🎯 Gerador de Expressões em Python

Em poucas palavras

Definição técnica ou simplificada do conceito.

---

📝 Notas e Desenvolvimento

---

🔗 Conexões e Contexto

• Atlas: MdC - Programação
• Notas Relacionadas:

---

📚 Referências e Fontes

Links Externos

• Youtube
• Wikipedia

Citações Diretas

📂 Outros Conteúdos Preservados

Sintaxe

Uma expressão geradora usa parênteses () em vez de colchetes [] (usados em compreensões de lista) para definir a lógica de geração:

gerador = (expressao for item in iteravel if condicao)

Como Funcionam

Quando uma expressão geradora é executada, ela não retorna uma lista, mas sim um objeto gerador (um tipo de iterador). Este objeto pode ser iterado para produzir os valores um por um.

Exemplo de Criação:

colors = ['black', 'white']
sizes = ['S', 'M', 'L']
 
### Cria uma expressão geradora
 
combinacoes = (f'{c} {s}' for c in colors for s in sizes)
 
### O resultado é um objeto gerador, não uma lista
 
 
 
### print(combinacoes) # Saída: <generator object <genexpr> at 0x...>
 

Consumindo uma Expressão Geradora

Para obter os valores de um objeto gerador, você pode:

1. Usar a função next(): Para obter um valor por vez.

   print(next(combinacoes)) # Saída: 'black S'
   print(next(combinacoes)) # Saída: 'black M'
   # ... e assim por diante até que o gerador se esgote

   Quando o gerador não tem mais elementos, ele levanta uma exceção StopIteration.

2. Iterar com um loop for: Esta é a forma mais comum e idiomática de consumir geradores.

   for item in combinacoes:
       print(item)
   # Saída:
   # black S
   # black M
   # black L
   # white S
   # white M
   # white L

3. Converter para uma lista (ou outra coleção): Embora isso anule o benefício de economia de memória para grandes conjuntos de dados, é possível converter o gerador em uma lista se todos os elementos forem necessários de uma vez.

   lista_combinacoes = list(combinacoes)
   # print(lista_combinacoes)
   # Saída: ['black S', 'black M', 'black L', 'white S', 'white M', 'white L']

Vantagens

• Eficiência de Memória: Não armazena todos os resultados na memória, ideal para grandes datasets.
• Avaliação Preguiçosa: Os valores são calculados apenas quando são necessários, o que pode economizar tempo de processamento se nem todos os valores forem consumidos.

:: Referência :: PEP 289 – Generator Expressions