Python/ django

📌 Boost Your Data Analysis Efficiency: Essential NumPy and Pandas Shortcuts You Should Know Повышение эффективности анализа данных: Топ примеров кода NumPy и Pandas, которые помогут вам в работе. 1. NumPy (изображение 1.) 2. Pandas Series and DataFrame (изображение 2.) 3. Pandas Functions and Maps (изображение 3.) 4. Pandas Grouping and Sorting (изображение 4.) 5. Pandas Data Types and Missing Values (изображение 5.) 6. Pandas Data Visualization (изображение 6.) @pythonl

🖥 How to automate the deletion of unnecessary files using Python  Автоматизириуем удаление ненужных файлов с помощью Python. 1. Удаление повторяющихся файлов 2. Удаление временных файлов 3. Систематизация и удаление файлов в папке Downloads 4. Удаление старых/неиспользуемых приложений @pythol

🚀 Python Script to Discover Exposed Ports by IP Address Python скрипт, использующий модуль nmap для сканирования определенного IP-адреса, работающих на нем служб, а также открытых портов, не заблокированных брандмауэром. @pythol

🚀 Python code that can send WhatsApp messages, send emails, and send SMS messages to a number. Python-скрипты для отправки сообщений WhatsApp, электронных письмем и SMS-сообщений. @pythonl

Сможете взломать вселенную? А не вылетая за пределы своего города? Звучит как вызов! И мы уверены, что он по плечу всем участникам соревнований по спортивному хакингу IT’s Tinkoff CTF.  Десятки отважных космических команд и всего два дня, чтобы пройти все миссии и набрать максимальное количество баллов. Что ждет в конце? Лучшие получат вселенский почет и денежные призы до 360 000 рублей! Участвовать можно и онлайн, и очно в вашем городе в ИТ-хабе Тинькофф. Будет 13 площадок, среди которых Сочи, Саратов, Самара, Челябинск и много других локаций в России и Беларуси. Офлайн-участников ждут квизы, настолки, крутой мерч и нетворкинг с экспертами. Кстати, задания будут интересны не только инженерам информационной безопасности, но и разработчикам, SRE и QA, аналитикам и другим ИТ-специалистам. 🚀 Покорять мультивселенные отправимся 15 и 16 июля. Скорее переходите на IT’s Tinkoff CTF, читайте подробности и регистрируйтесь! Отправили мультивселенские лучи успеха!

📃 File Transfer using UDP Sockets in Python. Передача файлов с помощью UDP-сокетов на Python. @pythonl

🔎 EasyScan EasyScan is a Python script that analyzes the security of a given website by inspecting its HTTP headers and DNS records. EasyScan — это проект на Python, который анализирует безопасность веб-сайта, проверяя его заголовки HTTP и записи DNS. Сканер позволяет формировать отчет о безопасности с рекомендациями по устранению потенциальных уязвимостей вашего кода. GitHub @pythonl

Хотите узнать, как у Сбера получается создавать такие точные персональные рекомендации? Приходите на RecSys Meetup by Sber — он состоится 20 июля в Питере 💚 На митапе топовые спикеры расскажут: • Как рекомендации на базе AI помогают бизнесу в разных индустриях. • На какие тренды в области AI, машинного обучения и рекомендательных систем стоит обратить внимание • Какие существуют особенности при построении рекомендательных сценариев в видео-стримингах В перерывах между докладами вас будут ждать интересные знакомства, обсуждения и нетворкинг. Регистрируйтесь по ссылке — встречаемся 20 июля в 19:00 по адресу: Art-Muse, Зал «Галерея Ц», 13-я линия Васильевского острова, 70 📍

Top 6 Algorithms Every Software Engineer Should Know💲 Топ-6 алгоритмов, которые должен знать каждый инженер-программист. 1) Binary Search Algorithm. 2) Bubble Sort Algorithm. 3) Merge Sort Algorithm 4) Depth-first Search Algorithm 5) Dijkstra’s Algorithm 6) Randomized Algorithm @pythonl

🦸‍♂Python DSA шпаргалка для супергероев ▪ List Methods изображение 2. ▪ Dictionary Operations изображение 3. ▪ Dictionary methods изображение 4. ▪ Set Operations изображение 5. ▪ String Methods изображение 6. @pythonl

🔥 Подборка обучающих каналов для программистов. 🖥 Machine learning ai_ml – крупнейши канал по ии, нейросетям и науке о данных. datasc - дата сайнс обучение самой востребованной профессии. @bigdatai - Big Data @machinelearning_ru – гайды по машинному обучению @machinelearning_interview – подготовка к собеседованию мл. @datascienceiot – бесплатные книги ds @ArtificialIntelligencedl – ИИ @machinee_learning – чат о машинном обучении @datascienceml_jobs - вакансии ds, ml @Machinelearning_Jobs - чат с вакансиями 🖥 Python @pythonl - крупнейший канал для Python программистов. @pro_python_code – учим python с ментором. @python_job_interview – подготовка к Python собеседованию. @python_testit - проверочные тесты на python @pythonlbooks - современные книги Python @python_djangojobs - работа для Python программистов @python_django_work - чат обсуждения вакансий #️⃣ c# C# - канал для изучения C# на практике. @csharp_cplus - C# чат @csharp_1001_notes - инструменты C# 🖥 C++ @cpluspluc - C++ кодинг 🖥 SQL базы данных @sqlhub - Повышение эффективности кода с грамотным использованием бд. @chat_sql - чат изучения бд. 👣 Golang @Golang_google - восхитительный язык от Google, мощный и перспективный. @golang_interview - вопросы и ответы с собеседований по Go. Для всех уровней разработчиков. @golangtests - интересные тесты и задачи GO @golangl - чат изучающих Go @GolangJobsit - отборные вакансии и работа GO @golang_jobsgo - чат для ищущих работу. @golang_books - полезные книги Golang @golang_speak - обсуждение языка Go @golangnewss - новости go 🖥 Linux linux - kali linux ос для хакинга linux chat - чат linux для обучения и помощи. @linux_read - бесплатные книги linux 🖥 Javascript / front @react_tg - - 40,14% разработчиков сайтов использовали React в 2022 году - это самая популярная библиотека для создания сайтов. @javascript -канал для JS и FrontEnd разработчиков. Лучшие практики и примеры кода. Туториалы и фишки JS @Js Tests - каверзные тесты JS @hashdev - погружение в web разработку. @javascriptjobjs - отборные вакансии и работа FrontEnd. @jsspeak - чат поиска FrontEnd работы. 🖥 Java @javatg - выучить Java с senior разработчиком на практике @javachats - чат для ответов на вопросы по Java @java_library - библиотека книг Java @android_its - Android разработка @java_quizes - тесты Java @Java_workit - работа Java @progersit - шпаргалки ит 👷‍♂️ IT работа https://t.me/addlist/_zyy_jQ_QUsyM2Vi -ит каналы по яп с вакансиями 🤡It memes @memes_prog - ит-мемы ⚙️ Rust @rust_code - Rust избавлен от болевых точек, которые есть во многих современных яп @rust_chats - чат rust 📓 Книги https://t.me/addlist/HwywK4fErd8wYzQy - актуальные книги по всем яп ⭐️ Нейронные сети @vistehno - chatgpt ведет блог, решает любые задачи и отвечает на любые ваши вопросы. @aigen - сети для генерации картинок. видео, музыки и многого другого. @neural – погружение в нейросети. 📢 English for coders @english_forprogrammers - Английский для программистов 🖥PHP @phpshka - PHP академия для программистов. 🖥 Devops Devops - канал для DevOps специалистов. 🔥 Папки для программитов https://t.me/addlist/_FjtIq8qMhU0NTYy - машинное обучение, нейросети, глубокое обучение https://t.me/addlist/eEPya-HF6mkxMGIy - папка для Python разработчиков https://t.me/addlist/MUtJEeJSxeY2YTFi - папка для Golang разработчиков

🚀 Pairing Telegram data with Python. Read and analyze chat messages Парсим данные в Telegram на Python. Читаем и анализируем сообщения из чатов. from xmlrpc.client import DateTime from telethon.sync import TelegramClient from telethon.tl.functions.messages import GetDialogsRequest from telethon.tl.types import InputPeerEmpty from telethon.tl.functions.messages import GetHistoryRequest from telethon.tl.types import PeerChannel import csv api_id = 'api id' api_hash = "api_hash" phone = "phone number" client = TelegramClient(phone, api_id, api_hash) client.start() chats = [] last_date = None chunk_size = 200 groups=[] result = client(GetDialogsRequest( offset_date=last_date, offset_id=0, offset_peer=InputPeerEmpty(), limit=chunk_size, hash = 0 )) chats.extend(result.chats) for chat in chats: try: if chat.megagroup== True: groups.append(chat) except: continue print("Выберите группу для парсинга сообщений и членов группы:") i=0 for g in groups: print(str(i) + "- " + g.title) i+=1 g_index = input("Введите нужную цифру: ") target_group=groups[int(g_index)] print("Узнаём пользователей...") all_participants = [] all_participants = client.get_participants(target_group) print("Сохраняем данные в файл...") with open("members.csv", "w", encoding="UTF-8") as f: writer = csv.writer(f,delimiter=",",lineterminator="\n") writer.writerow(["username", "name","group"]) for user in all_participants: if user.username: username= user.username else: username= "" if user.first_name: first_name= user.first_name else: first_name= "" if user.last_name: last_name= user.last_name else: last_name= "" name= (first_name + ' ' + last_name).strip() writer.writerow([username,name,target_group.title]) print("Парсинг участников группы успешно выполнен.") offset_id = 0 limit = 100 all_messages = [] total_messages = 0 total_count_limit = 0 while True: history = client(GetHistoryRequest( peer=target_group, offset_id=offset_id, offset_date=None, add_offset=0, limit=limit, max_id=0, min_id=0, hash=0 )) if not history.messages: break messages = history.messages for message in messages: all_messages.append(message.message) offset_id = messages[len(messages) - 1].id if total_count_limit != 0 and total_messages >= total_count_limit: break print("Сохраняем данные в файл...") with open("chats.csv", "w", encoding="UTF-8") as f: writer = csv.writer(f, delimiter=",", lineterminator="\n") for message in all_messages: writer.writerow([message]) print('Парсинг сообщений группы успешно выполнен.') @pythonl

Building an Image Recognition API using Flask Создание API для распознавания изображений с помощью Flask. Шаг 1: Настройка среды проекта 1. Создайте новый каталог для вашего проекта и перейдите в него. 2. Создайте виртуальную среду (необязательно, но рекомендуется): (Изображение 1.) 3. Установите необходимые библиотеки (изображение 2.) Шаг 2: Создайте веб-приложение Flask Создайте новый файл с именем app.py в каталоге проекта (изображение 3.) Шаг 3: Запустите приложение Flask Сохраните изменения и запустите приложение Flask (изображение 4.) Шаг 4: Протестируйте API Теперь ваш API запущен, и вы можете отправлять изображения на адрес /predict с помощью HTTP POST запросов. Для тестирования API можно использовать такие инструменты, как curl или Postman. • Пример использования curl (изображение 5.) • Пример с использованием запросов Python (изображение 6.) @pythonl

🕸 Python Web Scraping Этот исчерпывающий список содержит библиотеки python, связанные с веб-парсингом и обработкой данных. Web Scraping: Frameworks scrapy - web-scraping framework (twisted based). •pyspider - A powerful spider system. •autoscraper - A smart, automatic and lightweight web scraper •grab - web-scraping framework (pycurl/multicurl based) •ruia - Async Python 3.6+ web scraping micro-framework based on asyncio •cola - A distributed crawling framework. •frontera - A scalable frontier for web crawlers •dude - A simple framework for writing web scrapers using decorators. •ioweb - Web scraping framework based on gevent and lxml Web Scraping : Tools •portia - Visual scraping for Scrapy. •restkit - HTTP resource kit for Python. It allows you to easily access to HTTP resource and build objects around it. •requests-html - Pythonic HTML Parsing for Humans. •ScrapydWeb - A full-featured web UI for Scrapyd cluster management, which supports Scrapy Log Analysis & Visualization, Auto Packaging, Timer Tasks, Email Notice and so on. •Starbelly - Starbelly is a user-friendly and highly configurable web crawler front end. •Gerapy - Distributed Crawler Management Framework Based on Scrapy, Scrapyd, Django and Vue.js Web Scraping : Bypass Protection •cloudscraper - A Python module to bypass Cloudflare's anti-bot page. ▪ GIthub @pythonl

🐍 10 Useful python scripts 10 интересных скриптов Python. • Создавайте веб-бота # pip install selenium import time from selenium import webdriver from selenium.webdriver.common.keys import Keysbot = webdriver.Chrome("chromedriver.exe") bot.get('http://www.google.com') search = bot.find_element_by_name('q') search.send_keys("@codedev101") search.send_keys(Keys.RETURN) time.sleep(5) bot.quit() • Улучшение изображений на Python # pip install pillow from PIL import Image,ImageFilter from PIL import ImageEnhance im = Image.open('img.jpg') # Choose your filter # add Hastag at start if you don't want to any filter below en = ImageEnhance.Color(im) en = ImageEnhance.Contrast(im) en = ImageEnhance.Brightness(im) en = ImageEnhance.Sharpness(im)# result en.enhance(1.5).show("enhanced") • Парсинг текстов песен # pip install lyricsgenius import lyricsgenius api_key = "xxxxxxxxxxxxxxxxxxxxx" genius = lyricsgenius.Genius(api_key) artist = genius.search_artist("Pop Smoke", max_songs=5,sort="title") song = artist.song("100k On a Coupe") print(song.lyrics) • Получение данных Exif для фотографий # Get Exif of Photo # Method 1 # pip install pillow import PIL.Image import PIL.ExifTags img = PIL.Image.open("Img.jpg") exif_data = { PIL.ExifTags.TAGS[i]: j for i, j in img._getexif().items() if i in PIL.ExifTags.TAGS } print(exif_data) # Method 2 # pip install ExifRead import exifread filename = open(path_name, 'rb') tags = exifread.process_file(filename) print(tags) • Поиск в Google # pip install google from googlesearch import search query = "Medium.com" for url in search(query): print(url) • Преобразование: шестнадцатеричная система в RGB # Conversion: Hex to RGB def Hex_to_Rgb(hex): h = hex.lstrip('#') return tuple(int(h[i:i+2], 16) for i in (0, 2, 4)) print(Hex_to_Rgb('#c96d9d')) # (201, 109, 157) print(Hex_to_Rgb('#fa0515')) # (250, 5, 21) • Конвертация фотографий в формат Cartonize # pip install opencv-python import cv2 img = cv2.imread('img.jpg') grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) grayimg = cv2.medianBlur(grayimg, 5) edges = cv2.Laplacian(grayimg , cv2.CV_8U, ksize=5) r,mask =cv2.threshold(edges,100,255,cv2.THRESH_BINARY_INV) img2 = cv2.bitwise_and(img, img, mask=mask) img2 = cv2.medianBlur(img2, 5) cv2.imwrite("cartooned.jpg", mask) • Тестирование скорости соединения с помощью Python. # pip install pyspeedtest # pip install speedtest # pip install speedtest-cli #method 1 import speedtest speedTest = speedtest.Speedtest() print(speedTest.get_best_server()) #Check download speed print(speedTest.download()) #Check upload speed print(speedTest.upload()) # Method 2 import pyspeedtest st = pyspeedtest.SpeedTest() st.ping() st.download() st.upload() • Проверка состояния сайта # pip install requests #method 1 import urllib.request from urllib.request import Request, urlopenreq = Request('https://medium.com/@pythonians', headers={'User-Agent': 'Mozilla/5.0'}) webpage = urlopen(req).getcode() print(webpage) # 200 # method 2 import requests r = requests.get("https://medium.com/@pythonians") print(r.status_code) # 200 • Извлечение текста OCR из изображений # pip install pytesseract import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' t=Image.open("img.png") text = pytesseract.image_to_string(t, config='') print(text) @pythonl

🖥 Create a Mock SQL DB in Python from CSV for unit testing Создание макета SQL-базы данных в Python из CSV для модульного тестирования. pip install pandas pip install sqlglot pip install sqlalchemy from sqlalchemy import create_engine, text import sqlglot import pandas as pd def execute_sql_query(sql): query_as_sqlite = sqlglot.transpile(sql, read="postgres", write="sqlite")[0] mocked_db = create_engine('sqlite://') pd.read_csv('data.csv').to_sql('table_name', con=mocked_db) with mocked_db.connect() as connection: result = connection.execute(text(query_as_sqlite)) return result @pythonl

Machine learning — обучающий для тех, кто хочет погрузится в волшебный мир Нейронауки! Нейронные сети, машинное обучение, Data Science, изучаем базу, объясняем код, изучаем лучшие проекты, выкладываем бесплатные курсы и книги из области Машинного обучения. Начать учиться

🔭 Daily Useful Scripts Daily.py is a repository that provides a collection of ready-to-use Python scripts for automating common daily tasks. Daily.py - это репозиторий, который предоставляет коллекцию готовых к запуску скриптов Python для автоматизации обычных повседневных задач. git clone https://github.com/Chamepp/Daily.py.git ▪ Github @pythonl

https://t.me/backend_architecture Канал для тех, кто интересуется архитектурой программного обеспечения, оптимизацией производительности систем, масштабируемостью, надежностью и другими аспектами разработки программного обеспечения. Канал подойдет тем, кто хочет улучшить свои навыки и знания в области backend разработки и system design. 📌 Backend-разработка 📌 System Design 📌 Архитектура 📌 Проектирование https://t.me/backend_architecture

💼Building a Trading Strategy with Machine Learning Models and Yahoo Finance in Python. Создаем алгоритм для торговли с помощью моделей машинного обучения и Yahoo Finance на Python. import yfinance as yf import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score from sklearn.pipeline import Pipeline from sklearn.impute import SimpleImputer import matplotlib.pyplot as plt # Step 1: Data Collection ticker = "AAPL" start_date = "2021-01-01" end_date = "2023-01-06" data = yf.download(ticker, start=start_date, end=end_date, progress=False) # Step 2: Data Preprocessing data["Return"] = data["Close"].pct_change() data.dropna(inplace=True) # Step 3: Feature Engineering data["SMA_5"] = data["Close"].rolling(window=5).mean() data["SMA_20"] = data["Close"].rolling(window=20).mean() # Step 4: Model Selection and Training X = data[["SMA_5", "SMA_20"]] y = (data["Return"] > 0).astype(int) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) pipeline = Pipeline([ ('imputer', SimpleImputer(strategy='mean')), ('classifier', RandomForestClassifier(n_estimators=100, random_state=42)) ]) pipeline.fit(X_train, y_train) # Step 5: Model Evaluation y_pred_train = pipeline.predict(X_train) train_accuracy = accuracy_score(y_train, y_pred_train) y_pred_test = pipeline.predict(X_test) test_accuracy = accuracy_score(y_test, y_pred_test) print("Train Accuracy:", train_accuracy) print("Test Accuracy:", test_accuracy) # Step 6: Strategy Design data["Predicted_Return"] = pipeline.predict(X) data["Signal"] = data["Predicted_Return"].diff() data.loc[data["Signal"] > 0, "Position"] = 1 data.loc[data["Signal"] < 0, "Position"] = -1 data["Position"].fillna(0, inplace=True) # Step 7: Backtesting data["Strategy_Return"] = data["Position"] * data["Return"] cumulative_returns = (data["Strategy_Return"] + 1).cumprod() plt.figure(figsize=(10, 6)) plt.plot(data.index, cumulative_returns) plt.xlabel("Date") plt.ylabel("Cumulative Returns") plt.title("Trading Strategy Performance") plt.grid(True) plt.show() @pythonl