Just Python

Pylint - популярный линтер для Python версий 2.x/3.x.

Он проверяет код на соответствие PEP-8.
А также непосредственно запускает его, чтобы найти ошибки.
Либо какие-то неочевидные проблемы.

Также линтер сообщает разработчику, как улучшить свой код или сделать его более читабельным.

Крч для Python разработчика — Must Have

Ставится командой ⚙️ pip install pylint
Документация и примеры кода здесь

#theory // Just Python

smtplib - библиотека для отправки сообщений на адрес электронной почты в Python.

Библиотеку smtplib не нужно скачивать, это означает, что она стандартная.

➕ Плюсы библиотеки: простая в использовании, можно отправлять письма на почту всего за несколько строк кода, как показано на скрине.

Также smtplib поддерживает защищенное соединение SSL/TLS с SMTP сервером.

Документация и примеры код здесь (русская)
Официальная документация здесь (английская)

#theory // Just Python

Mutagen - библиотека предназначенная для редактирования тегов ID3v1.1/ID3v2.4 и APEv2

Она поддерживает множество форматов, включая MP3, Ogg Vorbis, FLAC и многие другие.

Mutagen также предоставляет возможность работы с аудиофайлами в потоковом режиме, что делает ее очень удобной и мощной.

Ставится командой ⚙️ pip install mutagen
Документация и примеры кода здесь

#theory // Just Python

PyDantic v2 - легкая и эффективная библиотека для валидации данных в Python.

Думаю не надо объяснять, как важно валидировать любой инпут от пользователя в приложениях/вебсайтах.

Что интересно, ядро PyDantic написано на языке Rust.
А значит библиотека работает очень производительно и никак не тормозит ваш код.

Ставится командой ⚙️ pip install -U pydantic
Документация и примеры кода здесь

#theory // Just Python

Dora — это библиотека для очистки и разведочного анализа данных, которая значительно упрощает решение задач Data Science. С ее помощью можно преобразовывать категориальные данные в порядковые, менять и удалять столбцы, выделять, извлекать и визуализировать признаки и решать много других задач.

Библиотека содержит удобные функции для очистки данных, выбора и извлечения признаков, визуализации, секционирования данных для проверки модели и версионных преобразований данных.

Библиотека использует и предназначена для того, чтобы стать полезным дополнением к распространенным инструментам анализа данных Python, таким как pandas, scikit-learn и matplotlib.

Ставится командой ⚙️ pip install dora
Документация и примеры кода здесь

#theory // Just Python

Что такое парадигмы программирования

Есть две основные парадигмы программирования: императивная (1 фото) и декларативная (2 фото)

Парадигмы программирования — это свод требований, которые используются в разных языках программирования. Их нельзя назвать статичным стоп-листом: это, скорее, варианты решения определенных задач.

Парадигма — это набор взаимосвязанных требований и принципов, которые используют в процессе разработки программного обеспечения для ПК. Именно она регулирует и влияет на стилистику будущей программы, но при этом не влияет на выбор языка программирования.

Императивное программирование

Главное отличие этого типа — последовательное выполнение задач. Большая часть языков заточена именно под него.

Раньше процедурные языки были популярными и востребованными у разработчиков ПО. Сейчас распространено объектно-ориентированное программирование (ООП).

Декларативное программирование

На контрасте с императивным стилем развивался и декларативный. В нём собирали лучшие практики, которые со временем стали парадигмами.

Примеры использования парадигм программирования:

💖 Процедурная — для написания кода микрочипа
💖 Объектно-ориентированная
💖 Декларативная — для описания внешнего вида сайтов
💖 Функциональная — для криптовалюты и блокчейна

Если писать код на декларативном языке проще, зачем тогда выбирают императивное программирование? Есть три причины:

💖 Декларативное программирование не работает без императивного.
💖 На декларативном языке нельзя работать с задачами, для решения которых нужен доступ к состоянию программы.
💖 У императивного программирования меньше ограничений.

#theory // Just Python

Vega-Altair — декларативная библиотека статистической визуализации для Python. С Vega-Altair вы можете потратить больше времени на понимание своих данных и их значения. Вега-Альтаир API прост, дружелюбен и согласован и построен на основе мощной спецификации Vega-Lite JSON. Простота позволяет создавать красивые и эффективные визуализации с минимальным количеством кода.

Vega-Altair был первоначально разработан Джейком Вандерпласом и Брайаном Грейнджер в тесном сотрудничестве с UW Интерактивная лаборатория данных. Проект с открытым исходным кодом Vega-Altair не связан с Altair Engineering, Inc.

Ставится командой ⚙️ pip install altair
Документация и примеры кода здесь

#theory // Just Python

⚡️Совсем скоро трое из вас получат по новому iPhone 16!

Чтобы не упустить свой шанс, подпишитесь на @economica, @ruble30 и @trendswhat и нажмите «Участвую!» под этим постом, если ещё этого не сделали. Результаты уже 2 июня в 18:00!

Что такое декораторы в Python

Декораторы в Python — это мощный инструмент, который позволяет модифицировать поведение функций или классов без изменения их кода. Они представляют собой функции высшего порядка, то есть функции, которые принимают другие функции в качестве аргументов и возвращают новые функции. В Python декораторы обычно применяются с помощью синтаксиса @decorator перед определением функции или класса.

В примере на фото декоратор timing_decorator измеряет время выполнения функции some_long_running_function и выводит результат на экран.

Декораторы в Python являются удобным способом добавления нового поведения к функциям или классам без изменения их кода. Они используются для решения множества задач, таких как логирование, кеширование, проверка прав доступа и других. Важно понимать основы работы с декораторами, чтобы эффективно использовать их в своих проектах.

Освоив принципы работы с декораторами, вы сможете значительно улучшить структуру своего кода и упростить его поддержку.

#theory // Just Python

Requests - одна из самых популярных общедоступных библиотек Python. Ее цель – сделать HTTP-запросы более простыми и удобными для восприятия. Библиотека Requests имеет лицензию Apache2 и написана на Python. Она является фактическим стандартом, который используют разработчики для выполнения HTTP-запросов в Python.

Помимо того, что библиотека Requests может использоваться для отправки HTTP-запросов на сервер, она также позволяет добавлять в них данные формы, содержимое, заголовок, файлы, состоящие из нескольких частей, и т.д. С этой библиотекой разработчикам не нужно добавлять запрос к URL-адресу или кодировать данные POST вручную.

Библиотека Requests абстрагируется от многочисленных сложностей создания HTTP-запросов в простом API, поэтому разработчики могут больше сосредоточится на взаимодействии со службами. Библиотека поддерживает Python 2.7, 3.4 и выше, а также отлично работает с PyPy.

Ставится командой ⚙️ $ pipenv install requests-html
Документация и примеры кода здесь

#theory // Just Python

Turtle - библиотека в Python, предоставляет простой и интуитивно понятный способ рисования графики и создания простых анимаций с помощью черепашьей графики (turtle graphics).
Она включает различные функции для управления черепашкой и рисования различных графических фигур.

В библиотеке turtle есть возможность изменять цвет линий и заливки для черепашьего рисунка с помощью методов color() и fillcolor().

Это эффективный и хорошо зарекомендовавший себя способ взаимодействия с учащимися концепций программирования и взаимодействия с программным обеспечением, так как оно обеспечивает мгновенное, Видимая обратная связь. Он также обеспечивает удобный доступ к графическому выводу вообще.

Звёздочка на Python Turtle в 10 строк кода - тык

Документация и примеры кода здесь

#theory // Just Python

Celery - Celery нужна для работы с фоновыми задачами. Она позволяет выстраивать их в очередь и распределять выполнение между разными процессорами и устройствами. Это помогает уменьшить нагрузку на процессор и выполнять трудоемкие задачи без ущерба производительности. Больше всего Celery полезна для разработчиков приложений.

Очереди задач используются в качестве механизма для распределения работы между потоками или машины.

Celery общается через сообщения, обычно через брокера для посредничества между клиентами и работниками. Чтобы инициировать задачу, клиент ставит message в очереди, затем брокер доставляет сообщение рабочему процессу.

Ставится командой ⚙️ pip install celery
Документация и примеры кода здесь

#theory // Just Python

Scrapy - это быстрый высокоуровневый фреймворк для веб-сканирования и веб-скрейпинга. Сканируйте веб-сайты и извлекайте структурированные данные с их страниц. Его можно использовать для: широкий спектр целей, от интеллектуального анализа данных до мониторинга и автоматизированного тестирования.

Основными возможностями Scrapy являются:

🔴 автоматическая обработка запросов и ответов с использованием асинхронности;
🔴 извлечение данных из HTML и XML документов с помощью XPath и CSS-селекторов;
🔴 эффективная обработка веб-форм и управление сессиями;
🔴 расширяемость за счёт огромного количества плагинов, упрощающих разработку и настройку веб-пауков.

Ставится командой ⚙️ pip install scrapy
Документация и примеры кода здесь

#theory // Just Python

Opyrator — инструмент, позволяющий превратить любую вашу Python функцию в полноценный микросервис с веб API, статистикой обращений, графиками и тд.

Это позволяет пользователям развертывать сервисы и получать к ним доступ через HTTP API или интерактивный пользовательский интерфейс

Ставится командой ⚙️ pip install opyrator
Документация и примеры кода здесь.

#theory // Just Python

⚡️Дарим сразу три новеньких iPhone 16 за подписку!

Для участия в розыгрыше нужно:
1. Быть подписанным на The Экономист, Доллар по тридцать и Чё по трендам?
2. Нажать «Участвую!» под этим постом

Бот случайным образом выберет победителей 2 июня в 18:00. Айфоны за свой счёт застрахуем и отправим в любую точку мира. Всем удачи!

NEAT-Python — это библиотека, реализующая NEAT на языке программирования Python. Она обеспечивает легкую и гибкую возможность использования эволюционного подхода NEAT для разнообразных задач, включая классификацию.

NEAT также позволяет удобно определять морфологические модели нейронов. Эти модели могут быть смоделированы с помощью интерфейса с симулятором NEURON [Carnevale2004] или могут быть проанализированы двумя классическими методами:

▫️(i) метод разделения переменных [Major1993] для
получения ядер импеданса в виде суперпозиция экспоненциальных величин
▫️(ii) метод Коха для вычисления импедансов с линеаризованными ионными каналами аналитически в частотной области [Koch1985].

Кроме того, NEAT реализует фреймворк нейронного дерева оценки [Wybo2019] и связанный с ним симулятор C++ для анализа независимости от субъединиц.

Ставится командой pip install neatdend
Документация и примеры кода здесь

#theory // Just Python

Как работать с наследованием в Python?

Наследование — одна из основных концепций объектно-ориентированного программирования, которая позволяет создавать новые классы на основе существующих, переиспользуя их свойства и методы. В Python наследование реализуется довольно просто и интуитивно. В этой статье мы разберем основы наследования в Python на примерах.

Основная идея наследования заключается в том, что один класс (потомок) может наследовать атрибуты и методы другого класса (родителя). Это позволяет избежать дублирования кода и упрощает изменения и обновления.

Python поддерживает множественное наследование, то есть один класс может наследовать свойства и методы сразу от нескольких классов-родителей. Для этого достаточно указать их имена через запятую в скобках после имени класса-потомка.

Важные функции и атрибуты

В контексте наследования в Python есть несколько важных функций и атрибутов, которые могут пригодиться:

💖isinstance(obj, class) — проверяет, является ли объект экземпляром указанного класса или его потомка;
💖issubclass(class1, class2) — проверяет, является ли class1 подклассом class2;
💖super() — позволяет вызывать методы родительского класса из класса-потомка.

Наследование в Python — мощный инструмент, который позволяет создавать гибкие и масштабируемые программы.

#theory // Just Python

PrettyTable – это Python-модуль, который облегчает создание таблиц в коде. На его основе можно легко создавать таблицы из результатов запросов или из любых других данных. Библиотека была разработана Дайвом Льюисом и имеет удобный и понятный синтаксис, который позволяет создавать с помощью пары строк кода красивые таблицы.

PrettyTable позволяет форматировать таблицы, выравнивать данные, добавлять заголовки и многое другое. Это делает эту библиотеку полезным инструментом для анализа, презентации и отображения данных на экране.

PrettyTable позволяет очень просто и быстро настраивать таблицы в Python. Библиотека отлично подходит для работы с большим объемом данных, которые необходимо представить в удобочитаемом формате. Она позволяет легко форматировать таблицы и менять их визуальное отображение. Вместе с тем PrettyTable предоставляет дополнительные функции, такие как сортировка, фильтрация и настройка цвета, которые сохраняются при переносе данных в другие программы.

Ставится командой ⚙️ pip install prettytable
Документация и примеры кода здесь

#theory // Just Python

Что такое Django и Flask

Django и Flask являются двумя популярными веб-фреймворками на языке программирования Python. Они используются для создания веб-приложений и сайтов различной сложности.

Django – это высокоуровневый веб-фреймворк Python, который придерживается принципа «batteries included» (все в комплекте). Это значит, что Django предоставляет множество инструментов и компонентов прямо из коробки, таких как административный интерфейс, систему аутентификации пользователей, поддержку работы с базами данных и многое другое.

Flask – это микро-фреймворк для создания веб-приложений на Python. В отличие от Django, Flask является более легковесным и гибким решением, которое предоставляет минимальный набор функциональности из коробки. Расширение функционала возможно с помощью внешних модулей и библиотек.

Сравнение Django и Flask

🔸Скорость разработки:
Django предоставляет больше готовых решений, что может ускорить процесс разработки, особенно для сложных проектов. Flask же предлагает большую гибкость и контроль над кодом, что может быть важно для создания небольших и средних приложений.

🔸Обучение:
Flask имеет более низкий порог вхождения для новичков благодаря своей простоте и минимализму. Django может потребовать больше времени на изучение из-за обилия компонентов и настроек.

🔸Производительность:
Flask обычно предпочтителен для проектов с высокими требованиями к производительности из-за своей легковесности. Однако, оба фреймворка могут быть оптимизированы для достижения высокой производительности при правильной настройке.

Выбор между Django и Flask во многом зависит от ваших предпочтений, опыта и требований к проекту. Если вам нужен мощный, всеобъемлющий фреймворк с большим количеством готовых решений, то Django может быть вашим выбором.

Если же вам важна гибкость, простота и возможность контролировать каждый аспект вашего приложения, то Flask будет лучшим решением.

#theory // Just Python