Python Lounge: работа и стажировки для программистов

Операции над множествами Set – множество, в котором отсутствуют повторяющиеся элементы: >>> a = set([1,2,3,4]) >>> b = set([3,4,5,6]) >>> a | b # объединение {1, 2, 3, 4, 5, 6} >>> a & b # пересечение {3, 4} >>> a < b # подмножества False >>> a - b # разница {1, 2} >>> a ^ b # симметрическая разность {1, 2, 5, 6}

Функция map На вход принимает два обязательных аргмумента: функция-обработчик и итерируемый объект, чаще всего это список. Суть map’a заключается в том, что он применяет переданную функцию к каждому элементу последовательности. А возвращает так называемый map-объект, который в дальнейшем можно конвертировать в обычный список и не только. def add_five(a): return a + 5 old_nums = [1, 2, 3, 4, 5] new_nums = map(add_five, old_nums) print(list(new_nums)) # Output: [6, 7, 8, 9, 10] Обратите внимание, мы не пишем скобки у функции add_five при вызове map – это означает то, что мы передаем объект функции, а не результат её выполнения. Тоже самое мы могли записать через анонимую функцию прямо в map'e. old_nums = [1, 2, 3, 4, 5] new_nums = map(lambda a: a + 5, old_nums) print(list(new_nums)) # Output: [6, 7, 8, 9, 10] Однако в данном примере нагляднее использовать генератор списка. old_nums = [1, 2, 3, 4, 5] new_nums = [a + 5 for a in old_nums] print(new_nums) # Output: [6, 7, 8, 9, 10] Хоть map и мощная функция, но лучше исходить от конкретных случаев. А вот вам действительно полезный пример из практики. Мы можем считать несколько чисел с консоли, которые вводят через пробел, разделив всё это функцией split. a, b, c = map(int, input().split())

Распознавание лиц и верификация пользователей по ним – будущее или уже существующая реальность? Даже больше, каждый уже может написать свою подобную программу. Это настолько просто, что требуется буквально двадцать строк кода и всего лишь полчаса времени для понимания. Читать статью

Заходит однажды тестировщик программного обеспечения в бар. Забегает в бар. Пролезает в бар. Танцуя, проникает в бар. Крадется в бар. Врывается в бар. Прыгает в бар. И заказывает 0 пива. Заказывает 99999 пив. Заказывает -1 пиво. Заказывает ящерицу в стакане. Заказывает "qwertyuiop". Заказывает одно пиво каждую милисекунду. Заказывает пиво, но отменяет заказ. Заказывает пиво вместе с 10000 посетителями одновременно. Заказывает пиво не заходя в бар. Заказывает drop table. А кульминация этого анекдота находится на моем новом канале @dank_code

Перечисления Python 3 поддерживает, благодаря классу Enum, простой механизм работы с перечислениями. Перечисления удобно использовать для хранения списков констант. Константы, в противном случае, оказываются беспорядочно разбросанными в коде. from enum import Enum, auto class Monster(Enum):    ZOMBIE = auto()    WARRIOR = auto()    BEAR = auto()     print(Monster.ZOMBIE) # Monster.ZOMBIE Из документации по Python 3 можно узнать о том, что перечисление — это набор символических имён, привязанных к уникальным, неизменным значениям. Члены одного перечисления можно сравнивать на идентичность. Перечисления можно обходить. for monster in Monster:    print(monster) # Monster.ZOMBIE # Monster.WARRIOR # Monster.BEAR

yield from Рассмотрим одну страшную конструкцию в Python 3.3+. Для начала напомню, генератор – это объект, который можно проитерировать только однажды. Записывается так: def gen():   for x in range(100):     yield x # Или покороче вот так f = (x for x in range(100))  Когда всего лишь один генератор – всё хорошо. Используем его как итератор и радуемся. Но не редки ситуации, в которых есть несколько генераторов: gen_1 = (x for x in range(5)) gen_2 = (x for x in range(5, 10)) И стоит задача – проитерировать сначала один генератор, потом второй. Но вернуть значения не в виде списка, а в виде нового генератора. Здесь на помощь приходит следующая конструкция: yield from <expr>, где <expr> - выражение, вычисление которого даёт итерируемый объект, из которого и вычленяется итератор.  Используя yield form, поставленная выше задача решается так: def generator(): yield from gen_1 yield from gen_2 gen = generator() И теперь можно просто проитерироваться по полученному генератору, в итоге получив результаты обоих первоначальных генераторов. Воспользуемся генератором списка, работа которого показана в предыдущем посте. result = [n for n in gen] # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

Генераторы коллекций В Python есть специальная конструкция, позволяющая быстрее и удобнее создавать заполненные коллекции на основе имеющихся, при этом применяя какое-либо выражение к каждому элементу. 1. Генератор списка (list comprehension) word = 'hello' new_list = [c.upper() for c in word] # ['H', 'E', 'L', 'L', 'O'] 2. Генератор множества (set comprehension) elements = [1, 2, 1, 3, 2] new_set = {n * 0.1 for n in elements} # {0.1, 0.2, 0.3} 3. Генератор словаря (dictionary comprehension) numbers = {'one': 1, 'two': 2, 'three': 3} new_dict = {v: k for k, v in numbers.items()} # {1: 'one', 2: 'two', 3: 'three'}

Генераторы Выглядят функции-генераторы также как и обычные, но содержат выражения с ключевым словом yield для последовательного генерирования значений, которые могут быть использованы в циклах for, либо их получения при помощи функции next. На каждой yield работа функции временно приостанавливается, при этом сохраняется состояние исполнения, включая локальные переменные, указатель на текущую инструкцию, внутренний стек и состояние обработки исключения. При последующем обращении к итератору генератора функция продолжает своё исполнение с места, на котором была приостановлена. Этим функции-генераторы отличаются от обычных функций, при вызове которых исполнение всякий раз начинается с начала. Если функция достигает инструкции return, либо конца, возбуждается исключение StopIteration и итератор исчерпывает себя. def generator(): for item in ('first', 'second', 'third'): yield item Теперь можно вызывать эту функцию и использовать функцию next. gen = generator() value = next(gen) print(value) # Output: first Достаточно часто, а точнее практически всегда, генераторы используют в циклах for. Преимущество такого подхода в том, что можно получить все возможные значения и не словить ошибку StopIteration. for item in gen: print(item, end=' ') # Output: second third Теперь если вызвать функцию next еще раз, то получим то самое исключение. next(gen) # Output: Traceback (most recent call last): File "main.py", line 12, in <module>   next(gen) StopIteration

Аннотации типов Всем известно, что Python – язык с динамической типизацией. Аннотации типов нужны для того, чтобы повысить информативность исходного кода, но они никак не влияют на поведение программы. Для примера потребуется импортировать типы List (список) и Dict (словарь) из модуля typing: from typing import List, Dict Типы данных указывается через двоеточие после именно переменной после её создания. Создадим словарь с числами и сразу же список, состоящий из значений этого словаря: numbers: Dict[str, int] = {'one': 1, 'two': 2} values: List[int] = numbers.values() Потом создадим функцию, возвращающую сумму переданных значений. В аргументах точно так же можно указывать их типы, а также через стрелочку можно указать типа возвращаемого значения: def sum(a: int, b: int) -> int: return a + b Теперь используем эту функцию, передав туда распакованный список: sum(*values) # Output: 3 Однако помните, что аннотации типов не влияют на ход исполнения программы, поэтому в ранее написаную функцию мы с таким же успехом можем передать и строки, хотя указывали целочисленный типа данных: sum('Python ', 'Lounge') # Output: 'Python Lounge'

Поясняю, это была не очередная реклама, а анонс нашего авторского совместного с @programming_python курса. Сфера чат-ботов активно развивается, однако разработчиков там не хватает, а платят очень даже неплохо. Так что советуем спешить, пока действует эксклюзивная скидка 20%, начало уже 1 сентября )

​​​Telegram боты Простая в освоении и практически не занятая ниша – разработка чат-ботов для мессенджеров. Платят за одного такого в среднем от 5 до 20 тысяч рублей, а время создания занимает как правило всего лишь несколько дней.  1 сентября начинается 3-недельный курс по разработке Telegram ботов на Python от программистов с солидным опытом в этой сфере. Обучение будет происходить в закрытом канале. Базовый (1190 рублей) – доступ ко всему самому свежему и практичному материалу. Стандартный (1490 рублей) – добавляется доступ в чат, в котором появляется возможность получить кейсы от программистов с опытом, узнать вопросы на интересующие вопросы и получить помощь. Продвинутый (2190 рублей) – помимо всех перечисленных выше прелестей, у вас есть возможность получить личные консультации и код ревью от мастеров в своем деле. Для записи пишите в бота @bots_course_bot. Специально для подписчиков этого канала скидка 20% по промокоду PYTHONLOUNGE.

Форматирование строк В этом посте разберем доступные в Python методы форматирования строк. Для начала определим две переменные, которые потом и будем вставлять в строки. name = 'Adrian' age = 17 Самый древний и уже редко используемый способ – с помощью оператора %. Написание %s и %d зависит от того, что мы туда передаем и что хотим увидеть в итоге, но это уже тема отдельного поста. 'My name is %s and I am %d years old' % (name, age) В Python 2.6 появился метод .format() с немного отличающимся синтаксисом от существующего оператора %. К слову, этот метод активно используется и по сей день, в отличии от его предшественника. 'My name is {} and I am {} years old'.format(name, age) Начиная с версии Python 3.6, доступны f-строки – свежий и наиболее производительный способ форматирования строк. f'My name is {name} and I am {age} years old'

Изменение списка во время итерации по нему Предположим, что требуется удалить все нечетные числа из списка. Проблема со следующим кодом должна быть довольно очевидной: odd = lambda x: bool(x % 2) # функция проверки числа на нечетность numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] for i in range(10):   if odd(numbers[i]):     del numbers[i] # удаление элемента из списка во время итерации по нему # Output: Traceback (most recent call last): if odd(numbers[i]): IndexError: list index out of range Удаление элемента из списка во время его итерации – это проблема, которая хорошо известна любому опытному разработчику. К счастью, Python включает в себя ряд элегантных парадигм программирования, которые при правильном использовании могут привести к значительному упрощению и оптимизации кода. Одна из таких парадигм – list comprehensions. Генераторы списков часто используют именно для решение подобных проблем, что и показывает реализация кода ниже: odd = lambda x: bool(x % 2) # функция проверки числа на нечетность numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] numbers = [n for n in numbers if not odd(n)] # генератор нового списка print(numbers) # Output: [2, 4, 6, 8, 10]

Python packages Предположим, вы разрабатываете большое приложение, которое включает в себя множество модулей. Очевидно, что складывать всё в одну папку не просто неудобно, а в некоторых случаях даже нерационально. Создадим для примера модуль main.py и рядом с ним пакет с модулями (папку с файлами) примерно в таком виде: ├── main.py └── package   ├── __init__.py   ├── module1.py   └── module2.py Модуль __init__.py нужен для инициализации пакета, а также он вызывается при импорте пакета или модулей из него. Тем не менее, __init__.py может был пустым, достаточно его присутствия. Простыми словами, такой модуль нужен для того, работать с папкой как с Python-пакетом. В main.py мы уже можем импортировать пакет и модули примерно такими способами: import package from package import module1 import package.module2 as m2 Предположим, что у нас есть уже какие-то функции в module1.py и module2.py. Теперь давайте напишем кое-что в __init__.py для примера: from .module1 import function1 from . import module2 as m2 variable = 'hello from __init__.py' Точка указывает на то, что мы импортируем модули из этого же пакета, а не откуда-то еще. Если указать без точки или просто import module2, то возникнет исключение. Теперь в main.py мы можем выполнить следующие команды: from package import function1 from package import m2 from package import variable Возможности пакетов и модулей в Python этим не ограничиваются, но для вступления и ознакомления этой информации должно хватить.

​​Рубрика #Проекты Буквально вчера я закончил переписывать того самого бота, который давал погоду в визуальном формате. Из глобальных обновлений: появилась возможность смены языка и просмотр публичной статистики.  И теперь этот бот доступен по новой ссылке – @TeleWeatherRobot А также делюсь с вами исходным кодом – https://github.com/adreex/TeleWeatherBot (поставьте звездочку проекту, плз) P. S. буду благодарен за все баг-репорты в лс или в чат канала.

Неправильное использование выражений как значений по умолчанию для аргументов функции Python позволяет указать, что аргумент функции является необязательным, предоставив для него значение по умолчанию. Хотя это отличная особенность языка, она может привести к некоторой путанице, когда значение по умолчанию является изменяемым. Например, рассмотрим определение такой функции: >>> def foo(bar=[]): ...  bar.append('baz') ...  return bar Распространенной ошибкой является мысль, что для необязательного аргумента будет задано указанное выражение по умолчанию каждый раз, когда вызывается функция, без указания значения для необязательного аргумента. Например, в приведенном выше коде можно ожидать, что повторный вызов foo() всегда будет возвращать ['baz'], поскольку предполагается, что каждый раз, когда вызывается foo(), bar установлен на []. >>> foo() ['baz'] >>> foo() ['baz', 'baz'] >>> foo() ['baz', 'baz', 'baz'] Ответ на вопрос “почему так происходит?” заключается в том, что значение по умолчанию для аргумента функции создается только один раз, во время определения функции. Таким образом, аргумент bar инициализируется по умолчанию только тогда, когда foo() определен впервые, но затем вызовы foo() продолжат использовать тот же список для какой bar был изначально инициализирован. Чаще всего такую ситуацию обходят примерно следующим образом: >>> def foo(bar=None): ...   if bar is None: ...     bar = [] ...   bar.append('baz') ...   return bar ...  >>> foo() ['baz'] >>> foo() ['baz'] >>> foo() ['baz'] # test

Модуль os В данном посте мы не будем изучать от начала до конца этот модуль, а просто пройдемся по основным методам. Вкратце, os предоставляет функции для работы с операционной системой. 1. Отображение текущей рабочей директории. >>> os.getcwd() '/Users/Adrian' 2. Получение списка папок и файлов в текущей директории. >>> os.listdir() ['Music', 'Pictures', 'Desktop', 'Library', 'Public', 'Movies', 'Applications', 'Documents', 'Downloads'] 3. Смена рабочей директории. >>> os.chdir('Documents') 4. Создание и удаление папок. >>> os.mkdir('new_folder') >>> os.rmdir('new_folder') 5. Отправка команд в терминал. >>> os.system('echo hello') hello

Паттерн проектирования Singleton Одиночка или же синглтон – это паттерн проектирования, описывающий объект, у которого имеется один единственный экземпляр.  Итак, нам требуется такой класс, который будет при вызове возвращать один и тот же экземпляр, поэтому нам придется переопределить магический метод new. new__(cls, *args, **kwargs) –– вызывается для создания экземпляра класса, перед вызовом __init. На вход первым аргументом метод принимает сам класс, а возвращать должен уже экземпляр (даже можно экземпляр и другого класса). class Singleton: instance = None def __new__(cls):      if cls.instance is None:        cls.instance = super().__new__(cls)      return cls.instance Здесь мы проверяем, есть ли значение у атрибута instance. Если нет, то присваиваем атрибуту экземпляр этого же класса. А если уже экземпляр создан, то просто его возвращаем. То есть при вызове конструктора класса Singleton, будет возвращаться один и тот же объект из памяти. a = Singleton() b = Singleton() Создали два экземпляра, теперь убедимся, что они содержат одинаковый объект. print(a is b) # True

Абстрактные методы в Python В абстрактном классе обычно реализуется общая часть нескольких сущностей или другими словами - абстрактная сущность. Абстрактный метод – это метод, который не имеет своей реализации в базовом классе, и он должен быть реализован в классе-наследнике.  Для того, чтобы создать абстрактный класс с абстрактными методами, надо импортировать вспомогательные метакласс ABCMeta и декоратор abstractmethod из модуля abc. from abc import ABCMeta, abstractmethod class AbstractClass(metaclass=ABCMeta): @abstractmethod def function(self): pass Если мы отнаследуем новый класс от абстрактного класса, не переопределив абстрактные методы (в данном случае function), и попробуем создать экземпляр, то получим исключение: class BadExample(AbstractClass): pass child = BadExample()  # TypeError: Can't instantiate abstract class BadExample with abstract methods function Для того, чтобы код заработал корректно, нам необходимо переопределить все абстрактные методы. То есть по сути еще раз просто написать функцию, но уже в новом классе. class GoodExample(AbstractClass): def function(self): print('Everything is ok') anotherchild = GoodExample()