Изучаем Python: модуль argparse
https://habr.com/ru/post/440654/?utm_campaign=440654

Если вы занимаетесь обработкой и анализом данных с использованием Python, то вам, рано или поздно, придётся выйти за пределы Jupyter Notebook, преобразовав свой код в скрипты, которые можно запускать средствами командной строки. Здесь вам и пригодится модуль argparse. Для новичков, привыкших к Jupyter Notebook, такой шаг означает необходимость покинуть зону комфорта и перейти в новую среду. Материал, перевод которого мы публикуем сегодня, написан для того, чтобы облегчить подобный переход.

Пишем и читаем файлы в Python
https://realpython.com/read-write-files-python/

Jupyter Notebook в Netflix
https://habr.com/ru/post/439272/?utm_campaign=439272

В последнее время Jupyter Notebook стал очень популярен среди специалистов Data Science, став де-факто стандартом для быстрого прототипирования и анализа данных. В Netflix, стараемся раздвинуть границы его возможностей еще дальше, переосмысливая то, чем может быть Notebook, кем может быть использован, и что они могут могут с ним делать. Мы вкладываем много сил, чтобы воплотить наше видение в реальность.
 
В данной статье мы хотим рассказать почему считаем что Jupyter Notebooks настолько привлекательным и что вдохновляет нас на этом пути. Кроме того, опишем компоненты нашей инфраструктуры и сделаем обзор новых способов использования Jupyter Notebook в Netflix.

Jupyter Notebooks —советы и  трюки
https://medium.com/lalitvyas1994/jupyter-notebooks-cool-tricks-timing-cells-making-slides-and-many-more-8bf629975c6b?source=rss------python-5

Оптимизация производительности Python
https://stackabuse.com/python-performance-optimization/

Пошаговый туториал по Machine Learning
https://codequs.com/p/BkaLEq8r4/a-complete-machine-learning-project-walk-through-in-python

Сортировка и объединение связаного списка
https://stackabuse.com/sorting-and-merging-single-linked-list/

Поговорим о структурах данных в Python
https://apirobot.me/posts/lets-talk-about-data-structures-in-python

Esolang: Piet, an easy tutorial

http://homepages.vub.ac.be/~diddesen/piet/index.html

Piet on the Net and in the Media

http://www.dangermouse.net/esoteric/piet/tools.html

​​Статья "Импорт данных о расходах в Google Analytics с помощью R", Макса Гапчука.

По сути это пошаговое руководство о том, как настроить передачу данных о расходах из Facebook в Google Analytics.

Для этого вам необходимо:
-Собрать необходимые данные с рекламного кабинета Facebook
- Создать приложение в Facebook
- Получить токен разработчика Facebook
- Получить необходимые данные с рекламного кабинета Facebook
- Создать в Google Analytics набор данных для импорта
- Преобразовать данные с рекламного кабинета в необходимый формат
- Настроить ежедневную автоматическую загрузку необходимых данных
- Создать сервисный аккаунт для работы с API Google Analytics

Каждый шаг подробно описан в статье.

Настроить ежедневную автоматическую загрузку данных

​​Александр Васильев (@klp52142) недавно поделился со мной чрезвычайно полезной вещью, ссылкой на "Каталог Визуализации Данных".

Удобное руководство и библиотека различных методов визуализации данных, инструментов и учебного ресурса для визуализации данных.

Содержит подробное описание огромного количества типов диаграм, с перечислением инструментов в которых возможно построить выбранный тип диаграммы.

Статья "Пилим данные с комфортом" будет полезна тем, кто ежемесячно / ежегодно тратит много времени приформировании плановых показателей.

Автор по шагам описывает алгоритм распределния плановых показателей, и в конце статьи делится функцией которая поможет выполнить эту операцию наиболее быстро.

​​Андрей Акиньшин ещё в 2013 году написал подробную шпаргалку посвящённую базовым возможностям языка R.

Базовый синтаксис R практически не меняется с целью совместимости кода с новыми версиями, поэтому данный материал по прежнему актуален, и будет актуален ещё не один год.

От автора:
В R очень много разных полезных функций. И многие большие вещи можно сделать весьма быстро, написав очень мало кода. На официальном сайте есть замечательная шпаргалка на английском языке: R reference card. В сети есть несколько вольных урезанных переводов, но они не очень удобные. Ниже вашему вниманию представляется русифицированная модифицированная версия обзора основных функций R. Команды снабжены ссылками на online-мануал.

Для тех, кто доверяет лучшим книгам по программированию больше, чем различным вебинарам и видеокурсам:

— Выбор сообщества: https://tproger.ru/books/books-the-chosen-ones/ — подборка книг, одобренных нашими подписчиками.

— Бестселлеры Скотта Мейерса: https://tproger.ru/books/cpp-books/ — 4 лучшие книги по C++.

— 4 книги о системах контроля версий, которые дадут о них полное представление: https://tproger.ru/books/4-books-about-vcs/

— Серия Head First: https://tproger.ru/books/head-first-programming/ — 10 лучших книг для начинающих разработчиков по всем языкам программирования.

— 5 маст-рид книг для новичков: https://tproger.ru/books/programming-language-for-newbie/ — как быстро выучить новый язык программирования.

— Подборка книг, чтобы быстро изучить веб-разработку: https://tproger.ru/books/web-programming-books/

— Новичок вы или уже имеете за плечами несколько проектов — в любом случае вам будет полезна только лучшая и признанная литература о нелегкой профессии программиста: https://tproger.ru/sponsored/best-programming-books-ever/

Еще больше книг: https://tproger.ru/category/books/

[Перевод] Управление памятью в Python
https://habr.com/ru/post/441568/?utm_campaign=441568

Задумывались ли вы когда-нибудь о том, как данные, с которыми вы работаете, выглядят в недрах Python? О том, как переменные создаются и хранятся в памяти? О том, как и когда они удаляются? Материал, перевод которого мы публикуем, посвящён исследованиям глубин Python, в ходе которых мы попытаемся выяснить особенности управления памятью в этом языке. Изучив эту статью, вы разберётесь с тем, как работают низкоуровневые механизмы компьютеров, в особенности те из них, которые связаны с памятью. Вы поймёте то, как Python абстрагирует низкоуровневые операции и познакомитесь с тем, как он управляет памятью.

Сервим всё
https://habr.com/ru/post/440908/?utm_campaign=440908

Про создание и обучение моделей нейронных сетей (навыков) на Хабре написано не мало, поэтому не будем об этом сегодня. Обучив или получив сериализованные навыки ИИ, мы рассчитываем использовать их в наших целевых информационных системах, и тут возникает проблема. То что работает на стенде в лаборатории не перенести в производство в исходном виде, необходимо внедрение всего сопряженного стека технологий и даже существенная доработка под целевую платформу (есть, конечно, исключения в виде CoreML, но это частный случай и только для техники Apple). К тому же, инструментов разработки и сериализации моделей великое множество, неужели для каждого придется разрабатывать отдельное решение для интеграции? Кроме того, даже в лаборатории часто возникает необходимость получить быстрый вывод от модели, не ожидая прогрузки всего связанного девелоперского стека.


В качестве предложения по решению данных проблем я хотел бы рассказать про сравнительно новый opensource инструмент, который, возможно, будет вам полезен при разработке проектов, связанных с ИИ.

Генерируем изображение с кодом с помощью Carbon и Selenium
https://pybit.es/python-tips-carbon-selenium.html