FAQ Προγραμματισμού
*******************


Γενικές Ερωτήσεις
=================


Υπάρχει πρόγραμμα εντοπισμού σφαλμάτων σε επίπεδο πηγαίου κώδικα με σημεία διακοπής , με ένα βήμα κλπ.;
-------------------------------------------------------------------------------------------------------

Ναι.

Πολλοί εντοπιστές σφαλμάτων για την Python περιγράφονται παρακάτω και
η ενσωματωμένη συνάρτηση "breakpoint()" σάς επιτρέπει να μεταβείτε σε
οποιοδήποτε από αυτά.

Το pdb module είναι ένα απλό αλλά επαρκές πρόγραμμα εντοπισμού
σφαλμάτων σε λειτουργία κονσόλας για την Python. Είναι μέρος της
τυπικής βιβλιοθήκης Python και είναι "documented in the Library
Reference Manual". Μπορείτε επίσης να γράψετε το δικό σας πρόγραμμα
σφαλμάτων χρησιμοποιώντας τον κώδικα για το pdb ως παράδειγμα.

Το διαδραστικό περιβάλλον ανάπτυξης IDLE, το οποίο αποτελεί μέρος της
τυπικής διανομής Python (συνήθως διαθέσιμο ως Tools/scripts/idle3),
που περιλαμβάνει ένα γραφικό πρόγραμμα εντοπισμού σφαλμάτων.

Το PythonWin είναι ένα Python IDE που περιλαμβάνει ένα πρόγραμμα
εντοπισμού σφαλμάτων GUI που βασίζεται σε pdb. Το πρόγραμμα εντοπισμού
σφαλμάτων PythonWin χρωματίζει τα σημεία διακοπής και έχει αρκετά
ωραία χαρακτηριστικά, όπως τον εντοπισμό σφαλμάτων σε προγράμματα που
δεν είναι PythonWin. Το PythonWin είναι διαθέσιμο ως μέρος του pywin32
έργου και ως μέρος της διανομής ActivePython .

Το Eric είναι ένα IDE που βασίζεται στο PyQt και το component
επεξεργασίας Scintilla.

Το trepan3k είναι ένα πρόγραμμα εντοπισμού σφαλμάτων παρόμοιο με το
gdb.

Το Visual Studio Code είναι ένας IDE με εργαλεία εντοπισμού σφαλμάτων
που ενσωματώνεται με λογισμικό ελέγχου έκδοσης.

Υπάρχει ένας αριθμός εμπορικών Python IDEs που περιλαμβάνουν γραφικούς
εντοπισμούς σφαλμάτων. Αυτά περιλαμβάνουν:

* Wing IDE

* Komodo IDE

* PyCharm


Υπάρχουν εργαλεία που βοηθούν στην εύρεση σφαλμάτων ή στην εκτέλεση στατικής ανάλυσης;
--------------------------------------------------------------------------------------

Ναι.

Pylint και Pyflakes κάνουν βασικό έλεγχο που θα σας βοηθήσει να
εντοπίσετε τα σφάλματα νωρίτερα.

Static type checkers such as Mypy, Pyre, and Pytype can check type
hints in Python source code.


Πως μπορώ να δημιουργήσω ένα stand-alone binary από ένα Python script;
----------------------------------------------------------------------

Δεν χρειάζεστε την δυνατότητα μεταγλώττισης κώδικα Python σε C, εάν το
μόνο που θέλετε είναι ένα stand-alone πρόγραμμα που οι χρήστες μπορούν
να κατεβάσουν και να εκτελέσουν χωρίς να χρειάζεται να εγκαταστήσουν
πρώτα την διανομή της Python.  Υπάρχει μια σειρά από εργαλεία που
καθορίζουν το σύνολο των modules που απαιτούνται από ένα πρόγραμμα και
συνδέουν αυτά τα modules μαζί με ένα δυαδικό αρχείο Python για να
παραχθεί ένα μόνο εκτελέσιμο.

Το ένα είναι να χρησιμοποιήσετε το εργαλείο παγώματος, το οποίο
περιλαμβάνεται στο δέντρο πηγαίου της Python ως Tools/freeze.
Μετατρέπει δυαδικό κώδικα Python σε C πίνακες∙ με έναν C μεταγλωττιστή
μπορείτε να ενσωματώσετε όλα τα modules σας σε ένα νέο πρόγραμμα, το
οποίο στη συνέχεια συνδέεται με τα τυπικά Python modules.

Λειτουργεί σαρώνοντας τον πηγαίο κώδικα αναδρομικά για δηλώσεις
εισαγωγής (και στις δύο μορφές) και αναζητώντας τα modules στην τυπική
διαδρομή Python καθώς και στον κατάλογο προέλευσης (για ενσωματωμένα
modules).  Στην συνέχεια γυρίζει τα bytecode για modules που είναι
γραμμένες σε Python σε κώδικα C (initializers πίνακα που μπορούν να
μετατραπούν σε αντικείμενα κώδικα χρησιμοποιώντας το marshal module)
και δημιουργεί ένα προσαρμοσμένο αρχείο διαμόρφωσης που περιέχει μόνο
εκείνα τα ενσωματωμένα modules που χρησιμοποιούνται πραγματικά στο
πρόγραμμα και το συνδέει με τον υπόλοιπο διερμηνέα Python για να
σχηματίσει ένα αυτόνομο δυαδικό αρχείο που λειτουργεί ακριβώς όπως το
σενάριο σας.

Τα παρακάτω πακέτα μπορούν να σας βοηθήσουν για την δημιουργία
εκτελέσιμων κονσόλας και GUI:

* Nuitka (Cross-platform)

* PyInstaller (Cross-platform)

* PyOxidizer (Cross-platform)

* cx_Freeze (Cross-platform)

* py2app (macOS μόνο)

* py2exe (Windows μόνο)


Υπάρχουν πρότυπα κωδικοποίησης ή οδηγός στυλ για προγράμματα Python;
--------------------------------------------------------------------

Ναι. Το στυλ κωδικοποίησης που απαιτείται για τα τυπικά modules
βιβλιοθήκης τεκμηριώνεται ως **PEP 8**.


Βασική Γλώσσα
=============


Γιατί λαμβάνω ένα UnboundLocalError όταν η μεταβλητή έχει μια τιμή;
-------------------------------------------------------------------

Μπορεί να είναι έκπληξη να λάβετε το "UnboundLocalError" σε κώδικα που
λειτουργούσε προηγουμένως όταν τροποποιείται προσθέτοντας μια δήλωση
εκχώρησης κάπου στο σώμα μιας συνάρτησης.

Αυτό ο κώδικας:

>>> x = 10
>>> def bar():
...     print(x)
...
>>> bar()
10

δουλεύει, αλλά αυτός ο κώδικας:

>>> x = 10
>>> def foo():
...     print(x)
...     x += 1

καταλήγει σε ένα "UnboundLocalError":

>>> foo()
Traceback (most recent call last):
  ...
UnboundLocalError: local variable 'x' referenced before assignment

Αυτό συμβαίνει επειδή όταν κάνετε μια ανάθεση σε μια μεταβλητή σε ένα
εύρος, αυτή η μεταβλητή γίνεται τοπική σε αυτό το εύρος και σκιάζει
οποιαδήποτε μεταβλητή με παρόμοιο όνομα στο εξωτερικό εύρος. Εφόσον η
τελευταία πρόταση στο foo εκχωρεί μια νέα τιμή στο "x", ο
μεταγλωττιστής την αναγνωρίζει ως τοπική μεταβλητή. Κατά συνέπεια όταν
η προηγούμενη "print(x)" επιχειρεί να εκτυπώσει την uninitialized
τοπική μεταβλητή και προκύπτει σφάλμα.

Στο παραπάνω παράδειγμα, μπορείτε να αποκτήσετε πρόσβαση στη μεταβλητή
εξωτερικού εύρους δηλώνοντας την ως καθολική:

>>> x = 10
>>> def foobar():
...     global x
...     print(x)
...     x += 1
...
>>> foobar()
10

Αυτή η ρητή δήλωση απαιτείται για να σας υπενθυμίσει ότι (σε αντίθεση
με την επιφανειακά ανάλογη κατάσταση με τις μεταβλητές κλάσης και
στιγμιότυπου) στην πραγματικότητα τροποποιείτε την τιμή της μεταβλητής
στο εξωτερικό πεδίο:

>>> print(x)
11

Μπορείτε να κάνετε κάτι παρόμοιο σε ένα ένθετο πεδίο χρησιμοποιώντας
τη λέξη κλειδί "nonlocal":

>>> def foo():
...    x = 10
...    def bar():
...        nonlocal x
...        print(x)
...        x += 1
...    bar()
...    print(x)
...
>>> foo()
10
11


Ποιοι είναι οι κανόνες για τις τοπικές και τις καθολικές μεταβλητές στην Python;
--------------------------------------------------------------------------------

Στην Python, οι μεταβλητές που αναφέρονται μόνο μέσα σε μια συνάρτηση
είναι έμμεσα καθολικές. Εάν σε μια μεταβλητή εκχωρηθεί μια τιμή
οπουδήποτε μέσα στο σώμα της συνάρτησης, θεωρείται ότι είναι τοπική,
εκτός αν δηλωθεί ρητά ως καθολική.

Αν και είναι λίγο έκπληξη στην αρχή, αυτό το εξηγεί μια στιγμή. Από τη
μία πλευρά η απαίτηση "global" για εκχωρημένες μεταβλητές παρέχει μια
γραμμή έναντι ανεπιθύμητων παρενεργειών. Από την άλλη, εάν απαιτείται
"global" για όλες τις καθολικές αναφορές, θα χρησιμοποιούσατε "global"
όλη την ώρα. Θα έπρεπε να δηλώσετε ως καθολική κάθε αναφορά σε μια
ενσωματωμένη λειτουργία ή σε ένα στοιχείο ενός εισαγόμενου module.
Αυτή η ακαταστασία θα νικήσει την χρησιμότητα της δήλωσης "global" για
τον εντοπισμό παρενεργειών.


Γιατί τα lambdas που ορίζονται σε έναν βρόχο με διαφορετικές τιμές επιστρέφουν όλα το ίδιο αποτέλεσμα;
------------------------------------------------------------------------------------------------------

Ας υποθέσουμε ότι χρησιμοποιείτε έναν βρόχο for για να ορίσετε μερικά
διαφορετικά lambdas (ή ακόμα και απλές συναρτήσεις), π.χ.:

   >>> squares = []
   >>> for x in range(5):
   ...     squares.append(lambda: x**2)

Αυτό σας δίνει μια λίστα που περιέχει 5 lambdas που υπολογίζουν το
"x**2".  Μπορεί να περιμένετε ότι, όταν καλέσετε, θα επέστρεφαν,
αντίστοιχα, "0", "1", "4", "9" και "16". Ωστόσο, όταν δοκιμάσετε
πραγματικά θα δείτε ότι όλα επιστρέφουν "16":

   >>> squares[2]()
   16
   >>> squares[4]()
   16

Αυτό συμβαίνει επειδή το "x" δεν είναι τοπικό για τα lambdas, αλλά
ορίζεται στο εξωτερικό εύρος και είναι προσβάσιμο όταν το lambda
καλείται --- όχι όταν ορίζεται.  Στο τέλος του βρόχου, η τιμή του "x"
είναι "4", επομένως όλες οι συναρτήσεις επιστρέφουν τώρα "4**2",
δηλαδή "16".  Μπορείτε επίσης να το επαληθεύσετε αλλάζοντας την τιμή
του "x" και δείτε πως αλλάζουν τα αποτελέσματα του lambda:

   >>> x = 8
   >>> squares[2]()
   64

Για να το αποφύγετε αυτό, πρέπει να αποθηκεύσετε τις τιμές σε
μεταβλητές τοπικές στο lambda, έτσι ώστε να μην βασίζονται στην τιμή
του καθολικού "x":

   >>> squares = []
   >>> for x in range(5):
   ...     squares.append(lambda n=x: n**2)

Εδώ, το "n=x" δημιουργεί μια νέα μεταβλητή "n" τοπική στο lambda και
υπολογίζεται όταν το lambda ορίζεται έτσι ώστε να έχει την ίδια τιμή
που είχε το "x" σε εκείνο το σημείο βρόχου. Αυτό σημαίνει ότι η τιμή
του "n" θα είναι "0" στο πρώτο lambda, "1" στο δεύτερο , "2" στο τρίτο
και ούτω καθεξής. Επομένως κάθε lambda θα επιστρέψει τώρα το σωστό
αποτέλεσμα:

   >>> squares[2]()
   4
   >>> squares[4]()
   16

Σημειώστε ότι αυτή η συμπεριφορά δεν είναι ιδιόμορφη για το lambdas,
αλλά ισχύει και για κανονικές λειτουργίες.


Πως μοιράζομαι καθολικές μεταβλητές σε modules;
-----------------------------------------------

Ο κανονικός τρόπος για να μοιράζεστε πληροφορίες μεταξύ των
λειτουργικών μονάδων μέσα σε ένα μόνο πρόγραμμα είναι η δημιουργία
ενός ειδικού module (συχνά ονομάζεται config ή cfg).  Απλώς εισαγάγετε
το module διαμόρφωσης σε όλες τα modules της εφαρμογής σας∙ το module
στην συνέχεια γίνεται διαθέσιμο ως παγκόσμιο όνομα.  Επειδή υπάρχει
μόνο ένα παράδειγμα για κάθε module , οι αλλαγές που γίνονται στο
αντικείμενο του module αντικατοπτρίζονται παντού.  Για παράδειγμα:

config.py:

   x = 0   # Default value of the 'x' configuration setting

mod.py:

   import config
   config.x = 1

main.py:

   import config
   import mod
   print(config.x)

Λάβετε υπόψη ότι η χρήση ενός module είναι επίσης η βάση για την
εφαρμογή του μοτίβου σχεδιασμού singleton, για τον ίδιο λόγο.


Ποιες είναι οι "βέλτιστες πρακτικές" για τη χρήση import σε ένα module;
-----------------------------------------------------------------------

Γενικά, μην χρησιμοποιείτε "from modulename import *". Κάτι τέτοιο
δημιουργεί μια ακαταστασία στο importer's namespace, και καθιστά πιο
δύσκολο για τα linters να εντοπίσουν απροσδιόριστα ονόματα.

Εισαγωγή modules στην κορυφή ενός αρχείου. Με αυτόν τον τρόπο καθιστά
σαφές ποια άλλα modules απαιτεί ο κώδικας σας και αποφεύγονται
ερωτήσεις σχετικά με το αν το όνομα της μονάδας είναι εντός πεδίου.
Χρησιμοποιώντας ένα import ανά γραμμή καθιστά εύκολη την προσθήκη και
τη διαγραφή module imports, αλλά χρησιμοποιώντας πολλαπλά imports ανά
γραμμής καταναλώνεται λιγότερος χώρος στην οθόνη.

Είναι καλή πρακτική εάν εισάγετε module με την ακόλουθη σειρά:

1. τυπικά module βιβλιοθήκης -- π.χ. "sys", "os", "argparse", "re"

2. module βιβλιοθήκης τρίτων (ό, τι είναι εγκατεστημένο στο κατάλογο
   site-packages της Python) -- π.χ. "dateutil", " requests",
   "PIL.Image"

3. τοπικά αναπτυγμένα modules

Μερικές φορές είναι απαραίτητο να μετακινηθούν οι εισαγωγές σε μια
συνάρτηση ή κλάση για να αποφευχθούν προβλήματα με τις κυκλικές
εισαγωγές. Ο Gordon McMillan λέει:

   Οι κυκλικές εισαγωγές είναι καλές όταν και τα δύο modules
   χρησιμοποιούν τη μορφή εισαγωγής "import <module>". Αποτυγχάνουν
   όταν το 2ο module θέλει να πάρει ένα όνομα από το πρώτο ("from
   module import name") και η εισαγωγή είναι στο κορυφαίο επίπεδο.
   Αυτό συμβαίνει επειδή το πρώτο module είναι απασχολημένο με την
   εισαγωγή του 2ου.

Σε αυτήν την περίπτωση, εάν το δεύτερο module χρησιμοποιείται μόνο σε
μια συνάρτηση, τότε η εισαγωγή μπορεί εύκολα να μεταφερθεί μέσα σε
αυτήν την συνάρτηση.  Από τη στιγμή που καλείται η εισαγωγή, το πρώτο
module θα έχει ολοκληρώσει την αρχικοποίηση, και το δεύτερο module
μπορεί να κάνει την εισαγωγή του.

Μπορεί επίσης να είναι απαραίτητο να μετακινήσετε τις εισαγωγές από το
ανώτερο επίπεδο κώδικα, εάν ορισμένα από τα module είναι συγκεκριμένα
για την πλατφόρμα.  Σε αυτήν την περίπτωση, ενδέχεται να μην είναι καν
δυνατή η εισαγωγή όλων των modules στο επάνω μέρος του αρχείου. Σε
αυτήν την περίπτωση, η εισαγωγή των σωστών modules στον αντίστοιχο
κώδικα για συγκεκριμένη πλατφόρμα είναι μια καλή επιλογή.

Μετακινήστε τις εισαγωγές σε τοπικό πεδίο, όπως μέσα σε έναν ορισμό
συνάρτησης, μόνο εάν είναι απαραίτητο να λυθεί ένα πρόβλημα όπως η
αποφυγή μιας κυκλικής εισαγωγής ή εάν προσπαθείτε να μειώσετε τον
χρόνο προετοιμασίας μιας μονάδας. Αυτή η τεχνική είναι ιδιαίτερα
χρήσιμη εάν πολλές από τις εισαγωγές δεν είναι απαραίτητες ανάλογα με
τον τρόπο εκτέλεσης του προγράμματος. Μπορείτε επίσης να θέλετε να
μετακινήσετε τις εισαγωγές σε μια συνάρτηση εάν τα modules
χρησιμοποιούνται μόνο σε αυτήν τη συνάρτηση.  Λάβετε υπόψη ότι η
φόρτωση ενός module την πρώτη φορά μπορεί να είναι δαπανηρή λόγω της
μιας φοράς της αρχικοποίησης του module, αλλά η φόρτωση ενός module
πολλές φορές είναι σχεδόν δωρεάν, κοστίζοντας μόνο μερικές αναζητήσεις
σε λεξικό.  Ακόμα και αν το όνομα του module έχει ξεφύγει από το πεδίο
εφαρμογής του, το module είναι πιθανώς διαθέσιμο στο "sys.modules".


Γιατί μοιράζονται οι προεπιλεγμένες τιμές μεταξύ των αντικειμένων;
------------------------------------------------------------------

Αυτός ο τύπος σφάλματος συνήθως δαγκώνει νεοφυείς προγραμματιστές.
Σκεφτείτε αυτήν τη συνάρτηση:

   def foo(mydict={}):  # Danger: shared reference to one dict for all calls
       ... compute something ...
       mydict[key] = value
       return mydict

Την πρώτη φορά που καλείτε αυτήν την συνάρτηση, το "mydict" περιέχει
ένα μεμονωμένο στοιχείο. Τη δεύτερη φορά, το "mydict" περιέχει δύο
στοιχεία γιατί όταν το "foo()" ξεκινά την εκτέλεση, το "mydict" ξεκινά
με ένα αντικείμενο ήδη μέσα.

Συχνά αναμένεται ότι μια κλήση συνάρτησης δημιουργεί νέα αντικείμενα
για προεπιλεγμένες τιμές. Δεν συμβαίνει αυτό. Οι προεπιλεγμένες τιμές
δημιουργούνται ακριβώς μία φορά, όταν ορίζεται η συνάρτηση. Εάν αυτό
το αντικείμενο αλλάξει, όπως το λεξικό σε αυτό το παράδειγμα, επόμενες
κλήσεις στην συνάρτηση θα αναφέρονται σε αυτό το αλλαγμένο
αντικείμενο.

Εξ ορισμού, αμετάβλητα αντικείμενα όπως αριθμοί, συμβολοσειρές,
πλειάδες και "None" , είναι ασφαλή από αλλαγές. Οι αλλαγές σε
μεταβλητά αντικείμενα όπως λεξικά, λίστες και παρουσίες κλάσεων μπορεί
να οδηγήσουν σε σύγχυση.

Λόγω αυτής της δυνατότητας, είναι καλή πρακτική προγραμματισμού να μην
χρησιμοποιείτε μεταβλητά αντικείμενα ως προεπιλεγμένες τιμές.
Αντίθετα, χρησιμοποιείστε "None" ως προεπιλεγμένη τιμή και μέσα στην
συνάρτηση, ελέγξτε εάν η παράμετρος είναι "None" και δημιουργήστε μια
νέα λίστα/λεξικά/ό,τι και αν είναι. Για παράδειγμα μην γράψετε:

   def foo(mydict={}):
       ...

αλλά:

   def foo(mydict=None):
       if mydict is None:
           mydict = {}  # create a new dict for local namespace

Αυτή η δυνατότητα μπορεί να είναι χρήσιμη. Όταν έχετε μια συνάρτηση
που είναι χρονοβόρα για τον υπολογισμό, μια κοινή τεχνική είναι να
αποθηκεύσετε προσωρινά τις παραμέτρους και την επιστρεφόμενη τιμή κάθε
κλήσης στη συνάρτηση και να επιστρέφετε την προσωρινά αποθηκευμένη
τιμή εάν ζητηθεί ξανά η ίδια τιμή. Αυτό ονομάζεται "memoizing", και
μπορεί να εφαρμοστεί ως εξής:

   # Callers can only provide two parameters and optionally pass _cache by keyword
   def expensive(arg1, arg2, *, _cache={}):
       if (arg1, arg2) in _cache:
           return _cache[(arg1, arg2)]

       # Calculate the value
       result = ... expensive computation ...
       _cache[(arg1, arg2)] = result           # Store result in the cache
       return result

Θα μπορούσατε να χρησιμοποιήσετε μια καθολική μεταβλητή που περιέχει
ένα λεξικό αντί για την προεπιλεγμένη τιμή∙ Είναι θέμα γούστου.


Πώς μπορώ να μεταβιβάσω προαιρετικές παραμέτρους ή παραμέτρους λέξεων-κλειδιών από τη μια συνάρτηση στην άλλη;
--------------------------------------------------------------------------------------------------------------

Συλλέξτε τα ορίσματα χρησιμοποιώντας τους specifiers "*" και "**" στη
λίστα παραμέτρων της συνάρτησης∙ Αυτό σας δίνει τα ορίσματα θέσης ως
πλειάδα και τα ορίσματα λέξεων-κλειδιών ως λεξικό. Στη συνέχεια,
μπορείτε να μεταβιβάσετε αυτά τα ορίσματα κατά την κλήση άλλης
συνάρτησης με τη χρήση των "*" και "**":

   def f(x, *args, **kwargs):
       ...
       kwargs['width'] = '14.3c'
       ...
       g(x, *args, **kwargs)


Ποια είναι η διαφορά μεταξύ ορισμάτων και παραμέτρων;
-----------------------------------------------------

*Παράμετροι* ορίζονται από τα ονόματα που εμφανίζονται στον ορισμό
μιας συνάρτησης, ενώ τα *ορίσματα* είναι οι τιμές που πραγματικά
μεταβιβάζονται σε μια συνάρτηση κατά την κλήση της. Οι παράμετροι
ορίζουν τι *kind of arguments* μπορεί να δεχτεί μια συνάρτηση.  Για
παράδειγμα δεδομένου του ορισμού της συνάρτησης:

   def func(foo, bar=None, **kwargs):
       pass

*foo*, *bar* και *kwargs* είναι παράμετροι της "func".  Ωστόσο, όταν
καλείται η "func", για παράδειγμα:

   func(42, bar=314, extra=somevar)

οι τιμές "42", "314", και "somevar" είναι ορίσματα.


Γιατί η αλλαγή της λίστας 'y' αλλάζει επίσης και τη λίστα 'x';
--------------------------------------------------------------

Αν γράψατε κώδικα όπως:

   >>> x = []
   >>> y = x
   >>> y.append(10)
   >>> y
   [10]
   >>> x
   [10]

μπορεί να αναρωτιέστε γιατί η προσθήκη ενός στοιχείου στο "y" άλλαξε
επίσης το "x".

Υπάρχουν δύο παράγοντες που παράγουν αυτό το αποτέλεσμα:

1. Οι μεταβλητές είναι απλά ονόματα που αναφέρονται σε αντικείμενα.
   Κανόνας "y = x" δεν δημιουργείται αντίγραφο της λίστας --
   δημιουργεί μια νέα μεταβλητή "y" που αναφέρεται στο ίδιο
   αντικείμενο που αναφέρεται το "x".  Αυτό σημαίνει ότι υπάρχει μόνο
   ένα αντικείμενο  (η λίστα), και το "x" και το "y" αναφέρονται σε
   αυτό.

2. Οι λίστες είναι *mutable*, που σημαίνει ότι μπορείτε να αλλάξετε το
   περιεχόμενό τους.

After the call to "append()", the content of the mutable object has
changed from "[]" to "[10]".  Since both the variables refer to the
same object, using either name accesses the modified value "[10]".

Αν αντιστοιχίσουμε ένα αμετάβλητο αντικείμενο σε "x":

   >>> x = 5  # ints are immutable
   >>> y = x
   >>> x = x + 1  # 5 can't be mutated, we are creating a new object here
   >>> x
   6
   >>> y
   5

μπορούμε να δούμε ότι σε αυτήν την περίπτωση "x" και "y" δεν είναι
πλέον ίσα.  Αυτό συμβαίνει επειδή οι ακέραιοι αριθμοί είναι
*immutable*, και όταν κάνουμε "x = x + 1" δεν μεταλλάσσεται το int "5"
αυξάνοντας την τιμή του∙ αντίθετα, δημιουργούμε ένα νέο αντικείμενο
(το int "6") και το εκχωρούμε στο "x" (δηλαδή, αλλάζοντας το
αντικείμενο  στο οποίο αναφέρεται το "x").  Μετά από αυτήν την ανάθεση
έχουμε δύο αντικείμενα (τα ints "6" and "5") και δύο μεταβλητές που
αναφέρονται σε αυτά ("x" τώρα αναφέρεται σε "6" αλλά "y" ακόμα
αναφέρεται στο "5").

Ορισμένες λειτουργίες (για παράδειγμα "y.append(10)" και "y.sort()")
μεταλλάσσουν το αντικείμενο, ενώ επιφανειακά παρόμοιες πράξεις (για
παράδειγμα "y = y + [10]" και "sorted(y)") δημιουργούν ένα νέο
αντικείμενο. Γενικά στην Python (και σε όλες τις περιπτώσεις στην
τυπική βιβλιοθήκη) μια μέθοδος που μεταλλάσσει ένα αντικείμενο θα
επιστρέψει "None" για να αποφύγει τη σύγχυση των δύο τύπων πράξεων.
Επομένως, εάν γράψετε κατά λάθος "y.sort()" νομίζοντας ότι θα σας
δώσει ένα ταξινομημένο αντίγραφο του "y", θα καταλήξετε με "None", το
οποίο πιθανότατα θα προκαλέσει το πρόγραμμά σας να δημιουργήσει ένα
λάθος το οποίο διαγιγνώσκεται εύκολα.

Ωστόσο, υπάρχει μία κατηγορία λειτουργιών όπου η ίδια πράξη έχει
μερικές φορές διαφορετικές συμπεριφορές με διαφορετικούς τύπους: οι
επαυξημένοι τελεστές ανάθεσης. Για παράδειγμα, "+=" μεταλλάσσει τις
λίστες αλλά όχι τις πλειάδες ή τους ints ("a_list += [1, 2, 3]" είναι
ίσο με "a_list.extend([1, 2, 3])" και μεταλλάσσει "a_list", ενώ το
"some_tuple += (1, 2, 3)" και "some_int += 1" δημιουργεί νέα
αντικείμενα).

Με άλλα λόγια:

* Εάν έχουμε ένα μεταβλητό αντικείμενο ("list", "dict", "set", κλπ.),
  μπορούμε να χρησιμοποιήσουμε ορισμένες συγκεκριμένες λειτουργίες για
  να το μεταλλάξουμε και όλες τις μεταβλητές που αναφέρονται σε αυτό
  θα δουν την αλλαγή.

* Εάν έχουμε ένα αμετάβλητο αντικείμενο ("str", "int", "tuple", κλπ.),
  όλες οι μεταβλητές που αναφέρονται σε αυτό θα βλέπουν πάντα την ίδια
  τιμή, αλλά οι λειτουργίες που θα μετατρέπουν αυτήν την τιμή σε μια
  νέα τιμή επιστρέφουν πάντα ένα νέο αντικείμενο.

Εάν θέλετε να γνωρίζετε εάν δύο μεταβλητές αναφέρονται στο ίδιο
αντικείμενο ή όχι, μπορείτε να χρησιμοποιήσετε τον "is" operator, ή
την ενσωματωμένη συνάρτηση "id()".


Πως μπορώ να γράψω μια συνάρτηση με παραμέτρους εξόδου (κλήση με αναφορά);
--------------------------------------------------------------------------

Να θυμάστε ότι τα ορίσματα μεταβιβάζονται με ανάθεση στην Python.
Εφόσον η εκχώρηση δημιουργεί απλώς αναφορές σε αντικείμενα, δεν
υπάρχει ψευδώνυμο μεταξύ ενός ονόματος ορίσματος σε αυτό που καλεί και
σε αυτό που καλείται, και επομένως δεν υπάρχει κλήση προς αναφορά από
μόνη της. Μπορείτε να επιτύχετε το επιθυμητό αποτέλεσμα με διάφορους
τρόπους.

1. Επιστρέφοντας μια πλειάδα των αποτελεσμάτων:

      >>> def func1(a, b):
      ...     a = 'new-value'        # a and b are local names
      ...     b = b + 1              # assigned to new objects
      ...     return a, b            # return new values
      ...
      >>> x, y = 'old-value', 99
      >>> func1(x, y)
      ('new-value', 100)

   Αυτή είναι σχεδόν πάντα η πιο ξεκάθαρη λύση.

2. Χρησιμοποιώντας καθολικές μεταβλητές.  Αυτό δεν είναι ασφαλές για
   νήμα και δεν συνίσταται.

3. Περνώντας ένα μεταβλητό (με δυνατότητα αλλαγής επί τόπου)
   αντικείμενο:

      >>> def func2(a):
      ...     a[0] = 'new-value'     # 'a' references a mutable list
      ...     a[1] = a[1] + 1        # changes a shared object
      ...
      >>> args = ['old-value', 99]
      >>> func2(args)
      >>> args
      ['new-value', 100]

4. Περνώντας σε ένα λεξικό που μεταλλάσσεται:

      >>> def func3(args):
      ...     args['a'] = 'new-value'     # args is a mutable dictionary
      ...     args['b'] = args['b'] + 1   # change it in-place
      ...
      >>> args = {'a': 'old-value', 'b': 99}
      >>> func3(args)
      >>> args
      {'a': 'new-value', 'b': 100}

5. Ή ομαδοποιήστε τιμές σε μια παρουσία κλάσης:

      >>> class Namespace:
      ...     def __init__(self, /, **args):
      ...         for key, value in args.items():
      ...             setattr(self, key, value)
      ...
      >>> def func4(args):
      ...     args.a = 'new-value'        # args is a mutable Namespace
      ...     args.b = args.b + 1         # change object in-place
      ...
      >>> args = Namespace(a='old-value', b=99)
      >>> func4(args)
      >>> vars(args)
      {'a': 'new-value', 'b': 100}

   Δεν υπάρχει σχεδόν ποτέ καλός λόγος να γίνει αυτό περίπλοκο.

Η καλύτερη επιλογή σας είναι να επιστρέψετε μια πλειάδα που περιέχει
πολλαπλά αποτελέσματα.


Πως δημιουργείτε μια συνάρτηση υψηλότερης τάξης στην Python;
------------------------------------------------------------

Έχετε δύο επιλογές: μπορείτε να χρησιμοποιήσετε ένθετα πεδία ή
μπορείτε να χρησιμοποιήσετε callable αντικείμενα. Για παράδειγμα, ας
υποθέσουμε ότι θέλετε να ορίσετε το "linear(a,b)" που επιστρέφει μια
συνάρτηση "f(x)" που υπολογίζει την τιμή "a*x+b".  Χρησιμοποιώντας
ένθετα πεδία:

   def linear(a, b):
       def result(x):
           return a * x + b
       return result

Ή χρησιμοποιώντας ένα callable αντικείμενο:

   class linear:

       def __init__(self, a, b):
           self.a, self.b = a, b

       def __call__(self, x):
           return self.a * x + self.b

Και στις δύο περιπτώσεις:

   taxes = linear(0.3, 2)

δίνει ένα callable αντικείμενο όπου "taxes(10e6) == 0.3 * 10e6 + 2".

Η προσέγγιση του callable αντικειμένου έχει το μειονέκτημα ότι είναι
λίγο πιο αργή και οδηγεί σε ελαφρώς μεγαλύτερο κώδικα.  Ωστόσο,
σημειώστε ότι μια συλλογή από callables μπορεί να μοιραστεί την
υπογραφή τους μέσω κληρονομικότητας:

   class exponential(linear):
       # __init__ inherited
       def __call__(self, x):
           return self.a * (x ** self.b)

Το αντικείμενο μπορεί να ενθυλακώσει την κατάσταση για πολλές
μεθόδους:

   class counter:

       value = 0

       def set(self, x):
           self.value = x

       def up(self):
           self.value = self.value + 1

       def down(self):
           self.value = self.value - 1

   count = counter()
   inc, dec, reset = count.up, count.down, count.set

Εδώ "inc()", "dec()" και "reset()" λειτουργούν σαν συναρτήσεις που
μοιράζονται την ίδια μεταβλητή μέτρησης.


Πως μπορώ να αντιγράψω ένα αντικείμενο στην Python;
---------------------------------------------------

Γενικά, δοκιμάστε "copy.copy()" ή "copy.deepcopy()" για τη γενική
περίπτωση. Δεν μπορούν να αντιγραφούν όλα τα αντικείμενα, αλλά τα
περισσότερα μπορούν.

Ορισμένα αντικείμενα μπορούν να αντιγραφούν πιο εύκολα.  Τα λεξικά
έχουν μία μέθοδο "copy()":

   newdict = olddict.copy()

Οι ακολουθίες μπορούν να αντιγραφούν με τεμαχισμό:

   new_l = l[:]


Πως μπορώ να βρω τις μεθόδους ή τα χαρακτηριστικά ενός αντικειμένου;
--------------------------------------------------------------------

Για παράδειγμα μια κλάση "x" που ορίζεται από το χρήστη, "dir(x)"
επιστρέφει μια αλφαβητική λίστα με τα ονόματα που περιέχει τα
χαρακτηριστικά της οντότητας και τις μεθόδους και τα χαρακτηριστικά
που ορίζονται από την κλάση του.


Πως μπορεί ο κώδικας μου να ανακαλύψει το όνομα ενός αντικειμένου;
------------------------------------------------------------------

Γενικά μιλώντας, δεν μπορεί, επειδή τα αντικείμενα δεν έχουνε
πραγματικά ονόματα. Ουσιαστικά, η εκχώρηση δεσμεύει πάντα ένα όνομα σε
μια τιμή∙ το ίδιο ισχύει για τις δηλώσεις "def" και "class", αλλά σε
αυτή την περίπτωση η τιμή είναι callable. Λάβετε υπόψη τον ακόλουθο
κώδικα:

   >>> class A:
   ...     pass
   ...
   >>> B = A
   >>> a = B()
   >>> b = a
   >>> print(b)
   <__main__.A object at 0x16D07CC>
   >>> print(a)
   <__main__.A object at 0x16D07CC>

Αναμφισβήτητα η κλάση έχει ένα όνομα: παρόλο που είναι δεσμευμένη σε
δύο ονόματα και καλείται μέσω του ονόματος "B" η δημιουργημένη
οντότητα εξακολουθεί να αναφέρεται ως οντότητα της κλάσης "A". Ωστόσο,
είναι αδύνατο να πούμε είτε το όνομα της οντότητας είναι "a" ή "b",
καθώς και τα δύο  ονόματα συνδέονται με την ίδια τιμή.

Γενικά μιλώντας, δεν θα πρέπει να είναι απαραίτητο ο κώδικας σας να
"γνωρίζει τα ονόματα" συγκεκριμένων τιμών. Αν δεν γράφετε εσκεμμένα
ενδοσκοπικά (introspective) προγράμματα, αυτό είναι συνήθως μια
ένδειξη ότι μια αλλαγή προσέγγισης μπορεί να είναι επωφελής.

Στο comp.lang.python, ο Fredrik Lundh έδωσε μια εξαιρετική αναλογία ως
απάντηση σε αυτήν την ερώτηση:

   Με το ίδιο τρόπο που παίρνετε το όνομα αυτής της γάτας που βρήκατε
   στη βεράντα σας: ή ίδια γάτα (αντικείμενο) δεν μπορεί να σας πει το
   όνομά της και δεν την ενδιαφέρει πραγματικά - έτσι ο μόνος τρόπος
   για να μάθετε πως λέγεται είναι να ρωτήσετε όλους τους γείτονές σας
   (namespaces) αν είναι η γάτα τους (αντικείμενο)...

   ....και μην εκπλαγείτε αν διαπιστώσετε ότι είναι γνωστό με πολλά
   ονόματα, ή κανένα όνομα!


Τι συμβαίνει με την προτεραιότητα του τελεστή κόμματος;
-------------------------------------------------------

Το κόμμα δεν είναι τελεστής στην Python.  Σκεφτείτε αυτήν την
συνεδρία:

   >>> "a" in "b", "a"
   (False, 'a')

Δεδομένου ότι το κόμμα δεν είναι τελεστής, αλλά διαχωριστικό μεταξύ
των εκφράσεων, τα παραπάνω αξιολογούνται σαν να είχατε εισαγάγει:

   ("a" in "b"), "a"

δεν:

   "a" in ("b", "a")

Το ίδιο ισχύει για τους διάφορους τελεστές εκχώρησης ("=", "+=" κλπ).
Δεν είναι πραγματικά τελεστές αλλά συντακτικοί delimiters σε δηλώσεις
εκχώρησης.


Υπάρχει ισοδύναμο του τριαδικού τελεστή "?:" της C;
---------------------------------------------------

Ναι υπάρχει, Η σύνταξη έχει ως εξής:

   [on_true] if [expression] else [on_false]

   x, y = 50, 25
   small = x if x < y else y

Πριν εισαχθεί αυτή η σύνταξη στην Python 2.5, ένα κοινό ιδίωμα ήταν η
χρήση λογικών τελεστών:

   [expression] and [on_true] or [on_false]

Ωστόσο, αυτό το ιδίωμα δεν είναι ασφαλές, καθώς μπορεί να δώσει
λανθασμένα αποτελέσματα όταν το *on_true* έχει ψευδή δυαδική τιμή.
Επομένως, είναι πάντα καλύτερο να χρησιμοποιήσετε τη φόρμα "... if ...
else ...".


Είναι δυνατόν να γράψουμε ασαφή one-liners στην Python;
-------------------------------------------------------

Ναι.  Συνήθως αυτό γίνεται με ένθεση του "lambda" εντός του "lambda".
Δείτε τα ακόλουθα τρία παραδείγματα, ελαφρώς προσαρμοσμένα από τον Ulf
Bartelt:

   from functools import reduce

   # Primes < 1000
   print(list(filter(None,map(lambda y:y*reduce(lambda x,y:x*y!=0,
   map(lambda x,y=y:y%x,range(2,int(pow(y,0.5)+1))),1),range(2,1000)))))

   # First 10 Fibonacci numbers
   print(list(map(lambda x,f=lambda x,f:(f(x-1,f)+f(x-2,f)) if x>1 else 1:
   f(x,f), range(10))))

   # Mandelbrot set
   print((lambda Ru,Ro,Iu,Io,IM,Sx,Sy:reduce(lambda x,y:x+'\n'+y,map(lambda y,
   Iu=Iu,Io=Io,Ru=Ru,Ro=Ro,Sy=Sy,L=lambda yc,Iu=Iu,Io=Io,Ru=Ru,Ro=Ro,i=IM,
   Sx=Sx,Sy=Sy:reduce(lambda x,y:x+y,map(lambda x,xc=Ru,yc=yc,Ru=Ru,Ro=Ro,
   i=i,Sx=Sx,F=lambda xc,yc,x,y,k,f=lambda xc,yc,x,y,k,f:(k<=0)or (x*x+y*y
   >=4.0) or 1+f(xc,yc,x*x-y*y+xc,2.0*x*y+yc,k-1,f):f(xc,yc,x,y,k,f):chr(
   64+F(Ru+x*(Ro-Ru)/Sx,yc,0,0,i)),range(Sx))):L(Iu+y*(Io-Iu)/Sy),range(Sy
   ))))(-2.1, 0.7, -1.2, 1.2, 30, 80, 24))
   #    \___ ___/  \___ ___/  |   |   |__ lines on screen
   #        V          V      |   |______ columns on screen
   #        |          |      |__________ maximum of "iterations"
   #        |          |_________________ range on y axis
   #        |____________________________ range on x axis

Μην το δοκιμάσετε στο σπίτι, παιδιά!


Τι σημαίνει η κάθετος(/) στη λίστα παραμέτρων μιας συνάρτησης;
--------------------------------------------------------------

Μια κάθετος στη λίστα ορισμάτων μιας συνάρτησης υποδηλώνει ότι οι
παράμετροι πριν από αυτήν είναι μόνο θέσης.  Οι παράμετροι μόνο θέσης
είναι εκείνες χωρίς εξωτερικά χρησιμοποιήσιμο όνομα.  Κατά την κλήση
μιας συνάρτησης που δέχεται παραμέτρους μόνο θέσης, τα ορίσματα
αντιστοιχίζονται σε παραμέτρους που βασίζονται αποκλειστικά στη θέση
τους. Για παράδειγμα η "divmod()" είναι μια συνάρτηση που δέχεται μόνο
παραμέτρους θέσης. Η τεκμηρίωσή τους μοιάζει με αυτό:

   >>> help(divmod)
   Help on built-in function divmod in module builtins:

   divmod(x, y, /)
       Return the tuple (x//y, x%y).  Invariant: div*y + mod == x.

Η κάθετος στο τέλος της λίστας παραμέτρων σημαίνει ότι και οι δύο
παράμετροι είναι μόνο θέσης. Επομένως, η κλήση της "divmod()" με
ορίσματα λέξεων κλειδιών θα οδηγούσε σε σφάλμα:

   >>> divmod(x=3, y=4)
   Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
   TypeError: divmod() takes no keyword arguments


Αριθμοί και συμβολοσειρές
=========================


Πώς προσδιορίζω δεκαεξαδικούς ή οκταδικούς ακέραιους αριθμούς;
--------------------------------------------------------------

Για να καθορίσετε έναν οκταδικό ψηφίο, προηγείται την οκταδικής τιμής
με ένα μηδέν, ¨και μετά ένα πεζό ή κεφαλαίο "o".  Για παράδειγμα, για
να ορίσετε τη μεταβλητή "a" στην οκταδική τιμή "10" (8 σε δεκαδικό),
πληκτρολογήστε:

   >>> a = 0o10
   >>> a
   8

Το δεκαεξαδικό είναι εξίσου εύκολο. Απλώς προηγείται του δεκαεξαδικού
αριθμού με ένα μηδέν, και μετά ένα πεζό ή κεφαλαίο "x".  Τα
δεκαεξαδικά ψηφία μπορούν να καθοριστούν με πεζά ή κεφαλαία. Για
παράδειγμα, στον διερμηνέα Python:

   >>> a = 0xa5
   >>> a
   165
   >>> b = 0XB2
   >>> b
   178


Γιατί το -22 // 10 επιστρέφει -3;
---------------------------------

Οφείλεται κυρίως στην επιθυμία που το "i % j" να έχει το ίδιο πρόσημο
με το "j". Εάν το θέλετε αυτό, και θέλετε επίσης:

   i == (i // j) * j + (i % j)

τότε η διαίρεση ακεραίου αριθμού πρέπει να επιστρέψει το υπόλοιπο.  Η
C απαιτεί επίσης να διατηρείται αυτή η ταυτότητα και, στη συνέχεια, οι
μεταγλωττιστές που περικόπτουν το "i // j" πρέπει να κάνουν το "i % j"
να έχει το ίδιο πρόσημο με το "i".

Υπάρχουν λίγες πραγματικές περιπτώσεις χρήσης για το "i % j" όταν το
"j" είναι αρνητικό.  Όταν το "j" είναι θετικό, υπάρχουν πολλές, και
σχεδόν όλες είναι πιο χρήσιμες για "i % j" να είναι ">= 0". Εάν το
ρολόι λέει 10 τι έλεγε πριν από 200 ώρες; "-190 % 12 == 2" είναι
χρήσιμο∙ το "-190 % 12 == -10" είναι ένα σφάλμα που περιμένει να
δαγκώσει.


Πώς μπορώ να πάρω το literal χαρακτηριστικό int αντί για το SyntaxError;
------------------------------------------------------------------------

Η προσπάθεια αναζήτησης ενός literal χαρακτηριστικού "int" με τον
κανονικό τρόπο δίνει ένα "SyntaxError" επειδή η περίοδος θεωρείται ως
υποδιαστολή:

   >>> 1.__class__
     File "<stdin>", line 1
     1.__class__
      ^
   SyntaxError: invalid decimal literal

Η λύση είναι να διαχωριστεί το literal από την τελεία είτε με κενό
είτε με παρένθεση.

>>> 1 .__class__
<class 'int'>
>>> (1).__class__
<class 'int'>


Πως μετατρέπω μια συμβολοσειρά σε έναν αριθμό;
----------------------------------------------

For integers, use the built-in "int()" type constructor, e.g.
"int('144') == 144".  Similarly, "float()" converts to floating-point,
e.g. "float('144') == 144.0".

Από προεπιλογή, αυτά ερμηνεύουν τον αριθμό ως δεκαδικό, έτσι ώστε
"int('0144') == 144" να είναι αληθές, και το "int('0x144')" να εγείρει
"ValueError". Το "int(string, base)" παίρνει τη βάση για μετατροπή ως
δεύτερο προαιρετικό όρισμα, οπότε το "int( '0x144', 16) == 324".  Εάν
η βάση έχει καθοριστεί ως 0, ο αριθμός ερμηνεύεται χρησιμοποιώντας
κανόνες της Python: ένα αρχικό '0o' υποδηλώνει οκταδικό , και το '0x'
δείχνει έναν δεκαεξαδικό αριθμό.

Μην χρησιμοποιείτε την ενσωματωμένη συνάρτηση "eval()" εάν το μόνο που
χρειάζεστε είναι να μετατρέψετε συμβολοσειρές σε αριθμούς.  "eval()"
θα είναι σημαντικά πιο αργή και παρουσιάζει κίνδυνο ασφαλείας: κάποιος
θα μπορούσε να σας μεταβιβάσει μια έκφραση Python που μπορεί να έχει
ανεπιθύμητες παρενέργειες.  Για παράδειγμα κάποιος θα μπορούσε να
περάσει το "__import__('os').system("rm -rf $HOME")" το οποίο θα
διαγράψει το home φάκελο.

"eval()" έχει επίσης ως αποτέλεσμα την ερμηνεία των αριθμών ως
εκφράσεις Python, έτσι ώστε π.χ. το "eval('09')" δίνει ένα συντακτικό
σφάλμα επειδή η Python δεν επιτρέπει την εισαγωγή του '0' σε έναν
δεκαδικό αριθμό (εκτός '0').


Πως μετατρέπω έναν αριθμό σε συμβολοσειρά;
------------------------------------------

Για να μετατρέψετε, πχ τον αριθμό "144" στη συμβολοσειρά "'144'",
χρησιμοποιείστε τον ενσωματωμένο τύπο κατασκευής "str()".  Εάν θέλετε
μια δεκαεξαδική ή οκταδική αναπαράσταση, χρησιμοποιήστε τις
ενσωματωμένες συναρτήσεις "hex()" ή "oct()".  Για φανταχτερή
μορφοποίηση, βλ. τις ενότητες Formatted string literals και Format
String Syntax π.χ. ""{:04d}".format(144)" αποδίδει "'0144'" και
""{:.3f}".format(1.0/3.0)" αποδίδει "'0.333'".


Πώς μπορώ να τροποποιήσω μια συμβολοσειρά στη θέση της;
-------------------------------------------------------

Δεν μπορείτε, γιατί οι συμβολοσειρές είναι αμετάβλητες. Στις
περισσότερες περιπτώσεις  θα πρέπει απλώς να δημιουργήσετε μια νέα
συμβολοσειρά από τα διάφορα μέρη από τα οποία θέλετε να τη
συναρμολογήσετε.  Ωστόσο, εάν χρειάζεστε ένα αντικείμενο με δυνατότητα
τροποποίησης δεδομένων unicode, δοκιμάστε να χρησιμοποιήσετε ένα
αντικείμενο "io.StringIO" ή το module "array":

   >>> import io
   >>> s = "Hello, world"
   >>> sio = io.StringIO(s)
   >>> sio.getvalue()
   'Hello, world'
   >>> sio.seek(7)
   7
   >>> sio.write("there!")
   6
   >>> sio.getvalue()
   'Hello, there!'

   >>> import array
   >>> a = array.array('u', s)
   >>> print(a)
   array('u', 'Hello, world')
   >>> a[0] = 'y'
   >>> print(a)
   array('u', 'yello, world')
   >>> a.tounicode()
   'yello, world'


Πως μπορώ να χρησιμοποιήσω συμβολοσειρές για να καλέσω συναρτήσεις/μεθόδους;
----------------------------------------------------------------------------

Υπάρχουν διάφορες τεχνικές.

* Το καλύτερο είναι να χρησιμοποιήσετε ένα λεξικό που αντιστοιχίζει
  συμβολοσειρές σε συναρτήσεις.  Το κύριο πλεονέκτημα αυτής της
  τεχνικής είναι ότι οι συμβολοσειρές δεν χρειάζεται να ταιριάζουν με
  τα ονόματα των συναρτήσεων.  Αυτή είναι επίσης η κύρια τεχνική που
  χρησιμοποιείται για την εξομοίωση μιας κατασκευής πεζών-κεφαλαίων:

     def a():
         pass

     def b():
         pass

     dispatch = {'go': a, 'stop': b}  # Note lack of parens for funcs

     dispatch[get_input()]()  # Note trailing parens to call function

* Χρησιμοποιείστε την ενσωματωμένη συνάρτηση "getattr()":

     import foo
     getattr(foo, 'bar')()

  Σημειώστε ότι το "getattr()" λειτουργεί σε οποιοδήποτε αντικείμενο,
  συμπεριλαμβανομένων κλάσεων, οντοτήτων κλάσεων, modules, και ούτω
  καθεξής.

  Αυτό χρησιμοποιείται σε πολλά σημεία της τυπικής βιβλιοθήκης, όπως
  αυτό:

     class Foo:
         def do_foo(self):
             ...

         def do_bar(self):
             ...

     f = getattr(foo_instance, 'do_' + opname)
     f()

* Χρησιμοποιήστε το "locals()" για να επιλύσετε το όνομα της
  συνάρτησης:

     def myFunc():
         print("hello")

     fname = "myFunc"

     f = locals()[fname]
     f()


Is there an equivalent to Perl's chomp() for removing trailing newlines from strings?
-------------------------------------------------------------------------------------

Μπορείτε να χρησιμοποιήσετε το "S.rstrip("\r\n")" για να αφαιρέσετε
όλες τις εμφανίσεις οποιουδήποτε terminator γραμμής από το τέλος της
συμβολοσειράς "S" χωρίς να αφαιρέσετε άλλα κενά.  Η συμβολοσειρά "S"
αντιπροσωπεύει περισσότερες από μία γραμμές στο τέλος, οι terminators
γραμμής για όλες τις κενές γραμμές θα αφαιρεθούν:

   >>> lines = ("line 1 \r\n"
   ...          "\r\n"
   ...          "\r\n")
   >>> lines.rstrip("\n\r")
   'line 1 '

Δεδομένου ότι αυτό είναι συνήθως επιθυμητό μόνο κατά την ανάγνωση
κειμένου μία γραμμή τη φορά, η χρήση του "S.rstrip()" λειτουργεί καλά.


Is there a scanf() or sscanf() equivalent?
------------------------------------------

Όχι ως τέτοιο.

For simple input parsing, the easiest approach is usually to split the
line into whitespace-delimited words using the "split()" method of
string objects and then convert decimal strings to numeric values
using "int()" or "float()".  "split()" supports an optional "sep"
parameter which is useful if the line uses something other than
whitespace as a separator.

Για πιο περίπλοκη ανάλυση εισόδου, τα regular expressions είναι πιο
ισχυρά από τις "sscanf" της C και είναι πιο κατάλληλες για την
εργασία.


What does 'UnicodeDecodeError' or 'UnicodeEncodeError' error  mean?
-------------------------------------------------------------------

Βλ το Unicode HOWTO.


Μπορώ να τερματίσω μια ακατέργαστη συμβολοσειρά με περιττό αριθμό backslashes;
------------------------------------------------------------------------------

Μια ακατέργαστη συμβολοσειρά που τελειώνει με περιττό αριθμό
backslashes θα ξεφύγει από το απόσπασμα της συμβολοσειράς:

   >>> r'C:\this\will\not\work\'
     File "<stdin>", line 1
       r'C:\this\will\not\work\'
            ^
   SyntaxError: unterminated string literal (detected at line 1)

Υπάρχουν αρκετές λύσεις για αυτό.  Ο ένας είναι να χρησιμοποιήσετε
κανονικές συμβολοσειρές και να διπλασιάσετε τα backslashes:

   >>> 'C:\\this\\will\\work\\'
   'C:\\this\\will\\work\\'

Ένα άλλο είναι να συνδέσετε μια κανονική συμβολοσειρά που περιέχει ένα
escaped backslash στην ακατέργαστη συμβολοσειρά:

   >>> r'C:\this\will\work' '\\'
   'C:\\this\\will\\work\\'

Είναι επίσης δυνατό να χρησιμοποιήσετε το "os.path.join()" για να
προσθέσετε ένα backslash στα Windows:

   >>> os.path.join(r'C:\this\will\work', '')
   'C:\\this\\will\\work\\'

Λάβετε υπόψη ότι ενώ ένα backslash θα "escape" από ένα εισαγωγικό για
τον προσδιορισμό του σημείου που τελειώνει η ακατέργαστη συμβολοσειρά,
δεν υπάρχει διαφυγή κατά την ερμηνεία της τιμής της ακατέργαστης
συμβολοσειράς. Δηλαδή, το backslash παραμένει παρόν στην τιμή της
ακατέργαστης συμβολοσειράς:

   >>> r'backslash\'preserved'
   "backslash\\'preserved"

Δείτε επίσης την προδιαγραφή στην language reference.


Απόδοση
=======


Το πρόγραμμα μου είναι πολύ αργό. Πως μπορώ να το επιταχύνω;
------------------------------------------------------------

Αυτό είναι δύσκολο, γενικά. Πρώτον, εδώ είναι μια λίστα με πράγματα
που πρέπει να θυμάστε πριν βουτήξετε περαιτέρω:

* Τα χαρακτηριστικά απόδοσης διαφέρουν μεταξύ των υλοποιήσεων Python.
  Αυτή η FAQ εστιάζει στο *CPython*.

* Η συμπεριφορά μπορεί να διαφέρει μεταξύ των λειτουργικών συστημάτων,
  ειδικά όταν μιλάμε για I/O ή multi-threading.

* Θα πρέπει πάντα να βρίσκετε τα hot spot στο πρόγραμμά σας *πριν*
  επιχειρήσετε να βελτιστοποιήσετε οποιονδήποτε κώδικα (βλ. το module
  "profile").

* Η σύνταξη σεναρίων συγκριτικής αξιολόγησης θα σας επιτρέψει να
  κάνετε iterate γρήγορα κατά την αναζήτηση βελτιώσεων (βλ. το module
  "timeit").

* Συνίσταται ανεπιφύλακτα να έχετε καλή κάλυψη κώδικα (μέσω unit
  testing ή οποιασδήποτε άλλης τεχνικής) πριν από την πιθανή εισαγωγή
  κρυμμένων παλινδρομήσεων (regressions) σε εξελιγμένες
  βελτιστοποιήσεις.

Τούτου λεχθέντος, υπάρχουν πολλά κόλπα για την επιτάχυνση του κώδικα
Python.  Ακολουθούν ορισμένες γενικές αρχές που βοηθούν πολύ στην
επίτευξη αποδεκτών επιπέδων απόδοσης:

* Το να κάνετε τους αλγορίθμους σας πιο γρήγορους (ή να αλλάξετε σε
  ταχύτερους) μπορεί να αποφέρει πολύ μεγαλύτερα οφέλη από το να
  προσπαθείτε να σκορπίσετε κόλπα μικρό βελτιστοποίησης σε όλο τον
  κώδικά σας.

* Χρησιμοποιήστε τις σωστές δομές δεδομένων. Μελετήστε την τεκμηρίωση
  για το Τύποι Built-in και το module "collections".

* Όταν η τυπική βιβλιοθήκη παρέχει ένα πρωτόγονο για να κάνετε κάτι,
  είναι πιθανό (αν και δεν είναι εγγυημένο) να είναι πιο γρήγορο από
  οποιαδήποτε εναλλακτική λύση που μπορείτε να βρείτε. Αυτό ισχύει
  διπλά για πρωτόγονα γραμμένα σε C, όπως ενσωματωμένα και ορισμένους
  τύπους επεκτάσεων.  Για παράδειγμα, φροντίστε να χρησιμοποιήσετε
  είτε την ενσωματωμένη μέθοδο "list.sort()" είτε τη σχετική συνάρτηση
  "sorted()" για να κάνετε ταξινόμηση (και δείτε το Sorting HOW TO για
  παραδείγματα μέτριος προηγμένης χρήσης).

* Οι αφαιρέσεις τείνουν να δημιουργούν έμμεσες κατευθύνσεις και
  αναγκάζουν τον διερμηνέα να εργαστεί περισσότερο.  Εάν τα επίπεδα
  της έμμεσης κατεύθυνσης υπερτερούν του όγκου της χρήσιμης εργασίας
  που γίνεται, το πρόγραμμα σας θα είναι πιο αργό. Θα πρέπει να
  αποφύγετε την υπερβολική αφαίρεση, ειδικά με τη μορφή μικροσκοπικών
  συναρτήσεων ή μεθόδων (που είναι επίσης συχνά επιζήμια για την
  αναγνωσιμότητα).

Εάν έχετε φτάσει στο όριο του τι μπορεί να επιτρέπει η καθαρή Python,
υπάρχουν εργαλεία που θα σας απομακρύνουν.  Για παράδειγμα, το Cython
μπορεί να μεταγλωττίσει μια ελαφρώς τροποποιημένη έκδοση του κώδικα
Python σε μια επέκταση C, και μπορεί να χρησιμοποιηθεί σε πολλές
διαφορετικές πλατφόρμες. Η Cython μπορεί να εκμεταλλευτεί την
μεταγλώττιση (και τους προαιρετικούς σχολιασμούς) για να κάνει τον
κώδικα σας πολύ πιο γρήγορο από όταν ερμηνεύεται.  Εάν είστε σίγουροι
για τις δεξιότητές σας στον προγραμματισμό C, μπορείτε επίσης να write
a C extension module μόνοι σας.

Δείτε επίσης:

  Η σελίδα wiki που είναι αφιερωμένη σε συμβουλές απόδοσης.


Ποιος είναι ο πιο αποτελεσματικός τρόπος για να συνδέσετε πολλές συμβολοσειρές μεταξύ τους;
-------------------------------------------------------------------------------------------

Τα αντικείμενα "str" και "bytes" είναι αμετάβλητα, επομένως η σύνδεση
πολλών συμβολοσειρών μεταξύ τους είναι αναποτελεσματική καθώς κάθε
συνένωση δημιουργεί ένα νέο αντικείμενο.  Στη γενική περίπτωση, το
συνολικό κόστος χρόνου εκτέλεσης είναι τετραγωνικό στο συνολικό μήκος
συμβολοσειράς.

Για να συγκεντρώσετε πολλά αντικείμενα "str", το προτεινόμενο ιδίωμα
είναι να τα τοποθετήσετε σε μια λίστα και να καλέσετε το στο
"str.join()" τέλος:

   chunks = []
   for s in my_strings:
       chunks.append(s)
   result = ''.join(chunks)

(ένα άλλο λογικά αποτελεσματικό ιδίωμα είναι να χρησιμοποιήσετε το
"io.StringIO")

Για τη συγκέντρωση πολλών αντικειμένων "bytes", το συνιστώμενο ιδίωμα
είναι η επέκταση ενός αντικειμένου "bytearray" χρησιμοποιώντας
επιτόπια συνένωση (ο τελεστής "+="):

   result = bytearray()
   for b in my_bytes_objects:
       result += b


Ακολουθίες (Πλειάδες/Λίστες)
============================


Πως μπορώ να κάνω μετατροπή μεταξύ πλειάδων και λιστών;
-------------------------------------------------------

Ο κατασκευαστής τύπου "tuple(seq)" μετατρέπει οποιαδήποτε ακολουθία
(στην πραγματικότητα οποιοδήποτε iterable) σε πλειάδα με τα ίδια
στοιχεία στην ίδια σειρά.

Για παράδειγμα, το "tuple([1, 2, 3])" αποδίδει "(1, 2, 3)" και το
"tuple('abc')" αποδίδει "('a', 'b', 'c')".  Εάν το όρισμα είναι
πλειάδα, δεν δημιουργεί αντίγραφο αλλά επιστρέφει το ίδιο αντικείμενο,
επομένως είναι φτηνό να καλέσετε το "tuple()" όταν δεν είστε σίγουροι
ότι ένα αντικείμενο είναι ήδη πλειάδα.

Ο κατασκευαστής τύπων "list(seq)" μετατρέπει οποιαδήποτε ακολουθία ή
iterable σε μια λίστα με τα ίδια στοιχεία στην ίδια σειρά. Για
παράδειγμα, το "list((1, 2, 3))" αποδίδει "[1, 2, 3]" και
"list('abc')" αποδίδει "['a', 'b', 'c']".  Αν το όρισμα είναι λίστα,
δημιουργεί απλώς ένα αντίγραφο όπως θα έκανε το "seq[:]".


Τι είναι αρνητικός δείκτης;
---------------------------

Οι ακολουθίες Python indexed με θετικούς αριθμούς και αρνητικούς
αριθμούς.  Για θετικούς αριθμούς το 0 είναι ο πρώτος δείκτης 1 είναι ο
δεύτερος δείκτης και ούτω καθεξής.  Για αρνητικούς δείκτες το -1 είναι
ο τελευταίος δείκτης και το -2 είναι ο προτελευταίος (δίπλα στο
τελευταίο) δείκτης και ούτω καθεξής.  Σκεφτείτε το "seq[-n]" ως το
ίδιο με το "seq[len(seq)-n]".

Η χρήση αρνητικών δεικτών μπορεί ναι είναι πολύ βολική.  Για
παράδειγμα "S[:-1]" είναι όλη η συμβολοσειρά εκτός από τον τελευταίο
χαρακτήρα της, ο οποίος είναι χρήσιμος για την αφαίρεση της νέας
γραμμής που ακολουθεί μια συμβολοσειρά.


Πώς μπορώ να επαναλάβω μια ακολουθία με αντίστροφη σειρά;
---------------------------------------------------------

Χρησιμοποιείστε την ενσωματωμένη συνάρτηση "reversed()":

   for x in reversed(sequence):
       ...  # do something with x ...

Αυτό δεν θα επηρεάσει την αρχική σας ακολουθία, αλλά δημιουργήστε ένα
νέο αντίγραφο με αντίστροφη σειρά για επανάληψη.


Πως αφαιρείτε διπλότυπα από μια λίστα;
--------------------------------------

Δείτε το Python Cookbook για μια μακρά συζήτηση σχετικά με πολλούς
τρόπους για να το κάνετε αυτό:

   https://code.activestate.com/recipes/52560/

Εάν δεν σας πειράζει να αναδιατάξετε τη λίστα, ταξινομήστε την και
μετά σαρώστε από το τέλος της λίστας, διαγράφοντας τα διπλότυπα καθώς
προχωράτε:

   if mylist:
       mylist.sort()
       last = mylist[-1]
       for i in range(len(mylist)-2, -1, -1):
           if last == mylist[i]:
               del mylist[i]
           else:
               last = mylist[i]

Εάν όλα τα στοιχεία της λίστας μπορούν να χρησιμοποιηθούν ως κλειδιά
συνόλου (δηλαδή είναι όλα τα *hashable*) αυτό είναι συχνά πιο γρήγορο:

   mylist = list(set(mylist))

Αυτό μετατρέπει τη λίστα σε ένα σύνολο, αφαιρώντας έτσι τα διπλότυπα
και στη συνέχεια ξανά σε λίστα.


Πως αφαιρείτε πολλαπλά στοιχεία από μία λίστα
---------------------------------------------

Όπως και με την κατάργηση των διπλότυπων, το ρητό iterating αντίστροφα
με μια συνθήκη διαγραφής είναι μια πιθανότητα.  Ωστόσο, είναι
ευκολότερο και πιο γρήγορο να χρησιμοποιήσετε την αντικατάσταση
τμημάτων με ένα έμμεσο ή ρητώς προς τα εμπρός iteration.  Ακολουθούν
τρεις παραλλαγές:

   mylist[:] = filter(keep_function, mylist)
   mylist[:] = (x for x in mylist if keep_condition)
   mylist[:] = [x for x in mylist if keep_condition]

Το comprehension της λίστας μπορεί να είναι ταχύτερο.


Πως μπορείτε να φτιάξετε έναν πίνακα στην Python;
-------------------------------------------------

Χρησιμοποιήστε μια λίστα:

   ["this", 1, "is", "an", "array"]

Οι λίστες είναι ισοδύναμες με τους πίνακες της C ή Pascal στην χρονική
τους πολυπλοκότητα∙ η κύρια διαφορά είναι ότι μια λίστα Python μπορεί
να περιέχει αντικείμενα πολλών διαφορετικών τύπων.

Το module "array" παρέχει επίσης μεθόδους για τη δημιουργία πινάκων
σταθερών τύπων με συμπαγείς αναπαραστάσεις, αλλά είναι πιο αργές στην
ευρετηρίαση από τις λίστες.  Σημειώστε επίσης ότι το NumPy και άλλο
πακέτα τρίτων, ορίζουν δομές τύπους array με διάφορα χαρακτηριστικά
επίσης.

Για να λάβετε συνδεδεμένες λίστες τύπου Lisp, μπορείτε να εξομοιώσετε
*cons κελιά* χρησιμοποιώντας πλειάδες:

   lisp_list = ("like",  ("this",  ("example", None) ) )

Εάν είναι επιθυμητή η μεταβλητότητα, μπορείτε να χρησιμοποιήσετε
λίστες αντί για πλειάδες.  Εδώ το ανάλογο ενός Lisp *car* είναι
"lisp_list[0]" και το ανάλογο του *cdr* είναι "lisp_list[1]".  Μόνο
κάντε το αν είστε βέβαιοι ότι πραγματικά χρειάζεται, γιατί είναι
συνήθως πιο αργό και από τη χρήση λιστών Python.


Πως φτιάχνω μια πολυδιάστατη λίστα;
-----------------------------------

Μάλλον προσπαθήσατε να φτιάξετε έναν πολυδιάστατο πίνακα σαν αυτόν:

   >>> A = [[None] * 2] * 3

Αυτό φαίνεται σωστό αν το εκτυπώσετε:

   >>> A
   [[None, None], [None, None], [None, None]]

Αλλά όταν εκχωρείτε μια τιμή, εμφανίζεται σε πολλά σημεία:

   >>> A[0][0] = 5
   >>> A
   [[5, None], [5, None], [5, None]]

Ο λόγος είναι ότι η αναπαραγωγή μιας λίστα με "*" δεν δημιουργεί
αντίγραφα, δημιουργεί μόνο αναφορές στα υπάρχοντα αντικείμενα.  Το
"*3" δημιουργεί μια λίστα που περιέχει 3 αναφορές στην ίδια λίστα
μήκους δύο.  Οι αλλαγές σε μία σειρά θα εμφανίζονται σε όλες τις
σειρές, κάτι που σχεδόν σίγουρα δεν είναι αυτό που θέλετε.

Η προτεινόμενη προσέγγιση είναι να δημιουργήσετε πρώτα μια λίστα με το
επιθυμητό μήκος και στη συνέχεια να συμπληρώσετε κάθε στοιχείο με μια
νέα λίστα:

   A = [None] * 3
   for i in range(3):
       A[i] = [None] * 2

Αυτό δημιουργεί μια λίστα που περιέχει 3 διαφορετικές λίστες με μήκος
δύο.  Μπορείτε επίσης να χρησιμοποιήσετε ένα comprehension λίστας:

   w, h = 2, 3
   A = [[None] * w for i in range(h)]

Εναλλακτικά, μπορείτε να χρησιμοποιήσετε μια επέκταση που παρέχει έναν
τύπο δεδομένων μήτρας (matrix)∙ Το NumPy είναι το πιο γνωστό.


How do I apply a method to a sequence of objects?
-------------------------------------------------

Use a list comprehension:

   result = [obj.method() for obj in mylist]


Γιατί το a_tuple[i] += ['item'] δημιουργεί μια εξαίρεση όταν λειτουργεί η προσθήκη;
-----------------------------------------------------------------------------------

Αυτό οφείλεται σε έναν συνδυασμό του γεγονότος ότι οι επαυξημένοι
τελεστές εκχώρησης είναι τελεστές *εκχώρησης* και της διαφοράς μεταξύ
μεταβλητών και αμετάβλητων αντικειμένων στην Python.

Αυτή η συζήτηση ισχύει γενικά όταν οι επαυξημένοι τελεστές εκχώρησης
εφαρμόζονται σε στοιχεία μιας πλειάδας που δείχνουν σε μεταβλητά
αντικείμενα, αλλά θα χρησιμοποιήσουμε "list" και "+=" ως υπόδειγμά
μας.

Εάν γράψετε:

   >>> a_tuple = (1, 2)
   >>> a_tuple[0] += 1
   Traceback (most recent call last):
      ...
   TypeError: 'tuple' object does not support item assignment

Ο λόγος για την εξαίρεση θα πρέπει να είναι αμέσως σαφής:  το "1"
προστίθεται στο αντικείμενο "a_tuple[0]" δείχνει στο ("1"), παράγοντας
το αντικείμενο αποτελέσματος, "2", αλλά όταν προσπαθούμε να
αντιστοιχίσουμε το αποτέλεσμα του υπολογισμού, "2", στο στοιχείο "0"
της πλειάδας, λαμβάνουμε ένα σφάλμα επειδή δεν μπορούμε να αλλάξουμε
αυτό που δείχνει ένα στοιχείο μιας πλειάδας.

Κάτω από τα καλύμματα, αυτό που κάνει αυτή η επαυξημένη δήλωση
ανάθεσης είναι περίπου το εξής:

   >>> result = a_tuple[0] + 1
   >>> a_tuple[0] = result
   Traceback (most recent call last):
     ...
   TypeError: 'tuple' object does not support item assignment

Είναι το τμήμα ανάθεσης της λειτουργίας που παράγει το σφάλμα, αφού
μια πλειάδα είναι αμετάβλητη.

Όταν γράφετε κάτι σαν:

   >>> a_tuple = (['foo'], 'bar')
   >>> a_tuple[0] += ['item']
   Traceback (most recent call last):
     ...
   TypeError: 'tuple' object does not support item assignment

Η εξαίρεση είναι λίγο πιο εκπληκτική, και ακόμη πιο εκπληκτικό είναι
το γεγονός ότι παρόλο που υπήρχε ένα σφάλμα, το παράρτημα λειτούργησε:

   >>> a_tuple[0]
   ['foo', 'item']

To see why this happens, you need to know that (a) if an object
implements an "__iadd__()" magic method, it gets called when the "+="
augmented assignment is executed, and its return value is what gets
used in the assignment statement; and (b) for lists, "__iadd__()" is
equivalent to calling "extend()" on the list and returning the list.
That's why we say that for lists, "+=" is a "shorthand" for
"list.extend()":

   >>> a_list = []
   >>> a_list += [1]
   >>> a_list
   [1]

Αυτό ισοδυναμεί με:

   >>> result = a_list.__iadd__([1])
   >>> a_list = result

Το αντικείμενο στο οποίο υποδεικνύεται από το a_list έχει μεταλλαχθεί
και ο δείκτης στο μεταλλαγμένο αντικείμενο έχει εκχωρηθεί πίσω στο
"a_list".  Το τελικό αποτέλεσμα της ανάθεσης είναι ένα no-op, καθώς
είναι ένας δείκτης στο ίδιο αντικείμενο που το "a_list" έδειχνε
προηγουμένως, αλλά η ανάθεση εξακολουθεί να γίνεται.

Έτσι, στο παράδειγμά μας, αυτό που συμβαίνει είναι ισοδύναμο με:

   >>> result = a_tuple[0].__iadd__(['item'])
   >>> a_tuple[0] = result
   Traceback (most recent call last):
     ...
   TypeError: 'tuple' object does not support item assignment

Το "__iadd__()" πετυχαίνει, και έτσι η λίστα επεκτείνεται, αλλά παρόλο
που το "αποτέλεσμα" δείχνει στο ίδιο αντικείμενο που δείχνει ήδη το
"a_tuple[0]", αυτή η τελική ανάθεση εξακολουθεί να έχει ως αποτέλεσμα
ένα λάθος, γιατί οι πλειάδες είναι αμετάβλητες.


Θέλω να κάνω μια περίπλοκη ταξινόμηση: μπορείτε να κάνετε ένα Schwartzian Transform στην Python;
------------------------------------------------------------------------------------------------

Η τεχνική, που αποδίδεται στον Randal Schwartz της κοινότητας Perl,
ταξινομεί τα στοιχεία μιας λίστας με βάση μια μέτρηση που
αντιστοιχίζει κάθε στοιχείο στην " τιμή ταξινόμησης" του.  Στην
Python, χρησιμοποιήστε το όρισμα "key" για τη μέθοδο "list.sort()":

   Isorted = L[:]
   Isorted.sort(key=lambda s: int(s[10:15]))


Πως μπορώ να ταξινομήσω μια λίστα με βάση τις τιμές από μια άλλη λίστα;
-----------------------------------------------------------------------

Συγχωνεύστε τα σε έναν iterator πλειάδων, ταξινομήστε τη λίστα που
προκύπτει και, στην συνέχεια επιλέξτε το στοιχείο που θέλετε.

   >>> list1 = ["what", "I'm", "sorting", "by"]
   >>> list2 = ["something", "else", "to", "sort"]
   >>> pairs = zip(list1, list2)
   >>> pairs = sorted(pairs)
   >>> pairs
   [("I'm", 'else'), ('by', 'sort'), ('sorting', 'to'), ('what', 'something')]
   >>> result = [x[1] for x in pairs]
   >>> result
   ['else', 'sort', 'to', 'something']


Αντικείμενα
===========


Τι είναι μια κλάση;
-------------------

Μια κλάση είναι ο συγκεκριμένος τύπος αντικειμένου που δημιουργείται
με την εκτέλεση μιας δήλωσης κλάσης. Τα αντικείμενα κλάσης
χρησιμοποιούνται ως πρότυπα για τη δημιουργία αντικειμένων παρουσίας,
τα οποία ενσωματώνουν τόσο τα δεδομένα (χαρακτηριστικά) όσο και τον
κώδικα (μεθόδους) ειδικά για έναν τύπο δεδομένων.

Μια κλάση μπορεί να βασίζεται σε μία ή περισσότερες άλλες κλάσεις, που
ονομάζονται βασικές κλάσεις της. Στη συνέχεια κληρονομεί τα
χαρακτηριστικά και τις μεθόδους των βασικών κλάσεων. Αυτό επιτρέπει σε
ένα μοντέλο αντικειμένου να βελτιωθεί διαδοχικά με κληρονομικότητα.
Μπορεί να έχετε μια γενική κλάση "Mailbox" που παρέχει βασικές
μεθόδους πρόσβασης για ένα γραμματοκιβώτιο και υποκλάσεις όπως
"MboxMailbox", "MaildirMailbox", "OutlookMailbox" που χειρίζονται
διάφορες συγκεκριμένες μορφές γραμματοκιβωτίου.


Τι είναι μια μέθοδος;
---------------------

Μια μέθοδος είναι μια συνάρτηση σε κάποιο αντικείμενο "x" που συνήθως
καλείτε ως "x.name(ορίσματα...)". Οι μέθοδοι ορίζονται ως συναρτήσεις
εντός του ορισμού κλάσης:

   class C:
       def meth(self, arg):
           return arg * 2 + self.attribute


Τι είναι το self;
-----------------

Το self είναι απλώς ένα συμβατικό όνομα για το πρώτο όρισμα μιας
μεθόδου.  Μια μέθοδος που ορίζεται ως "meth(self, a, b, c)" πρέπει να
ονομάζεται "x.meth(a, b, c)" για κάποιο παράδειγμα "x" της κλάσης στην
οποία εμφανίζεται ο ορισμός∙ η καλούμενη μέθοδος θα ονομάζεται
"meth(x, a, b, c)".

Βλ. επίσης Why must 'self' be used explicitly in method definitions
and calls?.


Πώς μπορώ να ελέγξω εάν ένα αντικείμενο είναι μια οντότητα μιας δεδομένης κλάσης ή μιας υποκλάσης της;
------------------------------------------------------------------------------------------------------

Χρησιμοποιήστε την ενσωματωμένη συνάρτηση "isinstance(obj, cls)".
Μπορείτε να ελέγξετε εάν ένα αντικείμενο είναι μια παρουσία
οποιασδήποτε από έναν αριθμό κλάσεων παρέχοντας μια πλειάδα αντί για
μια μεμονωμένη κλάση, π.χ. "isinstance(obj, (class1, class2, ...))",
και μπορεί επίσης να ελέγξει εάν ένα αντικείμενο είναι ένας από τους
ενσωματωμένους τύπους της Python, π.χ. "isinstance(obj, str)" ή
"isinstance(obj, (int, float, complex))".

Λάβετε υπόψη ότι το "isinstance()" ελέγχει επίσης για εικονική
κληρονομικότητα από μια *abstract base class*.  Έτσι, η δοκιμή θα
επιστρέψει "True" για μια εγγεγραμμένη κλάση ακόμα κι αν δεν έχει
κληρονομήσει άμεσα ή έμμεσα από αυτό.  Για να ελέγξετε μια "αληθινή
κληρονομικότητα", σαρώστε το *MRO* της κλάσης:

   from collections.abc import Mapping

   class P:
        pass

   class C(P):
       pass

   Mapping.register(P)

   >>> c = C()
   >>> isinstance(c, C)        # direct
   True
   >>> isinstance(c, P)        # indirect
   True
   >>> isinstance(c, Mapping)  # virtual
   True

   # Actual inheritance chain
   >>> type(c).__mro__
   (<class 'C'>, <class 'P'>, <class 'object'>)

   # Test for "true inheritance"
   >>> Mapping in type(c).__mro__
   False

Λάβετε υπόψη ότι τα περισσότερα προγράμματα δεν χρησιμοποιούν το
"isinstance()" σε κλάσεις που ορίζονται από τη χρήστη πολύ συχνά.  Εάν
αναπτύσσετε μόνοι σας τις κλάσεις, ένα πιο σωστό αντικειμενοστρεφής
στυλ είναι να ορίζετε μεθόδους στις κλάσεις που ενσωματώνουν μια
συγκεκριμένη συμπεριφορά, αντί να ελέγχετε την κλάση του αντικειμένου
και να κάνετε κάτι διαφορετικό με βάση την κλάση που είναι, για
παράδειγμα, εάν έχετε μια συνάρτηση που κάνει κάτι:

   def search(obj):
       if isinstance(obj, Mailbox):
           ...  # code to search a mailbox
       elif isinstance(obj, Document):
           ...  # code to search a document
       elif ...

Μια καλύτερη προσέγγιση είναι να ορίσετε μια μέθοδο "search()" σε όλες
τις κλάσεις και απλώς να την καλέσετε:

   class Mailbox:
       def search(self):
           ...  # code to search a mailbox

   class Document:
       def search(self):
           ...  # code to search a document

   obj.search()


Τι είναι το delegation;
-----------------------

Το delegation είναι μια αντικειμενοστραφής τεχνική (ονομάζεται επίσης
μοτίβο σχεδίασης). Ας υποθέσουμε ότι έχετε ένα αντικείμενο "x" και
θέλετε να αλλάξετε τη συμπεριφορά μιας μόνο από τις μεθόδους του.
Μπορείτε να δημιουργήσετε μια νέα κλάση που παρέχει μια νέα υλοποίηση
της μεθόδου που σας ενδιαφέρει να αλλάξετε και εκχωρεί όλες τις άλλες
μεθόδους στην αντίστοιχη μέθοδο του "x".

Οι προγραμματιστές Python μπορούν εύκολα να υλοποιήσουν την ανάθεση.
Για παράδειγμα, η ακόλουθη κλάση υλοποιεί μια κλάση που συμπεριφέρεται
σαν αρχείο αλλά μετατρέπει όλα τα γραπτά δεδομένα σε κεφαλαία:

   class UpperOut:

       def __init__(self, outfile):
           self._outfile = outfile

       def write(self, s):
           self._outfile.write(s.upper())

       def __getattr__(self, name):
           return getattr(self._outfile, name)

Εδώ η κλάση "UpperOut" επαναπροσδιορίζει τη μέθοδο "write()" για να
μετατρέψει τη συμβολοσειρά ορίσματος σε κεφαλαία πριν καλέσει την
υποκείμενη μέθοδο "self._outfile.write()".  Όλες οι άλλες μέθοδοι
εκχωρούνται στο υποκείμενο αντικείμενο "self._outfile".  Το delegation
ολοκληρώνεται μέσω της μεθόδου "__getattr__()". Συμβουλευτείτε το the
language reference για περισσότερες πληροφορίες σχετικά με τον έλεγχο
της πρόσβασης.

Λάβετε υπόψη ότι για πιο γενικές περιπτώσεις η ανάθεση μπορεί να γίνει
πιο δύσκολη. Όταν τα χαρακτηριστικά πρέπει να οριστούν καθώς και να
ανακτηθούν, η κλάση πρέπει να ορίσει μια μέθοδο "__setattr__()"
επίσης, και πρέπει να το κάνει προσεκτικά.  Η βασική υλοποίηση του
"__setattr__()" είναι περίπου ισοδύναμο με το εξής:

   class X:
       ...
       def __setattr__(self, name, value):
           self.__dict__[name] = value
       ...

Most "__setattr__()" implementations must modify "self.__dict__" to
store local state for self without causing an infinite recursion.


Πώς μπορώ να καλέσω μια μέθοδο που ορίζεται σε μια βασική κλάση από μια παράγωγη κλάση που την επεκτείνει;
----------------------------------------------------------------------------------------------------------

Χρησιμοποιήστε την ενσωματωμένη συνάρτηση "super()":

   class Derived(Base):
       def meth(self):
           super().meth()  # calls Base.meth

Στο παράδειγμα, το "super()" θα προσδιορίσει αυτόματα το στιγμιότυπο
από το οποίο κλήθηκε (η τιμή "self"), αναζητήστε τη *method resolution
order* (MRO) με "type(self).__mro__", και επιστρέψτε το επόμενο στη
σειρά μετά το "Derived" στο MRO: "Base".


Πως μπορώ να οργανώσω τον κώδικα μου προκειμένου να διευκολύνω την αλλαγή της βασικής κλάσης;
---------------------------------------------------------------------------------------------

Θα μπορούσατε να αντιστοιχίσετε τη βασική κλάση σε ένα ψευδώνυμο και
να προκύψει το ψευδώνυμο.  Στην συνέχεια, το μόνο που πρέπει να
αλλάξετε είναι η τιμή που έχει εκχωρηθεί ψευδώνυμο.  Παρεμπιπτόντως,
αυτό το κόλπο είναι επίσης χρήσιμο εάν θέλετε να αποφασίσετε δυναμικά
(π.χ. ανάλογα με την διαθεσιμότητα των πόρων) ποια βασική κλάση να
χρησιμοποιήσετε  Παράδειγμα:

   class Base:
       ...

   BaseAlias = Base

   class Derived(BaseAlias):
       ...


Πως δημιουργώ δεδομένα στατικής κλάσης και μεθόδους στατικής κλάσης;
--------------------------------------------------------------------

Τόσο τα στατιστικά δεδομένα όσο και οι στατικές μέθοδοι (με την έννοια
της C++ ή της Java) υποστηρίζονται στην Python.

Για στατικά δεδομένα, απλώς ορίστε ένα χαρακτηριστικό κλάσης.  Για να
εκχωρήσετε μια νέα τιμή στο χαρακτηριστικό, πρέπει να χρησιμοποιήσετε
ρητά το όνομα κλάσης στην εκχώρηση:

   class C:
       count = 0   # number of times C.__init__ called

       def __init__(self):
           C.count = C.count + 1

       def getcount(self):
           return C.count  # or return self.count

Το "c.count" αναφέρεται επίσης στο "C.count" για οποιοδήποτε "c", έτσι
ώστε να ισχύει το "isinstance(c, C)", εκτός εάν παρακαμφθεί από το
ίδιο το "c" ή από κάποια κλάση στη διαδρομή αναζήτησης της βασικής
κλάσης από το "c.__class__" πίσω στο "C".

Προσοχή: σε μια μέθοδο του C, μια ανάθεση όπως "self.count = 42"
δημιουργεί μια νέα και άσχετη παρουσία με το όνομα "count" στο δικό
του dict του "self".  Επανασύνδεση μιας κλάσης-στατικής όνομα
δεδομένων πρέπει πάντα να προσδιορίζει την κλάση είτε βρίσκεται μέσα
σε μια μέθοδο είτε όχι:

   C.count = 314

Οι στατικές μέθοδοι είναι δυνατές:

   class C:
       @staticmethod
       def static(arg1, arg2, arg3):
           # No 'self' parameter!
           ...

Ωστόσο, ένας πολύ πιο απλός τρόπος για να λάβετε το αποτέλεσμα μιας
στατικής μεθόδου είναι μέσω μιας απλής συνάρτησης σε επίπεδο μονάδας:

   def getcount():
       return C.count

Εάν ο κώδικας σας είναι δομημένος έτσι ώστε να ορίζει μία κλάση (ή
στενά συνδεδεμένη ιεραρχίας κλάσεων) ανά module, αυτό παρέχει την
επιθυμητή ενθυλάκωση.


Πως μπορώ να υπερφορτώσω κατασκευαστές (ή μεθόδους) στην Python;
----------------------------------------------------------------

Αυτή η απάντηση ισχύει στην πραγματικότητα για όλες τις μεθόδους, αλλά
η ερώτηση συνήθως εμφανίζεται πρώτη στο πλαίσιο των κατασκευαστών.

Στην C++ θα γράφατε

   class C {
       C() { cout << "No arguments\n"; }
       C(int i) { cout << "Argument is " << i << "\n"; }
   }

Στην Python πρέπει να γράψετε έναν μοναδικό κατασκευαστή που να πιάνει
όλες τις περιπτώσεις χρησιμοποιώντας προεπιλεγμένα ορίσματα.  Για
παράδειγμα:

   class C:
       def __init__(self, i=None):
           if i is None:
               print("No arguments")
           else:
               print("Argument is", i)

Αυτό δεν είναι εντελώς ισοδύναμο, αλλά αρκετά κοντά στην πράξη.

Θα μπορούσατε επίσης να δοκιμάσετε μια λίστα ορισμάτων μεταβλητού
μήκους, π.χ.

   def __init__(self, *args):
       ...

Η ίδια προσέγγιση λειτουργεί για όλους τους ορισμούς μεθόδων.


Προσπαθώ να χρησιμοποιήσω __spam και λαμβάνω ένα σφάλμα σχετικά με το _SomeClassName__spam.
-------------------------------------------------------------------------------------------

Τα ονόματα μεταβλητών με διπλή υπογράμμιση στην αρχή είναι "mangled"
για να παρέχουν έναν απλό αλλά αποτελεσματικό τρόπο ορισμού των
ιδιωτικών μεταβλητών κλάσης.  Οποιοδήποτε αναγνωριστικό της φόρμας
"__spam" (τουλάχιστον δύο προπορευόμενες κάτω παύλες, το πολύ ένα
τέλος υπογράμμισης) αντικαθίσταται μέσω κειμένου το
"_classname__spam", όπου το "classname" είναι το τρέχον όνομα κλάσης
με απογυμνωμένες τυχόν προηγούμενες παύλες.

This doesn't guarantee privacy: an outside user can still deliberately
access the "_classname__spam" attribute, and private values are
visible in the object's "__dict__".  Many Python programmers never
bother to use private variable names at all.


Η κλάση μου ορίζει __del__ αλλά δεν καλείται όταν διαγράφω το αντικείμενο.
--------------------------------------------------------------------------

Υπάρχουν διάφοροι πιθανοί λόγοι για αυτό.

Η πρόταση "del" δεν καλεί απαραιτήτως το "__del__()" -- απλώς μειώνει
τον αριθμό αναφοράς του αντικειμένου, και αν αυτό φτάσει στο μηδέν
καλείται το "__del__()".

Εάν οι δομές δεδομένων σας περιέχουν κυκλικούς συνδέσμους (π.χ. ένα
δέντρο όπου κάθε παιδί έχει μια αναφορά γονέα και κάθε γονέας έχει μια
λίστα παιδιών), οι μετρήσεις δεν θα επανέλθουν ποτέ στο μηδέν.  Κάθε
τόσο η Python εκτελεί έναν αλγόριθμο για να ανιχνεύσει τέτοιους
κύκλους, αλλά ο συλλέκτης σκουπιδιών μπορεί να εκτελεστεί κάποια
στιγμή μετά την εξαφάνιση της τελευταίας αναφοράς στη δομή δεδομένων
σας, επομένως η μέθοδος "__del__()" μπορεί να κληθεί σε μια άβολη και
τυχαία στιγμή. Αυτό δεν είναι βολικό εάν προσπαθείτε να αναπαράξετε
ένα πρόβλημα. Ακόμη χειρότερα, η σειρά με την οποία εκτελούνται
μέθοδοι "__del__()" του αντικειμένου είναι αυθαίρετη.  Μπορείτε να
εκτελέσετε το "gc.collect()" για να αναγκάσετε μια συλλογή, αλλά
*υπάρχουν* παθολογικές περιπτώσεις όπου τα αντικείμενα δεν θα
συλλεχθούν ποτέ.

Παρά τον συλλέκτη κύκλου, εξακολουθεί να είναι καλή ιδέα να ορίσετε
μια ρητή μέθοδο "close()" σε αντικείμενα που θα καλούνται κάθε φορά
που τελειώνετε με αυτά.  Η μέθοδος "close()" μπορεί στη συνέχει να
αφαιρέσει χαρακτηριστικά που αναφέρονται σε υποαντικείμενα. Μην
καλείτε το "__del__()" απευθείας -- "__del__()" θα πρέπει να καλείτε
το "close()" και το "close()" θα πρέπει να βεβαιωθεί ότι μπορεί να
κληθεί περισσότερες από μία φορές για το ίδιο αντικείμενο.

Ένα άλλος τρόπος για να αποφύγετε τις κυκλικές αναφορές είναι να
χρησιμοποιήσετε το module "weakref", το οποίο σας επιτρέπει να
αυξάνετε τον αριθμό των αναφορών τους.  Οι δομές δεδομένων δέντρων,
για παράδειγμα, θα πρέπει να χρησιμοποιούν αδύναμες αναφορές για τις
αναφορές γονέων και αδελφών ( αν τα χρειαστούν!).

Τέλος, εάν η μέθοδος "__del__()" εγείρει μια εξαίρεση, εκτυπώνεται ένα
προειδοποιητικό μήνυμα στη διεύθυνση "sys.stderr".


Πως μπορώ να λάβω μια λίστα με όλες τις οντότητες μιας δεδομένης κλάσης;
------------------------------------------------------------------------

Η Python δεν παρακολουθεί όλες τις παρουσίες μιας κλάσης (ή ενός
ενσωματωμένου τύπου).  Μπορείτε να προγραμματίσετε τον κατασκευαστή
της κλάσης να παρακολουθεί όλες τις οντότητες διατηρώντας μια λίστα
αδύναμων αναφορών σε κάθε παρουσία.


Γιατί το αποτέλεσμα του "id()" φαίνεται να μην είναι μοναδικό;
--------------------------------------------------------------

Το ενσωματωμένο "id()" επιστρέφει έναν ακέραιο που είναι εγγυημένο ότι
είναι μοναδικός κατά τη διάρκεια ζωής του αντικειμένου.  Εφόσον στο
CPython, αυτή είναι διεύθυνση μνήμης του αντικειμένου, συμβαίνει συχνά
ότι μετά τη διαγραφή ενός αντικειμένου από τη μνήμη, το επόμενο
πρόσφατα δημιουργημένο αντικείμενο εκχωρείται στην ίδια θέση στη
μνήμη.  Αυτό φαίνεται από αυτό το παράδειγμα:

>>> id(1000) 
13901272
>>> id(2000) 
13901272

Τα δύο αναγνωριστικά ανήκουν σε διαφορετικά ακέραια αντικείμενα που
δημιουργούνται πριν και διαγράφονται αμέσως μετά την εκτέλεση της
κλήσης "id()".  Για να βεβαιωθείτε ότι τα αντικείμενα των οποίων το
αναγνωριστικό θέλετε να εξετάσετε είναι ακόμα ζωντανά, δημιουργήστε
μια άλλη αναφορά στο αντικείμενο:

>>> a = 1000; b = 2000
>>> id(a) 
13901272
>>> id(b) 
13891296


Πότε μπορώ να βασιστώ σε δοκιμές ταυτότητας με τον τελεστή *is*;
----------------------------------------------------------------

Ο τελεστής "is" ελέγχει την ταυτότητα του αντικειμένου.  Η δοκιμή "a
is b" ισοδυναμεί με "id(a) == id(b)".

Η πιο σημαντική ιδιότητα ενός τεστ ταυτότητας είναι ότι ένα
αντικείμενο είναι πάντα πανομοιότυπο με τον εαυτό του, το "a is a"
επιστρέφει πάντα "True".  Τα τεστ ταυτότητας είναι συνήθως ταχύτερα
από τα τεστ ισότητας.  Και σε αντίθεση με τα τεστ ισότητας, τα τεστ
ταυτότητας είναι εγγυημένα ότι θα επιστρέψουν ένα boolean "True" ή
"False".

Ωστόσο, τα τεστ ταυτότητας μπορούν μόνο να αντικαταστήσουν τα τεστ
ισότητας όταν είναι εξασφαλισμένη η ταυτότητα αντικειμένου. Γενικά,
υπάρχουν τρεις περιπτώσεις όπου η ταυτότητα είναι εγγυημένη:

1) Assignments create new names but do not change object identity.
After the assignment "new = old", it is guaranteed that "new is old".

2) Putting an object in a container that stores object references does
not change object identity.  After the list assignment "s[0] = x", it
is guaranteed that "s[0] is x".

3) If an object is a singleton, it means that only one instance of
that object can exist.  After the assignments "a = None" and "b =
None", it is guaranteed that "a is b" because "None" is a singleton.

Στις περισσότερες άλλες περιπτώσεις, τα τεστ ταυτότητας δεν
ενδείκνυνται και προτιμώνται τα τεστ ισότητας. Ειδικότερα, τα τεστ
ταυτότητας δεν θα πρέπει να χρησιμοποιούνται για τον έλεγχο σταθερών
όπως "int" και "str" που δεν είναι εγγυημένα singletons:

   >>> a = 1000
   >>> b = 500
   >>> c = b + 500
   >>> a is c
   False

   >>> a = 'Python'
   >>> b = 'Py'
   >>> c = b + 'thon'
   >>> a is c
   False

Ομοίως, τα νέα στιγμιότυπα μεταβλητών κοντέινερ δεν είναι ποτέ
πανομοιότυπα:

   >>> a = []
   >>> b = []
   >>> a is b
   False

Στον τυπικό κώδικα βιβλιοθήκης, θα δείτε πολλά κοινά μοτίβα για τη
σωστή χρήση των δοκιμών ταυτότητας:

1) As recommended by **PEP 8**, an identity test is the preferred way
to check for "None".  This reads like plain English in code and avoids
confusion with other objects that may have boolean values that
evaluate to false.

2) Detecting optional arguments can be tricky when "None" is a valid
input value.  In those situations, you can create a singleton sentinel
object guaranteed to be distinct from other objects.  For example,
here is how to implement a method that behaves like "dict.pop()":

   _sentinel = object()

   def pop(self, key, default=_sentinel):
       if key in self:
           value = self[key]
           del self[key]
           return value
       if default is _sentinel:
           raise KeyError(key)
       return default

3) Container implementations sometimes need to augment equality tests
with identity tests.  This prevents the code from being confused by
objects such as "float('NaN')" that are not equal to themselves.

For example, here is the implementation of
"collections.abc.Sequence.__contains__()":

   def __contains__(self, value):
       for v in self:
           if v is value or v == value:
               return True
       return False


Πώς μπορεί μια υποκλάση να ελέγξει ποια δεδομένα αποθηκεύονται σε μια αμετάβλητη παρουσία;
------------------------------------------------------------------------------------------

Κατά την υποκλάση ενός αμετάβλητου τύπου, παρακάμψετε τη μέθοδο
"__new__()" αντί για τη μέθοδο "__init__()".  Η τελευταία εκτελείται
μόνο αφού δημιουργηθεί μια παρουσία, η οποία είναι πολύ αργά για να
αλλάζει δεδομένα σε μια αμετάβλητη περίπτωση.

Όλες αυτές οι αμετάβλητες κλάσεις έχουν διαφορετική υπογραφή από τη
μητρική τους κλάση:

   from datetime import date

   class FirstOfMonthDate(date):
       "Always choose the first day of the month"
       def __new__(cls, year, month, day):
           return super().__new__(cls, year, month, 1)

   class NamedInt(int):
       "Allow text names for some numbers"
       xlat = {'zero': 0, 'one': 1, 'ten': 10}
       def __new__(cls, value):
           value = cls.xlat.get(value, value)
           return super().__new__(cls, value)

   class TitleStr(str):
       "Convert str to name suitable for a URL path"
       def __new__(cls, s):
           s = s.lower().replace(' ', '-')
           s = ''.join([c for c in s if c.isalnum() or c == '-'])
           return super().__new__(cls, s)

Οι κλάσεις μπορούν να χρησιμοποιηθούν έτσι:

   >>> FirstOfMonthDate(2012, 2, 14)
   FirstOfMonthDate(2012, 2, 1)
   >>> NamedInt('ten')
   10
   >>> NamedInt(20)
   20
   >>> TitleStr('Blog: Why Python Rocks')
   'blog-why-python-rocks'


Πώς μπορώ να αποθηκεύσω τις κλήσεις μεθόδου στην κρυφή μνήμη;
-------------------------------------------------------------

Τα δύο βασικά εργαλεία για τις μεθόδους αποθήκευσης στην προσωρινή
μνήμη είναι τα "functools.cached_property()" και
"functools.lru_cache()".  Το πρώτο αποθηκεύει τα αποτελέσματα σε
επίπεδο παρουσίας και το δεύτερο σε επίπεδο κλάσης.

Η προσέγγιση *cached_property* λειτουργεί μόνο με μεθόδους που δεν
λαμβάνουν ορίσματα.  Δεν δημιουργεί αναφορά στο στιγμιότυπο.  Το
αποτέλεσμα της cached μεθόδους θα διατηρηθεί μόνο όσο το στιγμιότυπο
είναι ζωντανό.

Το πλεονέκτημα είναι ότι όταν ένα στιγμιότυπο δεν χρησιμοποιείται
πλέον, το αποτέλεσμα της αποθηκευμένης μεθόδου θα απελευθερωθεί
αμέσως.  Το μειονέκτημα είναι ότι εάν συσσωρευτούν στιγμιότυπα, θα
είναι και τα αποτελέσματα της συσσωρευμένης μεθόδου.  Μπορούν να
αναπτυχθούν χωρίς περιορισμούς.

Η προσέγγιση *lru_cache* λειτουργεί με μεθόδους που έχουν ορίσματα
*hashable*.  Δημιουργεί μια αναφορά στο στιγμιότυπο, εκτός εάν
καταβληθούν ειδικές προσπάθειες για να περάσει σε αδύναμες αναφορές.

Το πλεονέκτημα του αλγορίθμου που χρησιμοποιήθηκε λιγότερο πρόσφατα
είναι ότι η κρυφή μνήμη οριοθετείται από το καθορισμένο *maxsize*.  Το
μειονέκτημα είναι ότι τα στιγμιότυπα διατηρούνται ζωντανά έως ότου
παλαιώσουν από την κρυφή μνήμη ή μέχρι να διαγραφεί η κρυφή μνήμη.

Αυτό το παράδειγμα δείχνει τις διάφορες τεχνικές:

   class Weather:
       "Lookup weather information on a government website"

       def __init__(self, station_id):
           self._station_id = station_id
           # The _station_id is private and immutable

       def current_temperature(self):
           "Latest hourly observation"
           # Do not cache this because old results
           # can be out of date.

       @cached_property
       def location(self):
           "Return the longitude/latitude coordinates of the station"
           # Result only depends on the station_id

       @lru_cache(maxsize=20)
       def historic_rainfall(self, date, units='mm'):
           "Rainfall on a given date"
           # Depends on the station_id, date, and units.

Το παραπάνω παράδειγμα προϋποθέτει ότι το *station_id* δεν αλλάζει
ποτέ.  Εάν τα σχετικά χαρακτηριστικά παρουσίας είναι μεταβλητά, η
προσέγγιση *cached_property* δεν μπορεί να λειτουργήσει επειδή δεν
μπορεί να εντοπίσει αλλαγές στα χαρακτηριστικά.

The *lru_cache* approach can be made to work, but the class needs to
define the *__eq__* and *__hash__* methods so the cache can detect
relevant attribute updates:

   class Weather:
       "Example with a mutable station identifier"

       def __init__(self, station_id):
           self.station_id = station_id

       def change_station(self, station_id):
           self.station_id = station_id

       def __eq__(self, other):
           return self.station_id == other.station_id

       def __hash__(self):
           return hash(self.station_id)

       @lru_cache(maxsize=20)
       def historic_rainfall(self, date, units='cm'):
           'Rainfall on a given date'
           # Depends on the station_id, date, and units.


Modules
=======


Πως δημιουργώ ένα .pyc αρχείο;
------------------------------

Όταν ένα module εισάγεται για πρώτη φορά (ή όταν το αρχείο προέλευσης
έχει αλλάξει από τη δημιουργία του τρέχοντος μεταγλωττισμένου
αρχείου), ένα αρχείο ".pyc" που παρέχει τον μεταγλωττισμένο κώδικα θα
πρέπει να δημιουργηθεί σε έναν υποκατάλογο "__pycache__" ο κατάλογος
που περιέχει το ".py".  Το αρχείο ".pyc" θα έχει ένα όνομα αρχείου που
ξεκινά με το ίδιο όνομα με το αρχείο ".py" και τελειώνει σε ".pyc", με
ένα μεσαίο στοιχείο που εξαρτάται από το συγκεκριμένο δυαδικό αρχείο
"python" που το δημιούργησε.  (Βλ. **PEP 3147** για λεπτομέρειες.)

Ένας λόγος για τον οποίο ενδέχεται να μην δημιουργηθεί ένα αρχείο
".pyc" είναι ένα πρόβλημα δικαιωμάτων στον κατάλογο που περιέχει το
αρχείο προέλευσης, που σημαίνει ότι δεν μπορεί να δημιουργηθεί ο
υποκατάλογος "__pycache__".  Αυτό μπορεί να συμβεί, για παράδειγμα,
εάν αναπτυχθεί ως ένας χρήστης αλλά εκτελείται ως άλλος, όπως εάν
δοκιμάζετε με έναν διακομιστή ιστού.

Εκτός και αν έχει οριστεί η μεταβλητή περιβάλλοντος
"PYTHONDONTWRITEBYTECODE", η δημιουργία ενός αρχείου .pyc είναι
αυτόματη εάν εισάγετε ένα module και η Python έχει τη δυνατότητα
(δικαιώματα, ελεύθερος χώρος, κ.λπ...) να δημιουργήσει ένα
"__pycache__" υποκατάλογο και γράψτε το μεταγλωττισμένο module σε
αυτόν τον υποκατάλογο.

Η εκτέλεση της Python σε ένα σενάριο ανώτατου επιπέδου δεν θεωρείται
εισαγωγή και δεν θα δημιουργηθεί ".pyc". Για παράδειγμα, εάν έχετε ένα
module ανωτάτου επιπέδου "foo.py" που εισάγει ένα άλλο module
"xyz.py", όταν εκτελείτε το "foo" (πληκτρολογώντας "python foo.py" ως
εντολή κελύφους), θα δημιουργηθεί ένα ".pyc" για το "xyz" επειδή το
"xyz" έχει εισαχθεί, αλλά δεν θα δημιουργηθεί αρχείο ".pyc" για το
"foo" καθώς το "foo.py" δεν εισάγεται.

Εάν χρειάζεται να δημιουργήσετε ένα αρχείο ".pyc" για το "foo" --
δηλαδή, να δημιουργήσετε ένα αρχείο ".pyc" για ένα module που δεν έχει
εισαχθεί -- μπορείτε, χρησιμοποιώντας τα modules "py_compile" και
"compileall".

Το module "py_compile" μπορεί να μεταγλωττίσει χειροκίνητα οποιαδήποτε
module.  Ένας τρόπος είναι να χρησιμοποιήσετε τη συνάρτηση "compile()"
σε αυτήν την ενότητα διαδραστικά:

   >>> import py_compile
   >>> py_compile.compile('foo.py')                 

Αυτό θα γράψει το ".pyc" σε έναν υποκατάλογο "__pycache__" στην ίδια
θέση με το "foo.py" (ή μπορείτε να το παρακάμψετε με την προαιρετική
παράμετρο "cfile").

Μπορείτε επίσης να μεταγλωττίσετε αυτόματα όλα τα αρχεία σε έναν
κατάλογο ή καταλόγους χρησιμοποιώντας το module "compileall".
Μπορείτε να κάνετε από το shell prompt εκτελώντας το "compileall.py"
και παρέχοντας τη διαδρομή ενός καταλόγου που περιέχει αρχεία Python
για μεταγλώττιση:

   python -m compileall .


Πως μπορώ να βρω το όνομα του τρέχοντος module;
-----------------------------------------------

Ένα module μπορεί να βρει το δικό του όνομα module κοιτάζοντας την
προκαθορισμένη καθολική μεταβλητή "__name__". Εάν αυτή έχει την τιμή
"__main__", το πρόγραμμα εκτελείται ως σενάριο.  Πολλά modules που
χρησιμοποιούνται συνήθως με την εισαγωγή τους παρέχουν επίσης μια
διεπαφή γραμμής εντολών ή έναν αυτοέλεγχο και εκτελέστε αυτόν τον
κώδικα μόνο αφού ελέγξετε το "__name__":

   def main():
       print('Running test...')
       ...

   if __name__ == '__main__':
       main()


Πως μπορώ να έχω modules που εισάγουν αμοιβαία το ένα το άλλο;
--------------------------------------------------------------

Υποθέστε ότι έχετε τα ακόλουθα modules:

"foo.py":

   from bar import bar_var
   foo_var = 1

"bar.py":

   from foo import foo_var
   bar_var = 2

Το πρόβλημα είναι ότι ο διερμηνέας θα εκτελέσει τα ακόλουθα βήματα:

* main εισάγει "foo"

* Δημιουργούνται κενά καθολικά για το "foo"

* Το "foo" μεταγλωττίζεται και ξεκινά η εκτέλεση

* "foo" εισάγει "bar"

* Δημιουργούνται κενά καθολικά για "bar"

* Το "bar" μεταγλωττίζεται και αρχίζει να εκτελείται

* Το "bar" εισάγει το "foo" (το οποίο είναι απαγορευτικό, καθώς
  υπάρχει ήδη ένα module με το όνομα "foo")

* Ο μηχανισμός εισαγωγής προσπαθεί να διαβάσει το "foo_var" από τα
  παγκόσμια "foo", για να ορίσει το "bar.foo_var = foo.foo_var"

Το τελευταίο βήμα αποτυγχάνει, επειδή η Python δεν έχει τελειώσει
ακόμα με την ερμηνεία του "foo" και το global λεξικό συμβόλων για το
"foo" είναι ακόμα κενό.

Το ίδιο συμβαίνει όταν χρησιμοποιείτε το "import foo" και, στη
συνέχεια, προσπαθείτε να αποκτήσετε πρόσβαση στο "foo.foo_var" σε
καθολικό κώδικα.

Υπάρχουν (τουλάχιστον) τρεις πιθανοί τρόποι αντιμετώπισης αυτού του
προβλήματος.

Ο Guido van Rossum συνιστά την αποφυγή όλων των χρήσεων του "from
<module> import ..." και την τοποθέτηση όλου του κώδικα μέσα σε
συναρτήσεις.  Τα initializations καθολικών μεταβλητών και μεταβλητών
κλάσης θα πρέπει να χρησιμοποιηθούν μόνο σταθερές ή ενσωματωμένες
συναρτήσεις.  Αυτό σημαίνει ότι ένα εισαγόμενο module αναφέρεται ως
"<module>.<name>".

Ο Jim Roskind προτείνει να εκτελέσετε τα βήματα με την ακόλουθη σειρά
σε κάθε module:

* εξαγωγές (globals, συναρτήσεις, και κλάσεις που δεν χρειάζονται
  εισαγόμενες βασικές κλάσεις)

* δηλώσεις "import"

* ενεργός κώδικας (συμπεριλαμβανομένων των καθολικών που
  αρχικοποιούνται από εισαγόμενες τιμές).

Ο Van Rossum δεν αρέσει πολύ αυτή η προσέγγιση επειδή οι εισαγωγές
εμφανίζονται σε ένα περίεργο μέρος, αλλά λειτουργεί.

Ο Matthias Urlichs συνιστά την αναδιάρθρωση του κώδικά σας έτσι ώστε η
αναδρομική εισαγωγή να μην είναι απαραίτητη εξαρχής.

Αυτές οι λύσεις δεν αλληλοαποκλείονται.


__import__('x.y.z') επιστρέφει <module 'x'>∙ πως μπορώ να πάρω το z?
--------------------------------------------------------------------

Σκεφτείτε να χρησιμοποιήσετε τη συνάρτηση ευκολίας "import_module()"
από το "importlib" αντί:

   z = importlib.import_module('x.y.z')


Όταν επεξεργάζομαι ένα module που έχει εισαχθεί και την επανεισάγω, οι αλλαγές δεν εμφανίζονται. Γιατί συμβαίνει αυτό;
----------------------------------------------------------------------------------------------------------------------

Για λόγους αποτελεσματικότητας καθώς και συνέπειας, η Python διαβάζει
το αρχείο της ενότητας μόνο την πρώτη φορά που εισάγεται μια
λειτουργική μονάδα.  Εάν δεν το έκανε, σε ένα πρόγραμμα που
αποτελείται από πολλές ενότητες όπου η καθεμία εισάγει το ίδιο βασικό
module, το βασικό module θα αναλυθεί και θα αναλυθεί ξανά πολλές
φορές.  Για να αναγκάσετε τη εκ νέου ανάγνωση μιας αλλαγμένης ενότητας
, κάντε το εξής:

   import importlib
   import modname
   importlib.reload(modname)

Προειδοποίηση: αυτή η τεχνική δεν είναι 100% ασφαλής. Ειδικότερα,
modules που περιέχουν δηλώσεις όπως

   from modname import some_objects

θα συνεχίσει να λειτουργεί με την παλιά έκδοση των εισαγόμενων
αντικειμένων.  Εάν η λειτουργική μονάδα περιέχει ορισμούς κλάσεων, οι
υπάρχουσες παρουσίες κλάσεων *δεν* θα ενημερωθούν για να χρησιμοποιούν
τον ορισμό της νέας κλάσης.  Αυτό μπορεί να οδηγήσει στην ακόλουθη
παράδοξη συμπεριφορά:

   >>> import importlib
   >>> import cls
   >>> c = cls.C()                # Create an instance of C
   >>> importlib.reload(cls)
   <module 'cls' from 'cls.py'>
   >>> isinstance(c, cls.C)       # isinstance is false?!?
   False

Η φύση του προβλήματος καθίσταται σαφής εάν εκτυπώσετε την "ταυτότητα"
των αντικειμένων κλάσης:

   >>> hex(id(c.__class__))
   '0x7352a0'
   >>> hex(id(cls.C))
   '0x4198d0'
