eidp-2023/Tutorium/tut12

marp, paginate, theme, footer, header, math

marp	paginate	theme	footer	header	math
true	true	rose-pine	Tutorium 12 - 19.01.2024 - Nils Pukropp - https://s.narl.io/s/tutorium-12		mathjax

Tutorium 12 - 19.01.2024

Musterlösung 11 - Wiederholung Types - Functions!

---

Type annotations

(Wiederholung)

---

Type annotations - Was ist das?

---

Type annotations - Was ist das?

• Jedes Objekt lässt sich mindestens einem Typ zuordnen
  • Objekte im mathematischen Sinne wie z.B. Variablen, Funktionen, ...
• Dieser schränkt den Wertebereich ein
  • z.B. ist eine Variable x von Typ int eine Ganzzahl
  • ähnlich zur mathematischen Schreibweise x \in \mathbb{Z}
• In der Informatik nennt man das Typisierung
  • Es gibt verschiedene Arten der Typisierung

---

Type annotations - Typisierung

• dynamische Typisierung überprüft die gegebenen Typen zur Laufzeit
  • also erst wenn das Programm läuft
• statische Typisierung überprüft die gegebenen Typen zur Übersetzungszeit
  • also während wir den Quellcode übersetzen

Was ist nun Python?

---

Type annotations - Typisierung

• dynamische Typisierung überprüft die gegebenen Typen zur Laufzeit
  • also erst wenn das Programm läuft
• statische Typisierung überprüft die gegebenen Typen zur Übersetzungszeit
  • also während wir den Quellcode übersetzen

Was ist nun Python?

• dynamisch typisiert
  • wir müssen unsere .py Datei ausführen bevor wir wissen ob alles korrekt ist
• Pylance ist ein eigenes Programm
  • es soll beim Schreiben bereits Typverletzungen erkennen
  • unvollständige Typüberprüfung, soll nur den Programmierer unterstützen

---

Variabeln Typannotieren

• variable_name: <Type> = ...
• Beispiele:

  x: int = 3
  y: int = 5
  string: str = "Hello World!"
  
  # aber auch eigene Objekte (OOP)
  point: Point = Point(3, 1)
  

• diese Annotation ist für uns optional

---

Funktionen Typannotieren

• def func_name(param1: <Type>, param2: <Type>, ...) -> <Type>
• Beispiele:

  def add(x: int, y: int) -> int:
      return x + y
  
  def div(x: float, y: float) -> Optional[float]:
      if y == 0.0:
          return None
      return x / y
  

• diese Annotation ist verpflichtend und muss so vollständig wie möglich sein

---

Klassen Typannotieren

• class ClassName:
      attribute_name1: <Type>
      attribute_name2: <Type>
      ...
  

• Beispiel:

  @dataclass
  class Point:
      x: int
      y: int
  

• diese Annotation ist verpflichtend und muss so vollständig wie möglich sein

---

Methoden Typannotieren

• def method_name(self, param1: <Type>, ...) -> <Type>
• Beispiel:

  class Point:
      x: int
      y: int
  
  def distance_from(self, other: 'Point') -> float:
      return math.sqrt((other.x - self.x) ** 2 + (other.y - self.y) ** 2)
  

• self muss nicht Typannotiert werden, kann aber
• other hingegen schon, wegen Python muss in der Klasse mit ' annotiert werden
• diese Annotation ist verpflichtend

---

Datentypen von Datentypen

• Manche Datentypen bauen sich aus anderen Datentypen auf
• z.B. list ist eine Liste von Elementen mit einem Typ
• hierfür verwenden wir [] um den Datentyp in list zu annotieren

  def sum(xs: list[int]) -> int:
      total: int = 0
      for x in xs:
          total += x
      return total
  

• hierbei ist es wichtig so genau wie möglich zu annotieren!
• diese Annotation ist verpflichtend

---

Häufige Fehler mit verschachtelten Typen

---

Fehlerquelle - tuple[...]

• Tuple haben eine feste größe
• Tuple sind endlich
• Tuple können Elemente mit unterschiedlichen Typen haben
• Die Datentypen der Elemente werden mit einem , in [] getrennt
• Beispiel:

  tup: tuple[int, int, float, str] = (1, 2, 3.0, "hello world")
  

• Diese Annotation ist verpflichtend

---

Fehlerquelle - dict[...]

• Dictionary haben genau zwei zu definierende Typen
  • Key
  • Value
• Beispiel:

  number_dictionary: dict[int, str] = {
      0: "zero",
      1: "one",
      2: "two",
  }
  

• Diese Annotation ist verpflichtend
• Diese kann weiter geschachtelt werden durch z.B. list als Value:
  • dict[int, list[str]]

---

Fehlerquelle - Typvariabeln (generische Typen)

• manchmal wollen wir nicht genau wissen welchen Datentypen wir haben
• dieser wird dann implizit von Python erkannt
• wir stellen damit sicher dass eine Typvariable beliebig aber fest ist
• Beispiel:

  def add[T](x: T, y: T) -> T:
      return x + y
  

• T kann nur ein Datentyp sein, also muss type(x) == type(y) gelten
• außer wir schrenken T mit | ein: T: (int | str) damit müssen x und y nicht den gleichen Datentypen haben
• T lässt sich weiter einschränken durch T: (int, str), hierbei ist T entweder ein int oder (exklusiv) str

---

Fehlerquelle - Was ist TypeVar?

• TypeVar ist aus früheren Python-Versionen
• Typvariablen wurden vor der Python 3.12 so definiert:

  T = TypeVar('T')
  

• sieht dumm aus, ist es auch, benutzt es nicht!

---

Fragen zu Typannotationen?

---

Funktionale Programmierung

---

Funktionale Programmierung - was ist das?

• Funktionen sind äquivalent zu Datenobjekten
• anonyme Funktionen aka Lambdas
• Closures
• Programmablauf mit Verkettung und Komposition von Funktionen

---

Funktionen sind Datenobjekte

• Jede Funktion hat den Datentyp Callable
• Wir können Funktionen wie alle anderen Objekte variabeln zuweisen

def add(a: int, b: int) -> int:
    return a + b

add_but_variable = add

print(add_but_variable(3, 2)) # 5

---

Anonyme Funktionen - lambda

• Mit dem lambda Keyword lassen sich anonyme Funktionen definieren ohne def
• Bietet sich vor allem an für kleine Funktionen und Kompositionen von Funktionen

  print(reduce(lambda x, y: x + y, [1, 2, 3, 4])) # 10
  

• hat als Datentyp auch Callable

  add: Callable[[int, int], int] = lambda x, y: x + y
  

---

Closures

• Verkettete Funktionen, bei denen die Variabeln aus vorherigen benutzt werden können

  def poly(x: float) -> Callable[[float, float], Callable[[float], float]]:
      return lambda a, b: lambda c: a * x ** 2 + b * x + c
  
  print(poly(3)(2, 3)(5)) # 2 * 3 ** 2 + 3 * 3 + 5 = 32
  

• kein wirklich schönes Beispiel, ein besseres ist compose für Kompositionen

---

Komposition

• Verketten von Funktionen

  def compose[T](*funcs: Callable[[T], T]) -> Callable[[T], T]:
      return reduce(lambda f, g: lambda n: f(g(n)), funcs)
  
  f: Callable[[int], int] = lambda n: n + 42
  g: Callable[[int], int] = lambda n: n ** 2
  h: Callable[[int], int] = lambda n: n - 3
  
  print(compose(f, g, h)(0))
  

---

Higher-Order Functions

• nehmen eine oder mehrere Callable als Argument
• geben ein Callable zurück

Higher-Order-Functions - map

• Wendet ein Callable auf jedes Element in einem Iterable an

  def map[T, R](func: Callable[[T], R], xs: Iterable[T]) -> Iterable[R]:
      return [func(x) for x in xs]
  
  numeric_list = list(map(lambda e: int(e), ['1', '2', '3']))
  print(numeric_list) # [1, 2, 3]
  

---

Higher-Order-Functions - filter

• filter verarbeitet Datenstrukturen anhand eines Prädikats (Callable)
• behält nur Elemente die das Prädikat erfüllen

  def filter[T](predicate: Callable[[T], bool], xs: Iterable[T]) -> Iterable[T]:
      return [x for x in xs if predicate(x)]