Refactor du jour - Récursivité et types Ts Python
Dans cet article, nous explorons une solution Python élégante et efficace pour convertir des chaînes vides en une valeur arbitraire dans des structures de données imbriquées (dictionnaires et listes). La solution Typescript originale, bien que fonctionnelle, a inspiré une approche plus concise et « pythonique » utilisant la récursivité et la compréhension.
Au départ, le besoin s'est fait sentir lorsqu'il s'agissait de trois fichiers distincts contenant différentes structures de données imbriquées en Python. La recherche d'une solution générique a conduit au développement d'une fonction récursive qui parcourt la structure des données, en remplaçant les chaînes vides par une valeur par défaut ("NOT_FOUND" dans l'exemple).
La première version de la fonction en Python utilisait des boucles explicites pour parcourir des dictionnaires et des listes. Cependant, l'évolution vers la compréhension de dictionnaire et la compréhension de liste a abouti à un code nettement plus compact et lisible tout en conservant la même logique récursive.
La solution ultime en Python :
def substituir_strings_vazias(dados): if isinstance(dados, dict): return {k: substituir_strings_vazias(v) for k, v in dados.items()} elif isinstance(dados, list): return [substituir_strings_vazias(item) for item in dados] elif isinstance(dados, str) and dados == "": return "NAO_ENCONTRADO" return dados dados = { "nome": "", "idade": 25, "endereco": { "rua": "", "cidade": "São Paulo", "estado": "" }, "contatos": ["", "email@example.com"] } dados_convertidos = substituir_strings_vazias(dados) print(dados_convertidos)
Comment ça marche :
La fonction substituir_strings_vazias
est récursive. Il vérifie le type de données reçues :
-
Dictionnaire : S'il s'agit d'un dictionnaire, il utilise la compréhension du dictionnaire pour créer un nouveau dictionnaire où chaque valeur est traitée récursivement par la même fonction.
-
Liste : S'il s'agit d'une liste, il utilise la compréhension de liste pour créer une nouvelle liste où chaque élément est traité de manière récursive.
-
Chaîne vide : S'il s'agit d'une chaîne vide, elle renvoie "NOT_FOUND".
-
Autres types : Pour tout autre type de données, il renvoie les données d'origine sans modifications.
La récursion garantit que la fonction traite tous les niveaux imbriqués de la structure de données. La concision du code Python, grâce à la compréhension, met en valeur l'élégance et l'efficacité de la solution par rapport à la version originale Typescript. La fonction devient hautement réutilisable pour normaliser des ensembles de données avec des valeurs nulles ou vides. La différence entre les approches finales en Python et l'approche initiale en Typescript est notable, démontrant la puissance des outils disponibles en Python pour traiter ce type de problème.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Comment utiliser Python pour trouver la distribution ZIPF d'un fichier texte

Comment télécharger des fichiers dans Python

Comment utiliser la belle soupe pour analyser HTML?

Comment travailler avec des documents PDF à l'aide de Python

Comment se cacher en utilisant Redis dans les applications Django

Présentation de la boîte à outils en langage naturel (NLTK)

Comment effectuer l'apprentissage en profondeur avec TensorFlow ou Pytorch?
