🟠 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.

pip install effector

# 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)

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

🟠 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.

pip install miniutils

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')")

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

🟠 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)

🟠 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.

pip install hypernetx

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

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)

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.

🟠 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.

pip install ne2001

🟢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

pip install napy

🟢 Работает с Python 3.8-3.12.1 и выше.
🟢 Не требует, чтобы ты переписывал модель — достаточно передать данные: признаки, прогнозы модели и, по необходимости, распределения вероятностей или отклонения, и библиотека оценит неопределённость.
🟢 Поддержка нескольких метрик оценки неопределенности, визуализации (графики, диаграммы) для сравнения между методами.
🟢 Lightweight — нет тяжёлых зависимостей на тренировку моделей, только на ввод-вывод и визуализацию/аналитику.

pip install unique-uncertainty

import requests
import argparse

def get_ip_info(ip):
    url = f"https://ipinfo.io/{ip}/json"
    response = requests.get(url)
    if response.status_code == 200:
        data = response.json()
        for k, v in data.items():
            print(f"{k}: {v}")
    else:
        print("Ошибка запроса")

if name == "__main__":
    parser = argparse.ArgumentParser(description="IPinfo Lookup Script")
    parser.add_argument("ip", help="IP или домен для проверки")
    args = parser.parse_args()
    get_ip_info(args.ip)

🟠 Отправляет запрос к ipinfo.io
🟠 Получает базовые данные о местоположении, ASN и провайдере
🟠 Красиво выводит результат в консоль

🟢 Поддержка Python >= 3.6, <4.0.
🟢 Можно создавать объекты datedelta с параметрами years, months, days, вычитание — тоже работает.
🟢 Учитывает “неоднозначные” случаи, например, 29 февраля и месяцы с разным числом дней.
🟢 Небольшой вес, минимальные зависимости — библиотека просто надстройка над стандартным datetime.

pip install datedelta

# Установка
pip install github-utility

# CLI примеры:
export GITHUB_ACCESS_TOKEN="токен"

# Получить информацию о пользователе
github-utility get-user --username someuser

# Создать issue в репозитории
github-utility create-issue --owner ownername --repo reponame --title "Test issue" --body "Описание issue"

import requests
import argparse
import os

def get_user(token, username):
    headers = {"Authorization": f"token {token}"}
    resp = requests.get(f"https://api.github.com/users/{username}", headers=headers)
    return resp.json()

def create_issue(token, owner, repo, title, body):
    headers = {"Authorization": f"token {token}"}
    data = {"title": title, "body": body}
    resp = requests.post(f"https://api.github.com/repos/{owner}/{repo}/issues", headers=headers, json=data)
    return resp.json()

🟢 Поддержка основных задач аудио-преобработки: загрузка аудио файлов, трансформации, возможно нормализация, извлечение фич (спектральные, мел-фильтры и др.) — всё, чтобы быстро подготовить данные под ML.
🟢 Минимум настроек — “работает из коробки” для простых сценариев.
🟢 Хорошо документирована, подходит как для экспериментов, так и для производственного использования, если не требуются экстремальные скорости или супер-оптимизации.

pip install sappl

import subprocess
import time
import platform

def is_connected(host="8.8.8.8", count=1, timeout=1):
    param = "-n" if platform.system().lower() == "windows" else "-c"
    cmd = ["ping", param, str(count), "-W", str(timeout), host]
    result = subprocess.run(cmd, stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
    return result.returncode == 0

def reconnect_wifi(interface_name=None):
    system = platform.system().lower()
    try:
        if system == "linux":
            # пример для NetworkManager
            subprocess.run(["nmcli", "networking", "off"], check=True)
            time.sleep(1)
            subprocess.run(["nmcli", "networking", "on"], check=True)
        elif system == "windows":
            # отключить / включить адаптер
            subprocess.run(["netsh", "interface", "set", "interface", interface_name, "disable"], check=True)
            time.sleep(1)
            subprocess.run(["netsh", "interface", "set", "interface", interface_name, "enable"], check=True)
        else:
            print("OS не поддерживается для авто-переподключения")
    except Exception as e:
        print("Ошибка при переподключении:", e)

def watch_loop(interval=10, interface=None):
    while True:
        if is_connected():
            print("Связь OK")
        else:
            print("Связь пропала — переподключаем...")
            reconnect_wifi(interface)
        time.sleep(interval)

if __name__ == "__main__":
    # Можно передать название интерфейса через аргументы
    watch_loop(interval=15, interface="Wi-Fi")

🟠 Периодически пингует внешний хост (по умолчанию 8.8.8.8)
🟠 Если пинг не проходит — считает, что связь потеряна
🟠 Пытается переподключить сеть, в зависимости от ОС
🟠 Логирует состояние в консоль

🟢 Не требует оригинального изображения (standalone watermarking) — можно встраивать метку даже если нет “эталона”.
🟢 Работает как библиотека и как командная строка (CLI-инструмент) — удобно использовать в пайплайнах или скриптах для обработки изображений.
🟢 Поддерживает разные алгоритмы внедрения водяных знаков, устойчивые к некоторым трансформациям (сжатие, изменение оттенков).
🟢 Лёгкая зависимостями — типичный стек: PIL/Pillow или аналогичные библиотеки обработки изображений.

pip install invisible-watermark

🟢 Background Remover — удаляет фон с изображений автоматически.
🟢 QR Code Creator — генерирует QR-коды из URL или текста.
🟢 YouTube Downloader — скачивает видео или аудио из YouTube.
🟢 Resource Monitor — следит за использованием CPU, памяти и логгирует превышения.
🟢 Clipboard Tracker — логирование текста, скопированного в буфер обмена.

import psutil
import time

def monitor(interval=5):
    while True:
        cpu = psutil.cpu_percent(interval=1)
        mem = psutil.virtual_memory().percent
        print(f"CPU: {cpu}%, MEM: {mem}%")
        time.sleep(interval)

if __name__ == "__main__":
    monitor()

🟢 Объединяет множество автономных скриптов в одну коллекцию
🟢 Каждый скрипт выполняет отдельную задачу — от обработки изображений до мониторинга или анализа
🟢 Можно клонировать проект и запускать нужные модули без лишней обвязки
🟢 Отлично подходит для тех, кто любит “toolbox” для повседневных задач

🟢 Поддерживает разные схемы шифрования: num, hex, b32, b64 и tame (особый base32-вариант без гласных).
🟢 При генерации URL через flask.url_for, автоматически превращает числовые ID в “замаскированную” форму, а при маршрутизации — обратно декодирует.
🟢 Интеграция с Jinja2: фильтры доступны в шаблонах — можно прямо выводить “обфусцированные” ID.
🟢 Использует 32-битное “соль” (salt), которую можно задать вручную или через конфигурацию Flask (OBSCURE_SALT) для уникального преобразования.

pip install Flask-Obscure

# Python 3.8+
import time
import psutil
import subprocess
import logging

logging.basicConfig(level=logging.INFO, format='%(asctime)s %(levelname)s %(message)s')

WATCHLIST = [
    {"name": "my_app.py", "cmd": ["python3", "/opt/myapp/my_app.py"], "max_mem_mb": 500.0}
]

def find_by_name(name):
    procs = []
    for p in psutil.process_iter(['pid','name','cmdline']):
        try:
            if p.info['name'] == name or (p.info['cmdline'] and name in ' '.join(p.info['cmdline'])):
                procs.append(p)
        except (psutil.NoSuchProcess, psutil.AccessDenied):
            continue
    return procs

def restart(cmd):
    logging.info("Запускаю: %s", cmd)
    subprocess.Popen(cmd)

def monitor_loop(interval=10):
    while True:
        for item in WATCHLIST:
            procs = find_by_name(item['name'])
            if not procs:
                logging.warning("Процесс %s не найден — стартую", item['name'])
                restart(item['cmd'])
            else:
                for p in procs:
                    try:
                        mem_mb = p.memory_info().rss / 1024**2
                        if item.get('max_mem_mb') and mem_mb > item['max_mem_mb']:
                            logging.warning("Память %s MB > %s — перезапуск %s", mem_mb, item['max_mem_mb'], item['name'])
                            p.terminate()
                            restart(item['cmd'])
                    except (psutil.NoSuchProcess, psutil.AccessDenied):
                        continue
        time.sleep(interval)

if __name__ == "__main__":
    monitor_loop()

🟢 Мониторит процессы и перезапускает упавшие.
🟢 Основано на psutil — информация о процессах, CPU и памяти.
🟢 В репозитории есть готовые bin/скрипты и пример конфигурации; можно быстро поставить в cron/systemd.
🟢 Лёгкий MIT-проект — можно взять и адаптировать под свои нужды (лимиты, политики рестарта, логирование).

🟢 Стандартная библиотека только — нет внешних зависимостей, всё “чистый Python”.
🟢 Поддержка аннотаций типов, чистый интерфейс, утилиты без побочных эффектов.
🟢 Возможность использовать стандартные структуры данных, но с полезными дополнениями (например, расширенные методы работы с контейнерами).
🟢 Хорошая документация и примеры использования.

pip install pure-utils

from PIL import Image, ImageDraw, ImageFont
import csv
import os

def generate_cert(template_path, data_csv, output_folder, font_path, font_size, text_position):
    img = Image.open(template_path)
    draw = ImageDraw.Draw(img)
    font = ImageFont.truetype(font_path, font_size)

    with open(data_csv, newline='', encoding='utf-8') as csvfile:
        reader = csv.DictReader(csvfile)
        for row in reader:
            name = row['name']
            cert = img.copy()
            d = ImageDraw.Draw(cert)
            d.text(text_position, name, font=font, fill=(0, 0, 0))
            out_path = os.path.join(output_folder, f"cert_{name}.png")
            cert.save(out_path)
            print(f"Saved certificate for {name} → {out_path}")

if __name__ == "__main__":
    generate_cert(
        template_path="templates/cert_template.png",
        data_csv="data/people.csv",
        output_folder="out",
        font_path="fonts/Times.ttf",
        font_size=64,
        text_position=(300, 400)
    )

🟢 Читает CSV / Excel с именами (и другими данными)
🟢 Открывает шаблон сертификата как изображение
🟢 Накладывает текст (имя / данные) в указанную позицию
🟢 Сохраняет индивидуальные сертификаты для каждого в отдельный файл
🟢 Можно масштабировать: для 1000 человек — запуск скрипта, отдых