Pythoner

Вебинар про UserGate SIEM ⚡ Отечественные компании каждый день сталкиваются с различными рисками и угрозами, часть из которых помогает закрыть отказоустойчивость. 📊Спикеры: - Дмитрий Чеботарев, менеджер по развитию UserGate SIEM; - Дмитрий Богданов, ведущий инженер UserGate. ✅ Расскажут об отказоустойчивости и кластеризации и о том, для чего они нужны; ✅ Покажут кейсы использования. Зарегистрироваться #реклама 16+ webinar.usergate.com О рекламодателе

✈️Вложенный список - это список, содержащий другие списки в качестве его элементов. Создание вложенного списка в Python - это простой процесс. Вы просто создаете список, как обычно, но вместо того чтобы добавлять одиночные элементы, вы добавляете другие списки. Например, nested_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]. ➡️Добавление вложенного списка Добавление нового вложенного списка в существующий список также является прямолинейным процессом. Вы просто используете метод .append() для добавления нового списка. Например, если вы хотите добавить новый список [10, 11, 12] в наш вложенный список, вы бы написали nested_list.append([10, 11, 12]). ➡️Доступ к элементам вложенных списков Доступ к элементам вложенного списка осуществляется также, как и к элементам обычного списка, только с дополнительным индексированием для вложенных списков. Например, если вы хотите получить доступ к числу 5 в приведенном выше вложенном списке, вы бы использовали nested_list[1][1]. ➡️Изменение элементов вложенных списков Изменение элементов во вложенных списках также является прямолинейным процессом. Точно также, как вы бы изменили элемент в обычном списке, вы просто обращаетесь к нужному элементу с помощью индекса и присваиваете ему новое значение. Например, nested_list[2][2] = 10 заменит число 9 на число 10 в нашем вложенном списке. 🐍 Pythoner

IT_ONE Cup. ML Challenge от IT_ONE и Sk FinTech Hub — создай AI-ассистента, который будет помогать в работе дизайнерам, системным и бизнес-аналитикам. Участвуй онлайн с 12 по 29 апреля и поборись за 1 500 000 рублей. Регистрация открыта до 11 апреля Твоя формула победы: ✅ Разбираешься в машинном обучении. ✅ На ты с NLP и LLM. ✅ Концептуально понимаешь принципы работы веб-приложений.   Также приглашаем Backend и Frontend-разработчиков, системных и бизнес-аналитиков, UI/UX-дизайнеров. Участвуй онлайн соло или командой до 5 человек.  Задачи IT_ONE Cup. ML Challenge: 🔤 Динамические контекстные подсказки для системного аналитика. 🔤 AI-генератор дизайн-макетов по описанию требований. 🔤 Система визуализации BPMN-диаграмм. 4 апреля приходи на митап с экспертами соревнования — задай вопросы и узнай больше о задачах.  Создай AI-ассистента, который облегчит выполнение рабочих задач — регистрируйся на IT_ONE Cup. ML Challenge

✈️Scrapy — это мощная фреймворк Python для автоматизированного сбора данных с веб-сайтов. Он позволяет легко парсить HTML-страницы, извлекать нужную информацию и сохранять ее в удобном формате (CSV, JSON и т.д.). Scrapy особенно полезен для проектов, связанных с анализом данных, мониторингом цен или сбором информации из интернета. ➡️Пример создания простого скрапера Допустим, мы хотим собрать названия статей с новостного сайта с помощью Scrapy: В папке news_scraper/spiders/ создайте файл news_spider.py со следующим содержимым:

import scrapy

class NewsSpider(scrapy.Spider):
    name = 'news'
    start_urls = ['https://example.com/news']  # URL сайта для парсинга

    def parse(self, response):
        # Извлекаем заголовки статей
        for article in response.css('div.article'):
            yield {
                'title': article.css('h2.title::text').get(),
                'link': article.css('a::attr(href)').get(),
            }

        # Переход на следующую страницу
        next_page = response.css('a.next-page::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

Далее запускаем с помощью команды:

scrapy crawl news -o news.json

⬆️Результат будет сохранен в файл news.json. ➡️Преимущества использования Scrapy - Масштабируемость: Scrapy может обрабатывать тысячи страниц одновременно, что делает его идеальным для крупных проектов. - Гибкость: Библиотека поддерживает различные типы запросов (GET, POST), аутентификацию, куки и работу с JavaScript через интеграцию с Selenium. - Автоматизация: Scrapy позволяет настроить периодические задачи для регулярного сбора данных. - Экономия времени: Вместо ручного копирования информации, Scrapy автоматизирует процесс, позволяя сосредоточиться на анализе данных. - Поддержка различных форматов: Собранные данные можно экспортировать в CSV, JSON, XML и другие форматы без дополнительных усилий. ➡️Заключение Scrapy — это не просто инструмент для веб-скрапинга, это целая экосистема, которая помогает эффективно решать задачи сбора данных. Его гибкость, масштабируемость и автоматизация делают его незаменимым для разработчиков, работающих с большими объемами информации. 🐍 Pythoner

Зачем покупать курсы, книги и искать информацию на древних форумах когда есть Python Power❔ В канале от Senior-разработчика уже можно посмотреть совершенно бесплатно: - ♾ количество фишек и полезной инфы - 52 прохождения собеса - 117 рабочих скриптов - слив топ 20 курсов - 10 мастхев книг - 144 задачи которые будут на вашем собесе - гайд как получить первый оффер 🔒Открыли канал на 48 часов, успей залететь!

✈️Matplotlib — это мощная библиотека Python для создания статических, анимированных и интерактивных визуализаций. Она позволяет строить различные типы графиков, таких как линейные графики, гистограммы, диаграммы и многое другое. Matplotlib особенно полезен для анализа данных, презентаций и научных исследований. ➡️Пример создания графика: Если мы хотим построить график зависимости y = x^2:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем данные
x = np.linspace(-10, 10, 100)  # 100 точек от -10 до 10
y = x ** 2

# Создаем график
plt.plot(x, y, label='y = x^2', color='blue', linewidth=2)

# Добавляем заголовок и метки осей
plt.title('График функции y = x^2')
plt.xlabel('X')
plt.ylabel('Y')

# Добавляем легенду
plt.legend()

# Отображаем график
plt.grid(True)
plt.show()

⬆️Будет построен график параболы с заголовком, метками осей и сеткой. ➡️Пример создания гистограммы: Теперь давайте построим гистограмму распределения случайных чисел:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем случайные данные
data = np.random.randn(1000)

# Создаем гистограмму
plt.hist(data, bins=30, color='green', edgecolor='black', alpha=0.7)

# Добавляем заголовок и метки осей
plt.title('Гистограмма распределения данных')
plt.xlabel('Значение')
plt.ylabel('Частота')

# Отображаем график
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

⬆️Будет построена гистограмма с 30 столбцами, показывающая распределение данных. ➡️Почему Matplotlib полезен? -- Широкие возможности: Matplotlib позволяет создавать практически любой тип графика. - Кастомизация: Вы можете полностью контролировать внешний вид графиков (цвета, шрифты, размеры). - Интеграция с другими библиотеками: Matplotlib отлично работает с Pandas, NumPy и SciPy. 💡Благодаря своей гибкости и мощным возможностям, Matplotlib является незаменимым инструментом для визуализации данных в Python. 🐍 Pythoner

Уйди от рутины с ChatGPT, займись стратегией! Мы поможем Курс по нейросетям для руководителей высшего и среднего звена. Только реальные бизнес-кейсы, разбор ваших вопросов с эекспертами. Всё обучение со спикером живьём, никаких видеозаписей! Приходи! Записаться онлайн #реклама 16+ gptmasters.ru О рекламодателе

😈 IT memer

🤔Разбор a —> "1" (станет текстовой единицей) b —> вызовет функцию str, которую мы переопределили выше в коде самостоятельно передав туда 2. Функция str, в свою очередь, попытается вернуть результат str(number * 2), но мы как раз таки str и переопределили —> она вызовет сама себя. У нас получится рекурсия, которая будет работать бесконечно, Python выдаст блок-ошибку по глубине рекурсии. ответ: ошибка 🐍 Pythoner

Онлайн-интенсив для ИТ-специалистов в Открытых школах Т1 Уже есть опыт работы в ИТ, но хочешь прокачать скилы и продвинуться в карьере? Тогда скорее залетай на бесплатный ИТ-интенсив в Открытых школах Т1. Открытые школы — это возможность усилить свои навыки и получить оффер в ИТ-холдинг Т1. И все это за месяц, онлайн и в удобное вечернее время. Что ты получишь? ✅ бесплатное обучение в гибком формате: по вечерам, онлайн, из любого города РФ и РБ. ✅ материалы от HR для прокачки резюме и подготовки к интервью в Т1. ✅ много практики и уникальный рыночный опыт. ✅ поддержку опытных преподавателей и карьерный фаст-трек до мидла в Т1 для лучших выпускников. ✅ реальный шанс получить оффер в Т1. Более 1000 специалистов уже прошли этот путь — теперь твоя очередь! Регистрация до 14 марта! Подать заявку #реклама 16+ t1.ru О рекламодателе

✈️Виртуальное окружение — это изолированное пространство для работы с Python-проектами. Оно позволяет устанавливать зависимости конкретного проекта без влияния на другие проекты или системные пакеты. Создание виртуального окружения особенно важно, когда разные проекты требуют разных версий одной и той же библиотеки. ➡️Как создать и использовать виртуальное окружение? 1.Установка модуля venv Модуль venv входит в стандартную библиотеку Python 3.3+ и не требует дополнительной установки. 2.Создание виртуального окружения Откройте терминал и выполните следующую команду:

python -m venv myenv

Здесь myenv — имя вашего виртуального окружения. 3.Активация виртуального окружения Чтобы начать работу в новом окружении, активируйте его: — На Windows:

myenv\Scripts\activate

— На macOS/Linux:

source myenv/bin/activate

После активации вы увидите название окружения слева от командной строки (например, (myenv)). 4.Установка зависимостей Теперь вы можете устанавливать пакеты с помощью pip, и они будут доступны только внутри этого окружения:

pip install requests

5.Деактивация окружения Когда работа завершена, деактивируйте окружение командой:

deactivate

➡️Пример использования Предположим, мы создаем новый проект и хотим работать с библиотекой numpy. Вот как это можно сделать:

# Создаем виртуальное окружение
python -m venv project_env

# Активируем окружение
source project_env/bin/activate  # macOS/Linux
project_env\Scripts\activate     # Windows

# Устанавливаем необходимые пакеты
pip install numpy

# Проверяем установленные пакеты
pip list

# Запускаем Python и проверяем работу numpy
python
>>> import numpy as np
>>> array = np.array([1, 2, 3])
>>> print(array)
[1 2 3]

# Деактивируем окружение после работы
deactivate

➡️Практическое применение: — Разработка нескольких проектов с разными версиями библиотек. —Тестирование новых версий пакетов без риска повреждения основных проектов. —Подготовка к деплою приложений с четко определенными зависимостями. 💡Виртуальные окружения — это важный инструмент для организации Python-проектов. Используйте их для создания чистых, изолированных рабочих пространств и избегайте проблем с зависимостями. 🐍 Pythoner

Как избежать ошибок при масштабировании ИТ-команд? Масштабирование команды — это не просто увеличение числа сотрудников. Это сложный процесс, который требует стратегии и внимания к деталям. Вот несколько советов, чтобы избежать типичных ошибок: ✅Четко определите роли и процессы. Хаос начинается, когда непонятно, кто за что отвечает. Документируйте процессы. ✅Инвестируйте в адаптацию. Новые сотрудники должны быстро влиться в команду. Создайте систему onboarding и mentorship. ✅Не экономьте на инструментах. Автоматизируйте рутину: CI/CD, таск-трекеры, системы мониторинга. ✅Держите фокус на культуре. Рост команды не должен разрушать её дух. Поддерживайте ценности и коммуникацию. ✅Тестируйте гипотезы перед масштабированием. Если вам нужна помощь в масштабировании, то firecode.ru в этом поможет! Получить консультацию #реклама 16+ firecode.ru О рекламодателе

✈️Pandas — это мощная библиотека Python для обработки и анализа данных. Она предоставляет удобные структуры данных, такие как DataFrame (таблицы) и Series (столбцы), которые позволяют легко манипулировать данными. Pandas особенно полезен для работы с табличными данными, такими как CSV-файлы, Excel-таблицы или базы данных. ➡️Пример анализа данных с помощью Pandas Допустим, у нас есть файл data.csv со следующим содержимым:

name,age,salary
Alice,30,50000
Bob,25,60000
Charlie,35,70000
David,28,55000
Eva,22,45000

Вот как мы можем проанализировать эти данные с помощью Pandas:

import pandas as pd

# Загружаем данные из CSV-файла
df = pd.read_csv('data.csv')

# Выводим первые 3 строки таблицы
print("Первые 3 строки:")
print(df.head(3))

# Считаем среднюю зарплату
average_salary = df['salary'].mean()
print(f"\nСредняя зарплата: {average_salary:.2f}")

# Находим самого высокооплачиваемого сотрудника
top_earner = df.loc[df['salary'].idxmax()]
print("\nСамый высокооплачиваемый сотрудник:")
print(top_earner)

# Группировка данных по возрастным группам
df['age_group'] = pd.cut(df['age'], bins=[18, 25, 35, 50], labels=['18-25', '26-35', '36-50'])
grouped = df.groupby('age_group')['salary'].mean()
print("\nСредняя зарплата по возрастным группам:")
print(grouped)

Результат:

Первые 3 строки:
     name  age  salary
0   Alice   30   50000
1     Bob   25   60000
2  Charlie   35   70000

Средняя зарплата: 56000.00

Самый высокооплачиваемый сотрудник:
name         Charlie
age               35
salary          70000
age_group       26-35
Name: 2, dtype: object

Средняя зарплата по возрастным группам:
age_group
18-25     45000.0
26-35     61666.7
36-50        NaN
Name: salary, dtype: float64

➡️Почему Pandas полезен? — Удобство работы с данными: Pandas позволяет легко загружать, фильтровать и анализировать данные. — Широкие возможности: От простых статистических расчетов до сложной визуализации. — Интеграция с другими библиотеками: Pandas отлично работает с Matplotlib, Seaborn и Scikit-learn. ➡️Заключение Pandas — это незаменимый инструмент для анализа данных в Python. Начните с простых примеров, таких как чтение и фильтрация данных, и постепенно переходите к более сложным задачам. 🐍 Pythoner

1–2 марта проводим Weekend Offer Analytics Устроиться в Яндекс за выходные — реально. Ищем крутых аналитиков с опытом работы от 2 лет на Python, готовых работать в офисном или гибридном режиме на территории России. Подавайте заявку до 24 февраля — и всего за 2 дня пройдите все технические собеседования. После сможете пообщаться с одиннадцатью нанимающими командами и выбрать ту, которая покажется самой интересной. Если всё сложится хорошо, сразу же пришлём вам офер. Зарегистрироваться #реклама yandex.ru О рекламодателе

➡️3. Использование инструментов для создания DSL Если вы хотите ускорить процесс создания DSL, можно использовать специализированные инструменты, такие как: - PLY (Python Lex-Yacc): Библиотека для создания лексеров и парсеров. - Lark: Современный парсер с простым синтаксисом. - ANTLR: Мощный инструмент для создания DSL, поддерживающий множество языков. Пример с Lark:

from lark import Lark, Transformer

# Грамматика DSL
grammar = """
start: command+
command: "light" COLOR "for" NUMBER "seconds"
COLOR: "red" | "green" | "yellow"
NUMBER: /\d+/
%import common.WS
%ignore WS
"""

# Парсер
parser = Lark(grammar, start="start", parser="lalr", transformer=Transformer())

class TrafficLightTransformer(Transformer):
    def command(self, items):
        color, duration = items
        print(f"Setting light to {color} for {duration} seconds")
        return {"color": color, "duration": duration}

    def COLOR(self, token):
        return str(token)

    def NUMBER(self, token):
        return int(token)

# Текст DSL
script = """
light red for 30 seconds
light green for 60 seconds
"""

# Парсинг и выполнение
parsed = parser.parse(script)

➡️Примеры реальных DSL на Python 1. Django ORM: Язык запросов для работы с базами данных. 2. Pandas Query API: DSL для фильтрации и анализа данных. 3. Ansible Playbooks: DSL для автоматизации серверных задач. 4. SQLAlchemy: DSL для работы с базами данных на уровне Python. 💡Заключение Создание DSL на Python — это мощный инструмент для решения узкоспециализированных задач. Вы можете выбрать между внутренними и внешними DSL в зависимости от ваших потребностей. Если вам нужна простота реализации, используйте Internal DSL, а если требуется полная свобода в создании синтаксиса, выбирайте External DSL. 🐍 Pythoner

DSL (Domain-Specific Language) — это специализированный язык программирования, созданный для решения узкоспециализированных задач. В отличие от общих языков программирования, таких как Python или JavaScript, DSL ориентирован на конкретную область применения: например, анализ данных, конфигурирование систем или управление бизнес-процессами. 🔎Python идеально подходит для создания DSL благодаря своей гибкости и мощным возможностям метапрограммирования. ➡️Зачем нужен DSL? 1. Упрощение задач: DSL позволяет описать сложные проблемы простым и понятным образом. 2. Доступность для неспециалистов: Специализированные языки могут быть более доступными для людей, не имеющих опыта в программировании. 3. Более читаемый код: DSL часто использует синтаксис, который ближе к предметной области, что делает код более понятным. ➡️Примеры использования DSL: - SQL для работы с базами данных. - HTML/CSS для создания веб-страниц. - Ansible для автоматизации администрирования. ➡️Как создать DSL на Python? Существует несколько подходов к созданию DSL на Python: 👀1. Использование встроенных возможностей Python Вы можете использовать синтаксис Python для создания DSL, добавляя специализированные функции и классы. Этот подход называется "внутренним DSL" (Internal DSL). Пример: Создание DSL для управления роботом

class Robot:
    def move(self, distance):
        print(f"Moving {distance} meters")

    def turn(self, angle):
        print(f"Turning {angle} degrees")

def robot_script():
    robot = Robot()
    robot.move(10)
    robot.turn(90)
    robot.move(5)

robot_script()

⬆️В этом примере мы создали простой DSL для управления роботом. Хотя это всё ещё Python, его синтаксис адаптирован под задачу. 👀2. Парсинг текста (External DSL) Если вы хотите создать полностью самостоятельный язык, вам нужно реализовать парсер для обработки пользовательского синтаксиса. Этот подход называется "внешним DSL" (External DSL). Шаги для создания External DSL: 1. Определите синтаксис вашего языка. 2. Напишите парсер для преобразования текста в структуры данных Python. 3. Реализуйте интерпретатор для выполнения этих структур. 👀Пример: Создание DSL для управления светофором Предположим, мы хотим создать DSL для управления светофором. Его синтаксис может выглядеть так:

light red for 30 seconds
light green for 60 seconds
light yellow for 5 seconds

➡️Реализация парсера:

import re

class TrafficLight:
    def __init__(self):
        self.state = None

    def set_light(self, color, duration):
        print(f"Setting light to {color} for {duration} seconds")
        self.state = color

def parse_script(script):
    traffic_light = TrafficLight()
    pattern = r"light (\w+) for (\d+) seconds"

    for line in script.splitlines():
        match = re.match(pattern, line)
        if match:
            color, duration = match.groups()
            traffic_light.set_light(color, int(duration))

# Текст DSL
script = """
light red for 30 seconds
light green for 60 seconds
light yellow for 5 seconds
"""

parse_script(script)

⬆️Результат: Setting light to red for 30 seconds Setting light to green for 60 seconds Setting light to yellow for 5 seconds 🐍 Pythoner

⚡️ В сети начали массово сливать курсы и книги известных онлайн школ по айти Вот отсортированная база с тонной материала (постепенно пополняется): БАЗА (4687 видео/книг): (363 видео, 87 книги) — Python (415 видео, 68 книги) — Frontend (143 видео, 33 книги) — ИБ/Хакинг (352 видео, 89 книги) — С/С++ (343 видео, 87 книги) — Java (176 видео, 32 книги) — Git (293 видео, 63 книги) — C# (174 видео, 91 книги) — DevOps (167 видео, 53 книги) — PHP (227 видео, 83 книги) — SQL/БД (163 видео, 29 книги) — Linux (114 видео, 77 книги) — Сисадмин (107 видео, 43 книги) — BA/SA (181 видео, 32 книги) — Go (167 видео, 43 книги) — Kotlin/Swift (112 видео, 24 книги) — Flutter (137 видео, 93 книги) — DS/ML (113 видео, 82 книги) — GameDev (183 видео, 37 книги) — Дизайн (129 видео, 73 книги) — QA (213 видео, 63 книги) — Rust (121 видео, 24 книги) — 1С (136 видео, 33 книги) — PM/HR Скачивать ничего не нужно — все выложили в Telegram

✈️Перейдем ко второй части ➡️Примеры применения Python в анализе поведения пользователей — 1. A/B-тестирование Python используется для проведения A/B-тестов, чтобы сравнить эффективность разных версий интерфейса. Например, вы можете протестировать два варианта кнопки "Купить" и выбрать тот, который приводит к большему количеству конверсий. — 2. Рекомендательные системы Машинное обучение на Python помогает создавать персонализированные рекомендации для пользователей. Например, платформы потокового видео могут предлагать контент на основе предыдущих просмотров. — 3. Тепловые карты Python может использоваться для создания тепловых карт, показывающих, куда чаще всего кликают пользователи на сайте или приложении. Это помогает оптимизировать расположение элементов интерфейса. — 4. Прогнозирование оттока пользователей Используя алгоритмы машинного обучения, можно прогнозировать, какие пользователи склонны покинуть приложение, и предложить им специальные бонусы для сохранения лояльности. ➡️Как Python помогает улучшить UX/UI? 1. Выявление проблем: Анализ данных помогает найти места, где пользователи сталкиваются с трудностями, например, слишком длинные формы или неочевидные кнопки. 2. Персонализация: Python позволяет создавать адаптивные интерфейсы, меняющиеся в зависимости от предпочтений пользователя. 3. Оптимизация навигации: Исследование маршрутов пользователей помогает упростить навигацию и сделать её более интуитивной. 4. Тестирование гипотез: Python позволяет быстро проверять новые идеи и экспериментировать с интерфейсом без больших затрат. ➡️Заключение Python становится всё более важным инструментом для анализа поведения пользователей и улучшения UX/UI. 🐍 Pythoner