Pythoner

Криптографически безопасная генерация случайных чисел. Подход основан на CSPRNG, что гарантирует хорошую безопасность. Что такое CSPRNG? Это стандарт, который расшифровывается как: Криптографически стойкий генератор псевдослучайных чисел. В отличие от обычных генераторов псевдослучайных чисел (PRNG), CSPRNG спроектированы так, чтобы быть устойчивыми к криптографическим атакам и обеспечивать высокий уровень безопасности. Основные преимущества: 1. CSPRNG нацелен на создание выходных данных, которые статистически неотличимы от истинной случайности. Это означает, что сгенерированные числа должны обладать свойствами случайности, такими как равномерное распределение и непредсказуемость. 2. Даже если злоумышленник знает алгоритм генератора и предыдущие выходные данные, он все равно не сможет вычислять будущие значения, так как данные непредсказуемы. 3. CSPRNG защищен от попытки предсказания данных и влияния на сгенерированные числа.

Аннотация типов. Дает нам возможность проставлять в коде "подсказки" для программиста, не используя комментарии через # При большом количестве кода бывает, что просто забудешь какой тип должна принять / вернуть функция. Для этого и можно воспользоваться этой полезной фичей. А еще можно воспользоваться модулем mypy, чтобы находить ошибки несоответствия типов в коде👁‍🗨

😈Разница между __str__ и __repr__ Оба магических метода __str__ и __repr__ используются для получения строкового представления объекта. Давайте разберемся, в чем же собственно разница между ними. Метод __str__ используется для создания вывода для конечного пользователя, а __repr__ в основном используется для отладки и разработки. Другими словами, цель __repr__ – быть однозначным, а __str__ – читабельным. Функция print() и встроенная функция str() используют метод __str__ для отображения строкового представления объекта, а вот встроенная функция repr() использует для этого метод __repr__.

Хочешь быть в курсе всех самых интересных мероприятий связанных с разработкой? Приглашаем в Митапочную — здесь найдете самые актуальные и полезные анонсы бесплатных онлайн и офлайн мероприятий. Ведь на митапах можно не только узнать что-то новое для своего профессионального развития, но и окунуться в атмосферу единомышленников и завести новые знакомства. Присоединяйся к нам и не упускай возможность стать лучше 👍

Дробные числа. По умолчанию числа с плавающей точкой используют память привычным образом, то есть они хранятся в двоичном виде. Это означает, что вы обычно работаете с приблизительными значениями, а не точными. Можно использовать тип данных Decimal, который предоставит намного большую точность, но и его может не хватить в некоторых случаях. Поэтому для идеальных вычислений лучше использовать Fraction, который представляет и хранит число в виде рациональной дроби.

🖥Автор логотипа python — брат создателя языка Этот интересный факт о Python напрямую связан с предыдущим. На эмблеме Python изображены как раз таки змеи. Пресмыкающиеся образуют квадрат. Составил лого брат Гвидо, дизайнер Юст ван Россум. Шрифт текста тоже изобрел он. До 2006 года логотип Питона был текстовым. Но кобры всевозможных видов в книгах, журналах и на сайтах про Python подтолкнули к смене лого во избежание путаницы.

🖥Python — это не о змеях Может показаться, что наименование языка связано с рептилиями, но это не так. Гвидо ван Россум выбрал название в честь английской комик-труппы «Монти Пайтон», поклонником которой являлся. Шоу демонстрировалось на BBC в 1970-х годах. Мнение о нейминге как о бессмысленной трате времени, интерес к телевизионному шоу «Летающий цирк Монти Пайтона» и желание присвоить языку короткое простое имя сделали дело — язык зовется Питоном. Если вы не смотрели скетч-сериал, не беда: как написано в документации, увлеченность «Летающим цирком Монти Пайтона» — не обязательное условие использования Python. Однако документ утверждает, что любовь к тв-шоу помогает. Как конкретно, к сожалению, не указано. Большинство людей по-прежнему ассоциирует язык со змеями. С этим, пожалуй, уже ничего не поделать.

+1 в копилку годных каналов про Python С @python_practics освоишь Python гораздо проще: 📌 полезные сниппеты кода для твоих задач 📌 теория Python понятным языком с примерами 📌 вопросы из собеседований 📌 бесплатные книги и курсы по Python 📌 тесты и опросы для тех, кто не запоминает сухую инфу

Завершение программы sys.exit() — это функция, которая позволяет завершить выполнение программы и возвратить код возврата операционной системе. Принимает один необязательный числовой аргумент — код возврата программы. По умолчанию это 0, что означает успешное завершение, а код возврата отличный от нуля сигнализирует об ошибке или нештатной ситуации. Используется для завершения программы в случае критической ошибки, когда продолжение работы невозможно и позволяет гибко управлять кодами возврата в зависимости от ситуации.

Композиция (ассоциация) классов Композиция (ассоциация) классов — это способ связи объектов разных классов. Позволяет создавать сложные объекты из более простых. Один класс содержит объект другого класса как атрибут, при этом внутренний объект является частью внешнего. Внешний класс не наследует функционал внутреннего, в отличие от наследования, просто использует его. Композиция классов позволяет создавать сложные объекты из простых классов и подходит для моделирования реальных взаимосвязей.

📝Как оставить в списке только уникальные значения без повторов? 💬Список с повторами: >>> num = [4, 8, 5, 8] Можно использовать множества для удаления повторов. 💬Из списка сделаем множество, а из множества - список: >>> list(set(num)) [8, 4, 5] Мы действительно получили список уникальных элементов, вот только порядок нарушился. 💬Начиная с Python 3.7 для этих целей подойдут словари, у них гарантированно сохраняется порядок вставки, а так же ключи являются уникальными. >>> list(dict.fromkeys(num)) [4, 8, 5] Создали словарь с ключами из num и значениями None, преобразовали в список ⌨️

Атрибуты объектов Атрибуты — это переменные, связанные с объектом класса и хранящие его данные. Они объявляются внутри класса, а доступ к атрибутам происходит через точку после объекта (object.attr). Бывают public, приватными (__attr) и защищенными (_attr). Публичные атрибуты доступны везде, приватные только в классе, защищенные в классе и дочерних. Значение по умолчанию None, если не задано другое. Атрибуты можно создать в конструкторе init() и изменить в методах класса, а новые атрибуты к объектам можно добавлять в рантайме.

🌐 Функции генерации массива. Иногда элементы массива изначально неизвестны, но массив для их хранения необходим сейчас. Поэтому в NumPy есть функции для создания массива с исходным содержимым (по умолчанию тип массива — float64)

>>> import numpy as np

✔️ zeros((n, m)) - создает массив нулей с размером n x m.

>>> np.zeros((3, 2))
array([[0., 0.],
[0., 0.],
[0., 0.]])

✔️ ones((n, m)) - создает массив единиц с размером n x m.

>>> np.ones((2, 3))
array([[1., 1., 1.],
[1., 1., 1.]])

>>> np.ones((2, 2), dtype=np.int16)
array([[1, 1],
[1, 1]], dtype=int16)

✔️ empty() - создает массив без заполнения. Исходное содержимое случайно и зависит от состояния памяти на момент создания массива (мусор, что в ней хранится).

>>> np.empty((2,2))
array([[5.e-324, 0.e+000],
[0.e+000, 5.e-324]])

💎 Документация тут -> NumPy

Fugue Fugue — это библиотека, которая используется для создания и оркестровки workflow машинного обучения. Она позволяет быстро создавать, тестировать и масштабировать ML приложения, автоматизируя рутинные этапы. Основные возможности: — Описание этапов workflow как отдельных функций. — Автоматическое определение зависимостей между функциями. — Планирование выполнения функций с учетом зависимостей. — Кэширование промежуточных результатов для оптимизации. — Распределенное выполнение на разных ядрах или машинах. В этом примере с помощью декоратора @FugueWorkflow() отмечены функции, которые будут этапами workflow. Fugue автоматически определит, что fit_model зависит от preprocess, а predict - от fit_model. При вызове функций Fugue учтёт эти зависимости и выполнит их в правильном порядке, кэшируя промежуточные результаты.

LineaPy LineaPy — это библиотека для работы с временными рядами и анализа временных данных. Эта библиотека позволяет быстро решать типовые задачи анализа временных рядов без необходимости "изобретать велосипед". Она удобна для анализа временных данных в задачах прогнозирования, мониторинга, выявления сезонности, трендов и аномалий. Имеет интуитивный API и хорошую документацию. В этом примере мы получили прогнозные значения временного ряда на 5 периодов вперед с помощью модели ARIMA из LineaPy за считанные строки кода.

LangChain LangChain — это библиотека, которая позволяет создавать цепочки обработки естественного языка (NLP). Основные возможности: — Создание конвейеров обработки текста. — Подключение различных модулей NLP (токенизация, лемматизация и т. д.). — Объединение моделей в единую цепочку. — Удобная настройка и отладка. Используется для: — Построения приложений для анализа текста на Python. — Быстрого прототипирования решений для обработки естественного языка. — Объединения разных библиотек NLP в одном workflow. — Упрощения процесса экспериментов с моделями обработки текста. В этом примере создается цепочка из двух моделей OpenAI — Curie и Babbage, а текст передается поочередно в каждую модель.