📂 Reminder about Python map()!

map() — a built-in function that applies the specified function to each element of an iterable object (list, tuple, set, etc.).

The picture shows the basic syntax, an example of use with lambda, and a typical case — data transformation without a manual for loop.

Save it to quickly remember the syntax!

🐍💻 @Python4all_pro

هفته رایگان DataCamp دوباره شروع شده!

تا 16 خرداد فرصت دارید به همه دوره‌های این پلتفرم به‌صورت کامل و رایگان دسترسی داشته باشید. می‌تونید توی این مدت مهارتی که دنبالش بودید رو یاد بگیرید و حتی مدرکش رو هم بگیرید. اگه به فکر یادگیری هستید، این یه فرصت عالیه که نباید از دستش بدید!

🔗 لینک سایت DataCamp
https://www.datacamp.com/campaign/free-access-week-june-2026


🐍💻 @Python4all_pro

📍کتابخانه‌های برتر پایتون برای ۲۰۲۶

پایتون توی کارهای دیتا، هوش مصنوعی، توسعه API و اتوماسیون یه غوله. این ۱۲ تا کتابخونه که توی ۱۴۰۴ سروصدا کرده بودن، برای ۱۴۰۵ واقعاً ارزش یادگیری دارن 👇

۱. MarkItDown
تبدیل فایل‌های PDF/Word/Excel به Markdown — راحت‌ترین راه برای کار با LLM و مستندات

۲. Polars – DataFrame
فوتبول سریع! جایگزین Pandas برای داده‌های حجیم

۳. GPT Pilot
دستیار هوشمندی که کد رو توضیح میده، مستندات می‌نویسه و قراره (به زودی) کمکت کنه برنامه کامل بسازی

۴. Smolagents
چارچوبی برای ساخت ایجنت‌های هوشمند چندمرحله‌ای

۵. LangExtract
کشیدن داده‌های ساختارمند از متن‌های بی‌ساختار با کمک LLM

۶. FastMCP
ساخت سرور و کلاینت MCP برای مدیریت و تبدیل داده‌ها

۷. Data-Formulator
محصول Microsoft Research برای تحلیل و کشف داده‌ها با گراف و ویژوال

۸. Pydantic-AI
ترکیب Pydantic با الگوهای Generative AI برای ساخت اپ‌های حرفه‌ای

۹. Pyrefly
آنالیز استاتیک و تایپ‌چک سریع برای پروژه‌های بزرگ

۱۰. Morphik-Core
پردازش اسناد چندرسانه‌ای (PDF، عکس، ویدئو…)

۱۱. ChainForge
ابزار بصری برای مهندسی پرامپت و تست استراتژی‌های LLM

۱۲. MostlyAI
تولید داده‌های مصنوعی واقع‌گرایانه برای تست و یادگیری

🐍💻 @Python4all_pro

🔅 تصویرسازی داده با پایتون در اکسل

در این آموزش یاد میگیرید چطور قابلیت‌های پایتون رو با اکسل ترکیب کنید و با استفاده از کتابخانه‌هایی مثل Matplotlib، Seaborn و Plotly داده ها رو مصورسازی کنید
چرا از پایتون در اکسل استفاده کنیم؟
۱. نمودارهای خفن‌تر:
با Matplotlib و Seaborn و Plotly میتونی نمودارهایی بسازی که توی اکسل معمولی نمیشه — مثل heatmap، violin plot، interactive charts

۲. تحلیل داده راحت‌تر:
کتابخانه‌هایی مثل Pandas و NumPy خیلی سریع‌تر از فرمول‌های اکسل داده‌ها رو تحلیل می‌کنن

۳. اتوماسیون:
میتونی کارهای تکراری رو خودکار کنی — مثلاً هر روز یه گزارش بسازی

۴. هوش مصنوعی:
میتونی از ChatGPT یا مدل‌های دیگه توی اکسل استفاده کنی

چطور فعال کنی؟
۱. از تب Insert بر روی Get Add-ins کلیک کن
۲. بنویس Python یا PyXLL
۳. نصب کن و حالا میتونی کد پایتون بنویسی!

یه مثال ساده:

import matplotlib.pyplot as plt

# خوندن داده از اکسل
df = pd.read_excel("data.xlsx")

# رسم نمودار
plt.figure(figsize=(10,6))
plt.bar(df['Name'], df['Sales'])
plt.title('فروش ماهانه')
plt.show()

@python4all_pro

🔴 خبر فوری — دسترسی رایگان به همه آموزش‌ها با اشتراک فرادرس

💳 با امکان پرداخت قسطی 🔥

💥 برای اولین بار در فرادرس، با تهیه اشتراک یک ساله یا شش ماهه، به ۱۷,۰۰۰+ آموزش، دسترسی کامل داشته باشید!!

🔗 مشاهده و فعال‌سازی اشتراک — [کلیک کنید]

✔️ دسترسی به بیش از ۵۰۰ حوزه تخصصی
✔️ ۲۰۰٬۰۰۰+ تمرین و سوال همراه با پاسخ
✔️ دریافت گواهینامه در بیش از ۴٬۰۰۰ آموزش
✔️ دسترسی به آموزش‌های جدید پس از انتشار
✔️ دسترسی به فایل‌ها و پروژه‌های همه آموزش‌ها
✔️ تالار پرسش و پاسخ

🔗 تمامی آموزش‌های فرادرس [+]

🔄 FaraDars - فرادرس

🔰 Download Instagram profile picture using Python

🆔 @python4all_pro

لینک کانال در بله👇👇
https://ble.ir/Python4all_pro

Hands On introduction Python 🐍

با این آموزش یاد بگیر چطور مهارت‌های اساسی کدنویسی رو به دست بیاری و سطح پایتون خودت رو بالا ببری

🎯 این دوره برای کیه؟
• مبتدی‌هایی که می‌خوان پایتون رو شروع کنن
• کسایی که یه کمی پایتون می‌دونن ولی می‌خوان عمیق‌تر یاد بگیرن
• برنامه‌نویس‌هایی که می‌خوان پایتون رو حرفه‌ای یاد بگیرن

📚 چی یاد می‌گیری؟
۱. اصول پایتون:
• متغیرها و انواع داده
• عملگرها
• شرط‌ها و حلقه‌ها

۲. توابع:
• تعریف و فراخوانی
• پارامترها و خروجی
• ؛Lambda functions

۳. ساختارهای داده:
• لیست (List)
• دیکشنری (Dictionary)
• تاپل (Tuple)
• مجموعه (Set)

۴. شی‌گرایی (OOP):
• کلاس‌ها و اشیا
• وراثت
• ؛polymorphism

۵. کار با فایل‌ها:
• خواندن و نوشتن
• مدیریت استثناها

۶. ماژول‌ها و پکیج‌ها:
• ؛Import کردن
• ساخت پکیج


📖 منابع یادگیری بیشتر:
• Python.org — مستندات رسمی
• W3Schools Python — آموزش تعاملی
• Real Python — آموزش‌های پیشرفته
• Kaggle Python Course — تمرین عملی


🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

۱۰ پکیج کاربردی پایتون برای دیتا ساینس 🐍

این پکیج‌ها واقعاً کاربردی‌ان! 👇

۱. 🧹 Cleanlab
کاربرد: شناسایی و اصلاح خطاهای برچسب در دیتاست‌ها

اگه دیتاست داری با label های اشتباه، این کتابخونه کمکت می‌کنه پیدا کنی کدوم داده‌ها label اشتباه دارن. این خیلی مهمه چون داده‌های با label اشتباه مدلت رو خراب می‌کنن.

from cleanlab.classification import CleanLearning
from sklearn.linear_model import LogisticRegression

cl = CleanLearning(LogisticRegression())
cl.fit(X_train, y_train)
labels_issue = cl.get_label_issues()

چرا استفاده کنیم؟
• بهبود کیفیت داده‌ی آموزشی
• افزایش دقت مدل
• شناسایی outlier ها

GitHub

۲. 🏃 LazyPredict
کاربرد: مقایسه سریع چندین مدل ML

با چند خط کد، کلی مدل مختلف رو همزمان آموزش می‌دی و نتایج رو مقایسه می‌کنی. عالی برای اینکه سریع بفهمی کدوم مدل برای مسئله‌ت بهتره.

from lazypredict.Supervised import LazyClassifier

clf = LazyClassifier()
models = clf.fit(X_train, X_test, y_train, y_test)
print(models)

خروجی:

Model              | Accuracy | Time
-------------------+----------+-----
RandomForest       | 0.95     | 0.5s
LogisticRegression | 0.92     | 0.2s
SVM                | 0.89     | 0.8s

GitHub

۳. 🔍 Lux
کاربرد: تحلیل خودکار داده و پیشنهاد نمودار

Lux دیتات رو تحلیل می‌کنه و نمودارهای پیشنهادی می‌سازه. دیگه نیازی نیست دستی نمودار بسازی!

import lux
df  # فقط همینو بنویسی کافیه!

ویژگی‌ها:
• تحلیل خودکار
• پیشنهاد نمودار
• شناسایی الگوها
GitHub

۴. 🌲 PyForest
کاربرد: Import کردن همه کتابخانه‌ها با یه خط

دیگه نیازی نیست تک تک import کنی. با یه خط همه چیز رو وارد کن!

from pyforest import *

چی import میشه؟
• Pandas, NumPy
• Sklearn, XGBoost
• Matplotlib, Seaborn
• و خیلیای دیگه!
GitHub

۵. 📊 PivotTableJS
کاربرد: Pivot Table در Jupyter

مثل اکسل میتونی pivot بزنی، فیلتر کنی و خلاصه‌سازی کنی — بدون کدنویسی!

from pivottablejs import pivot_ui
pivot_ui(df)

GitHub

۶. ✏️ Drawdata
کاربرد: کشیدن دستی دیتاست

میتونی با موس داده‌های دوبعدی بکشی و دیتاست بسازی! عالی برای درک بهتر الگوریتم‌های ML.

from drawdata import draw_scatter
draw_scatter()

GitHub

7. ⚫ Black
کاربرد: فرمت‌بندی خودکار کد

کد رو مرتب و استاندارد می‌کنه. دیگه نگران style نباش!

black myfile.py

قبل:

def   hello(  ):
        print(  "hello"  )

بعد:

def hello():
    print("hello")

GitHub

8. 🤖 PyCaret
کاربرد: AutoML ساده

کل روند ML رو اتومات می‌کنه — از انتخاب مدل تا تیونینگ!

from pycaret.classification import *

clf = setup(data, target='target')
best_model = compare_models()
final_model = tune_model(best_model)

GitHub

9. ⚡ PyTorch Lightning
کاربرد: ساده‌سازی آموزش PyTorch

کدهای تکراری رو حذف می‌کنه و تمرکزت رو میذاری روی تحقیق!

import pytorch_lightning as pl

class MyModel(pl.LightningModule):
    def training_step(self, batch, batch_idx):
        # training logic
        ...

GitHub

10. 🌐 Reflex
کاربرد: تبدیل مدل ML به وب‌اپ

هر مدلی رو میتونی تو یه دقیقه تبدیل به وب‌اپ کنی!

import reflex as rx

def index():
    return rx.vstack(
        rx.input(value="Enter text"),
        rx.button("Predict"),
    )

app = rx.App()
app.compile()

GitHub


📊 جدول خلاصه:

پکیج             | کاربرد       | نصب                            
-----------------+--------------+--------------------------------
**Cleanlab**     | اصلاح label  | `pip install cleanlab`         
**LazyPredict**  | مقایسه مدل   | `pip install lazypredict`      
**Lux**          | تحلیل خودکار | `pip install lux-api`          
**PyForest**     | import سریع  | `pip install pyforest`         
**PivotTableJS** | pivot table  | `pip install pivottablejs`     
**Drawdata**     | کشیدن داده   | `pip install drawdata`         
**Black**        | فرمت کد      | `pip install black`            
**PyCaret**      | AutoML       | `pip install pycaret`          
**Lightning**    | PyTorch      | `pip install pytorch-lightning`
**Reflex**       | وب‌اپ        | `pip install reflex`           

#علم_داده #DataScience #پایتون


🆔 @python4all_pro

لینک کانال در بله👇👇
https://ble.ir/Python4all_pro

📣 فرصت محدود — دسترسی به تمام آموزش‌های فرادرس با یک اشتراک

🔥 دریافت اشتراک فرادرس با امکان پرداخت قسطی 🔥

✅ با قیمت یک آموزش، به تمام آموزش‌ها دسترسی داشته باش!!👇👇

1️⃣ پلن یک ساله (به صرفه و اقتصادی): ۷,۹۰۰,۰۰۰
💰 با ۷۵% تخفیف: ۱,۹۸۰,۰۰۰ تومن

2️⃣ پلن شش ماهه: ۵,۹۰۰,۰۰۰
💰 با ۷۵% تخفیف: ۱,۴۷۰,۰۰۰ تومن

🔗 فعال‌سازی اشتراک — [کلیک کنید]

🔄 FaraDars - فرادرس

🤖 یه دستیار هوشمند برای هر دیتا ساینسی!
اگه توی دیتا ساینس کار می‌کنی و خسته‌ای از کارهای تکراری، این ابزار میتونه زندگیتو تغییر بده!

🎯 داستان چیه؟
یه تیم کامل از AI Agents که کارهای خسته‌کننده رو ازت می‌گیرن:

• پاکسازی داده — دیگه دستی تمیز نمی‌کنی
• آماده‌سازی دیتاست — خودکار
• ساخت مدل — با یه دستور
• تحلیل و نتیجه‌گیری — سریع و دقیق

⚡ چرا این ابزار خاصه؟
۱. سرعت بالا
۱۰ برابر سریع‌تر از روش دستی!

۲. حریم خصوصی
با Ollama کار می‌کنه → دیتات روی سرور خارجی نمیره

۳. همه‌کاره
از پاکسازی تا مدل‌سازی — همه یه جا

👨‍💻 برای چه کسایی مناسبه؟
• مبتدی‌هایی که تازه شروع کردن
• حرفه‌ای‌هایی که وقتشون Valuableه
• تیم‌هایی که می‌خوان سریع‌تر کار کنن

🔗 مشاهده در GitHub

#AI #DataScience #یادگیری_ماشین #Ollama



🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

دوستان کانال پایتون در  پلتفرم بله 
خیلی خوشحال می‌شم عضو بشید و اونجا هم منو همراهی کنید.

منتظرتونم! 🙌
👇👇
https://ble.ir/Python4all_pro

📊 کتابخونه ffn — همه چیز برای ترید و تحلیل مالی!
یه کتابخونه پایتونی پیدا کردم که واقعاً دنیای مالی و ترید رو برات راحت می‌کنه!

🛠️ چیکار می‌کنه؟
ffn یه مجموعه کامل از ابزارهاست برای:

• 📈 تحلیل داده‌های مالی — سهام، ارزهای دیجیتال، ETF
• 📊 محاسبه بازدهی — روزانه، هفتگی، ماهانه
• ⚖️ بهینه‌سازی سبد سرمایه — پیدا کردن بهترین تخصیص دارایی‌ها
• 📉 محاسبه ریسک — انحراف معیار، بتا، آلفا

💡 پروژه عملی: داشبورد بهینه‌سازی سبد سرمایه
یه ایده پروژه باهاش بسازی:

مرحله ۱: دریافت داده

data = ffn.get('aapl,msft,btc,eth', start='2020-01-01')

چند دارایی نوسانی رو انتخاب کن (مثلاً اپل، مایکروسافت، بیت‌کوین، اتریوم)

مرحله ۲: محاسبه بازدهی

returns = data.to_returns()

بازدهی روزانه هر دارایی رو حساب کن

مرحله ۳: بهینه‌سازی

weights = ffn.calc_mean_var_weights(returns)

بهینه‌ترین وزن تخصیص سرمایه رو پیدا کن — بیشترین سود با کمترین ریسک!

🎯 چرا این کتابخونه خاصه؟
• سبک و سریع — کدنویسی کم، نتیجه زیاد
• رابط ساده — یادگیری آسان
• قابلیت ترکیب — با Pandas و NumPy کار می‌کنه
• مناسب برای پروژه‌های واقعی — داشبورد، تحلیل، بهینه‌سازی



🔗 مشاهده در GitHub

اگه علاقه‌مندی به حوزه مالی و تریدی — این کتابخونه نقطه شروع عالیه!

#Python #Finance #Trading #تحلیل_مالی


🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

⭕️ 340+ پروژه رایگان پایتون

🔷 این یه منبع فوق‌العاده برای یادگیری پایتون!

• ۳۴۰+ پروژه پایتون متن‌باز
• ۲۷ دسته مختلف
• دو سطح: مقدماتی و پیشرفته
• آپدیت هفتگی

🔗 لینک مستقیم
github.com/ml-tooling/best-of-python

دسته‌بندی‌های محبوب
• 🌐 Web Development
• 📊 Data Science / ML
• 🔧 DevOps
• 🤖 AI / NLP
• 📱 Mobile Apps
• 🐍 Automation

چطور استفاده کنی؟
1. مخزن رو کلون کن
2. دسته‌بندی مورد نظرت رو انتخاب کن
3. پروژه رو باز کن و کد رو بخون
4. خودت هم تمرین کن

برای کسی که می‌خواد Data Science یاد بگیره عالیه!


🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro