Python on laajalti käytetty ohjelmointikieli, joka tarjoaa useita ainutlaatuisia ominaisuuksia ja etuja verrattuna kieliin, kuten Java ja C++. Python-opetusohjelmamme selittää perusteellisesti Pythonin perusteet ja edistyneet käsitteet asennuksesta alkaen, ehdolliset lausunnot , silmukat , sisäänrakennetut tietorakenteet , olioohjelmointi , generaattorit , poikkeusten käsittely , Python RegEx ja monet muut käsitteet. Tämä opetusohjelma on suunniteltu aloittelijoille ja ammattilaisille.
1980-luvun lopulla Guido van Rossum unelmoi Pythonin kehittämisestä. Ensimmäinen versio Python 0.9.0 julkaistiin vuonna 1991 . Julkaisustaan lähtien Python alkoi saada suosiota. Raporttien mukaan Python on nyt suosituin ohjelmointikieli kehittäjien keskuudessa tekniikan korkeiden vaatimusten vuoksi.
Mikä on Python
Python on yleiskäyttöinen, dynaamisesti kirjoitettu, korkean tason, käännetty ja tulkittu, roskakoriin kerätty ja puhtaasti olio-ohjelmointikieli, joka tukee proseduurillista, olio- ja toiminnallista ohjelmointia.
Pythonin ominaisuudet:
Pythonilla on monia verkkopohjainen omaisuus , avoimen lähdekoodin projekteja , ja elinvoimainen yhteisö . Kielen oppiminen, yhdessä työskentely projekteissa ja Python-ekosysteemiin osallistuminen ovat kaikki tehty erittäin helpoksi kehittäjille.
Selkeän kielikehyksensä ansiosta Python on helpompi ymmärtää ja kirjoittaa siihen koodia. Tämä tekee siitä fantastisen ohjelmointikielen aloittelijoille. Lisäksi se auttaa kokeneita ohjelmoijia kirjoittamaan selkeää ja virheetöntä koodia.
Pythonilla on monia kolmannen osapuolen kirjastoja, joiden avulla sen toimintoja voidaan helpottaa. Nämä kirjastot kattavat monia alueita, esimerkiksi verkkokehityksen, tieteellisen laskennan, data-analyysin ja paljon muuta.
Java vs. Python
Python on erinomainen valinta nopeaan kehitys- ja komentosarjatehtäviin. Java korostaa vahvaa tyyppijärjestelmää ja olio-ohjelmointia.
Tässä on joitain perusohjelmia, jotka havainnollistavat niiden välisiä keskeisiä eroja.
'Hello World' -kirjoituksen tulostaminen
Python-koodi:
print('Hello World)'
Pythonissa se on yksi koodirivi. Se vaatii yksinkertaisen syntaksin 'Hello World' -kirjoituksen tulostamiseen
Java-koodi:
public class HelloWorld { public static void main(String[] args) { System.out.println('Hello, World!'); } } Javassa meidän täytyy ilmoittaa luokat, menetelmärakenteet monia muita asioita.
Vaikka molemmat ohjelmat antavat saman tulosteen, voimme huomata syntaksieron print-lauseessa.
lataa youtube-videoita vlc:llä
- Pythonissa koodin oppiminen ja kirjoittaminen on helppoa. Java-tilassa se vaatii enemmän koodia tiettyjen tehtävien suorittamiseen.
- Python on dynaamisesti kirjoitettu, mikä tarkoittaa, että meidän ei tarvitse ilmoittaa muuttujaa, kun taas Java on tilastollisesti kirjoitettu, mikä tarkoittaa, että meidän on ilmoitettava muuttujan tyyppi.
- Python sopii useille aloille, kuten tietotieteeseen, koneoppimiseen, verkkokehitykseen ja muihin. Sitä vastoin Java sopii verkkokehitykseen, mobiilisovellusten kehittämiseen (Android) ja muuhun.
Pythonin perussyntaksi
Python-ohjelmointikielessä ei käytetä kiharoita tai puolipisteitä. Se on englannin kaltainen kieli. Mutta Python käyttää sisennystä koodilohkon määrittelemiseen. Sisennys ei ole muuta kuin välilyöntien lisäämistä lauseen eteen, kun sitä tarvitaan.
Esimerkiksi -
def func(): statement 1 statement 2 ………………… ………………… statement N
Yllä olevassa esimerkissä oikealla samalla tasolla olevat lauseet kuuluvat funktioon. Yleensä voimme käyttää neljää välilyöntiä sisennyksen määrittämiseen.
Muissa kielissä käytetyn puolipisteen sijaan Python päättää lauseensa NewLine-merkillä.
Python on isot ja pienet kirjaimet huomioiva kieli, mikä tarkoittaa, että isoja ja pieniä kirjaimia käsitellään eri tavalla. Esimerkiksi 'nimi' ja 'nimi' ovat kaksi eri muuttujaa Pythonissa.
Pythonissa kommentteja voidaan lisätä käyttämällä #-symbolia. Kaikki #-merkin jälkeen kirjoitettu teksti katsotaan kommentiksi, ja tulkki jättää sen huomiotta. Tämä temppu on hyödyllinen muistiinpanojen lisäämisessä koodiin tai koodilohkon väliaikaiseen poistamiseen käytöstä. Se auttaa myös joidenkin muiden kehittäjien ymmärtämään koodia paremmin.
'Jos' , 'muuten', 'for' , 'while' , 'try', 'except' ja 'finally' ovat muutamia Pythonissa varattuja avainsanoja, joita ei voida käyttää muuttujien niminä. Näitä termejä käytetään kielessä erityisistä syistä ja niillä on kiinteä merkitys. Jos käytät näitä avainsanoja, koodisi voi sisältää virheitä tai tulkki voi hylätä ne mahdollisina uusina muuttujina.
Pythonin historia
Pythonin loi Guido van Rossum . 1980-luvun lopulla hollantilainen ohjelmoija Guido van Rossum aloitti Python-työskentelyn Centrum Wiskunde & Informaticassa (CWI) Hollannissa. Hän halusi luoda seuraajan ABC ohjelmointikieli joka olisi helppolukuinen ja tehokas.
Helmikuussa 1991 julkaistiin Pythonin ensimmäinen julkinen versio, versio 0.9.0. Tämä merkitsi virallista syntymää Python avoimen lähdekoodin projektina . Kieli on nimetty brittiläisen komediasarjan mukaan. Monty Pythonin lentävä sirkus '.
Python-kehitys on käynyt läpi useita vaiheita. Tammikuussa 1994 Python 1.0 julkaistiin käyttökelpoisena ja vakaana ohjelmointikielenä. Tämä versio sisälsi monia ominaisuuksia, jotka ovat edelleen olemassa Pythonissa tänään.
1990-luvulta 2000-luvulle , Python saavutti suosion yksinkertaisuutensa, luettavuudensa ja monipuolisuutensa ansiosta. Python 2.0 julkaistiin lokakuussa 2000 . Python 2.0 esitteli luetteloiden ymmärtämisen, roskien keräämisen ja tuen Unicodelle.
Joulukuussa 2008 julkaistiin Python 3.0. Python 3.0 esitteli useita taaksepäin yhteensopimattomia muutoksia koodin luettavuuden ja ylläpidettävyyden parantamiseksi.
Pythonin suosio kasvoi 2010-luvun aikana erityisesti sellaisilla aloilla kuin koneoppiminen ja verkkokehitys. Sen rikas kirjastojen ja kehysten ekosysteemi teki siitä suosikin kehittäjien keskuudessa.
The Python Software Foundation (PSF) perustettiin vuonna 2001 edistää, suojata ja edistää Python-ohjelmointikieltä ja sen yhteisöä.
Miksi oppia Python?
Python tarjoaa monia hyödyllisiä ominaisuuksia ohjelmoijalle. Nämä ominaisuudet tekevät siitä suosituimman ja laajimmin käytetyn kielen. Olemme listanneet alla muutamia Pythonin olennaisia ominaisuuksia.
- Olio-kieli : Se tukee olio-ohjelmointia, mikä tekee uudelleenkäytettävän ja modulaarisen koodin kirjoittamisesta helppoa.
Missä Pythonia käytetään?
Python on yleiskäyttöinen, suosittu ohjelmointikieli, ja sitä käytetään lähes kaikilla tekniikan aloilla. Pythonin eri käyttöalueet on esitetty alla.
- Tekoäly : AI on kehittyvä teknologia, ja Python on täydellinen kieli tekoälylle ja koneoppimiselle, koska saatavilla on tehokkaita kirjastoja, kuten TensorFlow, Keras ja PyTorch.
- DevOps : Pythonia käytetään laajasti DevOpsissa infrastruktuurin hallinnan, kokoonpanon hallinnan ja käyttöönottoprosessien automatisointiin ja komentosarjaan.
- Pyynnöt : kirjasto HTTP-pyyntöjen tekemiseen
- SQLAlchemy : kirjasto SQL-tietokantojen käsittelyä varten
- Epätoivoinen : puitteet monikosketussovellusten rakentamiseen
- Pygame : kirjasto pelien kehittämiseen
- REST-kehys : työkalupakki RESTful API:iden rakentamiseen
- FastAPI : moderni, nopea verkkokehys API:iden rakentamiseen
- Virtaviivainen : kirjasto interaktiivisten verkkosovellusten rakentamiseen koneoppimista ja datatieteitä varten
- NLTK : kirjasto luonnollisen kielen käsittelyyn
Pythonilla on laaja valikoima kirjastoja ja kehyksiä, joita käytetään laajalti eri aloilla, kuten koneoppimisessa, tekoälyssä, verkkosovelluksissa jne. Määrittelemme joitain Pythonin suosittuja puitteita ja kirjastoja seuraavasti.
Python print() -funktio
Python print() -funktiota käytetään tuotoksen näyttämiseen konsoliin tai päätteeseen. Sen avulla voimme näyttää tekstiä, muuttujia ja muuta dataa ihmisen luettavassa muodossa.
Syntaksi:
tulosta (objekti(t), sep=erotin, end=loppu, tiedosto=tiedosto, huuhtele=huuhtele)
Se ottaa yhden tai useamman argumentin erotettuna pilkulla (,) ja lisää 'uusi rivi' loppuun oletuksena.
Parametrit:
- objekti(t) - Niin monta dataa kuin haluat näytettävän, muunnetaan ensin merkkijonoksi ja tulostetaan konsoliin.
- sep - Erottelee objektit välitetyllä erottimella, oletusarvo = ' '.
- end - Lopettaa rivin rivinvaihdolla
- tiedosto - tiedostoobjekti kirjoitusmenetelmällä, oletusarvo = sys.stdout
Esimerkki:
# 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)) Lähtö:
Hello, World! Name: Aman Age: 21 X = 5 y = 7 Sum = 12 Score: 85.75%
Tässä esimerkissä print-käskyä käytetään merkkijonon, kokonaisluvun ja kelluvien arvojen tulostamiseen ihmisen luettavassa muodossa.
Print-lausetta voidaan käyttää virheenkorjaukseen, lokiin ja tietojen antamiseen käyttäjälle.
Pythonin ehdolliset lauseet
Ehdolliset lauseet auttavat meitä suorittamaan tietyn lohkon tietylle ehdolle. Tässä opetusohjelmassa opimme käyttämään ehdollista lauseketta eri lausekkeiden suorittamiseen. Python tarjoaa if ja else avainsanoja loogisten ehtojen asettamiseen. The Elif avainsanaa käytetään myös ehdollisena lauseena.
Esimerkkikoodi if..else-lauseelle
x = 10 y = 5 if x > y: print('x is greater than y') else: print('y is greater than or equal to x')
Lähtö:
x is greater than y
Yllä olevassa koodissa meillä on kaksi muuttujaa, x ja y, vastaavasti 10 ja 5. Sitten käytimme if..else-lausetta tarkistaaksemme, onko x suurempi kuin y tai päinvastoin. Jos ensimmäinen ehto on tosi, tulostetaan lause 'x on suurempi kuin y'. Jos ensimmäinen ehto on epätosi, sen sijaan tulostetaan lause 'y on suurempi tai yhtä suuri kuin x'.
If-avainsana tarkistaa, että ehto on tosi ja suorittaa sen sisällä olevan koodilohkon. Muu-lohkon sisällä oleva koodi suoritetaan, jos ehto on epätosi. Näin if..else-lause auttaa meitä suorittamaan erilaisia koodilohkoja ehdon perusteella.
Opimme tästä yksityiskohtaisemmin Python-opetusohjelman toisessa artikkelissa.
Python-silmukat
Joskus saatamme joutua muuttamaan ohjelman kulkua. Tietyn koodin suorittaminen on ehkä toistettava useita kertoja. Tätä tarkoitusta varten ohjelmointikielet tarjoavat erilaisia silmukoita, jotka pystyvät toistamaan tietyn koodin useita kertoja. Harkitse seuraavaa opetusohjelmaa ymmärtääksesi lausunnot yksityiskohtaisesti.
Python For Loop
fruits = ['apple', 'banana', 'cherry'] for x in fruits: print(x, end=' ')
Lähtö:
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:> Yllä olevassa esimerkkikoodissa olemme osoittaneet kahdentyyppisten silmukoiden käyttämisen Pythonissa - For-silmukan ja While-silmukan.
For-silmukkaa käytetään iteroitaessa alkiosarjaa, kuten luetteloa, monikkoa tai merkkijonoa. Esimerkissä määritimme hedelmäluettelon ja käytimme for-silmukkaa jokaisen hedelmän tulostamiseen, mutta sitä voidaan käyttää myös lukualueen tulostamiseen.
While-silmukka toistaa koodilohkon, jos määritetty ehto on tosi. Esimerkissä olemme alustaneet muuttujan i arvoksi 1 ja käyttäneet while-silmukkaa i:n arvon tulostamiseen, kunnes siitä tulee suurempi tai yhtä suuri kuin 6. i += 1 -lausetta käytetään lisäämään i:n arvoa jokaisessa iteraatiossa .
Opimme niistä yksityiskohtaisesti opetusohjelmassa.
Python-tietorakenteet
Python tarjoaa neljä sisäänrakennettua tietorakennetta: luetteloita , tuples , sarjat , ja sanakirjoja joiden avulla voimme tallentaa tietoja tehokkaasti. Alla on Pythonissa yleisesti käytetyt tietorakenteet esimerkkikoodin ohella:
1. Luettelot
- Listat ovat tilatut kokoelmat eri tietotyyppien tietoelementtejä.
- Listat ovat vaihteleva tarkoittaa, että luetteloa voidaan muokata milloin tahansa.
- Elementit voivat olla pääsee indekseillä .
- Ne määritellään hakasulkeilla ' [] '.
Esimerkki:
# 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)
Lähtö:
fuirts[1] = banana fruits = ['apple', 'banana', 'cherry', 'orange'] sum_nums = 15
2. Tuples
- Tuples ovat myös tilatut kokoelmat eri tietotyyppien tietoelementtejä, jotka ovat samanlaisia kuin luettelot.
- Elementit voivat olla pääsee indekseillä .
- Tuples ovat muuttumaton eli Tupleja ei voi muokata kerran luotua.
- Ne määritellään avoimella hakasulkeella ' () '.
Esimerkki:
# 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_)
Lähtö:
(x, y) = 3 4 Tuple = ('apple', 'banana', 'cherry', 'orange')
3. Sarjat
- Sarjat ovat tilaamaton eri tietotyyppien muuttumattomien tietoelementtien kokoelmat.
- Sarjat ovat vaihteleva .
- Elementtejä ei voi käyttää indeksien avulla.
- Sarjat eivät sisällä päällekkäisiä elementtejä .
- Ne määritellään kiharaisilla aaltosulkeilla. {} '
Esimerkki:
# 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) Lähtö:
set1 = {1, 2, 3, 4} set2 = {'apple', 'cherry', 'orange', 'banana'} 4. Sanakirjat
- Sanakirja ovat avainarvo-pareja joiden avulla voit liittää arvoja yksilöllisiin avaimiin.
- Ne määritellään kiharaisilla aaltosulkeilla. {} ' avain-arvo-parien kanssa erotettu kaksoispisteillä ':' .
- Sanakirjat ovat vaihteleva .
- Elementteihin pääsee käsiksi näppäimillä.
Esimerkki:
# Create a dictionary person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} print('person =', person) print(person['name']) # Modify Dictionary person['age'] = 27 print('person =', person) Lähtö:
person = {'name': 'Umesh', 'age': 25, 'city': 'Noida'} Umesh person = {'name': 'Umesh', 'age': 27, 'city': 'Noida'} Nämä ovat vain muutamia esimerkkejä Pythonin sisäänrakennetuista tietorakenteista. Jokaisella tietorakenteella on omat ominaisuutensa ja käyttötapansa.
Python funktionaalinen ohjelmointi
Tämä Python-opetusohjelman osio määrittelee joitain tärkeitä toiminnalliseen ohjelmointiin liittyviä työkaluja, kuten lambda- ja rekursiiviset funktiot. Nämä toiminnot ovat erittäin tehokkaita monimutkaisten tehtävien suorittamisessa. Määrittelemme muutamia tärkeitä toimintoja, kuten pienennys, kartoitus ja suodatus. Python tarjoaa functools-moduulin, joka sisältää erilaisia toiminnallisia ohjelmointityökaluja. Vieraile seuraavassa opetusohjelmassa saadaksesi lisätietoja toiminnallisesta ohjelmoinnista.
Pythonin viimeisimmät versiot ovat lisänneet ominaisuuksia, jotka tekevät toiminnallisesta ohjelmoinnista ytimekkäämpää ja ilmeikkäämpää. Esimerkiksi 'walrus-operaattori':= sallii muuttujien määrittämisen lausekkeissa, mikä voi olla hyödyllistä käytettäessä sisäkkäisiä funktiokutsuja tai luetteloiden ymmärtämistä.
Python-funktio
- Lambda toiminto - Lambda-toiminto on pieni, anonyymi toiminto joka voi sisältää minkä tahansa määrän argumentteja, mutta sillä voi olla vain yksi lauseke. Lambdafunktioita käytetään usein toiminnallisessa ohjelmoinnissa funktioiden luomiseen 'lennossa' määrittelemättä nimettyä funktiota.
- Rekursiivinen funktio - Rekursiivinen funktio on funktio, joka kutsuu itseään ratkaisemaan ongelman. Rekursiivisia toimintoja käytetään usein toiminnallisessa ohjelmoinnissa monimutkaisten laskelmien suorittamiseen tai monimutkaisten tietorakenteiden läpikulkuun.
- Karttatoiminto - Map()-funktio soveltaa tiettyä funktiota iteroitavan jokaiseen kohteeseen ja palauttaa uuden iteroitavan tulosten kanssa. Syöte iteroitava voi olla lista, monikko tai muu.
- Suodatintoiminto - Filter()-funktio palauttaa iteraattorin iteraatiosta, jonka ensimmäisenä argumenttina hyväksytty funktio palauttaa True-arvon. Se suodattaa iterablesta kohteet, jotka eivät täytä annettua ehtoa.
- Vähennä toimintoa - Reduction()-funktio soveltaa kahden argumentin funktiota kumulatiivisesti iteroitavan alkioihin vasemmalta oikealle pienentääkseen sen yhdeksi arvoksi.
- Functools-moduuli - Pythonin functools-moduuli tarjoaa korkeamman asteen funktioita, jotka toimivat muilla funktioilla, kuten partial() ja vähennys().
- Currying-toiminto - Currying-funktio on funktio, joka ottaa useita argumentteja ja palauttaa joukon funktioita, joista jokainen ottaa yhden argumentin.
- Muistitoiminto - Memoisointi on toiminnallisessa ohjelmoinnissa käytetty tekniikka kalliiden toimintokutsujen tulosten välimuistiin tallentamiseen ja välimuistissa olevan tuloksen palauttamiseen, kun samat syötteet toistuvat.
- Kierteitystoiminto - Threading on tekniikka, jota käytetään toiminnallisessa ohjelmoinnissa useiden tehtävien suorittamiseen samanaikaisesti, jotta koodista tulee tehokkaampi ja nopeampi.
Python-moduulit
Python-moduulit ovat ohjelmatiedostoja, jotka sisältävät Python-koodia tai -funktioita. Pythonissa on kahden tyyppisiä moduuleja - käyttäjän määrittämiä moduuleja ja sisäänrakennettuja moduuleja. Käyttäjän määrittelemää moduulia tai .py-laajennuksella tallennettua Python-koodiamme käsitellään käyttäjän määrittämänä moduulina.
Sisäänrakennetut moduulit ovat Pythonin ennalta määritettyjä moduuleja. Käyttääksemme moduulien toimintoja meidän on tuotava ne nykyiseen työohjelmaamme.
Python-moduulit ovat välttämättömiä kielen ekosysteemille, koska ne tarjoavat uudelleen käytettävää koodia ja toimintoja, jotka voidaan tuoda mihin tahansa Python-ohjelmaan. Tässä on muutamia esimerkkejä useista Python-moduuleista sekä lyhyt kuvaus jokaisesta:
Matematiikka : Antaa käyttäjille pääsyn matemaattisiin vakioihin sekä pi- ja trigonometrisiin funktioihin.
Treffiaika : Tarjoaa luokat yksinkertaisemman tavan käsitellä päivämääriä, kellonaikoja ja aikoja.
SINÄ : Mahdollistaa vuorovaikutuksen peruskäyttöjärjestelmän kanssa, mukaan lukien prosessien ja tiedostojärjestelmän toimintojen hallinnan.
satunnainen : Satunnaisfunktio tarjoaa työkaluja satunnaisten kokonaislukujen luomiseen ja satunnaisten kohteiden poimimiseen luettelosta.
JSON : JSON on tietorakenne, joka voidaan koodata ja purkaa ja jota käytetään usein online-sovellusliittymissä ja tiedonvaihdossa. Tämä moduuli mahdollistaa JSONin käsittelyn.
Re : Tukee säännöllisiä lausekkeita, tehokasta tekstihaku- ja tekstinkäsittelytyökalua.
Kokoelmat : Tarjoaa vaihtoehtoisia tietorakenteita, kuten lajitellut sanakirjat, oletussanakirjat ja nimetyt monikot.
NumPy : NumPy on tieteellisen laskennan ydintyökalusarja, joka tukee taulukoiden ja matriisien numeerisia operaatioita.
Pandat : Se tarjoaa korkean tason tietorakenteita ja operaatioita aikasarjojen ja muiden strukturoitujen tietotyyppien käsittelemiseksi.
Pyynnöt : Tarjoaa yksinkertaisen käyttöliittymän verkkosovellusliittymille ja suorittaa HTTP-pyyntöjä.
Python-tiedoston I/O
Tiedostoja käytetään tietojen tallentamiseen tietokoneen levylle. Tässä opetusohjelmassa selitämme Pythonin sisäänrakennetun tiedostoobjektin. Voimme avata tiedoston Python-skriptillä ja suorittaa erilaisia toimintoja, kuten kirjoittamista, lukemista ja liittämistä. Tiedoston avaamiseen on useita tapoja. Meitä selitetään asiaankuuluvalla esimerkillä. Opimme myös suorittamaan luku-/kirjoitustoimintoja binääritiedostoille.
Pythonin tiedostojen syöttö/tulostus (I/O) -järjestelmä tarjoaa ohjelmia kommunikoimaan levylle tallennettujen tiedostojen kanssa. Pythonin sisäänrakennetut menetelmät tiedostoobjektille antavat meille mahdollisuuden suorittaa toimintoja, kuten lukemista, kirjoittamista ja tietojen lisäämistä tiedostoihin.
The avata() Pythonin menetelmä tekee tiedostoobjektin työskennellessään tiedostojen kanssa. Tämän toiminnon edellyttämät kaksi parametria ovat avattavan tiedoston nimi ja tila, jossa tiedosto avataan. Tilaa voidaan käyttää tiedoston kanssa tehtävän työn mukaan, kuten ' r 'lukemiseen' Sisään 'kirjoittamiseen tai' a ' kiinnittämistä varten.
Kun objekti on luotu onnistuneesti, voidaan käyttää erilaisia menetelmiä työmme mukaan. Jos haluamme kirjoittaa tiedostoon, voimme käyttää write()-funktioita, ja jos haluat lukea ja kirjoittaa molempia, voimme käyttää append()-funktiota ja tapauksissa, joissa haluamme vain lukea sisällön tiedosto, jota voimme käyttää read()-funktiolla. Pythonilla voidaan käsitellä myös binääritiedostoja, jotka sisältävät tietoja binäärimuodossa tekstimuodon sijaan. Binaaritiedostot on kirjoitettu tavalla, jota ihmiset eivät voi suoraan ymmärtää. The rb ja wb tilat voivat lukea ja kirjoittaa binaaridataa binääritiedostoihin.
Python-poikkeukset
Poikkeus voidaan määritellä ohjelman epätavalliseksi tilaksi, joka aiheuttaa keskeytyksen ohjelman kulussa.
Aina kun poikkeus tapahtuu, ohjelma keskeyttää suorituksen, jolloin toista koodia ei suoriteta. Siksi poikkeus ovat ajonaikaiset virheet, joita Python-skripti ei pysty käsittelemään. Poikkeus on Python-objekti, joka edustaa virhettä.
Python-poikkeukset ovat tärkeä osa Python-ohjelmoinnin virheiden käsittelyä. Kun ohjelma kohtaa odottamattoman tilanteen tai virheen, se voi aiheuttaa poikkeuksen, joka voi keskeyttää ohjelman normaalin kulun.
Pythonissa poikkeukset esitetään objekteina, jotka sisältävät tietoa virheestä, mukaan lukien sen tyyppi ja viesti. Pythonin yleisin poikkeustyyppi on Exception-luokka, joka on perusluokka kaikille muille sisäänrakennetuille poikkeuksille.
Pythonin poikkeuksien käsittelemiseksi käytämme yrittää ja paitsi lausunnot. The yrittää -lausetta käytetään sisällyttämään koodi, joka voi aiheuttaa poikkeuksen, kun taas paitsi lausetta käytetään määrittämään koodilohko, joka tulee suorittaa poikkeuksen sattuessa.
Harkitse esimerkiksi seuraavaa koodia:
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')
Lähtö:
Enter a number: 0 Error: Division by zero
Tässä koodissa käytämme try-lausetta yrittääksemme suorittaa jakotoiminnon. Jos jompikumpi näistä toiminnoista aiheuttaa poikkeuksen, sovitus paitsi -lohko suoritetaan.
Python tarjoaa myös monia sisäänrakennettuja poikkeuksia, jotka voidaan esittää samanlaisissa tilanteissa. Joitakin yleisiä sisäänrakennettuja poikkeuksia ovat mm IndexError, Type Error , ja NameError . Voimme myös määrittää mukautettuja poikkeuksiamme luomalla uuden luokan, joka perii Exception-luokasta.
Python CSV
CSV on lyhenne sanoista 'pilkuilla erotetut arvot', joka määritellään yksinkertaiseksi tiedostomuodoksi, joka käyttää erityistä rakennetta taulukkotietojen järjestämiseen. Se tallentaa taulukkomuotoisia tietoja, kuten laskentataulukoita tai tietokantoja pelkkänä tekstinä, ja sillä on yhteinen muoto tiedonvaihtoa varten. CSV-tiedosto avautuu Excel-taulukkoon, ja rivien ja sarakkeiden tiedot määrittävät vakiomuodon.
Voimme käyttää CSV.reader-toimintoa CSV-tiedoston lukemiseen. Tämä funktio palauttaa lukijaobjektin, jota voimme käyttää CSV-tiedoston rivien toistamiseen. Jokainen rivi palautetaan arvoluettelona, jossa jokainen arvo vastaa CSV-tiedoston saraketta.
Harkitse esimerkiksi seuraavaa koodia:
import csv with open('data.csv', 'r') as file: reader = csv.reader(file) for row in reader: print(row)
Tässä avaamme tiedoston data.csv lukutilassa ja luomme a csv.reader objektia käyttämällä csv.reader() toiminto. Toistamme sitten CSV-tiedoston rivejä käyttämällä for-silmukkaa ja tulostamme jokaisen rivin konsoliin.
Voimme käyttää CSV.writer() toiminto kirjoittaa tietoja CSV-tiedostoon. Se palauttaa kirjoitusobjektin, jonka avulla voimme kirjoittaa rivejä CSV-tiedostoon. Voimme kirjoittaa rivejä soittamalla kirjoittaja () menetelmä kirjoittajaobjektissa.
Harkitse esimerkiksi seuraavaa koodia:
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)
Tässä ohjelmassa luomme listan luetteloista nimeltä data, jossa jokainen sisäinen lista edustaa datariviä. Avaamme sitten tiedoston data.csv kirjoitustilassa ja luomme a CSV.writer CSV.writer-funktion avulla. Iteroimme sitten datarivejä käyttämällä for-silmukkaa ja kirjoitamme jokaisen rivin CSV-tiedostoon kirjoitusmenetelmällä.
Python lähettää sähköpostia
Voimme lähettää tai lukea sähköpostin Python-skriptillä. Pythonin vakiokirjastomoduulit ovat hyödyllisiä erilaisten protokollien, kuten PoP3 ja IMAP, käsittelyssä. Python tarjoaa smtplib moduuli sähköpostien lähettämiseen SMTP:llä (Simple Mail Transfer Protocol). Opimme lähettämään sähköpostia suositulla sähköpostipalvelulla SMTP Python-komentosarjasta.
Python Magic -menetelmät
Pythonin taikamenetelmä on erityinen menetelmä, joka lisää 'taikaa' luokkaan. Se alkaa ja päättyy kaksoisalaviivalla, esim. _kuuma_ tai _str_ .
Sisäänrakennetut luokat määrittelevät monia taikamenetelmiä. The sinä() -funktiota voidaan käyttää luokan perimien taikamenetelmien määrän näkemiseen. Siinä on kaksi etuliitettä ja jälkiliitteen alaviivaa menetelmän nimessä.
- Python-taikamenetelmät tunnetaan myös nimellä tyhmiä menetelmiä , lyhenne sanoista 'kaksoisalaviiva', koska niiden nimet alkavat ja päättyvät kaksoisalaviivalla.
- Maagiset menetelmät Python-tulkki kutsuu ne automaattisesti tietyissä tilanteissa, kuten kun objekti luodaan, sitä verrataan toiseen objektiin tai tulostetaan.
- Magic-menetelmiä voidaan käyttää luokkien käyttäytymisen mukauttamiseen, kuten sen määrittämiseen, kuinka objekteja verrataan, muunnetaan merkkijonoiksi tai niitä käytetään säilöinä.
- Jotkut yleisesti käytetyt taikamenetelmät sisältävät lämpöä objektin alustamiseen, str objektin muuntamiseen merkkijonoksi, ekv kahden objektin vertailuun tasa-arvoa varten ja ajoitettu ja setitem säiliöobjektin kohteiden käyttämiseen.
Esimerkiksi, str maaginen menetelmä voi määrittää, kuinka objekti tulee esittää merkkijonona. Tässä on esimerkki
java merkkijono korvaaminen
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) Lähtö:
Vikas (22)
Tässä esimerkissä str-menetelmä on määritetty palauttamaan muotoiltu merkkijonoesitys Person-objektista henkilön nimellä ja iällä.
Toinen yleisesti käytetty taikamenetelmä on ekv , joka määrittelee, kuinka esineitä tulisi verrata tasa-arvon saavuttamiseksi. Tässä on esimerkki:
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)
Lähtö:
False True
Tässä esimerkissä ekv menetelmä on määritetty palauttamaan True, jos kahdella pisteobjektilla on samat x- ja y-koordinaatit, ja False muussa tapauksessa.
Python Oops -käsitteet
Pythonissa kaikkea käsitellään objektina, mukaan lukien kokonaislukuarvot, kellukkeet, funktiot, luokat ja ei mitään. Sen lisäksi Python tukee kaikkia suuntautuneita konsepteja. Alla on lyhyt johdatus Pythonin Oops-käsitteisiin.
- Luokat ja esineet - Python-luokat ovat objektin piirustuksia. Objekti on kokoelma tietoja ja menetelmiä, jotka vaikuttavat dataan.
- Perintö - Periytys on tekniikka, jossa yksi luokka perii muiden luokkien ominaisuudet.
- Rakentaja - Python tarjoaa erityisen menetelmän __init__(), joka tunnetaan rakentajana. Tätä menetelmää kutsutaan automaattisesti, kun objekti instantoidaan.
- Polymorfismi - Polymorfismi on käsite, jossa esineellä voi olla monia muotoja. Pythonissa polymorfismi voidaan saavuttaa menetelmän ylikuormituksella ja menetelmän ohituksella.
- Menetelmän ohittaminen - Method overriding on käsite, jossa alaluokka toteuttaa superluokassaan jo määritellyn menetelmän.
- Kapselointi - Kapselointi on tietojen ja menetelmien käärimistä yhdeksi yksiköksi. Pythonissa kapselointi saavutetaan pääsyn muokkaajilla, kuten julkinen, yksityinen ja suojattu. Python ei kuitenkaan pakota tiukasti käyttöoikeuksien muokkaajia, ja nimeämiskäytäntö osoittaa käyttöoikeustason.
- Datan abstraktio : Tekniikka, jolla piilotetaan tietojen monimutkaisuus ja näytetään vain olennaiset ominaisuudet käyttäjälle. Se tarjoaa käyttöliittymän vuorovaikutukseen tietojen kanssa. Tietojen abstraktio vähentää monimutkaisuutta ja tekee koodista modulaarisemman, jolloin kehittäjät voivat keskittyä ohjelman olennaisiin ominaisuuksiin.
Jos haluat lukea Oops-konseptin yksityiskohtaisesti, käy seuraavissa resursseissa.
- Python Oops -käsitteet - Pythonissa oliosuuntautunut paradigma on suunnitella ohjelma luokkien ja objektien avulla. Objekti liittyy todellisiin sanakokonaisuuksiin, kuten kirja, talo, kynä jne. ja luokka määrittelee sen ominaisuudet ja käyttäytymisen.
- Python-objektit ja luokat - Pythonissa objektit ovat luokkien esiintymiä ja luokat ovat piirustuksia, jotka määrittelevät tietojen rakenteen ja käyttäytymisen.
- Python-konstruktori - Konstruktori on luokassa erityinen menetelmä, jota käytetään objektin attribuuttien alustamiseen objektia luotaessa.
- Pythonin perintö - Periytys on mekanismi, jossa uusi luokka (alaluokka tai aliluokka) perii olemassa olevan luokan (superluokka tai yläluokka) ominaisuudet ja käyttäytymiset.
- Python-polymorfismi - Polymorfismin avulla eri luokkiin kuuluvia objekteja voidaan käsitellä yhteisen superluokan objekteina, jolloin eri luokkia voidaan käyttää vaihtokelpoisesti yhteisen käyttöliittymän kautta.
Python Advance -aiheet
Python sisältää monia edistysaskeleita ja hyödyllisiä konsepteja, jotka auttavat ohjelmoijaa ratkaisemaan monimutkaisia tehtäviä. Nämä käsitteet esitetään alla.
Python Iterator
Iteraattori on yksinkertaisesti objekti, jota voidaan iteroida. Se palauttaa yhden objektin kerrallaan. Se voidaan toteuttaa kahdella erikoismenetelmällä, __iter__() ja __seuraava__().
Pythonin iteraattorit ovat objekteja, jotka mahdollistavat iteroinnin tietokokoelman yli. Ne käsittelevät jokaisen kokoelmaelementin erikseen lataamatta koko kokoelmaa muistiin.
Luodaan esimerkiksi iteraattori, joka palauttaa lukujen neliöt tiettyyn rajaan asti:
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></=> Tässä esimerkissä olemme luoneet luokan Squares, joka toimii iteraattorina toteuttamalla menetelmät __iter__() ja __next__(). Metodi __iter__() palauttaa itse objektin ja __next__() -metodi palauttaa luvun seuraavan neliön, kunnes raja saavutetaan.
Saat lisätietoja iteraattoreista käymällä Python Iterators -opetusohjelmassamme.
Python-generaattorit
Python generaattorit tuottaa arvosarjan käyttämällä tuottoilmoitusta palautuksen sijaan, koska ne ovat funktioita, jotka palauttavat iteraattoreita. Generaattorit lopettavat toiminnon suorittamisen säilyttäen samalla paikallisen tilan. Se jatkaa siitä, mihin se jäi, kun se käynnistetään uudelleen. Koska meidän ei tarvitse toteuttaa iteraattoriprotokollaa tämän ominaisuuden ansiosta, iteraattorien kirjoittaminen on yksinkertaisempaa. Tässä on esimerkki suoraviivaisesta generaattorifunktiosta, joka tuottaa lukujen neliöitä:
# 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)
Lähtö:
0 1 4 9 16
Python-muuntajat
Python-sisustajat ovat funktioita, joita käytetään muuttamaan toisen funktion käyttäytymistä. Niiden avulla voidaan lisätä toimintoja olemassa olevaan toimintoon muuttamatta sen koodia suoraan. Sisustajat määritellään käyttämällä @ symboli, jota seuraa koristelutoiminnon nimi. Niitä voidaan käyttää kirjaamiseen, ajoitukseen, välimuistiin jne.
Tässä on esimerkki koristelutoiminnosta, joka lisää ajoitustoiminnon toiseen toimintoon:
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) Lähtö:
Yllä olevassa esimerkissä time_it decorator-funktio ottaa toisen funktion argumenttina ja palauttaa käärefunktion. Käärimistoiminto laskee alkuperäisen toiminnon suoritusajan ja tulostaa sen konsoliin. @time_it-koristelijaa käytetään time_it-funktion käyttämiseen my_function-funktioon. Kun my_function kutsutaan, koristelu suoritetaan ja ajoitustoiminto lisätään.
Python MySQL
Python MySQL on tehokas relaatiotietokannan hallintajärjestelmä. Meidän on määritettävä ympäristö ja muodostettava yhteys MySQL:n käyttämiseksi Pythonin kanssa. Pythonissa voimme luoda uuden tietokannan ja taulukot SQL-komennoilla.
- Ympäristön asetukset : MySQL Connectorin/Pythonin asentaminen ja konfigurointi Pythonin käyttämiseksi MySQL:n kanssa.
- Tietokantayhteys : Yhteyden muodostaminen Python- ja MySQL-tietokannan välille MySQL-liittimen/Pythonin avulla.
- Uuden tietokannan luominen : Uuden tietokannan luominen MySQL:ssä Pythonilla.
- Taulukoiden luominen : Taulukoiden luominen MySQL-tietokantaan Pythonilla SQL-komennoilla.
- Lisää toiminta : Lisää tietoja MySQL-taulukoihin Python- ja SQL-komennoilla.
- Lue Käyttö : Tietojen lukeminen MySQL-taulukoista Python- ja SQL-komentojen avulla.
- Päivitystoiminto : MySQL-taulukoiden tietojen päivittäminen Python- ja SQL-komennoilla.
- Liity operaatioon : Kahden tai useamman taulukon yhdistäminen MySQL:ssä Python- ja SQL-komentojen avulla.
- Tapahtumien suorittaminen : SQL-kyselyjen ryhmän suorittaminen yhtenä työyksikkönä MySQL:ssä Pythonin avulla.
Muita suhteellisia kohtia ovat virheiden käsittely, indeksien luominen ja tallennettujen toimintojen ja toimintojen käyttö MySQL:ssä Pythonin kanssa.
Python MongoDB
Python MongoDB on suosittu NoSQL-tietokanta, joka tallentaa tietoja JSON-tyyppisiin asiakirjoihin. Se on kaavioton ja tarjoaa korkean skaalautuvuuden ja joustavuuden tietojen tallentamiseen. Voimme käyttää MongoDB:tä Pythonin kanssa PyMongo-kirjaston avulla, joka tarjoaa yksinkertaisen ja intuitiivisen käyttöliittymän vuorovaikutukseen MongoDB:n kanssa.
Tässä on joitain yleisiä tehtäviä, kun työskentelet MongoDB:n kanssa Pythonissa:
- Ympäristön asetukset : Asenna ja määritä MongoDB- ja PyMongo-kirjasto järjestelmääsi.
- Tietokantayhteys : Yhdistä MongoDB-palvelimeen PyMongon MongoClient-luokan avulla.
- Uuden tietokannan luominen : Luo uusi tietokanta MongoClient-objektin avulla.
- Kokoelmien luominen : Luo kokoelmia tietokannassa asiakirjojen tallentamista varten.
- Asiakirjojen lisääminen : Lisää uusia asiakirjoja kokoelmaan käyttämällä insert_one()- tai insert_many()-menetelmiä.
- Asiakirjojen kysely : Hae asiakirjoja kokoelmasta käyttämällä erilaisia kyselymenetelmiä, kuten find_one(), find() jne.
- Asiakirjojen päivittäminen : Muokkaa olemassa olevia asiakirjoja kokoelmassa käyttämällä update_one()- tai update_many()-menetelmiä.
- Asiakirjojen poistaminen : Poista asiakirjoja kokoelmasta käyttämällä delete_one()- tai delete_many()-menetelmiä.
- Aggregointi : Suorita aggregointitoimintoja, kuten ryhmittely, laskenta jne., käyttämällä yhdistämisputkikehystä.
MongoDB:ssä on monia edistyneempiä aiheita, kuten tietojen jakaminen, replikointi ja paljon muuta, mutta nämä tehtävät kattavat MongoDB:n käytön perusteet Pythonissa.
Python SQLite
Relaatiotietokannat rakennetaan ja ylläpidetään Python SQLitellä, joka on kompakti, palvelimeton, itsenäinen tietokantamoottori. Sen liikkuvuus ja yksinkertaisuus tekevät siitä suositun vaihtoehdon paikallisiin tai pienimuotoisiin sovelluksiin. Pythonissa on sisäänrakennettu moduuli SQLite-tietokantoihin yhdistämistä varten nimeltä SQLite3, jonka avulla kehittäjät voivat työskennellä SQLite-tietokantojen kanssa ilman vaikeuksia.
SQLite3-kirjaston kautta on saatavilla erilaisia API-menetelmiä, joita voidaan käyttää SQL-kyselyjen suorittamiseen, tietojen lisäämiseen, valitsemiseen, päivittämiseen ja poistamiseen sekä tietojen hakemiseen taulukoista. Lisäksi se mahdollistaa tapahtumat, jolloin ohjelmoijat voivat peruuttaa muutokset ongelmatilanteissa. Python SQLite on loistava vaihtoehto ohjelmien luomiseen, jotka tarvitsevat sulautetun tietokantajärjestelmän, mukaan lukien työpöytä-, mobiili- ja vaatimattoman kokoiset verkko-ohjelmat. SQLite on tullut suosituksi kehittäjien keskuudessa kevyille sovelluksille, joissa on tietokantatoimintoja sen helppokäyttöisyyden, siirrettävyyden ja sujuvan Python-yhteyden ansiosta.
Python CGI
Python CGI on tekniikka komentosarjojen suorittamiseen web-palvelimien kautta dynaamisen verkkosisällön tuottamiseksi. Se tarjoaa viestintäkanavan ja dynaamisen sisällön luomisliittymän ulkoisille CGI-skripteille ja web-palvelimelle. Python CGI -komentosarjat voivat luoda HTML-verkkosivuja, käsitellä lomakesyöttöä ja kommunikoida tietokantojen kanssa. Python CGI:n avulla palvelin voi suorittaa Python-skriptejä ja toimittaa tulokset asiakkaalle, mikä tarjoaa nopean ja tehokkaan tavan luoda dynaamisia verkkosovelluksia.
Python CGI -komentosarjoja voidaan käyttää moniin asioihin, kuten dynaamisten verkkosivujen luomiseen, lomakkeiden käsittelyyn ja vuorovaikutukseen tietokantojen kanssa. Koska Python, tehokas ja suosittu ohjelmointikieli, voidaan käyttää skriptien luomiseen, se mahdollistaa räätälöidymmän ja joustavamman lähestymistavan webin luomiseen. Python CGI:llä voidaan luoda skaalautuvia, turvallisia ja ylläpidettäviä online-sovelluksia. Python CGI on kätevä työkalu verkkokehittäjille, jotka rakentavat dynaamisia ja interaktiivisia verkkosovelluksia.
Asynkroninen ohjelmointi Pythonissa
Asynkroninen ohjelmointi on tietokoneohjelmoinnin paradigma, joka mahdollistaa toimintojen itsenäisen ja samanaikaisen toiminnan. Sitä käytetään usein sovelluksissa, kuten verkkopalvelimissa, tietokantaohjelmistoissa ja verkko-ohjelmoinnissa, joissa useita tehtäviä tai pyyntöjä on käsiteltävä samanaikaisesti.
Pythonilla on asynkronisen ohjelmoinnin kirjastoissa ja kehyksissä asyncio, Twisted ja Tornado. Asyncio, yksi näistä, tarjoaa yksinkertaisen käyttöliittymän asynkroniseen ohjelmointiin ja on Pythonin virallinen asynkroninen ohjelmointikirjasto.
Korutiinit ovat toimintoja, jotka voidaan pysäyttää ja käynnistää uudelleen tietyissä paikoissa koodissa ja joita asyncio käyttää. Tämä mahdollistaa useiden korutiinien toiminnan samanaikaisesti häiritsemättä toisiaan. Korutiinien rakentamiseen ja ylläpitoon kirjasto tarjoaa useita luokkia ja menetelmiä, mm asyncio.gather(), asyncio.wait(), ja asyncio.create_task().
Tapahtumasilmukat, jotka vastaavat korutiinien suunnittelusta ja toiminnasta, ovat toinen asyncion ominaisuus. Kiertelemällä korutiinien välillä estottomasti tapahtumasilmukka ohjaa korutiinien suorittamista ja varmistaa, että mikään korutiini ei estä toista. Lisäksi se tukee ajastimia ja takaisinsoittojen ajoittamista, mikä voi olla hyödyllistä, kun toimintoja on suoritettava tiettyinä aikoina tai tietyin väliajoin.
Python Concurrency
Termi ' samanaikaisuus ' kuvaa ohjelman kykyä suorittaa useita tehtäviä samanaikaisesti, mikä lisää ohjelman tehokkuutta. Python tarjoaa useita moduuleja ja samanaikaisuuteen liittyviä menetelmiä, mukaan lukien asynkroninen ohjelmointi, moniprosessointi ja monisäie. Vaikka moniprosessointi edellyttää useiden prosessien suorittamista samanaikaisesti järjestelmässä, monisäikeisyyteen kuuluu useiden säikeiden ajaminen samanaikaisesti yhden prosessin sisällä.
The kierteitysmoduuli Pythonissa ohjelmoijat voivat rakentaa monisäikeistystä. Se tarjoaa luokkia ja toimintoja säikeiden perustamiseen ja hallintaan. Toisaalta moniprosessointimoduuli antaa kehittäjille mahdollisuuden suunnitella ja ohjata prosesseja. Pythonin asyncio-moduuli tarjoaa asynkronisen ohjelmoinnin tuen, jonka avulla kehittäjät voivat kirjoittaa estävää koodia, joka pystyy käsittelemään useita tehtäviä samanaikaisesti. Näitä tekniikoita käyttämällä kehittäjät voivat kirjoittaa tehokkaita, skaalautuvia ohjelmia, jotka voivat käsitellä useita tehtäviä samanaikaisesti.
Pythonin säikeitysmoduuli mahdollistaa useiden säikeiden samanaikaisen suorittamisen yhdessä prosessissa, mikä on hyödyllistä I/O-sidotuissa toimissa.
Prosessoria vaativissa toiminnoissa, kuten kuvankäsittelyssä tai tietojen analysoinnissa, monikäsittelymoduulit mahdollistavat useiden prosessien suorittamisen samanaikaisesti useissa prosessoriytimissä.
Asyncio-moduuli tukee asynkronista I/O:ta ja mahdollistaa yksisäikeisen samanaikaisen koodin luomisen käyttämällä korutiineja korkean samanaikaisuuden verkkosovelluksiin.
Daskin kaltaisten kirjastojen kanssa, PySpark , ja MPI, Python voidaan myös käyttää rinnakkaislaskentaan. Nämä kirjastot mahdollistavat työkuormien jakamisen useiden solmujen tai klustereiden kesken suorituskyvyn parantamiseksi.
Web scrapping Pythonilla
Web-kaappausprosessia käytetään tietojen hakemiseen verkkosivustoilta automaattisesti. Useat työkalut ja kirjastot poimivat tietoja HTML:stä ja muista online-muodoista. Python on yksi laajimmin käytettyjä ohjelmointikieliä web-kaappaukseen, koska se on helppokäyttöinen, mukautuva ja monipuolinen kirjasto.
Meidän on ryhdyttävä muutamaan vaiheeseen web-kaappauksen suorittamiseksi Pythonilla. Meidän on ensin päätettävä, mikä verkkosivusto kaavitaan ja mitä tietoja kerätään. Sitten voimme lähettää pyynnön verkkosivustolle ja vastaanottaa HTML-sisällön Pythonin pyyntöpaketin avulla. Kun meillä on HTML-teksti, voimme purkaa tarvittavat tiedot käyttämällä erilaisia jäsennyspaketteja, kuten Kaunis keitto ja lxml .
Voimme käyttää useita strategioita, kuten pyyntöjen hidastamista, käyttäjäagenttien käyttämistä ja välityspalvelinten käyttöä estääksemme verkkosivuston palvelimen ylikuormituksen. On myös erittäin tärkeää noudattaa verkkosivuston käyttöehtoja ja kunnioittaa sen robots.txt-tiedostoa.
Tietojen louhinta, liidien luominen, hinnoittelun seuranta ja monet muut käyttötavat ovat mahdollisia verkon kaapimiseen. Koska luvaton verkon kaapiminen voi kuitenkin olla lainvastaista ja epäeettistä, on välttämätöntä hyödyntää sitä ammattimaisesti ja eettisesti.
Natural Language Processing (NLP) Pythonilla
Tekoälyn (AI) haara nimeltä 'luonnollinen kielen käsittely' (NLP) tutkii tietokoneiden ja ihmisen kielen vuorovaikutusta. NLP:n ansiosta tietokoneet voivat nyt ymmärtää, tulkita ja tuottaa ihmisten kieltä. Yksinkertaisuuden, monipuolisuuden ja vahvojen kirjastojen, kuten NLTK (Natural Language Toolkit) ja spaCy, ansiosta Python on tunnettu ohjelmointikieli NLP:lle.
NLTK tarjoaa täydellisen kirjaston NLP-tehtäviin, mukaan lukien tokenisointi, stemming, lemmatisointi, puheosan taggaus, nimetyn entiteetin tunnistaminen, tunteiden analysointi ja muut. Siinä on erilaisia korpuja (suuria, organisoituja tekstikokoelmia) NLP-mallien kehittämiseen ja arviointiin. Toinen suosittu kirjasto NLP-tehtäville on spaCy , joka tarjoaa nopean ja tehokkaan valtavien tekstimäärien käsittelyn. Se mahdollistaa yksinkertaisen muokkauksen ja laajentamisen, ja mukana tulee valmiiksi koulutetut mallit erilaisiin NLP-työkuormiin.
NLP:tä voidaan käyttää Pythonissa useisiin käytännön tarkoituksiin, mukaan lukien chatbotit, tunteiden analysointi, tekstin luokittelu, konekääntäminen ja paljon muuta. Esimerkiksi chatbotit käyttävät NLP:tä käyttäjien tiedustelujen ymmärtämiseen ja niihin vastaamiseen luonnollisella kielellä. Tunneanalyysi, josta voi olla apua brändin seurannassa, asiakaspalautteen analysoinnissa ja muissa tarkoituksiin, käyttää NLP:tä tekstin tunteiden luokitteluun (positiivinen, negatiivinen tai neutraali). Tekstiasiakirjat luokitellaan luonnollisen kielen käsittelyn (NLP) avulla ennalta määritettyihin luokkiin roskapostin havaitsemista, uutisten luokittelua ja muita tarkoituksia varten.
Python on vahva ja hyödyllinen työkalu ihmisen kielen analysointiin ja käsittelyyn. Kehittäjät voivat suorittaa erilaisia NLP-toimintoja ja luoda hyödyllisiä sovelluksia, jotka voivat kommunikoida kuluttajien kanssa luonnollisella kielellä kirjastojen, kuten NLTK ja spaCy, avulla.
Johtopäätös:
Tässä opetusohjelmassa olemme tarkastelleet joitain Pythonin tärkeimpiä ominaisuuksia ja ideoita, mukaan lukien muuttujat, tietotyypit, silmukat, funktiot, moduulit ja paljon muuta. Myös monimutkaisemmista aiheista, kuten verkon kaavinta, luonnollisen kielen käsittelystä, rinnakkaisuudesta ja tietokantayhteydestä, on keskusteltu. Sinulla on vahva perusta jatkaa Pythonin ja sen sovellusten oppimista tällä oppitunnilla oppimiesi tietojen avulla.
suhteen koostumus
Muista, että koodin harjoitteleminen ja kehittäminen on paras tapa oppia Python. Saatat löytää javaTpointista monia resursseja, jotka tukevat jatko-oppimista, mukaan lukien dokumentaatio, opetusohjelmat, verkkoryhmät ja paljon muuta. Voit hallita Pythonia ja käyttää sitä luomaan upeita asioita, jos työskentelet lujasti ja sinnikkäästi.
Edellytys
Ennen kuin opit Pythonin, sinulla on oltava perustiedot ohjelmointikonsepteista.
Yleisö
Python-opetusohjelmamme on suunniteltu auttamaan aloittelijoita ja ammattilaisia.
Ongelma
Vakuutamme, että et löydä ongelmia tästä Python-opetusohjelmasta. Mutta jos on virhe, ilmoita ongelma yhteydenottolomakkeella.