NumPy шпаргалка для Data Science и ML

Быстрая подборка самых нужных функций NumPy: создание массивов, изменение формы, статистика, фильтрация и работа с файлами

Мини-гайд для тех, кто работает с данными и машинным обучением ❤️

✈️ Python Ninja

Читаем полезное: вышла годная статья на Хабре «Прокачиваем RAG: тестируем техники и считаем их эффективность»

Если интересно как сделать нейросеть умнее и точнее, стоит заглянуть в свежий разбор на Хабре

Автор не просто перечисляет методы вроде разбиения запросов и реранкинга, но и готовит экспериментальное сравнение — будет наглядно видно, что работает лучше 🔍

☝️ Ссылка источник

✈️ Python Ninja

ВНИМАНИЕ!!! РАЗ.. ДВА.. ТРИ 🕺

✈ Python Ninja

Принёс подарок для тех кто любит учиться через действие — «Genepy»

Образовательная онлайн платформа для изучения Python через практику

Каждое упражнение сопровождается автоматической проверкой,помогая закрепить материал и развить алгоритмическое мышление

Для новичков и опытных, за один лишь лайк ❤️

☝️ Ссылка источник

✈️ Python Ninja

Ловите исчерпывающее руководство по подготовке к SQL собеседованию

Если впереди SQL-собес и руки уже холодеют от волнения — не парься! В этом гайде собраны топовые вопросы, разборы и лайфхаки, которые помогут уверенно писать запросы и понимать, что от тебя хотят рекрутеры

Всё по полочкам и максимально доступно 📚

☝️ Ссылка источник

✈ Python Ninja

Совет по Python: Использование декоратора dataclass в Python

Декоратор dataclass упрощает создание классов, которые в основном хранят данные. Он автоматически генерирует специальные методы, такие как __init__, __repr__ и другие. Это снижает многословность кода, сохраняя при этом его ясность и функциональность.

На фото приведены два примера. В первом мы используем декоратор dataclass, поэтому явно не добавляем методы __init__, __repr__ и __eq__. Они автоматически добавляются декоратором.

Во втором примере показано, как выглядел бы тот же код без использования декоратора dataclass. Видно, что такой код гораздо длиннее

Ставь лайк если пост был полезным ❤️

✈️ Python Ninja

Полезная тулза «Memory_graph» визуализатор памяти для Python

Система отображает взаимосвязи между объектами, различия между поверхностным и глубоким копированием, а также изменяемость объектов. Поддерживается работа с локальными переменными, стеком вызовов и вложенными структурами

Отличный помощник для обучения и отладки чтобы наглядно понять, как Python управляет памятью и объектами ❤️

☝️ Ссылка источник

✈️ Python Ninja

Как Python управляет памятью: арены, пулы и блоки в действии

Мы привыкли к удобным абстракциям Python — создаём список или строку и не думаем, где хранится память и когда она освободится. Но под капотом работает куда более хитрый механизм: свой аллокатор pymalloc, подсчёт ссылок и сборщик мусора.

В статье на Хабре автор рассказывает и показывает это наглядно с помощью собственного приложения MemoryMonitorApp. Оно визуализирует устройство памяти в CPython: арены, пулы, блоки, работу с циклами и освобождением объектов

Получается своего рода «лупа» для изучения интерпретатора — не промышленный инструмент, а способ увидеть, как Python обращается с памятью и почему она не всегда возвращается системе 👨‍💻

☝ Ссылка источник

✈ Python Ninja

Подводный камень для новичков в Python

Метод strip() не убирает подстроку, а удаляет все символы указанные в аргументе, с начала и конца строки

Пример:

text = "#=Hello###"

print(text.strip('#='))
# 'Hello' — удалены все # и =

🟠strip('#=') и strip('=#') дадут одинаковый результат — порядок символов не важен
🟠Но strip() не уберёт именно подстроку "#=", только отдельные символы # и =

Если нужно убрать конкретную подстроку, используй:

text.removeprefix('#=')
text.removesuffix('###')

⚡️ Помни: strip() → удаляет символы,
removeprefix() / removesuffix() → удаляют подстроки

✈️ Python Ninja