tgindex

Kodduu Python

описание

Научись программировать на Python на интересных примерах Самый быстрый курс https://stepik.org/a/187914 Самый нескучный курс https://stepik.org/a/185238 Во вопросам сотрудничества: @AlexErf

← к каналу@KodduuPython
995
подписчиков
Охват к подписчикам
13,1%
ERR
Реакции к просмотрам
0,15%
4 на 19 постов
Пересылки к просмотрам
1,88%
49
Постов в день
0,0
всего 20

Где отзываются чаще

доля реакций к просмотрам
  • 2 июл.🔥 concurrent.futures: Простой параллелизм без головной боли import time from concurrent.futures import ThreadPoolExecutor, as_completed from typing import List def cpu_heavy_task(n: int) -> int: """Имитация тяжёлой CPU-задачи (например, вычисление суммы квадратов).""" return sum(i * i for i in range(n)) def run_sequential(numbers: List[int]) -> List[int]: """Последовательное выполнение — медленно.""" return [cpu_heavy_task(n) for n in numbers] def run_parallel(numbers: List[int], max_workers: int = 4) -> List[int]: """Параллельное выполнение с ThreadPoolExecutor.""" results = [] with ThreadPoolExecutor(max_workers=max_workers) as executor: # Отправляем все задачи сразу future_to_n = {executor.submit(cpu_heavy_task, n): n for n in numbers} # Получаем результаты по мере готовности for future in as_completed(future_to_n): try: results.append(future.result()) except Exception as e: print(f"Ошибка в задаче: {e}") return results if __name__ == "__main__": try: numbers = [500_000, 600_000, 700_000, 800_000] # 4 тяжёлые задачи print("⏱️ Последовательно:") start = time.time() seq_result = run_sequential(numbers) print(f"Время: {time.time() - start:.2f} сек | Результаты: {seq_result[:2]}...\n") print("⚡ Параллельно (4 потока):") start = time.time() par_result = run_parallel(numbers) print(f"Время: {time.time() - start:.2f} сек | Результаты: {par_result[:2]}...") print("\n✅ В параллельном режиме почти в 4 раза быстрее!") except Exception as e: print(f"Ошибка: {e}") 📌 concurrent.futures.ThreadPoolExecutor позволяет легко распараллеливать IO-bound и CPU-bound задачи без сложного управления потоками. Используйте as_completed, чтобы получать результаты по мере готовности, и контекстный менеджер — чтобы не забыть закрыть пул. Подпишись 👉🏻 @KodduuPython 🤖1,63%
  • 14 июл.🔥 concurrent.futures: Простой параллелизм в Python import time from concurrent.futures import ThreadPoolExecutor, as_completed from typing import List def cpu_heavy_task(n: int) -> int: """Имитация тяжёлой CPU-задачи (например, вычисление суммы квадратов).""" return sum(i * i for i in range(n)) def run_sequential(numbers: List[int]) -> List[int]: """Последовательное выполнение.""" return [cpu_heavy_task(n) for n in numbers] def run_parallel(numbers: List[int], max_workers: int = 4) -> List[int]: """Параллельное выполнение с ThreadPoolExecutor.""" results = [] with ThreadPoolExecutor(max_workers=max_workers) as executor: future_to_n = {executor.submit(cpu_heavy_task, n): n for n in numbers} for future in as_completed(future_to_n): try: results.append(future.result()) except Exception as e: print(f"Ошибка в задаче: {e}") return results if __name__ == "__main__": try: numbers = [300_000, 400_000, 500_000, 600_000] print("⏱️ Последовательно:") start = time.time() seq_result = run_sequential(numbers) print(f"Время: {time.time() - start:.2f} сек | Результаты: {seq_result[:2]}...\n") print("⚡ Параллельно (4 потока):") start = time.time() par_result = run_parallel(numbers) print(f"Время: {time.time() - start:.2f} сек | Результаты: {par_result[:2]}...") print("\n✅ В параллельном режиме значительно быстрее!") except Exception as e: print(f"Ошибка: {e}") 📌 concurrent.futures.ThreadPoolExecutor и ProcessPoolExecutor позволяют легко запускать задачи параллельно. Используйте as_completed(), чтобы получать результаты по мере готовности, и контекстный менеджер — чтобы не забыть закрыть пул. Отлично для IO-bound задач (ThreadPool) и CPU-bound задач (ProcessPool). Подпишись 👉🏻 @KodduuPython 🤖0,71%
  • 7 авг.Мясной прокси 🙂 Не будьте мясным прокси, не форвардите просто то, что вам сказал ИИ, людям ❗️ Подпишись 👉🏻 @aigentto 🤖0,00%
  • 7 авг.🔥 TextBlob: Простой и мощный анализ текста from textblob import TextBlob from typing import Tuple def analyze_text(text: str) -> Tuple[float, str]: """Анализирует текст: sentiment, полярность и субъективность.""" blob = TextBlob(text) # Sentiment analysis sentiment = blob.sentiment polarity = sentiment.polarity # от -1 (отрицательный) до 1 (положительный) if polarity > 0.1: mood = "Положительный" elif polarity < -0.1: mood = "Отрицательный" else: mood = "Нейтральный" return polarity, mood if __name__ == "__main__": try: texts = [ "Python — замечательный язык для разработки!", "Сегодня ужасная погода, всё идёт не так.", "Средний отчёт: ничего особенного.", "Этот продукт изменил мою жизнь к лучшему!" ] for t in texts: polarity, mood = analyze_text(t) print(f"Текст: {t}") print(f"Настроение: {mood} (полярность: {polarity:.2f})\n") except Exception as e: print(f"Ошибка: {e}") 📌 TextBlob — это простой и удобный инструмент для анализа текста: sentiment, перевод, исправление орфографии, извлечение существительных и многое другое. Работает из коробки и не требует сложной настройки. Идеально для анализа отзывов, новостей, социальных сетей и чат-ботов. 🛠 pip install textblob Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 5 авг.Вышел бесплатный курс OpenClaw за 60 минут 🔥🔥🔥 Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 5 авг.🔥 scikit-learn: Машинное обучение за 15 строк from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score import numpy as np def train_iris_classifier() -> float: """Обучает классификатор на датасете Iris.""" iris = load_iris() X, y = iris.data, iris.target # Разделяем на train/test X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42 ) # Модель случайного леса clf = RandomForestClassifier(n_estimators=100, random_state=42) clf.fit(X_train, y_train) # Предсказания и точность y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"Точность модели: {accuracy:.2%}") print(f"Пример предсказания: {iris.target_names[clf.predict([X_test[0]])[0]]}") return accuracy if __name__ == "__main__": try: train_iris_classifier() except Exception as e: print(f"Ошибка: {e}") 📌 scikit-learn — это стандарт де-факто для машинного обучения в Python. Включает классификацию, регрессию, кластеризацию, предобработку, кросс-валидацию и многое другое. Одна из самых удобных и мощных библиотек для data science и ML. 🛠 pip install scikit-learn Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 3 авг.🔥 NetworkX: Графы и алгоритмы в Python import networkx as nx from typing import List, Tuple def build_and_analyze_graph() -> None: """Пример работы с графами: города и дороги.""" G = nx.Graph() # Добавляем узлы (города) и рёбра (дороги) G.add_edges_from([ ("Москва", "Питер", {"distance": 700}), ("Москва", "Казань", {"distance": 800}), ("Питер", "Новгород", {"distance": 200}), ("Казань", "Екатеринбург", {"distance": 900}), ("Новгород", "Екатеринбург", {"distance": 1200}), ]) # Кратчайший путь path = nx.shortest_path(G, "Москва", "Екатеринбург", weight="distance") distance = nx.shortest_path_length(G, "Москва", "Екатеринбург", weight="distance") print("📍 Кратчайший путь Москва → Екатеринбург:", " → ".join(path)) print(f"Расстояние: {distance} км\n") # Центральность узлов centrality = nx.degree_centrality(G) print("🔝 Самые связанные города:") for city, cent in sorted(centrality.items(), key=lambda x: x[1], reverse=True): print(f" • {city}: {cent:.2f}") if __name__ == "__main__": try: build_and_analyze_graph() except Exception as e: print(f"Ошибка: {e}") 📌 NetworkX — мощная библиотека для работы с графами: построение, поиск кратчайших путей, центральность, сообщества, визуализация и тысячи алгоритмов. Идеально для транспортных сетей, рекомендаций, социальных графов и анализа связей. 🛠 pip install networkx Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 31 июл.Некогда объяснять, регистрируйся пока не поздно 🏃🏃‍♀️ Похоже количество серверов в мире очень ограничено, поэтому только сегодня ограниченный drop промокодов на регистрацию в DarwinClaw. Действует только сегодня 🚨 до 23:59 МСК. Кол-во регистраций по промокоду сильно ограничено, из-за ограничений по серверам для запуска ваших ИИ-ассистентов. Зачем оно вам? Если вы давно хотели, чтобы у каждого сотрудника появился свой персональный ИИ-ассистент (в духе OpenClaw), который работает прямо в Telegram, знает документы компании и соблюдает ваши правила, сейчас хороший момент. Всё запускается в один клик 🔥 Промокод (он же инвайт-код) DARWINCLAW-KODDUU-500-30. Регистрируемся тут 👉 https://darwinclaw.ru/register 👈 Детали по самому сервису тут 👉 https://darwinclaw.ru/ 👈 Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 31 июл.Один Junior делает больше, чем команда из 7 человек Я сейчас веду несколько компаний и имею возможность сравнить. Вот вам две крайности: Команда 1️⃣ из 7 человек: 2 Middle Back + 1 Middle Front + 2 аналитика + 1 дизайнер + 1 Lead. Команды 2️⃣ 1 Junior + 1 Product Owner part-time. Команда 1️⃣ за 12 месяцев сделала 1 продукт размером ~100k LOC. Команда 2️⃣ за 3 месяца сделала 1 продукт размером ~45k LOC. Но самое главное: продуктом команды 1️⃣ пользуются всего 2 человека, и это по сути back из мультиагентов + простой Front для ввода данных и генерации. А продуктом команды 2️⃣ пользуются уже 30 человек, и это очень сложная scalable-система автономных агентов. Я к чему это пишу: это все происходит одновременно, прямо сейчас во многих компаниях. Ключевое преимущество команды 2️⃣ — дикое количество итераций: до 30 в день выкаток (фич/фиксов) на Prod. Product придумал — LLM все нарисовала — Junior через Cursor сделал весь Back — LLM протестила — выкатили — и повторить ~ 20 минут. В идеале команда должна вообще состоять из Product Owner + LLM. Но Junior за 1/12 от стоимости команды 1️⃣ вполне себя очень даже окупает. Вот и думайте 🙂 Подпишись 👉🏻 @aigentto 🤖0,00%
  • 30 июл.🔥 SymPy: Символьная математика и решение уравнений в Python from sympy import symbols, solve, diff, simplify, integrate from sympy.abc import x def math_demo(): """Примеры возможностей SymPy.""" # Решение уравнения eq = x**2 - 5*x + 6 roots = solve(eq, x) ic("Корни уравнения x²-5x+6=0:", roots) # Производная f = x**3 + 2*x**2 - 5*x + 3 derivative = diff(f, x) ic("Производная:", derivative) # Упрощение выражения expr = (x**2 + 2*x + 1) / (x + 1) simplified = simplify(expr) ic("Упрощённое выражение:", simplified) # Интеграл integral = integrate(x**2 + 3*x, x) ic("Интеграл:", integral) if __name__ == "__main__": try: math_demo() except Exception as e: print(f"Ошибка: {e}") 📌 SymPy — это библиотека для символьной математики. Она может решать уравнения, вычислять производные, интегралы, упрощать выражения, работать с матрицами и даже рисовать графики (sympy.plotting). Идеально для научных расчётов, обучения, симуляций и автоматизации математических задач. 🛠 pip install sympy Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 28 июл.🔥 asyncio: Асинхронное программирование в Python import asyncio import time from typing import List async def fetch_data(url: str) -> str: """Имитация асинхронного запроса к API.""" print(f"🔄 Запрос к {url}...") await asyncio.sleep(1) # имитация сети return f"Данные с {url} получены!" async def main() -> None: """Запускает несколько асинхронных задач параллельно.""" urls = [ "https://api.example.com/users", "https://api.example.com/posts", "https://api.example.com/comments", "https://api.example.com/products" ] start = time.time() # gather запускает все задачи одновременно results = await asyncio.gather(*[fetch_data(url) for url in urls]) print(f"\n✅ Получено {len(results)} ответов за {time.time() - start:.2f} сек") for result in results: print(f" • {result}") if __name__ == "__main__": try: asyncio.run(main()) except Exception as e: print(f"Ошибка: {e}") 📌 asyncio + await/gather позволяют писать неблокирующий код, который одновременно обрабатывает тысячи запросов, файлов или задач. Это основа современных высоконагруженных сервисов, ботов и веб-приложений на FastAPI/Starlette. Подпишись 👉🏻 @KodduuPython 🤖0,00%
  • 24 июл.🔥 BeautifulSoup: Умный парсинг HTML и веб-скрапинг from bs4 import BeautifulSoup from typing import List, Dict # Пример HTML (можно заменить на requests.get(url).text) html_example = """ <html> <head><title>Каталог товаров</title></head> <body> <h1>Наши продукты</h1> <div class="product"> <h2>Ноутбук ASUS</h2> <p class="price">74990 ₽</p> <a href="/product/123">Подробнее</a> </div> <div class="product"> <h2>Смартфон Xiaomi</h2> <p class="price">32990 ₽</p> <a href="/product/456">Подробнее</a> </div> </body> </html> """ def parse_products(html: str) -> List[Dict]: """Парсит HTML и извлекает товары по классам и тегам.""" soup = BeautifulSoup(html, "html.parser") products = [] for item in soup.find_all("div", class_="product"): try: product = { "title": item.find("h2").get_text(strip=True), "price": item.find("p", class_="price").get_text(strip=True), "link": item.find("a")["href"] } products.append(product) except AttributeError: continue # пропускаем некорректные блоки return products if __name__ == "__main__": try: products = parse_products(html_example) print(f"✅ Найдено товаров: {len(products)}\n") for p in products: print(f"📦 {p['title']}") print(f" Цена: {p['price']}") print(f" Ссылка: {p['link']}\n") except Exception as e: print(f"❌ Ошибка парсинга: {e}") 📌 BeautifulSoup превращает любой HTML в удобный объект для поиска по тегам, классам, id и тексту. Никаких регулярных выражений — только понятные методы. Идеально для скрапинга сайтов, парсинга прайсов, новостей и автоматизации сбора данных. 🛠 pip install beautifulsoup4 Подпишись 👉🏻 @KodduuPython 🤖0,00%