Pythoner

🤔Разбор Это задача для новичков проверяет понимание различных видов деления в Python и особенностей работы с числами с плавающей точкой. А поскольку в выражении присутствует операция /, которая всегда возвращает число с плавающей точкой, итоговый результат также будет числом с плавающей точкой. 🐍 Pythoner

Ты готов к ИТ-собеседованию? Бесплатный воркшоп 20 марта Приглашаем айтишников на воркшоп "Искусство продавать себя или как подготовиться к собесу на все 100" Рекрутер раскроет все карты! Записывайся на воркшоп, чтобы первым узнать: — Как подготовиться к собеседованию — Как презентовать свой опыт так, чтобы тебя запомнили — Как проверяют hard skills и как к этому подготовиться — Как произвести хорошее впечатление, запомниться рекрутеру и сделать так, чтобы захотели работать именно с тобой Дата: 20 марта, 18:00 Где: Онлайн Регистрируйся, чтобы получить полезные знания и быть готовым к следующему собеседованию на 100% Зарегистрироваться #реклама 16+ my.mts-link.ru О рекламодателе

✈️Что такое itertools.chain? itertools.chain — это полезная функция из стандартной библиотеки Python для объединения нескольких итерируемых объектов (списки, кортежи и т.д.) в один. Она помогает обходить несколько коллекций последовательно, как будто они являются одной. ➡️Пример объединение списков:

from itertools import chain

# Исходные данные
list1 = [1, 2, 3]
list2 = [4, 5, 6]
list3 = [7, 8, 9]

# Объединяем списки с помощью chain
combined = chain(list1, list2, list3)

print("Объединенный результат:")
for item in combined:
    print(item, end=" ")  # Вывод: 1 2 3 4 5 6 7 8 9

➡️Пример использования itertools.chain с разными типами данных:

from itertools import chain

# Разные типы данных
data1 = [10, 20, 30]
data2 = ('a', 'b', 'c')
data3 = range(3)

# Объединяем все вместе
result = list(chain(data1, data2, data3))

print("Результат после объединения:")
print(result)  # Вывод: [10, 20, 30, 'a', 'b', 'c', 0, 1, 2]

💡itertools.chain позволяет эффективно работать с несколькими последовательностями как с одной, не создавая дополнительных списков и не тратя лишние ресурсы на их хранение в памяти. 🐍 Pythoner

😈 IT memer

✈️Bokeh — это библиотека визуализации данных для создания интерактивных и информативных графиков и диаграмм в веб-приложениях. С её помощью можно легко создавать красивые и наглядные визуализации данных, которые могут быть встроены в веб-страницы. ➡️Пример использования Bokeh:

from bokeh.plotting import figure, show, output_file

# Исходные данные
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]

# Создаем график
plot = figure(title="Простой график", x_axis_label='x', y_axis_label='y')
plot.line(x, y, legend_label="Тренд", line_width=2)

# Сохраняем результат в файл
output_file("line.html")

# Показываем график
show(plot)

⬆️Результат: После выполнения кода откроется окно браузера с интерактивным графиком, где можно приближать, отдалять и перемещать данные. ➡️Пример добавления интерактивности:

from bokeh.models import HoverTool
from bokeh.plotting import figure, show

# Исходные данные
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]

# Создаем график
plot = figure(title="Интерактивный график", tools="pan,wheel_zoom,box_zoom,reset")
plot.circle(x, y, size=10, color="navy", alpha=0.5)

# Добавляем инструмент HoverTool для подсказок
hover = HoverTool(tooltips=[("x", "@x"), ("y", "@y")])
plot.add_tools(hover)

# Показываем график
show(plot)

💡Заключение: Bokeh — это мощный инструмент для создания интерактивных визуализаций данных в Python. Он идеально подходит для аналитиков, учетных данных и разработчиков, которым нужна возможность создавать сложные графики с минимальными усилиями. 🐍 Pythoner

Онлайн-магистратура в IT совместно с ИТМО, МИФИ и МФТИ День открытых дверей 19 марта 19:00 мск | Онлайн Все программы 2025, общение со студентами и экспертами из вузов и Яндекса. Ответы на вопросы. Зарегистрироваться #реклама 16+ practicum.yandex.ru О рекламодателе

🐍 824 ГБ платного контента для Python-разработчиков утекли в Telegram Выбирай нужное и обучайся: 🤩62 ГБ — Основы Python 🤩98 ГБ — Django, Flask, FastApi 🤩71 ГБ — ИИ и Машинное обучение 🤩62 ГБ — Разработка софта и сайтов 🤩51 ГБ — Автоматизация процессов 🤩33 ГБ — Аналитика данных 🤩47 ГБ — Тестирование ПО 🤩17 ГБ — Разработка ботов 🤩31 ГБ — Разработка игр 🤩14 ГБ — Пентестинг 🤩22 ГБ — Парсинг веб-сайтов 🤩37 ГБ — DevOps, CI/CD 🤩279 ГБ — Многое другое... 🔒 Успей подписаться, пока не удалили

✈️Сегодня решаем задачу, с которой часто сталкиваются аналитики данных: как объединить несколько CSV-файлов в один . Это полезно, если у вас есть данные, разбитые по дням, месяцам или категориям, и вы хотите собрать их в единый датасет для анализа. ➡️Задача: У нас есть несколько CSV-файлов (file1.csv, file2.csv, file3.csv), каждый из которых содержит данные с одинаковой структурой. Нужно объединить их в один файл. ➡️Решение:

import pandas as pd
import glob

# Шаг 1: Собираем все CSV-файлы из папки
files = glob.glob("data/*.csv")  # Указываем путь к файлам
dfs = [pd.read_csv(file) for file in files]  # Читаем каждый файл в DataFrame

# Шаг 2: Объединяем все DataFrame в один
combined_df = pd.concat(dfs, ignore_index=True)

# Шаг 3: Сохраняем результат в новый CSV-файл
combined_df.to_csv("combined_data.csv", index=False)

print("Все файлы успешно объединены!")

⬆️Как это работает: - glob.glob("data/*.csv"): Находит все CSV-файлы в указанной папке. - pd.read_csv(file): Читает каждый файл в DataFrame. - pd.concat(dfs, ignore_index=True): Объединяет все DataFrame в один, игнорируя старые индексы. - to_csv("combined_data.csv", index=False): Сохраняет объединённые данные в новый файл без дополнительного индекса. 💡Дополнительно: Если файлы имеют разную структуру (например, разные столбцы), можно использовать параметр join="inner" или join="outer" в функции pd.concat(). join="inner": Оставит только общие столбцы. join="outer": Включит все столбцы, заполняя пропуски значением NaN. 🐍 Pythoner

Аудит СУБД со скидкой 50%: проверьте базы данных! Как работает ваша СУБД? Уверены, что она справляется с нагрузкой и не тормозит бизнес-процессы? Команда РДТЕХ предлагает профессиональный аудит СУБД со скидкой 50%! 💻 Мы проанализируем ваши базы данных на Oracle, PostgreSQL или Microsoft SQL Server, выявим слабые места и дадим рекомендации по оптимизации. Наши эксперты с опытом внедрения и поддержки СУБД помогут: ✅ Ускорить работу системы; ✅ Снизить риски сбоев; ✅ Повысить отказоустойчивость. ✨ Акция действует до конца марта! Успейте проверить свою СУБД и сэкономить. Не упустите шанс улучшить производительность ваших баз данных! Узнать больше #реклама rdtex.ru О рекламодателе

🔥 Самые нужные каналы для Python разработчика, чтобы расти в доходе 💸 • Python | Вопросы собесов • Python | Вакансии с удаленкой • Python | LeetCode • Python | Тесты Подпишись, чтобы не потерять ☝️

Курс по Java-разработке с junior до middle Стань специалистом по Java-разработке с помощью менторов. Оставь заявку! Узнать больше #реклама 16+ ykul.ru О рекламодателе

✈️defaultdict — это подкласс словаря в модуле collections, который автоматически создает значения для несуществующих ключей. Это особенно полезно, когда вы работаете со словарями и хотите избежать ошибок, связанных с отсутствием ключей. ➡️Пример использования defaultdict:

from collections import defaultdict

# Создаем defaultdict с типом значения по умолчанию — список
my_dict = defaultdict(list)

# Добавляем элементы
my_dict['fruits'].append('apple')
my_dict['fruits'].append('banana')
my_dict['vegetables'].append('carrot')

print(my_dict)

⬆️Результат:

defaultdict(<class 'list'>, {
    'fruits': ['apple', 'banana'],
    'vegetables': ['carrot']
})

➡️Сравнение с обычным словарем:

# Без defaultdict
my_dict = {}
if 'fruits' not in my_dict:
    my_dict['fruits'] = []
my_dict['fruits'].append('apple')

# С defaultdict
my_dict = defaultdict(list)
my_dict['fruits'].append('apple')

⬆️defaultdict делает код чище, удобнее и помогает избежать ошибок. 💡Заключение defaultdict — это инструмент, который делает работу со словарями проще, чище и эффективнее. Он избавляет от необходимости проверять существование ключей, автоматически создавая значения по умолчанию, что упрощает код и делает его более читабельным. Благодаря своей гибкости, defaultdict позволяет использовать любые типы данных по умолчанию, будь то списки, числа или множества. 🐍 Pythoner

✈️defaultdict — это подкласс словаря в модуле collections, который автоматически создает значения для несуществующих ключей. Это особенно полезно, когда вы работаете со словарями и хотите избежать ошибок, связанных с отсутствием ключей.

«Вместо философии учил java, вместо доты — питон. Через 3 месяца нашёл работу с зп 90к» Думаете, повезло? Уверен, что так сможет каждый — потому что эти языки востребованы (70% программ и сервисов работают на них) и просты в усвоении (за 3 месяца можно выйти на достойный уровень без напряга). А вот и каналы, где нашёл всю инфу. Её грамотно собрали, даже сложные темы изучаются легко: Java (теория) Java (практика) Python Уже через месяц сможете писать простеньких ботов для телеги и продавать по 5-7к, кайф же 🥰

✈️DABL (Data Analytics in Business Language) — это библиотека Python, которая упрощает использование машинного обучения для анализа данных. Она предоставляет простой и понятный интерфейс для создания моделей машинного обучения, а также для их обучения и оценки. 🔎Основные возможности DABL: - Автоматическая предобработка данных. - Выбор оптимальной модели для задач классификации или регрессии. - Генерация отчетов о данных и результатах модели. ➡️Пример использования DABL. Допустим, мы хотим решить задачу классификации на основе датасета Iris:

from sklearn.datasets import load_iris
from dabl import SimpleClassifier

# Загружаем набор данных Iris
data = load_iris()
X = data.data  # Признаки
y = data.target  # Целевые метки

# Создаем и обучаем простой классификатор
clf = SimpleClassifier(random_state=42)
clf.fit(X, y)

# Оцениваем точность модели
print(f"Точность модели: {clf.score(X, y):.2f}")

# Печатаем отчет о данных
clf.report()

⬆️Результат:

Точность модели: 1.00

В отчете clf.report() вы получите подробную информацию о данных, включая статистику признаков, распределение классов и характеристики выбранной модели. 💡Практическое применение: - Быстрая оценка качества различных моделей на одном наборе данных. - Автоматическая подготовка данных для машинного обучения. - Генерация отчетов о данных для аналитических целей. 🐍 Pythoner

Нанимаете аутсорс, подрядчиков, фрилансеров? Попробуйте Битрикс24 Коллабы – платформа для эффективной работы с подрядчиками. Тут обсуждения превращаются в задачи, а видео созвон можно собрать одной кнопкой. Любой проект можно разложить по полочкам с понятным ТЗ и обозначенными сроками. Работайте в Битрикс24 и создавайте Коллабы с подрядчиками. Начать #реклама 16+ collabs.bitrix24.ru О рекламодателе

✈️Что такое Pickle? Pickle — это стандартная библиотека Python, которая позволяет сохранять (сериализовать) и восстанавливать (десериализовать) объекты Python в файлы. Это особенно полезно для долгосрочного хранения данных или передачи их между программами. С помощью pickle можно сохранить сложные структуры данных, такие как списки, словари, классы и даже функции. ➡️Пример использования Pickle. Сохранение данных в файл:

import pickle

# Исходные данные
data = {
    "name": "Alice",
    "age": 30,
    "skills": ["Python", "Data Science", "Machine Learning"]
}

# Сохраняем данные в файл
with open('data.pkl', 'wb') as file:
    pickle.dump(data, file)

print("Данные успешно сохранены!")

➡️Восстановление данных из файла:

import pickle

# Восстанавливаем данные из файла
with open('data.pkl', 'rb') as file:
    loaded_data = pickle.load(file)

print("Восстановленные данные:")
print(loaded_data)

➡️Результат:

Восстановленные данные:
{'name': 'Alice', 'age': 30, 'skills': ['Python', 'Data Science', 'Machine Learning']}

🔎Почему Pickle полезен? - Простота использования: Легко сохранять и восстанавливать сложные структуры данных. - Гибкость: Поддерживает практически все типы данных Python. - Быстродействие: Pickle работает быстрее, чем другие форматы, такие как JSON. ➡️Pickle — это мощный инструмент для сохранения и восстановления данных в Python. Он позволяет легко работать со сложными структурами данных и экономит время на повторной обработке информации. 🐍 Pythoner

IT образование бесплатно на весь 2025 год Отобрали для вас лучшие каналы по IT во всех направлениях: → Frontend → Data Science → Node.JS → Вёрстка → Python → JavaScript → QA (тестирование) Сохраняй себе понравившееся направление и обучайся бесплатно уже сегодня!