Python Bootcamp - Grundlagen

Python Bootcamp
Grundlagen
by Datamics, 2018

Einführung
• Python beinhaltet verschiedene "Arten" (en.: types) von Zahlen. Wir
werden uns hauptsächlich mit Ganzzahlen (en.: integers) und
Kommazahlen (en.: floats) beschäftigen. Später unternehmen wir
einen kurzen Abstecher zu den komplexen Zahlen (en.: complex
numbers).
Zahlen by Datamics, 2018

Integers
• Integers sind einfach ganze Zahlen, positiv und negativ.
• Zum Beispiel: 2 und -2 sind Integers.

Floats
• Floats sind Kommazahlen und in Python besonders, da sie einen
Dezimalpunkt oder einen Exponenten (e) beinhalten, um die Zahl zu
definieren.
• Zum Beispiel sind 2.0 und -2.1 Zahlen mit Dezimalpunkt. 4E2 (4 mal
10 hoch 2) ist ebenso ein Beispiel für eine float-Zahl in Python.

Einführung zu Python
Anweisungen
by Datamics, 2018

Übersicht
• In dieser Lektion werden wir uns einen kurzen Überblick über Python
Anweisungen (en.: Statements) verschaffen. Diese Lektion wird die
Unterschiede zwischen Python und anderen Sprachen wie C++
herausstellen.
• Es gibt zwei Gründe dafür, warum wir diesen Kontext nutzen, um
Python Anweisungen zu lernen:
Einführung zu Python Anweisungen by Datamics, 2018

Gründe
1. Wenn ihr aus einem anderen Programmierumfeld kommt, wird dies
super schnell euer Verständnis von Python verbessern.
2. Anweisungen lesen und verstehen zu können wird es euch in der
Zukunft erleichtern andere Sprachen schneller lesen und verstehen
zu können.

Python vs. andere Sprachen
• Lasst uns ein simples Statement erstellen, das besagt: "Wenn a größer
ist als b, dann weise a die Zahl 2 zu und b die Zahl 4."

Unterschiede
Einführung zu Python Anweisungen
• Python verzichtet auf () und {} durch zwei Hauptfaktoren: einen
Doppelpunkt und Leerraum. Die Anweisung wird durch den
Doppelpunkt beendet und der Leerraum (durch Zeileneinzug)
beschreibt, was passiert, sofern das Statement zutrifft.
by Datamics, 2018

Unterschiede
Einführung zu Python Anweisungen
• Ein weiterer großer Unterschied ist das Fehlen von Strichpunkten in
Python. In anderen Sprachen werden Strichpunkt häufig dazu
verwendet, um das Ende einer Anweisung festzulegen.
• In Python ist das Ende einer Zeile das gleiche wie das Ende einer
Anweisung
by Datamics, 2018

Zeileneinzug
• Achtet darauf, wie stark Python durch den Code Zeileneinzug und den
Leerraum getrieben wird. Das bedeutet, dass die Lesbarkeit des
Codes eine der wichtigen Aspekte der Python Sprache ist.

if, elif und else Anweisungen
by Datamics, 2018

if Anweisungen
• if Anweisungen erlauben uns in Python alternative Aktionen in
Abhängigkeit von bestimmten Ergebnissen durchzuführen.
• Das können wir uns ungefähr so vereinfachen:
• "Hey, wenn dieser Fall eintritt, dann mache etwas bestimmtes."
if, elif und else Anweisungen by Datamics, 2018

elif und else Anweisungen
• Diese Idee können wir dann durch elif and else Anweisungen
erweitern, welche uns folgendes ermöglichen:
• "Hey, wenn dieser Fall eintritt (if), dann mache etwas bestimmtes.
Wenn ein anderer Fall eintritt (elif), dann mache etwas anderes
bestimmtes. Und sonst (else) - keiner der anderen Fälle trat ein -
mache etwas anderes bestimmtes."

Syntax

for Schleifen
by Datamics, 2018

Einführung
• Eine for Schleife (en.: for loop) fungiert als Iteration in Python, die
durch Items geht, die in einer Sequenz oder jeder anderen
iterierbaren Form stehen.
• Objekte die wir bereits behandelt haben und auf die wir diese
Iteration anwenden können sind Strings, Listen, Tupel und bereits
vorinstallierte Iterationen für Dictionaries, wie bspw. keys und values.
for Schleifen by Datamics, 2018

Syntax

Namenszuweisung
• Der Name, der für das Item verwendet wird, obliegt vollkommen dem
Coder. Das ermöglicht uns den nach eigenem Ermessen am besten
passenden Namen auszuwählen.
• Der festgelete Item Name kann dann innerhalb der Schleifen als
Referenz verwendet werden. Zum Beispiel, wenn wir ein if Statement
für das Item durchführen wollen

Einführung
• Methoden sind eigentlich Funktionen, die in Objekte eingebaut sind.
• Später im Kurs werden wir noch lernen, wie wir unsere eigenen
Objekte und Methoden erstellen, indem wir Objektorientierte
Programmierung (OOP) und Klassen nutzen.
Methoden by Datamics, 2018

Einführung
• Methoden führen spezifische Aktionen mit dem Objekt durch und
können Parameter aufnehmen, so wie es Funktionen tun.
• Diese Lektion soll als kurze Einführung zu Methoden dienen und euch
zum Denken über das Design von Methoden anregen. Darauf
kommen wir zurück, wenn wir die OOP erreichen.

Syntax
• Methoden werden wie folgt geschrieben:

Parameter
• Ihr werdet später sehen, das wir uns Methoden so vorstellen können,
dass sie einen "selbst" (en.: self) Parameter haben, der sich aufs
Objekt bezieht.
• Wir können diesen Parameter jetzt nicht sehen, werden in aber
später im Kurs nutzen, wenn wir uns mit OOP beschäftigen.

Was sind Funktionen?
• Formell betrachtet ist eine Funktion ein nützliches Hilfsmittel, dass
mehrere Anweisungen gruppiert, damit sie mehr als einmal
ausgeführt werden können.
• Sie lassen uns außerdem Parameter spezifizieren, die uns als Input für
die Funktion dienen können.
Funktionen by Datamics, 2018

• Auf einem etwas fundamentaleren Level erlauben uns Funktionen,
den selben Code nicht immer wieder schreiben zu müssen.
• Wenn ihr zurückdenkt an die Lektionen über Strings und Listen, denkt
daran, dass wir die Funktion len() genutzt haben, um die Länge zu
messen.
• Da die Länge einer Sequenz zu überprüfen eine übliche Aufgabe ist,
würde man dafür eine Funktion schreiben wollen, die diese Aufgabe
wiederholte Male erfüllt.

def Anweisungen
• def ist ein vorinstalliertes (build-in) Stichwort, das Python sagt, dass
wir dabei sind, eine Funktion zu erstellen.
• Lasst uns den Code anschauen, um die ganze Syntax zu verstehen.

Lambda Ausdrücke
by Datamics, 2018

Übersicht
• Lambda Ausdrücke sind eines der nützlichsten Tools, die Python
bietet. Allerdings sind sie für Anfänger oft verwirrend. Lambda
Ausdrücke erlauben es uns, “anonyme“ Funktionen zu erstellen.
• Das bedeutet vereinfacht gesagt, dass wir schnell eine Funktion
erstellen können, ohne die Funktion per def zu definieren.
Lambda Ausdrücke by Datamics, 2018

Was ist Lambda?
• Lambda ist ein einziger Ausdruck, kein Block von Anweisungen
• In Lambda Ausdrücken steht eigentlich das gleiche, was wir in def als
Ausgabe (return Anweisung) einer Funktion definieren würden. Wir
geben das allerdings einfach als Ausdruck ein, anstatt es explizit
auszugeben.
• Da es auf einen Ausdruck limitiert ist, ist Lambda weniger allgemein
als ein def.

Wann verwenden wir Lambda?
• Wir können unseren Code schmälern, um Verschachtelung zu
vermeiden.
• Lambda ist für das coden von einfachen Aufgaben gedacht.
• Für größere Aufgaben verwenden wir def.

Herangehensweise
• Die beste Methode, um Lambda Ausdrücke zu lernen, ist es eine def
Funktion langsam in einen Lambda Ausdruck umzuwandeln.

Verschachtelte Anweisungen
und Geltungsbereiche
by Datamics, 2018

Bevor wir loslegen...
• Lest und codet euch durch das gesamte Jupyter Notebook zu dieser
Lektion.
• Das ist ein sehr wichtiges Thema, um fortgeschrittene Python
Programmierung zu verstehen!
Verschachtelte Anweisungen und Geltungsbereiche by Datamics, 2018

Einführung
• Jetzt, wo wir unsere eigenen Funktionen schreiben können, ist es
wichtig zu verstehen, wie Python mit den Variablennamen umgeht,
die wir zuweisen.
• Wenn wir einen Variablennamen in Python erstellen wird dieser im
namespace gespeichert.
• Variablennamen haben außerdem einen bestimmten
Geltungsbereich. Dieser bestimmt die Sichtbarkeit des Namens für
andere Teile unseres Codes.

Schnelles Beispiel
• Was glaubt ihr, wird der Output von drucker() sein? 25 oder 50?
• Was ist der Output von print(x)? 25 oder 50?

Warum?
• Zuweisungen von Namen werden lokale Namen per Standard
erstellen oder ändern.
• Namesreferenzen suchen (bis zu) 4 Bereiche, die da lauten:
• Lokal
• einschließende Funktionen
• Global
• Bereits eingebaut

LEGB Regel
• L: Lokal - Namen die in irgendeiner Form innerhalb einer Funktion
(def oder lambda) zugewiesen werden und nicht global in dieser
Funktion definiert sind.
• E: Einschließende Funktionen - Namen im lokalen Geltungsbereich
aller einschließenden Funktionen (def oder lambda) von innen nach
außen.
• G: Globale (Module) - Namen die auf der höchsten Ebene einer Datei
zugewiesen werden oder innerhalb einer Funktion als global
ausgewiesen werden.
• B: Bereits (in Python) eingebaute - Namen die bereits in die
vorinstallierten Module wie range, open, usw. eingebaut sind.

Lokal

Einschließende Funktionen

Global

Bereits eingebaute

Lokale Variablen
• Wenn ihr Variablen innerhalb einer Funktionsdefinition deklariert,
dann sind sie in keiner Weise mit anderen Variablen außerhalb der
Funktion verknüpft, die den selben Namen haben. D.h. die Namen
von Variablen sind lokal in Bezug auf Funktionen.
• Das bezeichnet somit den Geltungsbereich der Variablen. Alle
Variablen haben den Geltungsbereich des Blocks in dem sie deklariert
werden ausgehend von dem Punkt, an dem sie definiert werden.

Lokale Variablen

Globale Anweisungen
• Wenn man einen Wert einem Namen des Hauptblocks eines
Programms zuordnen möchte, dann muss man Python sagen, dass die
Zuweisung nicht lokal, sondern global ist.
• Dies tun wir durch die Verwendung der global Anweisung.

Globale Anweisungen

Schlussfolgerungen
• Ein letzte Anmerkung hierzu ist, dass ihr globals() und locals() nutzen
könnt, um zu überprüfen, welche eurer Variablen aktuell als global
oder lokal gespeichert sind.
• Ein anderer Punkt, den man im Gedächtnis behalten sollte, ist, dass in
Python alles Objekte sind. Ich kann Funktionen Variablen zuweisen, so
wie ich Zahlen zuweisen kann.
• Wir werden dies noch einmal brauchen, wenn wir in der Sektion der
Dekoratoren sind.

Einführung
• Die Funktion reduce(funktion,sequenz) wendet die Funktion
fortlaufend auf eine Sequenz an. Es gibt dann einen einzigen Wert
zurück.
Reduce by Datamics, 2018

Wie sieht das aus?
• Wenn die Sequenz folgendermaßen aussieht seq[s1,s2,s3,...,sn], dann führt
die Funktion reduce(funktion,sequenz) folgendes aus:
• Zuerst wird die Funktion die ersten beiden Elemente der Sequenz
verarbeiten, d.h. funktion(s1,s2).
• Die Liste auf die die reduce() Funktion angewendet wird, sieht nun
folgendermaßen aus: [funktion(s1,s2),s3,...,sn]
• Im nächsten Schritt wird die Funktion auf das erste Ergebnis (s1,s2) und das
dritte Element der Sequenz angewendet, d.h. funktion((funktion(s1,s2),s3).
• Die Liste sieht jetzt so aus: [funktion(funktion(s1,s2),s3),s4,...,sn].
• So geht es immer weiter, bis kein Element mehr außer dem Ergebnis der
Funktion in der Liste enthalten ist.
Reduce by Datamics, 2018

Wie sieht das aus?
Reduce
47 11
58
42 13
100
113
by Datamics, 2018

Einführung
• Die Funktion filter(funktion, sequenz) bietet die Möglichkeit, alle
Werte aus einer Liste zu filtern, für die die Funktion True ergibt.
Filter by Datamics, 2018

Einführung
• Die Funktion filter(funktion,sequenz) braucht eine Funktion als ihren
ersten Parameter.
• Die Funktion muss einen Boolean Wert, also True or False,
zurückgeben.
• Die Funktion wird auf jedes iterierbares Element der Liste
angewendet. Nur wenn die Funktion True ergibt, wird das Element in
das Ergebnis aufgenommen.
Filter by Datamics, 2018

Iteration vs. Generation
by Datamics, 2018

Einführung
• In dieser Sektion des Kurses werden wir mehr darüber lernen, was die
Unterschiede zwischen Iteration und Generation in Python sind.
• Außerdem mehr darüber, wie wir mit dem yield Statement unsere
eigenen Generatoren erstellen können.
• Wir haben das bereits thematisiert, als wir uns die range() Funktion in
Python 2 und die entsprechende xrange() Funktion angeschaut
haben, von denen letztere ein Generator ist.
Iteration vs. Gerneration by Datamics, 2018

Generatoren erstellen
• Wir wissen bereits, wie wir mit def und return Funktionen erstellen
können.
• Generator Funktionen erlauben es uns eine Funktion zu schreiben,
die einen Wert ausgibt und später dort weiter macht, wo sie
aufgehört hat.
• Diese Art von Funktion ist in Python ein Generator, der es uns erlaubt
über Zeit hinweg eine Sequenz von Werten zu generieren.
• Der Hauptunterschied im Sinne der Syntax wird die yield Anweisung
sein.

Wie Generatoren funktionieren
• In den meisten Aspekten wirken Generatoren wie normale
Funktionen.
• Sie unterscheiden sich hauptsächlich darin, dass eine Generator
Funktion, sobald sie kompiliert wird, zu einem Objekt wird, das
Iteration unterstützt.

Wie Generatoren funktionieren
• Das bedeutet, dass sie beim Ausführen nicht nur einen Wert
zurückgeben und dann aussteigen, sondern die Generator Funktion
wird automatisch aussetzen, aber an dieser Stelle bleiben.
• Der größte Vorteil davon liegt darin, dass nicht immer alle Werte von
Anfang an berechnet werden müssen, sondern die Generator
Funktion ausgesetzt wird. Dieses Feature nennt man state suspension.

Warum werden Generatoren verwendet?
• Generatoren sind am besten dafür geeignet, große Sets von
Ergebnissen zu berechnen. Und das in Fällen, in denen wir keinen
Speicher für alle Ergebnisse auf einmal aufbringen wollen.
• Wie wir bereits in vorherigen Lektionen angemerkt haben geben viele
Standard Funktionen, die in Python 2 noch Listen erzeugt haben, jetzt
in Python 3 Generatoren aus.

Verwende den Gutschein „SLIDESHARE2018“ auf Udemy oder die
Shortlinks und erhalte unsere Kurse für nur 10,99€ (95% Rabatt).
Python für Data Science und Machine Learning: https://goo.gl/cE7TQ3
Original Python Bootcamp - Von 0 auf 100: https://goo.gl/gjn7pX
R für Data Science und Machine Learning: https://goo.gl/8h5tH7
Exklusive Gutscheine
Udemy-Kurse by Datamics, 2018https://www.udemy.com/user/rene-brunner/

Python Bootcamp - Grundlagen

Weitere ähnliche Inhalte

Was ist angesagt?

Ähnlich wie Python Bootcamp - Grundlagen

Mehr von Datamics

Python Bootcamp - Grundlagen

Hinweis der Redaktion