5.1. تعریف و فراخوانی توابع با تعداد پارامترهای متغیر (args)
اگه نخوای تعداد پارامترها رو محدود کنی، می‌تونی از *args استفاده کنی. این به تابع اجازه می‌ده هر تعداد ورودی بگیره.
✨ مثال 1: جمع اعداد متغیر
def sum_numbers(*args):
total = 0
for num in args:
total += num
return total # Return sum of all numbers
print(sum_numbers(1, 2, 3)) # 3 numbers
print(sum_numbers(1, 2, 3, 4, 5)) # 5 numbers
🔹 خروجی:
6
15
✨ مثال 2: میانگین نمرات
def average_scores(*scores):
if not scores:
return 0 # Return 0 if no scores
total = sum(scores)
count = len(scores)
return total / count # Return average
print(average_scores(10, 15, 20))
print(average_scores(5, 10, 15, 20, 25))
خروجی:
15.0
15.0
✨ مثال 3: لیست خرید
pythondef shopping_list(*items):
print(f"Shopping list: {items}") # Print all items
shopping_list("Apple", "Banana", "Orange")
shopping_list("Bread", "Milk")
🔹 خروجی:
textShopping list: ('Apple', 'Banana', 'Orange')
Shopping list: ('Bread', 'Milk')
✅ چرا args باحاله؟
- می‌تونی هر تعداد ورودی بدی، بدون اینکه تعداد پارامترها رو مشخص کنی.
- مثل یه لیست عمل می‌کنه، پس می‌تونی باهاش حلقه بزنی.
✨ مثال روزمره: فرض کن داری یه اپلیکیشن برای مدیریت خرید می‌سازی. تابع لیست خرید می‌تونه هر تعداد آیتم رو بگیره و نشون بده.
❓ تمرین: یه تابع بنویسید که تعداد متغیر عدد بگیره و بزرگ‌ترین عدد رو برگردونه. تابع رو با چند مجموعه ورودی تست کنید (مثلاً 3 و 5 عدد).
💯 @PythonForYou 🧑💻👩💻
@PythonForYou .pdf
حجم:
439.8K
✅ جزوه آموزشی پایتون به زبان فارسی 😍
💯 @PythonForYou 🧑💻👩💻
@PythonForYou.pdf
حجم:
13.38M
📚 کتاب ارزشمند یادگیری پایتون به زبان فارسی 🤩
💯 @PythonForYou 🧑💻👩💻
@PythonForYou.pdf
حجم:
5.05M
✨ بریم برای یه کتاب عالی زبان انگلیسی در خصوص پایتون 😍
📚 Python Bookcamp Exercises and Projects
💯 @PythonForYou 🧑💻👩💻
@PythonForYou.pdf
حجم:
15.11M
✨ این هم یه کتاب دیگه با مثال های متنوع در راستای افزایش مهارت شما عزیزان
📚 The Python Workbook: A Brief Introduction with Exercises and Solutions
💯 @PythonForYou 🧑💻👩💻
@PythonForYou.pdf
حجم:
1.04M
✨ مجموعه ای از نکات و مطالب پایتون است که به شکل بسیار کاربردی و ارزشمند جمع آوری شده است. مطالب جامع همراه با مثال (از جمله برنامه نویسی سوکت و امنیت با پایتون) را در بر دارد. پیشنهاد می شود حتما دانلود کنید.
📚 python-cheatsheet Documentation
💯 @PythonForYou 🧑💻👩💻
📢 تسلط بر ژنراتورها (Generators) 🐍
در این پست قراره عمیق به دنیای ژنراتورها در پایتون شیرجه بزنیم! 😎
ژنراتورها ابزارهایی فوق‌العاده برای مدیریت داده‌های بزرگ، صرفه‌جویی تو حافظه و نوشتن کدهای بهینه هستن.
از پایه تا ترفندهای حرفه‌ای، همه‌چیز اینجاست! 🚀
بریم شروع کنیم!
ژنراتورها چیه؟ 🤔
ژنراتورها تو پایتون یه نوع شیء قابل‌تکرار (iterable) هستن که مقادیر رو یکی‌یکی و به‌صورت تنبل (lazy) تولید می‌کنن، یعنی به جای ذخیره کل داده‌ها تو حافظه، هر مقدار رو فقط موقع نیاز می‌سازن. این باعث می‌شه برای داده‌های بزرگ یا حتی دنباله‌های بی‌نهایت عالی باشن.
🟠 دو روش اصلی برای ساخت ژنراتورها:
1️⃣ Generator Expressions:
شبیه List Comprehension، ولی با () به جای [].
2️⃣ توابع ژنراتور:با کلمه کلیدی yield تو تابع.
💯 @PythonForYou 🧑💻👩💻
1️⃣ Generator Expressions
شبیه List Comprehension، ولی به جای فهرست، یه ژنراتور تولید می‌کنن که مقادیر رو یکی‌یکی می‌ده.
squares_gen = (x**2 for x in range(5))
for num in squares_gen:
print(num)
# Khoroji:
# 0
# 1
# 4
# 9
# 16
🔹 مقایسه با فهرست:
squares_list = [x**2 for x in range(5)]
print(squares_list) # Khoroji: [0, 1, 4, 9, 16]
# Ama generator:
squares_gen = (x**2 for x in range(5))
print(squares_gen) # Khoroji: <generator object <genexpr> at ...>
💡 نکته ریز:
🔻 ژنراتورها فقط یه‌بار قابل پیمایش‌ان. بعد از پیمایش، خالی می‌شن:
squares_gen = (x**2 for x in range(5))
print(list(squares_gen)) # Khoroji: [0, 1, 4, 9, 16]
print(list(squares_gen)) # Khoroji: [] (chon khali shode)
💯 @PythonForYou 🧑💻👩💻
2️⃣ توابع ژنراتور با yield
با yield تو یه تابع، می‌تونی ژنراتور بسازی که مقادیر رو یکی‌یکی برگردونه و حالت تابع رو حفظ کنه.
✨ مثال ساده:
def my_generator():
yield 1
yield 2
yield 3
gen = my_generator()
for num in gen:
print(num)
# Khoroji:
# 1
# 2
# 3
✨ مثال پیشرفته‌تر (فیبوناچی):
def fibonacci(n):
a, b = 0, 1
for _ in range(n):
yield a
a, b = b, a + b
for num in fibonacci(6):
print(num)
# Khoroji:
# 0
# 1
# 1
# 2
# 3
# 5
💡 نکته ریز:
درواقع yield اجرای تابع رو متوقف می‌کنه و مقدار رو برمی‌گردونه، ولی حالت تابع رو حفظ می‌کنه.
برعکس return که تابع رو کامل تموم می‌کنه، yield منتظر فراخوانی بعدی می‌مونه.
💯 @PythonForYou 🧑💻👩💻
❓ چرا ژنراتورها؟ مزایا و کاربردها 🤔
🔸 صرفه‌جویی تو حافظه:
ژنراتورها مقادیر رو یکی‌یکی تولید می‌کنن، نه یه‌جا:
import sys
gen = (x for x in range(1000000))
print(sys.getsizeof(gen)) # ~104 bytes
lst = [x for x in range(1000000)]
print(sys.getsizeof(lst)) # ~9000000 bytes
🔸 پشتیبانی از داده‌های بی‌نهایت:
می‌تونی دنباله‌های نامحدود بسازی:
def infinite_numbers():
num = 0
while True:
yield num
num += 1
gen = infinite_numbers()
for _ in range(5):
print(next(gen))
# Khoroji: 0, 1, 2, 3, 4
🔸 ترکیب با توابع داخلی:
ژنراتورها با sum، max و غیره خوب کار می‌کنن:
print(sum(x for x in range(100))) # Khoroji: 4950
💯 @PythonForYou 🧑💻👩💻
4️⃣ نکات ریز و ترفندهای حرفه‌ای
🔸 استفاده از ()next:
برای گرفتن مقدار بعدی ژنراتور:
gen = (x**2 for x in range(3))
print(next(gen)) # Khoroji: 0
print(next(gen)) # Khoroji: 1
print(next(gen)) # Khoroji: 4
🔸 مدیریت خطای StopIteration:
try:
gen = (x for x in range(2))
print(next(gen))
print(next(gen))
print(next(gen))
except StopIteration:
print("Generator tamoom shod! 🚫")
🔸 ترکیب با ()range:
evens_gen = (x for x in range(0, 10, 2))
print(list(evens_gen)) # Khoroji: [0, 2, 4, 6, 8]
🔸 ژنراتورهای تودرتو با yield from:
def nested_generator():
yield from [1, 2, 3]
yield from [4, 5, 6]
for num in nested_generator():
print(num)
# Khoroji: 1, 2, 3, 4, 5, 6
🔸 استفاده تو pipeline داده:
برای فیلتر کردن یا تبدیل داده‌ها به‌صورت زنجیره‌ای:
def filter_evens():
for num in range(10):
if num % 2 == 0:
yield num
for num in filter_evens():
print(f"Zoj: {num}")
# Khoroji: Zoj: 0, Zoj: 2, Zoj: 4, Zoj: 6, Zoj: 8
💯 @PythonForYou 🧑💻👩💻
5️⃣ مثال‌های کاربردی
🔸 تولید اعداد اول:
def is_prime(n):
if n < 2:
return False
for i in range(2, int(n**0.5) + 1):
if n % i == 0:
return False
return True
def prime_generator(limit):
for num in range(limit):
if is_prime(num):
yield num
for prime in prime_generator(20):
print(prime)
# Khoroji: 2, 3, 5, 7, 11, 13, 17, 19
🔸 ژنراتور برای داده‌های بزرگ:
def large_data_generator():
for i in range(1000000):
yield i * 2
gen = large_data_generator()
for _ in range(5):
print(next(gen))
# Khoroji: 0, 2, 4, 6, 8
🔸 فیلتر کردن با ژنراتور:
numbers = [1, 2, 3, 4, 5, 6]
odds_gen = (x for x in numbers if x % 2 != 0)
print(list(odds_gen)) # Khoroji: [1, 3, 5]
—-—-—-—-—-—-—-—-—-—-—
6️⃣ نکات حرفه‌ای
🔸 صرفه‌جویی در حافظه:
همیشه ژنراتورها رو به فهرست ترجیح بده برای داده‌های بزرگ، مگر اینکه واقعاً به فهرست نیاز داشته باشی.
🔸 خوانایی کد:
اسم‌های معنی‌دار برای ژنراتورها انتخاب کن (مثل evens_gen به جای g).
🔸 ترکیب با itertools:
برای کارهای پیچیده‌تر، از ماژول itertools استفاده کن:
from itertools import islice
gen = (x**2 for x in range(100))
print(list(islice(gen, 5))) # Khoroji: [0, 1, 4, 9, 16]
🔸 مدیریت پایان ژنراتور:
همیشه آماده خطای StopIteration باش یا از حلقه for استفاده کن که خودش این خطا رو مدیریت می‌کنه.
💯 @PythonForYou 🧑💻👩💻