tgindex

Pythoner

описание

Полезные материалы по Python, которые будут интересны опытному и начинающему разработчику. Сотрудничество - @flattys Цены - @serpent_media Канал на бирже: https://telega.in/c/pythonercode

← к каналу@pythonercode
6 638
подписчиков
Охват к подписчикам
33,6%
ERR
Реакции к просмотрам
0,45%
211 на 23 постов
Пересылки к просмотрам
0,53%
251
Постов в день
0,3
всего 21

Где отзываются чаще

доля реакций к просмотрам
  • 10 авг.✈️Жадные алгоритмы полезны для решения задач оптимизации, делая ряд локально оптимальных выборов, которые приводят к глобально оптимальному решению. На каждом шаге они выбирают наилучший доступный вариант, не принимая во внимание последствия будущих выборов. Хотя они не гарантируют абсолютно наилучшего решения, они часто предоставляют быстрые и приемлемые решения. ➡️Пример — жадный алгоритм для дробной задачи о рюкзаке на Python def fractional_knapsack(items, capacity): # Sort items by their value-to-weight ratio in descending order items.sort(key=lambda x: x[1] / x[0], reverse=True) total_value = 0 remaining_capacity = capacity for item in items: if remaining_capacity >= item[0]: total_value += item[1] remaining_capacity -= item[0] else: total_value += (remaining_capacity / item[0]) * item[1] break return total_value # Example usage: items = [(2, 10), (3, 5), (5, 15), (7, 7), (1, 6)] knapsack_capacity = 10 max_value = fractional_knapsack(items, knapsack_capacity) print(max_value) ➡️Объяснение алгоритма В этом примере мы используем жадный алгоритм для решения задачи о дробном рюкзаке. Учитывая набор элементов с весами и значениями, цель состоит в том, чтобы выбрать элементы, чтобы максимизировать общую стоимость, не превышая при этом определенный предел веса (емкость рюкзака). Алгоритм сортирует элементы по соотношению их стоимости к весу и выбирает элементы жадно, максимизируя общую стоимость в пределах ограничения емкости. ➡️Применение жадных алгоритмов Жадные алгоритмы особенно полезны, когда проблема демонстрирует свойство жадного выбора, что означает, что локально оптимальный выбор на каждом шаге приводит к глобально оптимальному решению. Однако важно отметить, что не все проблемы можно решить оптимально с помощью жадного подхода, поэтому требуется тщательный анализ, чтобы определить, когда целесообразно использовать этот метод. 🐍Pythoner1,23%
  • 13 авг.без подписи0,96%
  • 2 июн.✈️Анализ текста с помощью spaCy ➡️Токенизация и лемматизация SpaCy предоставляет эффективные инструменты для разбиения текста на токены и определения их базовых форм: import spacy nlp = spacy.load("ru_core_news_sm") doc = nlp("Кошки любят спать на мягких подушках.") for token in doc: print(f"{token.text} -> {token.lemma_}") ➡️Определение частей речи SpaCy автоматически определяет части речи для каждого токена: for token in doc: print(f"{token.text} - {token.pos_}") ➡️Распознавание именованных сущностей Библиотека способна выделять в тексте именованные сущности, такие как имена, организации и локации: for ent in doc.ents: print(f"{ent.text} - {ent.label_}") ➡️Генерация текста с использованием spaCy Хотя spaCy в первую очередь предназначен для анализа текста, его можно использовать и для помощи в генерации: ➡️Использование зависимостей для построения предложений SpaCy определяет синтаксические зависимости между словами, что может быть использовано для создания новых предложений: def generate_sentence(subject, verb, object): doc = nlp(f"{subject} {verb} {object}") return " ".join([token.text for token in doc]) print(generate_sentence("Программист", "пишет", "код")) ➡️Использование векторных представлений слов Векторные представления слов в spaCy могут быть использованы для поиска семантически близких слов: def find_similar_word(word, n=3): token = nlp(word)[0] similar_words = [] for lex in nlp.vocab: if lex.has_vector: if lex.is_lower == token.is_lower and lex.is_alpha: similarity = token.similarity(lex) similar_words.append((lex.text, similarity)) return sorted(similar_words, key=lambda x: x[1], reverse=True)[:n] print(find_similar_word("компьютер")) 🐍Pythoner0,85%
  • 5 апр.✈️Конструкция raise используется для генерации исключений. Когда в коде происходит что-то непредвиденное или некорректное — можно сгенерировать исключение командой raise. ➡️Основные моменты конструкции raise: —Возбуждение существующих исключений: Вы можете использовать raise без каких-либо параметров в блоке except, чтобы повторно вызвать текущее исключение. —Создание собственных исключений: Вы можете создать или вызвать собственное исключение, создав объект исключения и передав его в raise. ➡️Пример использования raise: def divide(a, b): if b == 0: raise ValueError("Деление на ноль невозможно.") return a / b try: result = divide(10, 0) except ValueError as e: print(f"Ошибка: {e}") ⬆️В этом примере функция divide вызывает исключение ValueError, если второй аргумент равен нулю. В блоке try мы пытаемся выполнить деление, и если возникает ошибка, мы перехватываем её и выводим сообщение об ошибке. 🐍Pythoner0,75%
  • 16 июл.✈️Memray - это библиотека для профилирования памяти и она является важным инструментом оптимизации производительности Python программ. ➡️Библиотека отслеживает выделение и освобождение памяти при работе программы, поддерживает отслеживание ссылок на объект, применятся для профилирования на серверах и в виртуальных окружениях. ➡️Основные функции: 💬Отслеживание выделения памяти в реальном времени. 💬Анализ использования памяти по различным объектам и их типам. 💬Предоставление удобных отчетов и визуализаций для упрощения диагностики. ➡️Пример использования: Memray для профилирования вашего Python-кода. Вот простой пример: import memray @memray.start() def my_function(): # Пример кода, который может выделять память a = [i for i in range(100000)] b = [j ** 2 for j in a] return b my_function() # Сохранение отчета о профилировании memray.stop() ✅После завершения работы вашей функции Memray создаст файл отчета, который можно анализировать с использованием команд: memray flamegraph <report_file> ⬆️Это визуализирует распределение памяти, что поможет вам лучше понять, как ваша программа использует память и где могут возникнуть проблемы. 🐍Pythoner0,70%
  • 23 июл.✈️Manim — это библиотека, которая используется для создания анимированных визуализаций и математических демонстраций. Manim позволяет легко оптимизировать визуализацию математических концепций с помощью анимаций, графиков и других визуальных элементов. ➡️Применение С помощью Manim можно создавать как простые анимации, так и сложные сцены с множеством объектов и эффектов. Библиотека предоставляет обширные возможности по работе с графикой, анимацией и текстом. ➡️Пример: from manim import * class SquareNumber(Scene): def construct(self): # Создаем квадрат и текст square = Square(side_length=2) number = MathTex("0").scale(2) # Центрируем квадрат и текст square.move_to(ORIGIN) number.next_to(square, DOWN) # Добавляем квадрат и текст на экран self.play(Create(square), Write(number)) self.wait(1) # Изменяем текст на 1 self.play(Transform(number, MathTex("1").scale(2))) self.wait(1) # Изменяем текст на 4 и меняем размер квадрата self.play(Transform(number, MathTex("4").scale(2)), square.animate.scale(2)) self.wait(1) # Изменяем текст на 9 и меняем размер квадрата self.play(Transform(number, MathTex("9").scale(2)), square.animate.scale(3)) self.wait(1) # Завершаем сцену self.play(FadeOut(square), FadeOut(number)) # Для запуска сцены используйте следующую команду в терминале # manim -pql имя_файла.py SquareNumber ⬆️Чтобы запустить данный код и увидеть анимацию, сохраните его в файл, например, square_number.py, и выполните указанную команду в терминале. 💡Заключение Manim – мощный инструмент для создания анимационной графики, предлагающий гибкость и творческий потенциал для визуализации математических и научных концепций. 🐍Pythoner0,69%
  • 24 мар.➡️Функция all в Python Функция all принимает на вход итерируемый объект (например, список) и возвращает True, если все его элементы являются истинными (или, если итерируемый объект пустой). Например: numbers = [1, 2, 3, 4] print(all(numbers)) # Выводит: True ⬆️В этом примере функция all вернула True, потому что все числа в списке numbers являются истинными (то есть, не равны нулю). ➡️Функция any в Python Функция any, как и all, принимает на вход итерируемый объект, но возвращает True, если хоть один из его элементов является истинным. Если итерируемый объект пустой, функция any возвращает False. Например: numbers = [0, 0, 1, 0] print(any(numbers)) # Выводит: True ⬆️В этом случае функция any вернула True, потому что в списке numbers было хотя бы одно истинное значение (1). ➡️Использование all и any вместе Функции all и any можно использовать вместе, чтобы проверить сложные условия. Например, мы можем проверить, все ли элементы в списке положительные и есть ли среди них хоть одно четное число: numbers = [1, 2, 3, 4] print(all(num > 0 for num in numbers) and any(num % 2 == 0 for num in numbers)) # Выводит: True ⬆️В этом примере функция all вернет True, если все числа в списке будут положительными, а функция any вернет True, если среди чисел будет хотя бы одно четное. 🐍 Pythoner0,67%
  • 28 мая✈️Тернарный оператор — это оператор, позволяющий записать условную конструкцию if-else в одну строку. ➡️Тернарный оператор часто используется для условного присваивания значений переменной, выбора между двумя вариантами в одну строку. Он позволяет сократить и упростить запись условных выражений. Однако не рекомендуется использовать вложенные конструкции, т. к. это ухудшает читаемость. ➡️Простой пример: a = 3 b = 10 print('a больше b') if a > b else print('a меньше b') result = 'Четное' if a % 2 == 0 else 'Нечетное' print(result) # Результат: # a меньше b # Нечетное ⬆️В данном примере тернарный оператор используется: —Для вывода одной из двух фраз в зависимости от условия a > b. —Для присваивания переменной result одного из двух значений в зависимости от четности a. 🐍Pythoner0,64%
  • 22 мая✈️Что такое итерируемый счетчик? Итерируемый счетчик в Python - это объект, который можно использовать в цикле for и других итерационных контекстах. Он позволяет последовательно получать значения, обычно числовые, в заданном диапазоне или по определенному правилу. ➡️Реализация итерируемого счетчика Давайте рассмотрим пример реализации простого итерируемого счетчика: class IterableCounter: def __init__(self, start, end): self.current = start self.end = end def __iter__(self): return self def __next__(self): if self.current > self.end: raise StopIteration else: self.current += 1 return self.current - 1 В этом примере: 💬init инициализирует счетчик начальным и конечным значениями. 💬iter возвращает сам объект, делая его итератором. 💬next определяет логику получения следующего значения. ➡️Использование итерируемого счетчика Теперь мы можем использовать наш счетчик в цикле for: counter = IterableCounter(1, 5) for num in counter: print(num) ⬆️Этот код выведет числа от 1 до 5. ➡️Преимущества итерируемого счетчика 💬Гибкость: можно легко изменить логику генерации значений. 💬Экономия памяти: значения генерируются по мере необходимости. 💬Интеграция с циклами: легко использовать в стандартных конструкциях Python. ➡️Альтернативы В Python есть встроенные альтернативы для простых случаев: 💬range(): для последовательностей целых чисел. 💬enumerate(): для нумерации элементов итерируемого объекта. 💡Заключение Итерируемые счетчики в Python - мощный инструмент для создания пользовательских последовательностей. Они особенно полезны, когда стандартные функции не удовлетворяют специфическим требованиям вашей задачи. 🐍Pythoner0,62%
  • 29 июл.✈️Полиморфизм - ключевой принцип объектно-ориентированного программирования (ООП), позволяющий объектам различных классов иметь одинаковый интерфейс. Термин "полиморфизм" происходит от греческого слова, означающего "множество форм". В Python полиморфизм реализуется двумя основными способами: перегрузкой методов и их переопределением. ➡️Перегрузка методов Перегрузка методов - это возможность класса иметь несколько методов с одинаковым именем, но разными параметрами. В Python прямая перегрузка методов не поддерживается, но похожего эффекта можно достичь с помощью параметров по умолчанию и аргументов переменной длины. ➡️Пример перегрузки метода class MathOperations: def add(self, a, b, c=0): return a + b + c math_op = MathOperations() print(math_op.add(10, 20)) # Вывод: 30 print(math_op.add(10, 20, 30)) # Вывод: 60 ⬆️В этом примере метод add() может принимать два или три аргумента, имитируя перегрузку метода. ➡️Переопределение методов Переопределение методов - это механизм, позволяющий подклассу предоставить свою реализацию метода, уже определенного в родительском классе. Это позволяет изменять или расширять поведение унаследованных методов. ✅Пример переопределения метода class Animal: def sound(self): return "Какой-то звук" class Dog(Animal): def sound(self): return "Гав" class Cat(Animal): def sound(self): return "Мяу" dog = Dog() cat = Cat() print(dog.sound()) # Вывод: Гав print(cat.sound()) # Вывод: Мяу ⬆️В этом примере классы Dog и Cat переопределяют метод sound(), унаследованный от класса Animal. ➡️Практическое применение полиморфизма Рассмотрим пример использования полиморфизма в системе обработки платежей: class Payment: def process(self, amount): raise NotImplementedError("Подклассы должны реализовать этот метод") class CreditCardPayment(Payment): def process(self, amount): return f"Обработан платеж кредитной картой на сумму {amount}." class PayPalPayment(Payment): def process(self, amount): return f"Обработан платеж через PayPal на сумму {amount}." credit_card = CreditCardPayment() paypal = PayPalPayment() print(credit_card.process(100)) print(paypal.process(200)) ⬆️Этот пример демонстрирует, как полиморфизм позволяет работать с разными типами платежей через единый интерфейс. 💡Заключение Полиморфизм в Python, реализуемый через переопределение методов и имитацию перегрузки, обеспечивает гибкость и возможность повторного использования кода. Эти концепции позволяют создавать более модульные, расширяемые и легко поддерживаемые программы. Эффективное использование полиморфизма - ключ к написанию чистого и элегантного кода на Python. 🐍Pythoner0,60%
  • 16 мая✈️Монолитная архитектура Монолитная архитектура представляет собой традиционный подход к разработке приложений, где все компоненты тесно связаны и работают как единое целое. ➕Преимущества: 💬Простота разработки и развертывания 💬Легкость в отладке и тестировании 💬Высокая производительность из-за отсутствия сетевых задержек между компонентами ❌Недостатки: 💬Сложность масштабирования отдельных компонентов 💬Затруднительное внедрение новых технологий 💬Риск "снежного кома" при росте сложности проекта ➡️Микросервисная архитектура Микросервисная архитектура разбивает приложение на набор небольших, независимых сервисов, каждый из которых отвечает за конкретную бизнес-функцию. ➕Преимущества: 💬Гибкость в выборе технологий для каждого сервиса 💬Легкость масштабирования отдельных компонентов 💬Возможность независимой разработки и развертывания сервисов ❌Недостатки: 💬Сложность в управлении и оркестрации множества сервисов 💬Повышенные требования к инфраструктуре 💬Потенциальные проблемы с производительностью из-за сетевых взаимодействий 🔎Что выбрать для вашего проекта? Выбор архитектуры зависит от нескольких факторов: ➡️Выбирайте монолитную архитектуру, если: 💬У вас небольшой проект или стартап 💬Вам нужно быстро вывести продукт на рынок 💬У вас ограниченные ресурсы для разработки и поддержки ➡️Выбирайте микросервисную архитектуру, если: 💬У вас крупный проект с множеством функций 💬Вам нужна высокая масштабируемость и гибкость 💬У вас есть ресурсы для управления сложной инфраструктурой ➡️Заключение Выбор между микросервисами и монолитной архитектурой не является универсальным. Каждый подход имеет свои сильные стороны, и правильный выбор зависит от конкретных требований вашего проекта, ресурсов команды и долгосрочных целей. Важно тщательно оценить все факторы и принять решение, которое наилучшим образом соответствует вашим потребностям. 🐍Pythoner0,56%
  • 16 апр.✈️Зачем вообще париться с памятью в Python? Казалось бы, Python — язык высокого уровня с автоматическим управлением памятью. Зачем нам вообще беспокоиться об этом? Но, друзья мои, даже в Пайтоне память не бесконечна. Особенно когда вы работаете с большими данными или создаете высоконагруженные приложения. ➡️memory_profiler: ваш верный спутник memory_profiler — это как швейцарский нож для анализа памяти. Вот пример его использования: from memory_profiler import profile @profile def my_func(): a = [1] * (10 ** 6) b = [2] * (2 * 10 ** 7) del b return a if __name__ == '__main__': my_func() ⬆️Запустите скрипт с помощью python -m memory_profiler script.py, и вы увидите подробный отчет о использовании памяти. Красота, правда? ➡️line_profiler: когда нужна точность до строчки Если memory_profiler — это швейцарский нож, то line_profiler — это микроскоп. Он покажет вам использование памяти построчно: @profile def my_func(): a = [1] * (10 ** 6) b = [2] * (2 * 10 ** 7) del b return a my_func() ⬆️Запустите с помощью kernprof -l -v script.py, и вы увидите, какая строчка сколько памяти съедает. ➡️objgraph: визуализируем объекты objgraph — это как рентген для вашего кода. Он позволяет визуализировать объекты в памяти: import objgraph x = [] y = [x, [x], dict(x=x)] objgraph.show_refs([y], filename='sample-graph.png') ⬆️Запустите это, и вы получите красивую картинку связей между объектами. Полезно для поиска утечек памяти! ➡️tracemalloc: встроенная мощь Python А теперь — жемчужина в короне Python 3. tracemalloc — это встроенный модуль для отслеживания выделения памяти: import tracemalloc tracemalloc.start() # ваш код здесь snapshot = tracemalloc.take_snapshot() top_stats = snapshot.statistics('lineno') print("[ Топ 10 ]") for stat in top_stats[:10]: print(stat) ⬆️Это как рентген, МРТ и УЗИ в одном флаконе. Вы увидите, где именно происходят утечки памяти. 🐍Pythoner0,55%