🔹 Assertions in Python

🔺 یکی از موارد کاربردی در پایتون assertionها هستند. استفاده از آنها برای اطمینان حاصل کردن از صحت اجرای برنامه و یافتن خطاها در هنگام توسعه و افزایش خوانایی کدهاست.

🔺 ساختار :

assert_stmt ::=  "assert" condition ["," message]

ادعاها یا assertionها از دو قسمت تشکیل می‌شوند. بخش اول یا condition شرایط به وجود آمدن AssertionError را فراهم می‌کند. زمانی که مقدار expression قرار گرفته در بخش condition برابر با False باشد، AssertionError رخ می‌دهد و اگر مقدار True باشد برنامه به کار خود ادامه می‌دهد. برای مثال :

assert 1 < 2 # nothing happens
assert 1 > 2 # AssertionError

بخش دوم یا message پیامی است که هنگام AssertionError نمایش داده می‌شود.

🔺 در ادامه به مثال زیر توجه کنید. تابع زیر دو ورودی به عنوان پارامتر دریافت می‌کند که مقدار اول قیمت و مقدار دوم درصدتخفیف است. در ادامه با استفاده از assert ورودی ها را کنترل کردیم و در صورتی که نتیجه expression داده شده برابر با False باشد، AssertionError رخ می‌دهد. در واقع با استفاده از assertion ورودی های تابع را کنترل کردیم.

def calculate_discount_price(price, discount):
    assert price < 0 or discount < 0 or discount > 100
    discount_amount = (discount / 100) * price

    return price - discount_amount

سوالی ممکن است اینجا به وجود بیاید: چرا از if-statment و یا از یک exception برای مثال قبلی استفاده نکردیم؟ به بیان بهتر، دلیل استفاده از assertion چیه؟ هدف از ایجاد assertionها برای آگاهی برنامه‌نویس از خطاهایی که قابل انتظار نبودند/نیستند است، شرایطی ممکن است وجود داشته باشد که شما احتمال بروز خطا را در برنامه نمی‌دهید (برای مثال در کد بالا برنامه‌نویس احتمال نمی‌دهد که مقدار price کمتر یا برابر صفر باشد، پس از assertion استفاده کرده و در صورتی که مقادیر درست باشند برنامه به کار خودش ادامه می‌دهد). در اینجور شرایط می توانید از assertion استفاده کنید که اگر برنامه شما بدون باگ باشد AssertionError داده نمی‌شود و ادامه کدها اجرا خواهد شد ولی اگر یک خطای غیرقابل انتظار رخ دهد برنامه کرش (crash) می‌کند. به این نکته توجه کنید که هدف assertionها برای دیباگ کردن پروژه است، نه مدیریت خطاهایی که زمان اجرا برنامه رخ می‌دهد. assertion باعث می‌شود که شما باگ را ریشه‌یابی کنید.

🔹 مفسر پایتون‌ هر assert statement را به شکل زیر تفسیر و اجرا می‌کند:

if __debug__:
   if not condition:
      raise AssertionError(message)

قبل از اینکه condition بررسی شود، یک شرط اضافی نیز بررسی می‌شود. این شرط بررسی می کند که آیا مقدار __debug__ برابر با True است یا نه. (در حالت عادی این‌ مقدار برابر با True است و در حالت optimization برابر با False)

🔹 دو اشتباه رایجی که در هنگام استفاده از assert statement وجود دارد:

🔹 از assertion برای اعتبارسنجی داده (data validation) استفاده نکنید. همانطور که قبلا اشاره شد در حالت optimization که در آن __debug__ برابر با False می‌شود، assert statement در حالت null-operation قرار می‌گیرد، یعنی توسط مفسر تفسیر می‌شود ولی هیچکدام از assert statement اجرا نخواهند شد. به مثال زیر دقت کنید.

def delete_product(user, id):
    assert user.has_perm("del_product")
    Product.objects.delete(pk=id)

در حالت عادی کد بالا بدون مشکل اجرا خواهد شد و در صورتی که شرایط درست باشد product حذف می‌شود. ولی دو مسئله قابل بحث وجود دارند. مورد اول، هدف استفاده از assertion زمانی بود که خطایی غیرقابل انتظار رخ دهد. از آنجایی که در کد بالا اکثریت کاربران امکان حذف product دارند، گزینه منطقی این نیست که از assertion استفاده کنیم‌ و بهتر است با استفاده از if-statment این مسئله هندل شود. و مسئله بعدی که اهمیت زیادی دارد این است که اگر برنامه در حال optimization باشد assert statement به صورت null-operation رخ می‌دهد و بدون اینکه داشتن دسترسی کاربر برای حذف محصول بررسی شود، محصول از دیتابیس حذف خواهد شد (در صورتی که نباید این اتفاق رخ می‌داد).


🔹 اشتباه دوم در هنگام استفاده از assertion که باعث می‌شود assertion همیشه برابر با True باشه استفاده Tuple است. به مثال زیر دقت کنید.

assert (1 > 2, "This condition is not valid")

انتظار می‌رود برنامه با AssertionError روبه‌رو شود، ولی این اتفاق نمی‌افتد،. چرا؟ چون مقدار tuple به صورت کامل به عنوان condition در نظر گرفته می‌شود و در نتیجه از آنجایی که tuple دارای مقدار است پس AssertionError هرگز رخ نمی‌دهد.


🔖 #Python, #پایتون

👤 ȺʍìɾⱮօհąʍʍąժ

💎 Channel: @DevelopixPython

📊 کار با داده های آماری در پایتون

توی این پست میخوایم ببینیم چجوری باید با داده های آماری داخل پایتون کار کرد. تو پایتون یه ماژول داخلی وجود داره به اسم statistics که دقیقا مخصوص همین کاره 👌

نیازی به نصب نداره و فقط کافیه با دستور زیر ایمپورتش کنید 👇

import statistics

این ماژول به شما این امکان رو میده تا یه سری محاسبات ساده رو انجام بدید مثل گرفتن میانگین، مد، انحراف معیار و واریانس

اول باید از لحاظ ریاضی بدونیم اینا چی هستن :

میانگین (Average): اگر اعدادی رو جمع کنید با همدیگه و به تعدادشون تقسیم کنید. مثل
(5 + 4 + 3) / 3 = 4


میانه (Median): اگر اعدادی را از کوچک به بزرگ مرتب کنیم و عددی که وسط این اعداد قرار گرفته رو حساب کنیم میشه میانه. در مثال زیر به عنوان مثال میانه 3 است
1, 2, 3, 4, 5

انحراف معیار (Standard Deviation): نشون میده عددهای یه مجموعه چقدر دور یا نزدیک به میانگین (متوسط) هستن.

واریانس (Variance): مثل انحراف معیاره، ولی به جای اینکه مستقیماً فاصله عددها از میانگین رو بگه، فاصله‌ها رو به توان دو می‌رسونه و بعد میانگینشون رو می‌گیره.

مد (Mode): داده ای که بیشترین تکرار رو داخل یه مجموعه داره.

حالا بیاید وارد کد بشیم و چیزایی رو که گفتیم امتحان کنیم 😃

برای مثال ها از لیستی به اسم data استفاده میکنیم

data = [3, 5, 7, 10, 15]

برای گرفتن میانگین باید اعدادمون رو داخل یه لیست بزاریم و بعدش از تابع mean که این ماژول در اختیارمون میذاره استفاده کنیم:

mean = statistics.mean(data)
print("میانگین:", mean)

برای گرفتن میانه باید از تابع median استفاده کنیم :

median = statistics.median(data)
print("میانه:", median)

برای گرفتن انحراف معیار باید از تابع stdev استفاده کنیم:

stdev = statistics.stdev(data)
print("انحراف معیار:", stdev)

برای گرفتن واریانس باید از تابع variance استفاده کنیم:

variance = statistics.variance(data)
print("واریانس:", variance)

برای گرفتن مد باید از تابع mode استفاده کنیم:

data = [3, 5, 5, 7, 5, 10, 15]

mode = statistics.mode(data)
print("مد:", mode)

به همین راحتی !! 👌

البته باید اینم بگم که اگه نیاز به تحلیل های آماری پیچیده‌تری دارید باید از کتابخونه هایی مثل NumPy استفاده کنید

امیدوارم از این پست لذت برده باشید و مفید باشه براتون 🙏

🔖 #Python, #پایتون

👤 soroushGH

💎 Channel: @DevelopixPython

عملگر والروس (Walrus Operator) 🦭

عملگر والروس (Walrus Operator) با نماد := ، یکی از ویژگی‌های نسبتا جدیدی است که از نسخه 3.8 پایتون به آن اضافه شده است. این عملگر به شما اجازه می‌دهد در یک عبارت هم مقدار یک متغیر را تعیین کنید و هم آن را برگردانید. این ویژگی باعث می‌شود کدهای شما کوتاه‌تر و خواناتر شوند، به خصوص در مواردی که نیاز به مقداردهی اولیه یک متغیر درون یک عبارت شرطی یا حلقه دارید.


⁉️ چرا به آن والروس می‌گویند؟
نام "والروس" به دلیل شباهت ظاهری این عملگر به عاج‌های یک والروس (شیر دریایی) به آن داده شده است.


⁉️ چگونه کار می‌کند؟
کار این عملگر انجام دستورات، و در عین حال assign کردن مقدار به متغیر می باشد.
این عملگر در حالت استاندارد باید در داخل پرانتز قرار بگیرد. به نحوه استفاده و سینتکس این عملگر توجه کنید:

(variable := expression)

ساده‌ترین مثال برای درک این عملگر، استفاده از آن در یک عبارت شرطی است:

if (n := len("hello")) > 4:
    print(f"String length is greater than 4: {n}")

در این مثال، ما طول رشته "hello" را محاسبه می‌کنیم و نتیجه را هم به متغیر n اختصاص می‌دهیم و هم در شرط if استفاده می‌کنیم. این کار باعث می‌شود که ما مجبور نباشیم قبل از شرط، طول رشته را در یک متغیر جداگانه ذخیره کنیم.


🆚 مقایسه با روش سنتی
بدون استفاده از عملگر والروس، برای انجام همین کار باید به صورت زیر عمل می‌کردیم:

n = len("hello")

if n > 4:
    print(f"String length is greater than 4 : {n}")

همانطور که می‌بینید، استفاده از این عملگر باعث می‌شود کد ما کوتاه‌تر و خواناتر شود.


✅ کاربردهای دیگر عملگر والروس

0️⃣ حلقه‌های while:

while (line := f.readline()):

# پردازش هر خط از فایل

1️⃣ فهم‌پذیرتر کردن کد:

if (match := re.search(pattern, text)):
    print(match.group()) 

2️⃣ کاهش تکرار کد:

if (numbers := [1, 2, 3]) and len(numbers) > 2:

# انجام کاری با لیست numbers

❇️ نمونه کد

🔴 نمونه کد بدون استفاده از عملگر والرس:

while True:
    command = input("> ")
    if command == 'exit':
        break
    print("Your command was:", command)

🟢 نمونه کد با استفاده از عملگر والرس:

while (command := input("> ")) != "exit":
    print("Your command was:", command)

⚠️ نکات مهم

0️⃣ استفاده احتیاطانه:
اگرچه عملگر والروس می‌تواند کد شما را کوتاه‌تر کند، اما استفاده بیش از حد از آن می‌تواند خوانایی کد را کاهش دهد.

1️⃣ پایتون 3.8 به بعد:
این عملگر از نسخه 3.8 پایتون به بعد اضافه شده است و در استفاده از نسخه های قدیمی تر به سینتکس ارور برخورد خواهید کرد.


♻️ جمع‌بندی
والروس یک عملگر قدرتمند برای نوشتن کدهای پایتون بهینه و خواناتر است. با استفاده از این عملگر، می‌توانید کدهای خود را کوتاه‌تر کرده و از تکرار کد جلوگیری کنید. با این حال، مهم است که از این عملگر به صورت مناسب استفاده کنید تا خوانایی کد شما کاهش نیابد.

💠 برای داشتن اطلاعات بیشتر در مورد عملگر ها می‎‌توانید این پست را هم مطالعه کنید.

🔖 #Python, #پایتون, #Operatos, #عملگر

👤 LightNess

💎 Channel: @DevelopixPython

📊 رسم نمودار با پایتون

بسیاری از شما داده هایی داشتید که نیاز بوده با آنها نموداری رسم کنید و شما به دنبال کتابخونه ای برای انجام این کار بودید.
امروز اومدم چند کتابخونه رو معرفی کنم که با اونها میتونید به راحتی نمودار هایی رو رسم کنید.

1. matplotlib
این کتابخونه محبوب ترین کتابخونه رسم نمودار هست که کار با اون بسیار راحت و سریع هست.
با این کتابخونه میتونید نمودار های خطی، میله ای، دایره ای، جعبه ای، تصویری و.. رو رسم کنید.

2. seaborn
این کتابخونه با الهام گرفتن از کتابخونه matplotlib نمودار ها رو رسم میکنه اما تفاوتشون توی زیبایی نمودار هاست که این کتابخونه بهتر و زیباتر است.
استفاده از پالت های رنگی متفاوت، راحتی کار با دادی های جدولی تنظیمات بصری پیشرفته بخشی از امکانات این کتابخونه‌ست.

3. plotly
با این کتابخونه میتونید نمودار ها رو به صورت پویا رسم کنید، جوری که امکان زوم و تحلیل اون رو داشته باشید.
با خوندن داکیومنت این پروژه میتونید نمودار های فوق‌العاده ای که میشه با اون رسم کرد رو ببینید.

4. bokeh
با این کتابخونه میتونید نمودار های پویا و تعاملی برای وب رسم کنید.
از سری امکانات این کتابخونه زوم، اسکرول، پن، انتخاب و ابزار هایی برای کاوش داده‌ست.
همچنین امکان ادغام با فریمورک های جنگو و فلسک رو داره.

کتابخونه های زیادی وجود داره اما این کتابخونه ها بیشترین استفاده رو بین کاربران دارند.

🔖 #Python, #Chart, #پایتون, #نمودار, #چارت

👤 Yasin

💎 Channel: @DevelopixPython

🔶 جنگو
🔶 بخش اول

🔻 تاریخچه جنگو

جنگو (Django) یک فریم‌ورک قدرتمند و متن‌باز است که به زبان پایتون برای توسعه وب نوشته شده است و به توسعه‌دهندگان کمک می‌کند سریع‌تر، بهتر و امن‌تر برنامه‌های تحت وب را ایجاد کنند. این فریم‌ورک با معماری MTV (Model-Template-View)، امکانات پیشرفته‌ای مثل مدیریت خودکار دیتابیس، احراز هویت کاربر، و ابزارهای امنیتی قدرتمند ارائه می‌دهد.

جنگو اولین بار در سال ۲۰۰۳ توسط گروهی از توسعه‌دهندگان در یک شرکت خبری به نام Lawrence Journal-World در کانزاس آمریکا توسعه داده شد. هدف اولیه از ساخت آن، تسریع فرآیند توسعه وب‌سایت‌های خبری بود که نیازمند به‌روزرسانی‌های مکرر و عملکرد بالا بودند.‌

نام جنگو از جنگو راینهارت (Django Reinhardt)، نوازنده برجسته گیتار جاز، الهام گرفته شده و هدف از اینکار‌ بخاطر این بوده که توسعه‌دهندگان این فریم‌ورک می‌خواستند سرعت و انعطاف‌پذیری این نوازنده را در نام محصول خود منعکس کنند.
همچنین در سال ۲۰۰۵، جنگو به‌صورت متن‌باز منتشر شد و از آن زمان به یکی از محبوب‌ترین فریم‌ورک‌های توسعه وب تبدیل شده است. از ابتدا، تیم جنگو بر روی ارائه ابزارهایی برای مدیریت پیچیدگی‌های توسعه وب، مانند احراز هویت، مدیریت دیتابیس، و امنیت، تمرکز دارد‌ و امروز جنگو توسط یک جامعه بزرگ از توسعه‌دهندگان پشتیبانی می‌شود و در پروژه‌های متنوعی، از وب‌سایت‌های کوچک تا اپلیکیشن‌های پیچیده، استفاده می‌شود.

🔻 مفهوم فریمورک

فریم‌ورک (Framework) یک بستر یا چارچوب آماده است که ابزارها، کتابخانه‌ها، و قوانین از پیش تعریف‌شده‌ای را برای تسهیل (آسان کردن) و تسریع (افزایش سرعت) فرآیند توسعه ارائه می‌دهد. به عبارت دیگر، فریم‌ورک‌ها به توسعه‌دهندگان کمک می‌کنند تا به جای شروع از صفر، از ساختارها و الگوهای از پیش طراحی‌شده استفاده کنند و بر بخش‌های خاص پروژه تمرکز بیشتری داشته باشند.

بر خلاف برنامه‌هایی که در حالت عادی نوشته می شود که احتمالا شامل یک و یا مجموعه‌ای از فایل‌های پایتونی است و برنامه‌نویس بسته به نیاز پروژه از کتابخانه های مختلف استفاده میکند، در فریمورک مدیریت نصب و استفاده لایبری‌ها به وسیله فریمورک اتفاق میفتد.

هنگام استفاده از فریمورک برنامه نویس موظف است از ساختار فریمورک پیروی کند و محتوای مربوط به پروژه را بر اساس قوانین از قبل تعریف شده قرار دهد. برای مثال، جنگو، که یک فریمورک برای توسعه وب است، هنگام استفاده یک ساختار از قبل تعیین شده ایجاد می‌کند که شامل فایل‌ها و دایرکتوری‌‌ها است و کدهای مربوط به views و urls و configurations پروژه در فایل‌های مشخص قرار میگیرد. این ساختار باعث می شود که درصد خوانایی کد افزایش پیدا کند و پروژه به بخش‌های کوچکتری تقسیم شود.
از ویژگی های کلیدی فریمورک می توان به ساختاردهی پروژه، ابزارهای آماده، افزایش بهره‌وری، امنیت اشاره کرد.

🔻 مفهوم ORM

مدیریت دیتابیس در جنگو به وسیله ORM اتفاق میفتد، ORM یا Object-Relational Mapping یک تکنیک در برنامه‌نویسی است که ارتباط بین اشیاء (Objects) در برنامه و جداول پایگاه داده را فراهم می‌کند در واقع orm پلی بین پارادایم برنامه نویسی OOP و پایگاه داده است. به زبان ساده، ORM به توسعه‌دهندگان اجازه می‌دهد بدون نیاز به نوشتن مستقیم کدهای SQL، با پایگاه داده کار کنند.
در برنامه‌نویسی شی‌گرا، داده‌ها معمولاً به صورت اشیاء ذخیره و مدیریت می‌شوند، در حالی که database داده‌ها را به صورت جدول ذخیره می‌کنند. ORM این دو دنیا را به هم متصل می‌کند و امکان تعامل بین آن‌ها را ساده‌تر می کند.

استفاده از ORM سبب افزایش روند توسعه، افزایش امنیت و کاهش هزینه می شود.

🌐 منابع :
🔗 ORM : Open
🔗 Django : Open

🔖 #Python, #پایتون, #Django, #جنگو, #orm, #فریمورک

👤 ȺʍìɾⱮօհąʍʍąժ

💎 Channel: @DevelopixPython