| کانال توسعه‌دهندگان پایتون |
6.61K subscribers
38 photos
2 videos
4 files
43 links
⭕️ کانال توسعه‌دهندگان پایتون دولوپیکس

💠 دولوپیکس | جامعه توسعه‌دهندگان ایرانی

💎 @Developix
🚀 Developix.ir

📌 پشتیبانی و تبلیغات:
@DevelopixSupport
Download Telegram
💠 معرفی کتاب 💠
💎 Django Design Patterns and Best Practices

📚 دانستن الگوهای مختلف می‌تواند زمان کد نویسی را تا حد زیادی کاهش دهد و عملکرد کد را افزایش دهد. نویسنده نه‌تنها الگوها را توضیح می‌دهد، بلکه با ارائه مثال‌ها و راه‌حل‌ها، مطمئن می‌شود که می‌دانید کجا و چه زمانی از هر الگوی استفاده کنید. این کتاب همچنین به‌طور کامل تست و امنیت را پوشش می‌دهد که دو جنبه مهم توسعه هر برنامه وب هستند.

📖 سرفصل‌های کتاب عبارتند از:

1️⃣ جنگو و الگو‌ها
2️⃣ طراحی برنامه
3️⃣ مدل‌ها
4️⃣ ویوها و URLها
5️⃣ قالب‌ها
6️⃣ رابط ادمین
7️⃣ فرم‌ها
8️⃣ کار کردن به صورت ناهمزمان
9⃣ ایجاد APIها
🔟 سر و کار داشتن با کد میراثی
1⃣1⃣ تست کردن و دیباگ کردن
2⃣1⃣ امنیت
3⃣1⃣ آمادگی برای محیط پروداکشن

📥 این کتاب را می‌توانید از پیامی که در پایین این پست قرار دارد، دانلود کنید. همچنین این کتاب یک نسخه ترجمه آزاد را نیز داراست که می‌توانید از این لینک گیت‌هاب به آن دسترسی داشته باشید.

#معرفی_کتاب

👤 MHReza

💎 Channel: @DevelopixPython
👍10👎1
Django Design Patterns and Best Practices, 2nd Edition.pdf
4.9 MB
📥 دانلود کتاب

📚 Django Design Patterns and Best Practices

👤 MHReza

💎 Channel: @DevelopixPython
👍12👎1
🔸دیتا استراکچرهای پایتون در یک نگاه

🔗 Source

👤 MHReza

💎 Channel: @DevelopixPython
👍17🔥32
🔸 تا حالا شده بخواهید مقدار دو متغیر رو با همدیگه جابجا کنید؟
🔹 توی کد بالا با یه روش جالب این کار رو انجام می‌دهیم که دیگه نیاز نباشه برای این کار متغیر جدیدی ایجاد بکنید.

👤 MHReza

💎 Channel: @DevelopixPython
👍18👎5
#سوال
خروجی کد زیر چیست ⁉️

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍11
💠 برای معکوس کردن یک رشته می‌تونید از کد بالا استفاده کنید.

#Tips
💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍203
✔️ استیبل بودن یا نبودن یک الگوریتم مرتب سازی

یکی از دسته بندی های موجود برای الگوریتم هایsort کردن، فاکتور stable بودن یا نبودن هست. به طور خلاصه به الگوریتمی میگن stable که:

موقع sort کردن یک لیست، اگه ۲ تا آیتم مساوی هم بودن، دقیقا به همون ترتیبی که توی لیست اولیه بودن، توی لیست مرتب شده هم ظاهر بشن.

فرض کنید به شما میگن لیست زیر رو بر اساس: اول نمره و بعد درصورت یکسان بودن نمره ها، بر اساس حروف الفبا مرتب کنید. منتاها این لیستی که به شما میدن خودش بر اساس حروف الفبا مرتب شده هست:

lst = [
("Ashkan",17),
("Bahar",18),
("Sorena",17)
]
یک راه مرسوم اینه که به این روش sort رو انجام بدیم:
lst.sort(key=lambda x: (x[1], x[0]))
کاملا درسته و هیچ اشکالی نداره. بیشتر میخواستیم درباره موضوع پست صحبت کنیم.

آیا میتونیم فقط بیایم بر اساس آیتم دوم sort ش کنیم؟ این که خود لیست بر اساس حروف الفبا مرتب شده آیا کمکی میکنه؟ یعنی:
lst.sort(key=lambda x: x[1])
اگه بدونیم الگوریتمی که استفاده شده stable هست بله میتونیم و گارانتی هست که آیتم های مساوی به همون ترتیب در خروجی قرار میگیرن، و چون در حال حاضر بر اساس حروف الفبا مرتب شده هستن، اون افرادی که نمره ی برابر دارن اتوماتیک بر اساس حروف الفبا هم مرتب هستن.

خروجی هردو:
[
('Ashkan', 17),
('Sorena', 17),
('Bahar', 18)
]
پایتون از Tim Sort استفاده میکنه و stable هست.


چند تا از الگوریتم های مرتب سازی استیبل:
• Insertion Sort
• Merge Sort
• Bubble Sort
• Tim Sort
و نقطه‌ی مقابلشون:
• Heap Sort
• Selection Sort
• Quick Sort

👤 SorousH

💎 Channel: @DevelopixPython
👍244🔥2👎1
💠 شده بخواید آیتمی رو که بیشتر از بقیه تکرار شده رو بگیرید؟ با کد بالا می‌تونید این کار رو انجام بدید.

#Tips

💎 Channel: @DevelopixPython
👍303🔥3👎2
Forwarded from Developix Support
⭕️ کمتر از ۲ هفته تا شروع دوره‌ی محبوب و تخصصی ماشین‌لرنینگ آکادمی آمانج باقی مونده!

⚠️ جای ۷نفر از شما در دوره ما خالیه!

🎁 برای اعضای پیج یه کد تخفیف ۴۰۰ هزار تومانی در نظر گرفتیم: ml4

💰قیمت دوره: ۵‌.۹ میلیون تومان
(امکان پرداخت قسطی هم وجود داره)

🧑‍🏫مدرس دوره: دکتر ریحانی مدیر فنی نوسازان، دیتاساینتیست و دکتری کامپیوتر دانشگاه تهران

شروع دوره: ۱۵ دی ماه ۱۴۰۲ (جمعه‌ها ۱۵-۱۱)

📊 ۵۵ ساعت آموزش مقدماتی تا پیشرفته

📍ویژگی‌های دوره:

✔️هر هفته وبینار برگزار میشه و شما می‌تونید مستقیما با استاد تعامل داشته‌باشید.

✔️ در پایان دوره، مدرک نمره‌دار آکادمی آمانج بهتون داده میشه.

✔️ در طول دوره، پشتیبان‌های فنی آمانج حواسشون به همه چیز هست تا بهترین تجربه رو در طول یادگیری داشته باشین.

✔️سرفصل‌های دوره ماشین لرنینگ کاملا به‌روز و مطابق با نیاز بازار کاره.

✔️بعد از پایان دوره می‌تونید در کامیونیتی تخصصی برنامه‌نویسی آمانج عضو بشید که حسابی به دردتون می‌خوره.

🌐 👈🏻برای اطلاعات بیشتر و ثبت‌نام کلیک کنید

@AmanjAdmin
09107603363
02191692911
👍5👎3
درود.
میخواستم درباره ی آبجکت معروف و شناخته شده ی generator حرف بزنیم ولی با نگاه کمی متفاوت‌تر تا به این برسیم که دقیقا چطور کار میکنه و چطور پیداش شد. نیاز هست که کمی حرف های پیش نیاز بزنیم صبور باشید.

قبل از هر چیزی درباره ی خود فانکشن حرف بزنیم؛ ولی نه تو پایتون بلکه تو C:
وقتی یه فانکشنی کال میشه، توی call stack یک frame جدید میاد که برای اون فانکشن هست. این frame شامل تمام متغیر های لوکال و پارامتر های اون فانکشنه. وقتی فانکشن تموم میشه چه اتفاقی میفته؟ اون frame از stack پاپ میشه (یا دقیق ترش stack pointer کم میشه)
و نکته اینجاس که هرچی که توی اون frame هست دیگه قابل دسترس نیست و اگر استفادشون کنیم، undefined behavior هست. چرا؟ چون توی "مموری استک" این frame قرار داده شده بود و اون فضا الان آزاد شده و قابل استفاده هست برای بقیه (توی پرانتز، در C که مدیریت حافظه نداره، باید آبجکت هایی که توی heap میسازیم رو خودمون مدیریت کنیم نه استک):

int *returnArray() {
int arr[3] = {11, 22, 33};
printf("%p\n", arr);
printf("%d\n", arr[1]);
return &arr;
}
int main(void) {
int *arr;
arr = returnArray();
printf("%p\n", arr);
printf("%d\n", arr[1]); // ???
}


با اینکه آدرسش رو return کردیم ولی باز هم نمیتونیم به آیتم های لیست دسترسی داشته باشیم.
حالا اینارو گفتم که موضوع مهمی رو بگم. اونم اینه که تو پایتون هم همین call stack و اینا هست ولی اون frame object توی heap ساخته میشه. این یعنی اگر بخوایم میتونیم اون رو ذخیره داشته باشیم و همیشه بمونه! مثلا مانع از نابود شدن خودش و آبجکت های درونش بشیم. تو مثال زیر global f رو اگه از کامنت در بیارید obj از بین نمیره چون frame رو ذخیره کردیم:
from gc import collect
from sys import _getframe

class A:
def __del__(self):
print("del called")

def fn():
# global f
f = _getframe(0)
obj = A()

fn()
collect()
input()

خب حالا که اینو گفتیم بریم سراغ خود آبجکت فانکشن تو پایتون. وقتی فانکشن کال میشه یه frame object ساخته میشه. این frame object داخلش آبجکت های زیادی هست (مستقیم یا غیرمستقیم) از جمله رفرنس داره به متغیر های داخل اون namespace و رفرنسی داره به code object که یک unit ئه executable هست. داخل این code object ما bytecode ها رو داریم که همون instruction ها هستن.

درواقع instruction ها هستن که اجرا میشن و این state ذخیره میشه. تو کد زیر lasti یعنی last instruction. (توی cpu هم اتفاق مشابهی میفته. اینجا pvm میخواد بدونه چی رو اجرا کرده و حالا نوبت چیه):

from sys import _getframe
def fn():
print(_getframe(0).f_lasti)
a = 10
print(_getframe(0).f_lasti)

fn()


خب حالا بخش جالب ماجرا اینجاست. ما به عنوان طراحان فرضی زبان پایتون، میدونیم که frame ما میتونه خارج از موقع کال شدن هم زنده بمونه + از طرفی به state هم که دسترسی داریم. ( اینکه الان متغیر های local چیا هستن، اینکه الان تا instruction چندم اجرا شده و غیره)

فقط یه مشکلی هست، فانکشن های ما وقتی کال میشن از اولین instruction تا آخرینش رو اجرا میکنن و تموم میشن و همه ی آبجکت های داخل اون frame از بین میرن (اگر رفرنس دیگه ای نداشته باشن جای دیگه).

الان همه چیز محیا هست برای اینکه یه ساختار یا keyword جدیدی بیاریم تو زبان که هرجایی از execution فانکشن خواستیم بتونیم pause کنیم و اون رو با هر state ای که داره به حال خودش رها کنیم.
بیایم yield رو معرفی کنیم! هروقت yield اومد، کافیه اجرا رو متوقف کنیم و مثل فانکشن ها (که بعد از تموم شدنشون، frame شون از stack frame جدا میشن) frame این generator ها رو هم جدا کنیم.

بعدا اگه خواستیم generator رو ادامه بدیم و روش next بزنیم (مستقیم خودمون یا غیر مستقیم توسط پایتون) تنها کاری که باید بکنیم اینه که frameش رو برداریم و بچسبونیم به stack frame ممون و از اون state ای که بودیم ادامه بدیم.
def gen():
a = 1
yield
b = 1
yield

g = gen()
next(g)
print(g.gi_frame.f_lasti, g.gi_frame.f_locals)
next(g)
print(g.gi_frame.f_lasti, g.gi_frame.f_locals)


این call stack با linked list پیاده سازی شده و frame ها نود های اون هستن. با f_back به frame قبلی اشاره میکنن به راحتی وصل میشن و جدا میشن.

جنریتور ها با وجود سرعت خوبی که دارن، برای سرعت بیشتر ساخته نشدن بلکه برای استفاده بهینه‌تر از مموری ساخته شدن. داشتن همچین آبجکتی (به اضافه ساختار هایی مثل yield from) میتونه زمینه خیلی چیز ها رو فراهم کنه. از جمله فریموورک هایی مثل asyncio :)

👤 SorousH

💎 Channel: @DevelopixPython
👍1210🔥3
Forwarded from Developix Support
DragonCloud - دراگون کلود

ارائه خدمات سرور مجازی و اختصاصی
با بهترین سخت افزار های موجود و شبکه ای قدرتمند
- استفاده از پردازنده core i9 14900k
- رم های DDR5
- حافظه های NVMe

جهت دریافت اطلاعات بیشتر و خرید عضو شوید👇🏽

@DragonCloud_ir
👎10👍5
Python Ethical Hacking from scratch.pdf
6.6 MB
🔸 Python Ethical Hacking

کتابی که اخیرا به صورت کلی مطالعه کردم، کتابی جالب در زمینه هک با استفاده از زبان برنامه‌نویسی پایتون است. در بخش اول درمورد مفاهیم اولیه از جمله TCP، OSI، Types of hackers و ... صحبت می‌شود که اگر با این مفاهیم آشنا هستید می‌توانید از بخش2-قسمت4 کتاب شروع به مطالعه کنید.
از جمله مواردی که در کتاب پوشش داده شده، حمله Arp Spoofing می‌باشد که با بهره‌گیری از کتابخانه scapy، یک بدافزار برای بوجود آوردن اختلال در اتصال اینترنت هدف نوشته شده است. همچنین، توضیحات جامعی نیز درباره اجرای حمله MITM نیز در این کتاب ارائه شده.
درکنار موارد ذکر شده، یاد خواهید گرفت که چطور با استفاده از این زبان یک بدافزار توسعه بدهید، مکانیزم های امنیتی متوقف‌کننده بدافزار را دور بزنید، چطور پسورد کرک کنید و دیگر اقدامات مربوط به این حوزه را انجام دهید.

👤 ȺʍìɾⱮօհąʍʍąժ

💎 Channel: @DevelopixPython
👍254
#سوال
خروجی کد زیر چیست ⁉️

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍12🔥3
💠 String Methods

🔺 در ادامه با مجموعه‌ای از method های مفید و قدرتمند برای کار با رشته‌ها در زبان برنامه‌نویسی پایتون آشنا خواهید شد. این methodها امکانات بسیاری را برای شما فراهم می‌کنند که می‌توانید از آنها برای جستجوی الگوها، جایگزینی متن، تبدیل حالت رشته و ... استفاده کنید.
🔺 capitalize() -> str
🔹 یک کپی از رشته برمی گرداند با این تفاوت که حرف اول رشته با "حروف بزرگ" نوشته می شود.
>>> "string methods".capitalize()
'String methods'


🔺 lower() -> str
🔹 یک کپی از رشته برمی گرداند با این تفاوت که تمام حروف با "حروف کوچک" نوشته می شود.
>>> "STRING METHODS".lower()
'string methods'


🔺 casefold() -> str
🔹 یک کپی از رشته برمی گرداند با این تفاوت که تمام حروف با "حروف کوچک" نوشته می شود.
>>> "STRING METHODS".casefold()
'string methods'


🔻 سوالی که اینجا مطرح میشه اینه که متد casefold و lower دقیقا به یک شکل عمل می کنند. پس چه تفاوتی بین این دو متد وجود داره؟ در پاسخ به این سوال باید گفته که متد casefold قوی تر از lower عمل می کنه (در واقع کاراکتر های بیشتری رو پوشش میده). برای مثال در آلمانی حرف کوچک 'ß' میشه "ss" ولی متد lower قادر به انجام این کار نیست.
>>> "ß".lower()
'ß'
>>> "ß".casefold()
'ss'


🔺 center(width, [fillchar]) -> str
🔹 با استفاده از این متد می توانید برای متن width مشخص کنید. در صورتی که width مشخص شده بزرگتر از طول رشته باشد به جای آن space قرار می گیرد که می توانید با استفاده از پارامتر دوم این مقدار را تغییر دهید و مقدار دلخواه را به جای آن قرار دهید.
>>> "string".center(10, "+")
'++string++'

>>> "string".center(10)
' string '


🔺 count(value[, start[, end]]) -> int
🔹 با تنظیم کردن value برای این متد تعداد دفعات مقدار تکرار شده در یک متن بر گردانده می‌شود. با استفاده از دو پارامتر دیگر می توانید نقطه شروع و پایان را مشخص کنید.
 >>> "string methods".count("t")
2
>>> "string methods".count("t", 2)
1
>>> "string methods".count("t", 2, 3)
0


🔺 endswith(suffix[, start[, end]]) -> bool
🔹 این متد بررسی می‌کند که آیا یک رشته با مقدار داده شده ختم می شود یا نه. با تنظیم کردن مقدار start و end می توانید شروع و پایان جستجو را مشخص کنید.
>>> "string methods".endswith("ds")
True
>>> "string methods".endswith("ds", 5)
True
>>> "string methods".endswith("ds", 5, 7)
False


🔺 find(sub[, start[, end]]) -> int
🔹 برای بررسی وجود و یا عدم وجود یک مقدار در یک رشته. در صورت وجود، ایندکس آن آیتم را بر می‌گرداند و در غیر اینصورت مقدار -1 برگردانده می‌شود.
>>> "string methods".find("s")
0
>>> "string methods".find("#")
-1
>>> "string methods".find("s", 5)
13


🔺 join(iterable) -> list
🔹 برای تبدیل iterable به str استفاده می شود.
>>> ",".join("string")
's,t,r,i,n,g'
>>> ",".join(["1","2","3"])
'1,2,3'
>>> ",".join({"1","2","3"})
'3,2,1'
>>> ",".join({"1" : 1, "2" : 2})
'1,2'


🔺 replace(old, new[, count]) -> str
🔹 برای جایگزین کردن یک مقدار (old) با مقدار دیگر (new) مورد استفاده قرار می گیرد. با استفاده از count می توانید تعداد دفعات اعمال تغییرات را مشخص کنید.
>>> "hi-hi-hi".replace("hi", "hey")
'hey-hey-hey'
>>> "hi-hi-hi".replace("hi" , "hey", 2)
'hey-hey-hi'
>>> "hi-hi-hi".replace("hi", "hey", 1)
'hey-hi-hi'


🔺 split(sep=None, maxsplit=-1) -> list
🔹 برای تبدیل str به لیست مورد استفاده قرار می گیرد. با استفاده از مقدار sep معیار تفکیک را مشخص می کنید (به مثال ها دقت کنید) و با استفاده از maxsplit حداکثر تعداد جدا کردن مقادیر را مشخص کنید.
>>> "hi-hi-hi".split()
['hi-hi-hi']
>>> "hi hi hi".split()
['hi', 'hi', 'hi']
>>> "hi-hi-hi".split("-")
['hi', 'hi', 'hi']
>>> "hi-hi-hi".split("-", 1)
['hi', 'hi-hi']
>>> "hi hi hi".split(maxsplit=1)
['hi', 'hi hi']


👤 ȺʍìɾⱮօհąʍʍąժ

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍16🔥151
#سوال
خروجی کد زیر چیست ⁉️

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9👎1🔥1
💠یک منبع خوب برای پیدا کردن آشنایی اجمالی (و صدالبته کاربردی) با کتابخانه های مطرح Numpy و Pandas در پایتون.

⬅️ نام‌پای / Numpy:
⬅️ توضیح ماهیت آرایه ها
⬅️ نحوه پیاده سازی آرایه ها در Numpy
⬅️ نحوه ایجاد/تولید آرایه ها به روش های متفاوت
⬅️ آشنایی به method های کاربردی مرتبط به آرایه‌ها
⬅️ آشنایی با عملگر های کاربردی و نحوه اعمال‌سازی/استفاده آنها بر آرایه ها (مسائل ساده ماتریس‌ها)

⬅️ پانداس / Pandas:
⬅️ آشنایی با سری ها
⬅️ معرفی method های مرتبط به سری ها
⬅️ آشنایی با data frame ها و نحوه ایجاد آنها
⬅️ توضیحاتی در مورد انوع راه های slicing و اصطلاحا برش قسمتی از data frame ها

🔗 دانلود در پست بعد

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥52
#سوال
خروجی کد زیر چیست ⁉️

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥1
💢 معرفی فریمورک DJango

جنگو یک فریمورک پایتون برای ساخت اپلیکیشن های وب است و از معماری MVT استفاده می‌کند تا کدها تمیزتر، کارآمدتر و کم‌تر شوند.

هدف اصلی جنگو ساخت آسان سایت‌ های پیچیده و وابسته به دیتابیس است و بر پایه قابلیت استفاده مجدد و قابل اتصال بودن اجزای مختلف و توسعه سریع طراحی شده‌ است؛ از وب‌سایت ‌های مشهوری که از جنگو استفاده می‌کنند می‌توان به اینستاگرام، یوتیوب و سرویس های گوگل اشاره کرد.

مزایای جنگو به‌طور خلاصه :‌
- افزایش سرعت برنامه‌نویسی
- کارایی بالا و امکان توسعه
- امنیت مطلوب

🔖 #Python, #پایتون

👤 Maryam

💎 Channel: @DevelopixPython
👍197👎5
#سوال
خروجی کد زیر چیست ⁉️

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥2
🌾 Rye: a Hassle-Free Python Experience

💡 رای (چاودار) یا همان Rye یک ابزار خیلی کاربردی، کامل و یکپارچه برای مدیریت پروژه‌ها و پکیج های پایتونیه. این ابزار توسط آقای Armin Ronacher توسعه داده شده و مدتیه که توجه افراد زیادی رو به خودش جلب کرده. برنامه‌نویس ها غالبا از ابزار های مشابهی مثل poetry برای این منظور استفاده میکردند اما به دلایلی میشه همه رو کنار گذاشت و به سمت Rye اومد. بعضی از این ویژگی ها عبارتند از:


⬅️ سادگی و سهولت
⬅️ از شروع فرایند نصب تا موقع کار کردن با این ابزار، شما هیچ‌گونه پیچیدگی خاصی نمی‌بینید.

⬅️ سرعت و عملکرد بهتر
⬅️ این ابزار با زبان rust نوشته شده و سرعتی به مراتب بیشتر از ابزار های دیگه ای مثل poetry داره.

⬅️ مدیریت محیط مجازی (virtual environment)
⬅️ هم در ایجاد و هم در مدیریت محیط مجازی این ابزار همراه شماست.

⬅️ دستورات ساده و ابزار ها
⬅️ همونطور که در داکیومنت اون میتونید ببینید، Ray شامل ابزار و دستوراتی هست که کار با اون رو به شدت آسون کرده.


❗️ برای آشنایی پیدا کردن بیشتر در مورد نصب و استفاده از این ابزار میتونید به این صفحه مراجعه کنید.

✍️ *ژنرال*

💎 Channel: @DevelopixPython
Please open Telegram to view this post
VIEW IN TELEGRAM
👍21🔥91