Что такое генератор и как его создать?

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Практика задач для собеседования по программированию на Python

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

В этой главе мы освежим знания об основных структурах данных Python. Мы рассмотрим, как работать со списками, кортежами, множествами и словарями. Также разберём строки и научимся писать регулярные выражения для поиска заданных последовательностей символов в тексте.

Exercise 1: Какие основные структуры данных есть в Python?Exercise 2: Методы списков Exercise 3: Операции над множествами Exercise 4: Хранение данных в словаре Exercise 5: Какие существуют распространённые способы работы со строками?Exercise 6: Индексация и конкатенация строк Exercise 7: Операции со строками Exercise 8: Исправление ошибок в строках DataFrame Exercise 9: Как писать регулярные выражения в Python?Exercise 10: Напишите регулярное выражение Exercise 11: Найдите правильный шаблон Exercise 12: Разбиение по шаблону

Эта глава посвящена итерируемым объектам. Мы повторим их определение и разберём, как их распознать. Далее рассмотрим генераторы списков — одну из особенных возможностей Python для создания списков. Затем вспомним, как объединять несколько итерируемых объектов в один. Наконец, разберём, как создавать собственные итерируемые объекты с помощью генераторов.

Exercise 1: Что такое итерируемые объекты?Exercise 2: enumerate()Exercise 3: Итераторы Exercise 4: Обход DataFrame Exercise 5: Что такое генератор списка?Exercise 6: Простые списковые включения Exercise 7: Последовательность простых чисел Exercise 8: Последовательность взаимно простых чисел Exercise 9: Что такое zip-объект?Exercise 10: Объединение итерируемых объектов Exercise 11: Извлечение кортежей Exercise 12: Создание DataFrame Exercise 13: Что такое генератор и как его создать?

Текущее упражнение

Exercise 14: Сдвиг строки Exercise 15: Бросок кубика Exercise 16: Генераторные выражения

Эта глава посвящена функциональным возможностям Python. Мы начнём с определения функций с переменным количеством позиционных и именованных аргументов. Затем рассмотрим лямбда-функции и случаи, когда они удобны. В частности, разберём, как использовать их совместно с функциями `map()`, `filter()` и `reduce()`. В завершение вспомним, что такое рекурсия и как её правильно реализовать.

Exercise 1: Как передать переменное количество аргументов в функцию?Exercise 2: Позиционные аргументы переменного размера Exercise 3: Именованные аргументы переменного размера Exercise 4: Комбинирование типов аргументов Exercise 5: Что такое лямбда-выражение?Exercise 6: Определение лямбда-выражений Exercise 7: Преобразование функций в лямбда-выражения Exercise 8: Лямбда-выражение в качестве аргумента Exercise 9: Что такое функции map(), filter(), reduce()?Exercise 10: Функция map()Exercise 11: Функция filter()Exercise 12: Функция reduce()Exercise 13: Что такое рекурсия?Exercise 14: Подсчёт количества вызовов функции Exercise 15: Вычислите среднее значение Exercise 16: Приближённое вычисление числа Пи с помощью рекурсии

В этой главе рассматриваются темы, связанные с научными вычислениями в Python. Мы начнём с объяснения различий между массивами NumPy и списками и выясним, почему массивы лучше подходят для сложных вычислений. Далее рассмотрим полезные техники работы с DataFrame в pandas. В завершение выполним визуализацию данных с помощью диаграмм рассеяния, гистограмм и ящичных диаграмм.

Exercise 1: В чём разница между массивом NumPy и списком?Exercise 2: Некорректная инициализация массива Exercise 3: Обращение к подмассивам Exercise 4: Операции с массивами NumPy Exercise 5: Как использовать метод .apply() для DataFrame?Exercise 6: Простое использование .apply()Exercise 7: Дополнительные аргументы Exercise 8: Функции с дополнительными аргументами Exercise 9: Как использовать метод .groupby() для DataFrame?Exercise 10: Стандартные методы DataFrame Exercise 11: BMI злодеев Exercise 12: Заполнение пропущенных значений NaN Exercise 13: Как визуализировать данные в Python?Exercise 14: Исследование взаимосвязей между признаками Exercise 15: Постройте гистограмму Exercise 16: Построение ящичных диаграмм Exercise 17: Заключительные мысли