Lernen Praktische Anwendungen von Generatoren: Anwendungsfälle aus der Praxis

Generatoren können als leichtgewichtige Kontextmanager eingesetzt werden, um Ressourcen effizient zu verwalten, wie beispielsweise Datenbankverbindungen, Dateioperationen oder Sperrmechanismen. Mit dem Modul contextlib ermöglichen Generatoren eine nahtlose Ressourcenallokation und -freigabe.


              1234567891011121314
            
from contextlib import contextmanager

@contextmanager
def database_connection():
    print("Opening database connection")
    connection = "Database Connection"  # Simulated connection
    try:
        yield connection
    finally:
        print("Closing database connection")

# Using the generator as a context manager
with database_connection() as conn:
    print(f"Using {conn}")

Effiziente Verarbeitung großer Datenmengen

Generatoren eignen sich hervorragend zum Aufbau von Datenpipelines, die große Datensätze verzögert verarbeiten. Jede Stufe der Pipeline kann als Generator implementiert werden, was eine effiziente und speicherschonende Verarbeitung ermöglicht.


              12345678910111213141516171819202122232425262728293031323334353637383940
            
import re

# Stage 1: Read lines lazily
def read_lines(text):
    for line in text.split("\n"):
        yield line

# Stage 2: Filter non-empty lines
def filter_lines(lines):
    for line in lines:
        if line.strip():
            yield line

# Stage 3: Extract words lazily
def extract_words(lines):
    for line in lines:
        for word in re.findall(r'\w+', line):
            yield word

# Stage 4: Transform words to lowercase
def lowercase_words(words):
    for word in words:
        yield word.lower()

# Input text
text = """Generators are powerful tools
They allow efficient data processing
This pipeline demonstrates their usage"""

# Build the pipeline
lines = read_lines(text)
filtered = filter_lines(lines)
words = extract_words(filtered)
lowercased = lowercase_words(words)

# Process the data
print("Processed words:")
for word in lowercased:
    print(word)

War alles klar?

Danke für Ihr Feedback!

Abschnitt 6. Kapitel 5

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 3.13

Swipe um das Menü anzuzeigen


              1234567891011121314
            
from contextlib import contextmanager

@contextmanager
def database_connection():
    print("Opening database connection")
    connection = "Database Connection"  # Simulated connection
    try:
        yield connection
    finally:
        print("Closing database connection")

# Using the generator as a context manager
with database_connection() as conn:
    print(f"Using {conn}")

Effiziente Verarbeitung großer Datenmengen


              12345678910111213141516171819202122232425262728293031323334353637383940
            
import re

# Stage 1: Read lines lazily
def read_lines(text):
    for line in text.split("\n"):
        yield line

# Stage 2: Filter non-empty lines
def filter_lines(lines):
    for line in lines:
        if line.strip():
            yield line

# Stage 3: Extract words lazily
def extract_words(lines):
    for line in lines:
        for word in re.findall(r'\w+', line):
            yield word

# Stage 4: Transform words to lowercase
def lowercase_words(words):
    for word in words:
        yield word.lower()

# Input text
text = """Generators are powerful tools
They allow efficient data processing
This pipeline demonstrates their usage"""

# Build the pipeline
lines = read_lines(text)
filtered = filter_lines(lines)
words = extract_words(filtered)
lowercased = lowercase_words(words)

# Process the data
print("Processed words:")
for word in lowercased:
    print(word)

War alles klar?

Danke für Ihr Feedback!

Abschnitt 6. Kapitel 5

Praktische Anwendungen von Generatoren: Anwendungsfälle aus der Praxis

Effiziente Verarbeitung großer Datenmengen

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit `yield` liefert?

2. Was gibt der folgende Code aus?

3. Was macht der folgende Code?

Awesome!

Praktische Anwendungen von Generatoren: Anwendungsfälle aus der Praxis

Effiziente Verarbeitung großer Datenmengen

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit `yield` liefert?

2. Was gibt der folgende Code aus?

3. Was macht der folgende Code?

Praktische Anwendungen von Generatoren: Anwendungsfälle aus der Praxis

Effiziente Verarbeitung großer Datenmengen

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit yield liefert?

2. Was gibt der folgende Code aus?

3. Was macht der folgende Code?

Awesome!

Praktische Anwendungen von Generatoren: Anwendungsfälle aus der Praxis

Effiziente Verarbeitung großer Datenmengen

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit yield liefert?

2. Was gibt der folgende Code aus?

3. Was macht der folgende Code?

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit `yield` liefert?

1. Was passiert, wenn eine Generatorfunktion keine Werte mehr mit `yield` liefert?