Навигация по каналу

Мы рады приветствовать вас в самом перспективном, полезном и ламповом канале по Python в русскоязычном телеграме!

Категории постов:

🎓 Общие уроки по Python - #learning_python
🎓 Уроки по алгоритмам - #algorithms
🎓 Уроки по Django - #learning_django
💬 Софт скиллы - #soft_skills
👋🏻 Сообщения от админов - #appeal

💬 Чат - https://t.me/+LPCexrouSTI1ODk6

Другие проекты No_Panic:

✅ Interview_No_Panic - канал по собеседованиям
✅ Java_No_Panic - канал по языку программирования Java
✅ Memes_No_Panic - канал с мемами на английском
✅ Stickers_No_Panic - авторский стикерпак

Алгоритмы!

В прошлом посте мы с вами говорили про эффективную учебу, а сегодня приступим к изучению алгоритмов и структур данных в Python. Данный материал будет очень полезен для людей, которые готовятся к собеседованиям или просто хотят лучше изучить язык.

Списки Python — это упорядоченные наборы данных, как и массивы в других языках программирования. Это позволяет использовать различные типы элементов в списке. Реализация Python List похожа на Vectors в C++ или ArrayList в Java. Дорогостоящей операцией является вставка или удаление элемента из начала списка, поскольку все элементы необходимо сдвинуть. Вставка и удаление в конце списка также могут стать дорогостоящими в случае, если предварительно выделенная память переполняется.

Пример: создание списка Python

List = [1, 2, 3, "Python_No_Panic", 5.5]
print(List)

Вывод

[1, 2, 3, "Python_No_Panic", 5.5]

Доступ к элементам списка можно получить по назначенному индексу. В python начальный индекс списка последовательность равна 0, а конечный индекс (если есть N элементов) N-1.

Пример:

No_Panic_List = [“N“, “o“, “_“, “P“, “a“, “n“, “i“, “c“]

print(No_Panic_List[0]) #“N“

print(No_Panic_List[-1]) #“c“

Здесь приведены сложности наших операций со списком. Учитывайте, что буква «l» означает список, то-есть просто создание конструкции типа test_list = []

┃Операция┃Пример┃Сложность┃

┃Получение элемента┃l[i]┃O(1)┃

┃Сохранение элемента┃l[i] = 0┃O(1)┃

┃Размер списка┃len(l)┃O(1)┃

┃Добавление элемента в конец списка┃l.append(5)┃O(1)┃

┃Удаление последнего элемента (pop)┃l.pop()┃O(1)┃

┃Очищение списка┃l.clear()┃O(1)┃

Надеюсь мы помогли вам чуть лучше понять конструкцию списка. Если у вас есть какие-то вопросы, то мы ждем их в комментариях, также как и лайки под этим постом. А также у нас есть вопрос: интересна вам тема с изучением сложности алгоритмов? Если да, то напишите плюсик в чате, посмотрим, насколько данная тема востребована.

#learnng_python #algorithms

Как повысить эффективность алгоритмов ч.1

Мы с вами уже начали говорить про алгоритмы, но мы совершено забыли обсудить их эффективность. В сегодняшнем посте мы не будем говорить о том, как измерять эффективность алгоритма, но поговорим о том, как его улучшить. Мы разделили наш пост на две части, чтобы вам было удобнее читать и использовать наш материал.

✅ Для того, чтобы сделать ваш алгоритм более быстрым и эффективным, вы можете выполнить следующие действия:

✅ Оптимизируйте сам алгоритм. Ищите способы упростить логику алгоритма, чтобы уменьшить количество шагов, необходимых для его выполнения.

✅ Используйте более эффективные структуры данных. Рассмотрите возможность использования структур данных, оптимизированных для определенного типа выполняемых операций.

✅ Распараллелить алгоритм. Если алгоритм можно разделить на более мелкие независимые задачи, рассмотрите возможность одновременного запуска этих задач на нескольких процессорах или компьютерах.

Надеемся, что вы нашли для себя полезные шаги для оптимизации ваших алгоритмов. В следующем посте мы обсудим новые методики для улучшения ваших алгоритмов.

Поддержите нас реакцией, ваша обратная связь очень важна для нас.

Всем отличного и продуктивного дня!

#learning_python #algorithms

Как повысить эффективность алгоритма ч.2

Всем привет! В прошлом посте мы говорили про Django, а сегодня вернемся к беседе об увеличении эффективности наших алгоритмов. Как вы помните, от эффективности наших алгоритмов будет зависеть работа и быстродействие нашей программы. Во второй части мы добавили несколько пунктов к уже имеющимся, а именно:

✅ Использование кэширования или запоминания. Храните результаты дорогостоящих вычислений в памяти, чтобы их не приходилось пересчитывать каждый раз при запуске алгоритма.

✅ Уменьшение размера входных данных. Если возможно, попробуйте уменьшить размер набора входных данных, чтобы ускорить вычисления.

✅ Предварительная обработка. При необходимости рассмотрите возможность выполнения любой необходимой предварительной обработки перед запуском основного алгоритма, чтобы уменьшить объем работы, которую он должен выполнить.

✅ Профилирование кода. Используйте инструменты профилирования, чтобы выявить узкие места в коде и сосредоточить на них усилия по оптимизации.

‌Надеемся, вы будете учитывать изложенные выше практики в своей работе. Мы желаем вам написания только эффективных программ и быстрых алгоритмов.

Всем отличного настроения!

#learning_python #algorithms