Python/ django

🖥 10 Advanced Python Scripts For Everyday Programming 10 полезных скриптов Python для повседневных задач 1. SpeedTest with Python # pip install pyspeedtest # pip install speedtest # pip install speedtest-cli #method 1 import speedtest speedTest = speedtest.Speedtest() print(speedTest.get_best_server()) #Check download speed print(speedTest.download()) #Check upload speed print(speedTest.upload()) # Method 2 import pyspeedtest st = pyspeedtest.SpeedTest() st.ping() st.download() st.upload() 2. Search on Google # pip install google from googlesearch import search query = "Medium.com" for url in search(query): print(url) 3. Make Web Bot # pip install selenium import time from selenium import webdriver from selenium.webdriver.common.keys import Keys bot = webdriver.Chrome("chromedriver.exe") bot.get('[http://www.google.com'](http://www.google.com')) search = bot.find_element_by_name('q') search.send_keys("@codedev101") search.send_keys(Keys.RETURN) time.sleep(5) bot.quit() 4. Fetch Song Lyrics # pip install lyricsgenius import lyricsgenius api_key = "xxxxxxxxxxxxxxxxxxxxx" genius = lyricsgenius.Genius(api_key) artist = genius.search_artist("Pop Smoke", max_songs=5,sort="title") song = artist.song("100k On a Coupe") print(song.lyrics) 5. Get Exif Data of Photos # Get Exif of Photo # Method 1 # pip install pillow import PIL.Image import PIL.ExifTags img = PIL.Image.open("Img.jpg") exif_data = { PIL.ExifTags.TAGS[i]: j for i, j in img._getexif().items() if i in PIL.ExifTags.TAGS } print(exif_data) # Method 2 # pip install ExifRead import exifread filename = open(path_name, 'rb') tags = exifread.process_file(filename) print(tags) 6. OCR Text from Image # pip install pytesseract import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' t=Image.open("img.png") text = pytesseract.image_to_string(t, config='') print(text) 7. Convert Photo into Cartonize # pip install opencv-python import cv2 img = cv2.imread('img.jpg') grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) grayimg = cv2.medianBlur(grayimg, 5) edges = cv2.Laplacian(grayimg , cv2.CV_8U, ksize=5) r,mask =cv2.threshold(edges,100,255,cv2.THRESH_BINARY_INV) img2 = cv2.bitwise_and(img, img, mask=mask) img2 = cv2.medianBlur(img2, 5) cv2.imwrite("cartooned.jpg", mask) 8. Empty Recycle Bin # pip install winshell import winshell try: winshell.recycle_bin().empty(confirm=False, /show_progress=False, sound=True) print("Recycle bin is emptied Now") except: print("Recycle bin already empty") 9. Python Image Enhancement # pip install pillow from PIL import Image,ImageFilter from PIL import ImageEnhance im = Image.open('img.jpg') # Choose your filter # add Hastag at start if you don't want to any filter below en = ImageEnhance.Color(im) en = ImageEnhance.Contrast(im) en = ImageEnhance.Brightness(im) en = ImageEnhance.Sharpness(im) # result en.enhance(1.5).show("enhanced") 10. Get Window Version # Window Version import wmi data = wmi.WMI() for os_name in data.Win32_OperatingSystem(): print(os_name.Caption) # Microsoft Windows 11 Home @pythonl

🔥 10 Tips And Tricks To Write Better Python Code 10 советов и приемов для написания лучшего кода на Python 1) Iterate c enumerate() вместо range(len()) data = [1, 2, -3, -4] # плохо: for i in range(len(data)): if data[i] < 0: data[i] = 0 # хорошо: data = [1, 2, -3, -4] for idx, num in enumerate(data): if num < 0: data[idx] = 0 2) list comprehension вместо for-loops #плохо: squares = [] for i in range(10): squares.append(i*i) # хорошо: squares = [i*i for i in range(10)] 3) sorted() method data = (3, 5, 1, 10, 9) sorted_data = sorted(data, reverse=True) # [10, 9, 5, 3, 1] data = [{"name": "Max", "age": 6}, {"name": "Lisa", "age": 20}, {"name": "Ben", "age": 9} ] sorted_data = sorted(data, key=lambda x: x["age"]) 4) Хранение данных в Sets my_list = [1,2,3,4,5,6,7,7,7] my_set = set(my_list) # removes duplicates primes = {2,3,5,7,11,13,17,19} 5) Экономьте память с помощью генераторов # list comprehension my_list = [i for i in range(10000)] print(sum(my_list)) # 49995000 # generator comprehension my_gen = (i for i in range(10000)) print(sum(my_gen)) # 49995000 import sys my_list = [i for i in range(10000)] print(sys.getsizeof(my_list), 'bytes') # 87616 bytes my_gen = (i for i in range(10000)) print(sys.getsizeof(my_gen), 'bytes') # 128 bytes 6) Определение значений по умолчанию в словарях с помощью .get() и .setdefault() my_dict = {'item': 'football', 'price': 10.00} count = my_dict['count'] # KeyError! # лучше: count = my_dict.get('count', 0) # optional default value count = my_dict.setdefault('count', 0) print(count) # 0 print(my_dict) # {'item': 'football', 'price': 10.00, 'count': 0} 7) Подсчет хэшируемых объектов с помощью collections.Counter from collections import Counter my_list = [10, 10, 10, 5, 5, 2, 9, 9, 9, 9, 9, 9] counter = Counter(my_list) print(counter) # Counter({9: 6, 10: 3, 5: 2, 2: 1}) print(counter[10]) # 3 from collections import Counter my_list = [10, 10, 10, 5, 5, 2, 9, 9, 9, 9, 9, 9] counter = Counter(my_list) most_common = counter.most_common(2) print(most_common) # [(9, 6), (10, 3)] print(most_common[0]) # (9, 6) print(most_common[0][0]) # 9 8 ) Форматирование строк с помощью f-Strings name = "Alex" my_string = f"Hello {name}" print(my_string) # Hello Alex i = 10 print(f"{i} squared is {i*i}") # 10 squared is 100 9) Конкатенация строк с помощью .join() list_of_strings = ["Hello", "my", "friend"] #плохо: my_string = "" for i in list_of_strings: my_string += i + " " #хорошо list_of_strings = ["Hello", "my", "friend"] my_string = " ".join(list_of_strings) 10) Слияние словарей с синтаксисом двойной звездочки **. d1 = {'name': 'Alex', 'age': 25} d2 = {'name': 'Alex', 'city': 'New York'} merged_dict = {**d1, **d2} @pythonl

🔥 10 Tips And Tricks To Write Better Python Code 10 советов и приемов для написания лучшего кода на Python 1) Iterate c enumerate() вместо range(len()) data = [1, 2, -3, -4] # плохо: for i in range(len(data)): if data[i] < 0: data[i] = 0 # хорошо: data = [1, 2, -3, -4] for idx, num in enumerate(data): if num < 0: data[idx] = 0 2) list comprehension вместо for-loops #плохо: squares = [] for i in range(10): squares.append(i*i) # хорошо: squares = [i*i for i in range(10)] 3) sorted() method data = (3, 5, 1, 10, 9) sorted_data = sorted(data, reverse=True) # [10, 9, 5, 3, 1] data = [{"name": "Max", "age": 6}, {"name": "Lisa", "age": 20}, {"name": "Ben", "age": 9} ] sorted_data = sorted(data, key=lambda x: x["age"]) 4) Хранение данных в Sets my_list = [1,2,3,4,5,6,7,7,7] my_set = set(my_list) # removes duplicates primes = {2,3,5,7,11,13,17,19} 5) Экономьте память с помощью генераторов # list comprehension my_list = [i for i in range(10000)] print(sum(my_list)) # 49995000 # generator comprehension my_gen = (i for i in range(10000)) print(sum(my_gen)) # 49995000 import sys my_list = [i for i in range(10000)] print(sys.getsizeof(my_list), 'bytes') # 87616 bytes my_gen = (i for i in range(10000)) print(sys.getsizeof(my_gen), 'bytes') # 128 bytes 6) Определение значений по умолчанию в словарях с помощью .get() и .setdefault() my_dict = {'item': 'football', 'price': 10.00} count = my_dict['count'] # KeyError! # лучше: count = my_dict.get('count', 0) # optional default value count = my_dict.setdefault('count', 0) print(count) # 0 print(my_dict) # {'item': 'football', 'price': 10.00, 'count': 0} 7) Подсчет хэшируемых объектов с помощью collections.Counter from collections import Counter my_list = [10, 10, 10, 5, 5, 2, 9, 9, 9, 9, 9, 9] counter = Counter(my_list) print(counter) # Counter({9: 6, 10: 3, 5: 2, 2: 1}) print(counter[10]) # 3 from collections import Counter my_list = [10, 10, 10, 5, 5, 2, 9, 9, 9, 9, 9, 9] counter = Counter(my_list) most_common = counter.most_common(2) print(most_common) # [(9, 6), (10, 3)] print(most_common[0]) # (9, 6) print(most_common[0][0]) # 9 8 ) Форматирование строк с помощью f-Strings name = "Alex" my_string = f"Hello {name}" print(my_string) # Hello Alex i = 10 print(f"{i} squared is {i*i}") # 10 squared is 100 9) Конкатенация строк с помощью .join() list_of_strings = ["Hello", "my", "friend"] #плохо: my_string = "" for i in list_of_strings: my_string += i + " " #хорошо list_of_strings = ["Hello", "my", "friend"] my_string = " ".join(list_of_strings) 10) Слияние словарей с синтаксисом двойной звездочки **. d1 = {'name': 'Alex', 'age': 25} d2 = {'name': 'Alex', 'city': 'New York'} merged_dict = {**d1, **d2} @pythonl

⚠️Пройдите тест на углубленные знания в сфере Machine Learning. Professional 🔓 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «Machine Learning. Professional» от OTUS и его партнера — Сбера ⏰ Время прохождения теста ограничено 30 минут 👉 ПРОЙТИ ТЕСТ: https://otus.pw/8y6P/ Курс доступен в рассрочку. 🎁 Пройдете успешно тест, получите доступ к открытым урокам курса. Нативная интеграция. Информация о продукте www.otus.ru

📶 Extract Saved WiFi Passwords in Python Извлечение сохраненных паролей WiFi в Python (Linux OS) import subprocess import os import re from collections import namedtuple import configparser def get_linux_saved_wifi_passwords(verbose=1): network_connections_path = "/etc/NetworkManager/system-connections/" fields = ["ssid", "auth-alg", "key-mgmt", "psk"] Profile = namedtuple("Profile", [f.replace("-", "_") for f in fields]) profiles = [] for file in os.listdir(network_connections_path): data = { k.replace("-", "_"): None for k in fields } config = configparser.ConfigParser() config.read(os.path.join(network_connections_path, file)) for _, section in config.items(): for k, v in section.items(): if k in fields: data[k.replace("-", "_")] = v profile = Profile(**data) if verbose >= 1: print_linux_profile(profile) profiles.append(profile) return profiles def print_linux_profiles(verbose): """Prints all extracted SSIDs along with Key (PSK) on Linux""" print("SSID AUTH KEY-MGMT PSK") print("-"*50) get_linux_saved_wifi_passwords(verbose) @pythonl

🖥 5 useful Python automation scripts 5 полезных скриптов автоматизации Python 1. Download Youtube videos pip install pytube from pytube import YouTube # Specify the URL of the YouTube video video_url = "https://www.youtube.com/watch?v=dQw4w9WgXcQ" # Create a YouTube object yt = YouTube(video_url) # Select the highest resolution stream stream = yt.streams.get_highest_resolution() # Define the output path for the downloaded video output_path = "path/to/output/directory/" # Download the video stream.download(output_path) print("Video downloaded successfully!") 2. Automate WhatsApp messages pip install pywhatkit import pywhatkit # Set the target phone number (with country code) and the message phone_number = "+1234567890" message = "Hello, this is an automated WhatsApp message!" # Schedule the message to be sent at a specific time (24-hour format) hour = 13 minute = 30 # Send the scheduled message pywhatkit.sendwhatmsg(phone_number, message, hour, minute) 3. Google search with Python pip install googlesearch-python from googlesearch import search # Define the query you want to search query = "Python programming" # Specify the number of search results you want to retrieve num_results = 5 # Perform the search and retrieve the results search_results = search(query, num_results=num_results, lang='en') # Print the search results for result in search_results: print(result) 4. Download Instagram posts pip install instaloader import instaloader # Create an instance of Instaloader loader = instaloader.Instaloader() # Define the target Instagram profile target_profile = "instagram" # Download posts from the profile loader.download_profile(target_profile, profile_pic=False, fast_update=True) print("Posts downloaded successfully!") 5. Extract audio from video files pip install moviepy from moviepy.editor import VideoFileClip # Define the path to the video file video_path = "path/to/video/file.mp4" # Create a VideoFileClip object video_clip = VideoFileClip(video_path) # Extract the audio from the video audio_clip = video_clip.audio # Define the output audio file path output_audio_path = "path/to/output/audio/file.mp3" # Write the audio to the output file audio_clip.write_audiofile(output_audio_path) # Close the clips video_clip.close() audio_clip.close() print("Audio extracted successfully!") @pythonl

🔥Хотите стать одним из авторов проектов, которые меняют жизнь людей к лучшему в области автоматизации предприятий, медицины, робототехники, виртуальной реальности и других сферах, или стать руководителем отдела Computer Vision в вашей компании? Все это возможно после прохождения обучения на курсе “Компьютерное зрение” в OTUS. Сейчас открыт набор в группу. Приходите 29 июня в 20:00 мск на открытый урок «PyTorch 2.0», чтобы познакомиться с преподавателем и программой курса, оценить все перспективы, которые откроются перед вами. На занятии мы также обсудим, что нового принес фреймворк PyTorch 2.0 в сферу компьютерного зрения и глубокого обучения. 📌Вы узнаете: - Как начать использовать PyTorch для обучения своих нейронных сетей - Что нового в PyTorch 2.0 и чем он отличается от 1.x - Как ускорить и оптимизировать свою нейросеть при помощи одной строчки кода - Как перейти с PyTorch 1.x на 2.0 - Как ускорить трансформеры HuggingFace при помощи PyTorch Transformer API 👉🏻Для участия отправьте заявку https://otus.pw/XgxP/ Кому подходит этот урок: - Начинающим и опытным специалистам в области компьютерного зрения и глубокого обучения - Дата сайентистам, которые хотят ускорить инференс своих моделей - Опытным специалистам, которые еще не перешли на PyTorch 2.0 - Тем, кто хочет познакомиться с фреймворков PyTorch и начать обучать свои нейросети Нативная интеграция подробная информация о продукте www.otus.ru

A Minimal Example of Machine Learning (with scikit-learn) Минимальный пример кода машинного обучения (с помощью scikit-learn) import numpy as np import pandas as pd from sklearn.ensemble import RandomForestClassifier data = [{'humidity': 80, 'wind': 20, 'temp': 15, 'clouds': 90, 'raining?': 'yes'}, {'humidity': 40, 'wind': 5, 'temp': 25, 'clouds': 15, 'raining?': 'no'}, {'humidity': 20, 'wind': 30, 'temp': 35, 'clouds': 50, 'raining?': 'no'}, {'humidity': 90, 'wind': 3, 'temp': 18, 'clouds': 100, 'raining?': 'yes'}, {'humidity': 70, 'wind': 13, 'temp': 22, 'clouds': 75, 'raining?': 'no'}, {'humidity': 85, 'wind': 10, 'temp': 17, 'clouds': 90, 'raining?': 'yes'}, {'humidity': 90, 'wind': 20, 'temp': 20, 'clouds': 80, 'raining?': 'yes'}, {'humidity': 60, 'wind': 5, 'temp': 23, 'clouds': 30, 'raining?': 'no'}, {'humidity': 95, 'wind': 25, 'temp': 13, 'clouds': 100, 'raining?': 'yes'}, {'humidity': 70, 'wind': 2, 'temp': 30, 'clouds': 100, 'raining?': 'no'}, ] df = pd.DataFrame(data, columns=['humidity', 'wind', 'temp', 'clouds', 'raining?']) print(df) X, y = df.to_numpy()[:8, :4], df.to_numpy()[:8, 4] model = RandomForestClassifier() model.fit(X, y) model.predict([[95, 25, 13, 100],[70, 2, 30, 100]]).reshape(1, -1) @pythonl

🖥 Singletons in Python Реализация шаблона Singleton в Python. Шаблон Singleton (Одиночка) один из самых часто используемых шаблонов. Его можно встретить во множестве проектов и он относительно прост для обучения. Его обязательно нужно знать и уметь его использовать. ▪Modify the new class method ▪Using the Metaclass approach ▪Using the decorator approach @pythonl

Data Science | Machinelearning - самый большой русскоязычный канал с полезными материалами на такие темы как, Machine Learning, Data Science, Алгоритмы, Python. Так же часто публикуются крутые 🔥 вакансии. 👉 Вам сюда: @devsp А любителям читать статьи в оригинале вот сюда: 👉 @ds_international Добро пожаловать!

🖥 PgAdmin 4 pgAdmin 4 is a rewrite of the popular pgAdmin3 management tool for the PostgreSQL (http://www.postgresql.org) database. Cамая популярная и многофункциональная платформа администрирования и разработки с открытым исходным кодом для PostgreSQL. 🖥 Github @pythonl

Вы разработчик с опытом и знакомы с основами Python? На курсе Яндекс Практикума «Мидл Python-разработчик» вы сможете выйти на новый профессиональный уровень и использовать навыки, которые отличают мидла от джуна. Вы начнете думать о проекте, как о единой системе, разрабатывать полноценные веб-сервисы, организовывать инфраструктуру, а ещё: • углубите знания технологий для бэкенд-разработки на Python; • разовьёте инженерное мышление; • сможете брать больше ответственности и решать задачи посложнее; • разберётесь, как работает бэкенд, DevOps и другие смежные области; • добавите 7 проектов в портфолио; • почувствуете себя увереннее в процессах командной разработки. На всех этапах вас будут сопровождать опытные разработчики: мы не дадим просесть по учёбе и поможем выкроить время на образование. Вы будете практиковаться на реальных кейсах и положите в портфолио работающие проекты. А карьерные консультации подготовят вас к разговору о повышении или помогут с поиском новой работы.  Познакомьтесь с профессией и протестируйте формат бесплатно. Начать учиться: https://practicum.yandex.ru/middle-python/

🖥 Blank Grabber The most powerful stealer written in Python 3 and packed with a lot of features. Disclaimer: This program is provided for educational and research purposes only. Мощный Grabber, написанный на Python 3 и оснащенный множеством функций. ▪Github @pythonl

How to Create Fake Access Points using Scapy in Python Как создать поддельные точки доступа с помощью Scapy в Python $ pip3 install faker scapy from scapy.all import * from threading import Thread from faker import Faker def send_beacon(ssid, mac, infinite=True): dot11 = Dot11(type=0, subtype=8, addr1="ff:ff:ff:ff:ff:ff", addr2=mac, addr3=mac) # ESS+privacy to appear as secured on some devices beacon = Dot11Beacon(cap="ESS+privacy") essid = Dot11Elt(ID="SSID", info=ssid, len=len(ssid)) frame = RadioTap()/dot11/beacon/essid sendp(frame, inter=0.1, loop=1, iface=iface, verbose=0) if __name__ == "__main__": # number of access points n_ap = 5 iface = "wlan0mon" # generate random SSIDs and MACs faker = Faker() ssids_macs = [ (faker.name(), faker.mac_address()) for i in range(n_ap) ] for ssid, mac in ssids_macs: Thread(target=send_beacon, args=(ssid, mac)).start() Мы генерируем случайный MAC-адрес, задаем имя точки доступа, которую хотим создать, а затем создаем фрейм 802.11. @pythonl

Python meetup (Online) 1. Методы защиты кластера Hadoop в большой ML команде — Мария Изофатова / Мегафон (Мегатех) Из этого доклада слушатели узнают способы борьбы с уязвимостями кластера hadoop: репартиционирование (проблема мелких файлов), автоочищение таблиц на кластере, настройка конфигурации pyspark, анализ запущенных spark application и внутреннего кода. 2. Feature engineering для пространственных данных — Александр Мещеряков / Сinimex В этом видео мы обсудим как получить нужные данные и погрузимся в анализ формы объектов, взаимного отношения геометрий и паттернов их расположения. 3. Как мы предсказывали платежи в мобильных играх — Дмитрий Савостьянов / Artifactory В рамках доклада я расскажу о дизайне системы предсказания платежей в мобильных играх. Акцент будет сделан на Data Engineering, MLOps и мониторинг ➖➖➖ 🗓 28 июня, начало в 19:00 мск, Среда 🌐 ОНЛАЙН 🚀 Наш телеграмм канал с анонсами митапов ✅ Регистрация на мероприятие

Math for Devs - Cosine Similarity in Python Математика для разработчиков - Косинусное сходство на Python Функция Python cosine_similarity(vector1: list[float], vector2: list[float]) -> float: принимает на вход два вектора и вычисляет их косинусное сходство. from math import sqrt, pow def cosine_similarity(vector1: list[float], vector2: list[float]) -> float: """Returns the cosine of the angle between two vectors.""" # the cosine similarity between two vectors is the dot product of the two vectors divided by the magnitude of each vector dot_product = 0 magnitude_vector1 = 0 magnitude_vector2 = 0 vector1_length = len(vector1) vector2_length = len(vector2) if vector1_length > vector2_length: # fill vector2 with 0s until it is the same length as vector1 (required for dot product) vector2 = vector2 + [0] * (vector1_length - vector2_length) elif vector2_length > vector1_length: # fill vector1 with 0s until it is the same length as vector2 (required for dot product) vector1 = vector1 + [0] * (vector2_length - vector1_length) # dot product calculation for i in range(len(vector1)): dot_product += vector1[i] * vector2[i] # vector1 magnitude calculation for i in range(len(vector1)): magnitude_vector1 += pow(vector1[i], 2) # vector2 magnitude calculation for i in range(len(vector2)): magnitude_vector2 += pow(vector2[i], 2) # final magnitude calculation magnitude = sqrt(magnitude_vector1) * sqrt(magnitude_vector2) # return cosine similarity return dot_product / magnitude vector1 = [1, 2, 3] vector2 = [2, 3, 4] similarity = cosine_similarity(vector1, vector2) print("The cosine similarity between vector1 and vector2 is: ", similarity) @pythonl

Хотите принять участие в создании лучшей системы безопасности? 👨‍💻 Тогда приходите на One Day Offer для Data Scientists и Machine Learning Engineers 24 июня и за один день станьте частью команды, которая развивает систему форд-мониторинга для защиты клиентов Сбера везде: от онлайн-покупок до визитов в офисы. Чем предстоит заниматься, если вы успешно пройдете отбор: ✔️ Создавать real-time, look-alike и графовые модели выявления транзакций, устройств и связей мошенников и мошеннических групп. ✔️ Строить модели обработки, классификации и суммаризации обращений по мошенничеству. ✔️ Внедрять модели и мониторить эффективность их работы. ✔️ Развивать внутренние ML-pipelines. Наша система безопасности уже признана одной из лучших в мире, но мы абсолютно уверены, что с вами она станет еще круче. Скорее переходите по ссылке, регистрируйтесь на One Day Offer и будьте готовы пройти все этапы отбора за один день! 👌

🖥 Creating own RANDOM number generator Создание собственного генератора RANDOM. import datetime import pytz # Required library for time zone support def randomnum(time_zone): # Getting the current time in the specified time zone time_now = datetime.datetime.now(pytz.timezone(time_zone)) # Getting time in terms of microseconds random_seed = time_now.microsecond # An equation which returns a number between 0 and 10 seed = random_seed * 8 % 11 # Making random number somewhat unpredictable random_micro_secs = [] for i in range(seed): random_micro_secs.append(time_now.second**seed) seed_2 = sum(random_micro_secs) # Generating the final random number truly_random_num = (seed_2 * 8 % 11) return truly_random_num # Example usage time_zone = 'America/New_York' # Specify the desired time zone random_number = randomnum(time_zone) print(random_number) @pythonl

👉Присоединяйтесь к нашему сообществу Data Analyst REBRAIN, если вы интересуетесь аналитикой данных, управлением проектами или маркетингом. У нас для вас есть множество открытых онлайн-практикумов каждый месяц, которые проводят профессиональные аналитики. В рамках практикумов мы разбираем реальные кейсы анализа данных с использованием самых актуальных инструментов, таких как Python, SQL, Tableau, бизнес-метрики и визуализация данных, статистика, теория вероятностей и другие. Уровень сложности и направление каждого практикума подобраны таким образом, чтобы каждый мог найти для себя интересные задачи и развиваться в соответствии с уровнем своей компетенции. ✔️ Подключайтесь к нам уже сегодня и начинайте развивать свои навыки в области анализа данных совершенно бесплатно!

Python itertools.compress. Удобный способ фильтрации данных ▪Видео @pythonl