Kostenlos testen
Beliebt Neu Genres Autoren
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Suche läuft...
SoBrief
Python-Tricks

Python-Tricks

Originaltitel: Python Tricks
Schreibe klareren Python-Code, indem du weißt, welche Abkürzungen helfen und welche ihn unbemerkt verschlechtern.
von Dan Bader 2017 301 Seiten
4.43
1.000+ Bewertungen
Anhören
Immersiv
V2.3
Amazon Kindle Audible
3 Tage Vollzugriff testen
Schalten Sie Audioinhalte & mehr frei!
Weiter

Wichtigste Erkenntnisse

Nutze Pythons elegante Abkürzungen nur, wenn sie den Code verständlicher machen

Lesbarkeit ist der Maßstab. Python bietet kompakte Funktionen wie Comprehensions, formatierte Strings und nachgestellte Kommas in mehrzeiligen Sammlungen. Ein nachgestelltes Komma ermöglicht es, jeden Listen- oder Dictionary-Eintrag in eine eigene Zeile zu setzen, wodurch sich Änderungen leichter überprüfen lassen. Ein fehlendes Komma zwischen benachbarten Zeichenkettenliteralen kann diese jedoch unbemerkt zusammenfügen. Auch bei knapper Syntax ist also Aufmerksamkeit gefragt.

Konventionen haben Bedeutung. Ein vorangestellter Unterstrich signalisiert, dass ein Name für den internen Gebrauch gedacht ist, während doppelte Unterstriche in einer Klasse eine Namensmanglung auslösen, um unbeabsichtigte Namenskollisionen in Unterklassen zu verringern. Namen, die von doppelten Unterstrichen umschlossen sind, sind Pythons speziellen Methoden vorbehalten. Für Formatstrings, die Nutzer bereitstellen, empfiehlt das Buch Template-Strings als einfachere und sicherere Option; ansonsten bevorzugt es formatierte Stringliterale in Python 3.6 und späteren Versionen.

Analyse

Das stärkste ordnende Prinzip des Buches ist nicht Raffinesse, sondern Lesbarkeit: Ein Sprachmerkmal verdient seinen Platz, wenn andere Entwickler seinen Zweck erkennen können. Das entspricht einer umfassenderen Idee des Softwaredesigns: Code ist nicht nur eine Folge von Anweisungen für eine Maschine, sondern auch eine Schnittstelle zwischen Menschen. Kompakte Syntax kann überflüssigen Ballast vermeiden, doch Dichte ist nicht dasselbe wie Klarheit. Entscheidend ist, ob sich das Verhalten schnell überprüfen lässt – auch in weniger offensichtlichen Grenzfällen.

Verwende Assertions nur für Programmierfehler, niemals für Entscheidungen, die Nutzer auslösen können

Assertions überprüfen Annahmen. Eine Assertion prüft eine Bedingung, von der das Programm erwartet, dass sie zutrifft. Bei der Berechnung eines Rabatts in einem Geschäft kann sie beispielsweise einen unmöglichen Preis erkennen, der außerhalb des Bereichs zwischen null und dem ursprünglichen Preis liegt. Ist die Annahme falsch, löst Python einen AssertionError aus und verweist auf die fehlerhafte Zeile, was die Fehlersuche erleichtern kann.

Sie dienen nicht der Validierung. Python kann Assertions deaktivieren, wenn die Optimierung eingeschaltet ist. Eine Assertion, mit der Berechtigungen oder Eingaben eines Nutzers geprüft werden, kann daher wegfallen und Sicherheits- oder Zuverlässigkeitsprobleme verursachen. Verwende in solchen Fällen explizite Bedingungen und geeignete Ausnahmen. Vermeide außerdem, eine durch Kommas getrennte Meldung in die Klammern der Assertion zu setzen: Dadurch entsteht ein nicht leeres Tupel, das als wahr gilt, sodass die Prüfung möglicherweise nie fehlschlägt.

Analyse

Diese Unterscheidung trennt diagnostische Prüfungen von durchsetzbaren Regeln. Sie ähnelt dem Unterschied zwischen einer Warnleuchte für einen Mechaniker und einem Türschloss: Die eine hilft, einen Defekt zu finden, das andere muss unter Betriebsbedingungen zuverlässig funktionieren. Assertions sind gerade deshalb nützlich, weil sie als Entwicklungshilfen dienen können. Dadurch eignen sie sich jedoch nicht dazu, Grenzen zu schützen, die Nutzern oder Angreifern offenstehen. Ein kleiner Test, der bestätigt, dass eine Prüfung fehlschlagen kann, ist eine sinnvolle Absicherung.

Erledige die Ressourcenbereinigung innerhalb eines Kontexts, nicht erst nach erfolgreicher Arbeit

Die Bereinigung muss auch bei Fehlern stattfinden. Eine Datei sollte geschlossen werden, selbst wenn beim Schreiben eine Ausnahme ausgelöst wird. Eine Sperre sollte freigegeben werden, selbst wenn die geschützte Arbeit fehlschlägt. Die with-Anweisung übernimmt das: Sie tritt in einen Kontext ein, führt die Arbeit aus und erledigt die Bereinigung, wenn die Ausführung den Kontext verlässt. So wird das zuverlässige try/finally-Muster in eine besser lesbare Form gebracht.

Das Protokoll lässt sich wiederverwenden. Ein Objekt unterstützt einen with-Block, indem es enter und exit implementiert. Für einfache Ressourcenlebenszyklen kann contextlib.contextmanager eine generatorbasierte Alternative bereitstellen: Die Ressource wird angefordert, zur Verwendung mit yield übergeben und in einem finally-Block bereinigt. Dasselbe Muster kann andere temporäre Kontexte ausdrücken, etwa das Erhöhen und anschließende Wiederherstellen einer Einrückungsebene.

Analyse

Ein Kontextmanager macht den Lebenszyklus einer Ressource dort sichtbar, wo sie verwendet wird. Das ist auch jenseits von Dateien und Sperren eine nützliche Entwurfseigenschaft: Der Geltungsbereich des Codes zeigt, wann die Verantwortung beginnt und endet. Außerdem muss der Leser dadurch weniger Bereinigungspfade im Kopf nachverfolgen. Am wirksamsten ist die Abstraktion, wenn Ein- und Austritt klar erkennbare, aufeinander abgestimmte Bedeutungen haben. Sind diese Aktionen überraschend oder nicht miteinander verbunden, kann ein with-Block Komplexität verschleiern, statt sie verständlicher zu machen.

Übergib Verhalten als Daten, aber fasse es in disziplinierte, benannte Abstraktionen

Funktionen lassen sich weitergeben. Python-Funktionen sind Objekte. Deshalb können sie Variablen zugewiesen, in Sammlungen gespeichert, anderen Funktionen übergeben oder von ihnen zurückgegeben werden. Verschachtelte Funktionen können Werte aus ihrer umschließenden Funktion beibehalten; anhand dieser Werte lässt sich eine zurückgegebene Funktion für die spätere Verwendung konfigurieren. Darauf beruhen Rückruffunktionen, flexible Sortierschlüssel und Dekoratoren.

Dekoratoren fügen wiederverwendbares Verhalten hinzu. Ein Dekorator nimmt ein aufrufbares Objekt entgegen und gibt ein aufrufbares Objekt zurück, oft einen Wrapper, der Argumente protokolliert, Zugriffe prüft oder ein Ergebnis verändert. Mehrere Dekoratoren werden von unten nach oben angewendet. Wrapper sollten positionsgebundene und Schlüsselwortargumente weiterleiten, und functools.wraps bewahrt den Namen und die Dokumentation der umschlossenen Funktion. Lambdas sind für kurze Ausdrücke nützlich, etwa als Sortierschlüssel; wird die Logik umfangreicher, ist eine benannte Funktion klarer.

Analyse

Funktionen erster Klasse ermöglichen es einem Programm, das gewünschte Verhalten vom Mechanismus zu trennen, der es auslöst. Diese Trennung ist zentral für ereignisgesteuerte Systeme, Plugin-Entwürfe und viele Formen der funktionalen Programmierung. Dekoratoren machen übergreifendes Verhalten wiederverwendbar, doch jeder Wrapper fügt auch eine Ebene zwischen dem Aufrufer und der ursprünglichen Funktion hinzu. Metadaten zu bewahren und Wrapper flach zu halten, erleichtert das Debugging und Verständnis. Die beste Abstraktion vermeidet Wiederholungen, ohne den Ausführungspfad des Programms schwerer nachvollziehbar zu machen.

Gib jedem benutzerdefinierten Objekt eine hilfreiche Darstellung und präzise Begriffe für Fehler

Objekte sollten sich selbst erklären. Python verwendet str für eine lesbare, an Nutzer gerichtete Beschreibung und repr für eine ausführlichere, an Entwickler gerichtete Darstellung. Fehlt str, greift Python auf repr zurück. Eine hilfreiche Darstellung ist daher in Protokollen, beim Debugging und in Containern, die ihre Inhalte anzeigen, von Nutzen. Ein Autoobjekt ist beispielsweise informativer, wenn seine Darstellung Farbe und Kilometerstand enthält, als wenn sie nur eine allgemeine Objektkennung ausgibt.

Fehler gehören zur Schnittstelle. Eine benutzerdefinierte Ausnahme wie NameTooShortError vermittelt mehr als ein allgemeiner ValueError. Verwandte Ausnahmen können von einer paketweiten Basisklasse erben. So können Aufrufer die Fehler des Pakets abfangen, ohne andere, nicht damit zusammenhängende Fehler zu verschlucken. Abstrakte Basisklassen können außerdem erforderliche Methoden erzwingen, wenn eine Unterklasse instanziiert wird, und so eine unvollständige Implementierung früher aufdecken, als wenn man darauf wartet, dass eine fehlende Methode aufgerufen wird.

Analyse

Darstellungen und Ausnahmetypen sind kleine Formen der Beobachtbarkeit. Sie helfen Menschen, den Zustand eines Programms zu verstehen, wenn die normale Ausführung schiefgegangen ist – so wie klare Beschriftungen dabei helfen, eine komplexe Instrumententafel zu deuten. Gute Diagnosen verbessern auch eine API: Aufrufer können auf einen bestimmten Fehler reagieren, ohne jedes Implementierungsdetail kennen zu müssen. Entscheidend ist das richtige Maß an Spezifität, ohne eine unnötige Taxonomie zu schaffen. Eine Ausnahmenhierarchie mit zu vielen Unterscheidungen kann ebenso schwer zu erlernen sein wie die allgemeinen Fehler, die sie ersetzen sollte.

Stimme Datensätze, gemeinsam genutzten Zustand und Kopiertiefe auf den tatsächlichen Zweck der Daten ab

Wähle die Datenform bewusst. Ein benanntes Tupel (namedtuple) bietet unveränderliche Felder mit aussagekräftigen Namen und einem speichersparenden, tupelähnlichen Aufbau. Ein Dictionary ist praktisch und flexibel, während sich eine eigene Klasse für Daten eignet, die Verhalten oder kontrollierte Attribute benötigen. Klassenvariablen werden von Instanzen gemeinsam genutzt, Instanzvariablen dagegen nicht. Wird einer Instanz ein Attribut mit demselben Namen wie eine Klassenvariable zugewiesen, entsteht ein eigener Wert, der den gemeinsam genutzten Wert überschattet.

Kopien können weiterhin untergeordnete Objekte gemeinsam nutzen. Eine flache Kopie erzeugt ein neues äußeres Objekt, verwendet aber für dessen Inhalte dieselben Referenzen. Eine tiefe Kopie dupliziert verschachtelte Objekte rekursiv und ist in der Regel aufwendiger. Wird beispielsweise eine Liste von Listen flach kopiert, bleiben die inneren Listen gemeinsam genutzt. Verwende das Modul copy, wenn beliebige Objekte kopiert werden sollen, und wähle eine tiefe Kopie nur dann, wenn tatsächlich die gesamte verschachtelte Struktur unabhängig sein muss.

Analyse

Bei diesen Entscheidungen geht es im Kern um Besitzverhältnisse und Invarianten. Unveränderliche, benannte Datensätze verhindern versehentliche Änderungen und machen die Bedeutung der Felder sichtbar; veränderliche Dictionaries bieten dafür mehr Flexibilität. Beim Kopieren stellt sich eine weitere Frage nach den Besitzverhältnissen: Wer darf ein verschachteltes Objekt ändern, und wer soll diese Änderung beobachten? Tiefes Kopieren ist nicht automatisch sicherer, denn gemeinsam genutzte Referenzen können beabsichtigt sein und Kopien kostspielig. Klare Datenverträge sind oft wichtiger als die Wahl des ausgefeiltesten Containers.

Wähle Container nach den benötigten Operationen – von deque-Warteschlangen bis zu Prioritäten auf Heap-Basis

Beginne mit der Operation. Pythons dict ist die universell einsetzbare Abbildung für Nachschlagen, Einfügen und Löschen mit durchschnittlich hoher Geschwindigkeit. Mengen ermöglichen effiziente Mitgliedschaftstests und entfernen Duplikate; Counter ergänzt Häufigkeitszählungen. Für Arrays eignen sich Listen, wenn bequem Objekte unterschiedlichen Typs gespeichert werden sollen, während array.array einfache Werte eines Typs platzsparender speichert. Tupel und benannte Tupel eignen sich für gruppierte, unveränderliche Daten.

Die Reihenfolge bestimmt das passende Werkzeug. Listen eignen sich gut als Stapel, wenn Elemente am Ende hinzugefügt und entfernt werden. Für Warteschlangen unterstützt collections.deque effiziente Operationen an beiden Enden; beim Entfernen eines Elements vom Anfang einer Liste müssen dagegen die übrigen Elemente verschoben werden. Prioritätswarteschlangen liefern Elemente nach ihrer Priorität statt nach ihrer Ankunftszeit: heapq stellt die Heap-Operationen bereit, und queue.PriorityQueue ergänzt Synchronisierung für nebenläufige Produzenten und Konsumenten. Beginne mit einer einfachen Struktur und spezialisiere sie erst, wenn die Anforderungen es rechtfertigen.

Analyse

Der Rundgang des Buches durch Datenstrukturen erinnert daran, dass hinter vertrauten Bezeichnungen folgenreiche Implementierungsdetails stecken können. Eine Liste ist keine verkettete Liste, und wenn man sie als Warteschlange verwendet, aus der Elemente vorne entfernt werden, kann eine scheinbar harmlose Wahl zu wiederholter Arbeit führen, die proportional zur Größe der Warteschlange ist. Komplexitätsangaben sind nützlich, aber nicht das einzige Entscheidungskriterium: Auch Synchronisierung, Speicherbedarf und Zugriffsmuster zählen. Bei kleinen Arbeitslasten kann Klarheit theoretische Optimierung überwiegen; bei häufig wiederholten Operationen in großem Maßstab wird die Wahl Teil des Algorithmus.

Verwende verzögerte Iteration, um Datenströme zu verarbeiten, ohne unnötige Listen aufzubauen

Iteriere direkt über Werte. Pythons for-Schleifen sind dafür gedacht, Elemente zu durchlaufen. Daher sollte man über eine Sammlung iterieren, statt manuell einen Index zu verwalten. Verwende enumerate, wenn sowohl der Index als auch das Element benötigt werden, und Comprehensions für einfache Umwandlungen oder Filterungen. Eine Comprehension wird schwerer lesbar, wenn sie mehrere verschachtelte Schleifen oder Bedingungen enthält.

Erzeuge Werte bei Bedarf. Iteratoren liefern Elemente einzeln; mit yield lassen sich Generatoren einfacher schreiben, und Generatorausdrücke bieten für einfache Fälle eine kompakte Form. Anders als bei einer Listen-Comprehension wird bei einem Generatorausdruck nicht das gesamte Ergebnis im Voraus erzeugt. Generatoren lassen sich auch zu einer Pipeline verketten, etwa indem Zahlen erzeugt, quadriert und anschließend mit einem anderen Vorzeichen versehen werden. Jeder Wert durchläuft die einzelnen Schritte, ohne dass Zwischenlisten benötigt werden.

Analyse

Verzögerte Iteration ist sowohl eine Strategie zum Sparen von Speicher als auch eine Möglichkeit, Verarbeitungsschritte miteinander zu verbinden. Sie ist besonders hilfreich, wenn eine Sequenz groß oder unbegrenzt ist oder auf natürliche Weise in mehreren Schritten erzeugt wird. Eine Pipeline lässt sich Schritt für Schritt verstehen, ähnlich wie eine Abfolge kleiner Funktionen. Der Nachteil ist, dass Generatoren beim Auslesen verbraucht werden und sich daher nicht einfach erneut durchlaufen lassen. Wenn Wiederverwendung, Überprüfung oder wahlfreier Zugriff wichtig sind, ist es manchmal klarer, die Werte in einer Liste zu materialisieren.

Behandle Dictionary-Schlüssel, Standardwerte, Sortierung und Zusammenführungsreihenfolge als bewusste Entwurfsentscheidungen

Das Verhalten beim Nachschlagen ist eine Entscheidung. Verwende dict.get, wenn für einen fehlenden Schlüssel ein Ersatzwert zurückgegeben werden soll, oder behandle Ausnahmen, wenn im Normalfall davon ausgegangen wird, dass der Schlüssel vorhanden ist. defaultdict eignet sich, wenn beim Zugriff auf einen fehlenden Schlüssel automatisch ein Wert erzeugt werden soll. Dictionaries können außerdem Bedingungen Handlerfunktionen zuordnen und so lange if-Ketten ersetzen, wenn es sich tatsächlich um einfache Auswahlfälle handelt.

Für Schlüssel und Aktualisierungen gelten Regeln. Gleiche, hashbare Werte mit übereinstimmenden Hashes gelten als derselbe Dictionary-Schlüssel. Da True, 1 und 1.0 als gleich gelten und denselben Hash haben, überschreibt bei ihrer Verwendung als Schlüssel jeder neu zugewiesene Wert den vorherigen. Um Dictionary-Einträge nach ihrem Wert zu sortieren, übergib eine Sortierschlüsselfunktion. Zum Zusammenführen von Dictionaries können Aufrufe von update oder Entpacken verwendet werden; spätere Quellen überschreiben frühere Werte, daher entscheidet die Reihenfolge, welcher Wert erhalten bleibt.

Analyse

Dictionaries dienen nicht nur der Speicherung: Sie legen Regeln für Identität, Ersatzverhalten und Vorrang fest. Das Beispiel mit True, 1 und 1.0 verdeutlicht eine grundlegende Anforderung an Hash-Tabellen: Gleichheit und Hashing müssen miteinander übereinstimmen, damit sich Schlüssel konsistent verhalten. Dispatch-Tabellen sind elegant, wenn sie eine feste Auswahl an Möglichkeiten leichter überblickbar machen; doch nicht jede Bedingung gehört in eine Abbildung. Haben Zweige unterschiedliche Kontrollflüsse oder Seiteneffekte, kann eine gewöhnliche if-Anweisung die Logik besser vermitteln.

Nutze isolierte Umgebungen und die REPL, um Sprachmerkmale in praktisches Wissen zu verwandeln

Halte Projekte getrennt. Eine virtuelle Umgebung stellt einem Projekt einen eigenen Python-Interpreter und eigene installierte Pakete bereit. So hilft sie, Versionskonflikte mit anderen Projekten zu vermeiden und regelmäßige Änderungen an der globalen Umgebung zu umgehen. Erstelle die Umgebung, aktiviere sie vor der Installation von Abhängigkeiten und deaktiviere sie anschließend wieder.

Untersuche das Verhalten während des Programmierens. Die Funktion dir des Interpreters listet Namen von Modulen und Objekten auf, während help ihre Dokumentation öffnet, ohne dass ein Browser benötigt wird. Kleine Experimente in der REPL können das Verhalten klären, bevor es in ein größeres Programm eingebettet wird. Für genauere Untersuchungen kann dis den Bytecode von CPython anzeigen, also die Zwischenschritte, die dessen virtuelle Maschine ausführt. Das Buch versteht dies als Lernhilfe, nicht als Voraussetzung für alltägliches Programmieren, und empfiehlt, neue Techniken in echtem Code anzuwenden und das eigene Wissen mit anderen zu teilen.

Analyse

Dieser Arbeitsablauf betrachtet Programmierwissen als etwas, das überprüft und nicht bloß gelesen wird. Ein kurzes Experiment kann falsche Annahmen mit geringem Aufwand aufdecken, während isolierte Umgebungen das Risiko verringern, bei Experimenten andere Arbeit zu beeinträchtigen. Die Untersuchung des Bytecodes kann das Verständnis der Implementierung vertiefen, doch Implementierungsdetails unterscheiden sich möglicherweise zwischen Python-Versionen und sind nicht immer stabil. Die praktische Fähigkeit besteht darin, zu wissen, wann ein Blick unter die Haube lohnt – und wann eine klare, getestete Verwendung der öffentlichen Schnittstelle genügt.

Analyse

Python-Tricks liest sich am besten als praktischer Leitfaden und nicht als linear aufgebauter Kurs. Die kurzen Beispiele reichen von Satzzeichen und Namenskonventionen über Objektmodelle und Datenstrukturen bis zu Generatoren und den Interna von CPython. Das verbindende Thema ist kein einzelnes Sprachmerkmal, sondern die Frage, wie sich Pythons eingebaute Protokolle und kompakte Syntax nutzen lassen, um Programme verständlicher, sicherer und weniger repetitiv zu gestalten. Diese thematische Breite lässt sich nur schwer verdichten. Eine Zusammenfassung, die lediglich Funktionen aufzählt, verliert das wiederkehrende Urteil des Autors darüber, wann man besser auf sie verzichten sollte.

Die nützlichste Zusammenfassung besteht aus einer dreiteiligen Prüfung. Wähle erstens den Konstrukt, der zur tatsächlichen Aufgabe passt: deque für eine Warteschlange, einen Heap für das Abrufen nach Priorität und einen Kontextmanager für zusammengehöriges Einrichten und Aufräumen. Verstehe zweitens die möglichen Fehler: Assertions können deaktiviert werden, flache Kopien behalten gemeinsam genutzte untergeordnete Objekte bei, und gleiche Schlüssel können einander überschreiben. Beurteile drittens das Ergebnis als Kommunikation. Ein raffinierter Lambda-Ausdruck, eine verschachtelte Comprehension oder eine Dispatch-Tabelle ist keine Verbesserung, wenn ein Teammitglied erst mühsam herausfinden muss, was sie tut.

Besonders wirkungsvoll sind die Beispiele des Buches, wenn sie Verhalten durch eine kleine Überraschung sichtbar machen, etwa wenn ein fehlendes Komma Strings zusammenfügt oder ein Generator bei yield pausiert. Das ist eine starke Lehrmethode, weil sie Syntax in ein mentales Modell überführt. Die Einschränkung besteht darin, dass manche Implementierungsdetails und Hinweise zu Versionen im zeitlichen Kontext des Buches von 2017 stehen. Interna von CPython, Sprachgarantien und bevorzugte APIs können sich ändern. Deshalb sollten Leserinnen und Leser die aktuelle Dokumentation überprüfen, bevor sie sich auf versionsabhängige Aussagen verlassen. Die bleibende Lehre besteht weniger darin, Tricks auswendig zu lernen, als vielmehr eine ausreichende Intuition dafür zu entwickeln, ein nützliches Merkmal zu erkennen, es isoliert zu testen und es nur dann einzusetzen, wenn es den Vertrag zwischen dem Code und seinen Lesern verbessert.

Zusammenfassung in 30 Sekunden
Wähle Python-Funktionen passend zur Aufgabe: Kontextmanager sorgen dafür, dass nach Fehlern aufgeräumt wird, Deques eignen sich für Warteschlangen und Heaps für den Abruf nach Priorität. Generatoren verarbeiten Werte bei Bedarf, ohne ganze Ergebnisse zu speichern, während flache Kopien verschachtelte Inhalte weiterhin gemeinsam nutzen. Assertions können deaktiviert werden; prüfe Benutzereingaben daher mit ausdrücklichen Bedingungen. Aussagekräftige Namen, nützliche Darstellungen und gut lesbare Abstraktionen sind wichtiger als kompakte Syntax.
Enthält Spoiler

Zuletzt aktualisiert:

Problem melden

Rezensionsübersicht

4.43 von 5
Durchschnitt von 1.000+ Bewertungen von Goodreads und Amazon.

Python-Tricks wird für seinen prägnanten und zugleich aufschlussreichen Zugang zu Themen der mittleren und fortgeschrittenen Python-Kenntnisse sehr gelobt. Leser schätzen die praktischen Tipps, die klaren Erklärungen und den Fokus auf bewährte Vorgehensweisen. Viele fanden das Buch hilfreich, um Wissenslücken zu schließen und ihre Programmierfähigkeiten zu verbessern. Der gesprächige Ton und der systematische Aufbau machen es zugänglich und unterhaltsam. Während einige erfahrene Entwickler es weniger anspruchsvoll fanden, sind sich die meisten einig, dass es eine hervorragende Ressource für alle ist, die ihre Python-Kenntnisse vertiefen und idiomatischeren Code schreiben möchten.

Ihre Bewertung:
4.67
365 Bewertungen
Möchten Sie das vollständige Buch lesen?

Glossar

Python-Trick

Kurzes lehrreiches Beispiel

Bezeichnung des Autors für ein prägnantes Python-Codebeispiel, das ein Sprachmerkmal vermittelt oder zu einer tiefergehenden Untersuchung anregt. Ein Trick soll nicht um seiner Cleverness willen clever sein. Sein Zweck ist es, Verhalten anschaulich zu machen, den Lesern etwas zum Ausprobieren im Interpreter zu geben und ihre Intuition für das Schreiben von Python-Code zu stärken.

Kontextmanager

Verwaltet einen abgegrenzten Vorgang

Ein Objekt, das die with-Anweisung unterstützt, indem es die Methoden enter und exit bereitstellt. Die Eintrittsmethode bereitet etwas vor oder beschafft es, was für einen Codeblock benötigt wird, und die Austrittsmethode übernimmt die Aufräumarbeiten, wenn der Block endet – auch dann, wenn eine Ausnahme ihn unterbricht. Dateien und Sperren sind gängige Beispiele.

Funktionen erster Klasse

Funktionen als Objekte behandelt

Eine Eigenschaft von Python-Funktionen, dank der sie Variablen zugewiesen, in Datenstrukturen gespeichert, als Argumente übergeben und von anderen Funktionen zurückgegeben werden können. Dadurch lässt sich Verhalten zwischen Programmteilen weitergeben; außerdem bilden Funktionen erster Klasse die Grundlage für Techniken wie Rückruffunktionen, Dekoratoren und Funktionen höherer Ordnung.

lexikalischer Abschluss (lexical closure)

Funktion, die umgebende Werte beibehält

Eine Funktion, die weiterhin auf Werte aus ihrem umgebenden lexikalischen Gültigkeitsbereich zugreifen kann, selbst nachdem die umgebende Funktion beendet wurde. Ein lexikalischer Abschluss kann daher Konfiguration in spätere Aufrufe mitnehmen. Eine Funktionsfabrik kann beispielsweise eine Additionsfunktion zurückgeben, die sich die Zahl merkt, die sie addieren soll.

Dekorator

Umschließt das Verhalten eines aufrufbaren Objekts

Ein aufrufbares Objekt, das ein anderes aufrufbares Objekt entgegennimmt und ein aufrufbares Objekt zurückgibt – häufig einen Wrapper, der vor oder nach der Ausführung des Originals Verhalten hinzufügt. Dekoratoren ermöglichen wiederverwendbare Protokollierung, Zeitmessung oder Zugriffskontrollen. Die @-Syntax wendet einen Dekorator bei der Definition einer Funktion an, und functools.wraps bewahrt nützliche Metadaten.

EAFP

Erst versuchen, dann Fehler behandeln

Ein Python-Programmierstil, dessen Name für „easier to ask for forgiveness than permission“ steht („lieber um Verzeihung als um Erlaubnis bitten“). Statt im Voraus zu prüfen, ob ein Vorgang sicher ist, versucht der Code ihn auszuführen und behandelt eine passende Ausnahme, falls er scheitert. Bei einem Wörterbuchzugriff kann das verhindern, dass erst die Zugehörigkeit geprüft und anschließend ein zweiter Zugriff ausgeführt wird.

abstrakte Basisklassen

Erzwingen erforderliche Methoden in Unterklassen

Mit den abc-Funktionen von Python definierte Klassen können abstrakte Methoden deklarieren, die konkrete Unterklassen implementieren müssen. Python verhindert, dass eine Unterklasse instanziiert wird, solange abstrakte Methoden nicht implementiert sind. So wird eine unvollständige Schnittstelle früher sichtbar, als es bei einem Laufzeitaufruf einer fehlenden Methode der Fall wäre.

benanntes Tupel (namedtuple)

Unveränderliches Tupel mit benannten Feldern

Ein auf Tupeln basierender Datensatztyp, der mit collections.namedtuple erstellt wird. Seine Felder haben sowohl aussagekräftige Namen als auch Positionsindizes, und die Instanzen sind unveränderlich. Benannte Tupel sind eine leichtgewichtige Alternative zu einer selbst geschriebenen Klasse, wenn Daten eine feste Struktur, aber wenig oder gar kein benutzerdefiniertes Verhalten benötigen.

flache Kopie

Kopiert nur das äußere Objekt

Eine Kopie, die eine neue äußere Sammlung erstellt, aber dieselben Referenzen auf die darin enthaltenen Objekte verwendet. Änderungen an der äußeren Struktur verändern die ursprüngliche Sammlung nicht, doch Änderungen an einem gemeinsam genutzten verschachtelten Objekt können in beiden sichtbar sein. Das Modul copy stellt für diesen Vorgang copy.copy bereit.

tiefe Kopie

Kopiert verschachtelte Objekte rekursiv

Ein Kopiervorgang, der ein Objekt und seine enthaltenen untergeordneten Objekte rekursiv dupliziert und so eine unabhängigere Struktur als eine flache Kopie erzeugt. Das Modul copy stellt dafür deepcopy bereit. Eine tiefe Kopie kann mehr Zeit und Speicher benötigen und ist nicht immer sinnvoll, wenn gemeinsame Referenzen beabsichtigt sind.

Iteratorprotokoll

Schnittstelle für sequenzielle Werte

Die Python-Schnittstelle, über die ein Objekt an einer Iteration teilnehmen kann. Ein iterierbares Objekt stellt iter bereit, um einen Iterator zurückzugeben, und ein Iterator stellt next bereit, um Werte einzeln zurückzugeben. Sind keine Werte mehr vorhanden, löst der Iterator StopIteration aus, sodass for-Schleifen enden können.

Generator

Funktion, die nach und nach Werte liefert

Eine Funktion, die yield verwendet, um Werte einzeln zu erzeugen und dabei zwischen den Werten ihren Ausführungszustand beizubehalten. Beim Aufruf der Funktion wird ein Generatorobjekt erstellt; sein Funktionskörper wird ausgeführt, sobald Werte angefordert werden. Endet die Ausführung ohne ein weiteres yield, endet die Iteration mit StopIteration.

Generatorausdruck

Kompakter, verzögert ausgewerteter Iterationsausdruck

Ein Ausdruck in einer listenkomprehensionsähnlichen Form, der Werte bei Bedarf erzeugt, statt sofort eine Liste zu erstellen. Er eignet sich für einfache, vorübergehende Iterationen und kann den Speicherbedarf verringern. Ein Generatorausdruck lässt sich nach dem Verbrauch nicht erneut starten und ist daher kein Ersatz für eine wiederverwendbare Sammlung.

hashbar

Stabiler Wert, der als Schlüssel verwendbar ist

Ein Objekt ist hashbar, wenn es einen Hashwert besitzt, der während seiner Lebensdauer stabil bleibt, und mit anderen Objekten verglichen werden kann. Objekte, die als gleich gelten, müssen denselben Hashwert haben. Hashbare Objekte können als Wörterbuchschlüssel und Elemente von Mengen verwendet werden; Zeichenketten und Zahlen sind gängige Beispiele.

virtuelle Umgebung

Isolierte Python-Umgebung für ein Projekt

Eine einem Projekt zugeordnete Python-Umgebung, die dessen Interpreter und installierte Abhängigkeiten von anderen Projekten und der globalen Installation trennt. Ihre Aktivierung ändert, welche Python- und Paketverwaltungsbefehle die Shell verwendet. So lassen sich Versionskonflikte zwischen Abhängigkeiten vermeiden und globale Paketinstallationen auf ein Minimum beschränken.

FAQ

Worum geht es in „Python-Tricks: A Buffet of Awesome Python Features“?

  • Überblick: „Python-Tricks“ von Dan Bader ist ein Leitfaden, der Python-Kenntnisse durch die Erkundung fortgeschrittener Funktionen und idiomatischer Vorgehensweisen vertiefen soll. Ziel ist es, Python-Entwickler von mittleren zu fortgeschrittenen Kenntnissen zu führen.
  • Aufbau und Inhalt: Das Buch ist in Kapitel gegliedert, die verschiedene Python-Funktionen behandeln, darunter Muster für saubereren Code, den effektiven Einsatz von Funktionen, objektorientierte Programmierung und Datenstrukturen.
  • Praktische Beispiele: Jedes Kapitel enthält praktische Beispiele und Codeausschnitte zur Veranschaulichung der Konzepte, damit Leser sie leichter verstehen und anwenden können.
  • Einblicke aus der Community: Das Buch vermittelt auch Einblicke aus der Python-Community, darunter Rückmeldungen erfahrener Entwickler, und bietet so eine ausgewogene Perspektive auf die Python-Programmierung.

Warum sollte ich „Python-Tricks: A Buffet of Awesome Python Features“ lesen?

  • Verbesserung der Fähigkeiten: Das Buch soll Python-Entwicklern helfen, effektiver, sachkundiger und praxisorientierter zu programmieren.
  • Fortgeschrittene Techniken: Es stellt fortgeschrittene Python-Funktionen und idiomatische Vorgehensweisen vor, die die Codequalität und Effizienz erheblich verbessern können.
  • Praxisbezug: Die Beispiele und Tricks lassen sich auf reale Situationen anwenden und machen das Buch zu einer wertvollen Ressource für die berufliche Weiterentwicklung.
  • Austausch mit der Community: Die Lektüre kann außerdem den Kontakt zur größeren Python-Community fördern, denn das Buch enthält Einblicke und Rückmeldungen anderer Entwickler.

Was sind die wichtigsten Erkenntnisse aus „Python-Tricks: A Buffet of Awesome Python Features“?

  • Muster für saubereren Code: Lerne, mit Mustern wie Kontextmanagern und Assertions saubereren und besser wartbaren Python-Code zu schreiben.
  • Effektiver Einsatz von Funktionen: Verstehe, wie Funktionen erster Klasse, Dekoratoren und das Entpacken von Argumenten flexibleren und wiederverwendbaren Code ermöglichen.
  • Objektorientierte Programmierung: Erfahre mehr über Pythons objektorientierte Funktionen, darunter Klassen- und Instanzvariablen, abstrakte Basisklassen und benannte Tupel.
  • Datenstrukturen und Iteration: Erkunde Pythons integrierte Datenstrukturen und lerne, Iteratoren, Generatoren und Komprehensionen effektiv einzusetzen.

Wie definiert Dan Bader einen „Python-Trick“?

  • Lehrmittel: Ein Python-Trick ist ein kurzer Codeausschnitt, der einen Aspekt von Python anhand einer einfachen Veranschaulichung vermittelt.
  • Motivierendes Beispiel: Er dient als motivierendes Beispiel, das Leser dazu anregt, tiefer einzusteigen und ein intuitives Verständnis von Python zu entwickeln.
  • Ursprung in der Community: Das Konzept begann als Reihe von Code-Screenshots, die auf Twitter geteilt wurden. Sie stießen auf positive Resonanz und führten schließlich zur Entstehung des Buches.
  • Zugängliches Lernen: Die Tricks sind zugänglich und leicht verständlich gestaltet und eignen sich damit für Entwickler, die ihre Python-Kenntnisse verbessern möchten.

Welche Muster für saubereren Python-Code werden im Buch vorgestellt?

  • Assertions: Verwende Assertions, um Fehler in deinen Programmen automatisch zu erkennen und sie dadurch zuverlässiger und leichter zu debuggen zu machen.
  • Durchdachte Kommasetzung: Verwende einen Codestil, der Probleme mit der Kommasetzung in Listen, Wörterbüchern oder Mengenliteralen vermeidet.
  • Kontextmanager: Vereinfache Muster zur Ressourcenverwaltung mithilfe der with-Anweisung und von Kontextmanagern.
  • Unterstriche und Dunder-Namen: Verstehe die Bedeutung von einzelnen und doppelten Unterstrichen in Variablen- und Methodennamen, um idiomatischeren Python-Code zu schreiben.

Wie erklärt „Python-Tricks“ den Einsatz von Dekoratoren?

  • Verhaltensänderung: Mit Dekoratoren kannst du das Verhalten eines aufrufbaren Objekts erweitern und verändern, ohne es dauerhaft zu ändern.
  • Wiederverwendbare Bausteine: Sie ermöglichen wiederverwendbare Bausteine, die auf Funktionen oder Klassen angewendet werden können, um Funktionen wie Protokollierung oder Zugriffskontrolle hinzuzufügen.
  • Syntax und Verschachtelung: Das Buch erklärt die @-Syntax für Dekoratoren und wie mehrere Dekoratoren gestapelt werden können, um ihre Wirkungen zu kombinieren.
  • Bewährte Vorgehensweisen beim Debuggen: Es empfiehlt, functools.wraps zu verwenden, um Metadaten des nicht dekorierten aufrufbaren Objekts auf das dekorierte zu übertragen und so das Debuggen zu erleichtern.

Worin unterscheiden sich Instanz-, Klassen- und statische Methoden in Python?

  • Instanzmethoden: Sie benötigen eine Klasseninstanz und können über den Parameter self auf diese zugreifen, wodurch sie den Zustand des Objekts verändern können.
  • Klassenmethoden: Sie verwenden den Dekorator @classmethod und erhalten einen Parameter cls. So können sie den Zustand der Klasse, nicht aber den Zustand einer Instanz verändern.
  • Statische Methoden: Sie verwenden den Dekorator @staticmethod und erhalten weder self noch cls als Parameter. Dadurch sind sie unabhängig vom Zustand der Klasse und ihrer Instanzen.
  • Anwendungsfälle: Das Buch zeigt anhand von Beispielen, wann welcher Methodentyp sinnvoll ist, und betont, dass sie die Absichten der Entwickler vermitteln und zur Wartbarkeit des Codes beitragen.

Wie empfiehlt „Python-Tricks“, Standardwerte für Wörterbücher zu behandeln?

  • Ausdrückliche Prüfungen vermeiden: Verwende statt ausdrücklicher Prüfungen mit key in dict die Methode get(), um für fehlende Schlüssel einen Standardwert bereitzustellen.
  • EAFP-Prinzip: Folge dem Programmierstil „lieber um Verzeihung als um Erlaubnis bitten“ und behandle KeyError-Ausnahmen mit try...except-Blöcken.
  • Verwendung von defaultdict: In manchen Fällen ist die Klasse collections.defaultdict hilfreich, um fehlende Schlüssel automatisch mit Standardwerten zu behandeln.
  • Prägnante Umsetzung: Das Buch zeigt anhand von Beispielen, wie sich diese Techniken prägnant und effektiv umsetzen lassen.

Welche fortgeschrittenen Techniken zur Zeichenkettenformatierung behandelt das Buch?

  • Alte Formatierungssyntax: Verwendet den %-Operator für einfache positionsbasierte Formatierung, ähnlich den printf-Funktionen in C.
  • Neue Formatierungssyntax: Sie wurde mit Python 3 eingeführt und verwendet die Methode format() für eine leistungsfähigere und flexiblere Zeichenkettenformatierung.
  • Interpolation in Zeichenkettenliteralen: Ab Python 3.6 verfügbar; sie ermöglicht es, Python-Ausdrücke mithilfe von f-Strings in Zeichenkettenliterale einzubetten.
  • Template-Zeichenketten: Ein einfacherer und weniger leistungsfähiger Mechanismus zur Zeichenkettenformatierung, der sich für den sicheren Umgang mit vom Benutzer erzeugten Formatzeichenketten eignet.

Wie erklärt „Python-Tricks“ den Einsatz von Listenkomprehensionen?

  • Syntaktischer Zucker: Listenkomprehensionen sind eine prägnante Möglichkeit, Listen zu erstellen, indem eine Sammlung durchlaufen und auf jedes Element ein Ausdruck angewendet wird.
  • Vorlagenmuster: Das Buch bietet ein Vorlagenmuster, um for-Schleifen in Listenkomprehensionen umzuwandeln und umgekehrt.
  • Elemente filtern: Komprehensionen können Bedingungen enthalten, mit denen Elemente gefiltert und komplexere Listen erzeugt werden.
  • Lesbarkeit: Das Buch warnt davor, Komprehensionen übermäßig einzusetzen, insbesondere bei tiefen Verschachtelungen, damit der Code lesbar bleibt.

Welche wichtigen Zitate aus „Python-Tricks“ gibt es und was bedeuten sie?

  • „Python-Programmierung zu meistern bedeutet mehr, als nur die theoretischen Aspekte der Sprache zu verstehen.“ Das unterstreicht, wie wichtig es ist, die Konventionen und bewährten Vorgehensweisen der Python-Community zu verstehen und anzuwenden.
  • „Ein Buch, das wie ein Buffet voller großartiger Python-Funktionen funktioniert (lecker!) und die Motivation hochhält.“ Das hebt hervor, wie das Buch Python-Funktionen auf ansprechende und motivierende Weise präsentiert.
  • „Pythons assert-Anweisung ist eine Debugging-Hilfe, die als interne Selbstprüfung in deinem Programm eine Bedingung testet.“ Dieses Zitat unterstreicht, wie wichtig es ist, Assertions zum Debuggen und zur Sicherung der Zuverlässigkeit des Codes einzusetzen.
  • „Dekoratoren definieren wiederverwendbare Bausteine, die auf ein aufrufbares Objekt angewendet werden können, um sein Verhalten zu ändern, ohne das Objekt selbst dauerhaft zu verändern.“ Das erklärt, wie leistungsfähig und flexibel Dekoratoren die Funktionalität von Code erweitern können.

Wie behandelt „Python-Tricks“ virtuelle Umgebungen?

  • Isolierung von Abhängigkeiten: Virtuelle Umgebungen helfen dabei, Projektabhängigkeiten zu isolieren und Versionskonflikte zwischen Paketen und Python-Versionen zu vermeiden.
  • Bewährte Vorgehensweise: Das Buch empfiehlt, für alle Python-Projekte virtuelle Umgebungen zu verwenden, damit Abhängigkeiten getrennt bleiben und Probleme vermieden werden.
  • Aktivieren und Deaktivieren: Es wird erklärt, wie virtuelle Umgebungen erstellt, aktiviert und deaktiviert werden, um projektspezifische Abhängigkeiten zu verwalten.
  • Sicherheitsvorteile: Virtuelle Umgebungen verringern Sicherheitsrisiken, da für die Paketinstallation keine Superuser-Berechtigungen benötigt werden.

Über den Autor

Dan Bader ist ein angesehener Python-Experte und Lehrender. Er ist dafür bekannt, komplexe Programmierkonzepte klar und verständlich zu erklären. Bader ist Gründer von Real Python, einer beliebten Online-Ressource mit Python-Tutorials und -Kursen. Er verfügt über umfangreiche Erfahrung in der Softwareentwicklung und hat mit Unternehmen wie Google und Microsoft gearbeitet. Sein Schreibstil wird als freundlich und mitreißend gelobt und macht technische Inhalte für Lernende zugänglicher. Seine Arbeit zielt darauf ab, Entwickler dabei zu unterstützen, ihre Python-Kenntnisse zu verbessern und bewährte Programmierpraktiken anzuwenden.

PDF herunterladen

Lade das kostenlose PDF herunter, um die Zusammenfassung von Python-Tricks für später zu speichern. Du kannst es ausdrucken oder offline lesen, wann immer du möchtest.
Download PDF

EPUB herunterladen

Lade das kostenlose EPUB herunter, um die Zusammenfassung von Python-Tricks auf deinem E-Reader oder in einer Lese-App zu lesen. Das digitale Buchformat .epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.
Download EPUB
Möchten Sie das vollständige Buch lesen?
Folgen
Anhören
Start
Swipe
Biblio
App
3 Tage Vollzugriff testen
Anhören, speichern und mehr
Funktionen vergleichen Kostenlos Pro
📖 Zusammenfassungen lesen
Unbegrenzt Zusammenfassungen lesen. Kostenlose Nutzer erhalten 3 pro Monat
🎧 Zusammenfassungen anhören
Unbegrenzt Zusammenfassungen in 40 Sprachen anhören
—
❤️ Unbegrenzte Lesezeichen
Kostenlose Nutzer sind auf 4 begrenzt
—
📜 Unbegrenzter Verlauf
Kostenlose Nutzer sind auf 4 begrenzt
—
📥 Unbegrenzte Downloads
Kostenlose Nutzer sind auf 1 begrenzt
—
Risikofreier Zeitplan
Heute: Sofortzugang erhalten
Vollständige Zusammenfassungen von über 26.000 Büchern anhören. Das sind über 12.000 Stunden Audio!
Tag 2: Erinnerung an Testphase
Wir senden Ihnen eine Benachrichtigung, dass Ihre Testphase bald endet.
Tag 3: Ihr Abonnement beginnt
Die Abbuchung erfolgt am 24. Nov.,
vorher jederzeit kündbar.
Consume 2.8× More Books
2.8× weitere Bücher Hören Lesen
Unsere Nutzer lieben uns
600,000+ Leser
Trustpilot Rating
TrustPilot
4.6 Hervorragend
Diese Seite ist ein absoluter Gamechanger. Ich habe noch nie so schnell Buchzusammenfassungen gelesen. Sehr, sehr empfehlenswert.
— Dave G
Das Geld und die Zeit absolut wert und wirklich gut gemacht. Eine solche Qualität von Zusammenfassungen habe ich auf anderen Websites noch nie gesehen. Sehr hilfreich!
— Em
Sehr empfehlenswert!! Fantastischer Service. Perfekt für alle, die mehr als einen Teaser möchten, aber nicht alle Details eines vollständigen Hörbuchs brauchen.
— Greg M
62 % sparen
Jährlich
$119.88 $44.99/Jahr/J.
$3.75/Mon.
Monatlich
$9.99/Mon.
3-tägige kostenlose Testphase starten
3 Tage kostenlos, dann $44.99/Jahr. Jederzeit kündbar.
Unlock a world of fiction & nonfiction books
26.000+ Bücher zum Preis von 2 Büchern
Lesen Sie jedes Buch in 10 Minuten
Entdecken Sie neue Bücher wie bei Tinder
Fordern Sie jedes Buch an, das noch nicht zusammengefasst ist
Lesen Sie mehr Bücher als jeder, den Sie kennen
Die Nr. 1 App für Buchliebhaber
Lifelike & immersive summaries
30-Tage-Geld-zurück-Garantie
Zusammenfassungen als EPUB oder PDF herunterladen
Jederzeit mit wenigen Klicks kündbar

Warum nur eine Zusammenfassung?

Scanner
Barcode zum Scannen finden

⭐
⭐
⭐
Wir haben ein besonderes Geschenk für Sie
Öffnen
38% Rabatt
RABATT FÜR DICH
⭐
⭐
⭐
$79.99
$49.99/Jahr
Nur $4.16 pro Monat
Weiter
Mit 2 Taps starten, ganz einfach kündigen
Einstellungen
Allgemein
Widget
Wird geladen...