python_practics

#мемчики @python_practics

Гайд по обработке данных с помощью Pandas Отличное руководство для новичков и тех, кто постоянно работает с Pandas. В статье досконально описаны стандартные методы фильтрации, объединения, приведения типов и другие операции, но даже для гуру найдётся пара новых приёмов. Вау-эффект гарантирован. Подробнее по ссылке👇 #статьи @python_practics

Создаем красивую анимацию на модуле turtle

   import turtle
   import colorsys
   s=turtle.Screen()
   t=turtle.Turtle()
   turtle.bgcolor('black')
   m=0.9
   t.shape('turtle')

   for i in range(130):
    c = colorsys.hsv_to_rgb(m,1, 0.99)
    m +=0.33
    turtle.tracer(i-150)
    t.pensize(5)
    t.pencolor(c)
    t.forward(0+i)
    t.right(20)
    t.forward(1+i)
    t.right(40)
    t.forward(2+i)
    t.right(60)
    t.forward(3+i)
    t.right(80)
    t.forward(4+i)
    t.forward(5+i)  
   turtle.done()

#sandbox @python_practics

PyTorch Крупнейший фреймворк для машинного обучения, который позволяет разработчикам выполнять тензорные вычисления с ускорением графического процессора, создавать динамические вычислительные графики и автоматически рассчитывать градиенты. Особенности PyTorch: ● Гибридный интерфейс обеспечивает простоту использования и гибкость в активном режиме, а также плавный переход в графический режим для повышения скорости, оптимизации и функциональности в средах выполнения C++. ● Встроенная поддержка асинхронного выполнения коллективных операций и одноранговой связи, доступная в Python и C++. ● PyTorch создан для глубокой интеграции с Python, поэтому его можно использовать с популярными библиотеками и пакетами этого языка, такими как Cython и Numba. ● Активное сообщество исследователей и разработчиков, создавшее богатую экосистему инструментов и библиотек и поддерживающее разработки в различных областях, от компьютерного зрения до обучения с подкреплением. Подробнее👇 #фреймворки_библиотеки

Задача: У вас есть массив чисел. Вам нужно отсортировать нечетные числа в порядке возрастания, оставив четные числа на исходных позициях. Пример:

   [7, 1]  =>  [1, 7]
   [5, 8, 6, 3, 4]  =>  [3, 8, 6, 5, 4]
   [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]  =>  [1, 8, 3, 6, 5, 4, 7, 2, 9, 0]

#задачник @python_practics

Рисуем логотип мстителей на модуле turtle Полный код по ссылке👇 #sandbox @python_practics

Получить размер объекта в байтах Этот скрипт используется для измерения количества памяти, потребляемой любым объектом в Python: переменной, функцией, классом. Обратите внимание, что учитывается только та память, которую занимает сам объект, а не те объекты, на которые он, возможно, ссылается. Размер памяти возвращается в байтах. #полезные_сниппеты @python_practics

Создаем красивую анимацию на модуле turtle

   from turtle import*
   title("Python Turtle Art")
   bgcolor("black")
   speed(0)
   pensize(3)

   for i in range(9):
    color("yellow") 
    left(60)
    circle(-18, 200)
    color("yellow", "red")
    r = 100
    for j in range(12):
        begin_fill()
        circle(r-11*j, 90)
        end_fill() 
    left(180) 
    penup()
    goto(0,0)
    pendown()
    hideturtle()

   done()

#sandbox @python_practics

Внимание! - Вопрос! Что такое __new__? И чем он отличается от __init__? В какой последовательности они выполняются? Основное различие между этими двумя методами состоит в том, что __new__ обрабатывает создание объекта, а __init__ обрабатывает его инициализацию. __new__ вызывается автоматически при вызове имени класса (при создании экземпляра), тогда как __init__ вызывается каждый раз, когда экземпляр класса возвращается __new__, передавая возвращаемый экземпляр в __init__ в качестве параметра self, поэтому даже если вы сохранили экземпляр где-нибудь глобально/статически и возвращали его каждый раз из __new__, для него все-равно будет каждый раз вызываться __init__. Из вышесказанного вытекает что сначала вызывается __new__, а потом __init__. #вопросы_из_собеседований @python_practics

10 лучших практик логирования в Python По мере того как приложение собирает все больше данных, правильное ведение журналов становится решающим фактором для быстрого и эффективного понимания общей функциональности. Это позволяет устранять проблемы до того, как они повлияют на конечных пользователей. В этой статье мы рассмотрим лучшие практики логирования в Python. Следуя им, вы сможете обеспечить информативность, практичность и масштабируемость генерируемых логов. Подробнее по ссылке👇 #статьи @python_practics

Создаем красивую анимацию на модуле turtle

   from turtle import*
   import colorsys 
   title("Python Turtle Art")
   bgcolor("black")
   tracer(90)
   pensize(2)
   h = 0.3

   for i in range(1100):
    c = colorsys.hsv_to_rgb(h,1,1)
    h += 0.005
    color(c)
    penup()
    goto(0, 0)
    circle(12, 50)
    forward(20)
    pendown()
    right(360)
    fillcolor(c)
    begin_fill()
    circle(10, 320)
    end_fill()
    backward(i/4)
    right(6)

   done()

#sandbox @python_practics

#теория_python @python_practics

Python: Искусственный интеллект, большие данные и облачные вычисления В вашем распоряжении более пятисот реальных задач — от фрагментов до 40 больших сценариев и примеров с полноценной реализацией. IPython с Jupyter Notebooks позволят быстро освоить современные идиомы программирования Python. Главы 1–5 и фрагменты глав 6–7 сделают понятными примеры решения задач искусственного интеллекта из глав 11–16. Вы познакомитесь с обработкой естественного языка, анализом эмоций в Twitter, когнитивными вычислениями IBM Watson, машинным обучением с учителем в задачах классификации и регрессии, машинным обучением без учителя в задачах кластеризации, распознавания образов с глубоким обучением и сверточными нейронными сетями, рекуррентными нейронными сетями, большими данными с Hadoop, Spark и NoSQL, IoT и многим другим. Книга в формате pdf👇 #курсы_книги @python_practics

Python, однако, не единственный, кто так выделился @python_practics