Pythoner

✈️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!

😈 IT memer

👴У владельца "Pythoner" появился блог! Рассказываю про telegram без программирования: https://t.me/+tMKLZLAdrzcwZTVi

Онлайн-интенсив для ИТ-специалистов в Открытых школах Т1 Открытые школы Т1 — карьерная программа для начинающих ИТ-специалистов от ИТ-холдинга Т1. Это ИТ-интенсив без отрыва от работы и карьерный трек в Т1 для лучших выпусников. Что тебя ждет? ✅ Бесплатный онлайн-интенсив с топовыми преподавателями ✅ Практические задачи и индивидуальная обратная связь ✅ Поддержка HR и знакомство с ИТ-командами Т1 ✅ Карьерный фаст-трек: навыки для роста из джуна в мидла ✅ Реальный шанс получить оффер в ИТ-холдинг Т1 Более 1000 специалистов уже прошли этот путь — теперь твоя очередь! Подавай заявку до 14 марта и приходи учиться! Старт ИТ-интенсива уже 17 марта. Подать заявку #реклама 16+ t1.ru О рекламодателе

✈️Scikit-learn - это библиотека машинного обучения для Python, которая предоставляет инструменты и алгоритмы для построения моделей машинного обучения, обработки данных и оценки их качества. ➡️Основные преимущества Scikit-learn: — Легкость использования. — Широкий выбор алгоритмов. — Хорошая документация и активное сообщество. ➡️Пример: Классификация с использованием метода k-ближайших соседей (k-NN):

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

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

# Разделяем данные на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Создаем модель k-NN
model = KNeighborsClassifier(n_neighbors=3)

# Обучаем модель
model.fit(X_train, y_train)

# Делаем предсказания
predictions = model.predict(X_test)

# Оцениваем точность модели
accuracy = accuracy_score(y_test, predictions)
print(f"Точность модели: {accuracy:.2f}")

⬆️Результат:

Точность модели: 1.00

⬆️Как это работает? - Загрузка данных: Мы используем встроенный набор данных Iris из sklearn.datasets. - Разделение данных: Метод train_test_split() разделяет данные на обучающую и тестовую выборки. - Создание модели: Мы создаем экземпляр классификатора KNeighborsClassifier с параметром n_neighbors=3. - Обучение модели: Метод .fit() обучает модель на обучающей выборке. - Оценка точности: Мы сравниваем предсказания модели с реальными значениями и вычисляем точность. 💡Заключение Scikit-learn — это отличный инструмент для начала работы с машинным обучением. Библиотека содержит множество классических алгоритмов, таких как SVM, случайные леса, наивный Байес и другие, а также инструменты для предобработки данных, выбора признаков, кросс-валидации и оценки моделей. Scikit-learn имеет простой и понятный API, что делает ее прекрасным выбором для начинающих в области машинного обучения. 🐍 Pythoner

✈️PyAutoGUI - это библиотека Python, которая позволяет автоматизировать взаимодействие с графическим пользовательским интерфейсом (GUI) на экране. С помощью PyAutoGUI вы можете выполнять различные действия, такие как перемещение мыши, клики, ввод текста, нажатие клавиш, создание скриншотов и многое другое. ➡️Некоторые основные возможности PyAutoGUI: ➡️ Управление мышью: Вы можете перемещать курсор мыши, кликать мышью в различных местах экрана, делать скриншоты и многое другое. ➡️ Управление клавиатурой: PyAutoGUI позволяет эмулировать ввод с клавиатуры, например, ввод текста и нажатие клавиш. ➡️ Определение положения объектов на экране: Библиотека позволяет определять координаты объектов на экране, что полезно при автоматизации задач. ➡️ Работа с окнами программ: PyAutoGUI предоставляет функционал для работы с окнами программ, такой как перемещение и изменение размеров окон. ➡️ Скриншоты: Вы можете делать скриншоты экрана и определять, что находится на экране в определенной области. ➡️ Определение цвета пикселя: Библиотека позволяет определять цвет пикселя на экране, что может быть полезно для определения элементов интерфейса. 💡Будьте осторожны при использовании PyAutoGUI, так как автоматизация взаимодействия с GUI может вызвать неожиданные результаты. Однако, эта библиотека может быть очень полезной в автоматизации рутинных задач или тестировании программного обеспечения. 🐍 Pythoner

✈️Что такое очистка последовательности? Очистка последовательности — это процесс удаления нежелательных элементов из коллекции данных (например, списка, строки или множества). Это может включать удаление дубликатов, пустых значений, специальных символов или любых других ненужных элементов. Это особенно важно при работе с реальными данными, которые часто содержат шум или ошибки. ➡️Пример 1: Удаление дубликатов из списка:

# Исходный список
data = [1, 2, 2, 3, 4, 4, 5]

# Удаляем дубликаты с помощью множества
cleaned_data = list(set(data))

print("Исходный список:", data)
print("Очищенный список:", cleaned_data)

Результат:

Исходный список: [1, 2, 2, 3, 4, 4, 5]
Очищенный список: [1, 2, 3, 4, 5]

➡️Пример 2: Удаление пробельных символов из строки:

# Исходная строка
text = "  Hello,   World! This is a test.  "

# Удаляем лишние пробелы
cleaned_text = ' '.join(text.split())

print("Исходная строка:", repr(text))
print("Очищенная строка:", repr(cleaned_text))

Результат:

Исходная строка: '  Hello,   World! This is a test.  '
Очищенная строка: 'Hello, World! This is a test.'

➡️Пример 3: Фильтрация элементов в списке:

# Исходный список
numbers = [3, -1, 0, 7, -5, 2]

# Фильтрация с помощью list comprehension
positive_numbers = [num for num in numbers if num > 0]

print("Исходный список:", numbers)
print("Очищенный список:", positive_numbers)

Результат:

Исходный список: [3, -1, 0, 7, -5, 2]
Очищенный список: [3, 7, 2]

➡️Заключение Очистка последовательностей — это важный шаг в подготовке данных для анализа или обработки. который даёт чистоту данных, улучшение производительности и правильность результатов. 🐍 Pythoner