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

Egenskaper och getters/setters ger kontrollerad åtkomst till klassdata, vilket omvandlar enkel attributåtkomst till kraftfulla, validerade och beräknade interaktioner. De överbryggar klyftan mellan direkt attributanvändning och metodbaserad kontroll, och kombinerar läsbarhet med robusthet.


Egenskaper i Python använder **descriptorprotokollet** i bakgrunden. Detta gör att metoder dekorerade med `@property` kan bete sig som attribut samtidigt som de kör anpassad 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

**Professionella mönster** inkluderar **lata utvärderingar** för kostsamma beräkningar, **cachning** för ofta åtkomna värden, **tydliga felmeddelanden** vid validering och **omfattande dokumentation** av egenskapens beteende. Egenskaper bör upplevas som **naturliga attribut** samtidigt som de ger **metodernas kontroll**.

**Prestandaöverväganden** är viktiga för ofta åtkomna egenskaper. Enkla **getters/setters** har minimal påverkan, men **komplex validering** eller **tunga beräkningar** kan försämra prestandan. I sådana fall är **cachning**, **lata utvärderingar** och **effektiva algoritmer** avgörande.

Valet mellan **egenskaper och traditionella getters/setters** beror på behov: egenskaper erbjuder **renare syntax** och följer **Pythons idiom**, medan explicita metoder kan vara bättre för **komplex validering** eller **metodbaserade API:er**.

Vilken fördel ger Python-egenskaper jämfört med traditionella getter- och setter-metoder?

Lär dig att bygga rena, säkra och skalbara applikationer med objektorienterad programmering i Python. Täck grunderna i klasser och objekt, och gå sedan vidare till avancerade koncept såsom arv, komposition, polymorfism och inkapsling. Med tydliga förklaringar och praktiska exempel utvecklar du förmågan att designa Python-program som är kraftfulla, underhållbara och redo för verklig användning.

Lär dig de grundläggande byggstenarna i objektorienterad programmering i Python. Detta avsnitt behandlar klasser, objekt, metoder och variabler, vilket ger en stabil grund för att förstå hur OOP organiserar och strukturerar kod.

Utforska hur klasser kan dela och utöka funktionalitet. Du kommer att lära dig olika arvsmönster, från enkla hierarkier till multipelt arv och abstrakta klasser, och se hur dessa möjliggör återanvändning av kod och skalbarhet.

Upptäck hur du bygger flexibla system genom att kombinera objekt. Istället för att enbart förlita dig på arv, visar vi hur komposition gör det möjligt att sammanfoga beteenden på ett modulärt och anpassningsbart sätt.

Förstå hur olika objekt kan dela ett gemensamt gränssnitt men ändå uppträda på sitt eget sätt. Detta avsnitt visar hur metodöverskuggning, gränssnitt och protokoll gör din kod mer dynamisk och återanvändbar.

Lär dig hur du skyddar intern data och kontrollerar åtkomst till klassattribut. Du kommer att utforska privata attribut, getters och setters samt tekniker för att dölja data som håller dina klasser säkra och underhållbara.

Använda getters och setters