Computação 2. Revisão Geral professor: Leonardo Carvalho

Transcrição

1 Computação 2 Revisão Geral professor: Leonardo Carvalho

2 Datas das provas P2: 24/02/2016 P3: 09/03/2016

3 Revisão

4 Recursão

5 Fatorial recursivo def fatorial(n): if n > 0: return n*fatorial(n-1) else: return 1

6 Árvore def arvore(s): if s < 2: return turtle.forward(s) turtle.left(30) arvore(.6*s) turtle.right(60) arvore(.6*s) turtle.left(30) turtle.backward(s)

7 Exercício 5 def sierpinski(s): '''Desenha o triangulo de sierpinski.''' if s > 1: for i in range(3): sierpinski(.5*s) turtle.forward(s) turtle.left(120)... sierpinski(400)...

8 Orientação a objetos

9 Classes class Personagem(object): '''Um personagem de um jogo incrível.''' def init (self, nome): '''Inicializa um personagem com o nome especificado.''' self.nome = nome self._vida = 100 self._xp = 0 def mostra_tudo(self): '''Imprime todas os dados do personagem.''' print 'nome:', self.nome print 'vida:', self._vida print 'xp:', self._xp

10 Classes >>> a = Personagem('Chuck Norris') >>> a.nome 'Chuck Norris' >>> a.mostra_tudo() nome: Chuck Norris vida: 100 xp: 0 >>> Personagem.mostra_tudo(a) # Forma equivalente a a.mostra_tudo() nome: Chuck Norris vida: 100 xp: 0

11 Métodos especiais class Vetor(object): def init (self, x, y): self.x = x self.y = y def str (self): return str(self.x) + ' ' + str(self.y) def add (self, u): x = self.x + u.x y = self.y + u.y return Vetor(x, y) def sub (self, u): x = self.x - u.x y = self.y - u.y return Vetor(x, y)

12 Métodos especiais >>> u = Vetor(23, 12) >>> v = Vetor(-4, 5) >>> print u >>> print v -4 5 >>> print u+v >>> print u-v 27 7

13 Métodos especiais Outros métodos possíveis: mul : multiplicação div : divisão eq : operador == ne : operador!= lt : operador < le : operador <= gt : operador > ge : operador >=

14 Herança class Animal(object): def init (self): print 'Animal criado!' def quem_sou_eu(self): return 'Animal' def come(self): print 'Comendo...' def fala(self): pass

15 Herança class Gato(Animal): def init (self): Animal. init (self) print 'Gato criado!' def quem_sou_eu(self): return 'Gato' def fala(self): print 'miau'

16 Herança class Cachorro(Animal): def init (self): Animal. init (self) print 'Cachorro criado!' def quem_sou_eu(self): return 'Cachorro' def fala(self): print 'au au'

17 Herança x = Animal() y = Gato() z = Cachorro() print x.quem_sou_eu() print y.quem_sou_eu() x.come() y.come() z.come() Animal criado! Animal criado! Gato criado! Animal criado! Cachorro criado! Animal Gato Comendo... Comendo... Comendo...

18 Polimorfismo def falem(l): for x in L: if isinstance(x, Animal): x.fala() else: print x, 'não é animal'... L = [Animal(), 32, Gato(), 100, 'abacate', Cachorro()] falem(l) não é animal miau 100 não é animal abacate não é animal au au

19 Arquivos 19

20 Lendo arquivos de texto f = open('dados.txt') tudo = f.read() for linha in tudo.split('\n'): print linha f.close()

21 Lendo arquivos de texto Opção mais segura, fechamento automático do arquivo: with open('dados.txt') as f: tudo = f.read() for linha in tudo.split('\n'): print linha

22 Lendo arquivos de texto Opção mais simples: with open('dados.txt') as f: for linha in f: print linha,

23 Criando arquivos de texto with open('saida.txt', 'w') as f: for x in range(100): f.write('valor = ' + str(x) + '\n')

24 Criando arquivos de texto Modo de adição: with open('saida.txt', 'a') as f: f.write('bilu teteia\n')

25 Tratamento de exceções 25

26 Blocos try...except try: i = int(raw_input('digite um valor: ')) j = int(raw_input('digite um valor: ')) r = i/j print 'divisão = ', r except ValueError: print 'Valor inválido!' except ZeroDivisionError: print 'Divisão por zero.' 26

27 Propagação de exceções def processa(i, j): if i < j: raise ValueError r = i/j print 'divisão = ', r try: i = int(raw_input('digite um valor: ')) j = int(raw_input('digite um valor: ')) processa(i, j) except ValueError: print 'Valor inválido!' except ZeroDivisionError: print 'Divisão por zero.' 27

28 Açúcar sintático

29 List comprehension Ao invés de escrever isto: A = [] for i in L: A.append(funcao(i)) podemos escrever: A = [funcao(i) for i in L] 29

30 Dict comprehension Ao invés de escrever isto: A = {} for i in L: A[2*i] = 10*i-8 podemos escrever: A = {2*i: 10*i-8 for i in L} 30

31 Funções lambda Ao invés de escrever isto: def f(x): return x**2-3*x + 2 podemos escrever: f = lambda x: x**2-3*x

32 numpy

33 Numpy >>> import numpy as np >>> x = np.array([8, 9, 1, 4, 2, 9]) >>> y = np.linspace(0, 10, 6) >>> x + y array([ 8., 11., 5., 10., 10., 19.]) >>> x - y array([ 8., 7., -3., -2., -6., -1.]) >>> x*y array([ 0., 18., 4., 24., 16., 90.]) >>> 10*x array([80, 90, 10, 40, 20, 90]) >>> np.dot(x, y) 152.0

34 Exemplo Calcular 1/(1+x²) em 20 valores de x entre 0 e 10. import numpy as np f = lambda x: 1.0/(1.0 + x**2) x = np.linspace(0.0, 10.0, 20) y = f(x) print y [ ]

35 Exemplo Unir dois arrays unidimensionais formando um array bidimensional. >>> import numpy as np >>> x = np.array([1, 2, 3, 5]) >>> y = np.array([8, 7, 4, 9]) >>> z = np.array([x, y]) >>> z array([[1, 2, 3, 5], [8, 7, 4, 9]])

36 Matrizes >>> import numpy as np >>> A = np.matrix([ [1, 2], [3, 4] ]) >>> print A [[1 2] [3 4]] >>> B = np.matrix([ [5, 2, 7], [8, 2, 1] ]) >>> A*B matrix([[21, 6, 9], [47, 14, 25]]) >>> A.T matrix([[1, 3], [2, 4]]) >>> A.I matrix([[-2., 1. ], [ 1.5, -0.5]])

37 scipy

38 Resolução de sistemas lineares Resolver sistemas lineares Ax = b: >>> import numpy as np >>> from scipy import linalg >>> A = np.matrix([ [1, 2], [3, 4] ]) >>> b = np.matrix([ [1], [5] ]) >>> x = linalg.solve(a, b) >>> x array([[ 3.], [-1.]]) >>> A*x matrix([[ 1.], [ 5.]])

39 Mínimos quadrados import numpy as np from scipy import linalg A = np.matrix([ [4, 3, 2], [7, 2, 5], [8, 0, -1], [9, 7, -3] ]) b = np.matrix([ [2], [1], [0], [4] ]) x, resid, rank, sing_val = linalg.lstsq(a, b) print x print resid print rank print sing_val 39

40 Integração import scipy.integrate as integrate res, err = integrate.quad(lambda x: 6*x**2-4*x-2, 0, 5) print res, err e-12 40

41 Integração import scipy.integrate as integrate def f(x, y): return x*y res, err = integrate.dblquad(f, 0.0, 0.5, lambda y: 0, lambda y: 1-2*y) print 1.0/96, res, err e-16 41

42 Cálculo de raízes import scipy.optimize as optimize from numpy import sin, cos print optimize.bisect(lambda x: x*sin(2*x)*cos(3*x**2), 1, 1.5)

43 Interpolação from scipy.interpolate import interp1d import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 5) y = np.array([3, -2, 1, 0, 2]) f1 = interp1d(x, y) f2 = interp1d(x, y, kind='cubic')... 43

44 matplotlib

45 Matplotlib import matplotlib.pyplot as plt import numpy as np x = np.linspace(-3*np.pi, 3*np.pi, 256) plt.plot(x, np.cos(x)) plt.plot(x, np.sin(x)) axes = plt.axes() axes.set_aspect('equal') plt.show()

46 Matplotlib import matplotlib.pyplot as plt import numpy as np t = np.linspace(0, 2*np.pi, 1000) x = np.sin(5*t) y = np.sin(8*t) plt.plot(x, y) axes = plt.axes() axes.set_aspect('equal') plt.show()

47 Matplotlib Como plotar pontos de arrays bidimensionais?... P = np.array([ [9, 8, 7, 3, 7, 1, 4, 5], [2, 0, 1, 4, 3, 5, 6, 1] ]) plt.plot(p[0], P[1], 'o') axes = plt.axes() axes.set_aspect('equal') plt.show()

48 Matplotlib Como plotar pontos de arrays bidimensionais?... P = np.array( [ [3, 1], [5, 2], [3, 3], [4, 5], [4, 7], [2, 4] ]) plt.plot(p[:, 0], P[:, 1], 'o') axes = plt.axes() axes.set_aspect('equal') plt.show()

49 Matplotlib Como plotar pontos de matrizes bidimensionais?... P = np.matrix([ [9, 8, 7, 3, 7, 1, 4, 5], [2, 0, 1, 4, 3, 5, 6, 1] ]) plt.plot(p.a[0], P.A[1], 'o') axes = plt.axes() axes.set_aspect('equal') plt.show()

50 Matplotlib Como plotar pontos de matrizes bidimensionais?... P = np.matrix( [ [3, 1], [5, 2], [3, 3], [4, 5], [4, 7], [2, 4] ]) plt.plot(p.a[:, 0], P.A[:, 1], 'o') axes = plt.axes() axes.set_aspect('equal') plt.show()

51 Gerenciamento de recursos 51

52 Gerenciamento de recursos Como evitar vazamento de recursos? try: comandos1 finally: comandos2 comandos2 serão executados após os comandos1, mesmo que comandos1 sejam interrompidos. 52

53 Gerenciamento de recursos Blocos with with expressão1 as variável comandos 53

54 Serialização 54

55 Módulo pickle import numpy as np import pickle x = np.linspace(0, 2*np.pi, 1000) y = np.sin(x) with open('out.data', 'wb') as f: pickle.dump(x, f) pickle.dump(y, f) 55

56 Módulo pickle import matplotlib.pyplot as plt import pickle with open('out.data', 'rb') as f: x = pickle.load(f) y = pickle.load(f) plt.plot(x, y) plt.show() 56

57 Módulo json JSON é um formato de dados utilizado em diversas linguagens de programação >>> import json >>> x = ['a', 43, 'batatinha'] >>> with open('saida.json', 'w') as f:... json.dump(x, f)... Com este código é criado um arquivo saida.json contendo: ["a", 43, "batatinha"] 57

58 Módulo json >>> import json >>> with open('saida.json', 'r') as f:... x = json.load(f)... >>> x [u'a', 43, u'batatinha'] 58

59