Python Portal

Вопросы и ответы для собеседования по Python

1. Проверить, содержит ли список число x 2. Найти дубликаты в списке целых чисел 3. Проверить, являются ли две строки анаграммами 4. Удалить все дубликаты из списка 5. Найти пары чисел в списке, сумма которых равна x 6. Проверить, является ли строка палиндромом 7. Использовать список как стек, массив, очередь 8. Найти недостающее число в диапазоне [1...100] 9. Вычислить пересечение двух списков 10. Найти максимум и минимум в неотсортированном списке 11. Рекурсивно развернуть строку 12. Вычислить первые n чисел Фибоначчи 13. Отсортировать список с помощью алгоритма быстрой сортировки (quicksort) 14. Найти все перестановки строки

👉 @PythonPortal

Формошлёп — сотни хаков для фронтендеров в одном месте Никакой скучной теории, воды и прочей шляпы, только практические примеры, которые работают. 👉 Подписывайся на @frontbox — стань тем, кто знает, как решить проблему, пока остальные ищут ответ на Stack Overflow.

Если хочешь автоматизировать торговлю криптой, то обрати внимание на CCXT CCXT — мощная open-source библиотека с 35k+ звёзд на GitHub, которая объединяет более 100+ криптобирж в одном удобном API 💰 —> хочешь узнать курс BTC/USDT на Binance и KuCoin одновременно — CCXT сделает это одной строкой кода —> можно написать бота, который будет покупать и продавать по заданной стратегии 24/7 —> ты можешь следить за своим кошельком и ордерами прямо из кода, не заходя на биржу Поддержка Python, JavaScript/Node.js, PHP и даже Go и C# Вот руководство: https://github.com/ccxt/ccxt/wiki/maual 👉 @PythonPortal

⚡️Конвейер данных: путь данных от сбора до анализа Знаете ли вы, что данные, прежде чем стать действительно полезными, проходят долгий путь? Он называется «конвейер данных» и в его работе принимают участие разные специалисты: дата-инженеры, дата-аналитики, BI-аналитики. Об этапах этого процесса расскажет на вебинаре Павел Беляев — руководитель группы дата-аналитиков в компании Яндекс eLama и автор телеграм-канала. Что разберем: 🟠Весь процесс работы с данными: от источников данных до получения выводов; 🟠Разберем методики сбора данных: ETL и ELT; 🟠Построение витрин данных; 🟠Визуализацию, которая помогает принимать эффективные решения; 🟠И наконец: как по результатам проделанной работы с данными делать максимально верные и полезные выводы. Тема богатая, тянет на целый курс, но за вебинар можно получить общее понимание процесса. 🕗 Встречаемся 15 апреля в 18:30 по МСК 😶Зарегистрироваться на бесплатный вебинар

Полезная библиотека — pdf2docx, с помощью которой можно конвертировать PDF в редактируемый DOCX прямо из Python Для установки достаточно выполнить команду:

$ pip install pdf2docx

После установки библиотеку можно использовать в Python-скриптах или запускать из командной строки 👉 @PythonPortal

Простой способ сделать зацикливание на Питоне. Сохрани, чтобы не потерять 👉 @PythonPortal

Каналы про IT делятся на 2 типа: 1. Выучи Python, JavaScript и C++ за 0,0001 секунды просто читая наш канал… 2. Хочешь читать переписки бывшей? Хакер из канала "Взлом Жопы" рассказывает как скачать Tor… Но среди копипастных статей и мусора есть реально годный проект айтишника, работавшего 9 лет в ИБ — Пакет Безопасности. Внутри узнаете когда наступит эра без паролей, почему взломали СДЭК, как удалить упоминание о себе из интернетов и как не оказаться жертвой новой схемы интернет-скама. Подпишитесь, злоумышленники не дремлют: @package_security

Как найти производную функции с помощью Python 1. Импортируем нужные модули для математики и вывода 2. Включаем красивый вывод формул 3. Объявляем переменную x и функцию f(x)

x = symbols('x')
f = Function('f')(x)

4. Задаём выражение: f(x) = x^3 + 2x^2 + 5x + 3

f_expr = x**3 + 2*x**2 + 5*x + 3

5. Находим производную по x

df = diff(f_expr, x)

6. Показываем исходную функцию и её производную

display(Eq(f, f_expr))
display(Eq(diff(f, x), df))

👉 @PythonPortal

Крутейшая онлайн-платформа для практики программирования, которая предлагает более 7000 упражнений на 75 различных ЯП Каждый язык представлен целой дорожкой с задачами, которые помогут разобраться во всех тонкостях шаг за шагом. А если застрял, можно получить обратную связь от опытных менторов — не всегда сразу, но всегда по делу ✌️ 👉 @PythonPortal

NVIDIA завезла нативную поддержку Python в CUDA Теперь можно напрямую использовать ускорение на GPU прямо из Python — что сильно упрощает работу над проектами в сфере ИИ, машинного обучения и научных вычислений. Никаких обёрток, костылей и танцев с C/C++. — CUDA Core — переработанный рантайм под Python. Всё завязано на JIT-компиляции — cuPyNumeric — прокачанная версия NumPy, работающая на GPU — NVMath — поддержка линейной алгебры, совместима с хостом и устройством — Добавлены инструменты для профилирования и анализа кода — Новый подход к параллельным вычислениям — CuTile. Абстракция не на уровне потоков, а на уровне массивов и тайлов Посмотреть презентацию можно тут ✌️ 👉 @PythonPortal

Это прекрасное чувство, когда только начинаешь учить Python и пытаешься уложиться в час 😂 👉 @PythonPortal

⚡️ Айтишник из «VISION» скупил курсы айти школ и выложил гигабайты материалов к себе Каждый найдет что-то по душе: 1202 ГБ — Python 1811 ГБ — Frontend 1100 ГБ — C / C++ / C# 804 ГБ — Java 411 ГБ — SQL & БД 309 ГБ — DevOps 998 ГБ — ИБ & Хакинг 773 ГБ — Kotlin / Swift 189 ГБ — PHP 201 ГБ — GoLang 170 ГБ — Rust 167 ГБ — QA / Тестирование 310 ГБ — 1C + Лицензии 495 ГБ — Машинное обучение 704 ГБ — Аналитика Данных 991 ГБ — Дизайн Материалы в закрепе, постоянно пополняются👆🏻

В Python 3.12+ можно использовать оператор type для создания псевдонимов типов Эти псевдонимы могут быть также обобщёнными (generic) Это гораздо короче и удобнее, чем эквивалентный код до Python 3.12 с использованием TypeAlias и TypeVar 👉 @PythonPortal

Как создавать красивые карты в Python с помощью библиотеки Prettymaps Если нужно сгенерировать наглядные карты из данных OpenStreetMap в Python — используй prettymaps Для начала установи необходимые зависимости через pip:

pip install -U prettymaps "osmnx>=1.9.3,<2.0" "git+https://github.com/abey79/vsketch@1.0.0"

После установки можно отрисовать карту всего парой строк:

import prettymaps

plot = prettymaps.plot('Stad van de Zon, Heerhugowaard, Netherlands')

Функция plot() принимает один из следующих вариантов запроса: 🔹Адрес (например, "Porto Alegre") 🔹Координаты (например, (-30.0324999, -51.2303767)) 🔹Границы в формате GeoDataFrame Кроме того, есть возможность кастомизации и использование пресетов. Подробнее на GitHub 👉 @PythonPortal

Ловите крутейший ресурс для изучения нейронных сетей Материал подан чётко и поэтапно, с динамической визуализацией и доступными объяснениями (хоть и на английском) Плюс, на сайте ещё куча других годных разборов по машинному обучению Сохраняй и делись с другом 🍯 👉 @PythonPortal

Модификаторы доступа в Python Разбираем, как public, protected и private переменные и методы управляют доступом внутри классов Понимание этих уровней доступа —> ключ к надёжной и читаемой архитектуре 👉 @PythonPortal

Откопал шикарную штуку — Python Tutor Пишете код на Python, Java, C, C++ или JavaScript прямо в браузере, а этот сервис пошагово показывает, что происходит под капотом. Видно каждую переменную, каждую строчку кода в действии Плюс, тут есть AI-репетитор для разъяснений Годный инструмент для обучения или разборов: https://pythontutor.com/ 👉 @PythonPortal

Шпаргалка по визуализации данных на Python для EDA 1. Одновариативный анализ df.hist() — гистограмма числовых колонок sns.boxplot(data=df, y='col') — боксплот распределения sns.kdeplot(data=df['col']) — график плотности df['col'].value_counts().plot(kind='bar') — столбчатая диаграмма частот 2. Двухвариативный анализ sns.scatterplot(data=df, x, y) — диаграмма рассеяния sns.regplot(data=df, x, y) — рассеяние + линия регрессии sns.barplot(x, y, data=df) — сравнение категорий по значениям sns.violinplot(data=df, x, y) — распределение по категориям sns.boxplot(x, y, data=df) — сравнение распределений 3. Многовариативный анализ sns.pairplot(df) — матрица scatter-графиков sns.heatmap(df.corr(), annot=True) — тепловая карта корреляций sns.jointplot(data=df, x='x', y='y') — scatter + распределение plt.scatter(x, y, c=z) — scatter с цветом по переменной sns.scatterplot(data=df, x=x, y=y, hue='z') — scatter с цветовой категорией 4. Временные ряды df.plot(x='date', y='value') — базовый временной график df.rolling(window).mean().plot() — скользящее среднее seasonal_decompose(df['col']) — разложение временного ряда sns.lineplot(data=df, x='date', y='value') — временной ряд с интервалами 5. Текстовый анализ WordCloud().generate(text) — облако слов FreqDist(words).plot() — частотный график sns.barplot(x=words, y=frequencies) — частоты слов в столбиках 6. Кастомизация plt.title('Заголовок') — заголовок plt.xlabel('ось X') / plt.ylabel('ось Y') — подписи осей plt.xticks(rotation=45) — поворот подписей plt.tight_layout() — авторасстановка plt.figure(figsize=(10, 6)) — размер графика 7. Сохранение и показ plt.show() — показать график plt.savefig('график.png') — сохранить plt.close() — закрыть окно графика 👉 @PythonPortal