Как же ты не прав 😅

👉 @PythonPortal

GitHub-репозитории, чтобы прокачать Python

- Веб-разработка с Django — https://github.com/django/django
- Инструментарий для Data Science — https://github.com/rasbt/python-machine-learning-book
- Алгоритмические задачи — https://github.com/TheAlgorithms/Python
- Рецепты машинного обучения — https://github.com/ageron/handson-ml2
- Лучшие практики тестирования — https://github.com/pytest-dev/pytest
- Скрипты для автоматизации — https://github.com/soimort/you-get
- Продвинутые концепции Python — https://github.com/faif/python-patterns

Кидайте в закладки и делитесь с коллегами 🌟

👉 @PythonPortal

Появился удобный инструмент для разработчиков, которым не хватало кнопки Copy as markdown

Теперь достаточно добавить into.md/ перед любым URL, чтобы получить чистый и читаемый markdown-вариант страницы или документации, идеально подходящий для работы с LLM.

http://into.md - попробуйте. Это бесплатно 🕺

👉 @PythonPortal

Нельзя просто так взять и уйти от Python

👉 @PythonPortal

Pdf-extract-API

Python-проект, который уже давно используют для извлечения текста из PDF и изображений в удобных форматах Markdown и JSON.

Отличается высокой точностью и умеет работать даже с таблицами и формулами.

В основе FastAPI, асинхронные задачи на Celery и кэширование результатов OCR через Redis. Поддерживаются разные движки распознавания - Marker, Surya-OCR и Tesseract. Есть встроенная функция удаления персональных данных.

Инструмент всё ещё актуален для автоматизации обработки документов, подготовки датасетов и интеграции в RAG-системы. 🪑

Доки: ссылка

👉 @PythonPortal

Внимание: сделай код более профессиональным 😠

Используй тот факт, что в Python пустая строка, список, словарь и другие подобные объекты приводятся к False

Так лучше:

if not string:
    ...

if data:
    ...

Так не очень:

if len(string) == 0:
    ...

if data != {}:
    ...

👉 @PythonPortal

Объектно ориентированное программирование считается одним из самых популярных способов писать код на Python. 🥺

Для тех кто хочет разобраться в основах Tiago Capelo Monteiro подготовил практическое руководство.

В материале он показывает на примерах что такое объекты и классы как работает параметр self и метод init и сопровождает объяснения большим количеством кода

👉 @PythonPortal

Все мы немного Серёга

👉 @PythonPortal

Apple выкатил FastVLM и сразу сделал его опенсорс

Это сверхбыстрая vision-language модель, которая умеет одновременно понимать картинки и текст, при этом оптимизирована для работы прямо на устройстве. Полностью открытый код, бери и используй.

Отличная новость для разработчиков, которые хотят встраивать VLM в свои проекты без облаков и лишних затрат. 💯

Демо: https://huggingface.co/spaces/apple/fastvlm-webgpu

Github: https://github.com/apple/ml-fastvlm

👉 @PythonPortal

Можно выдыхать

👉 @PythonPortal

9 лучших практик Docker, которые стоит знать каждому разработчику

Docker давно стал стандартом для упаковки и запуска приложений. Но чтобы контейнеры были безопасными, быстрыми и удобными в поддержке, важно соблюдать проверенные практики.

Сохраняй этот список ключевых советов 🤝

👉 @PythonPortal

Хочешь быстро выучить Python? Освой те 20 процентов тем, которые реально покрывают 80 процентов задач в реальной разработке.

Вот базовый список, без которого никуда:

- переменные, операции и базовые типы данных: строки и числа
- условные конструкции if/else
- основные методы для строк
- циклы for и while
- структуры данных: списки, словари, множества, кортежи
- функции и лямбды
- модули: установка и импорт
- базовая обработка ошибок try/except
- работа с файлами и форматами JSON, CSV
- основы ООП: классы, методы, наследование

Не трать время на метаклассы, декораторы и другие продвинутые фишки, пока не закрепишь базу. Сосредоточься на этих фундаментальных вещах, и сможешь писать реальные приложения. 🎩

👉 @PythonPortal

Ну почти

👉 @PythonPortal

Шпаргалка по NumPy для тех кто в DataScience и ML

Создание и ресейп массивов, статистика, индексация и работа с файлами NumPy остаётся основой численных вычислений в Python

1. Создание массивов и атрибуты

- np.array() — создать массив из списка/кортежа
- np.zeros() — массив из нулей
- np.ones() — массив из единиц
- np.arange() — последовательность с шагом
- np.shape() — размерность массива
- np.dtype() — тип данных массива

2. Манипуляции с массивами и ресейпинг

- np.reshape() — изменить размерность
- np.concatenate() — объединить массивы по оси
- np.vstack() — объединить по вертикали
- np.hstack() — объединить по горизонтали
- np.split() — разделить по индексам
- np.transpose() — транспонировать
- np.resize() — изменить размер

3. Статистический анализ

- np.sum() — сумма элементов
- np.mean() — среднее
- np.median() — медиана
- np.std() — стандартное отклонение
- np.var() — дисперсия
- np.cov() — ковариационная матрица
- np.corrcoef() — коэффициенты корреляции
- np.min() — минимум
- np.max() — максимум
- np.random.rand() — случайные числа 0–1
- np.random.randn() — нормальное распределение
- np.histogram() — гистограмма

4. Индексация и фильтрация

- np.extract() — выбрать по условию
- np.where() — вернуть элементы по условию
- np.isnan() — проверка NaN
- np.sort() — сортировка
- np.unique() — уникальные значения

5. Работа с файлами

- np.save() — сохранить в .npy
- np.load() — загрузить из .npy

👉 @PythonPortal