✅ auto_vpn_connect

📱 Python 3.10+
💾 Модули: pyotp, argparse, плюс взаимодействие с внешним VPN-CLI (например, Pritunl, Global Protect) через subprocess. (GitHub репозиторий)

📌 auto_vpn_connect — скрипт-утилита, которая автоматизирует подключение к VPN-клиентам с минимальным участием пользователя. Поддерживаются Pritunl и Palo Alto Global Protect. Можно автоматически ввести PIN, TOTP-код, токен и подключиться к нужному VPN-профилю. Очень полезно, если VPN надо поднимать вручную или через GUI.

👨‍💻 Код и установка:

git clone https://github.com/Dhi13man/auto_vpn_connect.git
cd auto_vpn_connect
pip install pyotp

Файл vpn_data.json должен содержать конфигурацию VPN-профилей:

{
  "config": {
    "PRITUNL": {
      "vpn_type": "PRITUNL",
      "cli_path": "/path/to/pritunl-client"
    },
    "GLOBAL_PROTECT": {
      "vpn_type": "GLOBAL_PROTECT",
      "service_load_command": "...",
      "service_unload_command": "..."
    }
  },
  "vpn_list": [
    {
      "vpn_id": "<vpn_id_1>",
      "vpn_type": "PRITUNL",
      "pin": "<vpn_pin>",
      "totp_url": "<totp_url_if_any>",
      "token": "<vpn_token_if_any>"
    },
    {
      "vpn_id": "GlobalProtect",
      "vpn_type": "GLOBAL_PROTECT"
    }
  ]
}

Запуск:

python auto_vpn_connect/__main__.py

Опции позволяют:

🟠Выбирать VPN-профиль по vpn_id
🟠Автоматически обрабатывать PIN, TOTP и токены
🟠Перезапускать VPN при падении соединения

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ PySnooper

📌 PySnooper — это «декоратор-лупа» для отладки кода. Он автоматически логирует выполнение функций: входные аргументы, строки кода, изменения переменных и возвращаемое значение. Работает без сложных настроек и показывает понятный трейс прямо в консоли или в файл.

📌 Особенности библиотеки:

🟠 Используется как простой декоратор @pysnooper.snoop() — минимальный порог входа.
🟠 Поддержка логирования в файл (@pysnooper.snoop("log.txt")).
🟠 Подсветка изменений переменных: видно старые и новые значения.
🟠 Удобна для обучения, отладки алгоритмов и сложных функций.

⚙️ Установка:

pip install pysnooper

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ PortScannerLite — скрипт на Python, который проверяет открытые порты на заданном хосте.

📱 Python 3.9+
💾 Модули: socket, argparse

📌 PortScannerLite — упрощённый аналог nmap, написанный на чистом Python. Подходит для админов и тестировщиков безопасности: быстро проверить, какие порты доступны у сервера или локальной машины.

👨‍💻 Код:

import socket
import argparse

def scan_ports(host, ports):
    print(f"Сканирование {host}...")
    for port in ports:
        try:
            sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
            sock.settimeout(0.5)
            result = sock.connect_ex((host, port))
            if result == 0:
                print(f"[+] Порт {port} открыт")
            sock.close()
        except Exception as e:
            print(f"Ошибка при проверке порта {port}: {e}")

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Простой сканер портов")
    parser.add_argument("host", help="IP или домен для проверки")
    parser.add_argument("--ports", nargs="+", type=int, default=[21,22,80,443,3306],
                        help="Список портов через пробел (по умолчанию: 21 22 80 443 3306)")
    args = parser.parse_args()

    scan_ports(args.host, args.ports)

📌 Что делает:

🟠 Принимает домен или IP и список портов
🟠 Проверяет соединение через socket.connect_ex
🟠 Выводит список открытых портов
🟠 Легковесная альтернатива nmap для быстрых проверок

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ PyHHMM

📌 PyHHMM — библиотека для реализации heterogeneous hidden Markov models (разнородных скрытых марковских моделей). Подходит, когда в скрытых состояниях модели наблюдаются разные типы данных (не просто вещественные или категорийные), включая смешанные наблюдения и отсутствующие данные.

📌 Особенности библиотеки:

🟠 Поддержка смешанных наблюдений (continuous, multinoulli и др.), что дает гибкость в реальных задачах с разнородными данными.
🟠 Возможность semi-supervised обучения и выбора порядка модели.
🟠 Удобная объектно-ориентированная архитектура: легко задавать разные типы наблюдений, алгоритмы инициализации и критерии выбора порядка.
🟠 Зависимости: numpy, scipy, scikit-learn, seaborn.

⚙️ Установка:

pip install pyhhmm

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ ProcessWatchdog — скрипт на Python для мониторинга и автоматического восстановления процессов/сервисов при утечках памяти, зависаниях или потреблении CPU выше порога.

📱 Python 3.8+
💾 Модули: psutil, subprocess, time, argparse, logging, опционально requests (для Webhook/Telegram) или smtplib (для email). Установить: pip install psutil requests (requests — если нужно уведомление через HTTP).

📌 ProcessWatchdog — лёгкий демон/утилита, которая периодически проверяет выбранный процесс (по имени или PID), и если его потребление памяти или CPU превышает заданные пороги, пытается аккуратно перезапустить процесс (через systemd / сервисный скрипт / команду рестарта). Полезен на серверах, где один долгоживущий процесс может постепенно съесть всё ОЗУ или зависнуть, а автоматический откат предотвращает простои.

📌 Что делает:

🟠 Регулярно сканирует цель (по имени или PID).
🟠 Измеряет потребление памяти (RSS) и загрузку CPU.
🟠 Если пороги превышены — пытается рестартовать сервис самым безопасным способом (systemctl → start_cmd → kill+start).
🟠 Отправляет уведомление на указанный Webhook (например, Telegram/Slack) при рестарте.
🟠 Поддерживает cooldown, чтобы избежать петли рестартов.

#скрипты

🖥 Python_Scripts

🔥 AutoPilot (stream.py) — скрипт-утилита, которая позволяет запускать «хабы» автоматизации через Streamlit-интерфейс. Это удобный лайф-хак — собрать несколько мелких автоматизационных скриптов в одну визуальную панель и запускать их из браузера.

📱 Python 3.8+
💾 Модули: streamlit, pyperclip, requests, yt_dlp, Pillow, opencv-python и др. — зависимости указаны в requirements.txt репо.

📌 AutoPilot / stream.py — простой подход к объединению и запуску автоматических задач: downloader'ы, QR-генераторы, клипборд-менеджеры, resource-мониторы — всё можно запускать через Streamlit-кнопки. Хорошо подходит для тех, кому лень открывать терминал и хотят интерфейс для своих скриптов.

👨‍💻 Пример использования (адаптация):

import streamlit as st
import pyperclip
import requests
from yt_dlp import YoutubeDL

st.title("AutoPilot Hub")

if st.button("YouTube Download"):
    url = st.text_input("YouTube URL")
    if url:
        with YoutubeDL({}) as ydl:
            info = ydl.download([url])
        st.write("Download complete")

if st.button("Copy Snippet"):
    snippet = st.text_area("Snippet text")
    if snippet:
        pyperclip.copy(snippet)
        st.write("Copied to clipboard")

if st.button("Fetch RSS News"):
    feed_url = st.text_input("RSS feed URL")
    if feed_url:
        resp = requests.get(feed_url)
        st.write(resp.text[:500])  # первые 500 символов

Репозиторий: AutoPilot / stream.py

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ geojson_pydantic

📌 geojson_pydantic — библиотека-валидатор, которая помогает работать с GeoJSON-данными и гарантировать, что JSON соответствует спецификации GeoJSON. Она основана на Pydantic и автоматически создаёт модели для точек, линий, полигонов, Feature, FeatureCollection и т.п., проверяя типы и структуру на лету. Особенно полезна, если ты работаешь с геоданными в API, даёшь пользователю JSON или сохраняешь Geo-объекты.

📌 Особенности библиотеки:

🟠 Автоматическая генерация Pydantic-моделей GeoJSON-сущностей: Point, MultiPolygon, Feature, FeatureCollection и др.
🟠 Встроенные проверки: координаты как list[float], допустимый диапазон, обязательные поля, вложенность объектов.
🟠 Полная типизация и автокомплит для IDE — удобно при разработке API или при десериализации внешних источников.
🟠 Можно легко создавать “schema” для FastAPI / Pydantic, сразу принимать геоданные и доверять, что они валидны.
🟠 Независимая и узкоспециализированная — минималистичная, не дублирует функции GIS-библиотек, а просто “сделай модель и проверяй GeoJSON”.

⚙️ Установка:

pip install geojson-pydantic

🔢 Документация

#библиотеки

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ versions

📌 versions — библиотека для разбора, сравнения и работы с версиями в стиле SemVer и PEP-440. Предназначена для удобной работы с версиями пакетов, release-кандидатами, dev-build’ами и метаданными сборок. Отличается строгим API и способностью «понимать» все тонкости реальных версионных строк.

📌 Особенности библиотеки:

🟠 Поддерживает Python 3.8+.
🟠 Функция parse_version() позволяет разобрать строку версии на структуру: релиз, dev-часть, локальные билды, метаданные и даже pre-релизы.
🟠 Версии поддерживают упорядочение (<, >, == и т.д.) в соответствии с SemVer/PEP-440 — можно сравнивать, сортировать и фильтровать версии.
🟠 Удобно использовать когда нужно анализировать историю версий, фильтровать “beta” или “rc”-версии, собирать CI/CD-pipeline по версии пакета, либо автоматически находить последний стабильный релиз.

⚙️ Установка:

pip install versions  

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ python-gsmmodem-2025

📱 Python 3.3+
💾 Модули: pyserial — всё взаимодействие с модемом идёт через последовательный порт. Зависящая утилита: GSMTerm (входит в пакет). 

📌 python-gsmmodem-2025 — форк классического python-gsmmodem, обновлённый под современные Python и с доработками под GSM-модемы типа SIM800. Предоставляет удобный API для отправки SMS, обработки входящих сообщений, USSD-запросов и звонков через GSM-модем. Это инструмент автo-автоматики для IoT-устройств, SMS-уведомлений или удалённого управления через GSM.

🔧 Код-пример использования:

from gsmmodem.modem import GsmModem

PORT = '/dev/ttyUSB0'
BAUDRATE = 115200
PIN = None  # если есть PIN-код SIMкарты

def handle_sms(sms):
    print(f"New SMS from {sms.number}: {sms.text}")

def main():
    modem = GsmModem(PORT, BAUDRATE, incomingCallCallback=None, smsReceivedCallback=handle_sms)
    modem.connect(PIN)
    modem.sendSms('<номер телефона>', 'Привет от python-gsmmodem-2025!')
    print("SMS отправлено, ждём входящие…")
    modem.run()

if __name__ == "__main__":
    main()

⚙️ Установка:

pip install python-gsmmodem-2025

#скрипты

🖥 Python_Scripts

✅ sync-gists — скрипт из репозитория “osteele/scripts”, написанный на Python и Bash, который автоматически синхронизирует локальные файлы-скрипты/заметки с GitHub Gists.

📱 Python 3.8+
💾 Модули: os, subprocess, возможно requests или gh для Gist API, плюс Bash для хука. (детали — на странице проекта)

📌 sync-gists — помогает держать репозитории заметок/скриптов в актуальном виде: когда ты правишь локальные файлы, скрипт автоматически или по команде пушит изменения в соответствующие GitHub Gists. Удобно, если используешь Gist как резервное хранилище быстро-доступного кода или заметок.

🔧 Код и использование (примерная логика):

#!/usr/bin/env bash
# bash wrapper + python

LOCAL_DIR="$HOME/gists"
GIST_API_TOKEN="your_token_here"

for file in "$LOCAL_DIR"/*; do
    # получить соответствующий gist ID из маппинга
    gist_id=$(basename "$file" .py)
    # проверка, есть ли изменения
    git diff --quiet "$file" || \
    curl -X POST -H "Authorization: token $GIST_API_TOKEN" \
         -d "{\"files\": {\"$(basename "$file")\":{\"content\":\"$(sed 's/\"/\\\"/g' "$file")\"}}}" \
         "https://api.github.com/gists/$gist_id"
done

*(Это адаптированный фрагмент, не точный код из репо, но отражает основную идею.)

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ PyPOTS

📌 PyPOTS — библиотека-toolbox для анализа и работы с частично наблюдаемыми временными рядами (partially-observed time series). То есть данные, где не все точки измерений есть, есть пропуски, нерегулярная выборка. Библиотека поддерживает методы заполнения пропусков (imputation), классификации, кластеризации и прогнозирования таких временных рядов.

📌 Особенности библиотеки:

🟠 Обработка нерегулярных временных рядов с отсутствующими наблюдениями (irregular, missing observations).
🟠 Несколько стратегий: как статистические, так и нейросетевые подходы.
🟠 Хорошо документирована, есть примеры использования, интерфейс сделан удобно для исследований и промышленного применения.
🟠 Учитываются производительность и масштабирование.

⚙️ Установка:

pip install pypots

🔢 Документация

#библиотеки

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ data-validation-framework

📌 data-validation-framework — библиотека для создания рабочих процессов (workflows) валидации данных. Основана на Luigi: ты описываешь задачи, правила, и библиотека помогает запускать проверки данных, которые соответствуют этим правилам. Хорошо подходит для ETL-пайплайнов, где надо регулярно проверять, что новые данные удовлетворяют стандартам (например, диапазон, наличие колонок, типы данных и т.п.).

📌 Особенности библиотеки:

🟠 Требует Python >= 3.9.
🟠 Интеграция с Luigi — задачи валидации описываются в коде как Luigi-таски.
🟠 Спецификация + код проверки в одном месте — не нужно отдельно поддерживать документацию с правилами и код с проверками, они связаны.
🟠 Возвращает детализированные результаты валидации по строкам, колонкам — можно использовать в автоматизации и CI-сценариях.

⚙️ Установка:

pip install data-validation-framework

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ ComfyUI-to-Python-Extension

📱 Python 3.8+
ℹ️ Модули: зависит от ComfyUI (framework для визуальной сборки нейросетей и потоков); использует модули Python скриптов внутри ComfyUI, обработку JSON / API, стандартные библиотеки. Требуется, чтобы ComfyUI версии, использующей “workflow API”,

📌 ComfyUI-to-Python-Extension — утилита-скрипт, которая преобразовывает визуальные workflow-конфигурации, созданные через интерфейс ComfyUI, в исполняемый Python код. То есть ты строишь узлы и связи в ComfyUI через UI, а скрипт экспортирует это в .py: удобно для автоматизации генерации, запуска без UI, сохранения версий конфигураций. (GitHub репозиторий скрипта)

👨‍💻 Код и установка (обзор):

🟠 Клонируете репозиторий pydn/ComfyUI-to-Python-Extension с GitHub.
🟠 Устанавливаете зависимости, указанные в requirements.txt.
🟠 Запускаете ComfyUI, загружаешь workflow в UI, затем используете “Save As Script” / “Save (API Format)” → получаете JSON.
🟠 Потом запускаете скрипт вроде comfyui_to_python.py --input_file workflow.json --output_file my_workflow.py.

Подробная информация в репозитории скрипта.

📌 Что делает:

🟠 Преобразует визуальную конфигурацию узлов (Nodes / workflow) в Python код, что позволяет:
запускать workflow программно, без UI,
делать версии сценариев, ставить автоматические тесты / CI,
масштабировать или создавать батчи генерации, где UI был бы неудобен.
🟠 Позволяет адаптировать workflow-конфигурации, изменять параметры узлов, модифицировать и повторно использовать.

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ Effector

📌 Effector — библиотека, опубликованная на PyPI, предназначенная для региональных объяснений (regional feature effects) моделей интерпретируемого ML. Она помогает понять, как разные признаки влияют на прогноз модели не только в глобальном масштабе, но и в конкретных подпространствах (региональных субпространствах), что особенно важно, когда поведение модели неоднородно в зависимости от признаков.

📌 Особенности библиотеки:

🟠 Поддерживает глобальные методы объяснения (feature effect) и автоматически определяет региональные подпространства, где, по статистике, эффект признаков более однороден.
🟠 Интерфейс расширяемый — можно добавлять свои методы объяснения и определять регионы через логические правила.
🟠 Подходит как для табличных данных, так и для сложных ML-задач; позволяет визуализировать эффекты, сравнивать методы и отчётливо видеть, где признаки влияют по-разному.

⚙️ Установка:

pip install effector

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ jc — CLI-утилита и библиотека на Python

📱 Python 3.6+
ℹ️ Модули: внутри использует стандартные модули + пакеты парсеров; работает как командная строка, но также можно подключать как библиотеку из Python-кода.

📌 jc — инструмент, который принимает вывод популярных команд в терминале (например, dig, netstat, ls, ps и др.), преобразует его в структурированный формат (JSON, YAML или Python-словарь). Это полезно, когда скрипты хотят обработать такие данные дальше программно — делать фильтрацию, агрегацию и т.п.

👨‍💻 Код и установка:

# Установка
pip install jc

# Пример команд:
dig example.com | jc --dig
ls -la | jc --ls
# и т.д.

# Использование как библиотеки в Python:
from jc import parse
# parse.<имя парсера>(строка_вывода)

📌 Что делает:

Слушает вывод команд в консоли
Использует соответствующий парсер (например, --dig, --ls и др.)
Преобразует строковый вывод в JSON / YAML / Python-структуры
Упрощает автоматизацию и обработку командного вывода программно

Подробная информация в репозитории скрипта.

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ miniutils

📌 miniutils — компактная коллекция утилитарных функций и декораторов, которые облегчают повседневную разработку на Python. Отличается минимализмом и набором “простейших, но раздражающих” задач, которые обычно дублируешь в каждом проекте (например, кеш-свойства, “ленивая” вычисления, прогресс-бары, кольцевая зависимость, и др.).

📌 Особенности библиотеки:

🟠 Поддержка Python 3.8+.
🟠 Небольшой размер и лёгкость — нет тяжёлых зависимостей, всё утило-код.
🟠 Есть декоратор CachedProperty для свойств, вычисляемых один раз, прогресс-бары для итераций и параллельных задач, более интуитивные контракты.
🟠 Улучшает читабельность кода: меньше boilerplate-кода, меньше “скелета” вокруг мемоизации, прогресс-индикации и т.д.

⚙️ Установка:

pip install miniutils

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ Ai-Gist — скрипт / приложение для управления GitHub Gists через API, с помощью Python + FastAPI.

📱 Python 3.9+
💾 Модули: FastAPI, aiohttp или requests (для GitHub API), SQLite для локального хранилища, возможно uvicorn как ASGI-сервер.

📌 Ai-Gist — веб-приложение/утилита, которая позволяет создавать, обновлять и просматривать Gist'ы на GitHub, используя простой API и локальную базу данных SQLite. Есть возможность связать с LLM-моделями: давать команды вроде “сгенерируй Gist по этому тексту” или “обнови Gist, добавив этот код”. Удобно, если часто работаешь с Gist и хочешь автоматизацию управления сниппетами.

👨‍💻 Код и установка (пример/как начать):

git clone https://github.com/ruvnet/ai-gist
cd ai-gist
pip install aigist

# Пример использования внутри приложения
from aigist import GistManager

gm = GistManager(token="твой_GITHUB_TOKEN")
# Создать новый Gist
gm.create_gist(title="MySnippet", content="print('Hello World')", public=False)
# Обновить существующий
gm.update_gist(gist_id="ID_GIST", content="print('Изменённый код')")

Запуск сервера (FastAPI/uvicorn):

aigist
# или
uvicorn aigist.main:app --reload

📌 Что делает:

🟠 Управляет Gist'ами: создание, обновление, список
🟠 Сохраняет сведения локально в SQLite, чтобы помнить какие Gist'ы ты создавал/обновлял, может кэшировать или отображать историю изменений
🟠 Поддержка AI-интеграций: если у проекта есть API для LLM, можно давать естественные команды и они переводятся в операции над Gist'ами (создать, изменить)

📱 GitHub репозиторий скрипта.

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ HyperNetX

📌 HyperNetX (HNX) — библиотека для моделирования и анализа гиперграфов (graphs, где ребра могут соединять более двух вершин), с поддержкой визуализации и метаданных. Подходит, если работаешь с сетями сложных связей: суперсетями, множественными связями, структурами данных, где “обычный граф” — слишком упрощённо.

📌 Особенности библиотеки:

🟠 Поддержка гиперграфов с метаданными на узлах, гиперрёбрах и даже на “инцидентных парах” (node-hyperedge pairings).
🟠 Есть визуализация через Matplotlib + виджеты для Jupyter, что удобно исследовать структуру гиперграфа визуально.
🟠 Подходит для исследовательских задач, где связи сложные: например, биоинформатика, сети взаимодействий, связи в сложных социальных сетях, где проще выразить групповые связи, чем простые пары.

⚙️ Установка:

pip install hypernetx

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ IncrementalBackup (rsync wrapper) — скрипт на Python для создания инкрементальных резервных копий с контролем числа сохранённых бэков.

📱 Python 3.6+
ℹ️ Модули: использует стандартные модули (os, subprocess, argparse, time) + утилиту rsync как внешнюю зависимость. Требуется, чтобы rsync был установлен на системе.

📌 IncrementalBackup — обёртка поверх rsync, упрощающая создание безопасных резервных копий. Позволяет указать несколько исходных директорий, исключения, лимит на количество копий (--keep). Если хранилище заполнится — старые копии удаляются или перераспределяются, чтобы освободить место. Полезно на серверах, домашнем NAS, или просто для автоматической безопасной архивации проектов.

👨‍💻 Код и использование:

# Пример запуска
python3 IncrementalBackup.py --src /data --dst /backup --keep 5 --exclude /data/temp

Пример внутренней логики:

import subprocess
import os
import time
from argparse import ArgumentParser

def run_backup(src_dirs, dst, keep, exclude=[]):
    # Проверки директорий
    for src in src_dirs:
        if not os.path.exists(src):
            raise ValueError(f"Source {src} не найден")
    if not os.path.exists(dst):
        os.makedirs(dst)
    # Формируем команду rsync с параметром --link-dest для инкрементальных бэков
    cmd = [
        "rsync", "-a", "--delete"
    ]
    # добавляем исключения
    for ex in exclude:
        cmd += ["--exclude", ex]
    # указываем link-dest как предыдущую резервную копию
    # создаём папку с датой или идентификатором
    backup_name = time.strftime("%Y%m%d-%H%M%S")
    dst_path = os.path.join(dst, backup_name)
    prev_backup = os.path.join(dst, sorted(os.listdir(dst))[-1]) if keep and os.listdir(dst) else None
    if prev_backup:
        cmd += ["--link-dest="+prev_backup]
    cmd += src_dirs + [dst_path]
    subprocess.run(cmd)
    # Удаление старых бэков, если их больше чем keep
    backups = sorted(os.listdir(dst))
    if len(backups) > keep:
        for old in backups[:-keep]:
            old_path = os.path.join(dst, old)
            # удаляем старую папку
            subprocess.run(["rm", "-rf", old_path])

if __name__ == "__main__":
    parser = ArgumentParser()
    parser.add_argument("--src", nargs="+", required=True, help="Пути исходных директорий")
    parser.add_argument("--dst", required=True, help="Директория назначения")
    parser.add_argument("--keep", type=int, default=3, help="Сколько копий хранить")
    parser.add_argument("--exclude", nargs="*", default=[], help="Что исключать")
    args = parser.parse_args()
    run_backup(args.src, args.dst, args.keep, args.exclude)

📌 Что делает:

Проверяет, существуют ли исходные и целевые директории.
Поддерживает несколько исходных путей и исключения.
Создаёт новую резервную копию с таймстампом.
Использует rsync --link-dest для инкрементальности: файлы, которые не изменились, не дублируются (сохраняются через hard link).
Удаляет старые копии, когда их становится больше, чем заданно в --keep.
Ссылка на репозиторий: Andreas-Menzel/IncrementalBackup на GitHub.

📱 Ссылка на репозиторий: GitHub.

#скрипты

🖥 Python_Scripts

🔥 Полезная библиотека Python

✅ ne2001

📌 ne2001 — Python-реализация модели NE2001 Кордеса-Лацио (Cordes-Lazio) для оценки электронной плотности в межзвёздной среде Млечного Пути. Используется в астрофизике: при работе с пульсарами, радиосигналами, для оценки задержки (dispersion), рассеяния (scattering) и других эффектов при прохождении радиоволн сквозь межзвёздную плазму. (PyPI — ne2001)

📌 Особенности библиотеки:

🟠 Полностью в Python, BSD-лицензия, без сложной компиляции.
🟠 Модель близка к оригинальному Fortran-коду, но адаптирована под современные вычисления, с деталями, которыми Fortran-версия может не обладать.
🟠 Позволяет вычислять “dispersion measure” и “scattering measure” вдоль заданных направлений по координатам галактической системы.
🟠 Есть командная строка + возможность использовать как библиотеку внутри кода.

⚙️ Установка:

pip install ne2001

🔢 Документация

#библиотеки

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ NApy

📌 NApy — это высокопроизводительная библиотека для статистического анализа больших и разнотипных данных с пропущенными значениями. Она использует ускорение на основе Numba и C++ с OpenMP, позволяя выполнять статистические расчеты масштабно и быстро — особенно полезно для интерактивного анализа в условиях ограниченных ресурсов.

📌 Особенности библиотеки:

🟢Оптимизированные статистические тесты с параллелизацией на уровне C++/OpenMP для больших наборов данных
🟢Автоматическая обработка гетерогенных столбцов и пропущенных значений
🟢Работа в интерактивных приложениях и потоках — моментальные результаты без задержек
🟢Превосходит по скорости и потреблению памяти аналоги на чистом Python

⚙️ Установка:

pip install napy

🔢 Документация

#библиотеки

🖥 Python_Scripts