Сравниваем Pandas, Polars и PySpark: что выбрать аналитику?

В мире аналитики данных выбор правильного инструмента — ключ к эффективной и быстрой работе. Pandas, Polars и PySpark помогают обрабатывать большие объемы числовой информации, но каждый из них предназначен для разных сценариев. Если выбрать неподходящий инструмент, можно столкнуться с проблемами: скрипты будут работать медленно, потреблять слишком много памяти или вовсе падать с ошибками.

Подробнее👇

#статьи

@python_practics

Внимание! - Вопрос!

Как реализуется связь m2m на уровне базы данных?

Если есть модели A и B со связью многие ко многим, то создается таблица-мост с именем a_to_b, которая хранит ключ на A, ключ на B и дополнительные сведения, например, время, когда была создана связь. Эта таблица сцепляется с A и B оператором JOIN.

#вопросы_из_собеседований

@python_practics

Создание 2D платформера на Python

Полный код можно посмотреть по ссылке👇

#sandbox

@python_practics

Задача:

Напишите функцию, которая принимает число в качестве входных данных и возвращает сумму абсолютных значений каждой из десятичных цифр числа.

Пример:

10 --> 1
99 --> 18
-32 --> 5

#задачник

@python_practics

Обработка исключений

Этот сниппет показывает, как обрабатывать исключения в Python с помощью конструкции try и except. Если происходит деление на ноль, выводится сообщение об ошибке вместо завершения программы с исключением.

👍 - если было полезно

#полезные_сниппеты

@python_practics

Внимание! - Вопрос!

Чем лучше отправлять форму — GET или POST?

Форму можно отправлять обоими способами. В первом случае переменные прикрепляются к строке запроса после вопросительного знака. Во втором – передаются в теле запроса.

Техническое ограничение метода GET в том, что им нельзя передать файл, в отличие от POST.

Форму желательно передавать методом POST по следующим причинам:

• GET-запросы могут быть кешированы, особенно в браузерах семейства IE;
• GET-запросы оседают в логах провайдера, сервера, истории браузера. Пароль и логин в таком случае может засветиться во многих местах;
• некоторые вирусы отслеживают содержимое адресной строки и пересылают третьим лицам.

#вопросы_из_собеседований

@python_practics

MatPlotLib

Matplotlib — основная опенсорсная библиотека Python, используемая в науке в дата-сайенс для визуализации данных в виде диаграмм и графиков.

Особенности Matplotlib:

• Предоставляет объектно-ориентированный API, который можно использовать для встраивания графиков в приложения.
• Двухмерная графическая библиотека Python с ограниченной поддержкой 3D-графики.
• Может использоваться в качестве замены пакета MATLAB и Mathematica с преимуществом бесплатности и открытого исходного кода.
• Поддерживает десятки бэкендов и типов вывода, поэтому не зависит от типа ОС и формата данных.
• Низкое потребление памяти.
• Не подходит для работы с несколькими наборами данных одновременно.
• Слабая поддержка временных рядов.

Подробнее👇

#фреймворки_библиотеки

@python_practics

Генерация чисел Фибоначчи с помощью генераторов

Этот сниппет реализует генератор для последовательности Фибоначчи. Функция yield позволяет возвращать значения по одному, что экономит память при работе с большими последовательностями.

👍 - если было полезно

#полезные_сниппеты

@python_practics

Язык Julia: что это и почему он популярен в научных вычислениях

Julia получил признание благодаря универсальности, скорости, понятному синтаксису и множеству других достоинств, о которых мы расскажем в статье. Этот идеальный вариант для научных вычислений в любых отраслях — от анализа огромных массивов данных до расчетов прочности архитектурных объектов.

Узнаем, каковы особенности и преимущества языка программирования Julia, почему он популярен в научных вычислениях, чем отличается от других топовых языков и где применяется.

Подробнее👇

#статьи

@python_practics

Неудачная попытка перевести разработчика в офис после 4 лет на удалёнке

#мемчики

@python_practics

Building Modern Data Applications Using Databricks Lakehouse: Develop, optimize, and monitor data pipelines on Databricks

Чему вы научитесь:

• Разработке приложений на платформе Databricks Lakehouse;
• Созданию и оптимизации data pipeline;
• Работе с Delta Lake и Spark;
• Анализу больших данных и машинному обучению;
• Мониторингу и управлению данными.

"Building Modern Data Applications Using Databricks Lakehouse" научит вас создавать современные приложения для работы с данными в единой платформе Lakehouse.

Книга в формате pdf👇

#курсы_книги

@python_practics