Object Oriented Python - คู่มือฉบับย่อ

ภาษาการเขียนโปรแกรมกำลังเกิดขึ้นอย่างต่อเนื่องและวิธีการที่แตกต่างกันการเขียนโปรแกรมเชิงวัตถุเป็นวิธีการหนึ่งที่ได้รับความนิยมอย่างมากในช่วงไม่กี่ปีที่ผ่านมา

บทนี้พูดถึงคุณสมบัติของภาษาโปรแกรม Python ที่ทำให้เป็นภาษาโปรแกรมเชิงวัตถุ

แผนการจัดประเภทการเขียนโปรแกรมภาษา

Python สามารถระบุได้ภายใต้วิธีการเขียนโปรแกรมเชิงวัตถุ ภาพต่อไปนี้แสดงลักษณะของภาษาโปรแกรมต่างๆ สังเกตคุณสมบัติของ Python ที่ทำให้เป็นเชิงวัตถุ

ชั้นเรียน Langauage หมวดหมู่ Langauages
กระบวนทัศน์การเขียนโปรแกรม ขั้นตอน C, C ++, C #, Objective-C, java, Go
การเขียนสคริปต์ CoffeeScript, JavaScript, Python, Perl, Php, Ruby
การทำงาน Clojure, Eralang, Haskell, Scala
คลาสการรวบรวม คงที่ C, C ++, C #, Objective-C, java, Go, Haskell, Scala
ไดนามิก CoffeeScript, JavaScript, Python, Perl, Php, Ruby, Clojure, Erlang
ประเภทคลาส แข็งแรง C #, java, Go, Python, Ruby, Clojure, Erlang, Haskell, Scala
อ่อนแอ C, C ++, C #, Objective-C, CoffeeScript, JavaScript, Perl, Php
คลาสหน่วยความจำ จัดการ อื่น ๆ
ไม่มีการจัดการ C, C ++, C #, Objective-C

Object Oriented Programming คืออะไร?

Object Orientedหมายถึงมุ่งไปที่วัตถุ กล่าวอีกนัยหนึ่งหมายถึงการทำงานที่มุ่งไปที่การสร้างแบบจำลองวัตถุ นี่เป็นหนึ่งในเทคนิคมากมายที่ใช้ในการสร้างแบบจำลองระบบที่ซับซ้อนโดยการอธิบายกลุ่มของอ็อบเจ็กต์ที่โต้ตอบผ่านข้อมูลและพฤติกรรม

Python เป็นการเขียนโปรแกรมเชิงวัตถุ (OOP) เป็นวิธีการเขียนโปรแกรมที่เน้นการใช้วัตถุและคลาสเพื่อออกแบบและสร้างแอปพลิเคชัน .. เสาหลักของ Object Oriented Programming (OOP) คือ Inheritance, Polymorphism, Abstraction, โฆษณา Encapsulation.

Object Oriented Analysis (OOA) คือกระบวนการตรวจสอบปัญหาระบบหรืองานและระบุวัตถุและปฏิสัมพันธ์ระหว่างกัน

ทำไมต้องเลือก Object Oriented Programming?

Python ได้รับการออกแบบด้วยวิธีเชิงวัตถุ OOP มีข้อดีดังต่อไปนี้ -

  • มีโครงสร้างโปรแกรมที่ชัดเจนซึ่งทำให้ง่ายต่อการทำแผนที่ปัญหาในโลกแห่งความเป็นจริงและแนวทางแก้ไข

  • อำนวยความสะดวกในการบำรุงรักษาและแก้ไขโค้ดที่มีอยู่ได้ง่าย

  • ปรับปรุงความเป็นโมดูลของโปรแกรมเนื่องจากแต่ละอ็อบเจ็กต์มีอยู่อย่างอิสระและสามารถเพิ่มคุณสมบัติใหม่ ๆ ได้อย่างง่ายดายโดยไม่รบกวนสิ่งที่มีอยู่

  • นำเสนอกรอบงานที่ดีสำหรับไลบรารีโค้ดที่ผู้เขียนโปรแกรมสามารถปรับแต่งและแก้ไขส่วนประกอบที่ให้มาได้อย่างง่ายดาย

  • ทำให้โค้ดสามารถใช้ซ้ำได้

ขั้นตอนเทียบกับการเขียนโปรแกรมเชิงวัตถุ

การเขียนโปรแกรมตามขั้นตอนได้มาจากการเขียนโปรแกรมโครงสร้างตามแนวคิดของ functions/procedure/routines. ง่ายต่อการเข้าถึงและเปลี่ยนแปลงข้อมูลในการเขียนโปรแกรมเชิงขั้นตอน ในทางกลับกัน Object Oriented Programming (OOP) อนุญาตให้แยกปัญหาออกเป็นหน่วยต่างๆที่เรียกว่าobjectsจากนั้นสร้างข้อมูลและฟังก์ชันรอบ ๆ วัตถุเหล่านี้ เน้นข้อมูลมากกว่าขั้นตอนหรือฟังก์ชัน นอกจากนี้ใน OOP ข้อมูลจะถูกซ่อนและไม่สามารถเข้าถึงได้โดยขั้นตอนภายนอก

ตารางในภาพต่อไปนี้แสดงความแตกต่างที่สำคัญระหว่างวิธี POP และ OOP

ความแตกต่างระหว่างการเขียนโปรแกรมเชิงขั้นตอน (POP) กับ การเขียนโปรแกรมเชิงวัตถุ (OOP)

การเขียนโปรแกรมเชิงขั้นตอน การเขียนโปรแกรม ObjectOriented
ขึ้นอยู่กับ ใน Pop โฟกัสทั้งหมดจะอยู่ที่ข้อมูลและฟังก์ชัน อ๊ะเป็นไปตามสถานการณ์จริงโปรแกรมทั้งหมดแบ่งออกเป็นส่วนเล็ก ๆ ที่เรียกว่าวัตถุ
การนำกลับมาใช้ใหม่ การใช้รหัส จำกัด ซ้ำ ใช้รหัสซ้ำ
วิธีการ วิธีการจากบนลงล่าง การออกแบบที่เน้นวัตถุ
เข้าถึงตัวระบุ ไม่ใด ๆ สาธารณะส่วนตัวและได้รับการคุ้มครอง
การเคลื่อนไหวของข้อมูล ข้อมูลสามารถเคลื่อนย้ายได้อย่างอิสระจากฟังก์ชันไปยังฟังก์ชันในระบบ ใน Oops ข้อมูลสามารถเคลื่อนย้ายและสื่อสารกันผ่านฟังก์ชันของสมาชิก
การเข้าถึงข้อมูล ในป๊อปฟังก์ชันส่วนใหญ่ใช้ข้อมูลส่วนกลางสำหรับการแชร์ที่สามารถเข้าถึงได้อย่างอิสระจากฟังก์ชันหนึ่งไปยังฟังก์ชันในระบบ ในโอ๊ะโอข้อมูลไม่สามารถเคลื่อนย้ายได้อย่างอิสระจากวิธีการหนึ่งไปยังอีกวิธีหนึ่งข้อมูลสามารถเก็บไว้ในที่สาธารณะหรือส่วนตัวเพื่อให้เราสามารถควบคุมการเข้าถึงข้อมูลได้
การซ่อนข้อมูล ในป๊อปวิธีที่เฉพาะเจาะจงในการซ่อนข้อมูลจึงปลอดภัยน้อยลงเล็กน้อย มีการซ่อนข้อมูลและปลอดภัยมากขึ้น
โอเวอร์โหลด เป็นไปไม่ได้ ฟังก์ชั่นและตัวดำเนินการมากเกินไป
ตัวอย่าง - ภาษา C, VB, Fortran, ปาสคาล C ++, Python, Java, C #
สิ่งที่เป็นนามธรรม ใช้นามธรรมที่ระดับขั้นตอน ใช้นามธรรมในระดับชั้นและระดับวัตถุ

หลักการเขียนโปรแกรมเชิงวัตถุ

Object Oriented Programming (OOP) ขึ้นอยู่กับแนวคิดของ objects มากกว่าการกระทำและ dataมากกว่าตรรกะ เพื่อให้ภาษาการเขียนโปรแกรมเป็นเชิงวัตถุควรมีกลไกในการเปิดใช้งานการทำงานกับคลาสและอ็อบเจ็กต์ตลอดจนการนำไปใช้และการใช้หลักการและแนวคิดเชิงวัตถุพื้นฐาน ได้แก่ การถ่ายทอดทางพันธุกรรมนามธรรมการห่อหุ้มและความหลากหลาย

ให้เราเข้าใจเสาหลักของการเขียนโปรแกรมเชิงวัตถุโดยสังเขป -

การห่อหุ้ม

คุณสมบัตินี้จะซ่อนรายละเอียดที่ไม่จำเป็นและช่วยให้จัดการโครงสร้างโปรแกรมได้ง่ายขึ้น การนำไปใช้งานและสถานะของออบเจ็กต์แต่ละชิ้นซ่อนอยู่หลังขอบเขตที่กำหนดไว้อย่างดีและมีอินเทอร์เฟซที่เรียบง่ายและสะอาดสำหรับการทำงานกับวัตถุ วิธีหนึ่งในการดำเนินการนี้คือการทำให้ข้อมูลเป็นส่วนตัว

มรดก

การสืบทอดหรือที่เรียกว่าการวางนัยทั่วไปทำให้เราสามารถจับภาพความสัมพันธ์แบบลำดับชั้นระหว่างคลาสและอ็อบเจ็กต์ ตัวอย่างเช่น 'ผลไม้' เป็นลักษณะทั่วไปของ 'ส้ม' การสืบทอดมีประโยชน์มากจากมุมมองของการใช้รหัสซ้ำ

สิ่งที่เป็นนามธรรม

คุณสมบัตินี้ช่วยให้เราสามารถซ่อนรายละเอียดและเปิดเผยเฉพาะคุณสมบัติที่สำคัญของแนวคิดหรือวัตถุ ตัวอย่างเช่นคนที่ขับรถสกู๊ตเตอร์รู้ดีว่าเมื่อกดแตรแล้วจะมีเสียงออกมา แต่เขาไม่รู้ว่าเสียงนั้นเกิดจากการกดแตรได้อย่างไร

ความแตกต่าง

Poly-morphism หมายถึงหลายรูปแบบ นั่นคือสิ่งของหรือการกระทำมีอยู่ในรูปแบบหรือวิธีการที่แตกต่างกัน ตัวอย่างที่ดีอย่างหนึ่งของความหลากหลายคือคอนสตรัคเตอร์ที่ทำงานหนักเกินไปในคลาส

Python เชิงวัตถุ

หัวใจสำคัญของการเขียนโปรแกรม Python คือ object และ OOPอย่างไรก็ตามคุณไม่จำเป็นต้อง จำกัด ตัวเองให้ใช้ OOP โดยจัดระเบียบรหัสของคุณเป็นชั้นเรียน OOP ช่วยเพิ่มปรัชญาการออกแบบทั้งหมดของ Python และสนับสนุนวิธีการเขียนโปรแกรมที่สะอาดและใช้ได้จริง OOP ยังช่วยให้สามารถเขียนโปรแกรมที่ใหญ่และซับซ้อนได้

โมดูลเทียบกับคลาสและออบเจ็กต์

โมดูลก็เหมือนกับ "พจนานุกรม"

เมื่อทำงานกับโมดูลโปรดสังเกตประเด็นต่อไปนี้ -

  • โมดูล Python เป็นแพ็คเกจสำหรับห่อหุ้มโค้ดที่ใช้ซ้ำได้

  • โมดูลอยู่ในโฟลเดอร์ที่มีไฟล์ __init__.py ไฟล์นั้น

  • โมดูลประกอบด้วยฟังก์ชันและคลาส

  • โมดูลถูกนำเข้าโดยใช้ไฟล์ import คำสำคัญ.

จำไว้ว่าพจนานุกรมคือไฟล์ key-valueคู่. นั่นหมายความว่าหากคุณมีพจนานุกรมที่มีคีย์EmployeID และคุณต้องการเรียกคืนจากนั้นคุณจะต้องใช้โค้ดบรรทัดต่อไปนี้ -

employee = {“EmployeID”: “Employee Unique Identity!”}
print (employee [‘EmployeID])

คุณจะต้องทำงานกับโมดูลด้วยกระบวนการต่อไปนี้ -

  • โมดูลคือไฟล์ Python ที่มีฟังก์ชันหรือตัวแปรบางอย่างอยู่ในนั้น

  • นำเข้าไฟล์ที่คุณต้องการ

  • ตอนนี้คุณสามารถเข้าถึงฟังก์ชันหรือตัวแปรในโมดูลนั้นด้วย "." (dot) ตัวดำเนินการ.

พิจารณาโมดูลที่ชื่อ employee.py ด้วยฟังก์ชันที่เรียกว่า employee. รหัสของฟังก์ชันระบุไว้ด้านล่าง -

# this goes in employee.py
def EmployeID():
   print (“Employee Unique Identity!”)

ตอนนี้นำเข้าโมดูลจากนั้นเข้าถึงฟังก์ชัน EmployeID -

import employee
employee. EmployeID()

คุณสามารถแทรกตัวแปรในชื่อได้ Ageตามที่แสดง -

def EmployeID():
   print (“Employee Unique Identity!”)
# just a variable
Age = “Employee age is **”

ตอนนี้เข้าถึงตัวแปรนั้นด้วยวิธีต่อไปนี้ -

import employee
employee.EmployeID()
print(employee.Age)

ทีนี้ลองเปรียบเทียบกับพจนานุกรม -

Employee[‘EmployeID’] # get EmployeID from employee
Employee.employeID() # get employeID from the module
Employee.Age # get access to variable

สังเกตว่ามีรูปแบบทั่วไปใน Python -

  • ใช้ key = value สไตล์คอนเทนเนอร์

  • เอาชื่อของคีย์ออกมา

เมื่อเปรียบเทียบโมดูลกับพจนานุกรมทั้งสองจะเหมือนกันยกเว้นสิ่งต่อไปนี้ -

  • ในกรณีของ dictionaryคีย์คือสตริงและไวยากรณ์คือ [คีย์]

  • ในกรณีของ moduleคีย์คือตัวระบุและไวยากรณ์คือ. key

คลาสก็เหมือนโมดูล

Module เป็นพจนานุกรมเฉพาะที่สามารถจัดเก็บโค้ด Python เพื่อให้คุณสามารถเข้าถึงได้โดยใช้ "." ตัวดำเนินการ. คลาสเป็นวิธีการจัดกลุ่มฟังก์ชันและข้อมูลและวางไว้ในคอนเทนเนอร์เพื่อให้คุณสามารถเข้าถึงได้ด้วยตัวดำเนินการ ".''

หากคุณต้องสร้างคลาสที่คล้ายกับโมดูลพนักงานคุณสามารถทำได้โดยใช้รหัสต่อไปนี้ -

class employee(object):
   def __init__(self):
      self. Age = “Employee Age is ##”
   def EmployeID(self):
      print (“This is just employee unique identity”)

Note- ชั้นเรียนเป็นที่ต้องการมากกว่าโมดูลเนื่องจากคุณสามารถใช้ซ้ำได้ตามที่เป็นอยู่และไม่มีการรบกวนมากนัก ในขณะที่มีโมดูลคุณมีเพียงโมดูลเดียวกับโปรแกรมทั้งหมด

ออบเจ็กต์เปรียบเสมือนการนำเข้าขนาดเล็ก

คลาสก็เหมือนไฟล์ mini-module และคุณสามารถนำเข้าในลักษณะเดียวกันกับที่คุณทำสำหรับชั้นเรียนโดยใช้แนวคิดที่เรียกว่า instantiate. โปรดทราบว่าเมื่อคุณสร้างอินสแตนซ์ชั้นเรียนคุณจะได้รับไฟล์object.

คุณสามารถสร้างอินสแตนซ์อ็อบเจ็กต์ได้คล้ายกับการเรียกคลาสเช่นฟังก์ชันดังที่แสดง -

this_obj = employee() # Instantiatethis_obj.EmployeID() # get EmployeId from the class
print(this_obj.Age) # get variable Age

คุณสามารถทำได้สามวิธีต่อไปนี้:

# dictionary style
Employee[‘EmployeID’]
# module style
Employee.EmployeID()
Print(employee.Age)
# Class style
this_obj = employee()
this_obj.employeID()
Print(this_obj.Age)

บทนี้จะอธิบายรายละเอียดเกี่ยวกับการตั้งค่าสภาพแวดล้อม Python บนคอมพิวเตอร์ของคุณ

ข้อกำหนดเบื้องต้นและชุดเครื่องมือ

ก่อนที่คุณจะดำเนินการเรียนรู้เพิ่มเติมเกี่ยวกับ Python เราขอแนะนำให้คุณตรวจสอบว่าตรงตามข้อกำหนดเบื้องต้นต่อไปนี้หรือไม่ -

  • ติดตั้ง Python เวอร์ชันล่าสุดบนคอมพิวเตอร์ของคุณแล้ว

  • ติดตั้ง IDE หรือโปรแกรมแก้ไขข้อความ

  • คุณมีความคุ้นเคยพื้นฐานในการเขียนและแก้ไขข้อบกพร่องใน Python นั่นคือคุณสามารถทำสิ่งต่อไปนี้ใน Python -

    • สามารถเขียนและรันโปรแกรม Python ได้

    • ดีบักโปรแกรมและวินิจฉัยข้อผิดพลาด

    • ทำงานกับชนิดข้อมูลพื้นฐาน

    • เขียน for ลูป while ลูปและ if งบ

    • รหัส functions

หากคุณไม่มีประสบการณ์ภาษาโปรแกรมใด ๆ คุณสามารถค้นหาบทเรียนสำหรับผู้เริ่มต้นมากมายได้ใน Python บน

https://www.tutorialpoints.com/

การติดตั้ง Python

ขั้นตอนต่อไปนี้จะแสดงรายละเอียดวิธีการติดตั้ง Python บนคอมพิวเตอร์ของคุณ -

Step 1 - ไปที่เว็บไซต์ Python อย่างเป็นทางการ https://www.python.org/, คลิกที่ Downloads เมนูและเลือกเวอร์ชันล่าสุดหรือเวอร์ชันเสถียรที่คุณเลือก

Step 2- บันทึกไฟล์ exe ตัวติดตั้ง Python ที่คุณกำลังดาวน์โหลดและเมื่อคุณดาวน์โหลดแล้วให้เปิด คลิกที่Run และเลือก Next ตามค่าเริ่มต้นและสิ้นสุดการติดตั้ง

Step 3- หลังจากคุณติดตั้งแล้วคุณจะเห็นเมนู Python ดังที่แสดงในภาพด้านล่าง เริ่มโปรแกรมโดยเลือก IDLE (Python GUI)

สิ่งนี้จะเริ่มต้น Python shell พิมพ์คำสั่งง่ายๆเพื่อตรวจสอบการติดตั้ง

การเลือก IDE

Integrated Development Environment คือโปรแกรมแก้ไขข้อความที่มุ่งเน้นไปที่การพัฒนาซอฟต์แวร์ คุณจะต้องติดตั้ง IDE เพื่อควบคุมขั้นตอนการเขียนโปรแกรมของคุณและจัดกลุ่มโปรเจ็กต์เข้าด้วยกันเมื่อทำงานบน Python นี่คือบางส่วนของ IDE ที่สามารถใช้ได้ทางออนไลน์ คุณสามารถเลือกได้ตามความสะดวกของคุณ

  • Pycharm IDE
  • Komodo IDE
  • Eric Python IDE

Note - Eclipse IDE ส่วนใหญ่ใช้ใน Java อย่างไรก็ตามมีปลั๊กอิน Python

Pycharm

Pycharm IDE ข้ามแพลตฟอร์มเป็นหนึ่งใน IDE ที่ได้รับความนิยมมากที่สุดในปัจจุบัน ให้ความช่วยเหลือในการเข้ารหัสและการวิเคราะห์ด้วยการเติมโค้ดโครงการและการนำทางโค้ดการทดสอบหน่วยในตัวการรวมการควบคุมเวอร์ชันการดีบักและอื่น ๆ อีกมากมาย

ลิ้งค์ดาวน์โหลด

https://www.jetbrains.com/pycharm/download/#section=windows

Languages Supported - Python, HTML, CSS, JavaScript, Coffee Script, TypeScript, Cython, AngularJS, Node.js, ภาษาเทมเพลต

ภาพหน้าจอ

ทำไมต้องเลือก?

PyCharm นำเสนอคุณสมบัติและประโยชน์ต่อไปนี้สำหรับผู้ใช้ -

  • IDE ข้ามแพลตฟอร์มเข้ากันได้กับ Windows, Linux และ Mac OS
  • รวม Django IDE พร้อมการสนับสนุน CSS และ JavaScript
  • รวมปลั๊กอินนับพันเทอร์มินัลในตัวและการควบคุมเวอร์ชัน
  • ผสานรวมกับ Git, SVN และ Mercurial
  • เสนอเครื่องมือแก้ไขอัจฉริยะสำหรับ Python
  • ใช้งานร่วมกับ Virtualenv, Docker และ Vagrant ได้อย่างง่ายดาย
  • คุณสมบัติการนำทางและการค้นหาที่เรียบง่าย
  • การวิเคราะห์โค้ดและการปรับโครงสร้าง
  • การฉีดที่กำหนดค่าได้
  • รองรับไลบรารี Python มากมาย
  • ประกอบด้วยเทมเพลตและตัวแก้จุดบกพร่อง JavaScript
  • รวมตัวดีบัก Python / Django
  • ทำงานร่วมกับ Google App Engine เฟรมเวิร์กและไลบรารีเพิ่มเติม
  • มี UI ที่ปรับแต่งได้มีการจำลอง VIM

Komodo IDE

เป็น IDE หลายภาษาที่รองรับมากกว่า 100 ภาษาและโดยทั่วไปสำหรับภาษาไดนามิกเช่น Python, PHP และ Ruby เป็น IDE เชิงพาณิชย์ที่มีให้ทดลองใช้ฟรี 21 วันพร้อมฟังก์ชันการทำงานเต็มรูปแบบ ActiveState เป็น บริษัท ซอฟต์แวร์ที่จัดการการพัฒนา Komodo IDE นอกจากนี้ยังมี Komodo เวอร์ชันตัดแต่งที่เรียกว่า Komodo Edit สำหรับงานเขียนโปรแกรมอย่างง่าย

IDE นี้มีคุณสมบัติทุกประเภทตั้งแต่ระดับพื้นฐานที่สุดไปจนถึงระดับสูง หากคุณเป็นนักเรียนหรือนักแปลอิสระคุณสามารถซื้อได้เกือบครึ่งหนึ่งของราคาจริง อย่างไรก็ตามมันฟรีสำหรับครูและอาจารย์จากสถาบันและมหาวิทยาลัยที่เป็นที่ยอมรับ

มีคุณสมบัติทั้งหมดที่คุณต้องการสำหรับการพัฒนาเว็บและมือถือรวมถึงการรองรับภาษาและกรอบงานทั้งหมดของคุณ

ลิ้งค์ดาวน์โหลด

ลิงก์ดาวน์โหลดสำหรับ Komodo Edit (เวอร์ชันฟรี) และ Komodo IDE (เวอร์ชันที่ต้องชำระเงิน) มีดังต่อไปนี้ -

Komodo Edit (free)

https://www.activestate.com/komodo-edit

Komodo IDE (paid)

https://www.activestate.com/komodo-ide/downloads/ide

ภาพหน้าจอ

ทำไมต้องเลือก?

  • IDE ที่มีประสิทธิภาพพร้อมรองรับ Perl, PHP, Python, Ruby และอื่น ๆ อีกมากมาย
  • IDE ข้ามแพลตฟอร์ม

ประกอบด้วยคุณสมบัติพื้นฐานเช่นการสนับสนุนดีบักเกอร์ในตัวการทำให้สมบูรณ์อัตโนมัติโปรแกรมดู Document Object Model (DOM) เบราว์เซอร์โค้ดเชลล์แบบโต้ตอบการกำหนดค่าเบรกพอยต์การสร้างโค้ดโปรไฟล์การทดสอบหน่วยในตัว กล่าวโดยย่อก็คือ IDE ระดับมืออาชีพที่มีคุณสมบัติในการเพิ่มผลผลิตมากมาย

Eric Python IDE

เป็น IDE โอเพ่นซอร์สสำหรับ Python และ Ruby Eric เป็นบรรณาธิการและ IDE ที่มีคุณสมบัติครบถ้วนซึ่งเขียนด้วยภาษา Python มันขึ้นอยู่กับชุดเครื่องมือ Qt GUI ข้ามแพลตฟอร์มซึ่งรวมการควบคุมตัวแก้ไข Scintilla ที่มีความยืดหยุ่นสูง IDE สามารถกำหนดค่าได้มากและสามารถเลือกได้ว่าจะใช้อะไรและไม่ใช้อะไร คุณสามารถดาวน์โหลด Eric IDE ได้จากลิงค์ด้านล่าง:

https://eric-ide.python-projects.org/eric-download.html

ทำไมต้องเลือก

  • การเยื้องมากการเน้นข้อผิดพลาด
  • ความช่วยเหลือเกี่ยวกับรหัส
  • รหัสเสร็จสิ้น
  • การล้างรหัสด้วย PyLint
  • ค้นหาอย่างรวดเร็ว
  • ตัวแก้ไขข้อบกพร่อง Python ในตัว

ภาพหน้าจอ

การเลือกโปรแกรมแก้ไขข้อความ

คุณอาจไม่จำเป็นต้องมี IDE เสมอไป สำหรับงานต่างๆเช่นการเรียนรู้การเขียนโค้ดด้วย Python หรือ Arduino หรือเมื่อทำงานกับสคริปต์ด่วนในเชลล์สคริปต์เพื่อช่วยให้คุณทำงานบางอย่างโดยอัตโนมัติโปรแกรมแก้ไขข้อความที่เน้นรหัสเป็นศูนย์กลางที่เรียบง่ายและน้ำหนักเบาจะทำ นอกจากนี้โปรแกรมแก้ไขข้อความจำนวนมากยังมีคุณสมบัติเช่นการเน้นไวยากรณ์และการเรียกใช้สคริปต์ในโปรแกรมซึ่งคล้ายกับ IDE โปรแกรมแก้ไขข้อความบางส่วนมีให้ที่นี่ -

  • Atom
  • ข้อความประเสริฐ
  • Notepad++

โปรแกรมแก้ไขข้อความ Atom

Atom เป็นโปรแกรมแก้ไขข้อความที่แฮ็กได้ซึ่งสร้างโดยทีมงานของ GitHub เป็นโปรแกรมแก้ไขข้อความและโค้ดแบบโอเพนซอร์สฟรีซึ่งหมายความว่าโค้ดทั้งหมดพร้อมให้คุณอ่านแก้ไขเพื่อการใช้งานของคุณเองและยังมีส่วนช่วยในการปรับปรุง เป็นโปรแกรมแก้ไขข้อความข้ามแพลตฟอร์มที่เข้ากันได้กับ macOS, Linux และ Microsoft Windows พร้อมรองรับปลั๊กอินที่เขียนใน Node.js และ Git Control ในตัว

ลิ้งค์ดาวน์โหลด

https://atom.io/

ภาพหน้าจอ

ภาษาที่รองรับ

C / C ++, C #, CSS, CoffeeScript, HTML, JavaScript, Java, JSON, Julia, Objective-C, PHP, Perl, Python, Ruby on Rails, Ruby, Shell script, Scala, SQL, XML, YAML และอื่น ๆ อีกมากมาย

โปรแกรมแก้ไขข้อความประเสริฐ

Sublime text เป็นซอฟต์แวร์ที่เป็นกรรมสิทธิ์และมีรุ่นทดลองใช้ฟรีให้คุณทดสอบก่อนตัดสินใจซื้อ ตามstackoverflow.comเป็นสภาพแวดล้อมการพัฒนายอดนิยมอันดับสี่

Some of the advantages it provides is its incredible speed, ease of use and community support. It also supports many programming languages and mark-up languages, and functions can be added by users with plugins, typically community-built and maintained under free-software licenses.

Screenshot

Language supported

  • Python, Ruby, JavaScript etc.

Why to Choose?

  • Customize key bindings, menus, snippets, macros, completions and more.

  • Auto completion feature

  • Quickly Insert Text & code with sublime text snippets using snippets, field markers and place holders
  • Opens Quickly

  • Cross Platform support for Mac, Linux and Windows.

  • Jump the cursor to where you want to go

  • Select Multiple Lines, Words and Columns

Notepad ++

It’s a free source code editor and Notepad replacement that supports several languages from Assembly to XML and including Python. Running in the MS windows environment, its use is governed by GPL license. In addition to syntax highlighting, Notepad++ has some features that are particularly useful to coders.

Screenshot

Key Features

  • Syntax highlighting and syntax folding
  • PCRE (Perl Compatible Regular Expression) Search/Replace
  • Entirely customizable GUI
  • SAuto completion
  • Tabbed editing
  • Multi-View
  • Multi-Language environment
  • Launchable with different arguments

Language Supported

  • Almost every language (60+ languages) like Python, C, C++, C#, Java etc.

Python data structures are very intuitive from a syntax point of view and they offer a large choice of operations. You need to choose Python data structure depending on what the data involves, if it needs to be modified, or if it is a fixed data and what access type is required, such as at the beginning/end/random etc.

Lists

A List represents the most versatile type of data structure in Python. A list is a container which holds comma-separated values (items or elements) between square brackets. Lists are helpful when we want to work with multiple related values. As lists keep data together, we can perform the same methods and operations on multiple values at once. Lists indices start from zero and unlike strings, lists are mutable.

Data Structure - List

>>>
>>> # Any Empty List
>>> empty_list = []
>>>
>>> # A list of String
>>> str_list = ['Life', 'Is', 'Beautiful']
>>> # A list of Integers
>>> int_list = [1, 4, 5, 9, 18]
>>>
>>> #Mixed items list
>>> mixed_list = ['This', 9, 'is', 18, 45.9, 'a', 54, 'mixed', 99, 'list']
>>> # To print the list
>>>
>>> print(empty_list)
[]
>>> print(str_list)
['Life', 'Is', 'Beautiful']
>>> print(type(str_list))
<class 'list'>
>>> print(int_list)
[1, 4, 5, 9, 18]
>>> print(mixed_list)
['This', 9, 'is', 18, 45.9, 'a', 54, 'mixed', 99, 'list']

Accessing Items in Python List

Each item of a list is assigned a number – that is the index or position of that number.Indexing always start from zero, the second index is one and so forth. To access items in a list, we can use these index numbers within a square bracket. Observe the following code for example −

>>> mixed_list = ['This', 9, 'is', 18, 45.9, 'a', 54, 'mixed', 99, 'list']
>>>
>>> # To access the First Item of the list
>>> mixed_list[0]
'This'
>>> # To access the 4th item
>>> mixed_list[3]
18
>>> # To access the last item of the list
>>> mixed_list[-1]
'list'

Empty Objects

Empty Objects are the simplest and most basic Python built-in types. We have used them multiple times without noticing and have extended it to every class we have created. The main purpose to write an empty class is to block something for time being and later extend and add a behavior to it.

To add a behavior to a class means to replace a data structure with an object and change all references to it. So it is important to check the data, whether it is an object in disguise, before you create anything. Observe the following code for better understanding:

>>> #Empty objects
>>>
>>> obj = object()
>>> obj.x = 9
Traceback (most recent call last):
File "<pyshell#3>", line 1, in <module>
obj.x = 9
AttributeError: 'object' object has no attribute 'x'

So from above, we can see it’s not possible to set any attributes on an object that was instantiated directly. When Python allows an object to have arbitrary attributes, it takes a certain amount of system memory to keep track of what attributes each object has, for storing both the attribute name and its value. Even if no attributes are stored, a certain amount of memory is allocated for potential new attributes.

So Python disables arbitrary properties on object and several other built-ins, by default.

>>> # Empty Objects
>>>
>>> class EmpObject:
    pass
>>> obj = EmpObject()
>>> obj.x = 'Hello, World!'
>>> obj.x
'Hello, World!'

Hence, if we want to group properties together, we could store them in an empty object as shown in the code above. However, this method is not always suggested. Remember that classes and objects should only be used when you want to specify both data and behaviors.

Tuples

Tuples are similar to lists and can store elements. However, they are immutable, so we cannot add, remove or replace objects. The primary benefits tuple provides because of its immutability is that we can use them as keys in dictionaries, or in other locations where an object requires a hash value.

Tuples are used to store data, and not behavior. In case you require behavior to manipulate a tuple, you need to pass the tuple into a function(or method on another object) that performs the action.

As tuple can act as a dictionary key, the stored values are different from each other. We can create a tuple by separating the values with a comma. Tuples are wrapped in parentheses but not mandatory. The following code shows two identical assignments .

>>> stock1 = 'MSFT', 95.00, 97.45, 92.45
>>> stock2 = ('MSFT', 95.00, 97.45, 92.45)
>>> type (stock1)
<class 'tuple'>
>>> type(stock2)
<class 'tuple'>
>>> stock1 == stock2
True
>>>

Defining a Tuple

Tuples are very similar to list except that the whole set of elements are enclosed in parentheses instead of square brackets.

Just like when you slice a list, you get a new list and when you slice a tuple, you get a new tuple.

>>> tupl = ('Tuple','is', 'an','IMMUTABLE', 'list')
>>> tupl
('Tuple', 'is', 'an', 'IMMUTABLE', 'list')
>>> tupl[0]
'Tuple'
>>> tupl[-1]
'list'
>>> tupl[1:3]
('is', 'an')

Python Tuple Methods

The following code shows the methods in Python tuples −

>>> tupl
('Tuple', 'is', 'an', 'IMMUTABLE', 'list')
>>> tupl.append('new')
Traceback (most recent call last):
   File "<pyshell#148>", line 1, in <module>
      tupl.append('new')
AttributeError: 'tuple' object has no attribute 'append'
>>> tupl.remove('is')
Traceback (most recent call last):
   File "<pyshell#149>", line 1, in <module>
      tupl.remove('is')
AttributeError: 'tuple' object has no attribute 'remove'
>>> tupl.index('list')
4
>>> tupl.index('new')
Traceback (most recent call last):
   File "<pyshell#151>", line 1, in <module>
      tupl.index('new')
ValueError: tuple.index(x): x not in tuple
>>> "is" in tupl
True
>>> tupl.count('is')
1

From the code shown above, we can understand that tuples are immutable and hence −

  • You cannot add elements to a tuple.

  • You cannot append or extend a method.

  • You cannot remove elements from a tuple.

  • Tuples have no remove or pop method.

  • Count and index are the methods available in a tuple.

Dictionary

Dictionary is one of the Python’s built-in data types and it defines one-to-one relationships between keys and values.

Defining Dictionaries

Observe the following code to understand about defining a dictionary −

>>> # empty dictionary
>>> my_dict = {}
>>>
>>> # dictionary with integer keys
>>> my_dict = { 1:'msft', 2: 'IT'}
>>>
>>> # dictionary with mixed keys
>>> my_dict = {'name': 'Aarav', 1: [ 2, 4, 10]}
>>>
>>> # using built-in function dict()
>>> my_dict = dict({1:'msft', 2:'IT'})
>>>
>>> # From sequence having each item as a pair
>>> my_dict = dict([(1,'msft'), (2,'IT')])
>>>
>>> # Accessing elements of a dictionary
>>> my_dict[1]
'msft'
>>> my_dict[2]
'IT'
>>> my_dict['IT']
Traceback (most recent call last):
   File "<pyshell#177>", line 1, in <module>
   my_dict['IT']
KeyError: 'IT'
>>>

From the above code we can observe that:

  • First we create a dictionary with two elements and assign it to the variable my_dict. Each element is a key-value pair, and the whole set of elements is enclosed in curly braces.

  • The number 1 is the key and msft is its value. Similarly, 2 is the key and IT is its value.

  • You can get values by key, but not vice-versa. Thus when we try my_dict[‘IT’] , it raises an exception, because IT is not a key.

Modifying Dictionaries

Observe the following code to understand about modifying a dictionary −

>>> # Modifying a Dictionary
>>>
>>> my_dict
{1: 'msft', 2: 'IT'}
>>> my_dict[2] = 'Software'
>>> my_dict
{1: 'msft', 2: 'Software'}
>>>
>>> my_dict[3] = 'Microsoft Technologies'
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies'}

From the above code we can observe that −

  • You cannot have duplicate keys in a dictionary. Altering the value of an existing key will delete the old value.

  • You can add new key-value pairs at any time.

  • Dictionaries have no concept of order among elements. They are simple unordered collections.

Mixing Data types in a Dictionary

Observe the following code to understand about mixing data types in a dictionary −

>>> # Mixing Data Types in a Dictionary
>>>
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies'}
>>> my_dict[4] = 'Operating System'
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies', 4: 'Operating System'}
>>> my_dict['Bill Gates'] = 'Owner'
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies', 4: 'Operating System',
'Bill Gates': 'Owner'}

From the above code we can observe that −

  • Not just strings but dictionary value can be of any data type including strings, integers, including the dictionary itself.

  • Unlike dictionary values, dictionary keys are more restricted, but can be of any type like strings, integers or any other.

Deleting Items from Dictionaries

Observe the following code to understand about deleting items from a dictionary −

>>> # Deleting Items from a Dictionary
>>>
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies', 4: 'Operating System',
'Bill Gates': 'Owner'}
>>>
>>> del my_dict['Bill Gates']
>>> my_dict
{1: 'msft', 2: 'Software', 3: 'Microsoft Technologies', 4: 'Operating System'}
>>>
>>> my_dict.clear()
>>> my_dict
{}

From the above code we can observe that −

  • del − lets you delete individual items from a dictionary by key.

  • clear − deletes all items from a dictionary.

Sets

Set() is an unordered collection with no duplicate elements. Though individual items are immutable, set itself is mutable, that is we can add or remove elements/items from the set. We can perform mathematical operations like union, intersection etc. with set.

Though sets in general can be implemented using trees, set in Python can be implemented using a hash table. This allows it a highly optimized method for checking whether a specific element is contained in the set

Creating a set

A set is created by placing all the items (elements) inside curly braces {}, separated by comma or by using the built-in function set(). Observe the following lines of code −

>>> #set of integers
>>> my_set = {1,2,4,8}
>>> print(my_set)
{8, 1, 2, 4}
>>>
>>> #set of mixed datatypes
>>> my_set = {1.0, "Hello World!", (2, 4, 6)}
>>> print(my_set)
{1.0, (2, 4, 6), 'Hello World!'}
>>>

Methods for Sets

Observe the following code to understand about methods for sets −

>>> >>> #METHODS FOR SETS
>>>
>>> #add(x) Method
>>> topics = {'Python', 'Java', 'C#'}
>>> topics.add('C++')
>>> topics
{'C#', 'C++', 'Java', 'Python'}
>>>
>>> #union(s) Method, returns a union of two set.
>>> topics
{'C#', 'C++', 'Java', 'Python'}
>>> team = {'Developer', 'Content Writer', 'Editor','Tester'}
>>> group = topics.union(team)
>>> group
{'Tester', 'C#', 'Python', 'Editor', 'Developer', 'C++', 'Java', 'Content
Writer'}
>>> # intersets(s) method, returns an intersection of two sets
>>> inters = topics.intersection(team)
>>> inters
set()
>>>
>>> # difference(s) Method, returns a set containing all the elements of
invoking set but not of the second set.
>>>
>>> safe = topics.difference(team)
>>> safe
{'Python', 'C++', 'Java', 'C#'}
>>>
>>> diff = topics.difference(group)
>>> diff
set()
>>> #clear() Method, Empties the whole set.
>>> group.clear()
>>> group
set()
>>>

Operators for Sets

Observe the following code to understand about operators for sets −

>>> # PYTHON SET OPERATIONS
>>>
>>> #Creating two sets
>>> set1 = set()
>>> set2 = set()
>>>
>>> # Adding elements to set
>>> for i in range(1,5):
   set1.add(i)
>>> for j in range(4,9):
   set2.add(j)
>>> set1
{1, 2, 3, 4}
>>> set2
{4, 5, 6, 7, 8}
>>>
>>> #Union of set1 and set2
>>> set3 = set1 | set2 # same as set1.union(set2)
>>> print('Union of set1 & set2: set3 = ', set3)
Union of set1 & set2: set3 = {1, 2, 3, 4, 5, 6, 7, 8}
>>>
>>> #Intersection of set1 & set2
>>> set4 = set1 & set2 # same as set1.intersection(set2)
>>> print('Intersection of set1 and set2: set4 = ', set4)
Intersection of set1 and set2: set4 = {4}
>>>
>>> # Checking relation between set3 and set4
>>> if set3 > set4: # set3.issuperset(set4)
   print('Set3 is superset of set4')
elif set3 < set4: #set3.issubset(set4)
   print('Set3 is subset of set4')
else: #set3 == set4
   print('Set 3 is same as set4')
Set3 is superset of set4
>>>
>>> # Difference between set3 and set4
>>> set5 = set3 - set4
>>> print('Elements in set3 and not in set4: set5 = ', set5)
Elements in set3 and not in set4: set5 = {1, 2, 3, 5, 6, 7, 8}
>>>
>>> # Check if set4 and set5 are disjoint sets
>>> if set4.isdisjoint(set5):
   print('Set4 and set5 have nothing in common\n')
Set4 and set5 have nothing in common
>>> # Removing all the values of set5
>>> set5.clear()
>>> set5 set()

In this chapter, we will discuss object oriented terms and programming concepts in detail.Class is a just a factory for an instance. This factory contains the blueprint which describes how to make the instances. An instances or object are constructed from the class. In most cases, we can have more than one instances of a class. Every instance has a set of attribute and these attributes are defined in a class, so every instance of a particular class is expected to have the same attributes.

Class Bundles : Behavior and State

A class will let you bundle together the behavior and state of an object. Observe the following diagram for better understanding −

The following points are worth notable when discussing class bundles −

  • The word behavior is identical to function – it is a piece of code that does something (or implements a behavior)

  • The word state is identical to variables – it is a place to store values within a class.

  • When we assert a class behavior and state together, it means that a class packages functions and variables.

Classes have methods and attributes

In Python, creating a method defines a class behavior. The word method is the OOP name given to a function that is defined within a class. To sum up −

  • Class functions − is synonym for methods

  • Class variables − is synonym for name attributes.

  • Class − a blueprint for an instance with exact behavior.

  • Object − one of the instances of the class, perform functionality defined in the class.

  • Type − indicates the class the instance belongs to

  • Attribute − Any object value: object.attribute

  • Method − a “callable attribute” defined in the class

Observe the following piece of code for example −

var = “Hello, John”
print( type (var)) # < type ‘str’> or <class 'str'>
print(var.upper()) # upper() method is called, HELLO, JOHN

Creation and Instantiation

The following code shows how to create our first class and then its instance.

class MyClass(object):
   pass
# Create first instance of MyClass
this_obj = MyClass()
print(this_obj)
# Another instance of MyClass
that_obj = MyClass()
print (that_obj)

Here we have created a class called MyClass and which does not do any task. The argument object in MyClass class involves class inheritance and will be discussed in later chapters. pass in the above code indicates that this block is empty, that is it is an empty class definition.

Let us create an instance this_obj of MyClass() class and print it as shown −

<__main__.MyClass object at 0x03B08E10>
<__main__.MyClass object at 0x0369D390>

Here, we have created an instance of MyClass. The hex code refers to the address where the object is being stored. Another instance is pointing to another address.

Now let us define one variable inside the class MyClass() and get the variable from the instance of that class as shown in the following code −

class MyClass(object):
   var = 9

# Create first instance of MyClass
this_obj = MyClass()
print(this_obj.var)

# Another instance of MyClass

that_obj = MyClass()
print (that_obj.var)

Output

You can observe the following output when you execute the code given above −

9
9

As instance knows from which class it is instantiated, so when requested for an attribute from an instance, the instance looks for the attribute and the class. This is called the attribute lookup.

Instance Methods

A function defined in a class is called a method. An instance method requires an instance in order to call it and requires no decorator. When creating an instance method, the first parameter is always self. Though we can call it (self) by any other name, it is recommended to use self, as it is a naming convention.

class MyClass(object):
   var = 9
   def firstM(self):
      print("hello, World")
obj = MyClass()
print(obj.var)
obj.firstM()

Output

You can observe the following output when you execute the code given above −

9
hello, World

Note that in the above program, we defined a method with self as argument. But we cannot call the method as we have not declared any argument to it.

class MyClass(object):
   def firstM(self):
      print("hello, World")
      print(self)
obj = MyClass()
obj.firstM()
print(obj)

Output

You can observe the following output when you execute the code given above −

hello, World
<__main__.MyClass object at 0x036A8E10>
<__main__.MyClass object at 0x036A8E10>

Encapsulation

Encapsulation is one of the fundamentals of OOP. OOP enables us to hide the complexity of the internal working of the object which is advantageous to the developer in the following ways −

  • Simplifies and makes it easy to understand to use an object without knowing the internals.

  • Any change can be easily manageable.

Object-oriented programming relies heavily on encapsulation. The terms encapsulation and abstraction (also called data hiding) are often used as synonyms. They are nearly synonymous, as abstraction is achieved through encapsulation.

Encapsulation provides us the mechanism of restricting the access to some of the object’s components, this means that the internal representation of an object can’t be seen from outside of the object definition. Access to this data is typically achieved through special methods − Getters and Setters.

This data is stored in instance attributes and can be manipulated from anywhere outside the class. To secure it, that data should only be accessed using instance methods. Direct access should not be permitted.

class MyClass(object):
   def setAge(self, num):
      self.age = num

   def getAge(self):
      return self.age

zack = MyClass()
zack.setAge(45)
print(zack.getAge())

zack.setAge("Fourty Five")
print(zack.getAge())

Output

You can observe the following output when you execute the code given above −

45
Fourty Five

The data should be stored only if it is correct and valid, using Exception handling constructs. As we can see above, there is no restriction on the user input to setAge() method. It could be a string, a number, or a list. So we need to check onto above code to ensure correctness of being stored.

class MyClass(object):
   def setAge(self, num):
      self.age = num

   def getAge(self):
      return self.age
zack = MyClass()
zack.setAge(45)
print(zack.getAge())
zack.setAge("Fourty Five")
print(zack.getAge())

Init Constructor

The __init__ method is implicitly called as soon as an object of a class is instantiated.This will initialize the object.

x = MyClass()

The line of code shown above will create a new instance and assigns this object to the local variable x.

The instantiation operation, that is calling a class object, creates an empty object. Many classes like to create objects with instances customized to a specific initial state. Therefore, a class may define a special method named ‘ __init__() ‘ as shown −

def __init__(self):
   self.data = []

Python calls __init__ during the instantiation to define an additional attribute that should occur when a class is instantiated that may be setting up some beginning values for that object or running a routine required on instantiation. So in this example, a new, initialized instance can be obtained by −

x = MyClass()

The __init__() method can have single or multiple arguments for a greater flexibility. The init stands for initialization, as it initializes attributes of the instance. It is called the constructor of a class.

class myclass(object):
   def __init__(self,aaa, bbb):
      self.a = aaa
      self.b = bbb

x = myclass(4.5, 3)
print(x.a, x.b)

Output

4.5 3

Class Attributes

The attribute defined in the class is called “class attributes’ and the attributes defined in the function is called ‘instance attributes’. While defining, these attributes are not prefixed by self, as these are the property of the class and not of a particular instance.

The class attributes can be accessed by the class itself ( className.attributeName) as well as by the instances of the class (inst.attributeName). So, the instances have access to both the instance attribute as well as class attributes.

>>> class myclass():
   age = 21
>>> myclass.age
21
>>> x = myclass()
>>> x.age
21
>>>

A class attribute can be overridden in an instance, even though it is not a good method to break encapsulation.

There is a lookup path for attributes in Python. The first being the method defined within the class, and then the class above it.

>>> class myclass(object):
   classy = 'class value'
>>> dd = myclass()
>>> print (dd.classy) # This should return the string 'class value'
class value
>>>
>>> dd.classy = "Instance Value"
>>> print(dd.classy) # Return the string "Instance Value"
Instance Value
>>>
>>> # This will delete the value set for 'dd.classy' in the instance.
>>> del dd.classy
>>> >>> # Since the overriding attribute was deleted, this will print 'class
value'.

>>> print(dd.classy)
class value
>>>

เรากำลังลบล้างแอตทริบิวต์คลาส "classy" ในอินสแตนซ์ dd เมื่อถูกแทนที่ตัวแปล Python จะอ่านค่าที่ถูกลบล้าง แต่เมื่อลบค่าใหม่ด้วย 'del' แล้วค่าที่ถูกลบล้างจะไม่มีอยู่ในอินสแตนซ์อีกต่อไปดังนั้นการค้นหาจึงอยู่ในระดับที่สูงกว่าและได้รับจากคลาส

การทำงานกับข้อมูลคลาสและอินสแตนซ์

ในส่วนนี้ให้เราเข้าใจว่าข้อมูลคลาสเกี่ยวข้องกับข้อมูลอินสแตนซ์อย่างไร เราสามารถจัดเก็บข้อมูลได้ทั้งในชั้นเรียนหรือในอินสแตนซ์ เมื่อเราออกแบบคลาสเราจะตัดสินใจว่าข้อมูลใดเป็นของอินสแตนซ์และข้อมูลใดที่ควรเก็บไว้ในคลาสโดยรวม

อินสแตนซ์สามารถเข้าถึงข้อมูลคลาสได้ หากเราสร้างอินสแตนซ์หลายอินสแตนซ์อินสแตนซ์เหล่านี้จะสามารถเข้าถึงค่าแอ็ตทริบิวต์ของแต่ละตัวได้เช่นเดียวกับข้อมูลคลาสโดยรวม

ดังนั้นข้อมูลคลาสจึงเป็นข้อมูลที่ใช้ร่วมกันระหว่างอินสแตนซ์ทั้งหมด สังเกตรหัสที่ระบุด้านล่างเพื่อขีดล่างที่ดีขึ้น -

class InstanceCounter(object):
   count = 0 # class attribute, will be accessible to all instances
   def __init__(self, val):
      self.val = val
      InstanceCounter.count +=1 # Increment the value of class attribute, accessible through class name
# In above line, class ('InstanceCounter') act as an object
   def set_val(self, newval):
      self.val = newval

   def get_val(self):
      return self.val

   def get_count(self):
      return InstanceCounter.count
a = InstanceCounter(9)
b = InstanceCounter(18)
c = InstanceCounter(27)

for obj in (a, b, c):
   print ('val of obj: %s' %(obj.get_val())) # Initialized value ( 9, 18, 27)
   print ('count: %s' %(obj.get_count())) # always 3

เอาต์พุต

val of obj: 9
count: 3
val of obj: 18
count: 3
val of obj: 27
count: 3

กล่าวโดยย่อแอตทริบิวต์คลาสจะเหมือนกันสำหรับทุกอินสแตนซ์ของคลาสในขณะที่แอตทริบิวต์ของอินสแตนซ์มีความเฉพาะเจาะจงสำหรับแต่ละอินสแตนซ์ สำหรับสองอินสแตนซ์ที่แตกต่างกันเราจะมีแอตทริบิวต์อินสแตนซ์ที่แตกต่างกันสองแบบ

class myClass:
   class_attribute = 99

   def class_method(self):
      self.instance_attribute = 'I am instance attribute'

print (myClass.__dict__)

เอาต์พุต

คุณสามารถสังเกตผลลัพธ์ต่อไปนี้เมื่อคุณรันโค้ดที่ระบุด้านบน -

{'__module__': '__main__', 'class_attribute': 99, 'class_method': <function myClass.class_method at 0x04128D68>, '__dict__': <attribute '__dict__' of 'myClass' objects>, '__weakref__': <attribute '__weakref__' of 'myClass' objects>, '__doc__': None}

แอตทริบิวต์อินสแตนซ์ myClass.__dict__ ตามที่แสดง -

>>> a = myClass()
>>> a.class_method()
>>> print(a.__dict__)
{'instance_attribute': 'I am instance attribute'}

บทนี้จะพูดถึงรายละเอียดเกี่ยวกับฟังก์ชันในตัวต่างๆใน Python การดำเนินการไฟล์ I / O และแนวคิดการโอเวอร์โหลด

ฟังก์ชันในตัว Python

ล่าม Python มีฟังก์ชันหลายอย่างที่เรียกว่าฟังก์ชันในตัวซึ่งพร้อมใช้งานสำหรับการใช้งาน ในเวอร์ชันล่าสุด Python มีฟังก์ชันในตัว 68 ฟังก์ชันดังแสดงในตารางด้านล่าง -

ฟังก์ชั่นในตัว
เอบีเอส () คำสั่ง () ช่วยด้วย() นาที() setattr ()
ทั้งหมด() ผบ. () ฐานสิบหก () ต่อไป() ชิ้น ()
ใด ๆ () Divmod () id () วัตถุ() จัดเรียง ()
ascii () แจกแจง () อินพุต () ต.ค. () วิธีการคงที่ ()
ถังขยะ () ประเมิน () int () เปิด() str ()
บูล () ผู้บริหาร () isinstance () อ๊อด () ผลรวม ()
บายเทียร์เรย์ () กรอง() issubclass () ธาร () ซุปเปอร์ ()
ไบต์ () ลอย() iter () พิมพ์() ทูเพิล ()
โทรได้ () รูปแบบ() เลน () คุณสมบัติ () ประเภท ()
chr () โฟโมเซท () รายการ() พิสัย() vars ()
วิธีการเรียน () getattr () ชาวบ้าน () ตัวแทน () ซิป ()
รวบรวม() ลูกโลก () แผนที่() ย้อนกลับ () __ นำเข้า __ ()
ซับซ้อน () hasattr () สูงสุด () รอบ()
เดลต้า () กัญชา() memoryview () ชุด ()

ส่วนนี้จะกล่าวถึงหน้าที่สำคัญบางประการโดยสังเขป -

len () ฟังก์ชัน

ฟังก์ชัน len () รับความยาวของสตริงรายการหรือคอลเลกชัน ส่งคืนความยาวหรือจำนวนรายการของวัตถุโดยที่วัตถุสามารถเป็นสตริงรายการหรือคอลเล็กชัน

>>> len(['hello', 9 , 45.0, 24])
4

len () ฟังก์ชันภายในทำงานเช่น list.__len__() หรือ tuple.__len__(). ดังนั้นโปรดทราบว่า len () ใช้งานได้เฉพาะกับวัตถุที่มี __len__() วิธี.

>>> set1
{1, 2, 3, 4}
>>> set1.__len__()
4

อย่างไรก็ตามในทางปฏิบัติเราชอบ len() แทนที่จะเป็น __len__() ฟังก์ชั่นเนื่องจากเหตุผลดังต่อไปนี้ -

  • มีประสิทธิภาพมากขึ้น และไม่จำเป็นที่วิธีการใดวิธีหนึ่งจะถูกเขียนขึ้นเพื่อปฏิเสธการเข้าถึงวิธีพิเศษเช่น __len__

  • ง่ายต่อการบำรุงรักษา

  • รองรับความเข้ากันได้ย้อนหลัง

ย้อนกลับ (seq)

มันส่งคืนตัวทำซ้ำย้อนกลับ seq ต้องเป็นอ็อบเจ็กต์ที่มีเมธอด __ ย้อนกลับ __ () หรือสนับสนุนโปรโตคอลลำดับ (เมธอด __len __ () และเมธอด __getitem __ ()) โดยทั่วไปจะใช้ในfor วนซ้ำเมื่อเราต้องการวนซ้ำรายการจากด้านหลังไปด้านหน้า

>>> normal_list = [2, 4, 5, 7, 9]
>>>
>>> class CustomSequence():
   def __len__(self):
      return 5
   def __getitem__(self,index):
      return "x{0}".format(index)
>>> class funkyback():
   def __reversed__(self):
      return 'backwards!'
>>> for seq in normal_list, CustomSequence(), funkyback():
      print('\n{}: '.format(seq.__class__.__name__), end="")
      for item in reversed(seq):
         print(item, end=", ")

for loop ในตอนท้ายจะพิมพ์รายการที่กลับรายการปกติและอินสแตนซ์ของลำดับที่กำหนดเองสองลำดับ ผลลัพธ์แสดงให้เห็นว่าreversed() ทำงานกับทั้งสามอย่าง แต่มีผลลัพธ์ที่แตกต่างกันมากเมื่อเรากำหนด __reversed__.

เอาต์พุต

คุณสามารถสังเกตผลลัพธ์ต่อไปนี้เมื่อคุณรันโค้ดที่ระบุด้านบน -

list: 9, 7, 5, 4, 2,
CustomSequence: x4, x3, x2, x1, x0,
funkyback: b, a, c, k, w, a, r, d, s, !,

แจกแจง

enumerate () วิธีการเพิ่มตัวนับเพื่อทำซ้ำได้และส่งคืนอ็อบเจ็กต์แจงนับ

ไวยากรณ์ของ enumerate () คือ -

enumerate(iterable, start = 0)

นี่คืออาร์กิวเมนต์ที่สอง start เป็นทางเลือกและโดยค่าเริ่มต้นดัชนีเริ่มต้นด้วยศูนย์ (0)

>>> # Enumerate
>>> names = ['Rajesh', 'Rahul', 'Aarav', 'Sahil', 'Trevor']
>>> enumerate(names)
<enumerate object at 0x031D9F80>
>>> list(enumerate(names))
[(0, 'Rajesh'), (1, 'Rahul'), (2, 'Aarav'), (3, 'Sahil'), (4, 'Trevor')]
>>>

ดังนั้น enumerate()ส่งคืนตัววนซ้ำซึ่งให้ทูเปิลที่เก็บจำนวนองค์ประกอบในลำดับที่ส่งผ่าน เนื่องจากค่าที่ส่งคืนเป็นตัววนซ้ำการเข้าถึงโดยตรงจึงไม่มีประโยชน์มากนัก แนวทางที่ดีกว่าสำหรับ enumerate () คือการนับภายในสำหรับลูป

>>> for i, n in enumerate(names):
   print('Names number: ' + str(i))
   print(n)
Names number: 0
Rajesh
Names number: 1
Rahul
Names number: 2
Aarav
Names number: 3
Sahil
Names number: 4
Trevor

มีฟังก์ชั่นอื่น ๆ อีกมากมายในไลบรารีมาตรฐานและนี่คือรายการฟังก์ชันอื่น ๆ ที่ใช้กันอย่างแพร่หลาย -

  • hasattr, getattr, setattr และ delattr, ซึ่งอนุญาตให้แอททริบิวต์ของอ็อบเจ็กต์ถูกจัดการโดยชื่อสตริง

  • all และ any, ซึ่งยอมรับวัตถุที่ทำซ้ำได้และส่งคืน True ถ้ารายการทั้งหมดหรือใด ๆ ประเมินว่าเป็นจริง

  • nzip, ซึ่งใช้เวลาสองลำดับขึ้นไปและส่งกลับลำดับใหม่ของทูเปิลโดยที่ทูเพิลแต่ละตัวมีค่าเดียวจากแต่ละลำดับ

ไฟล์ I / O

แนวคิดของไฟล์เกี่ยวข้องกับคำว่าการเขียนโปรแกรมเชิงวัตถุ Python ได้รวมอินเทอร์เฟซที่ระบบปฏิบัติการมีให้ในรูปแบบนามธรรมที่ช่วยให้เราสามารถทำงานกับไฟล์อ็อบเจ็กต์

open()ฟังก์ชันในตัวใช้เพื่อเปิดไฟล์และส่งคืนอ็อบเจ็กต์ไฟล์ เป็นฟังก์ชันที่ใช้บ่อยที่สุดโดยมีสองอาร์กิวเมนต์ -

open(filename, mode)

ฟังก์ชัน open () เรียกสองอาร์กิวเมนต์อันดับแรกคือชื่อไฟล์และที่สองคือโหมด โหมดที่นี่สามารถเป็น 'r' สำหรับโหมดอ่านอย่างเดียว 'w' สำหรับการเขียนเท่านั้น (ไฟล์ที่มีอยู่ซึ่งมีชื่อเดียวกันจะถูกลบ) และ 'a' เปิดไฟล์เพื่อต่อท้ายข้อมูลใด ๆ ที่เขียนลงในไฟล์จะถูกเพิ่มโดยอัตโนมัติ ไปยังจุดสิ้นสุด 'r +' เปิดไฟล์สำหรับทั้งการอ่านและการเขียน โหมดเริ่มต้นคืออ่านอย่างเดียว

ใน Windows 'b' ที่ต่อท้ายโหมดจะเปิดไฟล์ในโหมดไบนารีดังนั้นจึงมีโหมดเช่น 'rb', 'wb' และ 'r + b' ด้วย

>>> text = 'This is the first line'
>>> file = open('datawork','w')
>>> file.write(text)
22
>>> file.close()

ในบางกรณีเราแค่ต้องการต่อท้ายไฟล์ที่มีอยู่แทนที่จะเขียนทับเพื่อที่เราจะให้ค่า 'a' เป็นอาร์กิวเมนต์โหมดเพื่อต่อท้ายไฟล์แทนที่จะเขียนทับไฟล์ที่มีอยู่ทั้งหมด เนื้อหา

>>> f = open('datawork','a')
>>> text1 = ' This is second line'
>>> f.write(text1)
20
>>> f.close()

เมื่อเปิดไฟล์เพื่ออ่านเราสามารถเรียกใช้เมธอด read, readline หรือ readlines เพื่อรับเนื้อหาของไฟล์ วิธีการอ่านจะส่งคืนเนื้อหาทั้งหมดของไฟล์เป็นวัตถุ str หรือ bytes ขึ้นอยู่กับว่าอาร์กิวเมนต์ที่สองคือ 'b'

เพื่อความสะดวกในการอ่านและเพื่อหลีกเลี่ยงการอ่านไฟล์ขนาดใหญ่ในครั้งเดียวควรใช้ for loop กับไฟล์อ็อบเจ็กต์โดยตรง สำหรับไฟล์ข้อความมันจะอ่านทีละบรรทัดทีละบรรทัดและเราสามารถประมวลผลภายในเนื้อหาของลูปได้ สำหรับไฟล์ไบนารีอย่างไรก็ตามควรอ่านข้อมูลที่มีขนาดคงที่โดยใช้วิธีการอ่าน () โดยส่งผ่านพารามิเตอร์สำหรับจำนวนไบต์สูงสุดที่จะอ่าน

>>> f = open('fileone','r+')
>>> f.readline()
'This is the first line. \n'
>>> f.readline()
'This is the second line. \n'

การเขียนไฟล์โดยใช้วิธีการเขียนบนอ็อบเจ็กต์ไฟล์จะเขียนอ็อบเจ็กต์สตริง (ไบต์สำหรับข้อมูลไบนารี) ลงในไฟล์ เมธอดไรท์ไลน์ยอมรับลำดับของสตริงและเขียนค่าซ้ำแต่ละค่าลงในไฟล์ วิธีการเขียนไม่ต่อท้ายบรรทัดใหม่หลังจากแต่ละรายการในลำดับ

ในที่สุดควรเรียกเมธอด close () เมื่อเราอ่านหรือเขียนไฟล์เสร็จแล้วเพื่อให้แน่ใจว่ามีการเขียนบัฟเฟอร์ใด ๆ ลงในดิสก์ไฟล์นั้นได้รับการล้างข้อมูลอย่างเหมาะสมและทรัพยากรทั้งหมดที่เชื่อมโยงกับไฟล์จะถูกปล่อยกลับไปที่ ระบบปฏิบัติการ เป็นวิธีที่ดีกว่าในการเรียกเมธอด close () แต่ในทางเทคนิคแล้วสิ่งนี้จะเกิดขึ้นโดยอัตโนมัติเมื่อมีสคริปต์

อีกทางเลือกหนึ่งสำหรับวิธีการโอเวอร์โหลด

การโอเวอร์โหลดเมธอดหมายถึงการมีหลายเมธอดที่มีชื่อเดียวกันซึ่งยอมรับอาร์กิวเมนต์ที่แตกต่างกัน

ด้วยวิธีการหรือฟังก์ชันเดียวเราสามารถระบุจำนวนพารามิเตอร์ของเราเองได้ ขึ้นอยู่กับนิยามฟังก์ชันสามารถเรียกใช้ด้วยพารามิเตอร์ศูนย์หนึ่งสองหรือมากกว่า

class Human:
   def sayHello(self, name = None):
      if name is not None:
         print('Hello ' + name)
      else:
         print('Hello ')

#Create Instance
obj = Human()

#Call the method, else part will be executed
obj.sayHello()

#Call the method with a parameter, if part will be executed
obj.sayHello('Rahul')

เอาต์พุต

Hello
Hello Rahul

อาร์กิวเมนต์เริ่มต้น

ฟังก์ชั่นเป็นวัตถุด้วย

อ็อบเจกต์ที่เรียกได้คืออ็อบเจ็กต์ที่สามารถยอมรับอาร์กิวเมนต์บางอย่างและอาจส่งคืนอ็อบเจ็กต์ ฟังก์ชันเป็นอ็อบเจ็กต์ที่เรียกได้ง่ายที่สุดใน Python แต่ก็มีคลาสอื่น ๆ เช่นคลาสหรืออินสแตนซ์คลาสบางตัวเช่นกัน

ทุกฟังก์ชันใน Python คืออ็อบเจกต์ ออบเจ็กต์สามารถมีเมธอดหรือฟังก์ชันได้ แต่อ็อบเจ็กต์ไม่จำเป็นต้องมีฟังก์ชัน

def my_func():
   print('My function was called')
my_func.description = 'A silly function'
def second_func():

   print('Second function was called')

   second_func.description = 'One more sillier function'

def another_func(func):
   print("The description:", end=" ")
   print(func.description)
   print('The name: ', end=' ')
   print(func.__name__)
   print('The class:', end=' ')
   print(func.__class__)
   print("Now I'll call the function passed in")
   func()

another_func(my_func)
another_func(second_func)

ในโค้ดด้านบนเราสามารถส่งสองฟังก์ชันที่แตกต่างกันเป็นอาร์กิวเมนต์ไปยังฟังก์ชันที่สามของเราและได้รับผลลัพธ์ที่แตกต่างกันสำหรับแต่ละฟังก์ชัน -

The description: A silly function
The name: my_func
The class: 
      
        Now I'll call the function passed in My function was called The description: One more sillier function The name: second_func The class: 
       
         Now I'll call the function passed in Second function was called 
       
      

callable objects

Just as functions are objects that can have attributes set on them, it is possible to create an object that can be called as though it were a function.

In Python any object with a __call__() method can be called using function-call syntax.

Inheritance and Polymorphism

Inheritance and polymorphism – this is a very important concept in Python. You must understand it better if you want to learn.

Inheritance

One of the major advantages of Object Oriented Programming is re-use. Inheritance is one of the mechanisms to achieve the same. Inheritance allows programmer to create a general or a base class first and then later extend it to more specialized class. It allows programmer to write better code.

Using inheritance you can use or inherit all the data fields and methods available in your base class. Later you can add you own methods and data fields, thus inheritance provides a way to organize code, rather than rewriting it from scratch.

In object-oriented terminology when class X extend class Y, then Y is called super/parent/base class and X is called subclass/child/derived class. One point to note here is that only data fields and method which are not private are accessible by child classes. Private data fields and methods are accessible only inside the class.

syntax to create a derived class is −

class BaseClass:
   Body of base class
class DerivedClass(BaseClass):
   Body of derived class

Inheriting Attributes

Now look at the below example −

Output

We first created a class called Date and pass the object as an argument, here-object is built-in class provided by Python. Later we created another class called time and called the Date class as an argument. Through this call we get access to all the data and attributes of Date class into the Time class. Because of that when we try to get the get_date method from the Time class object tm we created earlier possible.

Object.Attribute Lookup Hierarchy

  • The instance
  • The class
  • Any class from which this class inherits

Inheritance Examples

Let’s take a closure look into the inheritance example −

Let’s create couple of classes to participate in examples −

  • Animal − Class simulate an animal
  • Cat − Subclass of Animal
  • Dog − Subclass of Animal

In Python, constructor of class used to create an object (instance), and assign the value for the attributes.

Constructor of subclasses always called to a constructor of parent class to initialize value for the attributes in the parent class, then it start assign value for its attributes.

Output

In the above example, we see the command attributes or methods we put in the parent class so that all subclasses or child classes will inherits that property from the parent class.

If a subclass try to inherits methods or data from another subclass then it will through an error as we see when Dog class try to call swatstring() methods from that cat class, it throws an error(like AttributeError in our case).

Polymorphism (“MANY SHAPES”)

Polymorphism is an important feature of class definition in Python that is utilized when you have commonly named methods across classes or subclasses. This permits functions to use entities of different types at different times. So, it provides flexibility and loose coupling so that code can be extended and easily maintained over time.

This allows functions to use objects of any of these polymorphic classes without needing to be aware of distinctions across the classes.

Polymorphism can be carried out through inheritance, with subclasses making use of base class methods or overriding them.

Let understand the concept of polymorphism with our previous inheritance example and add one common method called show_affection in both subclasses −

From the example we can see, it refers to a design in which object of dissimilar type can be treated in the same manner or more specifically two or more classes with method of the same name or common interface because same method(show_affection in below example) is called with either type of objects.

Output

So, all animals show affections (show_affection), but they do differently. The “show_affection” behaviors is thus polymorphic in the sense that it acted differently depending on the animal. So, the abstract “animal” concept does not actually “show_affection”, but specific animals(like dogs and cats) have a concrete implementation of the action “show_affection”.

Python itself have classes that are polymorphic. Example, the len() function can be used with multiple objects and all return the correct output based on the input parameter.

Overriding

In Python, when a subclass contains a method that overrides a method of the superclass, you can also call the superclass method by calling

Super(Subclass, self).method instead of self.method.

Example

class Thought(object):
   def __init__(self):
      pass
   def message(self):
      print("Thought, always come and go")

class Advice(Thought):
   def __init__(self):
      super(Advice, self).__init__()
   def message(self):
      print('Warning: Risk is always involved when you are dealing with market!')

Inheriting the Constructor

If we see from our previous inheritance example, __init__ was located in the parent class in the up ‘cause the child class dog or cat didn’t‘ve __init__ method in it. Python used the inheritance attribute lookup to find __init__ in animal class. When we created the child class, first it will look the __init__ method in the dog class, then it didn’t find it then looked into parent class Animal and found there and called that there. So as our class design became complex we may wish to initialize a instance firstly processing it through parent class constructor and then through child class constructor.

Output

In above example- all animals have a name and all dogs a particular breed. We called parent class constructor with super. So dog has its own __init__ but the first thing that happen is we call super. Super is built in function and it is designed to relate a class to its super class or its parent class.

In this case we saying that get the super class of dog and pass the dog instance to whatever method we say here the constructor __init__. So in another words we are calling parent class Animal __init__ with the dog object. You may ask why we won’t just say Animal __init__ with the dog instance, we could do this but if the name of animal class were to change, sometime in the future. What if we wanna rearrange the class hierarchy,so the dog inherited from another class. Using super in this case allows us to keep things modular and easy to change and maintain.

So in this example we are able to combine general __init__ functionality with more specific functionality. This gives us opportunity to separate common functionality from the specific functionality which can eliminate code duplication and relate class to one another in a way that reflects the system overall design.

Conclusion

  • __init__ is like any other method; it can be inherited

  • If a class does not have a __init__ constructor, Python will check its parent class to see if it can find one.

  • As soon as it finds one, Python calls it and stops looking

  • We can use the super () function to call methods in the parent class.

  • We may want to initialize in the parent as well as our own class.

Multiple Inheritance and the Lookup Tree

As its name indicates, multiple inheritance is Python is when a class inherits from multiple classes.

For example, a child inherits personality traits from both parents (Mother and Father).

Python Multiple Inheritance Syntax

To make a class inherits from multiple parents classes, we write the the names of these classes inside the parentheses to the derived class while defining it. We separate these names with comma.

Below is an example of that −

>>> class Mother:
   pass

>>> class Father:
   pass

>>> class Child(Mother, Father):
   pass

>>> issubclass(Child, Mother) and issubclass(Child, Father)
True

Multiple inheritance refers to the ability of inheriting from two or more than two class. The complexity arises as child inherits from parent and parents inherits from the grandparent class. Python climbs an inheriting tree looking for attributes that is being requested to be read from an object. It will check the in the instance, within class then parent class and lastly from the grandparent class. Now the question arises in what order the classes will be searched - breath-first or depth-first. By default, Python goes with the depth-first.

That’s is why in the below diagram the Python searches the dothis() method first in class A. So the method resolution order in the below example will be

Mro- D→B→A→C

Look at the below multiple inheritance diagram −

Let’s go through an example to understand the “mro” feature of an Python.

Output

Example 3

Let’s take another example of “diamond shape” multiple inheritance.

Above diagram will be considered ambiguous. From our previous example understanding “method resolution order” .i.e. mro will be D→B→A→C→A but it’s not. On getting the second A from the C, Python will ignore the previous A. so the mro will be in this case will be D→B→C→A.

Let’s create an example based on above diagram −

Output

Simple rule to understand the above output is- if the same class appear in the method resolution order, the earlier appearances of this class will be remove from the method resolution order.

In conclusion −

  • Any class can inherit from multiple classes

  • Python normally uses a “depth-first” order when searching inheriting classes.

  • But when two classes inherit from the same class, Python eliminates the first appearances of that class from the mro.

Decorators, Static and Class Methods

Functions(or methods) are created by def statement.

Though methods works in exactly the same way as a function except one point where method first argument is instance object.

We can classify methods based on how they behave, like

  • Simple method − defined outside of a class. This function can access class attributes by feeding instance argument:

def outside_func(():
  • Instance method

def func(self,)
  • Class method − if we need to use class attributes

   @classmethod
def cfunc(cls,)
  • Static method − do not have any info about the class

      @staticmethod
def sfoo()

Till now we have seen the instance method, now is the time to get some insight into the other two methods,

Class Method

The @classmethod decorator, is a builtin function decorator that gets passed the class it was called on or the class of the instance it was called on as first argument. The result of that evaluation shadows your function definition.

syntax

class C(object):
   @classmethod
   def fun(cls, arg1, arg2, ...):
      ....
fun: function that needs to be converted into a class method
returns: a class method for function

They have the access to this cls argument, it can’t modify object instance state. That would require access to self.

  • It is bound to the class and not the object of the class.

  • Class methods can still modify class state that applies across all instances of the class.

Static Method

A static method takes neither a self nor a cls(class) parameter but it’s free to accept an arbitrary number of other parameters.

syntax

class C(object):
   @staticmethod
   def fun(arg1, arg2, ...):
   ...
returns: a static method for function funself.
  • A static method can neither modify object state nor class state.
  • They are restricted in what data they can access.

When to use what

  • We generally use class method to create factory methods. Factory methods return class object (similar to a constructor) for different use cases.

  • We generally use static methods to create utility functions.

Python Design Pattern

Overview

Modern software development needs to address complex business requirements. It also needs to take into account factors such as future extensibility and maintainability. A good design of a software system is vital to accomplish these goals. Design patterns play an important role in such systems.

To understand design pattern, let’s consider below example −

  • Every car’s design follows a basic design pattern, four wheels, steering wheel, the core drive system like accelerator-break-clutch, etc.

So, all things repeatedly built/ produced, shall inevitably follow a pattern in its design.. it cars, bicycle, pizza, atm machines, whatever…even your sofa bed.

Designs that have almost become standard way of coding some logic/mechanism/technique in software, hence come to be known as or studied as, Software Design Patterns.

Why is Design Pattern Important?

Benefits of using Design Patterns are −

  • Helps you to solve common design problems through a proven approach.

  • No ambiguity in the understanding as they are well documented.

  • Reduce the overall development time.

  • Helps you deal with future extensions and modifications with more ease than otherwise.

  • May reduce errors in the system since they are proven solutions to common problems.

Classification of Design Patterns

The GoF (Gang of Four) design patterns are classified into three categories namely creational, structural and behavioral.

Creational Patterns

Creational design patterns separate the object creation logic from the rest of the system. Instead of you creating objects, creational patterns creates them for you. The creational patterns include Abstract Factory, Builder, Factory Method, Prototype and Singleton.

Creational Patterns are not commonly used in Python because of the dynamic nature of the language. Also language itself provide us with all the flexibility we need to create in a sufficient elegant fashion, we rarely need to implement anything on top, like singleton or Factory.

Also these patterns provide a way to create objects while hiding the creation logic, rather than instantiating objects directly using a new operator.

Structural Patterns

Sometimes instead of starting from scratch, you need to build larger structures by using an existing set of classes. That’s where structural class patterns use inheritance to build a new structure. Structural object patterns use composition/ aggregation to obtain a new functionality. Adapter, Bridge, Composite, Decorator, Façade, Flyweight and Proxy are Structural Patterns. They offers best ways to organize class hierarchy.

Behavioral Patterns

Behavioral patterns offers best ways of handling communication between objects. Patterns comes under this categories are: Visitor, Chain of responsibility, Command, Interpreter, Iterator, Mediator, Memento, Observer, State, Strategy and Template method are Behavioral Patterns.

Because they represent the behavior of a system, they are used generally to describe the functionality of software systems.

Commonly used Design Patterns

Singleton

It is one of the most controversial and famous of all design patterns. It is used in overly object-oriented languages, and is a vital part of traditional object-oriented programming.

The Singleton pattern is used for,

  • When logging needs to be implemented. The logger instance is shared by all the components of the system.

  • The configuration files is using this because cache of information needs to be maintained and shared by all the various components in the system.

  • Managing a connection to a database.

Here is the UML diagram,

class Logger(object):
   def __new__(cls, *args, **kwargs):
      if not hasattr(cls, '_logger'):
      cls._logger = super(Logger, cls).__new__(cls, *args, **kwargs)
return cls._logger

In this example, Logger is a Singleton.

When __new__ is called, it normally constructs a new instance of that class. When we override it, we first check if our singleton instance has been created or not. If not, we create it using a super call. Thus, whenever we call the constructor on Logger, we always get the exact same instance.

>>>
>>> obj1 = Logger()
>>> obj2 = Logger()
>>> obj1 == obj2
True
>>>
>>> obj1
<__main__.Logger object at 0x03224090>
>>> obj2
<__main__.Logger object at 0x03224090>

Object Oriented Python - Advanced Features

In this we will look into some of the advanced features which Python provide

Core Syntax in our Class design

In this we will look onto, how Python allows us to take advantage of operators in our classes. Python is largely objects and methods call on objects and this even goes on even when its hidden by some convenient syntax.

>>> var1 = 'Hello'
>>> var2 = ' World!'
>>> var1 + var2
'Hello World!'
>>>
>>> var1.__add__(var2)
'Hello World!'
>>> num1 = 45
>>> num2 = 60
>>> num1.__add__(num2)
105
>>> var3 = ['a', 'b']
>>> var4 = ['hello', ' John']
>>> var3.__add__(var4)
['a', 'b', 'hello', ' John']

So if we have to add magic method __add__ to our own classes, could we do that too. Let’s try to do that.

We have a class called Sumlist which has a contructor __init__ which takes list as an argument called my_list.

class SumList(object):
   def __init__(self, my_list):
      self.mylist = my_list
   def __add__(self, other):
     new_list = [ x + y for x, y in zip(self.mylist, other.mylist)]

     return SumList(new_list)
   
   def __repr__(self):
      return str(self.mylist)

aa = SumList([3,6, 9, 12, 15])

bb = SumList([100, 200, 300, 400, 500])
cc = aa + bb # aa.__add__(bb)
print(cc) # should gives us a list ([103, 206, 309, 412, 515])

Output

[103, 206, 309, 412, 515]

But there are many methods which are internally managed by others magic methods. Below are some of them,

'abc' in var # var.__contains__('abc')
var == 'abc' # var.__eq__('abc')
var[1] # var.__getitem__(1)
var[1:3] # var.__getslice__(1, 3)
len(var) # var.__len__()
print(var) # var.__repr__()

Inheriting From built-in types

Classes can also inherit from built-in types this means inherits from any built-in and take advantage of all the functionality found there.

In below example we are inheriting from dictionary but then we are implementing one of its method __setitem__. This (setitem) is invoked when we set key and value in the dictionary. As this is a magic method, this will be called implicitly.

class MyDict(dict):

   def __setitem__(self, key, val):
      print('setting a key and value!')
      dict.__setitem__(self, key, val)

dd = MyDict()
dd['a'] = 10
dd['b'] = 20

for key in dd.keys():
   print('{0} = {1}'.format(key, dd[key]))

Output

setting a key and value!
setting a key and value!
a = 10
b = 20

Let’s extend our previous example, below we have called two magic methods called __getitem__ and __setitem__ better invoked when we deal with list index.

# Mylist inherits from 'list' object but indexes from 1 instead for 0!
class Mylist(list): # inherits from list
   def __getitem__(self, index):
      if index == 0:
         raise IndexError
      if index > 0:
         index = index - 1
         return list.__getitem__(self, index) # this method is called when

# we access a value with subscript like x[1]
   def __setitem__(self, index, value):
      if index == 0:
         raise IndexError
      if index > 0:
      index = index - 1
      list.__setitem__(self, index, value)

x = Mylist(['a', 'b', 'c']) # __init__() inherited from builtin list

print(x) # __repr__() inherited from builtin list

x.append('HELLO'); # append() inherited from builtin list

print(x[1]) # 'a' (Mylist.__getitem__ cutomizes list superclass
               # method. index is 1, but reflects 0!

print (x[4]) # 'HELLO' (index is 4 but reflects 3!

Output

['a', 'b', 'c']
a
HELLO

In above example, we set a three item list in Mylist and implicitly __init__ method is called and when we print the element x, we get the three item list ([‘a’,’b’,’c’]). Then we append another element to this list. Later we ask for index 1 and index 4. But if you see the output, we are getting element from the (index-1) what we have asked for. As we know list indexing start from 0 but here the indexing start from 1 (that’s why we are getting the first item of the list).

Naming Conventions

In this we will look into names we’ll used for variables especially private variables and conventions used by Python programmers worldwide. Although variables are designated as private but there is not privacy in Python and this by design. Like any other well documented languages, Python has naming and style conventions that it promote although it doesn’t enforce them. There is a style guide written by “Guido van Rossum” the originator of Python, that describe the best practices and use of name and is called PEP8. Here is the link for this, https://www.python.org/dev/peps/pep-0008/

PEP stands for Python enhancement proposal and is a series of documentation that distributed among the Python community to discuss proposed changes. For example it is recommended all,

  • Module names − all_lower_case
  • Class names and exception names − CamelCase
  • Global and local names − all_lower_case
  • Functions and method names − all_lower_case
  • Constants − ALL_UPPER_CASE

These are just the recommendation, you can vary if you like. But as most of the developers follows these recommendation so might me your code is less readable.

Why conform to convention?

We can follow the PEP recommendation we it allows us to get,

  • More familiar to the vast majority of developers
  • Clearer to most readers of your code.
  • Will match style of other contributers who work on same code base.
  • Mark of a professional software developers
  • Everyone will accept you.

Variable Naming − ‘Public’ and ‘Private’

In Python, when we are dealing with modules and classes, we designate some variables or attribute as private. In Python, there is no existence of “Private” instance variable which cannot be accessed except inside an object. Private simply means they are simply not intended to be used by the users of the code instead they are intended to be used internally. In general, a convention is being followed by most Python developers i.e. a name prefixed with an underscore for example. _attrval (example below) should be treated as a non-public part of the API or any Python code, whether it is a function, a method or a data member. Below is the naming convention we follow,

  • Public attributes or variables (intended to be used by the importer of this module or user of this class) −regular_lower_case

  • Private attributes or variables (internal use by the module or class) −_single_leading_underscore

  • Private attributes that shouldn’t be subclassed −__double_leading_underscore

  • Magic attributes −__double_underscores__(use them, don’t create them)

class GetSet(object):

   instance_count = 0 # public
   
   __mangled_name = 'no privacy!' # special variable

   def __init__(self, value):
      self._attrval = value # _attrval is for internal use only
      GetSet.instance_count += 1

   @property
   def var(self):
      print('Getting the "var" attribute')
      return self._attrval

   @var.setter
   def var(self, value):
      print('setting the "var" attribute')
      self._attrval = value

   @var.deleter
   def var(self):
      print('deleting the "var" attribute')
      self._attrval = None

cc = GetSet(5)
cc.var = 10 # public name
print(cc._attrval)
print(cc._GetSet__mangled_name)

Output

setting the "var" attribute
10
no privacy!

Object Oriented Python - Files and Strings

Strings

Strings are the most popular data types used in every programming language. Why? Because we, understand text better than numbers, so in writing and talking we use text and words, similarly in programming too we use strings. In string we parse text, analyse text semantics, and do data mining – and all this data is human consumed text.The string in Python is immutable.

String Manipulation

In Python, string can be marked in multiple ways, using single quote ( ‘ ), double quote( “ ) or even triple quote ( ‘’’ ) in case of multiline strings.

>>> # String Examples
>>> a = "hello"
>>> b = ''' A Multi line string,
Simple!'''
>>> e = ('Multiple' 'strings' 'togethers')

String manipulation is very useful and very widely used in every language. Often, programmers are required to break down strings and examine them closely.

Strings can be iterated over (character by character), sliced, or concatenated. The syntax is the same as for lists.

The str class has numerous methods on it to make manipulating strings easier. The dir and help commands provides guidance in the Python interpreter how to use them.

Below are some of the commonly used string methods we use.

Sr.No. Method & Description
1

isalpha()

Checks if all characters are Alphabets

2

isdigit()

Checks Digit Characters

3

isdecimal()

Checks decimal Characters

4

isnumeric()

checks Numeric Characters

5

find()

Returns the Highest Index of substrings

6

istitle()

Checks for Titlecased strings

7

join()

Returns a concatenated string

8

lower()

returns lower cased string

9

upper()

returns upper cased string

10

partion()

Returns a tuple

11

bytearray()

Returns array of given byte size

12

enumerate()

Returns an enumerate object

13

isprintable()

Checks printable character

Let’s try to run couple of string methods,

>>> str1 = 'Hello World!'
>>> str1.startswith('h')
False
>>> str1.startswith('H')
True
>>> str1.endswith('d')
False
>>> str1.endswith('d!')
True
>>> str1.find('o')
4
>>> #Above returns the index of the first occurence of the character/substring.
>>> str1.find('lo')
3
>>> str1.upper()
'HELLO WORLD!'
>>> str1.lower()
'hello world!'
>>> str1.index('b')
Traceback (most recent call last):
   File "<pyshell#19>", line 1, in <module>
      str1.index('b')
ValueError: substring not found
>>> s = ('hello How Are You')
>>> s.split(' ')
['hello', 'How', 'Are', 'You']
>>> s1 = s.split(' ')
>>> '*'.join(s1)
'hello*How*Are*You'
>>> s.partition(' ')
('hello', ' ', 'How Are You')
>>>

String Formatting

In Python 3.x formatting of strings has changed, now it more logical and is more flexible. Formatting can be done using the format() method or the % sign(old style) in format string.

The string can contain literal text or replacement fields delimited by braces {} and each replacement field may contains either the numeric index of a positional argument or the name of a keyword argument.

syntax

str.format(*args, **kwargs)

Basic Formatting

>>> '{} {}'.format('Example', 'One')
'Example One'
>>> '{} {}'.format('pie', '3.1415926')
'pie 3.1415926'

Below example allows re-arrange the order of display without changing the arguments.

>>> '{1} {0}'.format('pie', '3.1415926')
'3.1415926 pie'

Padding and aligning strings

A value can be padded to a specific length.

>>> #Padding Character, can be space or special character
>>> '{:12}'.format('PYTHON')
'PYTHON '
>>> '{:>12}'.format('PYTHON')
' PYTHON'
>>> '{:<{}s}'.format('PYTHON',12)
'PYTHON '
>>> '{:*<12}'.format('PYTHON')
'PYTHON******'
>>> '{:*^12}'.format('PYTHON')
'***PYTHON***'
>>> '{:.15}'.format('PYTHON OBJECT ORIENTED PROGRAMMING')
'PYTHON OBJECT O'
>>> #Above, truncated 15 characters from the left side of a specified string
>>> '{:.{}}'.format('PYTHON OBJECT ORIENTED',15)
'PYTHON OBJECT O'
>>> #Named Placeholders
>>> data = {'Name':'Raghu', 'Place':'Bangalore'}
>>> '{Name} {Place}'.format(**data)
'Raghu Bangalore'
>>> #Datetime
>>> from datetime import datetime
>>> '{:%Y/%m/%d.%H:%M}'.format(datetime(2018,3,26,9,57))
'2018/03/26.09:57'

Strings are Unicode

Strings as collections of immutable Unicode characters. Unicode strings provide an opportunity to create software or programs that works everywhere because the Unicode strings can represent any possible character not just the ASCII characters.

Many IO operations only know how to deal with bytes, even if the bytes object refers to textual data. It is therefore very important to know how to interchange between bytes and Unicode.

Converting text to bytes

Converting a strings to byte object is termed as encoding. There are numerous forms of encoding, most common ones are: PNG; JPEG, MP3, WAV, ASCII, UTF-8 etc. Also this(encoding) is a format to represent audio, images, text, etc. in bytes.

This conversion is possible through encode(). It take encoding technique as argument. By default, we use ‘UTF-8’ technique.

>>> # Python Code to demonstrate string encoding 
>>> 
>>> # Initialising a String 
>>> x = 'TutorialsPoint' 
>>> 
>>> #Initialising a byte object 
>>> y = b'TutorialsPoint'
>>> 
>>> # Using encode() to encode the String >>> # encoded version of x is stored in z using ASCII mapping 
>>> z = x.encode('ASCII') 
>>> 
>>> # Check if x is converted to bytes or not 
>>> 
>>> if(z==y): 
   print('Encoding Successful!') 
else: 
   print('Encoding Unsuccessful!') 
Encoding Successful!

Converting bytes to text

Converting bytes to text is called the decoding. This is implemented through decode(). We can convert a byte string to a character string if we know which encoding is used to encode it.

So Encoding and decoding are inverse processes.

>>> 
>>> # Python code to demonstrate Byte Decoding 
>>> 
>>> #Initialise a String 
>>> x = 'TutorialsPoint' 
>>> 
>>> #Initialising a byte object 
>>> y = b'TutorialsPoint' 
>>> 
>>> #using decode() to decode the Byte object 
>>> # decoded version of y is stored in z using ASCII mapping 
>>> z = y.decode('ASCII')
>>> #Check if y is converted to String or not 
>>> if (z == x): 
   print('Decoding Successful!') 
else: 
   print('Decoding Unsuccessful!') Decoding Successful! 
>>>

File I/O

Operating systems represents files as a sequence of bytes, not text.

A file is a named location on disk to store related information. It is used to permanently store data in your disk.

In Python, a file operation takes place in the following order.

  • Open a file
  • Read or write onto a file (operation).Open a file
  • Close the file.

Python wraps the incoming (or outgoing) stream of bytes with appropriate decode (or encode) calls so we can deal directly with str objects.

Opening a file

Python has a built-in function open() to open a file. This will generate a file object, also called a handle as it is used to read or modify the file accordingly.

>>> f = open(r'c:\users\rajesh\Desktop\index.webm','rb')
>>> f
<_io.BufferedReader name='c:\\users\\rajesh\\Desktop\\index.webm'>
>>> f.mode
'rb'
>>> f.name
'c:\\users\\rajesh\\Desktop\\index.webm'

For reading text from a file, we only need to pass the filename into the function. The file will be opened for reading, and the bytes will be converted to text using the platform default encoding.

Exception and Exception Classes

In general, an exception is any unusual condition. Exception usually indicates errors but sometimes they intentionally puts in the program, in cases like terminating a procedure early or recovering from a resource shortage. There are number of built-in exceptions, which indicate conditions like reading past the end of a file, or dividing by zero. We can define our own exceptions called custom exception.

Exception handling enables you handle errors gracefully and do something meaningful about it. Exception handling has two components: “throwing” and ‘catching’.

Identifying Exception (Errors)

Every error occurs in Python result an exception which will an error condition identified by its error type.

>>> #Exception
>>> 1/0
Traceback (most recent call last):
   File "<pyshell#2>", line 1, in <module>
      1/0
ZeroDivisionError: division by zero
>>>
>>> var = 20
>>> print(ver)
Traceback (most recent call last):
   File "<pyshell#5>", line 1, in <module>
      print(ver)
NameError: name 'ver' is not defined
>>> #Above as we have misspelled a variable name so we get an NameError.
>>>
>>> print('hello)

SyntaxError: EOL while scanning string literal
>>> #Above we have not closed the quote in a string, so we get SyntaxError.
>>>
>>> #Below we are asking for a key, that doen't exists.
>>> mydict = {}
>>> mydict['x']
Traceback (most recent call last):
   File "<pyshell#15>", line 1, in <module>
      mydict['x']
KeyError: 'x'
>>> #Above keyError
>>>
>>> #Below asking for a index that didn't exist in a list.
>>> mylist = [1,2,3,4]
>>> mylist[5]
Traceback (most recent call last):
   File "<pyshell#20>", line 1, in <module>
      mylist[5]
IndexError: list index out of range
>>> #Above, index out of range, raised IndexError.

Catching/Trapping Exception

When something unusual occurs in your program and you wish to handle it using the exception mechanism, you ‘throw an exception’. The keywords try and except are used to catch exceptions. Whenever an error occurs within a try block, Python looks for a matching except block to handle it. If there is one, execution jumps there.

syntax

try:
   #write some code
   #that might throw some exception
except <ExceptionType>:
   # Exception handler, alert the user

The code within the try clause will be executed statement by statement.

If an exception occurs, the rest of the try block will be skipped and the except clause will be executed.

try:
   some statement here
except:
   exception handling

Let’s write some code to see what happens when you not use any error handling mechanism in your program.

number = int(input('Please enter the number between 1 & 10: '))
print('You have entered number',number)

Above programme will work correctly as long as the user enters a number, but what happens if the users try to puts some other data type(like a string or a list).

Please enter the number between 1 > 10: 'Hi'
Traceback (most recent call last):
   File "C:/Python/Python361/exception2.py", line 1, in <module>
      number = int(input('Please enter the number between 1 & 10: '))
ValueError: invalid literal for int() with base 10: "'Hi'"

Now ValueError is an exception type. Let’s try to rewrite the above code with exception handling.

import sys

print('Previous code with exception handling')

try:
   number = int(input('Enter number between 1 > 10: '))

except(ValueError):
   print('Error..numbers only')
   sys.exit()

print('You have entered number: ',number)

If we run the program, and enter a string (instead of a number), we can see that we get a different result.

Previous code with exception handling
Enter number between 1 > 10: 'Hi'
Error..numbers only

Raising Exceptions

To raise your exceptions from your own methods you need to use raise keyword like this

raise ExceptionClass(‘Some Text Here’)

Let’s take an example

def enterAge(age):
   if age<0:
      raise ValueError('Only positive integers are allowed')
   if age % 2 ==0:
      print('Entered Age is even')
   else:
      print('Entered Age is odd')

try:
   num = int(input('Enter your age: '))
   enterAge(num)
except ValueError:
   print('Only positive integers are allowed')

Run the program and enter positive integer.

Expected Output

Enter your age: 12
Entered Age is even

But when we try to enter a negative number we get,

Expected Output

Enter your age: -2
Only positive integers are allowed

Creating Custom exception class

You can create a custom exception class by Extending BaseException class or subclass of BaseException.

From above diagram we can see most of the exception classes in Python extends from the BaseException class. You can derive your own exception class from BaseException class or from its subclass.

Create a new file called NegativeNumberException.py and write the following code.

class NegativeNumberException(RuntimeError):
   def __init__(self, age):
      super().__init__()
      self.age = age

Above code creates a new exception class named NegativeNumberException, which consists of only constructor which call parent class constructor using super()__init__() and sets the age.

Now to create your own custom exception class, will write some code and import the new exception class.

from NegativeNumberException import NegativeNumberException
def enterage(age):
   if age < 0:
      raise NegativeNumberException('Only positive integers are allowed')

   if age % 2 == 0:
      print('Age is Even')

   else:
      print('Age is Odd')

try:
   num = int(input('Enter your age: '))
   enterage(num)
except NegativeNumberException:
   print('Only positive integers are allowed')
except:
   print('Something is wrong')

Output

Enter your age: -2
Only positive integers are allowed

Another way to create a custom Exception class.

class customException(Exception):
   def __init__(self, value):
      self.parameter = value

   def __str__(self):
      return repr(self.parameter)
try:
   raise customException('My Useful Error Message!')
except customException as instance:
   print('Caught: ' + instance.parameter)

Output

Caught: My Useful Error Message!

Exception hierarchy

The class hierarchy for built-in exceptions is −

+-- SystemExit 
+-- KeyboardInterrupt 
+-- GeneratorExit 
+-- Exception 
+-- StopIteration 
+-- StopAsyncIteration 
+-- ArithmeticError 
| +-- FloatingPointError 
| +-- OverflowError 
| +-- ZeroDivisionError 
+-- AssertionError 
+-- AttributeError 
+-- BufferError 
+-- EOFError 
+-- ImportError 
+-- LookupError 
| +-- IndexError 
| +-- KeyError 
+-- MemoryError 
+-- NameError 
| +-- UnboundLocalError 
+-- OSError 
| +-- BlockingIOError 
| +-- ChildProcessError 
| +-- ConnectionError 
| | +-- BrokenPipeError 
| | +-- ConnectionAbortedError 
| | +-- ConnectionRefusedError 
| | +-- ConnectionResetError 
| +-- FileExistsError 
| +-- FileNotFoundError 
| +-- InterruptedError 
| +-- IsADirectoryError 
| +-- NotADirectoryError 
| +-- PermissionError 
| +-- ProcessLookupError 
| +-- TimeoutError 
+-- ReferenceError 
+-- RuntimeError 
| +-- NotImplementedError 
| +-- RecursionError 
+-- SyntaxError 
| +-- IndentationError
| +-- TabError 
+-- SystemError 
+-- TypeError 
+-- ValueError 
| +-- UnicodeError 
| +-- UnicodeDecodeError 
| +-- UnicodeEncodeError 
| +-- UnicodeTranslateError 
+-- Warning 
+-- DeprecationWarning 
+-- PendingDeprecationWarning 
+-- RuntimeWarning 
+-- SyntaxWarning 
+-- UserWarning 
+-- FutureWarning 
+-- ImportWarning 
+-- UnicodeWarning 
+-- BytesWarning 
+-- ResourceWarning

Object Oriented Python - Object Serialization

In the context of data storage, serialization is the process of translating data structures or object state into a format that can be stored (for example, in a file or memory buffer) or transmitted and reconstructed later.

In serialization, an object is transformed into a format that can be stored, so as to be able to deserialize it later and recreate the original object from the serialized format.

Pickle

Pickling is the process whereby a Python object hierarchy is converted into a byte stream (usually not human readable) to be written to a file, this is also known as Serialization. Unpickling is the reverse operation, whereby a byte stream is converted back into a working Python object hierarchy.

Pickle is operationally simplest way to store the object. The Python Pickle module is an object-oriented way to store objects directly in a special storage format.

What can it do?

  • Pickle can store and reproduce dictionaries and lists very easily.
  • Stores object attributes and restores them back to the same State.

What pickle can’t do?

  • It does not save an objects code. Only it’s attributes values.
  • It cannot store file handles or connection sockets.

In short we can say, pickling is a way to store and retrieve data variables into and out from files where variables can be lists, classes, etc.

To Pickle something you must −

  • import pickle
  • Write a variable to file, something like
pickle.dump(mystring, outfile, protocol),

where 3rd argument protocol is optional To unpickling something you must −

Import pickle

Write a variable to a file, something like

myString = pickle.load(inputfile)

Methods

The pickle interface provides four different methods.

  • dump() − The dump() method serializes to an open file (file-like object).

  • dumps() − Serializes to a string

  • load() − Deserializes from an open-like object.

  • loads() − Deserializes from a string.

Based on above procedure, below is an example of “pickling”.

Output

My Cat pussy is White and has 4 legs
Would you like to see her pickled? Here she is!
b'\x80\x03c__main__\nCat\nq\x00)\x81q\x01}q\x02(X\x0e\x00\x00\x00number_of_legsq\x03K\x04X\x05\x00\x00\x00colorq\x04X\x05\x00\x00\x00Whiteq\x05ub.'

So, in the example above, we have created an instance of a Cat class and then we’ve pickled it, transforming our “Cat” instance into a simple array of bytes.

This way we can easily store the bytes array on a binary file or in a database field and restore it back to its original form from our storage support in a later time.

Also if you want to create a file with a pickled object, you can use the dump() method ( instead of the dumps*()* one) passing also an opened binary file and the pickling result will be stored in the file automatically.

[….]
binary_file = open(my_pickled_Pussy.bin', mode='wb')
my_pickled_Pussy = pickle.dump(Pussy, binary_file)
binary_file.close()

Unpickling

The process that takes a binary array and converts it to an object hierarchy is called unpickling.

The unpickling process is done by using the load() function of the pickle module and returns a complete object hierarchy from a simple bytes array.

Let’s use the load function in our previous example.

Output

MeOw is black
Pussy is white

JSON

JSON(JavaScript Object Notation) has been part of the Python standard library is a lightweight data-interchange format. It is easy for humans to read and write. It is easy to parse and generate.

Because of its simplicity, JSON is a way by which we store and exchange data, which is accomplished through its JSON syntax, and is used in many web applications. As it is in human readable format, and this may be one of the reasons for using it in data transmission, in addition to its effectiveness when working with APIs.

An example of JSON-formatted data is as follow −

{"EmployID": 40203, "Name": "Zack", "Age":54, "isEmployed": True}

Python makes it simple to work with Json files. The module sused for this purpose is the JSON module. This module should be included (built-in) within your Python installation.

So let’s see how can we convert Python dictionary to JSON and write it to a text file.

JSON to Python

Reading JSON means converting JSON into a Python value (object). The json library parses JSON into a dictionary or list in Python. In order to do that, we use the loads() function (load from a string), as follow −

Output

Below is one sample json file,

data1.json
{"menu": {
   "id": "file",
   "value": "File",
   "popup": {
      "menuitem": [
         {"value": "New", "onclick": "CreateNewDoc()"},
         {"value": "Open", "onclick": "OpenDoc()"},
         {"value": "Close", "onclick": "CloseDoc()"}
      ]
   }
}}

Above content (Data1.json) looks like a conventional dictionary. We can use pickle to store this file but the output of it is not human readable form.

JSON(Java Script Object Notification) is a very simple format and that’s one of the reason for its popularity. Now let’s look into json output through below program.

Output

Above we open the json file (data1.json) for reading, obtain the file handler and pass on to json.load and getting back the object. When we try to print the output of the object, its same as the json file. Although the type of the object is dictionary, it comes out as a Python object. Writing to the json is simple as we saw this pickle. Above we load the json file, add another key value pair and writing it back to the same json file. Now if we see out data1.json, it looks different .i.e. not in the same format as we see previously.

To make our Output looks same (human readable format), add the couple of arguments into our last line of the program,

json.dump(conf, fh, indent = 4, separators = (‘,’, ‘: ‘))

Similarly like pickle, we can print the string with dumps and load with loads. Below is an example of that,

YAML

YAML may be the most human friendly data serialization standard for all programming languages.

Python yaml module is called pyaml

YAML is an alternative to JSON −

  • Human readable code − YAML is the most human readable format so much so that even its front-page content is displayed in YAML to make this point.

  • Compact code − In YAML we use whitespace indentation to denote structure not brackets.

  • Syntax for relational data − For internal references we use anchors (&) and aliases (*).

  • One of the area where it is used widely is for viewing/editing of data structures − for example configuration files, dumping during debugging and document headers.

Installing YAML

As yaml is not a built-in module, we need to install it manually. Best way to install yaml on windows machine is through pip. Run below command on your windows terminal to install yaml,

pip install pyaml (Windows machine)
sudo pip install pyaml (*nix and Mac)

On running above command, screen will display something like below based on what’s the current latest version.

Collecting pyaml
Using cached pyaml-17.12.1-py2.py3-none-any.whl
Collecting PyYAML (from pyaml)
Using cached PyYAML-3.12.tar.gz
Installing collected packages: PyYAML, pyaml
Running setup.py install for PyYAML ... done
Successfully installed PyYAML-3.12 pyaml-17.12.1

To test it, go to the Python shell and import the yaml module, import yaml, if no error is found, then we can say installation is successful.

After installing pyaml, let’s look at below code,

script_yaml1.py

Above we created three different data structure, dictionary, list and tuple. On each of the structure, we do yaml.dump. Important point is how the output is displayed on the screen.

Output

Dictionary output looks clean .ie. key: value.

White space to separate different objects.

List is notated with dash (-)

Tuple is indicated first with !!Python/tuple and then in the same format as lists.

Loading a yaml file

So let’s say I have one yaml file, which contains,

---
# An employee record
name: Raagvendra Joshi
job: Developer
skill: Oracle
employed: True
foods:
   - Apple
   - Orange
   - Strawberry
   - Mango
languages:
   Oracle: Elite
   power_builder: Elite
   Full Stack Developer: Lame
education:
   4 GCSEs
   3 A-Levels
   MCA in something called com

Now let’s write a code to load this yaml file through yaml.load function. Below is code for the same.

As the output doesn’t looks that much readable, I prettify it by using json in the end. Compare the output we got and the actual yaml file we have.

Output

One of the most important aspect of software development is debugging. In this section we’ll see different ways of Python debugging either with built-in debugger or third party debuggers.

PDB – The Python Debugger

The module PDB supports setting breakpoints. A breakpoint is an intentional pause of the program, where you can get more information about the programs state.

To set a breakpoint, insert the line

pdb.set_trace()

Example

pdb_example1.py
import pdb
x = 9
y = 7
pdb.set_trace()
total = x + y
pdb.set_trace()

We have inserted a few breakpoints in this program. The program will pause at each breakpoint (pdb.set_trace()). To view a variables contents simply type the variable name.

c:\Python\Python361>Python pdb_example1.py
> c:\Python\Python361\pdb_example1.py(8)<module>()
-> total = x + y
(Pdb) x
9
(Pdb) y
7
(Pdb) total
*** NameError: name 'total' is not defined
(Pdb)

Press c or continue to go on with the programs execution until the next breakpoint.

(Pdb) c
--Return--
> c:\Python\Python361\pdb_example1.py(8)<module>()->None
-> total = x + y
(Pdb) total
16

Eventually, you will need to debug much bigger programs – programs that use subroutines. And sometimes, the problem that you’re trying to find will lie inside a subroutine. Consider the following program.

import pdb
def squar(x, y):
   out_squared = x^2 + y^2
   return out_squared
if __name__ == "__main__":
   #pdb.set_trace()
   print (squar(4, 5))

Now on running the above program,

c:\Python\Python361>Python pdb_example2.py
> c:\Python\Python361\pdb_example2.py(10)<module>()
-> print (squar(4, 5))
(Pdb)

We can use ? to get help, but the arrow indicates the line that’s about to be executed. At this point it’s helpful to hit s to s to step into that line.

(Pdb) s
--Call--
>c:\Python\Python361\pdb_example2.py(3)squar()
-> def squar(x, y):

This is a call to a function. If you want an overview of where you are in your code, try l −

(Pdb) l
1 import pdb
2
3 def squar(x, y):
4 -> out_squared = x^2 + y^2
5
6 return out_squared
7
8 if __name__ == "__main__":
9 pdb.set_trace()
10 print (squar(4, 5))
[EOF]
(Pdb)

You can hit n to advance to the next line. At this point you are inside the out_squared method and you have access to the variable declared inside the function .i.e. x and y.

(Pdb) x
4
(Pdb) y
5
(Pdb) x^2
6
(Pdb) y^2
7
(Pdb) x**2
16
(Pdb) y**2
25
(Pdb)

So we can see the ^ operator is not what we wanted instead we need to use ** operator to do squares.

This way we can debug our program inside the functions/methods.

Logging

The logging module has been a part of Python’s Standard Library since Python version 2.3. As it’s a built-in module all Python module can participate in logging, so that our application log can include your own message integrated with messages from third party module. It provides a lot of flexibility and functionality.

Benefits of Logging

  • Diagnostic logging − It records events related to the application’s operation.

  • Audit logging − It records events for business analysis.

Messages are written and logged at levels of “severity” &minu

  • DEBUG (debug()) − diagnostic messages for development.

  • INFO (info()) − standard “progress” messages.

  • WARNING (warning()) − detected a non-serious issue.

  • ERROR (error()) − encountered an error, possibly serious.

  • CRITICAL (critical()) − usually a fatal error (program stops).

Let’s looks into below simple program,

import logging

logging.basicConfig(level=logging.INFO)

logging.debug('this message will be ignored') # This will not print
logging.info('This should be logged') # it'll print
logging.warning('And this, too') # It'll print

Above we are logging messages on severity level. First we import the module, call basicConfig and set the logging level. Level we set above is INFO. Then we have three different statement: debug statement, info statement and a warning statement.

Output of logging1.py

INFO:root:This should be logged
WARNING:root:And this, too

As the info statement is below debug statement, we are not able to see the debug message. To get the debug statement too in the Output terminal, all we need to change is the basicConfig level.

logging.basicConfig(level = logging.DEBUG)

And in the Output we can see,

DEBUG:root:this message will be ignored
INFO:root:This should be logged
WARNING:root:And this, too

Also the default behavior means if we don’t set any logging level is warning. Just comment out the second line from the above program and run the code.

#logging.basicConfig(level = logging.DEBUG)

Output

WARNING:root:And this, too

Python built in logging level are actually integers.

>>> import logging
>>>
>>> logging.DEBUG
10
>>> logging.CRITICAL
50
>>> logging.WARNING
30
>>> logging.INFO
20
>>> logging.ERROR
40
>>>

We can also save the log messages into the file.

logging.basicConfig(level = logging.DEBUG, filename = 'logging.log')

Now all log messages will go the file (logging.log) in your current working directory instead of the screen. This is a much better approach as it lets us to do post analysis of the messages we got.

We can also set the date stamp with our log message.

logging.basicConfig(level=logging.DEBUG, format = '%(asctime)s %(levelname)s:%(message)s')

Output will get something like,

2018-03-08 19:30:00,066 DEBUG:this message will be ignored
2018-03-08 19:30:00,176 INFO:This should be logged
2018-03-08 19:30:00,201 WARNING:And this, too

Benchmarking

Benchmarking or profiling is basically to test how fast is your code executes and where the bottlenecks are? The main reason to do this is for optimization.

timeit

Python comes with a in-built module called timeit. You can use it to time small code snippets. The timeit module uses platform-specific time functions so that you will get the most accurate timings possible.

So, it allows us to compare two shipment of code taken by each and then optimize the scripts to given better performance.

The timeit module has a command line interface, but it can also be imported.

There are two ways to call a script. Let’s use the script first, for that run the below code and see the Output.

import timeit
print ( 'by index: ', timeit.timeit(stmt = "mydict['c']", setup = "mydict = {'a':5, 'b':10, 'c':15}", number = 1000000))
print ( 'by get: ', timeit.timeit(stmt = 'mydict.get("c")', setup = 'mydict = {"a":5, "b":10, "c":15}', number = 1000000))

Output

by index: 0.1809192126703489
by get: 0.6088525265034692

Above we use two different method .i.e. by subscript and get to access the dictionary key value. We execute statement 1 million times as it executes too fast for a very small data. Now we can see the index access much faster as compared to the get. We can run the code multiply times and there will be slight variation in the time execution to get the better understanding.

Another way is to run the above test in the command line. Let’s do it,

c:\Python\Python361>Python -m timeit -n 1000000 -s "mydict = {'a': 5, 'b':10, 'c':15}" "mydict['c']"
1000000 loops, best of 3: 0.187 usec per loop

c:\Python\Python361>Python -m timeit -n 1000000 -s "mydict = {'a': 5, 'b':10, 'c':15}" "mydict.get('c')"
1000000 loops, best of 3: 0.659 usec per loop

Above output may vary based on your system hardware and what all applications are running currently in your system.

Below we can use the timeit module, if we want to call to a function. As we can add multiple statement inside the function to test.

import timeit

def testme(this_dict, key):
   return this_dict[key]

print (timeit.timeit("testme(mydict, key)", setup = "from __main__ import testme; mydict = {'a':9, 'b':18, 'c':27}; key = 'c'", number = 1000000))

Output

0.7713474590139164

Object Oriented Python - Libraries

Requests − Python Requests Module

Requests is a Python module which is an elegant and simple HTTP library for Python. With this you can send all kinds of HTTP requests. With this library we can add headers, form data, multipart files and parameters and access the response data.

As Requests is not a built-in module, so we need to install it first.

You can install it by running the following command in the terminal −

pip install requests

Once you have installed the module, you can verify if the installation is successful by typing below command in the Python shell.

import requests

If the installation has been successful, you won’t see any error message.

Making a GET Request

As a means of example we’ll be using the “pokeapi”

Output −

Making POST Requests

The requests library methods for all of the HTTP verbs currently in use. If you wanted to make a simple POST request to an API endpoint then you can do that like so −

req = requests.post(‘http://api/user’, data = None, json = None)

This would work in exactly the same fashion as our previous GET request, however it features two additional keyword parameters −

  • data which can be populated with say a dictionary, a file or bytes that will be passed in the HTTP body of our POST request.

  • json which can be populated with a json object that will be passed in the body of our HTTP request also.

Pandas: Python Library Pandas

Pandas is an open-source Python Library providing high-performance data manipulation and analysis tool using its powerful data structures. Pandas is one of the most widely used Python libraries in data science. It is mainly used for data munging, and with good reason: Powerful and flexible group of functionality.

Built on Numpy package and the key data structure is called the DataFrame. These dataframes allows us to store and manipulate tabular data in rows of observations and columns of variables.

There are several ways to create a DataFrame. One way is to use a dictionary. For example −

Output

From the output we can see new brics DataFrame, Pandas has assigned a key for each country as the numerical values 0 through 4.

If instead of giving indexing values from 0 to 4, we would like to have different index values, say the two letter country code, you can do that easily as well −

Adding below one lines in the above code, gives

brics.index = ['BR', 'RU', 'IN', 'CH', 'SA']

Output

Indexing DataFrames

Output

Pygame

Pygame is the open source and cross-platform library that is for making multimedia applications including games. It includes computer graphics and sound libraries designed to be used with the Python programming language. You can develop many cool games with Pygame.’

Overview

Pygame is composed of various modules, each dealing with a specific set of tasks. For example, the display module deals with the display window and screen, the draw module provides functions to draw shapes and the key module works with the keyboard. These are just some of the modules of the library.

The home of the Pygame library is at https://www.pygame.org/news

To make a Pygame application, you follow these steps −

Import the Pygame library

import pygame

Initialize the Pygame library

pygame.init()

Create a window.

screen = Pygame.display.set_mode((560,480))
Pygame.display.set_caption(‘First Pygame Game’)

Initialize game objects

In this step we load images, load sounds, do object positioning, set up some state variables, etc.

Start the game loop.

It is just a loop where we continuously handle events, checks for input, move objects, and draw them. Each iteration of the loop is called a frame.

Let’s put all the above logic into one below program,

Pygame_script.py

Output

Beautiful Soup: Web Scraping with Beautiful Soup

The general idea behind web scraping is to get the data that exists on a website, and convert it into some format that is usable for analysis.

It’s a Python library for pulling data out of HTML or XML files. With your favourite parser it provide idiomatic ways of navigating, searching and modifying the parse tree.

As BeautifulSoup is not a built-in library, we need to install it before we try to use it. To install BeautifulSoup, run the below command

$ apt-get install Python-bs4 # For Linux and Python2 
$ apt-get install Python3-bs4 # for Linux based system and Python3.

$ easy_install beautifulsoup4 # For windows machine, 
Or 
$ pip instal beatifulsoup4 # For window machine

Once the installation is done, we are ready to run few examples and explores Beautifulsoup in details,

Output

Below are some simple ways to navigate that data structure −

One common task is extracting all the URLs found within a page’s <a> tags −

Another common task is extracting all the text from a page −