🔸 ترفندهای پایتون

🔅استفاده از pathlib به جای os.path

pathlib مسیرها را مثل آبجکت مدیریت می‌کند و کد خواناتر و تمیزتر می‌شود.

from pathlib import Path

p = Path("data") / "users" / "info.json"
print(p.exists())

✔️ مدیریت مسیر راحت‌تر
✔️ وابسته به سیستم‌عامل نیست

🐍 @python_rd

✨ فقط نگاه کن🔥


🐍 @python_rd

مسیر DevOps با Python
⚙️ رودمپ DevOps Engineer با محوریت پایتون

1) پایه پایتون
Script نویسی، فایل‌ها، subprocess، CLI ساختن.

2) لینوکس + Bash
دستورات، Permission، Cron، SSH.

3) داکر + کانتینرها
Image، Container، Dockerfile، Compose.

4) و CI/CD
GitHub Actions، GitLab CI، Jenkins.

5) و Cloud Providers
AWS / GCP / Azure → EC2، S3، IAM.

6) شبکه و امنیت
DNS، Load Balancing، Firewall، Secrets.

7) اتوماسیون با Python
Ansible، Fabric، Invoke، Automation Scripts.

8) پروژه‌ها
Pipeline ساخت، Deployment اتوماتیک، مانیتورینگ ساده.


🐍 @python_rd

✨ پایتون برای همه چیز!


🐍 @python_rd

🔸 ترفندهای پایتون

🔅نکته Type Hints حرفه‌ای برای خوانایی و کاهش باگ

در واقع Type Hintها باعث خوانایی بهتر و جلوگیری از باگ‌ها می‌شود—مخصوصاً در پروژه‌های بزرگ.

def process(items: list[str]) -> dict[str, int]:
    return {item: len(item) for item in items}

✔️ برای تیم‌ها و پروژه‌های بزرگ ضروریه


🐍 @python_rd

✨ از زیبایی و قدرت پایتون هر چقد بگم کمه


🐍 @python_rd

♥️ رسم قلب با پایتون


🐍 @python_rd

🔸 ترفندهای پایتون

🔅بهینه‌سازی حافظه با slots

اگر میلیون‌ها آبجکت می‌سازی، این گزینه نجاتت می‌دهد.

class User:
    __slots__ = ("name", "age")
    def __init__(self, name, age):
        self.name = name
        self.age = age

✔️ مصرف RAM کمتر
✔️ سرعت بیشتر آبجکت‌ها


🐍 @python_rd

🔸 ترفندهای پایتون

🔅استفاده از enumerate و zip به شکلی حرفه‌ای

برای مدیریت چند لیست و اندیس همزمان:

for i, (a, b) in enumerate(zip([1,2,3], [4,5,6])):
    print(i, a, b)

✔️ کاهش کدهای بی‌خود
✔️ حلقه‌های تمیز

🐍 @python_rd

🔅 کد دانلود صفحه وب

import requests

url = "https://example.com"
response = requests.get(url)

print(response.text[:500])  # نمایش 500 کاراکتر اول

📌 کاربرد: Scraping / گرفتن HTML یک سایت


🐍 @python_rd

🔸 مسیر Machine Learning با پایتون
🤖 رودمپ یادگیری ماشین با پایتون

1) پایتون علمی
NumPy، Pandas، Matplotlib، Scikit-learn.

2) ریاضیات لازم
مشتق، ماتریس، وکتور، جبرخطی، آمار.

3) الگوریتم‌های ML
Regression، SVM، Decision Tree، RandomForest، KMeans.

4) مدل‌سازی و ارزیابی
Train/Test، Cross Validation، Metrics مثل F1، ROC.

5) یادگیری عمیق
PyTorch یا TensorFlow → CNN، RNN، Transformers.

6) و MLOps ساده
Model Serving، FastAPI، Docker.

7) مهندسی داده مقدماتی
ETL، Pipelines، Feature Store.

8) پروژه‌ها
طبقه‌بندی تصاویر، تحلیل متن، پیش‌بینی سری زمانی.


🐍 @python_rd

🔸 ترفندهای پایتون

🔅مدیریت state در async با ContextVar

در FastAPI و برنامه‌های async خیلی کاربردیه.

from contextvars import ContextVar

request_id = ContextVar("request_id", default=None)

✔️ نگه‌داشتن state بدون مشکلات همزمانی


🐍 @python_rd

🔸 ترفندهای پایتون

🔅بعد از try از else و finally غافل نشو

کد تمیزتر و منطقی‌تر:

try:
    x = 10 / num
except ZeroDivisionError:
    print("Cannot divide by zero!")
else:
    print("No error, result:", x)
finally:
    print("Finished")

✔️ در واقع else فقط وقتی اجرا می‌شود که ارور نباشد
✔️ اما finally همیشه اجرا می‌شود



🐍 @python_rd

🔅 اندازه فایل یا فولدر رو با پایتون بگیر

import os

print(os.path.getsize("file.txt"), "bytes")

🐍 @python_rd

🔸 ترفندهای پایتون

🔅نکته DataClass برای کلاس‌های تمیز

دیگه نیازی نیست init و repr بنویسی؛ خودش می‌سازه.

from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int

✔️ 70٪ کد کمتر
✔️ خوانایی بیشتر


🐍 @python_rd

🔸 زندگی کوتاهه، از پایتون استفاده کن!


🐍 @python_rd

سلام بچه ها، حالتون چطوره؟
یکم از خودتون بگید، صحبت کنیم،
الان چیکار میکنید؟
چه مباحثی از پایتون رو کار کردید؟
تو چه مرحله ای هستید؟
به درآمد رسیدید یا هنوز تو مراحل یادگیری هستید؟

🔆کوتاه نویسی با پایتون:
Walrus Operator (:=)

🔸از نسخه ۳.۸ به بعد یه ابزار جدید به پایتون اضافه شد به اسم Walrus Operator.
باهاش می‌تونی هم‌زمان *یه مقدار رو ذخیره کنی* و *از همون مقدار داخل شرط استفاده کنی*.
یعنی هم کدت کوتاه‌تر می‌شه، هم تمیزتر.

مثال ساده:

if (name := input("Name: ")):
    print("Hello", name)

بدون walrus مجبور بودی اول name رو بگیری، بعد توی if چکش کنی.
اینجا همه‌چی یک‌جا و شیک انجام می‌شه. این قابلیت توی حلقه‌ها واقعاً مفیده.

🐍 @python_rd

🔆بهینه‌سازی مصرف RAM با slots

🔸به‌صورت پیش‌فرض هر آبجکت پایتون یه دیکشنری داخلی داره که کلی جا می‌گیره. 
اگه تعداد آبجکت‌ها زیاد باشه، مصرف رم می‌ره هوا. 
اینجا __slots__ به کارت میاد.

با تعریف اسلاتس، پایتون به کلاس می‌گه دقیقاً چه attribute هایی داری، 
در نتیجه دیگه واسه هر شیء دیکشنری نمی‌سازه و مصرف حافظه تا حد زیادی کم می‌شه.

class User:
    __slots__ = ("name", "age")
    def __init__(self, name, age):
        self.name = name
        self.age = age

این تکنیک مخصوص وقتاییه که با هزاران آبجکت طرفی و پرفورمنس برات مهمه.

🐍 @python_rd

🔆خروجی کد چیه؟

numbers = [2, 4, 6, 8]

result = []
for n in numbers:
    if n == 4 or 10:
        result.append(n)

print(result)

A) [4] 

B) [2, 4, 6, 8] 

C) [2, 4] 

D) [4, 6, 8]

🐍@python_rd