Summary  
This chapter introduces the use of the filter higher-order function to select elements from an iterable by applying a predicate, producing a new sequence containing only those items that satisfy a given condition.  

General domain of usage  
Data processing

Sie haben bereits gesehen, wie höherwertige Funktionen wie `map` es ermöglichen, eine Funktion auf jedes Element einer Sequenz anzuwenden. Eine weitere wichtige höherwertige Funktion in Python ist **`filter`**.

Die Funktion `filter` wird verwendet, um Elemente aus einer Sequenz auszuwählen, basierend darauf, ob sie eine bestimmte Bedingung erfüllen. Sie nimmt zwei Argumente entgegen: eine Funktion, die für jedes Element `True` oder `False` zurückgibt, und die zu filternde Sequenz. Das Ergebnis ist ein Iterator, der nur diejenigen Elemente enthält, für die die Funktion `True` zurückgibt. Dies macht `filter` besonders nützlich, wenn bestimmte Elemente aus einer Liste, einem Tupel oder einem anderen Iterable anhand eines Kriteriums extrahiert werden sollen, wie zum Beispiel gerade Zahlen, positive Werte oder Zeichenketten einer bestimmten Länge.

def is_even(n):
    return n % 2 == 0

numbers = [1, 2, 3, 4, 5, 6]
even_numbers = list(filter(is_even, numbers))
print(even_numbers)

Dieser Code verwendet die Funktion `filter()`, um eine neue Liste zu erstellen, die nur die geraden Ganzzahlen aus einer bestehenden Sammlung enthält. Dies geschieht durch die Definition einer Prädikatsfunktion, `is_even(n)`. Die Funktion `filter` durchläuft die Liste numbers, wendet diese Überprüfung auf jedes Element an und verwirft alle, die die Bedingung nicht erfüllen. Abschließend wird das resultierende Filter-Objekt wieder in eine Liste umgewandelt, wodurch die Ausgabe entsteht.

Bei Verwendung der Funktion `filter` wird ein **Filter-Objekt** zurückgegeben, das ein Iterator ist — keine Liste. Wenn das Ergebnis von `filter` direkt ausgegeben wird, erscheint eine Ausgabe ähnlich wie:

```
<filter object at 0xfffec885eb30>
```

Um die gefilterten Werte als Liste zu erhalten, muss das Filter-Objekt mit `list()` umgewandelt werden.

Hinweis


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib

class TestTask(unittest.TestCase):
    def test_returns_only_positive(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.filter_positive([-3, -1, 0, 2, 4, -2])
        expected = [2, 4]
        _dynamic_test(
            self,
            isinstance(result, list) and result == expected,
            "Returns only positive numbers from mixed list",
            f"Expected {expected}, got {result}",
        )

    def test_returns_empty_when_no_positive(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.filter_positive([-5, -1, 0, -2])
        expected = []
        _dynamic_test(
            self,
            isinstance(result, list) and result == expected,
            "Returns empty list when no positives present",
            f"Expected {expected}, got {result}",
        )

    def test_all_positive(self):
        import user_code
        importlib.reload(user_code)
        numbers = [1, 2, 3, 4, 5]
        result = user_code.filter_positive(numbers)
        expected = [1, 2, 3, 4, 5]
        _dynamic_test(
            self,
            isinstance(result, list) and result == expected,
            "Returns all numbers when all are positive",
            f"Expected {expected}, got {result}",
        )

    def test_all_non_positive(self):
        import user_code
        importlib.reload(user_code)
        numbers = [0, -1, -2, -3]
        result = user_code.filter_positive(numbers)
        expected = []
        _dynamic_test(
            self,
            isinstance(result, list) and result == expected,
            "Returns empty list for all non-positive input",
            f"Expected {expected}, got {result}",
        )

    def test_does_not_modify_original(self):
        import user_code
        importlib.reload(user_code)
        numbers = [-3, 0, 1, 5]
        numbers_copy = numbers[:]
        user_code.filter_positive(numbers)
        _dynamic_test(
            self,
            numbers == numbers_copy,
            "Original input list is not modified",
            f"Input list was modified: expected {numbers_copy}, got {numbers}",
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Beherrschung von Packing/Unpacking, flexiblen Funktionsargumenten, Higher-Order-Funktionen, Lambdas, Variablenbereich, Closures, Iteratoren und Dekoratoren. Konzipiert für Lernende, die einen Einführungskurs in Python abgeschlossen haben und effizienteren, ausdrucksstärkeren und leistungsfähigeren Code schreiben möchten.

Erkunden Sie die Kunst des Packens und Entpackens von Listen, Tupeln und Dictionaries, um ausdrucksstärkeren und effizienteren Python-Code zu schreiben.

Tauchen Sie ein in die Welt der höherwertigen Funktionen, das Übergeben von Funktionen als Argumente und das Schreiben prägnanter anonymer Funktionen mit Lambda.

Entschlüsseln der Geheimnisse des Variablenbereichs und Erlernen, wie verschachtelte Funktionen und Closures eine leistungsstarke Kapselung ermöglichen.

Vertiefung in das Iterationsprotokoll von Python, benutzerdefinierte Iteratoren und Generatorfunktionen für effiziente Datenverarbeitung.

Filter Function in Use

Lösung