📷 Порядок написания и выполнения SQL-запросов

⚫Порядок написания:
Это порядок, в котором разработчик пишет SQL-запрос.

Он начинается с SELECT, затем указываются таблицы (FROM), соединения (JOIN), условия (WHERE), группировки (GROUP BY), фильтрации после группировки (HAVING), сортировки (ORDER BY) и ограничения количества строк (LIMIT).

⚫Порядок выполнения:
Это порядок, в котором SQL-сервер фактически выполняет запрос.

Он начинается с выбора таблиц (FROM), затем выполняет соединения (JOIN), применяет условия соединения (ON), фильтрует строки (WHERE), группирует данные (GROUP BY), фильтрует группы (HAVING), выбирает столбцы (SELECT), сортирует результаты (ORDER BY) и, наконец, ограничивает количество строк (LIMIT).

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🧠Умный парсинг документов

MegaParse — это инструмент для извлечения структурированных данных из любых документов (PDF, Word, Excel) с помощью AI.

⬅️Главная функция:
автоматическое преобразование неструктурированных документов в готовые к анализу JSON/CSV форматы.

Установка библиотеки:

pip install megaparse

💻 GitHub

🔤Ключевые преимущества:

#️⃣Поддержка 50+ форматов документов "из коробки"

#️⃣Встроенная обработка естественного языка (NLP)

#️⃣Простое API для интеграции в существующие системы

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

😭 Впринципе, ожидаемо

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🔥 Ключевые аспекты хорошего программирования: использование встроенных функций

map и другие функции высшего порядка часто реализованы на низкоуровневых языках (например, на C), что делает их более эффективными по сравнению с эквивалентным кодом, написанным на Python.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

✅ Перед тем как отойти от компьютера, обязательно сохраните все изменения, сделайте коммит кода и заблокируйте устройство.

Соблюдаете эти рекомендации?

👍 – да
😁 – нет
🔥 – просто выключаю монитор

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

👩‍💻 Узнаем кодировку текста

Библиотека chardet является инструментом для работы с текстовыми данными в Python.

🔵Она анализирует текст и определяет его кодировку с указанием уровня достоверности.

Установка библиотеки:

pip install chardet

🔜 Использование chardet помогает избежать ошибок, связанных с кодировками, и обеспечивает правильную обработку текстов.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

〰 Способ адаптировать свой код для работы в других языках

py2many — это инструмент, который позволяет автоматически преобразовывать код на Python в код на других языках программирования.

🔢 Эта библиотека была разработана для упрощения миграции и обеспечения кросс-языковой совместимости, что делает её особенно полезной для разработчиков, работающих на нескольких языках.

Установка библиотеки:

pip install py2many

💻 GitHub

♾ py2many может автоматически преобразовывать код Python в такие языки, как C++, Rust, Julia, Kotlin, Nim, Go, Dart и D.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

😐 Как говорится, одна нога здесь — другая там

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🔰 Проверка палиндромов на Python

Эта программа на Python проверяет, является ли заданное слово или фраза палиндромом (читается одинаково как слева направо, так и справа налево).

def is_palindrome(text):
    # Удаляем все непробельные символы и переводим текст в нижний регистр
    clean_text = ''.join(char.lower() for char in text if char.isalnum())
    # Сравниваем очищенный текст с его реверсированной версией
    return clean_text == clean_text[::-1]

# Пример строки для проверки
text = "А роза упала на лапу Азора"
print("Является палиндромом:", is_palindrome(text))

ℹ️ Пример вывода:
Является палиндромом: True

🟡Теперь вы можете использовать эту программу для проверки любых слов или фраз на палиндромность.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🔴GremLLM — мост между языковыми моделями и графовыми базами данных

GremLLM позволяет использовать LLM (например, ChatGPT) для генерации запросов на языке Gremlin, упрощая работу с такими графовыми БД, как Neo4j и Amazon Neptune.

➕ Ключевая функция:
Преобразует текстовые запросы на естественном языке в Gremlin-запросы, автоматизируя взаимодействие с графовыми данными.

Установка библиотеки:

pip install gremllm

Пример использования:

from gremllm import GremLLM  

# Инициализация с OpenAI  
grem = GremLLM(llm_provider="openai", api_key="your_api_key")  

# Генерация Gremlin-запроса из текста  
query = grem.generate("Найди всех друзей пользователя 'Alice'")  
print(query)  # => "g.V().has('name', 'Alice').out('friend')"

💻 GitHub

❤️ Главный плюс:
Интеграция LLM с графовыми базами без необходимости писать сложные запросы вручную.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🟨 GitHub SDK для Python

githubkit — это библиотека на Python, которая предлагает чистый и типизированный интерфейс для работы с API GitHub.

🟡Она позволяет разработчикам легко и быстро интегрировать функционал GitHub в свои приложения, минимизируя количество ошибок и облегчая процесс разработки.

Установка библиотеки:

pip install githubkit

Пример:

from githubkit import GitHub, Response
from githubkit.versions.latest.models import FullRepository

# Создаем объект GitHub, передав токен доступа
github = GitHub("<ваш_token_здесь>")

# Выполняем запрос к API GitHub для получения репозитория
resp: Response[FullRepository] = github.rest.repos.get("owner", "repo")

# Получаем данные о репозитории
repo: FullRepository = resp.parsed_data

# Выводим название репозитория
print(repo.full_name)

💻 GitHub

➡️ Больше нет необходимости вручную обрабатывать HTTP-запросы, управлять токенами и разбираемыми JSON-ответами.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

💻 Простой сравнительный график по алгоритмической сложности

P.S.: Нет того графика, который бы отражал уровень желания идти на работу утром в понедельник. 🔽

Всем хорошего начала недели !🥴

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

☕️ Surprise — библиотека для построения рекомендательных систем

Surprise (Simple Python Recommendation System Engine) предоставляет готовые инструменты для быстрого обучения и оценки алгоритмов рекомендаций на основе пользовательских предпочтений.

🟡Ключевая функция:
Простое тестирование и сравнение классических алгоритмов (KNN, SVD, SlopeOne) на ваших данных с акцентом на точность предсказаний.

Установка библиотеки:

pip install scikit-surprise

Пример:

from surprise import Dataset, KNNBasic
from surprise.model_selection import cross_validate

# Загрузка встроенного датасета MovieLens
data = Dataset.load_builtin('ml-100k')

# Обучение KNN-модели 
algo = KNNBasic()
cross_validate(algo, data, measures=['RMSE'], cv=5, verbose=True)

💻 GitHub

📣 Главный плюс:
Чистый API для экспериментов с рекомендательными алгоритмами без сложной инфраструктуры — идеально для исследований и прототипирования.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

👀 pyTermTk — фреймворк для TUI-приложений на Python

Библиотека для создания продвинутых текстовых интерфейсов (TUI) с поддержкой виджетов, тем оформления и кросс-платформенной работой.

➡️ Ключевая функция:
Позволяет строить интерактивные терминальные приложения с элементами GUI (кнопки, таблицы, формы) без зависимости от графического сервера.

Установка библиотеки:

pip install pyTermTk

Пример использования:

from TermTk import TTk, TTkButton

def on_click():
    print("Button clicked!")

root = TTk.TTk()
btn = TTkButton(text="Click me!", pos=(10,5), size=(20,3))
btn.clicked.connect(on_click)
root.mainloop()

💻 GitHub

💎 Главный плюс:
Полноценный набор UI-компонентов (CheckBox, RadioButton, ScrollArea) + поддержка "тёмной/светлой" тем прямо в терминале.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🧘 dabl — AutoML для ленивых дата-сайентистов

Библиотека для автоматического анализа данных и построения базовых ML-моделей в одну строку кода. Разработана командой scikit-learn.

🔩 Ключевая функция:
Автоматизирует всю рутину: предобработку данных, feature engineering и подбор моделей с визуализацией результатов.

Установка библиотеки:

pip install dabl

Пример использования:

import dabl
data = dabl.datasets.load_titanic()
dabl.SimpleClassifier().fit(data, target_col="survived")
# Готово! Смотрите отчёт в Jupyter

💻 GitHub

👉 Главный плюс:
Мгновенный старт работы с данными — библиотека сама определяет типы фичей, подбирает трансформеры и строит interpretable-модели.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code

🏷️ ImageHash – поиск дубликатов изображений с помощью хеширования

ImageHash – это Python-библиотека для вычисления perceptual-хешей изображений. Она помогает находить похожие или дублирующиеся картинки, даже если они были изменены (например, обрезаны или пережаты).

📸 Ключевая функция:
Сравнение изображений через хеши (ahash, dhash, phash, whash), что позволяет быстро искать дубликаты без полного перебора пикселей.

Установка библиотеки:

pip install imagehash

Пример использования:

from PIL import Image
import imagehash

hash1 = imagehash.average_hash(Image.open('image1.jpg'))
hash2 = imagehash.average_hash(Image.open('image2.jpg'))
print(hash1 - hash2)  # Чем меньше разница, тем больше похожи изображения

💻 GitHub

⚡️ Главный плюс:
Автоматизация поиска дубликатов с высокой точностью и поддержкой разных алгоритмов хеширования. Отлично подойдет для очистки медиабиблиотек.

✄┈┈┈┈┈┈┈┈┈┈┈┈┈
Заметки программиста «(!?»
🇨🇱 Python Tech Code