Lära Praktiska Tillämpningar av Generatorer: Verkliga Användningsområden | Bemästra Iteratorer och Generatorer i Python

Generatorer kan användas som lättviktiga kontexthanterare för att hantera resurser effektivt, såsom databasanslutningar, filoperationer eller låsningsmekanismer. Med modulen contextlib kan generatorer hantera resursallokering och städning sömlöst.


              1234567891011121314
            
from contextlib import contextmanager

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

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

Effektiv bearbetning av stora datamängder

Generatorer är idealiska för att bygga datapipelines som bearbetar stora dataset på ett lazy sätt. Varje steg i pipelinen kan implementeras som en generator, vilket möjliggör effektiv och minnessnål bearbetning.


              12345678910111213141516171819202122232425262728293031323334353637383940
            
import re

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

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

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

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

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

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

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

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 6. Kapitel 5

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

Can you explain how the @contextmanager decorator works in more detail?

What are some real-world scenarios where generator-based context managers are especially useful?

How does using generators in data pipelines improve memory efficiency?

Svep för att visa menyn


              1234567891011121314
            
from contextlib import contextmanager

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

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

Effektiv bearbetning av stora datamängder


              12345678910111213141516171819202122232425262728293031323334353637383940
            
import re

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

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

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

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

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

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

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

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 6. Kapitel 5

Praktiska Tillämpningar av Generatorer: Verkliga Användningsområden

Effektiv bearbetning av stora datamängder

1. Vad händer när en generatorfunktion får slut på värden att `yield`?

2. Vad kommer följande kod att skriva ut?

3. Vad gör följande kod?

Praktiska Tillämpningar av Generatorer: Verkliga Användningsområden

Effektiv bearbetning av stora datamängder

1. Vad händer när en generatorfunktion får slut på värden att `yield`?

2. Vad kommer följande kod att skriva ut?

3. Vad gör följande kod?

Praktiska Tillämpningar av Generatorer: Verkliga Användningsområden

Effektiv bearbetning av stora datamängder

1. Vad händer när en generatorfunktion får slut på värden att yield?

2. Vad kommer följande kod att skriva ut?

3. Vad gör följande kod?

Praktiska Tillämpningar av Generatorer: Verkliga Användningsområden

Effektiv bearbetning av stora datamängder

1. Vad händer när en generatorfunktion får slut på värden att yield?

2. Vad kommer följande kod att skriva ut?

3. Vad gör följande kod?

1. Vad händer när en generatorfunktion får slut på värden att `yield`?

1. Vad händer när en generatorfunktion får slut på värden att `yield`?