پایتون | Data Science | Machine Learning
◀️اینجا با تمرین و چالش با هم پایتون رو یاد می گیریم ⏮بانک اطلاعاتی پایتون پروژه / code/ cheat sheet +ویدیوهای آموزشی +کتابهای پایتون تبلیغات: @alloadv 🔁ادمین : @maryam3771
Show more📈 Analytical overview of Telegram channel پایتون | Data Science | Machine Learning
Channel پایتون | Data Science | Machine Learning (@python4all_pro) in the Farsi language segment is an active participant. Currently, the community unites 24 503 subscribers, ranking 5 276 in the Technologies & Applications category and 13 845 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 24 503 subscribers.
According to the latest data from 29 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -329 over the last 30 days and by -15 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 2.42%. Within the first 24 hours after publication, content typically collects 1.38% reactions from the total number of subscribers.
- Post reach: On average, each post receives 593 views. Within the first day, a publication typically gains 337 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 2.
- Thematic interests: Content is focused on key topics such as مصنوعی, دنیا, آموزش, پایتون, وبینار.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“◀️اینجا با تمرین و چالش با هم پایتون رو یاد می گیریم
⏮بانک اطلاعاتی پایتون
پروژه / code/ cheat sheet
+ویدیوهای آموزشی
+کتابهای پایتون
تبلیغات:
@alloadv
🔁ادمین :
@maryam3771”
Thanks to the high frequency of updates (latest data received on 30 August, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
# روش قدیمی
numbers = [1, 2, 3, 4, 5]
squares = []
for n in numbers:
squares.append(n ** 2)
# روش با List Comprehension
squares = [n ** 2 for n in numbers]
چرا مهمه؟ در پردازش دادههای بزرگ (مثل دیتاستهای AI) سرعت و خوانایی کد خیلی مهمه.
۲. 🟪 Generators
چیه؟ توابعی که مقدار رو یکجا تولید نمیکنن، بلکه به صورت تدریجی (Lazy Evaluation).
مثال:
# لیست معمولی (همه دادهها یکجا در حافظه)
numbers = [i for i in range(1000000)]
# ژنراتور (دادهها به صورت تدریجی تولید میشن)
def number_generator():
for i in range(1000000):
yield i
# استفاده از ژنراتور
gen = number_generator()
چرا مهمه؟ در AI با دیتاستهای عظیم کار میکنیم، ژنراتورها حافظه کمتری مصرف میکنن.
۳. 🟪 Decorators
چیه؟ توابعی که رفتار توابع دیگه رو بدون تغییر کد اصلی تغییر میدن.
مثال:
def timer(func):
import time
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
end = time.time()
print(f"زمان اجرا: {end - start} ثانیه")
return result
return wrapper
@timer
def train_model():
# کد آموزش مدل
pass
چرا مهمه؟ برای لاگگیری، زمانبندی و افزودن قابلیتهای اضافی به توابع AI.
۴. 🟪 Context Managers
چیه؟ مدیریت خودکار منابع (فایل، دیتابیس، اتصالات).
مثال:
# روش قدیمی
file = open('data.txt', 'r')
try:
content = file.read()
finally:
file.close()
# روش با Context Manager
with open('data.txt', 'r') as file:
content = file.read()
چرا مهمه؟ در AI با فایلهای داده، مدلها و منابع سیستم سروکار داریم.
۵. 🟪 Exception Handling
چیه؟ مدیریت خطاها و جلوگیری از کرش برنامه.
مثال:
try:
# کدی که ممکنه خطا بده
model.predict(data)
except ValueError as e:
print(f"خطا در دادهها: {e}")
except Exception as e:
print(f"خطای ناشناخته: {e}")
finally:
print("عملیات تموم شد")
چرا مهمه؟ در سیستمهای AI واقعی، خطاها اجتنابناپذیرن.
🆔 @python4all_pro
🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_propip install terminaltexteffects
۲. استفاده ساده
from terminaltexteffects import effects
# ایجاد انیمیشن
effects.print_with_effect("Hello World!", effect="fade")
۳. پیکربندی پیشرفته
from terminaltexteffects import config
# تنظیم انیمیشن
cfg = config.EffectConfig(
speed=1.0,
color="#FF0000",
curve_type="bezier"
)
📊 مثالهای کاربردی
۱. نوار پیشرفت
from terminaltexteffects import progress
progress.bar(50, "در حال پردازش...")
۲. پیامهای انیمیشنی
from terminaltexteffects import effects
effects.typewriter("در حال بارگذاری...")
۳. افکتهای ورودی
from terminaltexteffects import effects
effects.fade_in("خوش آمدید!")
🎓 مناسب برای
• توسعهدهندگان CLI - برای ابزارهای خط فرمان
• اسکریپتنویسان پایتون - برای بهبود اسکریپتها
• بازیسازان - برای بازیهای ترمینالی
• آموزشدهندگان - برای دموهای تعاملی
🆔 @python4all_pro
🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_proimport pandas as pd
import tabula
import os
def pdf_to_excel(pdf_path, excel_path=None):
"""
تبدیل جداول PDF به فایل Excel
"""
# اگر مسیر Excel مشخص نشده باشه
if excel_path is None:
excel_path = pdf_path.replace('.pdf', '.xlsx')
try:
# استخراج جداول از PDF
tables = tabula.read_pdf(pdf_path, pages='all')
if tables:
# ذخیره اولین جدول در Excel
tables[0].to_excel(excel_path, index=False)
print(f"✅ فایل با موفقیت تبدیل شد!")
print(f"📁 مسیر فایل: {excel_path}")
else:
print("❌ هیچ جدولی در PDF پیدا نشد")
except Exception as e:
print(f"❌ خطا: {e}")
# استفاده از اسکریپت
if __name__ == "__main__":
pdf_file = input("مسیر فایل PDF: ")
pdf_to_excel(pdf_file)
🎯 نحوه استفاده
۱. نصب کتابخانههای مورد نیاز:
pip install pandas tabula-py openpyxl
۲. نصب Java (برای tabula):
• Windows: https://www.java.com
• Mac: brew install openjdk
• Linux: sudo apt install default-jre
۳. اجرای اسکریپت:
python pdf_to_excel.py
⚠️ نکات مهم
• فایلهای اسکن شده: این اسکریپت فقط برای PDFهای متنی کار میکنه
• جداول پیچیده: ممکنه نیاز به تنظیمات بیشتری داشته باشه
• ؛Java: حتماً Java نصب باشه
💡 پیشنهاد :
برای PDFهای اسکن شده، از OCR استفاده کن:
# نصب: pip install pytesseract pillow pdf2image
import pytesseract
from PIL import Image
import pdf2image
def pdf_to_text(pdf_path):
images = pdf2image.convert_from_path(pdf_path)
text = ""
for img in images:
text += pytesseract.image_to_string(img, lang='fas')
return text
📚 منابع بیشتر
1. مستندات tabula: https://tabula-py.readthedocs.io
2. مستندات pandas: https://pandas.pydata.org
3. آموزشهای پایتون: https://www.python.org
🆔 @python4all_pro
🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_proimport requests
import os
def download_instagram_profile_pic(username, save_path=None):
"""
دانلود عکس پروفایل اینستاگرام
"""
# URL عکس پروفایل
url = f"https://www.instagram.com/{username}/?__a=1"
try:
# درخواست به اینستاگرام
response = requests.get(url, headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
})
if response.status_code == 200:
data = response.json()
# استخراج لینک عکس پروفایل
profile_pic_url = data['graphql']['user']['profile_pic_url_hd']
# دانلود عکس
image_response = requests.get(profile_pic_url)
# ذخیره عکس
if save_path is None:
save_path = f"{username}_profile.jpg"
with open(save_path, 'wb') as f:
f.write(image_response.content)
print(f"✅ عکس پروفایل {username} با موفقیت دانلود شد!")
print(f"📁 مسیر ذخیره: {save_path}")
else:
print("❌ خطا در دریافت اطلاعات")
except Exception as e:
print(f"❌ خطا: {e}")
# استفاده از اسکریپت
if __name__ == "__main__":
username = input("نام کاربری اینستاگرام: ")
download_instagram_profile_pic(username)
🎯 نحوه استفاده
۱. نصب کتابخانههای مورد نیاز:
pip install requests
۲. اجرای اسکریپت:
python download_profile_pic.py
۳. وارد کردن نام کاربری:
نام کاربری اینستاگرام: example_user⚠️ نکات مهم • حریم خصوصی: فقط از این اسکریپت برای پروفایلهای عمومی استفاده کن • قوانین اینستاگرام: استفاده از API اینستاگرام ممکنه محدودیت داشته باشه • خطاهای احتمالی: اگر اینستاگرام API رو محدود کنه، اسکریپت کار نمیکنه 💡 برای استفاده امنتر، میتونی از کتابخانههای معتبر مثل
instaloader استفاده کنی:
import instaloader
L = instaloader.Instaloader()
L.download_profile("example_user", profile_pic_only=True)
🆔 @python4all_pro
🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro