Python cheatsheet

📚 Guide



#پایتون #cheat_sheet
📱 @Python4all_pro

New to Pandas?

Here's a cheat sheet you can use



#پایتون #cheat_sheet #pandas

📱 @Python4all_pro

Quick Python cheatsheet



#پایتون #cheat_sheet #library

📱 @Python4all_pro

Chat with your data and generate SQL, charts, and reports using natural language

🔗https://github.com/Canner/WrenAI

#پایتون #علم_داده
📱 @Python4all_pro

🔟 single-line functions useful for advanced Python developers:

1. We unfold the invested lists of any depth

flatten = lambda lst: [x for sub in lst for x in (flatten(sub) if isinstance(sub, list) else [sub])]

2. Decorator for memoization of the results of the function

memoize = lambda f: (lambda *args, _cache={}, **kwargs: _cache.setdefault((args, tuple(kwargs.items())), f(*args, **kwargs)))

3. Missing the list into pieces of length n

chunked = lambda lst, n: [lst[i:i+n] for i in range(0, len(lst), n)]

4. Uniqueization of the sequence with the preservation of order

uniq = lambda seq: list(dict.fromkeys(seq))

5. Deep access to the invested dictionary keys

deep_get = lambda d, *keys: __import__('functools').reduce(lambda a, k: a.get(k) if isinstance(a, dict) else None, keys, d)

6. Transformation of the Python object to the readable json

pretty_json = lambda obj: __import__('json').dumps(obj, ensure_ascii=False, indent=2)

7. Reading the latest n lakes of the file (analogue Tail)

tail = lambda f, n=10: list(__import__('collections').deque(open(f), maxlen=n))

8. Performing shell team and return of the withdrawal

sh = lambda cmd: __import__('subprocess').run(cmd, shell=True, check=True, capture_output=True).stdout.decode().strip()

9. Quick route association

path_join = lambda *p: __import__('os').path.join(*p)

10. Grouping of the list of dictionaries by key value

group_by = lambda seq, key: {k: [d for d in seq if d.get(key) == k] for k in set(d.get(key) for d in seq)}

📱 @Python4all_pro

📖very good book for machine Learning

➡️" Machine Learning with python tutorial "

- 450 pages
- ML algorithms coded in python
- brief explanation of the concepts.

https://python-course.eu/books/bernd_klein_python_and_machine_learning_a4.pdf

#پایتون #یادگیری_ماشین

📱 @Python4all_pro

✨8+ Advanced and detailed Pytorch Projects.

✔️ the good and advanced projects , using #PyTorch

Computer Vision + sentiment Analysis + Recommender system and many more

⬇️
https://youtube.com/playlist?list=PLlff-0SljnifT40_TAlibwmyzh1xVhKTR&si=P3wIYBXK9TbGlA5O



#پایتون #Python

📱 @Python4all_pro

❌نحوه نوشتن بدترین کد پایتون

❌بدترین کدهای پایتون چه ویژگی هایی دارند ؟

⬅️ به این موارد دقت کنید اگر اینجوری کدنویسی می کنید سعی کنید روشتون رو اصلاح کنید و کدهای زیبا و سریع تری بنویسید

1. Use incomprehensible names of variables
Call variables X, Y, A, Thing. Abstraction is the key to confusion

def f(x, y, z=None):
    a = x * 2
    b = y + a if z else y - a
    c = [i for i in range(a) if i % 2]
    return sum(c) + b

2. Sake maximum logic in one line
Complex thornar expressions and nested List CompreHance - all in one line.

result = [x if x > 0 else (y if y < 0 else z) for x in data if x or y and not z]

3. Use Eval () and Exec ()
It is slow, unsafe and stupid - but spectacular.

eval("d['" + key + "']")

4. Reprint variables with different types
Let one variable be a line, and a number, and a list - a dynamic typification

value = "42"
value = int(value)
value = [value] * value

5. Use global variables
Change the condition of the application from anywhere. Especially from the inside of the functions.

counter = 0

def increment():
    global counter
    counter += 1

6. Use magic numbers and lines
Without explanation. Let colleagues guess why exactly 42 or "XYZ"

if user.role == "xyz" and user.level > 42:
    access_granted()

7. Ignore style and indentation
No PEP8, no rules. Write as you want

def foo():print("start")
 if True:
  print("yes")
   else:
    print("no")

8. Copy the code from Stack Overflow without delving
Ctrl+C is also a development

def complex_logic(x):
    return (lambda y: (lambda z: z**2)(y + 1))(x)

9. Invent abstraction unnecessary
Instead of a simple function - classes, factories and strategies

class HandlerFactory:
    def get_handler(self):
        class Handler:
            def handle(self, x): return x
        return Handler()

10. Add dead code
Never remove - suddenly comes in handy. And let it be loaded into every launch

def legacy_feature():
    print("This feature is deprecated")
    return
# нигде не вызывается

11. Do not write the documentation
Comments only interfere. Whoever wants to figure it out

def a(x): return x+1

#پایتون #Python

📱 @Python4all_pro

▶️Gremllm - Now your bugs have consciousness 

Gremllm is an unusual Python class in which all methods and properties are created dynamically using LLM. You describe, *what kind of object do you want *, and then Gremllm decides what should happen when the methods are called or the fields are addressed.

🎁 Installation

pip install gremllm

🔧 Example:

from gremllm import Gremllm

counter = Gremllm('counter')
counter.value = 5
counter.increment()
print(counter.value)               # → 6?
print(counter.to_roman_numerals())  # → VI?

🔸
✔️ Opportunities:
- dynamic behavior: everything is determined "on the fly" using LLM
- Support Openai, Claude, Gemini, and local models
- Wet Mode: You can build challenges of calls (methods return objects)
- Verbose Mode: Bodes which code was generated
- smart processing of errors and setting through inheritance

🖥 Github: https://github.com/ur-whitelab/gremllm

🔸

#پایتون #Python

📱 @Python4all_pro

➡️PyTorch in One

سباستین راشکا، محقق برجسته هوش مصنوعی با بیش از یک دهه تجربه در این لینک مفاهیم اصلی PyTorch را در فقط یک ساعت آموزش می دهد
این محتوا بر اساس کتاب او با عنوان
Build a Large Language Model (From Scratch)

است که به دلیل رویکرد عملی و کدمحور در توسعه مدل‌های زبانی بزرگ مورد تحسین قرار گرفته

💎 Link: http://sebastianraschka.com/teaching/pytorch-1h/



#پایتون #Python

📱 @Python4all_pro

🔖مقدمات ورود به حوزه علم داده و یادگیری ماشین را با این 7 دوره رایگان از Kaggle یاد بگیرید ( به همراه مدرک )

➕Python
https://www.kaggle.com/learn/python

➕Pandas
https://www.kaggle.com/learn/pandas

➕Data visualization
https://www.kaggle.com/learn/data-visualization

➕Intro to sql
https://www.kaggle.com/learn/intro-to-sql

➕Advanced Sql
https://www.kaggle.com/learn/advanced-sql

➕Intro to ML
https://www.kaggle.com/learn/intro-to-machine-learning

➕Advanced ML
https://www.kaggle.com/learn/intermediate-machine-learning


#پایتون #Python #علم_داده #یادگیری_ماشین

📱 @Python4all_pro

📍نقشه راه یادگیری ماشین + منابع

✔️منابع رو با مراجعه به یوتیوب مشاهده کنید


#پایتون #Python #یادگیری_ماشین

📱 @Python4all_pro

🆕 دوره سی‌ونهم با سقف ۱۰ میلیون تومان تخفیف رسید‼️

🔥 علم داده و هوش مصنوعی رو از بهترین‌ها یاد بگیر✅

از مقدمات تا تسلط کامل | پروژه‌محور | عملی | همراه با منتورینگ

⭐️ فرصتی برای حرفه‌ای شدن در دنیای دیتا و الگوریتم‌ها ⭐️

📊 با بهترین کیفیت آموزشی با اتکا به تجربه برگزاری ۳۸ دوره موفق و رضایت بالای ۹۰ درصد✅

📌 ویژه کسانی که میخوان در بازار کار داخلی و بین‌المللی بدرخشن💎

اعتبار دانشگاه تهران ➕ مهارت واقعی 🟰 شغل آینده‌ ات

👨‍🏫 آموزش ۲۱ سرفصل تخصصی و بیش از ۱۲ نرم‌افزار و ابزار پرکاربرد
📹 ارائه کامل فیلم ضبط‌شده تمامی جلسات و محتوای آموزشی دوره
💲 امکان پرداخت شهریه به‌صورت اقساطی (متناسب با بودجه شرکت‌کنندگان)
🎓 اعطای گواهینامه رسمی و معتبر دو زبانه از دانشگاه

⏱ جا نمونی که خیلیا منتظر شروعشن🎖️

https://tehrandata.org/courses/datascience/

📞 تماس با ما:
09377516759
09357516755

❌ این تخفیف فقط برای ده نفر اول فعال می‌باشد❌

📨 Telegram | 📨 whatsapp | 📱 linkedin | 📷 Instagram | 🌐 website | 💬 admin 1 | 💬 admin 2