Create Yoga day wish card using Python Turtle 🐢

Code with explanation: https://www.clcoding.com/2026/06/celebrate-international-yoga-day-with.html


🆔 @python4all_pro


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

Create Yoga day wish card using Python Turtle 🧘

import turtle

screen = turtle.Screen()
screen.title("🌿 International Yoga Day 🧘")
screen.bgcolor("#FFF8E7")

t = turtle.Turtle()
t.speed(3)
t.width(3)
t.hideturtle()

# --- رسم برگ ---
t.penup()
t.goto(0, 100)
t.pendown()
t.color("#2E8B57", "#90EE90")
t.begin_fill()
t.circle(60, 90)
t.circle(60, -90)
t.end_fill()

# --- متن اصلی ---
t.penup()
t.goto(0, 30)
t.color("#1B5E20")
t.write("Happy International Yoga Day!",
         align="center", font=("Arial", 24, "bold"))

t.goto(0, -10)
t.color("#388E3C")
t.write("🧘 Breathe. Stretch. Grow. 🌿",
         align="center", font=("Arial", 16, "italic"))

t.goto(0, -60)
t.color("#6D4C41")
t.write("#InternationalYogaDay  #YogaForWellness",
         align="center", font=("Arial", 12, "normal"))

turtle.done()

توضیح کوتاه درمورد اینکه هر بخش کارش چیه
screen.bgcolor(...)
رنگ پس‌زمینه‌ی کارت (کرم روشن)

t.circle(60, 90)
رسم یک برگ سبز ساده با دو کمان

t.write(...)
نوشتن متن اصلی، زیرنویس و هشتگ‌ها

align="center"
متن‌ها از مرکز تراز می‌شن

ایده‌هایی برای شخصی‌سازی
✨ رنگ برگ: #2E8B57 (سبز تیره) و #90EE90 (سبز روشن) رو با هر رنگ دلخواه عوض کن
🪷 شکل متفاوت: به جای برگ، یه نماد Om (ॐ) یا خورشید بکش
💐 گل لوتوس: با چند تا circle کوچک‌تر یه گل ساده بکش
🎨 خروجی تصویر:
با
screen.getcanvas().postscript(file="yoga.eps")
کارت رو ذخیره کن (بعد با ابزار دیگه‌ای به PNG تبدیل کن)

🆔 @python4all_pro


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

چطور با #Python و matplotlib یک نمودار حاشیه‌نویسی‌شده بسازیم 🐍📊

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))

X = list(range(10))
plt.plot(X, np.exp(X))
plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

plt.show()

توضیح مرحله به مرحله
۱. ایمپورت کتابخونه‌ها

import matplotlib.pyplot as plt
import numpy as np

matplotlib.pyplot برای رسم نمودار و numpy برای محاسبات عددی (مثل تابع exp) لازمه.
۲. ساخت شکل و رسم داده

fig = plt.figure(figsize=(8, 6))
X = list(range(10))
plt.plot(X, np.exp(X))

یک شکل با اندازه‌ی ۸×۶ ساخته می‌شه و تابع نمایی e^x روی بازه‌ی ۰ تا ۹ رسم می‌شه.

۳. عنوان و برچسب محورها

plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

۴. حاشیه‌نویسی‌ها با plt.annotate()
تابع annotate() سه پارامتر کلیدی داره:
پارامتر
کارش
text
متنی که می‌خوای نشون بدی
xy
نقطه‌ای که فلش بهش اشاره می‌کنه
xytext
موقعیت متن روی نمودار
arrowprops
استایل فلش
Point 1 — فلش ساده:

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

فقط یه فلش معمولی از متن به نقطه.

Point 2 — فلش منحنی:

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

با connectionstyle='arc3,rad=-.2' فلش به صورت کمان با انحنای -0.2 رسم می‌شه (منفی یعنی انحنا به یه سمت خاص).

Point 3 — فلش با زاویه‌ی سفارشی:

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

اینجا connectionstyle='angle' با angleA=90 و angleB=0 یه فلش زاویه‌دار می‌سازه. سر فلش هم -|> یعنی پیکان کلاسیک با خط صاف.

💡 نکته: کلید اصلی plt.annotate() همینه: با xytext متن رو هر جا که دلت بخواد بذار، و با xy مشخص کن فلش به کدوم نقطه‌ی واقعی روی نمودار اشاره کنه.


🆔 @python4all_pro


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

🐍معرفی  SQLModel — ترکیب Pydantic و SQLAlchemy با type hints

؛SQLModel کتابخونه‌ای از تیم FastAPI هست که با استفاده از type annotationهای پایتون، کار با پایگاه‌داده‌ی SQL رو ساده‌تر می‌کنه.

🚀 مثال

from sqlmodel import Field, SQLModel

class Hero(SQLModel, table=True):
    id: int | None = Field(default=None, primary_key=True)
    name: str
    secret_name: str
    age: int | None = None

فقط با همین چند خط:
✅ یه جدول SQL ساخته شد
✅ یه مدل Pydantic برای validation داری
✅ یه ORM برای کوئری زدن داری

🔧 استفاده در FastAPI

from fastapi import FastAPI, Depends
from sqlmodel import Session, select
from .models import Hero

app = FastAPI()

# ساخت session
def get_session():
    with Session(engine) as session:
        yield session

@app.post("/heroes/")
def create_hero(hero: Hero, session: Session = Depends(get_session)):
    session.add(hero)
    session.commit()
    session.refresh(hero)
    return hero

@app.get("/heroes/")
def read_heroes(session: Session = Depends(get_session)):
    heroes = session.exec(select(Hero)).all()
    return heroes

🎯 ویژگی‌های کلیدی

🔗 یکپارچگی با Pydantic
؛validation خودکار با همان type hints
🔗 یکپارچگی با SQLAlchemy
تمام قابلیت‌های ORM در دسترس
⚡ سازگاری کامل با FastAPI
🪶 کد کمتر
یک مدل به جای دو مدل جداگانه
خطاها در زمان توسعه گرفته می‌شن
مناسب برای پروژه‌های بزرگ

📦 نصب
pip install sqlmodel
🔗 لینک گیت‌هاب:
https://github.com/fastapi/sqlmodel

مستندات:
https://sqlmodel.tiangolo.com/


🆔 @python4all_pro


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

این دوره دقیقاً همون چیزیه که برای گذر از "فقط پایتون" به "پایتون برای ساخت عامل‌های هوش مصنوعی" لازم داری — همراه با پروژه‌های عملی.


👈نه فقط سینتکس، بلکه مستقیم ادغام با LLM و Agent ها
👈استک با NumPy، Pandas، SQLite، REST API
👈 کار با ابزارهای : ChatGPT، Gemini، HuggingFace

بعد دیدن این دوره می تونی یک هوش مصنوعی برای یک کار خاص بسازی


https://freecodecamp.org/news/learn-python-and-build-autonomous-agents/


🆔 @python4all_pro


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

Python re(gex)? exercises

یک برنامه تمرینی عالی برای Regex در پایتون

📚 سرفصل‌های کتاب PyRegexExercises
۱. مفاهیم پایه Regex
الگوهای ساده (simple patterns)
کاراکترهای خاص (special characters)
کلاس‌های کاراکتر (character classes)
۲. عملگرهای اصلی
۳. کلاس‌های کاراکتر پیشرفته
۴. بازه‌ها و محدودکننده‌ها
۵. گروه‌بندی و بازگشت
۶. الگوهای پیشرفته
۷. ماژول re و regex
۸. تمرینات عملی
پاکسازی متن
استخراج اطلاعات
اعتبارسنجی فرم‌ها
تحلیل لاگ‌ها

✅ مناسب برای:
مبتدیان پایتون — که می‌خواهند Regex را یاد بگیرند
توسعه‌دهندگان — که با Regex کار می‌کنند ولی می‌خواهند مهارتشان را تقویت کنند
تحلیلگران داده — برای پاکسازی و پردازش متن
مهندسان نرم‌افزار — برای کار با APIها و لاگ‌ها
توسعه‌دهندگان وب — برای اعتبارسنجی فرم‌ها و پردازش ورودی
❌ مناسب برای:
کسی که Regex را کاملاً نمی‌داند — باید ابتدا مفاهیم پایه را یاد بگیرد
کسی که فقط Regex ساده کار می‌کند — ممکن است برایش مفید نباشد
این کتاب با یک TUI (رابط کاربری ترمینال) همراه است
بیش از ۱۰۰ تمرین دارد
با ماژول re و regex کار می‌کند

📚 Book


🆔 @python4all_pro

Architecture Patterns with Python Enabling Test-Driven Development, Domain-Driven Design, and Event-Driven Microservices

یک کتاب فوق‌العاده برای معماری نرم‌افزار در پایتون
این کتاب برای چه کسانی خوبه؟

✅ مناسب برای:
توسعه‌دهندگان پایتون — که می‌خواهند معماری نرم‌افزار را یاد بگیرند
مهندسان نرم‌افزار — که می‌خواهند الگوهای معماری را به‌کار بگیرند
توسعه‌دهندگان Microservices — که می‌خواهند معماری رویدادمحور یاد بگیرند
کسی که با DDD کار می‌کند — برای بهبود معماری دامنه
کسی که با TDD کار می‌کند — برای پیاده‌سازی TDD در پروژه‌های بزرگ
❌ مناسب برای:
مبتدیان پایتون — باید ابتدا مفاهیم پایه پایتون را یاد بگیرند
کسی که با معماری نرم‌افزار آشنایی ندارد — ممکن است برایش مفید نباشد
💡 نکات مهم
این کتاب روی TDD، DDD و معماری رویدادمحور تمرکز دارد
با Flask و Message Bus کار می‌کند
شامل پروژه‌های عملی است
برای توسعه‌دهندگان میانی تا پیشرفته عالی است

📚 Read


🆔 @python4all_pro

🚀 ۱۵ کتابخانه پایتون برای دیتاساینس ها


🥇 Pyro : https://github.com/pyro-ppl/pyro

یک فریم‌ورک قدرتمند برای مدل‌سازی احتمالاتی و بیزی که روی پایتورچ ساخته شده. برای ساخت مدل‌های مولد، تحلیل آماری پیشرفته و کار با شبکه‌بیزی عالی است. پشتیبانی کامل از Pyro Pro برای مدل‌های پیچیده‌تر.

🥈 Taipy : https://github.com/Avaiga/taipy

یک جعبه ابزار برای توضیح‌پذیری مدل‌های هوش مصنوعی که چندین الگوریتم برای تحلیل مدل‌های بلک‌باکس و شفاف دارد. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است.

🥉 Nevergrad : https://github.com/facebookresearch/nevergrad

یک کتابخانه پایتون برای بهینه‌سازی تکاملی و بدون مشتق که به درد تنظیم هایپرپارامترها و بهینه‌سازی مدل‌های پیچیده می‌خورد. از روش‌های مختلف بهینه‌سازی مانند Bayesian Optimization، Genetic Algorithms و... پشتیبانی می‌کند.
4️⃣ cvxpyLayers : https://github.com/cvxpy/cvxpylayers

یک لایه بهینه‌سازی محدب قابل تفکیک برای پایتورچ و TensorFlow که برای آموزش مدل‌هایی با محدودیت‌های ریاضی خاص مانند کنترل بهینه، برنامه‌ریزی خطی و غیره استفاده می‌شود.

5️⃣ PyCaret : https://github.com/pycaret/pycaret

یک جعبه ابزار کم‌کد برای آموزش، تیون و حتی دیپلوی مدل با چند خط ساده. برای پروژه‌های سریع و MVP عالی است و پشتیبانی کامل از انواع الگوریتم‌های ML دارد.

6️⃣ PyGWalker : https://github.com/Kanaries/pygwalker

یک ابزار تعاملی برای ژوپیتر که محیط Drag & Drop می‌دهد که راحت دیتاتو بگردی و نمودار تعاملی بسازی. برای تحلیل داده‌های سریع و تعاملی عالی است.

7️⃣ Featuretools : https://github.com/alteryx/featuretools

یک ابزار خودکار برای تولید ویژگی‌های جدید از داده‌های سری زمانی یا دیتاست‌های رابطه‌ای. برای Feature Engineering و ساخت دیتاست‌های پیشرفته استفاده می‌شود.

8️⃣ HyperTools : https://github.com/ContextLab/hypertools

یک کتابخانه برای تحلیل داده‌های چندبعدی و پیچیده که آن‌ها را می‌آورد در فضای دو بعدی یا سه بعدی و با تصویر و انیمیشن نشان می‌دهد. برای تحلیل و نمایش داده‌های پیچیده عالی است.

9️⃣ SHAPash : https://github.com/MAIF/shapash

یک کتابخانه برای توضیح پذیری مدل‌ها که یک داشبورد قابل فهم می‌دهد که بفهمی مدل چرا این خروجی را داده است. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است.
🔟 Cleanlab : https://github.com/cleanlab/cleanlab

یک کتابخانه برای شناسایی و اصلاح خطاهای برچسب در دیتاست‌ها که باعث بهبود کیفیت داده آموزشی مدل‌ها می‌شود. برای کار با دیتاست‌های پر از نویز و خطا استفاده می‌شود.

⏺ NannyML : https://github.com/NannyML/nannyml

یک ابزار مانیتورینگ آماده و بی‌دردسر برای مدل‌ها بعد از دیپلوی که تغییر در داده، افت عملکرد و مشکلات کیفیت داده را تشخیص می‌دهد. برای Monitoring و Alerting مدل‌ها عالی است.

⏺ STUMPY : https://github.com/stumpy-dev/stumpy

یک کتابخانه برای تحلیل داده‌های سری زمانی که پیدا کردن ناهنجاری‌ها، کشف الگوهای تکراری و تقسیم‌بندی داده‌ها را آسان می‌کند. برای تحلیل سری زمانی پیشرفته استفاده می‌شود.

⏺ Optuna : https://github.com/optuna/optuna

یکی از بهترین ابزارها برای تنظیم هایپرپارامترها که خیلی سریع و تمیز بهترین تنظیمات مدل را پیدا می‌کند و کلی نمودار برای تحلیل می‌دهد. برای Hyperparameter Tuning پیشرفته عالی است.

⏺ Gradio : https://github.com/gradio-app/gradio

یک ابزار که هر مدل ML را می‌تواند خیلی سریع (تقریباً در یک دقیقه) تبدیل به یک وب‌اپ ساده کند؛ بدون اینکه فرانت‌اند بلد باشد. برای دمو و ارائه مدل عالی است.

⏺ Kedro : https://github.com/kedro-org/kedro

یک فریم‌ورک که کل تمرکزش این است که پروژه را منظم کند؛ یک فریم‌ورک برای ماژولار ساختن پروژه‌های ML که خروجی‌هایش قابل تکرار و تمیز باشد. برای پروژه‌های بزرگ و تیمی استفاده می‌شود.

💡 نکات کلیدی
این کتابخانه‌ها برای دیتا ساینس‌های پیشرفته و حرفه‌ای عالی هستند
برخی از آن‌ها برای پروژه‌های سریع و MVP مناسب‌اند (مثل PyCaret و Gradio)
برخی دیگر برای پروژه‌های بزرگ و تیمی مناسب‌اند (مثل Kedro و NannyML)
برخی برای تحلیل داده‌های پیچیده استفاده می‌شوند (مثل HyperTools و STUMPY)
برخی برای توضیح پذیری مدل‌ها استفاده می‌شوند (مثل SHAPash و Taipy)

#پایتون #علم_داد
🆔 @python4all_pro

دوره جدید DeepLearning AI با همکاری Cerebras منتشر شد
موضوع دوره درباره «استنتاج سریع مدل‌های زبانی» است و نشان می‌دهد سرعت بالاتر LLMها چطور می‌تواند مسیر ساخت اپلیکیشن‌های Real-Time را تغییر دهد در این دوره ساخت ورک‌فلوهای چندابزاره، شخصی‌سازی لحظه‌ای صفحات وب و کار با Codex هم آموزش داده می‌شود

http://hubs.la/Q04pypry0 https://x.com/DeepLearningAI/status/2077415530965676236/video/1


🆔 @python4all_pro


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

«یادگیری ماشین با پایتون»


با تمرینات عملی با پایتون یادگیری ماشین را یاد بگیرید. محتوای راهنما شامل استفاده از کتابخانه‌های NumPy و SciPy برای محاسبات آماری، پیاده‌سازی رگرسیون خطی ساده و چندمتغیره، پاکسازی داده‌ها، ساخت نمودارهای تحلیلی و درک پایلاین در پکیج scikit-learn است.



🆔 @python4all_pro


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

این جزوه مفاهیم پایه‌ای آمار و احتمال را برای ورود به علم داده (Data Science) آموزش می‌دهد.
مفاهیم اصلی شامل:
تعریف داده و فضای نمونه
رویدادها (Events)
توزیع‌های گسسته و پیوسته (Discrete & Continuous Distributions)
احتمال شرطی (Conditional Probability)
قانون بیز (Bayes' Theorem)
متغیرهای تصادفی (Random Variables)
هدف اصلی: تبدیل آمار و احتمال از فرمول‌های خشک به یک ابزار قابل‌فهم برای تحلیل داده در پروژه‌های واقعی و Machine Learning.

این جزوه بر اساس این ویدیو گردآوری شده
https://www.youtube.com/playlist?list=PLWv23ocV_hYb7d2LS4W4FrO108B7uz-M0


🆔 @python4all_pro


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

ابزار Mellea: کتابخانه پایتون برای ساخت برنامه‌های LLM قابل پیش‌بینی

فراخوانی معمولی LLM  همیشه موفقیت آمیز نیست ؛ مدل ممکنه فرمت را رعایت نکند یا یه چیز ضروری را از قلم بیندازد، یا پاسخی بدهد که بررسی‌اش سخت باشد.

کتابخانه Mellea پیشنهاد می‌دهد چنین سیستم‌هایی را به‌صورت برنامه‌های generative تایپ‌شده بنویسید.

کافی است یک تابع پایتون توصیف کنید:

from pydantic import BaseModel
from mellea import generative, start_session

class UserProfile(BaseModel):
    name: str
    age: int

@generative
def extract_user(text: str) -> UserProfile:
    """نام و سن کاربر را استخراج کن."""

m = start_session()
user = extract_user(
    m,
    text="Alice is 31 years old."
)

کتابخانه Mellea عبارت docstring را به دستورالعمل تبدیل می‌کند، annotationهای نوع را به ساختار پاسخ، و سپس نتیجه را اعتبارسنجی می‌کند و در صورت نیاز، تولید پاسخ را به‌طور خودکار تکرار می‌کند.


لینک پروژه
https://github.com/generative-computing/mellea


🆔 @python4all_pro


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

☄️هدیه آموزشی☄️

👇ليست فیلم وبينارهاى آموزشى رايگان👇
فیلم وبینارهای رایگان مدیریت 👉 کلیک کنید
فیلم وبینارهای رایگان مکانیک 👉 کلیک کنید
فیلم وبینارهای رایگان عمران 👉 کلیک کنید
فیلم وبینارهای رایگان پزشکی 👉 کلیک کنید
فیلم وبینارهای رایگان مواد 👉 کلیک کنید
فیلم وبینارهای رایگان شیمی 👉 کلیک کنید
فیلم وبینارهای رایگان نفت و گاز 👉 کلیک کنید
فیلم وبینارهای رایگان صنایع 👉 کلیک کنید
فیلم وبینارهای رایگان کامپیوتر 👉 کلیک کنید
فیلم وبینارهای رایگان تاسیسات انرژی 👉 کلیک کنید
فیلم وبینارهای رایگان هوافضا 👉 کلیک کنید
فیلم وبینارهای رایگان برق 👉 کلیک کنید
فیلم وبینارهای رایگان معماری 👉 کلیک کنید

#رسانه_باشید(ارسال_دوستان)(کلیک کن☝️)

اعلام وبینارهای رایگان در سایت:
🌐 parspajouhaan.com
☎️021-88322992 ,3

☄️هدیه آموزشی☄️

🔰 List Methods in Python

بیا با هم لیست متدهای پایتون رو مرور کنیم. این یکی از پرکاربردترین ساختارهای داده در پایتونه و دونستن متدهاش حسابی سرعت کدنویسیت رو بالا می‌بره.

📌 ایجاد لیست

ساده‌ترین راه تعریف لیست استفاده از براکت [] هست.

fruits = ["apple", "banana", "cherry"]
empty_list = []

🔧 متدهای اصلی

append() — اضافه کردن به انتها

یک آیتم به انتهای لیست اضافه می‌کنه.

fruits = ["apple", "banana"]
fruits.append("cherry")
print(fruits) # ['apple', 'banana', 'cherry']

extend() — اضافه کردن چند آیتم

چند آیتم از یک iterable رو به انتهای لیست اضافه می‌کنه.

fruits = ["apple", "banana"]
fruits.extend(["cherry", "date"])
print(fruits) # ['apple', 'banana', 'cherry', 'date']

insert() — اضافه کردن در موقعیت خاص

یک آیتم رو در اندیس مشخص قرار می‌ده.

fruits = ["apple", "cherry"]
fruits.insert(1, "banana")
print(fruits) # ['apple', 'banana', 'cherry']

🗑 متدهای حذف

remove() — حذف بر اساس مقدار

اولین occurrence از مقدار مشخص شده رو حذف می‌کنه.

fruits = ["apple", "banana", "cherry"]
fruits.remove("banana")
print(fruits) # ['apple', 'cherry']

pop() — حذف و بازگشت آیتم

آیتم در یک اندیس خاص رو حذف و برمی‌گردونه. اگه اندیس ندادی، آخرین آیتم رو حذف می‌کنه.

fruits = ["apple", "banana", "cherry"]
removed = fruits.pop(1)
print(removed) # banana
print(fruits) # ['apple', 'cherry']

clear() — خالی کردن لیست

تمام آیتم‌های لیست رو حذف می‌کنه.

fruits = ["apple", "banana", "cherry"]
fruits.clear()
print(fruits) # []

🔍 متدهای جستجو

index() — پیدا کردن اندیس

اندیس اولین occurrence از مقدار مورد نظر رو برمی‌گردونه.

fruits = ["apple", "banana", "cherry"]
print(fruits.index("cherry")) # 2

count() — شمارش تعداد تکرار

تعداد تکرار یک مقدار در لیست رو می‌شماره.

nums = [1, 2, 2, 3, 2, 4]
print(nums.count(2)) # 3

📊 متدهای مرتب‌سازی و معکوس کردن

sort() — مرتب‌سازی درجا

لیست رو به ترتیب صعودی مرتب می‌کنه. با reverse=True نزولی می‌شه.

nums = [3, 1, 4, 1, 5, 9, 2]
nums.sort()
print(nums) # [1, 1, 2, 3, 4, 5, 9]

nums.sort(reverse=True)
print(nums) # [9, 5, 4, 3, 2, 1, 1]

reverse() — معکوس کردن

ترتیب آیتم‌های لیست رو برعکس می‌کنه.

fruits = ["apple", "banana", "cherry"]
fruits.reverse()
print(fruits) # ['cherry', 'banana', 'apple']

📋 متدهای کپی

copy() — کپی سطحی

یه کپی از لیست برمی‌گردونه.

original = [1, 2, 3]
new_list = original.copy()
print(new_list) # [1, 2, 3]

💡 نکات تکمیلی مهم

عملگر in برای بررسی وجود:

fruits = ["apple", "banana", "cherry"]
print("banana" in fruits) # True

عملگر + برای اتصال:

list1 = [1, 2]
list2 = [3, 4]
print(list1 + list2) # [1, 2, 3, 4]

عملگر * برای تکرار:

print([0] * 4) # [0, 0, 0, 0]

List Comprehension — روش پایتونی:

squares = [x**2 for x in range(5)]
print(squares) # [0, 1, 4, 9, 16]

len() برای گرفتن طول:

print(len([1, 2, 3])) # 3
min() و max():
nums = [3, 1, 4, 1, 5, 9, 2]
print(min(nums)) # 1
print(max(nums)) # 9

🆔 @python4all_pro


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