Funktionen schreiben

Zuletzt aktualisiert am 2025-11-05 | Diese Seite bearbeiten

Geschätzte Zeit: 25 Minuten

Übersicht

Fragen

  • Wie kann ich meine eigenen Funktionen erstellen?

Ziele

  • Erklären und identifizieren Sie den Unterschied zwischen Funktionsdefinition und Funktionsaufruf.
  • Schreiben Sie eine Funktion, die eine kleine, feste Anzahl von Argumenten annimmt und ein einziges Ergebnis liefert.

Zerlegen Sie Programme in Funktionen, um sie besser verstehen zu können.

  • Der Mensch kann nur einige wenige Dinge gleichzeitig im Arbeitsgedächtnis behalten.
  • Verstehen Sie größere/kompliziertere Ideen, indem Sie Teile verstehen und kombinieren.
    • Komponenten in einer Maschine.
    • Lemmata beim Beweisen von Theoremen.
  • Funktionen dienen in Programmen demselben Zweck.
    • Kapseln wir die Komplexität ein, so dass wir sie als ein einziges “Ding” behandeln können.
  • Ermöglicht auch die Wiederverwendung.
    • Einmal schreiben, viele Male verwenden.

Definieren Sie eine Funktion mit def mit einem Namen, Parametern und einem Codeblock.

  • Beginnen Sie die Definition einer neuen Funktion mit def.
  • Gefolgt vom Namen der Funktion.
    • Muss denselben Regeln gehorchen wie Variablennamen.
  • Dann Parameter in Klammern.
    • Leere Klammern, wenn die Funktion keine Eingaben annimmt.
    • Wir werden dies gleich im Detail besprechen.
  • Dann ein Doppelpunkt.
  • Dann ein eingerückter Code-Block.

PYTHON 

def print_greeting():
    print('Hello!')
    print('The weather is nice today.')
    print('Right?')

Durch die Definition einer Funktion wird diese nicht ausgeführt.

  • Die Definition einer Funktion führt sie nicht aus.
    • Wie die Zuweisung eines Wertes zu einer Variablen.
  • Muss die Funktion aufrufen, um den in ihr enthaltenen Code auszuführen.

PYTHON 

print_greeting()

AUSGABE 

Hello!

Argumente in einem Funktionsaufruf werden mit ihren definierten Parametern abgeglichen.

  • Funktionen sind am nützlichsten, wenn sie mit verschiedenen Daten arbeiten können.
  • Geben Sie Parameter an, wenn Sie eine Funktion definieren.
    • Diese werden zu Variablen, wenn die Funktion ausgeführt wird.
    • werden die Argumente im Aufruf (d.h. die der Funktion übergebenen Werte) zugeordnet.
    • Wenn Sie die Argumente nicht benennen, wenn Sie sie im Aufruf verwenden, werden die Argumente den Parametern in der Reihenfolge zugeordnet, in der die Parameter in der Funktion definiert sind.

PYTHON 

def print_date(year, month, day):
    joined = str(year) + '/' + str(month) + '/' + str(day)
    print(joined)

print_date(1871, 3, 19)

AUSGABE 

1871/3/19

Oder wir können die Argumente benennen, wenn wir die Funktion aufrufen, was uns erlaubt, sie in beliebiger Reihenfolge anzugeben und die Aufrufseite übersichtlicher zu gestalten; andernfalls könnte man beim Lesen des Codes vergessen, ob das zweite Argument zum Beispiel der Monat oder der Tag ist.

PYTHON 

print_date(month=3, day=19, year=1871)

AUSGABE 

1871/3/19
  • Über Twitter: () enthält die Zutaten für die Funktion, während der Körper das Rezept enthält.

Funktionen können mit return ein Ergebnis an ihren Aufrufer zurückgeben.

  • Verwenden Sie return ..., um einen Wert an den Aufrufer zurückzugeben.
  • Kann an beliebiger Stelle in der Funktion auftreten.
  • Aber Funktionen sind leichter zu verstehen, wenn return vorkommt:
    • Am Anfang, um Sonderfälle zu behandeln.
    • Ganz am Ende, mit einem Endergebnis.

PYTHON 

def average(values):
    if len(values) == 0:
        return None
    return sum(values) / len(values)

PYTHON 

a = average([1, 3, 4])
print('average of actual values:', a)

AUSGABE 

average of actual values: 2.6666666666666665

PYTHON 

print('average of empty list:', average([]))

AUSGABE 

average of empty list: None

PYTHON 

result = print_date(1871, 3, 19)
print('result of call is:', result)

AUSGABE 

1871/3/19
result of call is: None
Aufgabe

Erkennen von Syntaxfehlern

  1. Lesen Sie den folgenden Code und versuchen Sie, die Fehler zu identifizieren, ohne ihn auszuführen.
  2. Führen Sie den Code aus und lesen Sie die Fehlermeldung. Ist es ein SyntaxError oder ein IndentationError?
  3. Beheben Sie den Fehler.
  4. Wiederholen Sie die Schritte 2 und 3, bis Sie alle Fehler behoben haben.

PYTHON 

def another_function
  print("Syntax errors are annoying.")
   print("But at least python tells us about them!")
  print("So they are usually not too hard to fix.")

PYTHON 

def another_function():
  print("Syntax errors are annoying.")
  print("But at least Python tells us about them!")
  print("So they are usually not too hard to fix.")
Aufgabe

Definition und Verwendung

Was gibt das folgende Programm aus?

PYTHON 

def report(pressure):
    print('pressure is', pressure)

print('calling', report, 22.5)

AUSGABE 

calling <function report at 0x7fd128ff1bf8> 22.5

Ein Funktionsaufruf muss immer in Klammern gesetzt werden, sonst erhält man die Speicheradresse des Funktionsobjekts. Wenn wir also die Funktion mit dem Namen report aufrufen und ihr den Wert 22.5 geben wollen, könnten wir unseren Funktionsaufruf wie folgt formulieren

PYTHON 

print("calling")
report(22.5)

AUSGABE 

calling
pressure is 22.5
Aufgabe

Reihenfolge der Operationen

  1. Was ist in diesem Beispiel falsch?

PYTHON 

result = print_time(11, 37, 59)

def print_time(hour, minute, second):
   time_string = str(hour) + ':' + str(minute) + ':' + str(second)
   print(time_string)
  1. Erläutern Sie nach der Lösung des obigen Problems, warum dieser Beispielcode ausgeführt wird:

PYTHON 

result = print_time(11, 37, 59)
print('result of call is:', result)

ergibt diese Ausgabe:

AUSGABE 

11:37:59
result of call is: None
  1. Warum ist das Ergebnis des Aufrufs None?

  1. Das Problem bei diesem Beispiel ist, dass die Funktion print_time() erst nach dem Aufruf der Funktion definiert wird. Python weiß nicht, wie es den Namen print_time auflösen soll, da er noch nicht definiert wurde, und wird ein NameError auslösen, z.B. NameError: name 'print_time' is not defined

  2. Die erste Zeile der Ausgabe 11:37:59 wird von der ersten Codezeile result = print_time(11, 37, 59) gedruckt, die den durch den Aufruf von print_time zurückgegebenen Wert an die Variable result bindet. Die zweite Zeile stammt aus dem zweiten Druckaufruf, um den Inhalt der Variablen result zu drucken.

  3. print_time() nicht explizit return einen Wert, so dass es automatisch None zurückgibt.

Aufgabe

Einkapselung

Füllen Sie die Leerzeichen aus, um eine Funktion zu erstellen, die einen einzelnen Dateinamen als Argument nimmt, die Daten in die durch das Argument benannte Datei lädt und den Mindestwert in diesen Daten zurückgibt.

PYTHON 

import pandas as pd

def min_in_data(____):
    data = ____
    return ____

PYTHON 

import pandas as pd

def min_in_data(filename):
    data = pd.read_csv(filename)
    return data.min()
Aufgabe

Finde die erste

Füllen Sie die Lücken aus, um eine Funktion zu erstellen, die eine Liste von Zahlen als Argument nimmt und den ersten negativen Wert in der Liste zurückgibt. Was macht Ihre Funktion, wenn die Liste leer ist? Was ist, wenn die Liste keine negativen Zahlen enthält?

PYTHON 

def first_negative(values):
    for v in ____:
        if ____:
            return ____

PYTHON 

def first_negative(values):
    for v in values:
        if v < 0:
            return v

Wenn eine leere Liste oder eine Liste mit allen positiven Werten an diese Funktion übergeben wird, gibt sie None zurück:

PYTHON 

my_list = []
print(first_negative(my_list))

AUSGABE 

None
Aufgabe

Aufruf durch Name

Vorhin haben wir diese Funktion gesehen:

PYTHON 

def print_date(year, month, day):
    joined = str(year) + '/' + str(month) + '/' + str(day)
    print(joined)

Wir haben gesehen, dass wir die Funktion mit benannten Argumenten aufrufen können, etwa so:

PYTHON 

print_date(day=1, month=2, year=2003)
  1. Was gibt print_date(day=1, month=2, year=2003) aus?
  2. Wann haben Sie schon einmal einen Funktionsaufruf wie diesen gesehen?
  3. Wann und warum ist es sinnvoll, Funktionen auf diese Weise aufzurufen?
  1. 2003/2/1
  2. Wir haben Beispiele für die Verwendung von benannten Argumenten bei der Arbeit mit der Pandas-Bibliothek gesehen. Wenn man zum Beispiel einen Datensatz mit data = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country') einliest, ist das letzte Argument index_col ein benanntes Argument.
  3. Die Verwendung von benannten Argumenten kann den Code lesbarer machen, da man aus dem Funktionsaufruf erkennen kann, welchen Namen die verschiedenen Argumente innerhalb der Funktion haben. Es kann auch die Wahrscheinlichkeit verringern, dass Argumente in der falschen Reihenfolge übergeben werden, da bei der Verwendung von benannten Argumenten die Reihenfolge keine Rolle spielt.
Aufgabe

Einkapselung eines If/Print-Blocks

Der folgende Code wird auf einem Etikettendrucker für Hühnereier ausgeführt. Eine digitale Waage meldet dem Computer die Masse eines Hühnereis (in Gramm) und der Computer druckt dann ein Etikett.

PYTHON 

import random
for i in range(10):

    # simulating the mass of a chicken egg
    # the (random) mass will be 70 +/- 20 grams
    mass = 70 + 20.0 * (2.0 * random.random() - 1.0)

    print(mass)

    # egg sizing machinery prints a label
    if mass >= 85:
        print("jumbo")
    elif mass >= 70:
        print("large")
    elif mass < 70 and mass >= 55:
        print("medium")
    else:
        print("small")

Der if-Block, der die Eier klassifiziert, könnte auch in anderen Situationen nützlich sein. Um eine Wiederholung zu vermeiden, könnten wir ihn in eine Funktion falten, get_egg_label(). Wenn wir das Programm überarbeiten, um die Funktion zu verwenden, würden wir folgendes erhalten:

PYTHON 

# revised version
import random
for i in range(10):

    # simulating the mass of a chicken egg
    # the (random) mass will be 70 +/- 20 grams
    mass = 70 + 20.0 * (2.0 * random.random() - 1.0)

    print(mass, get_egg_label(mass))
  1. Erstellen Sie eine Funktionsdefinition für get_egg_label(), die mit dem überarbeiteten Programm oben funktionieren wird. Beachten Sie, dass der Rückgabewert der Funktion get_egg_label() wichtig sein wird. Die Beispielausgabe des obigen Programms wäre 71.23 large.
  2. Ein schmutziges Ei könnte eine Masse von mehr als 90 Gramm haben, und ein verdorbenes oder zerbrochenes Ei hat wahrscheinlich eine Masse von weniger als 50 Gramm. Ändern Sie Ihre Funktion get_egg_label(), um diese Fehlerbedingungen zu berücksichtigen. Eine Beispielausgabe könnte 25 too light, probably spoiled sein.

PYTHON 

def get_egg_label(mass):
    # egg sizing machinery prints a label
    egg_label = "Unlabelled"
    if mass >= 90:
        egg_label = "warning: egg might be dirty"
    elif mass >= 85:
        egg_label = "jumbo"
    elif mass >= 70:
        egg_label = "large"
    elif mass < 70 and mass >= 55:
        egg_label = "medium"
    elif mass < 50:
        egg_label = "too light, probably spoiled"
    else:
        egg_label = "small"
    return egg_label
Aufgabe

Verkapselnde Datenanalyse

Nehmen Sie an, dass der folgende Code ausgeführt wurde:

PYTHON 

import pandas as pd

data_asia = pd.read_csv('data/gapminder_gdp_asia.csv', index_col=0)
japan = data_asia.loc['Japan']
  1. Vervollständigen Sie die nachstehenden Aussagen, um das durchschnittliche BIP Japans über die für die 1980er Jahre angegebenen Jahre zu erhalten.

PYTHON 

year = 1983
gdp_decade = 'gdpPercap_' + str(year // ____)
avg = (japan.loc[gdp_decade + ___] + japan.loc[gdp_decade + ___]) / 2
  1. Fassen Sie den obigen Code in einer einzigen Funktion zusammen.

PYTHON 

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_'+___+'.csv',delimiter=',',index_col=0)
    ____
    ____
    ____
    return avg
  1. Wie würden Sie diese Funktion verallgemeinern, wenn Sie im Voraus nicht wüssten, welche spezifischen Jahre als Spalten in den Daten vorkommen? Was wäre zum Beispiel, wenn wir für jedes Jahrzehnt auch Daten von Jahren hätten, die mit 1 und 9 enden? (Tipp: Verwenden Sie die Spalten, um die Spalten herauszufiltern, die dem Jahrzehnt entsprechen, anstatt sie im Code aufzuzählen)
  1. Das durchschnittliche BIP für Japan über die Jahre, die für die 1980er Jahre berichtet werden, wird mit berechnet:

PYTHON 

year = 1983
gdp_decade = 'gdpPercap_' + str(year // 10)
avg = (japan.loc[gdp_decade + '2'] + japan.loc[gdp_decade + '7']) / 2
  1. Dieser Code als Funktion ist:

PYTHON 

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_' + continent + '.csv', index_col=0)
    c = data_countries.loc[country]
    gdp_decade = 'gdpPercap_' + str(year // 10)
    avg = (c.loc[gdp_decade + '2'] + c.loc[gdp_decade + '7'])/2
    return avg
  1. Um den Durchschnitt für die betreffenden Jahre zu erhalten, müssen wir eine Schleife über sie ziehen:

PYTHON 

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_' + continent + '.csv', index_col=0)
    c = data_countries.loc[country]
    gdp_decade = 'gdpPercap_' + str(year // 10)
    total = 0.0
    num_years = 0
    for yr_header in c.index: # c's index contains reported years
        if yr_header.startswith(gdp_decade):
            total = total + c.loc[yr_header]
            num_years = num_years + 1
    return total/num_years

Die Funktion kann nun aufgerufen werden durch:

PYTHON 

avg_gdp_in_decade('Japan','asia',1983)

AUSGABE 

20880.023800000003
Aufgabe

Simulation eines dynamischen Systems

In der Mathematik ist ein dynamisches System ein System, in dem eine Funktion die Zeitabhängigkeit eines Punktes in einem geometrischen Raum beschreibt. Ein kanonisches Beispiel für ein dynamisches System ist die logistische Karte, ein Wachstumsmodell, das eine neue Bevölkerungsdichte (zwischen 0 und 1) auf der Grundlage der aktuellen Dichte berechnet. In diesem Modell nimmt die Zeit die diskreten Werte 0, 1, 2, …

  1. Definieren Sie eine Funktion namens logistic_map, die zwei Eingaben benötigt: x, die die aktuelle Bevölkerung (zum Zeitpunkt t) darstellt, und einen Parameter r = 1. Diese Funktion sollte einen Wert zurückgeben, der den Zustand des Systems (der Population) zum Zeitpunkt t + 1 repräsentiert, wobei die Abbildungsfunktion verwendet wird:

f(t+1) = r * f(t) * [1 - f(t)]

  1. Iterieren Sie die in Teil 1 definierte Funktion logistic_map ausgehend von einer Grundgesamtheit von 0,5 über einen Zeitraum von t_final = 10 in einer Schleife for oder while. Speichern Sie die Zwischenergebnisse in einer Liste, so dass Sie nach Beendigung der Schleife eine Folge von Werten haben, die den Zustand der logistischen Karte zu Zeiten t = [0,1,...,t_final] (insgesamt 11 Werte) darstellen. Drucken Sie diese Liste aus, um die Entwicklung der Population zu sehen.

  2. Kapseln Sie die Logik Ihrer Schleife in eine Funktion mit dem Namen iterate, die die Ausgangsbevölkerung als erste Eingabe, den Parameter t_final als zweite Eingabe und den Parameter r als dritte Eingabe erhält. Die Funktion sollte die Liste der Werte zurückgeben, die den Zustand der logistischen Karte zu den Zeitpunkten t = [0,1,...,t_final] darstellen. Führen Sie diese Funktion für die Zeiträume t_final = 100 und 1000 aus und geben Sie einige der Werte aus. Entwickelt sich die Bevölkerung zu einem stabilen Zustand?

PYTHON 

def logistic_map(x, r):
    return r * x * (1 - x)

PYTHON 

initial_population = 0.5
t_final = 10
r = 1.0
population = [initial_population]

for t in range(t_final):
    population.append( logistic_map(population[t], r) )

PYTHON 

def iterate(initial_population, t_final, r):
    population = [initial_population]
    for t in range(t_final):
        population.append( logistic_map(population[t], r) )
    return population

for period in (10, 100, 1000):
    population = iterate(0.5, period, 1)
    print(population[-1])

AUSGABE 

0.06945089389714401
0.009395779870614648
0.0009913908614406382

Die Bevölkerung scheint sich dem Nullpunkt zu nähern.

Wichtig

Verwendung von Funktionen mit Konditionalen in Pandas

Funktionen enthalten oft Konditionale. Hier ist ein kurzes Beispiel, das anzeigt, in welchem Quartil sich das Argument befindet, basierend auf handcodierten Werten für die Quartilsschnittpunkte.

PYTHON 

def calculate_life_quartile(exp):
    if exp < 58.41:
        # This observation is in the first quartile
        return 1
    elif exp >= 58.41 and exp < 67.05:
        # This observation is in the second quartile
       return 2
    elif exp >= 67.05 and exp < 71.70:
        # This observation is in the third quartile
       return 3
    elif exp >= 71.70:
        # This observation is in the fourth quartile
       return 4
    else:
        # This observation has bad data
       return None

calculate_life_quartile(62.5)

AUSGABE 

2

Diese Funktion würde typischerweise innerhalb einer for-Schleife verwendet werden, aber Pandas hat einen anderen, effizienteren Weg, das Gleiche zu tun, und zwar durch Anwendung einer Funktion auf einen Datenrahmen oder einen Teil eines Datenrahmens. Hier ist ein Beispiel, das die obige Definition verwendet.

PYTHON 

data = pd.read_csv('data/gapminder_all.csv')
data['life_qrtl'] = data['lifeExp_1952'].apply(calculate_life_quartile)

Diese zweite Zeile enthält eine ganze Menge, also gehen wir sie Stück für Stück durch. Auf der rechten Seite von = beginnen wir mit data['lifeExp'], das ist die Spalte in dem Datenrahmen namens data mit der Bezeichnung lifExp. Wir benutzen apply(), um das zu tun, was es sagt, nämlich calculate_life_quartile auf den Wert dieser Spalte für jede Zeile des Datenrahmens anzuwenden.

Hauptpunkte
  • Zerlegen Sie Programme in Funktionen, um sie besser verstehen zu können.
  • Definieren Sie eine Funktion mit def mit einem Namen, Parametern und einem Codeblock.
  • Die Definition einer Funktion führt sie nicht aus.
  • Argumente in einem Funktionsaufruf werden mit ihren definierten Parametern abgeglichen.
  • Funktionen können mit return ein Ergebnis an ihren Aufrufer zurückgeben.