Summary  
This chapter covers how to use Python’s @property decorator and the descriptor protocol to implement getters and setters for controlled attribute access, validation, and computed properties.  

General domain of usage  
Modeling and validating physical measurements

Egenskaber og getters/setters giver kontrolleret adgang til klassedata og forvandler simpel attributadgang til kraftfulde, validerede og beregnede interaktioner. De bygger bro mellem direkte brug af attributter og metodebaseret kontrol og kombinerer læsbarhed med robusthed.

Egenskaber i Python anvender **descriptor-protokollen** i baggrunden. Dette gør det muligt for metoder dekoreret med `@property` at opføre sig som attributter, samtidig med at de kører brugerdefineret logik.


class Temperature:
    def __init__(self, celsius):
        self._celsius = celsius

    @property
    def celsius(self):
        return self._celsius

    @celsius.setter
    def celsius(self, value):
        if -273.15 <= value <= 1e4:     # validation
            self._celsius = value
        else:
            raise ValueError("Invalid temperature")

    @property
    def fahrenheit(self):
        return (self._celsius * 9/5) + 32

t = Temperature(25)
print(t.fahrenheit)    # Computed property
t.celsius = -300       # Raises ValueError

**Professionelle mønstre** omfatter **lazy evaluation** til dyre beregninger, **caching** for ofte tilgåede værdier, **klare fejlmeddelelser** ved validering og **omfattende dokumentation** af egenskabers opførsel. Egenskaber bør føles som **naturlige attributter**, samtidig med at de giver **kontrol som metoder**.

**Ydelsesmæssige overvejelser** er vigtige for ofte tilgåede egenskaber. Enkle **getters/setters** har minimal overhead, men **kompleks validering** eller **tunge beregninger** kan forringe ydeevnen. I sådanne tilfælde er **caching**, **lazy evaluation** og **effektive algoritmer** afgørende.

Valget mellem **egenskaber og traditionelle getters/setters** afhænger af behov: egenskaber giver **renere syntaks** og følger **Python-idiomer**, mens eksplicitte metoder kan være bedre til **kompleks validering** eller **metodebaserede API'er**.

Hvilken fordel giver Python-egenskaber i forhold til traditionelle getter- og setter-metoder?

Lær at bygge rene, sikre og skalerbare applikationer med objektorienteret programmering i Python. Dækker grundlæggende principper for klasser og objekter og går derefter videre til avancerede emner som arv, komposition, polymorfi og indkapsling. Med klare forklaringer og praktiske eksempler udvikler du evnen til at designe Python-programmer, der er kraftfulde, vedligeholdelsesvenlige og klar til brug i virkelige situationer.

Lær de grundlæggende byggesten i objektorienteret programmering i Python. Dette afsnit dækker klasser, objekter, metoder og variabler og giver dig et solidt fundament for at forstå, hvordan OOP organiserer og strukturerer kode.

Undersøg, hvordan klasser kan dele og udvide funktionalitet. Du lærer om forskellige arvmønstre, fra simple hierarkier til multipel arv og abstrakte klasser, og ser, hvordan de muliggør genbrug af kode og skalerbarhed.

Opdag, hvordan man opbygger fleksible systemer ved at kombinere objekter. I stedet for udelukkende at benytte arv, viser vi, hvordan komposition gør det muligt at samle funktionaliteter på en modulær og tilpasningsdygtig måde.

Forstå hvordan forskellige objekter kan dele et fælles interface, men opføre sig på deres egen måde. Dette afsnit viser, hvordan metodeoverskrivning, interfaces og protokoller gør din kode mere dynamisk og genanvendelig.

Lær at beskytte interne data og kontrollere adgangen til klasseattributter. Du vil udforske private attributter, getters og setters samt teknikker til dataindkapsling, der gør dine klasser sikre og vedligeholdelsesvenlige.

Brug af getters og setters