopar, som ansvarar för planering och drift av koroutiner, är ett annat inslag i asyncio. Genom att cykla mellan koroutiner på ett icke-blockerande sätt styr händelseslingan exekveringen av koroutiner och säkerställer att ingen koroutin blockerar en annan. Dessutom stöder den timers och schemaläggning av återuppringningar, vilket kan vara användbart när aktiviteter måste slutföras vid angivna tider eller intervall.
Python samtidighet
Termen ' samtidighet ' beskriver ett programs förmåga att utföra flera uppgifter samtidigt, vilket förbättrar programmets effektivitet. Python erbjuder flera moduler och samtidighetsrelaterade metoder, inklusive asynkron programmering, multiprocessing och multithreading. Medan multiprocessing innebär att köra många processer samtidigt på ett system, innebär multithreading att köra flera trådar samtidigt i en enda process.
De gängningsmodul i Python gör det möjligt för programmerare att bygga multithreading. Den erbjuder klasser och operationer för att etablera och kontrollera trådar. Omvänt tillåter multiprocessing-modulen utvecklare att designa och kontrollera processer. Pythons asyncio-modul ger stöd för asynkron programmering, vilket gör att utvecklare kan skriva icke-blockerande kod som kan hantera flera uppgifter samtidigt. Med hjälp av dessa tekniker kan utvecklare skriva högpresterande, skalbara program som kan hantera flera uppgifter samtidigt.
Pythons trådningsmodul möjliggör samtidig exekvering av flera trådar inom en enda process, vilket är användbart för I/O-bundna aktiviteter.
För CPU-intensiva operationer som bildbehandling eller dataanalys gör multiprocessormoduler det möjligt att exekvera många processer samtidigt över flera CPU-kärnor.
Asyncio-modulen stöder asynkron I/O och tillåter skapandet av enkeltrådad samtidig kod med hjälp av koroutiner för nätverksapplikationer med hög samtidighet.
Med bibliotek som Dask , PySpark , och MPI, kan Python också användas för parallell beräkning. Dessa bibliotek tillåter att arbetsbelastningar fördelas över flera noder eller kluster för bättre prestanda.
Webskrotning med Python
Processen med webbskrapning används för att automatiskt hämta data från webbplatser. Olika verktyg och bibliotek extraherar data från HTML och andra onlineformat. Python är bland de mest använda programmeringsspråken för webbskrapning på grund av dess enkla användning, anpassningsförmåga och mångfald av bibliotek.
Vi måste ta några steg för att utföra webbskrapning med Python. Vi måste först bestämma vilken webbplats som ska skrapas och vilken information som ska samlas in. Sedan kan vi skicka in en begäran till webbplatsen och ta emot HTML-innehållet med Pythons förfrågningspaket. När vi väl har HTML-texten kan vi extrahera nödvändiga data med hjälp av en mängd olika analyspaket, som Härlig soppa och lxml .
Vi kan använda flera strategier, som att bromsa förfrågningar, använda användaragenter och använda proxyservrar, för att förhindra att webbplatsens server överbelastas. Det är också viktigt att följa användarvillkoren för webbplatsen och respektera dess robots.txt-fil.
Datautvinning, skapande av leads, prisspårning och många fler användningsområden är möjliga för webbskrapning. Men eftersom otillåten webbskrapning kan vara mot lagen och oetiskt, är det viktigt att använda det professionellt och etiskt.
Natural Language Processing (NLP) med Python
En gren av artificiell intelligens (AI) som kallas 'naturlig språkbehandling' (NLP) studerar hur datorer och mänskligt språk interagerar. Tack vare NLP kan datorer nu förstå, tolka och producera mänskligt språk. På grund av sin enkelhet, mångsidighet och starka bibliotek som NLTK (Natural Language Toolkit) och spaCy är Python ett välkänt programmeringsspråk för NLP.
För NLP-uppgifter, inklusive tokenisering, stemming, lemmatisering, ordordstaggning, identifiering av namngivna enheter, sentimentanalys och andra, tillhandahåller NLTK ett komplett bibliotek. Den har en mängd olika korpus (stora, organiserade textsamlingar) för att utveckla och utvärdera NLP-modeller. Ett annat omtyckt bibliotek för NLP-uppgifter är spaCy , som erbjuder snabb och effektiv bearbetning av enorma mängder text. Den möjliggör enkel modifiering och expansion och kommer med förutbildade modeller för olika NLP-arbetsbelastningar.
NLP kan användas i Python för olika praktiska ändamål, inklusive chatbots, sentimentanalys, textkategorisering, maskinöversättning och mer. NLP används till exempel av chatbots för att förstå och svara på användarförfrågningar på ett naturligt språk. Sentimentanalys, som kan vara till hjälp för varumärkesövervakning, analys av kundfeedback och andra ändamål, använder NLP för att kategorisera textsentiment (positivt, negativt eller neutralt). Textdokument kategoriseras med hjälp av naturlig språkbehandling (NLP) i företablerade kategorier för att upptäcka skräppost, nyhetskategorisering och andra ändamål.
Python är ett starkt och användbart verktyg när man analyserar och bearbetar mänskligt språk. Utvecklare kan utföra olika NLP-aktiviteter och skapa användbara appar som kan kommunicera med konsumenter på naturligt språk med bibliotek som NLTK och spaCy.
Slutsats:
I den här handledningen har vi tittat på några av Pythons viktigaste funktioner och idéer, inklusive variabler, datatyper, loopar, funktioner, moduler och mer. Mer komplexa ämnen, inklusive webbskrapning, naturlig språkbehandling, parallellism och databaskoppling, har också diskuterats. Du kommer att ha en stark grund för att fortsätta lära dig om Python och dess applikationer med hjälp av informationen du har lärt dig från den här lektionen.
strsep c
Kom ihåg att att öva och utveckla kod är den bästa metoden för att lära sig Python. Du kan hitta många resurser på javaTpoint för att stödja ditt fortsatta lärande, inklusive dokumentation, handledningar, onlinegrupper och mer. Du kan bemästra Python och använda den för att skapa underbara saker om du arbetar hårt och envisas.
Nödvändig förutsättning
Innan du lär dig Python måste du ha grundläggande kunskaper om programmeringskoncept.
Publik
Vår Python-handledning är utformad för att hjälpa nybörjare och proffs.
Problem
Vi försäkrar att du inte kommer att hitta några problem i denna Python-handledning. Men om det är något fel, vänligen posta problemet i kontaktformuläret.