Method Overloading and Method Overriding

ماشین حساب (قسمت چهارم)

حساسیت به حروف کوچک یا بزرگ
هر کاربر روش خاصی برای نوشتن کلمات دارد. با این که برخی افراد همه حروف را به صورت کوچک می‌نویسند؛ اما برخی دیگر حروف ابتدای کلمات را بزرگ می‌نویسند، هدف ما این است که خروجی کلمه‌هایی که به صورت‌های مختلف نوشته می‌شوند، همواره یکسان باشد. برای نمونه Rain و rain هر دو یک خروجی ایجاد می‌کنند. برای رسیدن به این هدف باید کلمه‌ای که کاربر وارد کرده را به حالت «همه حروف کوچک»، تبدیل کنیم، چون داده‌های ما در همین قالب هستند. این کار در پایتون با استفاده از متد ()lower ممکن است.

حالت 1 – برای اطمینان از این که برنامه ما تعریف کلماتی را که با حرف بزرگ آغاز شده‌اند (مانند Texas یا Tehran) به درستی بازگشت می‌دهد باید با استفاده از یک شرط if-else این وضعیت را بررسی کنیم.
حالت 2– برای اطمینان از این که برنامه ما تعریف کلمات اختصاری (مانند USA یا UN) را به درستی بازگشت می‌دهد، باید حالت‌های حروف بزرگ را نیز بررسی کنیم.

باسلام امروز میخوایم برای کاربران که جدید به کانال ما پيوستند از ابتدا نصب پايتون فيلم بزاريم و شروع كنيم .

نصب پايتون در ويندوز و نصب ويرايشگرgea

نزدیک‌ترین مطابقت
اکنون در مواردی که کاربر هنگام وارد کردن کلمه مورد نظر خود اشتباه املایی دارد، می خواهیم نزدیک‌ترین کلمه مطابق را به او پیشنهاد دهیم و بپرسیم آیا معنای این کلمه را می‌خواهد یا نه. این کار در پایتون با استفاده از کتابخانه difflib ممکن است. دو متد برای انجام این کار وجود دارد. ما هر دو را معرفی می‌کنیم و سپس آن را که کارایی بیشتری دارد انتخاب می‌کنیم.

Exception Handling

File handling

نصب ERIC در ویندوز

روش اول: Sequence Matcher
برای درک این متد، ابتدا باید کتابخانه را ایمپورت کنیم و متد مورد نظر را از آن واکشی کنیم. تابع ()SequenceMatcher کلاً سه پارامتر می‌گیرد. پارامتر اول به بررسی صحت کلمه می‌پردازد، یعنی آیا کاراکتر فاصله یا خطوط خالی دارد یا نه، که در مورد ما چنین چیزی وجود ندارد. پارامترهای دوم و سوم، دو کلمه‌ای هستند که می‌خواهید مشابهت‌های آن‌ها را بیابید. این متد نتیجه را به صورت یک عدد کسری ارائه می‌کند.

Bubble Sort in python

روش دوم: دریافت نزدیک‌ترین مورد مطابقت
روش کار این متد چنین است که پارامتر نخست به عنوان کلمه‌ای است که می‌خواهیم مطابق آن را بیابیم و پارامتر دوم فهرست کلماتی است که مطابقت داشته‌اند. پارامتر سوم تعداد موارد مطابقتی را شامل می‌شود که می‌خواهید در خروجی خود داشته باشید. پارامتر آخر نیز یک معیار است که به صورت عددی نسبی، مانند متد قبلی عمل می‌کند. بدین ترتیب می‌توانیم مثلاً یک معیار به صورت 99% تعیین کنیم که صرفاً کلماتی که این معیار را دارند بازگشت یابند. بر حسب نیاز خود یک معیار برای این پارامتر تعیین کنید.

نصب پايتون وويرايشگرها درlinux

Binary Search Using Python

مقداردهی چندگانه

تزئین خروجی
در بخش قبل موفق شدیم تعریف واژه را از داده‌های خود استخراج کنیم و به کاربر نمایش دهیم؛ اما با وجود کروشه و موارد دیگر، متن خروجی چندان زیبا دیده نمی‌شود. در ادامه، این موارد را حذف کرده و ظاهر آن را زیباتر می‌کنیم. آیا متوجه شدید که واژه rain بیش از یک تعریف دارد؟ چندین واژه در میان داده‌های ما وجود دارند که بیش از یک تعریف دارند و از این رو باید برای کلماتی که بیش از یک معنی ‌دارند، حلقه‌ای روی خروجی قرار دهیم و تنها مواردی را نمایش دهیم که یک تعریف دارند:اینک خروجی ما ظاهر بهتری یافته است. کد کامل برنامه را برای مطالعه در ادامه ارائه می‌کنیم. شما می‌توانید این برنامه را بنا بر نیازهای خود اصلاح کرده و یا ارتقا دهید