✅ От шаблонов к проектам

PyScaffold — это инструмент для быстрого создания структурированных Python-проектов с правильной организацией файлов и поддержкой современных инструментов разработки.

⬇️ Он автоматизирует настройку проекта, включая пакетирование, тестирование, документацию и CI/CD, что экономит время и снижает количество ошибок при старте разработки.

Установка библиотеки:

pip install pyscaffold

🗂 Документация

📌 PyScaffold автоматически генерирует безопасную структуру проекта с src/-layout, поддерживает расширения для различных задач (например, Data Science) и позволяет сразу публиковать пакеты в PyPI, упрощая весь цикл разработки Python-проектов.

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

💰 Основные HTTP-коды состояния: краткий гид

Успешные ответы (2xx)

⏺200 OK — запрос успешно обработан.
⏺201 Created — новый ресурс создан (например, после POST-запроса).
⏺202 Accepted — запрос принят, но обработка еще не завершена.
⏺204 No Content — сервер выполнил запрос, но не возвращает данных.

Перенаправления (3xx)

⏺

301 Moved Permanently

— ресурс перемещен навсегда.

⏺

302 Found

— временное перенаправление.

⏺

304 Not Modified

— данные не изменились, можно использовать кэш.

Ошибки клиента (4xx)

⏺

400 Bad Request

— неверный синтаксис запроса.

⏺

401 Unauthorized

— требуется аутентификация.

⏺

403 Forbidden

— доступ запрещен.

⏺

404 Not Found

— ресурс не найден.

⏺

405 Method Not Allowed

— метод запроса не поддерживается.

⏺

408 Request Timeout

— сервер не дождался запроса.

Ошибки сервера (5xx)

⏺

500 Internal Server Error

— общая ошибка сервера.

⏺

501 Not Implemented

— сервер не поддерживает функционал.

⏺

502 Bad Gateway

— неверный ответ от шлюза.

⏺

503 Service Unavailable

— сервер временно недоступен.

⏺

504 Gateway Timeout

— шлюз не дождался ответа.

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

🥷 "Ищем виноватых, а виноват — я"

Бывало ли у вас такое: в проекте что-то сломалось, и вы начинаете искать, кто ошибся? Проверяете коммиты коллег, ругаете систему, сетуете на "кривые" библиотеки… А потом оказывается, что баг написал именно вы.

Как избежать?

✔ Тестируй свой код (даже если "оно и так работает").
✔ Делай ревью перед коммитом — иногда стоит просто перечитать изменения.
✔ Принимай факт ошибок — все ошибаются, главное — вовремя исправлять.

Вывод:

Прежде чем винить других,

проверь себя

. Чаще всего баг оказывается там, где его не ждали — в собственном коде.

(Но если всё-таки виноват не ты — это приятный бонус!) 😄

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

⚡️ Весь ядерный потенциал мне куда?

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

📁 Работа с документами Word в Python

python-docx — это удобная библиотека для создания и редактирования документов Microsoft Word (.docx) с помощью Python.

🟢 Основные возможности:
- Создание документов с нуля
- Работа с текстом, таблицами и изображениями
- Гибкое форматирование и стилизация
- Автоматизация отчетов и шаблонных документов

Установка библиотеки:

pip install python-docx

💻 GitHub

➡️ python-docx существенно упрощает работу с Word-документами, позволяя автоматизировать создание документов прямо из Python-кода.

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

🐙 Визуализация пропущенных данных

missingno — это удобная библиотека Python для визуализации и анализа пропущенных данных в DataFrame.

Она помогает быстро оценить полноту данных и выявить закономерности в пропущенных значениях.

Основные возможности
🟣Матрица пропущенных данных (отображает распределение NaN-значений)
🟣Heatmap корреляции пропусков (показывает взаимосвязи между пропусками в колонках)
🟣Дендрограмма (визуализирует кластеризацию колонок по схожести пропусков)

Установка библиотеки:

pip install missingno

💻 GitHub

✔️ missingno особенно полезен на этапе предварительного анализа данных (EDA), позволяя быстро выявлять проблемы с качеством данных перед построением моделей.

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

❤️ Словарь для Python-разработчиков

Основная структура данных в Python, представляющая собой коллекцию пар "ключ-значение".
Ключи должны быть уникальными в пределах словаря, а значения могут быть любого типа (включая другие словари), и их можно изменять.

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

🛡 Автоматизация ограничения скорости запросов в Python

SlowAPI – это удобный и гибкий инструмент для контроля и ограничения частоты запросов в ваших Python-приложениях.

Он построен на основе Redis и FastAPI, что делает его отличным выбором для веб-приложений, которым нужно защититься от злоупотреблений или DDoS-атак.

🔥Основная задача SlowAPI – позволить разработчикам легко настраивать лимиты запросов для API, REST-эндпоинтов или любых других HTTP-обработчиков.

Установка библиотеки:

pip install slowapi

💻 GitHub

🤨 Этот инструмент упрощает управление ограничениями скорости, поддерживает гибкие правила (например, разные лимиты для разных пользователей) и легко интегрируется с FastAPI и Flask.

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

🔥 Встроенные методы Python

Python предлагает множество встроенных (built-in) методов, которые доступны без импорта дополнительных модулей.
Они упрощают работу с данными и ускоряют разработку.

Основные категории встроенных методов:

1️⃣Работа с числами

abs(x) – модуль числа
round(x, n) – округление до n знаков
min() / max() – минимальное/максимальное значение
sum() – сумма элементов

2️⃣Работа со строками

len(s) – длина строки
str.upper() / str.lower() – преобразование регистра
str.split() – разбиение строки по разделителю
str.join() – объединение списка в строку

3️⃣Работа со списками и коллекциями

list.append(x) – добавление элемента
list.sort() – сортировка списка
sorted() – возвращает новый отсортированный список
filter() / map() – функциональная обработка данных

4️⃣Преобразование типов

int() / float() / str() – приведение типов
bool() – проверка на истинность
list() / tuple() / set() – создание коллекций

5️⃣Другие полезные функции

type(x) – проверка типа объекта
isinstance() – проверка принадлежности к классу
enumerate() – нумерация элементов
zip() – попарное объединение коллекций

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

✅ Валидация данных в Python с помощью Pandera

Pandera — это удобный инструмент для проверки структуры и содержимого данных в Python.

🟢Он работает как дополнительный слой валидации поверх pandas DataFrame и других структур данных, помогая выявлять ошибки на ранних этапах обработки.

Установка библиотеки:

pip install pandera

💻 GitHub

✅ Основная задача Pandera — гарантировать соответствие данных ожидаемой схеме: типам, диапазонам значений и бизнес-правилам.

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

🌐 Преобразуем сложный код в простые цепочки

Pipe — это утилита, которая позволяет создавать конвейеры функций и управлять ими, упрощая объединение нескольких операций в понятную и читабельную цепочку.

🟢Она позволяет легко манипулировать последовательностями данных, делая код более читаемым и поддерживаемым.

Установка библиотеки:

pip install pipe

➡️Используйте оператор «|» для объединения функций в цепочку.

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

⭐️ Разница между списком и кортежем в Python

🔢 Список — изменяемый (можно менять элементы), записывается в [ ]

🔢 Кортеж — неизменяемый (нельзя изменить), записывается в ( )

🔢 Преобразование списка в кортеж:

list1 = [1, 2, 3]  
print(tuple(list1))  # Вывод: (1, 2, 3)

🔢Кортеж из одного элемента:

list1 = [1]  
print(tuple(list1))  # Вывод: (1,)

⚠️ Важно: Кортеж определяется запятой, а не скобками!

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

😎 Приятных выходных, программисты

Избегай крайностей: идеальный баланс находится посредине.

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

🔥 Основы SQL для аналитиков данных: ключевые команды и примеры (ч.1)

SQL (язык структурированных запросов) используется для извлечения, обработки и анализа данных, хранящихся в базах данных.

🔹Понимание баз данных и таблиц

🔹Базы данных хранят структурированные данные в таблицах.
🔹Таблицы содержат строки (записи) и столбцы (поля) .
🔹Каждый столбец имеет определенный тип данных (INTEGER, VARCHAR, DATE и т. д.).

🔹Основные SQL-команды

🔹 SELECT — выборка данных

SELECT * FROM employees;                     -- Все записи из таблицы employees  
SELECT name, salary FROM employees;          -- Только имя и зарплата

🔹 WHERE — фильтрация строк

SELECT * FROM employees WHERE department = 'Sales';  -- Сотрудники отдела продаж  
SELECT * FROM employees WHERE salary > 50000;        -- Зарплата выше 50 000

🔹 ORDER BY — сортировка

SELECT * FROM employees ORDER BY salary DESC;       -- По убыванию зарплаты  
SELECT name, hire_date FROM employees ORDER BY hire_date ASC;  -- По дате приема (сначала старые)

🔹 LIMIT — ограничение вывода

SELECT * FROM employees LIMIT 5;                   -- Первые 5 записей  
SELECT * FROM employees WHERE department = 'HR' LIMIT 10;  -- 10 HR-сотрудников

🔹 DISTINCT — уникальные значения

SELECT DISTINCT department FROM employees;  -- Список уникальных отделов

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

😡 Дополнительные полезные команды SQL для аналитиков данных (ч.2)

🔹 GROUP BY — группировка и агрегация

SELECT department, AVG(salary) FROM employees GROUP BY department;  -- Средняя зарплата по отделам  

🔹 JOIN — объединение таблиц

SELECT e.name, d.department_name  
FROM employees e  
JOIN departments d ON e.department_id = d.id;  

🔹 LIKE — поиск по шаблону

SELECT * FROM employees WHERE name LIKE 'Иван%';  -- Имена, начинающиеся на "Иван"  

🤨Этих базовых команд SQL достаточно для 80% задач аналитики данных.

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