Tipi di dati in Python spiegati: guida per principianti

1. Tipi di dati numerici

Python offre diversi tipi di dati numerici per gestire varie tipologie di valori numerici.

1.1. Interi (int): 

Numeri interi, positivi o negativi, senza componente frazionaria. 

Sono valori numerici fondamentali che rappresentano conteggi o misurazioni discrete. 

A differenza dei numeri in virgola mobile, gli interi sono esatti e non implicano approssimazioni, il che li rende ideali quando la precisione è importante, ad esempio per indicizzare o contare elementi.

age = 25

1.2. Numeri in virgola mobile (float):

Numeri con punto decimale o in forma esponenziale. 

Questi valori sono comunemente usati in scenari che richiedono precisione frazionaria, come calcoli finanziari, misurazioni scientifiche e grafica. 

I numeri in virgola mobile possono anche rappresentare valori estremamente grandi o piccoli usando la notazione esponenziale, rendendoli versatili per molte applicazioni numeriche.

price = 19.99

1.3. Numeri complessi (complex): 

Numeri con parte reale e immaginaria. I numeri complessi sono utili in campi come l'ingegneria elettrica, la fisica e l'elaborazione dei segnali, dove sono comuni operazioni con numeri immaginari.

Python rappresenta i numeri complessi come a + bj, dove a è la parte reale e b la parte immaginaria. Questo supporto integrato semplifica calcoli che in altri linguaggi richiederebbero librerie esterne o implementazioni personalizzate.

z = 2 + 3j

2. Tipi di dati sequenza

Oltre ai numeri, Python fornisce anche tipi di dati sequenza che memorizzano collezioni ordinate di elementi.

2.1. Stringhe (str):

Sequenze ordinate di caratteri racchiuse tra virgolette singole o doppie. Le stringhe sono tra i tipi di dati più versatili in Python e permettono di memorizzare e manipolare dati testuali. 

Sono comunemente usate in attività come la gestione dell'input utente, la creazione di messaggi o l'elaborazione di grandi insiemi di testo. 

Python offre diversi metodi integrati, come .lower(), .upper(), .replace() e .split(), che rendono il lavoro con le stringhe molto efficiente.

greeting = "Welcome to Python!"

2.2. Liste (list):

Le liste sono collezioni ordinate e mutabili di elementi, e possono contenere elementi di tipi diversi. 

Questa flessibilità rende le liste uno dei tipi di dati più usati in Python, adatte ad attività che vanno dalla semplice memorizzazione alla manipolazione complessa dei dati. 

Le liste consentono il ridimensionamento dinamico e supportano varie operazioni come slicing, aggiunta e rimozione di elementi, rendendole una struttura di riferimento quando servono dati ordinati e modificabili.

fruits = ["apple", "banana", "cherry"]

2.3. Tuple (tuple):

Collezioni ordinate e immutabili di elementi. Le tuple sono spesso usate per memorizzare insiemi fissi di dati in cui l'immutabilità è importante, come coordinate geografiche, codici colore RGB o record di database. 

A differenza delle liste, le tuple non possono essere modificate dopo la creazione, il che le rende più veloci e sicure in scenari in cui l'integrità dei dati è critica.

dimensions = (1920, 1080)

3. Tipi di dati mappatura

Mentre le sequenze memorizzano collezioni ordinate di elementi, Python fornisce anche tipi di dati mappatura che associano chiavi a valori. Il tipo di mappatura più usato è il dizionario.

3.1. Dizionari (dict)

Collezioni di coppie chiave-valore, in cui le chiavi sono uniche e immutabili. 

I dizionari sono estremamente versatili e permettono di organizzare e recuperare i dati in modo efficiente usando chiavi significative invece di indici numerici. Questo li rende particolarmente utili per rappresentare dati strutturati, come oggetti JSON o impostazioni di configurazione. 

I dizionari in Python supportano anche varie operazioni, come aggiungere, aggiornare o eliminare coppie chiave-valore, rendendoli uno strumento essenziale in molti scenari di programmazione.

person = {"name": "Alice", "age": 30}

4. Insiemi

Oltre a sequenze e mappature, Python fornisce tipi di dati insieme, che memorizzano collezioni di elementi unici senza un ordine specifico.

4.1. Set (set)

Collezioni non ordinate di elementi unici. I set sono particolarmente utili quando hai bisogno di garantire l'assenza di duplicati nei tuoi dati, ad esempio per test di appartenenza o per rimuovere voci duplicate da una lista. 

Supportano operazioni matematiche come unione, intersezione e differenza, rendendoli strumenti potenti per risolvere problemi che coinvolgono insiemi di dati.

unique_numbers = {1, 2, 3, 4, 5}

4.2. Insiemi congelati (frozenset)

Una versione immutabile di un set, il che significa che, una volta creato, i suoi elementi non possono essere modificati. 

I frozenset sono utili in scenari in cui serve una collezione hashable di elementi unici, ad esempio per usare un set come chiave in un dizionario o per garantire l'integrità di dati che non devono cambiare. 

Mantengono tutte le proprietà dei set regolari, come il supporto per operazioni matematiche come unione e intersezione, con il vantaggio aggiuntivo dell'immutabilità.

immutable_set = frozenset([1, 2, 3])

Per saperne di più, dai un'occhiata all'ottimo tutorial su Set in Python e teoria degli insiemi.

5. Tipo di dato booleano

In molti scenari di programmazione, abbiamo bisogno di un modo per rappresentare i valori di verità. Python fornisce il tipo di dato booleano, che svolge un ruolo nella logica decisionale e nel controllo del flusso.

5.1. Booleano

Valori logici, True o False. Questi valori sono spesso usati nei processi decisionali, come nelle istruzioni condizionali e nei cicli. 

I booleani sono fondamentali per il controllo del flusso, permettendoti di scrivere codice che reagisce dinamicamente in base alle condizioni. 

In Python, i valori booleani possono anche risultare da confronti (es., 5 > 3 restituisce True) o operazioni logiche (es., True and False restituisce False).

is_active = True

6. NoneType

Oltre a tipi numerici, sequenza, mappatura, insiemi e booleani, Python include un tipo di dato speciale per rappresentare l'assenza di un valore.

6.1 None (NoneType)

Rappresenta l'assenza di un valore o un valore nullo. 

Il tipo None è spesso usato per indicare un segnaposto, variabili non inizializzate o il valore di ritorno predefinito di funzioni che non restituiscono esplicitamente nulla. 

È utile soprattutto quando un'operazione potrebbe non produrre un risultato o quando è necessario definire una variabile senza un valore iniziale.

result = None

Tipi di dati avanzati e librerie esterne

Oltre ai tipi integrati fondamentali, Python fornisce anche tipi di dati avanzati per gestire casi d'uso più specializzati. Vediamo i tipi più comuni.

1. Oggetti byte

Gli oggetti byte sono progettati specificamente per gestire dati binari, inclusi file, contenuti multimediali e pacchetti di rete. Questi tipi di dati sono particolarmente utili quando si lavora con dati non testuali. 

Il tipo bytes è immutabile, adatto a operazioni di sola lettura, mentre bytearray offre un'alternativa mutabile per scenari in cui servono modifiche. Il tipo memory view permette l'accesso al buffer di dati interno di un oggetto senza copiarlo, migliorando le prestazioni in applicazioni intensive in memoria.

data = b"hello"  # Immutable bytes object
mutable_data = bytearray(b"hello")  # Mutable bytearray object
view = memoryview(mutable_data)  # Memoryview of the bytearray

2. Array NumPy

Gli array NumPy sono array multidimensionali altamente efficienti progettati per i calcoli numerici. 

A differenza delle liste Python, gli array NumPy offrono prestazioni superiori e sono pensati per le operazioni matematiche. Sono un pilastro del calcolo scientifico, alimentando attività come algebra lineare, trasformate di Fourier e analisi statistica. 

Supportano il broadcasting, che permette operazioni su array di forme diverse, aumentando ulteriormente la loro versatilità.

import numpy as np

# Creating a 1D array
data = np.array([1, 2, 3, 4])

# Creating a 2D array
data_2d = np.array([[1, 2], [3, 4]])

# Performing element-wise operations
squared = data ** 2

Se vuoi saperne di più su NumPy, iscriviti al corso gratuito per principianti Introduzione a NumPy.

3. DataFrame di pandas

I DataFrame di pandas sono strutture di dati tabulari che offrono potenti strumenti per la manipolazione e l'analisi dei dati. Con righe e colonne etichettate, rendono intuitiva ed efficiente la gestione dei dati strutturati.

I DataFrame sono fondamentali nei flussi di lavoro di data science e permettono attività come filtraggio, raggruppamento, unione e aggregazione di grandi dataset. Inoltre, si integrano perfettamente con altre librerie, rendendo pandas indispensabile per l'analisi dati moderna.

import pandas as pd

# Creating a simple DataFrame
data = pd.DataFrame({"Name": ["Alice", "Bob"], "Age": [25, 30]})

# Filtering rows based on a condition
adults = data[data["Age"] > 18]

# Adding a new column
data["IsAdult"] = data["Age"] > 18

# show data
data

DataFrame di pandas visualizzato in notebook

Dai un'occhiata alla cheat sheet di pandas, con esempi di codice e un comodo riferimento rapido per il data wrangling con pandas.

Se vuoi approfondire la manipolazione avanzata dei dati con i DataFrame di pandas, iscriviti al corso gratuito Data Manipulation with pandas.

Conversione di tipo in Python

La conversione di tipo è il processo di trasformazione di un valore da un tipo di dato a un altro. In programmazione, è spesso necessaria per assicurare che le operazioni vengano eseguite correttamente e che i dati possano essere manipolati nel modo desiderato. 

La gestione della conversione di tipo in Python è molto flessibile e offre metodi sia automatici (impliciti) sia manuali (espliciti). 

1. Conversione di tipo implicita

Python converte automaticamente un tipo di dato in un altro nelle espressioni quando un tipo più piccolo o meno preciso viene combinato con uno più grande o più preciso. 

Per esempio, combinare un int con un float produce un float, garantendo che non si perda precisione durante i calcoli.

result = 5 + 3.5
print(result)
>>> 8.5 # This is a float

2. Conversione di tipo esplicita

La conversione di tipo esplicita, o casting, ti permette di convertire manualmente un valore da un tipo di dato a un altro usando funzioni integrate come int(), float(), str() e altre. 

È utile quando la conversione implicita non avviene o quando si lavora con tipi come le stringhe che devono essere convertite esplicitamente per operazioni numeriche.

num = int("10")  # Converts string to integer
price = float("19.99")  # Converts string to float
text = str(123)  # Converts integer to string

Buone pratiche per lavorare con i tipi di dati in Python

Capire i tipi di dati di Python è solo il primo passo: usarli in modo efficace è la chiave per scrivere codice pulito, efficiente e manutenibile. Ecco alcune buone pratiche da tenere a mente quando lavori con i tipi di dati.

Usa tipi specifici per compiti specifici

Scegli tipi in linea con il tuo compito. Per esempio, usa set quando devi mantenere elementi unici, list per collezioni ordinate e tuple per sequenze immutabili. 

Scelte deliberate sui tipi di dati rendono il tuo codice più efficiente e più facile da leggere e mantenere.

Valida i tipi di input

Assicurarti che i dati in input siano del tipo previsto può prevenire errori in esecuzione e migliorare l'affidabilità del codice. 

La funzione isinstance() di Python è un modo semplice per validare i tipi. Questa pratica è particolarmente importante in applicazioni in cui gli input sono ricevuti dinamicamente, ad esempio da form utente o API.

if not isinstance(age, int):
    raise ValueError("Age must be an integer")

Usa librerie per tipi complessi

Librerie Python come NumPy e pandas sono indispensabili per la manipolazione avanzata dei dati e i calcoli.

Come abbiamo visto, NumPy offre array multidimensionali veloci per operazioni numeriche, mentre pandas eccelle nel gestire e trasformare dati strutturati in modo efficiente. Sfruttare queste librerie può ridurre significativamente la complessità del tuo codice e migliorarne le prestazioni.

Conclusione

Capire i tipi di dati di Python è il primo passo verso una programmazione e una manipolazione dei dati efficienti. I tipi di dati sono la base della versatilità di Python, permettendoti di gestire vari tipi di dati con precisione e facilità.

Imparando questi fondamenti dei tipi integrati di Python ed esplorando librerie avanzate come NumPy e pandas, sei sulla buona strada per diventare un utente Python esperto e risolvere problemi reali in data science, data analytics, analisi finanziaria, intelligenza artificiale e altro ancora!

Se vuoi approfondire le tue conoscenze, dai un'occhiata al corso Introduction to Python for Developers, che copre i concetti essenziali di Python in modo pratico. Per un percorso strutturato che costruisca le tue competenze in Python dalle basi, considera il Python Data Fundamentals track.