Python Basics — 9 protipów

1) `enumerate` — numeruj elementy w pętli

fruits = ["apple", "banana", "cherry"]
for i, f in enumerate(fruits, start=1):
    print(i, f)

1 apple
2 banana
3 cherry

Dlaczego warto: zamiast ręcznie liczyć indeksy.

2) `zip` — paruj listy w locie

names = ["Ala", "Bartek", "Cezary"]
scores = [84, 92, 78]
for name, score in zip(names, scores):
    print(f"{name}: {score}")

Ala: 84
Bartek: 92
Cezary: 78

Protip: list(zip(names, scores)) da listę krotek.

3) List Comprehension — szybko twórz listy

nums = [1, 2, 3, 4, 5]
squares_even = [x*x for x in nums if x % 2 == 0]
squares_even

[4, 16]

Mini-zadanie ✅

Wygeneruj listę długości każdego napisu w fruits, ale tylko dla owoców o nazwie dłuższej niż 5 znaków.

# TODO: uzupełnij list comprehension
fruits = ["apple", "banana", "cherry", "kiwi"]
# lengths = [...]
# lengths

4) Dictionary Comprehension — buduj słowniki efektywnie

products = ["laptop", "mouse", "keyboard", "monitor"]
prices = [2999, 59, 199, 899]
product_dict = {product: price for product, price in zip(products, prices) if price < 1000}
product_dict

{'mouse': 59, 'keyboard': 199, 'monitor': 899}

Protip: Możesz też tworzyć słowniki z warunkami: {k: v for k, v in items if condition}.

5) f-strings — formatuj stringi czytelnie

name = "Anna"
age = 25
score = 95.567
# Stary sposób
print("Nazywam się " + name + ", mam " + str(age) + " lat")
# f-string way 🚀
print(f"Nazywam się {name}, mam {age} lat i mój wynik to {score:.2f}")

Nazywam się Anna, mam 25 lat
Nazywam się Anna, mam 25 lat i mój wynik to 95.57

Dlaczego warto: Czytelniejsze i szybsze niż .format() czy konkatenacja.

6) `collections.Counter` — licz elementy automatycznie

from collections import Counter
grades = ["A", "B", "A", "C", "B", "A", "B", "C", "A"]
grade_counts = Counter(grades)
print(grade_counts)
print(f"Najczęstsza ocena: {grade_counts.most_common(1)[0][0]}")

Counter({'A': 4, 'B': 3, 'C': 2})
Najczęstsza ocena: A

Data Science tip: Idealne do analizy częstości kategorii w danych!

7) `*args` i `**kwargs` — elastyczne funkcje

def smart_print(*args, **kwargs):
    separator = kwargs.get('sep', ' | ')
    prefix = kwargs.get('prefix', '>>> ')
    print(prefix + separator.join(str(arg) for arg in args))

# Różne sposoby wywołania
smart_print("Python", "jest", "super")
smart_print("A", "B", "C", sep=" -> ", prefix="WYNIK: ")
smart_print(1, 2, 3, 4, 5, sep=", ")

>>> Python | jest | super
WYNIK: A -> B -> C
>>> 1, 2, 3, 4, 5

Dlaczego warto: Funkcje mogą przyjmować dowolną liczbę argumentów pozycyjnych (*args) i nazwanych (**kwargs).

8) `defaultdict` — słowniki z domyślnymi wartościami

from collections import defaultdict

# Standardowy słownik - trzeba sprawdzać klucze
normal_dict = {}
# if 'python' not in normal_dict:
#     normal_dict['python'] = []
# normal_dict['python'].append('awesome')

# defaultdict - automatyczne wartości domyślne
courses = defaultdict(list)
courses['python'].append('basics')
courses['python'].append('advanced')
courses['javascript'].append('react')

print(dict(courses))  # Konwersja do normalnego dict dla czytelności

{'python': ['basics', 'advanced'], 'javascript': ['react']}

Protip: defaultdict(int) dla liczników, defaultdict(list) dla grup, defaultdict(set) dla unikalnych wartości.

9) `any()` i `all()` — sprawdzaj warunki w kolekcjach

numbers = [2, 4, 6, 8, 10]
mixed_numbers = [1, 2, 3, 4, 5]
empty_list = []

# Czy wszystkie elementy są parzyste?
print(f"Wszystkie parzyste w {numbers}: {all(n % 2 == 0 for n in numbers)}")
print(f"Wszystkie parzyste w {mixed_numbers}: {all(n % 2 == 0 for n in mixed_numbers)}")

# Czy którykolwiek element jest większy niż 5?
print(f"Jakiś > 5 w {numbers}: {any(n > 5 for n in numbers)}")
print(f"Jakiś > 5 w {mixed_numbers}: {any(n > 5 for n in mixed_numbers)}")

# Edge case - pusta lista
print(f"all([]) = {all(empty_list)}")  # True (bo nie ma elementów fałszywych)
print(f"any([]) = {any(empty_list)}")  # False (bo nie ma elementów prawdziwych)

Wszystkie parzyste w [2, 4, 6, 8, 10]: True
Wszystkie parzyste w [1, 2, 3, 4, 5]: False
Jakiś > 5 w [2, 4, 6, 8, 10]: True
Jakiś > 5 w [1, 2, 3, 4, 5]: False
all([]) = True
any([]) = False

Data Science tip: Świetne do walidacji danych - all(df['age'] > 0) sprawdzi czy każdy wiek jest dodatni!

Finalne wyzwanie 🏆

Stwórz funkcję analyze_grades(grades_list), która:

Przyjmuje listę ocen (stringi: “A”, “B”, “C”, “D”, “F”)
Zwraca słownik z informacjami:
- counts: liczba każdej oceny (użyj Counter)
- has_failing: czy są oceny F (użyj any())
- all_passing: czy wszystkie oceny to A-D (użyj all())
- top_grade: najczęstsza ocena

from collections import Counter

def analyze_grades(grades_list):
    # TODO: Uzupełnij funkcję
    # counts = ...
    # has_failing = ...
    # all_passing = ...
    # top_grade = ...
    # return {...}
    pass

# Test
test_grades = ["A", "B", "A", "C", "B", "A", "D", "C", "A"]
# result = analyze_grades(test_grades)
# print(result)

--- title: "Python Basics — 9 protipów" format: html: code-tools: true --- ## 1) `enumerate` — numeruj elementy w pętli ```{python} #| classes: thebe fruits = ["apple", "banana", "cherry"] for i, f in enumerate(fruits, start=1): print(i, f) ``` **Dlaczego warto:** zamiast ręcznie liczyć indeksy. --- ## 2) `zip` — paruj listy w locie ```{python} #| classes: thebe names = ["Ala", "Bartek", "Cezary"] scores = [84, 92, 78] for name, score in zip(names, scores): print(f"{name}: {score}") ``` **Protip:** `list(zip(names, scores))` da listę krotek. --- ## 3) List Comprehension — szybko twórz listy ```{python} #| classes: thebe nums = [1, 2, 3, 4, 5] squares_even = [x*x for x in nums if x % 2 == 0] squares_even ``` --- ### Mini-zadanie ✅ Wygeneruj listę **długości** każdego napisu w `fruits`, ale **tylko** dla owoców o nazwie dłuższej niż 5 znaków. ```{python} #| classes: thebe # TODO: uzupełnij list comprehension fruits = ["apple", "banana", "cherry", "kiwi"] # lengths = [...] # lengths ``` --- ## 4) Dictionary Comprehension — buduj słowniki efektywnie ```{python} #| classes: thebe products = ["laptop", "mouse", "keyboard", "monitor"] prices = [2999, 59, 199, 899] product_dict = {product: price for product, price in zip(products, prices) if price < 1000} product_dict ``` **Protip:** Możesz też tworzyć słowniki z warunkami: `{k: v for k, v in items if condition}`. --- ## 5) f-strings — formatuj stringi czytelnie ```{python} #| classes: thebe name = "Anna" age = 25 score = 95.567 # Stary sposób print("Nazywam się " + name + ", mam " + str(age) + " lat") # f-string way 🚀 print(f"Nazywam się {name}, mam {age} lat i mój wynik to {score:.2f}") ``` **Dlaczego warto:** Czytelniejsze i szybsze niż `.format()` czy konkatenacja. --- ## 6) `collections.Counter` — licz elementy automatycznie ```{python} #| classes: thebe from collections import Counter grades = ["A", "B", "A", "C", "B", "A", "B", "C", "A"] grade_counts = Counter(grades) print(grade_counts) print(f"Najczęstsza ocena: {grade_counts.most_common(1)[0][0]}") ``` **Data Science tip:** Idealne do analizy częstości kategorii w danych! --- ## 7) `*args` i `**kwargs` — elastyczne funkcje ```{python} #| classes: thebe def smart_print(*args, **kwargs): separator = kwargs.get('sep', ' | ') prefix = kwargs.get('prefix', '>>> ') print(prefix + separator.join(str(arg) for arg in args)) # Różne sposoby wywołania smart_print("Python", "jest", "super") smart_print("A", "B", "C", sep=" -> ", prefix="WYNIK: ") smart_print(1, 2, 3, 4, 5, sep=", ") ``` **Dlaczego warto:** Funkcje mogą przyjmować dowolną liczbę argumentów pozycyjnych (`*args`) i nazwanych (`**kwargs`). --- ## 8) `defaultdict` — słowniki z domyślnymi wartościami ```{python} #| classes: thebe from collections import defaultdict # Standardowy słownik - trzeba sprawdzać klucze normal_dict = {} # if 'python' not in normal_dict: # normal_dict['python'] = [] # normal_dict['python'].append('awesome') # defaultdict - automatyczne wartości domyślne courses = defaultdict(list) courses['python'].append('basics') courses['python'].append('advanced') courses['javascript'].append('react') print(dict(courses)) # Konwersja do normalnego dict dla czytelności ``` **Protip:** `defaultdict(int)` dla liczników, `defaultdict(list)` dla grup, `defaultdict(set)` dla unikalnych wartości. --- ## 9) `any()` i `all()` — sprawdzaj warunki w kolekcjach ```{python} #| classes: thebe numbers = [2, 4, 6, 8, 10] mixed_numbers = [1, 2, 3, 4, 5] empty_list = [] # Czy wszystkie elementy są parzyste? print(f"Wszystkie parzyste w {numbers}: {all(n % 2 == 0 for n in numbers)}") print(f"Wszystkie parzyste w {mixed_numbers}: {all(n % 2 == 0 for n in mixed_numbers)}") # Czy którykolwiek element jest większy niż 5? print(f"Jakiś > 5 w {numbers}: {any(n > 5 for n in numbers)}") print(f"Jakiś > 5 w {mixed_numbers}: {any(n > 5 for n in mixed_numbers)}") # Edge case - pusta lista print(f"all([]) = {all(empty_list)}") # True (bo nie ma elementów fałszywych) print(f"any([]) = {any(empty_list)}") # False (bo nie ma elementów prawdziwych) ``` **Data Science tip:** Świetne do walidacji danych - `all(df['age'] > 0)` sprawdzi czy każdy wiek jest dodatni! --- ### Finalne wyzwanie 🏆 Stwórz funkcję `analyze_grades(grades_list)`, która: 1. Przyjmuje listę ocen (stringi: "A", "B", "C", "D", "F") 2. Zwraca słownik z informacjami: - `counts`: liczba każdej oceny (użyj `Counter`) - `has_failing`: czy są oceny F (użyj `any()`) - `all_passing`: czy wszystkie oceny to A-D (użyj `all()`) - `top_grade`: najczęstsza ocena ```{python} #| classes: thebe from collections import Counter def analyze_grades(grades_list): # TODO: Uzupełnij funkcję # counts = ... # has_failing = ... # all_passing = ... # top_grade = ... # return {...} pass # Test test_grades = ["A", "B", "A", "C", "B", "A", "D", "C", "A"] # result = analyze_grades(test_grades) # print(result) ```

1) enumerate — numeruj elementy w pętli

2) zip — paruj listy w locie