Фильтрация списков, или отбор элементов по условию

Иногда нужно отобрать из списка элементы по условию, например, чётные числа. Вместо цикла, проверяющего каждый элемент, можно использовать функцию filter(), которая применяет условие и возвращает итератор с отфильтрованными значениями.

Старый способ (с циклом):

numbers = [1, 6, 3, 8, 2, 9, 4]
filtered_numbers = []
for num in numbers:
    if num > 5:
        filtered_numbers.append(num)
print(filtered_numbers)  # Вывод: [6, 8, 9]

Новый способ (с filter()):

numbers = [1, 6, 3, 8, 2, 9, 4]
filtered_numbers = list(filter(lambda x: x > 5, numbers))
print(filtered_numbers)  # Вывод: [6, 8, 9]

Функция принимает функцию-предикат (здесь лямбда) и итерируемый объект. Она возвращает итератор, поэтому мы оборачиваем его в list(), чтобы получить список.

👍 - если было полезно

@python_practics

pgeocode

pgeocode — это Python-библиотека, позволяющая выполнять геокодирование и получать сведения о локациях по почтовым индексам (ZIP-кодам) или кодам стран. Она удобна, когда нужно преобразовать индекс в данные о местоположении — например, определить страну, регион или штат.

Например:

from pgeocode import GeoCode

#Создаем объект GeoCode для США
geo = GeoCode('US')

#Задаем почтовый индекс
postal_code = '10001'

#Получаем информацию о местоположении
location = geo.query_postal_code(postal_code)

#Выводим информацию
print(location)

@python_practics

Как пофиксить этот баг?

👍 - Душить до конца

❤️ - Это не баг, а фича

@python_practics | #мемчики

Time Series Forecasting in Python

Это издание предлагает освоить искусство построения прогнозных моделей, выявляя скрытые закономерности в данных временных рядов. Вы изучите полный спектр методов — от классической статистики до передовых подходов глубокого обучения. Практическое применение знаний на реальных примерах, таких как котировки акций Google и макроэкономическая статистика США, позволит вам быстро перейти от теории к созданию сложных моделей с применением современных фреймворков, включая TensorFlow.

@python_practics | #курсы_книги

@python_practics | #курсы_книги

Использование pickle в Python

Модуль pickle позволяет сериализовать и десериализовать объекты Python. В отличие от простого сохранения в текстовые файлы, pickle сохраняет сложные структуры данных (списки, словари, объекты классов) в бинарном формате, сохраняя их полное состояние.

import pickle

# Сохранение данных
data = {'users': ['Alice', 'Bob'], 'settings': {'theme': 'dark'}}
with open('data.pkl', 'wb') as f:
    pickle.dump(data, f)

# Загрузка данных
with open('data.pkl', 'rb') as f:
    loaded_data = pickle.load(f)  # Восстановит оригинальную структуру

@python_practics

Самая грустная история, плакали всей маршруткой 😢

@python_practics | #мемчики

Алгоритмы неформально

Если вы ищете вводное и интуитивное руководство по алгоритмам, без чрезмерной формализации - эта книга отличная точка старта. Такфилд объясняет базовые идеи (поиск, сортировки, рекурсия, графы) на живых примерах и “на пальцах”, избегая громоздкой математики, но не утратив глубины.

@python_practics | #курсы_книги

@python_practics | #курсы_книги

Назначение нотации срезов Python

Что позволяет делать нотация срезов list[start:end:step] в Python?

Посмотреть ответ.

@python_practics

Асинхронное программирование с asyncio в Python

Модуль asyncio позволяет писать асинхронный код в Python, что идеально для задач, связанных с вводом-выводом (например, запросы к API или обработка множества соединений). Асинхронность ускоряет выполнение программ, избегая блокировок.

import asyncio

# Асинхронная функция
async def say_hello(name, delay):
    await asyncio.sleep(delay)  # Имитация длительной задачи
    print(f"Привет, {name}!")

# Запуск нескольких задач
async def main():
    tasks = [
        say_hello("Alice", 2),
        say_hello("Bob", 1),
        say_hello("Charlie", 3)
    ]
    await asyncio.gather(*tasks)  # Запускаем задачи параллельно

# Запуск программы
asyncio.run(main())

👍 - если было полезно

@python_practics