Python RU

🔥 Дайджест полезных материалов из мира Python за неделю Почитать: — RestApi от мала до велика. А ты правильно проектируешь методы? — Сравнение методов веб-скрепинга для данных Википедии: Beautiful Soup против WikipediaAPI — Как я проектирую и разрабатываю расширения Python на Rust — Построение ML-пайплайна для рекомендательной системы с помощью Google Cloud Platform — Как PaaS решил проблемы стандартизации разработки сервиса одной утилитой — Введение в библиотеку Diffusers и диффузионные модели — «Консервируем» данные: сравниваем модуль pickle и альтернативные способы сериализации — Сбер. Как некрасиво поступить на конкурсе красоты — Что я понял на первой работе программистом / Мои советы Junior-разработчикам — Swirl для анализа корпоративных данных: как мы использовали ИИ-поиск и что из этого вышло — MLOps на примере прогноза движений акций с помощью MLRun — Tuning Out Spotify: A Programmer’s Approach to Music Streaming — Automating Python Deployments with GitHub Actions, AWS ECR, and AWS Lambda — Weekly Dev Findings 9 — Infinite Scroll Pagination in Django with HTMX — Reflex: 10 Minute Docs Audit — Milvus Adventures | October 13, 2023 — Docker with Python for Dummies — CS61A: Projeto HOG (Parte 1) — Keep It Uplifting podcast. James “Uplifting” Edwards explores the intersection of lifestyle and success with Richard Blank. — Testando testes no Python - Parte 3: Pytest dentro do Pytest Посмотреть: 🌐 Chatgpt, Bard , Claude, Theb - используй API лучших нейросетей бесплатно и без ВПН на Python. (⏱ 05:23) 🌐 NLP практика. Определяем тональность текста при помощи NLTK и DL (⏱ 19:37) 🌐 Django шаблонизация и маршрутизация (⏱ 09:11) 🌐 Задача, которая очень часто встречается на собеседованиях #python (⏱ 00:59) 🌐 Решение непростой задачи с Leetcode, часто всплывает на собеседования #pythontutorial (⏱ 00:59) 🌐 Хитрая задача с собеседования #Python (⏱ 00:59) 🌐 Решаем вариант из сборника Л. Н. Евич | ЕГЭ-2024 по информатике (⏱ 01:48:21) 🌐 Задание 24 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 06:35) 🌐 Задание 25 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 03:44) 🌐 Linux для начинающих | Как загрузить файлы на или с сервера | Команда SCP (⏱ 04:35) Хорошего дня!

🖥 Chatgpt, Bard , Claude, Theb - используй API лучших нейросетей бесплатно и без ВПН на Python ▪Video @pro_python_code

🚀🧠**lru_cache**: отличная техника для эффективного кодинга!🚀🧠 В данном коде `lru_cache` используется в качестве декоратора для функции fibonacci. Поскольку последовательность Фибоначчи может быть вычислительно затратной для больших входных данных, кэширование результатов для каждого вызова может значительно ускорить последующие вызовы с теми же аргументами. Однако декоратор кэширования не следует использовать в каждом конкретном случае. Для функций, результаты которых меняются даже при одинаковых входных данных, или для функций, выходными данными которых являются изменяемые объекты, кэширования следует избегать. При первом вызове `fibonacci(35)` функция вычислит результат обычным способом, учитывая рекурсивный характер последовательности Фибоначчи. Это может занять много времени. Однако при втором вызове `fibonacci(35)` вместо повторного вычисления функция просто найдет значение в кэше и вернет его. В результате время выполнения второго вызова будет значительно меньше, что свидетельствует о пользе кэширования. Фактическое время выполнения на вашей машине будет зависеть от ее вычислительной мощности, но, скорее всего, вы увидите заметную разницу между двумя вызовами. Помните, что lru_cache может ускорить только последующие вызовы с теми же параметрами. Если вызвать fibonacci(36) после fibonacci(35), то все равно придется вычислять значение. Однако вычисление будет происходить быстрее, чем без кэша, так как fibonacci(35) уже закешировано, и ему нужно только добавить к нему fibonacci(34). @pro_python_code

Django шаблонизация и маршрутизация https://www.youtube.com/watch?v=KsYSu7ITkY8 @Django_pythonl

🔥 Дайджест полезных материалов из мира Python за неделю Почитать: — Тестовые серверы Telegram: инструкция по эксплуатации — Функциональное программирование в Python: ежедневные рецепты — Apache Spark и PySpark для аналитика. Учимся читать и понимать план запроса в SparkUI — Пишем АПИ автотесты на Python по шагам — Извлечение текста из файлов PDF при помощи Python — Детекция дефектов дорожного покрытия без размеченных данных: Хакатон, LiDAR, RANSAC, ICP и 44 бесcонных часов — Преобразование markdown в pdf на Python — Как «продать» OSS Framework? Propan -> FastStream — FIFO очередь asyncio в Python — Тестируем API в Таверне — Comment ajouter des hyperliens aux documents Word avec Python — EDA using Data Visualization techniques — Becoming an AWS All Builders Welcome Grant Alumni Mentor: Empowering the Next Generation of Innovators — New Features with Git Remotes — Trabaje con sus datos en tiempo real usando Langchain — TIL Remote in Git and TOMLLIB in Python — Exploratory Data Analysis using Data Visualization Techniques. — My First Pull Request in Hacktoberfest23 — documented: make docstrings in your exceptions work — MongoDB Quick Start Guide 🍃⚡️ Посмотреть: 🌐 Разбор задачи с собеседования Data Science. Подготовка на практике (⏱ 26:12) 🌐 Cобеседование #Python топовый банк Goldman Sachs Associate на 12000 $ #задача #программирование (⏱ 01:00) 🌐 Django создание модели. Вывод даных на страницу (⏱ 13:01) 🌐 Решаем задачу с leetcode на #Golang (⏱ 00:37) 🌐 Facebook задача с собеседования на #Python на 120000 рублей #программирование #задача #код (⏱ 00:59) 🌐 Разбора задачи с собеседования #Golang (⏱ 00:22) 🌐 Задание 22 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 07:55) 🌐 Задание 23 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 02:50) Хорошего дня!

Django создание модели. Вывод даных на страницу https://www.youtube.com/watch?v=hjoh29epXXA

❤️ Парсер телеграм каналов на Python. Гайд по написанию мощного бота. ▪Видео

🖥 Django начало работы ▪ Video @pro_python_code

🔥 Дайджест полезных материалов из мира Python за неделю Почитать: — Как сделать вашего телеграм-бота лучше? Конечно, добавить ему аналитику — Microsoft предлагает БЕСПЛАТНЫЕ онлайн курсы с сертификацией — 7 шагов по контейнеризации Python-приложений — MySQL в Google Colab: Бесшовная интеграция — Сделали по красоте: победители «Конкурса красоты кода» — Перелом в судьбе змеи: как Python менял версию с 2 на 3 — Как найти популярные NFT коллекции в блокчейне TON — ранжируем коллекции c помощью индексатора dton.io и Python — Летадло, предисловие — Python + PIL + Pyrogram = Кастомные эмодзи для Telegram — S.T.A.R.K. — первый фреймворк для создания голосового ассистента — Пишем компилятор C в 500 строках Python — Dragon Userbot — расширение возможностей Вашего Telegram-аккаунта до уровня, ограниченного лишь Вашей фантазией — Получаем список товаров из чека ИФНС (Raspberry + FreePBX + telegram + sheets) — Conquer MS-101: Dumpsarena Offers Reliable Study Materials — How to Easily Try Out boto3 Interactively in AWS CloudShell — Kafka Ease: Simplifying Kafka Topic and ACL Management — A Python script to see my most watched YouTube videos — No One Expects the self._spanish_inquisition (Because it’s protected) — My Experience learning Python and SQL — Lovely Silk — My first contribution to other open source project — Data Science Essentials: Your Path to Effective Dataframe Joins with Pandas — Customizing RAG Pipelines to Summarize Latest Hacker News Posts with Haystack 2.0 Preview Посмотреть: 🌐 Python Matplotlib. Визуализация данных на PRO уровне. (⏱ 24:43) 🌐 Устраиваемся на работу. Решаем тестовое задание на позицию Python Junior. (⏱ 20:28) 🌐 Уроки Golang с нуля /#29 - Дженерики/обобщения (⏱ 10:52) 🌐 Уроки Golang с нуля /#30 - Горутины (⏱ 08:09) 🌐 Революционный генератор музыки на основе искусственного интеллекта (⏱ 00:12) 🌐 Серьезные проблемы с безопасностью в телеграм! (⏱ 00:24) 🌐 Задание 14 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 07:19) 🌐 Задание 16 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 02:09) 🌐 Задание 15 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 03:23) 🌐 Задание 17 | ЕГЭ по информатике | ДЕМО-2024 (⏱ 07:17) Хорошего дня!

«Библиотека программиста» запустила два новых канала для Python-разработчиков и тех, кто хочет ими стать👨‍🏫 В них мы: 🔸тренируемся на практических задачах 🔸отвечаем на популярные вопросы с собеседований 🔸проверяем свои знания Подписывайтесь: 👉Библиотека собеса по Python — тут мы готовимся к интервью 👉Библиотека задач по Python — тут решаем задачи, проходим тесты и изучаем код

⚡️ Развертывание приложений Python в Azure Будучи инженером облачных технологий, который увлекается разработкой приложений, я недавно задумался над тем, как превращать локальные прототипы/приложения в ценные инструменты, доступные другим членам организации и особенно полезные в корпоративных средах. Покажу, как легко можно запустить такие инструменты в облаке! Зачем это нужно? Часто бывает так, что талантливый программист или инженер натыкается на полезную библиотеку, фреймворк или инструмент, создает очень эффектную демо-версию, показывает ее своей команде — и на этом все заканчивается. Почему? Это может быть связано с целым рядом факторов, включая: ▪️неопределенность в отношении затрат; ▪️отсутствие идей по запуску инструмента в работу; ▪️неуверенность в учете всех ключевых моментов. Цель этой статьи — доказать, что выбрать фреймворк, создать с ним приложение и доставить его конечным пользователям можно довольно легко. В данном случае нашим выбором будет Streamlit — популярный фреймворк, помогающий создавать веб-приложения для визуализации данных. Смысл статьи заключается в том, чтобы предложить отличный способ создания приложений, который недостаточно используется. На самом деле большинство SaaS/PaaS-инструментов, таких как Power BI и Dynamics, подойдут вам в ряде случаев — будь то создание дашбордов, разработка приложения типа CRUD или чего-то еще. Однако если вы хотите использовать действительно крутые приложения (и при этом легко их создавать) и делать их доступными для других людей, читайте дальше! Что такое Streamlit и почему его стоит использовать? Лучшее описание этого инструмента дано на сайте Streamlit: это фантастическая библиотека для разработки веб-приложений, предназначенных для взаимодействия с данными. Лично мне Streamlit нравится по двум причинам. • Streamlit проще в использовании, чем многие другие инструменты. Это очень простая библиотека по созданию приложений для работы с данными. В нее можно очень легко включать компоненты, созданные в других библиотеках, таких как Seaborn и Altair. • Streamlit имеет презентабельный вид. Большинство пользователей библиотеки считают, что в ней есть je ne sais quoi (фр. — нечто, невыразимое словами, но моментально покоряющее, убеждающее в качестве). Streamlit легко использовать благодаря высокому качеству доступной документации. Следует подчеркнуть, что ни один инструмент, библиотека или фреймворк не является панацеей для решения всех проблем. Какую библиотеку выбрать и когда — это отдельный разговор, и мы не будем заострять на нем внимание. То, что будет продемонстрировано здесь, применимо и к другим фреймворкам на других языках. Как запустить приложение? 📌 Читать

Если Spark переводится как «искра», то наш хакатон по программированию с Apache Spark – это искра, буря, безумие! Он будет посвящён работе с данными и разработке ИИ – наиболее актуальным направлениям в IT. Это хорошая возможность не только прокачать свои навыки, но и заработать от 50 000 до 150 000 рублей. И даже найти работу по душе – да, такое бывает. Регистрация продлится до 29 сентября включительно, старт выполнения заданий – 2 октября в онлайн-формате, так что у вас как минимум на одну отговорку меньше. Вся нужна информация и, само собой, форма для регистрации по ссылке: https://vk.cc/cqJsjS.

🖥 Асинхронный парсер Хабра на Python • Видео • Код парсера @pro_python_code

📱 Как защитить телеграм бота от атак и перегрузок. Данный урок раскроет способы обеспечения безопасности телеграм-бота на Python. • Видео @pro_python_code

🏃Как ускорить базу данных при помощи шардирования • Шардирование было одним из первых механизмов, позволяющих распределять базы данных для повышения их производительности. Последние инновации превратили шардирование в один из лучших механизмов в своем роде. 🤔 Для чего требуется шардирование? • Традиционные базы данных порой не справляются с обработкой растущих объемов данных и нарастающего трафика запросов. Сегодня очень популярны концепции NoSQL и NewSQL – соответственно, на рынке баз данных появляется все больше продуктов, вдохновленных этими новыми концепциями. Но их одних недостаточно, чтобы решить все более серьезные проблемы с данными. Шардирование – это прием, позволяющий разбивать данные на отдельные строки и столбцы, хранимые на отдельных инстансах серверов базы данных. Так удается распределить нагрузку, оказываемую трафиком. Каждая такая малая таблица называется «шард». Некоторые NoSQL-продукты шардируются, таковы, например, Apache HBase или MongoDB. Шардинговая архитектура встроена в NewSQL-системы. 👀Как шардировать базу данных? Один из наилучших способов создания шардов таков: данные нужно разделять на множество небольших таблиц. Они также называются «сегментами» (partitions). Вот две ключевые составляющие шардирования: ▪Шардинговый ключ: конкретное значение в столбце, указывающее, в каком шарде хранится данная строка. ▪Шардинговый алгоритм: алгоритм, согласно которому ваши данные распределяются в одном или нескольких шардах. Шаг 1: Проанализировать сценарий запроса и распределение данных, чтобы найти шардинговый ключ и шардинговый алгоритм Шаг 2: Миграция имеющихся данных Шаг 3: Перебросить трафик на новый кластер Более детально тут. 👈 @sqlhub

Привет! Мы в МТС активно поддерживаем ИТ-сообщество в России и запускаем всероссийскую олимпиаду по программированию с главным призом в 3 млн рублей. Для кого? Для школьников, студентов и действующих ИТ-специалистов. Что будет? Блок онлайн-заданий, митапы и мастер-классы, общение в закрытом Telegram-канале и финальный очный тур с программированием на скорость. Когда олимпиада завершится, мы создадим True Tech Community, где будем делиться полезными и эксклюзивными материалами для разработчиков. А что еще? Финалистов ждет afterparty, фестиваль технологий, интерактив, квесты, карьерные стенды, где лучшие специалисты смогут получить оффер от МТС. Регистрация уже открыта! Подробности по ссылке. Ждем тебя! Реклама. ПАО "МТС". ИНН 7740000076. erid: LjN8K7znt

📹 Устраиваемся на работу. Решаем тестовое задание на позицию Python Junior. ▪Видео ▪Задание ▪ Код из видео ▪Тест ▪ Список реальных тестовых заданий с собеседований. @python_djangojobs

🖥 Универсальный алгоритм расчета потерь рабочего времени на Python 1. Постановка задачи, частные решения и их проблемы 2. Описание алгоритма Разберём пошагово наш алгоритм. Шаг 1: Представим наш график как список словарей по временным отсечкам для каждого дня недели в следующем виде: [{time: время, flag: цвет флага, start_finish: ‘’}] ◾️ время согласно графику работы: часы, минуты; ◾️ цвет флага: зелёный – после него время нужно учитывать, красный – после него время учитывать не нужно; ◾️ ‘’ – этому элементу позже будет присвоено значение «старт» или «финиш», в зависимости от того точка А или точка В расположена левее данной временной отсечки. Для удобства восприятия покажем только values, но подразумеваем, что keys и фигурные скобки тоже присутствуют. В нашем случае получится следующий результат: Понедельник: [{time: 10:00, flag: зелёный, start_finish: ‘’}, {time: 19:00, flag: красный, start_finish: ‘’}, {time: 13:00, flag: красный, start_finish: ‘’}, {time: 14:00, flag: зелёный, start_finish: ‘’}] И так для каждого дня. Таким образом, на этом этапе нужно составить словарь, включающий режим работы по дням недели с учетом обеденного перерыва. Мы сознательно не приводим код для этой части работы, поскольку, по сути, это подготовка данных, а не сам алгоритм расчета потерь времени. Эта часть зависит от формата представления исходных данных. Шаг 2: Схожим образом представим точки A и B: [{time: дата + время, flag: ‘’, start_finish: старт/финиш}] ▪️дата + время: год, месяц, день, часы, минуты; ▪️‘’ – на место этого элемента в дальнейшем будет подставлен красный или зелёный флаг, (по цвету флага ближайшего соседа слева на временной шкале); ▪️старт/финиш: старт – это точка А, финиш – В. A: {time: 01.03.2023 11:00, flag: ‘’, start_finish: ‘старт’} B: {time: 02.03.2023 11:00, flag: ‘’, start_finish: ‘финиш’} Шаг 3: Определим все дни между точками A и B включительно и подтянем из графика работы по этим дням все флаги, а также сами точки А и В. Данные из нашего примера превратятся в список. Теперь ключевой момент, на котором, собственно, и строится весь алгоритм: отсортируем список по возрастанию даты и времени. Это важно, т.к. позволит нам идти в цикле от отсечки к отсечке, проверяя, нужно ли включать следующий за ней отрезок в расчет. [{time: 01.03.2023 10:00, flag: ‘зелёный’, start_finish: ‘’} {time: 01.03.2023 11:00, flag: ‘’, start_finish: ‘старт’} {time: 01.03.2023 13:00, flag: ‘красный’, start_finish: ‘’} {time: 01.03.2023 14:00, flag: ‘зелёный’, start_finish: ‘’} {time: 01.03.2023 19:00, flag: ‘красный’, start_finish: ‘’} {time: 02.03.2023 10:00, flag: ‘зелёный’, start_finish: ‘’} {time: 02.03.2023 13:00, flag: ‘красный’, start_finish: ‘’} {time: 02.03.2023 13:30, flag: ‘’, start_finish: ‘финиш’}] Код для шагов 2 и 3: Подробнее

👨‍💻 7 шагов по контейнеризации Python-приложений Контейнеризация Python-приложений с помощью Docker – это отличный способ сделать их масштабируемыми и безопасными. В этом посте мы рассмотрим 7 простых шагов по контейнеризации Python-приложения с помощью Docker Шаг 1: УстановкаПервым шагом является выбор базового образа для контейнера. Мы рекомендуем использовать минимальный базовый образ, например python:3.11-slim. Это позволит уменьшить размер контейнера и повысить его безопасность. FROM python:3.11-slim Шаг 2: Создание непривилегированного пользователя Официальный образ контейнера Python не содержит предустановленного непривилегированного пользователя. Поэтому нам необходимо его создать. Мы создадим пользователя с UID 1000 и GID 1000. RUN groupadd -g 1000 python && \ useradd -r -u 1000 -g python python Шаг 3: Копирование и установка зависимостей Если ваше приложение имеет какие-либо зависимости, то их необходимо скопировать в контейнер и установить. Это можно сделать с помощью инструкций COPY и RUN. COPY requirements.txt . RUN pip install -r requirements.txt Шаг 4: Настройка рабочего каталога Далее необходимо создать внутри контейнера каталог, в котором будет храниться исходный код нашего приложения. Мы создадим каталог /app и убедимся, что он принадлежит непривилегированному пользователю, которого мы создали на шаге 2. RUN mkdir /app && chown python:python /app WORKDIR /app Шаг 5: Скопируйте код приложения Теперь необходимо скопировать исходный код нашего приложения в рабочий каталог. COPY app.py . Шаг 6: Запуск от имени непривилегированного пользователя Нам необходимо убедиться, что процессы, запущенные в нашем контейнере, будут выполняться в непривилегированном режиме. Это можно сделать с помощью инструкции USER. USER 1000 Шаг 7: Задание команды входа Наконец, необходимо указать, какая команда должна быть выполнена при запуске контейнера. Мы хотим выполнить исходный код нашего приложения, поэтому используем инструкцию CMD. CMD ["python", "app.py"] После выполнения этих шагов можно собрать образ Docker с помощью следующей команды: docker build -t my-python-app . Для запуска контейнера можно воспользоваться следующей командой: docker run -p 8080:80 my-python-app Это приведет к запуску контейнера и открытию порта 8080 на хост-машине. Теперь вы можете получить доступ к своему приложению по адресу http://localhost:8080. Ниже приведен пример Dockerfile для простого Python-приложения: FROM python:3.11-slim RUN groupadd -g 1000 python && \ useradd -r -u 1000 -g python python COPY requirements.txt . RUN pip install -r requirements.txt RUN mkdir /app && chown python:python /app WORKDIR /app COPY app.py . USER 1000 CMD ["python", "app.py"] Для создания образа Docker необходимо выполнить следующую команду: docker build -t my-python-app . Для запуска контейнера необходимо выполнить следующую команду: docker run -p 8080:80 my-python-app Это приведет к запуску контейнера и открытию порта 8080 на хост-машине. После этого вы сможете получить доступ к своему приложению по адресу http://localhost:8080. @pro_python_code