Коробка с питоном

Кстати про используемый там tablib! Это очень полезная библиотека, которая позволяет создавать "табличные датасеты" с которыми можно производить некоторые операции (поиск данных, например) или экспортировать их в необходимый формат. Для тех, кто не понимает что такое "табличный датасет" (tabular data sets) - проще говоря это набор данных в виде таблички. Сам tablib поддерживает сегрегацию, динамические колонки, тегирование и фильтрование данных. Ну и вишенка на торте - экспорт в почти что угодно. На скриншоте, кстати, пример :) Github | Документация #библиотека

Проект который я пишу в основном на Django, поэтому в следующее время будет довольно много ресурсов по ней 🌚 Есть задача реализовать импорт/экспорт сущностей (в различных форматах), библиотека django-import-export позволяет сделать это в кратчайшие сроки. Можно, конечно, реализовать свой импорт/экспорт, но зачем изобретать велосипед? К слову, библиотека поддерживается, активность на гитхабе есть, поэтому с ней проблем быть не должно. Что она умеет? - Экспорт в различные форматы: Excel, CSV, JSON и вообще любой другой формат, который поддерживает tablib - Интеграция с админкой (импорт, экспорт) - Превью импорта - Экспорт с поддержкой фильтров Github | Документация #библиотека #django

Давным давно я писал обертку для сервиса, которая генерирует текст-рыбу. Она нужна была чтобы заполнять поля с контентом. Совсем недавно я начал писать свой проект и углубился в тестирование. Одним из результатов моего поиска ресурсов по этой теме стала библиотека Faker. Faker генерирует фейковые данные. При чем, он умеет генерировать не только текст - он также умеет генерировать адреса, имена, а если чего-то нет - можно поискать провайдера для этого. Github | Документация #тестирование #библиотека

Если вы пишите на Django или собираетесь писать на нём, я нашёл довольно адекватный и хороший стаилгайд от HackSoftware, который позволит вашему коду на Django не превратиться в макароны. Стаилгайд описывает большинство кейсов, с которыми сталкивается разработчик - от взаимодействия с моделями и сервисами, до тестирования и работы с Celery. #ссылочки #django

Ormar - очень интересная и небольшая асинхронная ORM, которая поддерживает Postgres, MySQL и SQLite. Построена на базе Pydantic и SQLAlchemy. Суть проекта - создать легкую ORM, которая могла бы использоваться напрямую (в цикле запрос-ответ) с FastAPI или другими фреимворками. На данный момент по моему мнению выглядит неплохо, идеологически это достойная замена для WIP SQLModel. Github | Документация #библиотека

What the f*ck Python - репозиторий на Github, в котором собраны некоторые интересные примеры с объяснениями, почему происходят те или иные вещи в Python. #ссылочки

Итоги октября! 🗒 Заметки: - Про Poetry в Docker - Генерация requirements.txt через Poetry в Github Actions - Ручной проход по списку 📚Библиотеки: - anytree - aiomisc

Предложение выпилить GIL продолжают активно обсуждать. На ежегодный Python core development sprint пригласили Sam Gross (автор nogil), и задавали ему много разных вопросов. Все под впечатлением. Всерьёз обсуждается вливание этого экспериментального форка в основной код CPython, но спешить с этим точно не будут, потому что изменения такого масштаба в интерпретаторе потребуют адаптации многих библиотек и пользовательского кода. Изменение крупное, но если его добавлять небольшими кусками и растянуть этот процесс на несколько лет, то получится избежать Python 4. А Python 4 никто не хочет. Сэма пригласили присоединиться к числу core-разработчиков интерпретатора. Łukasz Langa будет его менторить. Пока что всё выглядит очень оптимистично. Ждите Python 3.20 без GIL 😅 https://lukasz.langa.pl/5d044f91-49c1-4170-aed1-62b6763e6ad0/ #gil

aiomisc - огромное количество различных утилит для asyncio. Из самых полезных утилит для себя выделил возможность создавать энтрипоинты с логгированием, огромное количество классов-сервисов (PeriodicService, CronService и т.д.), работа с потоками и управление сигналами. GitHub | Документация #библиотека #asyncio

Ручной проход по списку Задачка: нужно пройти по списку не используя цикл for. Решение у этой задачи достаточно простое - можно использовать функцию next() и ловить исключение StopIteration. На скриншоте можно увидеть пример с использованием цикла while. Здесь мы получаем итератор - это такой объект, который облегчает навигацию по коллекциям. Дальше в цикле вызываем next(), который получает следующий элемент и так до тех пор пока элементы не закончатся - индикатором этого будет вызов исключения StopIteration.

Костылерование и велосипедостроение продолжается 🗿! Делаю бота в телеге, решил при помощи Github Actions прогонять тесты в докере и дальше деплоить. Менеджмент зависимостей через poetry. Из-за того что poetry ставит кучу ненужных мне вещей, хочется экспортить мои зависимости в requirements.txt. Первой идеей был git hook, но у нас тут Github Actions есть, давайте генерировать при помощи него 🗿 Результатом стал вот такой workflow. Оно ставит Ubuntu 20.04, Python 3.9 и Poetry 1.1.7. После чего экспортит зависимости и пушит их вам в репозиторий. Зачем я это сделал? Не понятно, интерес иногда делает веселые вещи. #github #poetry

Небольшой хинт про использование Poetry в Docker - зависимости можно экспортировать в обычный requirements.txt, таким образом избегая установки и обновления poetry. Если вам необходимо просто установить зависимости - экспортируйте их в requirements.txt. А дальше ставьте их как обычно, через pip. #poetry #docker

Поиск N максимальных или минимальных элементов. Если вы хотите создать список из N максимальных или минимальных элементов, модуль heapq вам поможет в этом. У этого модуля есть две функции: nlargest() и nsmallest(), которые, соответственно ищут максимальные и минимальные элементы. Например: >>> nums = [10, 20, 30, 40, 55, 632, -3, 98321, 82, 0, 8] >>> heapq.nlargest(4, nums) [98321, 632, 82, 55] >>> heapq.nsmallest(4, nums) [-3, 0, 8, 10] Обе функции принимают параметр key, который позволяет их использовать с сложными структурами данных. Например: currency = [ dict(name="Etherium", price=3323), dict(name="Bitcoin", price=45538), dict(name="ZCash", price=132), dict(name="Litecoin", price=184), dict(name="OmiseGo", price=8.933) ] >>> heapq.nsmallest(2, currency, key=lambda s: s['price']) [{'name': 'OmiseGo', 'price': 8.933}, {'name': 'ZCash', 'price': 132}] >>> heapq.nlargest(2, currency, key=lambda s: s['price']) [{'name': 'Bitcoin', 'price': 45538}, {'name': 'Etherium', 'price': 3323}]

Хочу обратить ваше внимание на канал с актуальными ссылками на новости, подкасты, книги и просто интересные материалы из мира Python. Если хочешь всегда быть в курсе событий и не пропускать ничего интересного - подписывайся на Python Daily. В канале удобная навигация с помощью тегов, а благодаря постоянно обновляющимся источникам вам всегда будет что почитать в дороге или во время обеденного перерыва. https://t.me/pydaily

orjson - самая быстрая библиотека для (де)сериализации json, написанная на Rust. Умеет нативно сериализовать объекты из dataclass, datetime, numpy и UUID. Имеет множество опций для тонкой настройки парсера, содержит вещи которых нет в парсере стандартной библиотеки. Имеет более полное соответствие UTF-8 и JSON формату. PyPi | GitHub | Бенчмарки #библиотека

Уже слышали о парне, который запустил челлендж Учу Python с нуля? В своем канале он делится с подписчиками отчетами о пройденном, решениями задач и другими полезными материалами. Уже "закрыл" основы и начинает работать с объектами, классами и идет дальше! Цель, которую он себе поставил - свой блог на Django до Нового года, а глобально - в 2к22 получить оффер на вакансию джуниора. И, кстати, ему 33 года, начинать никогда не поздно! Сейчас его канал можно использовать как телеграм-учебник по Python, начиная с основ! Есть и теория и практика, учи пайтон прямо в телеграм! В общем, нет причин не подписаться на этого парня, не смотря ни на что он движется к своей цели, за этим интересно понаблюдать! Переходите на его канал @pywayru и поддержите своей подпиской!

Про применение all() Стандартная библиотека Python полна полезных вещей, но полезные вещи есть даже среди встроенных функций. Одна из таких встроенных функций - это all(). Функция all() возвращает True, если все элементы истинные (или объект пустой). К примеру, all() очень удобно использовать с генераторами. Например, мы можем проверить, являются ли все октеты в IP-адресе числами: >>> all(i.isdigit() for i in '127.0.0.b'.split('.')) False >>> all(i.isdigit() for i in '127.0.0.1'.split('.')) True

Типизация именованных кортежей. Один из комментаторов указал, что namedtuple() объявлен устаревшим и в 3.10 его поддержка прекратится. Что же делать? Использовать NamedTuple, если в вашем проекте питон выше версии 3.6. Именованный кортеж можно создать 2 путями - через наследование NamedTuple (класс Skills) или старым способом (AnotherSkills). Оба способа содержат аннотации типов, повышающие (как минимум) читаемость кода. Все методы, которые были в namedtuple (_make(), _replace(), _asdict()) работают: >>> s = Skills(0) >>> s._asdict() {'mining': 0, 'excavating': 1} Теперь мы можем посмотреть на аннотации:

s.__annotations__
{'mining': <class 'int'>, 'excavating': <class 'int'>}

Так же, ничего не мешает добавлять новые методы или оверрайтить существующие. В примере у Skills переопределен метод для str(): >>>str(s) 'Какой качок, уровень копания: 0\nуровень лесорубства: 100' GitHub

В комментариях спросили, почему используются методы которые начинаются с нижнего подчеркивания, так как так принято обозначать приватные методы класса (которые не доступны пользователям). Ответ прост - соглашение об именах начинающихся со знака подчёркивания здесь имеет другое значение. Методы с нижним подчеркиванием являются вспомогательными, а проименованы они так чтобы избежать коллизий имён с полями кортежа. А мы вернемся к нашим методам. Метод _asdict() создаст словарь из именованного кортежа и вернет его:

>>> skills._asdict()
{'Mining': 1, 'Excavating': 2, 'Boiling': 3}

Ещё один полезный метод - _fields(). Он вернет кортеж из полей. Очень полезно, если вы хотите создать ещё один именованный кортеж: >>> AllSkills = namedtuple('AllSkills', Skills._fields + ('Taming', 'Woodcutting')) >>> AllSkills._fields ('Mining', 'Excavating', 'Boiling', 'Taming', 'Woodcutting')

В канале недавно уже был пост про namedtuple, но мне ещё есть что про него рассказать. Первое, что я хотел бы вам показать - именованный кортеж можно создать с помощью любой структуры данных, которая поддерживает итерирование:

>>> lst = ['Mining', 'Excavating', 'Boiling']
>>> Skills = namedtuple('Skills', lst)
>>> skills = Skills(1, 2, 3)
>>> skills
Skills(Mining=1, Excavating=2, Boiling=3)

Ещё мы можем создать кортеж через метод _make():

>>> skills = Skills._make([1, 2, 3])
Skills(Mining=1, Excavating=2, Boiling=3)

В примере используется список, но никто не мешает вам сделать такое же с кортежем, множеством и даже словарем (но вот только значения которые вы установите для ключа игнорируются). Именованные кортежи неизменяемые, но мы можем использовать метод _replace(), чтобы изменить данные. Под капотом он использует метод _make для создания нового кортежа, поэтому, по сути, мы просто пересоздадим кортеж:

>>> skills._replace(Mining=100)
Skills(Mining=100, Excavating=2, Boiling=3)