Более 320 публикаций о Python и Data Science — о Pandas, NumPy, основах машинного обучения, Sklearn, Jupyter и многом другом.

Самостоятельная коллекция советов по Python и Data Science, которые помогут повысить уровень вашей игры с данными. https://towardsdev.com/320-python-and-data-science-tips-covering-pandas-numpy-ml-basics-sklearn-jupyter-and-more-83e870b5f0e4

Извлечение цвета изображения с помощью Python

Почему код Python в функции выполняется быстрее?

В этой статье мы увидим, почему код Python выполняется быстрее в функции и как работает выполнение кода Python. https://stackabuse.com/why-does-python-code-run-faster-in-a-function/

Вот забавный проект: вы можете создать свой собственный язык программирования, используя Python . И этот курс покажет вам, как это сделать. Вы узнаете о лексическом анализе, объектно-ориентированном программировании, структурах данных, синтаксическом анализе, создании интерпретатора и многом другом. https://www.freecodecamp.org/news/create-your-own-programming-language-using-python/

[Перевод] От теории к практике: создаём веб-приложение для решения задачи коммивояжёра.

В таких сферах, как исследование операций (Operations Research) и наука о данных (Data Science) чрезвычайно актуально сближение теории и её практического применения в виде программных проектов. Теоретические выкладки формируют базу программ для оптимизации чего‑либо, так как теория даёт средства для решения разнообразных задач. Но очень важно помнить и о том, что подобные программы должны быть доступны конечному пользователю, что с ними должно быть удобно работать.

Задача коммивояжёра (Traveling Salesman Problem, TSP) — это, без сомнения, та самая задача комбинаторной оптимизации, которая изучена лучше всего (Rego, C., Gamboa, D., Glover, F., & Osterman, C., 2011. Traveling salesman problem heuristics: Leading methods, implementations and latest advances. European Journal of Operational Research, 211(3), 427–441). Её легко описать (по крайней мере — на словах), её можно использовать для того чтобы продемонстрировать некоторые из возможных компонентов API современной программы по построению маршрутов. В результате я просто не мог подобрать ничего лучше этой задачи в качестве основы для примера, который разобран в этой статье.

Здесь вы узнаете о том, как использовать Python‑библиотеку Streamlit для создания веб‑приложения, которое позволяет решать задачу коммивояжёра с использованием входных данных, предоставленных пользователем. Так как нас интересует создание приложения, пригодного для решения реальных задач, мы, анализируя пути перемещения между некими географическими точками, будем интересоваться не только евклидовым расстоянием между ними, но и другими характеристиками путей. В частности, наша программа, используя координаты точек, должна уметь получать данные о том, какое расстояние по автомобильным дорогам нужно преодолеть для перемещения между ними. Эти данные должны учитываться при выполнении оптимизации. Для этого мы воспользуемся API OpenStreetMap.

Если вы хотите лучше разобраться в теоретических аспектах числовой оптимизации — вам, возможно, интересно будет почитать мои статьи о линейном программировании и о задаче маршрутизации транспорта (это — обобщение задачи коммивояжёра).

Готовы поработать? Взгляните на то, что у нас должно в итоге получиться…

Читать далееhttps://habr.com/ru/companies/wunderfund/articles/767618

Как Dockerize и развертывать приложения Django

В этой статье я подробно расскажу вам об этапах докеризации и развертывания приложения Django. Я также дам несколько советов и рекомендаций по развертыванию приложений Django в рабочей среде. https://hackernoon.com/how-to-dockerize-and-deploy-django-applications

[Перевод] Примитивы синхронизации в Python Asyncio: Исчерпывающее руководство.

При написании многопоточного приложения нужно помнить о возможности состояния гонки при использовании неатомарных операций. Даже простая задача по увеличению целого числа на единицу в конкурентной программе может вызвать ошибки, с трудом поддающиеся воспроизведению. Но при использовании asyncio мы всегда работаем в одном потоке, а значит можно не беспокоиться о гонках, правда? На самом деле не всё так просто...

Что было дальше? https://habr.com/ru/articles/767792

Qt для Python: все подробности последней версии 6.6 🐍

https://www.qt.io/blog/qt-for-python-6.6

[Перевод] Мне пожизненно забанили рекламу в Meta**. Потому что я преподаю Python.

Я работаю штатным учителем по Python и Pandas, провожу очные курсы в компаниях по всему миру (например, Apple и Cisco) и работаю с постоянно растущим количеством онлайн-продуктов, включая видеокурсы и платная рассылка с еженедельными упражнениями по Pandas. Как и многие онлайн-предприниматели, я на протяжении многих лет экспериментировал с множеством различных продуктов, как бесплатных, так и платных. И, как и у многих других онлайн-предпринимателей, у меня были как хитовые, так и провальные продукты.

Читать далее https://habr.com/ru/articles/768572

Python 3.11 против Python 3.12 – тестирование производительности. Всего был проведен 91 различный тест производительности на компьютерах с процессорами AMD Ryzen серии 7000 и процессорами Intel Core 13-го поколения для настольных компьютеров, ноутбуков и мини-ПК.

https://en.lewoniewski.info/2023/python-3-11-vs-python-3-12-performance-testing/

Интересное использование ChatGPT: для преобразования уравнений в функции Python. Главное дать правильные подсказки

Библиотека Python, которая добавляет в Pandas возможности генеративного искусственного интеллекта. 🔥

Представляя PandasAI, теперь вы можете анализировать сложные фреймы данных и строить визуализации, просто используя естественный язык

https://github.com/gventuri/pandas-ai

Работа с временными рядами в Python. Часть 1.

Аналитика данных стала неотъемлемой частью современного бизнеса и научных исследований. И одним из ключевых аспектов анализа данных являются временные ряды. Эффективная работа с временными рядами играет критическую роль в прогнозировании, стратегическом планировании и принятии решений в различных отраслях.

Временные ряды — это наборы данных, где каждая точка данных связана с определенным моментом времени. Это может быть что угодно, от ежедневных финансовых показателей до ежечасных кликов на веб-сайте или даже месячных показателей погоды. Зачем нам это нужно? Потому что временные ряды предоставляют нам ценную информацию о том, как меняются данные со временем. Читать дальше →https://habr.com/ru/companies/mvideo/articles/769190

Малоизвестные библиотеки Python для анализа данных, которые сделают вашу жизнь проще.

В этой статье мы рассмотрим некоторые полезные библиотеки Python для задач обработки данных, с которыми, возможно, вы еще не знакомы. Хотя для задач машинного обучения на ум приходят такие библиотеки, как pandas, numpy, scikit-learn, keras, tensorflow, matplotlib и т.д., но всегда полезно знать о других предложениях Python, особенно если это поможет улучшить ваши проекты.

Читать далее https://habr.com/ru/companies/otus/articles/769376

Что нового в Python 3.13

В этой статье объясняются новые возможности Python 3.13 по сравнению с версией 3.12. https://docs.python.org/3.13/whatsnew/3.13.html

Visual Studio Code — один из самых популярных и настраиваемых редакторов кода. И в этом руководстве
мы поможем вам настроить все это для разработки на Python . Он рассказывает о ключевых расширениях, которые вам понадобятся, и о том, как они сделают процесс кодирования интересным.

https://www.freecodecamp.org/news/how-to-configure-visual-studio-code-for-python-development/

[Перевод] Как в 180,000 раз ускорить анализ данных с помощью Rust.

В этой статье я опишу одно из последних своих дерзновений в сфере оптимизации производительности с помощью Rust. Надеюсь, что в ней вы откроете для себя какие-то новые приёмы для написания быстрого кода на Rust. Читать дальше →https://habr.com/ru/companies/ruvds/articles/769808

Обзор и основы объектно-ориентированного программирования на Python ⭐️

https://dev.to/swirl/python-mastery-pythons-object-oriented-programming-overview-and-fundamentals-22m1

Мой пользовательский опыт при переносе setup.py

Я надеюсь, что, поделившись своим (к сожалению, болезненным) опытом конечных пользователей, я смогу привлечь внимание к сбивающим с толку аспектам упаковки Python, чтобы более информированные и уполномоченные люди могли улучшить ситуацию и помочь в принятии будущих решений по упаковке Python, чтобы помочь в таких сценариях, как Я собираюсь описать.

https://gregoryszorc.com/blog/2023/10/30/my-user-experience-porting-off-setup.py/

Фундаментальные понятия статистики и строительные блоки #DataAnalytics и #MachineLearning.

Набор Python matplotlib интерактивных приборных панелей, чтобы помочь вам понять эти фундаментальные концепции

https://github.com/GeostatsGuy/PythonNumericalDemos/blob/master/Interactive_MarginalJointConditional.ipynb