✈️igraph — это популярная библиотека для анализа и визуализации графов, которая доступна как для Python, так и для других языков программирования (R, C). Она позволяет исследовать сложные сети, такие как социальные графы, транспортные системы, веб-сайты и многое другое. Благодаря своей эффективности и гибкости, igraph стал одним из основных инструментов для работы с данными в виде графов.

➡️Основные возможности igraph — генерация случайных и классических графов, вычисление различных метрик (степени вершин, диаметра графа и т. д.), поиск сообществ и кластеров.

➡️Пример создания простого графа:

import igraph as ig

# Создаем граф
graph = ig.Graph()

# Добавляем вершины
graph.add_vertices(5)

# Добавляем ребра
graph.add_edges([(0, 1), (1, 2), (2, 3), (3, 4), (4, 0)])

# Визуализируем граф
ig.plot(graph, vertex_label=range(graph.vcount()), vertex_color="lightblue", edge_width=2)

➡️Пример анализа графа:

import igraph as ig

# Создаем граф
graph = ig.Graph.Tree(10, 2)  # Дерево с 10 узлами и ветвлением 2

# Получаем характеристики графа
print("Количество вершин:", graph.vcount())  # Вывод: 10
print("Количество ребер:", graph.ecount())   # Вывод: 9
print("Степень каждой вершины:", graph.degree())  # Вывод: [2, 3, 3, 1, 1, 1, 1, 1, 1, 1]

# Находим диаметр графа
diameter = graph.diameter()
print("Диаметр графа:", diameter)

➡️Некоторые особенности Python-igraph:

— Подходит для анализа графов среднего и большого размера
— Делает акцент на производительности и эффективности использования памяти
— Поддерживает направленные и ненаправленные графы, взвешенные графы
— Имеет богатый набор алгоритмов компоновки
— Интегрируется с популярными библиотеками Python для науки о данных, такими как NumPy и Pandas. 3

💡Заключение
igraph — это универсальный инструмент для анализа и визуализации графов. Он помогает исследовать сложные сети и находить скрытые закономерности в данных. Он особенно полезен для исследователей и учёных, работающих со сложными сетевыми структурами.

🐍 Pythoner

✈️TensorFlow — это ведущая открытая платформа для машинного обучения, разработанная Google. Она широко используется как в академической среде, так и в промышленности. TensorFlow поддерживает множество приложений, от простых линейных моделей до сложных архитектур глубокого обучения.

➡️Основные понятия TensorFlow
- Тензоры: Многомерные массивы, аналогичные массивам NumPy. Они являются основными элементами, с которыми работает TensorFlow.

- Операции: Функции, которые выполняют вычисления над тензорами.

- Переменные: Значения, которые изменяются в процессе обучения модели.

- Граф вычислений: TensorFlow использует графы для представления математических операций. Каждый узел графа представляет операцию, а ребра — данные (тензоры), передающиеся между операциями.

➡️Построение первой нейронной сети

1.Загрузка данных:
TensorFlow позволяет легко загружать и предобрабатывать данные. В примере ниже мы используем набор данных MNIST, который часто используется для обучения систем обработки изображений:

import tensorflow as tf
from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

2.Определение модели:
Мы используем API Keras, интегрированный в TensorFlow, для определения нашей нейронной сети:

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

3.Компиляция модели:
Затем мы компилируем модель, указывая оптимизатор, функцию потерь и метрики:

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

4.Обучение модели:
Обучаем модель с использованием обучающих данных:

model.fit(x_train, y_train, epochs=5)

5.Оценка модели:
Наконец, оцениваем модель с использованием тестовых данных:

model.evaluate(x_test, y_test)

💡Заключение
TensorFlow в Python — это мощный инструмент для создания моделей машинного обучения. Независимо от того, являетесь ли вы начинающим или опытным разработчиком, обширная экосистема и надежные функции TensorFlow делают его ценным инструментом в вашем арсенале искусственного интеллекта.

🐍 Pythoner

✈️Glom — это библиотека Python, которая позволяет удобно работать с вложенными данными. Glom предоставляет инструменты для доступа к вложенным данным и их преобразования, что делает работу с сложными структурами данных более простой и интуитивной.

➡️Основные возможности glom

— Путь доступа к данным: Glom позволяет использовать пути для доступа к вложенным данным, например, a.b.c.

— Объявление преобразований данных: Glom предоставляет инструменты для преобразования данных с помощью лёгких и понятных спецификаций.

— Читаемые сообщения об ошибках: Glom предоставляет читаемые сообщения об ошибках, чтобы помочь вам быстро найти и исправить проблемы.

— Встроенная отладка: Glom предоставляет инструменты для отладки, чтобы помочь вам быстро найти и исправить проблемы.

— Дополнительные возможности: Glom также предоставляет инструменты для глубокого присваивания, потоковой обработки и валидации данных.

➡️Основные примеры использования

1.Доступ к данным:

from glom import glom

# Пример данных
data = {'a': {'b': {'c': 'd'}}}

# Доступ к данным с помощью пути
result = glom(data, 'a.b.c')  # Вернёт 'd'
print(result)

2.Обработка вложенных списков:

# Пример данных
data = {'a': [{'k': 'v1'}, {'k': 'v2'}]}

# Доступ к данным в вложенных списках с помощью шаблона
result = glom(data, 'a.*.k')  # Вернёт ['v1', 'v2']
print(result)

3.Преобразование данных. Glom позволяет не только получать данные, но и преобразовывать их:

# Пример данных
data = {'a': {'b': 'c', 'd': 'e'}, 'f': 'g', 'h': [0, 1, 2]}

# Определение спецификации преобразования
spec = {'a': 'a.b', 'd': 'a.d', 'h': ('h', [lambda x: x * 2])}

# Применение спецификации преобразования
output = glom(data, spec)
print(output)  # Вывод {'a': 'c', 'd': 'e', 'h': [0, 2, 4]}

4.Обработка ошибок. Glom предоставляет читаемые сообщения об ошибках, что позволяет быстро находить и исправлять проблемы:

# Пример данных
data = {'a': {'b': None}}

# Попытка доступа к несуществующему пути
try:
    result = glom(data, 'a.b.c')
except Exception as e:
    print(e)  # Вывод сообщения об ошибке

⛓Документация glom
⛓Руководство по glom

💡Заключение
Glom — это мощный инструмент для работы с вложенными данными. Он позволяет легко получать доступ к данным и преобразовывать их с помощью путей и спецификаций. Glom подходит как для аналитиков данных, так и для разработчиков, которые хотят упростить работу с вложенными структурами данных.

🐍 Pythoner

✈️Boltons — это открытая библиотека Python, которая предоставляет набор общих, лёгких и независимых утилит. Создана она Mahmoud Hashemi и доступна на GitHub. Boltons разработаны для того, чтобы дополнить стандартную библиотеку Python, предоставляя функции, которые часто нужны, но отсутствуют в стандартной библиотеке.

➡️Основные возможности
Boltons содержит множество модулей, каждый из которых специализируется на определенной области функциональности. Вот некоторые ключевые модули и возможности:

1. iterutils:
Утилиты для работы с итераторами и итерируемыми объектами, включая расширенные инструменты itertools и шаблоны итерирования.

2. strutils:
Дополнительные инструменты для работы со строками, такие как расширенная интерполяция, форматирование текста и заполнение.

3. fileutils:
Утилиты для работы с файлами и каталогами, включая итерацию по файлам, атомарное сохранение файлов и операции с деревьями каталогов.

4. datetimeutils:
Расширенные инструменты для работы с датами и временем, включая более гибкие возможности парсинга и форматирования, работу с часовыми поясами и операции с
timedelta.

5. funcutils:
Утилиты для работы с функциями, такие как композиция функций, декораторы кэширования и валидации аргументов.

6. cacheutils:
Утилиты для кэширования, такие как LRU-кэш.

7. dictutils:
Расширенные инструменты для работы со словарями, такие как OrderedMultiDict.

8. queueutils:
Утилиты для работы с очередями, такие как PriorityQueue.

9. tbutils:
Утилиты для работы с трассировками стека, такие как тип TracebackInfo, который упрощает отладку и отчёты об исключениях.

➡️Пример использования

from boltons.dictutils import OMD

# OrderedMultiDict — словарь, сохраняющий порядок и поддерживающий дубликаты ключей
data = OMD()
data.add('status', 'ok')
data.add('status', 'warning')

print(data.getlist('status'))  # ['ok', 'warning']

💡Заключение
Boltons — это мощная библиотека утилит, которая дополняет стандартную библиотеку Python, предоставляя множество дополнительных инструментов и функций. Независимо от того, являетесь ли вы разработчиком на Python или аналитиком данных, Boltons поможет вам повысить эффективность работы и упростить реализацию кода.

🐍 Pythoner

😈 IT memer

🤔Разбор

Атрибуты класса (count) являются общими для всех экземпляров класса.
Метод __del__ вызывается автоматически, когда объект уничтожается (например, после выполнения del или когда программа завершается).
Если объект больше не имеет ссылок, он удаляется сборщиком мусора, и вызывается деструктор.

🐍 Pythoner

✈️Astropy — это мощная библиотека Python, предназначенная для астрономических вычислений и анализа данных. Она предоставляет инструменты для работы с астрономическими данными, включая обработку изображений, анализ спектров, управление временем и координатами, а также множество других функций, которые облегчают работу астрономам и исследователям.

⚡️Основные возможности Astropy:

- Управление временем и датами: Astropy предоставляет инструменты для работы с астрономическим временем, включая преобразование между различными временными шкалами и форматами.

- Координатные системы: Библиотека позволяет работать с астрономическими координатами, включая преобразование между различными системами координат (например, экваториальными, эклиптическими и галактическими).

- Обработка изображений: Astropy включает инструменты для чтения, записи и обработки астрономических изображений, включая поддержку формата FITS (Flexible Image Transport System).

- Анализ спектров: Библиотека предоставляет функции для анализа астрономических спектров, включая измерение линий спектра и расчет физических параметров.

- Астрономические единицы и константы: Astropy предоставляет набор астрономических единиц и фундаментальных констант, которые можно использовать в вычислениях.

- Интеграция с другими библиотеками: Astropy интегрируется с другими популярными библиотеками Python, такими как NumPy, SciPy, Matplotlib и Pandas, что позволяет создавать мощные астрономические приложения.

➡️Примеры использования:

1.Работа с временем:

from astropy.time import Time

# Создание объекта времени
t = Time('2023-10-10 12:00:00', format='iso', scale='utc')

# Преобразование времени в другой формат
print(t.jd)  # Вывод времени в формате Julian Date

2.Работа с координатами:

from astropy.coordinates import SkyCoord
from astropy import units as u

# Создание объекта координат
c = SkyCoord(ra=10.68458*u.degree, dec=41.26917*u.degree, frame='icrs')

# Преобразование координат в другую систему
print(c.galactic)  # Вывод координат в галактической системе

3.Анализ спектров:

from astropy import units as u
from astropy.modeling import models, fitting

# Создание спектра
wavelength = [400, 500, 600, 700] * u.nm
flux = [1, 2, 3, 4] * u.Jy

# Подгонка модели к спектру
model = models.Gaussian1D(amplitude=2*u.Jy, mean=500*u.nm, stddev=50*u.nm)
fitter = fitting.LevMarLSQFitter()
fitted_model = fitter(model, wavelength, flux)

# Вывод параметров модели
print(fitted_model)

💡Заключение
Astropy предоставляет широкий набор инструментов для работы с астрономическими данными, включая обработку изображений, анализ спектров, управление временем и координатами. А благодаря простому и интуитивному API, Astropy легко интегрируется в проекты.

🐍 Pythoner

✈️Сегодня разберём тему, которая частенько вызывает головную боль даже у опытных разработчиков — области видимости переменных и ключевые слова global и nonlocal.

➡️В чём суть?
Представьте, что вы пишете функцию внутри функции и вам нужно изменить переменную "снаружи". Без special words Python скажет: "Неа, не получится!"

➡️Как это работает?
Global:

x = 5  # глобальная переменная

def change_x():
    global x  # говорим Python, что хотим менять глобальную x
    x = 10    # теперь работает!

change_x()
print(x)  # выведет 10

Nonlocal:

def outer():
    counter = 0  # переменная внешней функции
    
    def inner():
        nonlocal counter  # хотим менять counter из outer
        counter += 1      # работает!
    
    inner()
    print(counter)  # выведет 1

outer()

⚡️Важные моменты:

- Global можно использовать для создания новых переменных
- Nonlocal работает только с существующими переменными
- В Python 3.13 пофиксили баги с global в блоках else и except

➡️Типичные ошибки:
Неправильно:

def bad_function():
    print(x)    # ошибка!
    global x    # global нужно объявлять до использования
    x = 10

Правильно:

def good_function():
    global x
    print(x)    # теперь всё ок
    x = 10

➡️Полезные инструменты:
Чтобы проверить, какие переменные у вас есть:

print(globals())  # все глобальные переменные
print(locals())   # все локальные переменные

💡Практические советы:

- Используйте global только когда действительно необходимо
- Nonlocal отлично подходит для счетчиков и аккумуляторов
- Всегда документируйте использование global и nonlocal в комментариях
- Старайтесь минимизировать использование глобальных переменных

🐍 Pythoner

✈️SymPy — это библиотека Python для символьных вычислений. Она предоставляет инструменты для работы с математическими выражениями, включая алгебру, исчисление, линейную алгебру, комбинаторику и многое другое. SymPy позволяет выполнять вычисления с символьными переменными, что делает ее идеальным инструментом для математиков, физиков и инженеров, которые работают с аналитическими вычислениями.

➡️Основные возможности SymPy:

1.Символьные переменные и выражения:
SymPy позволяет создавать символьные переменные и выполнять операции с ними, не присваивая им конкретных числовых значений.

2.Алгебра:
SymPy предоставляет инструменты для работы с алгебраическими выражениями, включая упрощение, разложение и факторинг.

3.Исчисление:
SymPy поддерживает дифференцирование, интегрирование, пределы и ряды Тейлора.

4.Линейная алгебра:
SymPy позволяет работать с матрицами и векторами, включая операции сложения, умножения, определения и решения систем линейных уравнений.

5.Решение уравнений:
SymPy предоставляет инструменты для решения алгебраических и дифференциальных уравнений.

6.Графики:
SymPy интегрируется с Matplotlib для визуализации математических функций и выражений.

➡️Примеры использования:

1.Создание символьных переменных и выражений:

from sympy import symbols, sin, cos

# Создание символьных переменных
x, y = symbols('x y')

# Создание выражения
expr = sin(x) + cos(y)

# Вывод выражения
print(expr)

2.Работа с матрицами:

from sympy import Matrix

# Создание матрицы
A = Matrix([[1, 2], [3, 4]])

# Вычисление определителя
det_A = A.det()
print('Определитель матрицы A:', det_A)

# Решение системы линейных уравнений
B = Matrix([1, 2])
solutions = A.solve(B)
print('Решение системы уравнений:', solutions)

➡️Документация и дополнительные ресурсы:

Официальный сайт

GitHub

Документация

🐍 Pythoner

🤔Разбор

Важно знать, что (2) —> просто 2. (2,) —> кортеж с элементом 2
В круглых скобках запятая сильно решает.

Умножая 'a' * 2 —> 'aa'
Список всегда список, поэтому b —> ['b', 'b']

Ну и f-строка выведет это все, предварительно отформатировав в текст.

🐍 Pythoner

➡️NumPy (Numerical Python) - это библиотека Python, которая предоставляет поддержку для работы с многомерными массивами и эффективными математическими функциями. В NumPy индексы используются для доступа к элементам массива. В NumPy существует несколько способов индексации массивов:

1. Индексирование с помощью целых чисел: Можно использовать целые числа для доступа к элементам массива. Массивы в NumPy индексируются начиная с 0:

   import numpy as np

   arr = np.array([10, 20, 30, 40, 50])
   print(arr[2])  # Выводит 30 (значение с индексом 2)
   

2. Индексирование многомерных массивов: В многомерном массиве можно использовать кортеж индексов для доступа к элементам:

   import numpy as np
   
   arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
   print(arr[1, 2])  # Выводит 6 (элемент во второй строке и третьем столбце)
   

3. Использование срезов (slicing): Можно использовать срезы для извлечения подмассива из массива:

   import numpy as np
   
   arr = np.array([1, 2, 3, 4, 5])
   print(arr[1:4])  # Выводит [2, 3, 4] (элементы со второго по четвертый)
   

4. Индексирование с использованием булевых массивов: Можно использовать булевы массивы для фильтрации элементов массива:

   import numpy as np
   
   arr = np.array([1, 2, 3, 4, 5])
   mask = np.array([True, False, True, False, True])
   print(arr[mask])  # Выводит [1, 3, 5] (выбирает элементы, соответствующие True)
   

5. Индексирование fancy indexing: Позволяет выбирать элементы массива, используя массив индексов:

   import numpy as np
   
   arr = np.array([10, 20, 30, 40, 50])
   indices = np.array([1, 3, 4])
   print(arr[indices])  # Выводит [20, 40, 50] (выбирает элементы с индексами 1, 3 и 4)
   

⬆️Это основные методы индексации в NumPy, которые помогут вам эффективно работать с массивами и многомерными данными в Python. NumPy предоставляет мощные средства работы с данными и вычислениями, особенно в области научных вычислений и анализа данных.

🐍 Pythoner

✈️BeautifulSoup — это мощная библиотека Python для парсинга HTML и XML документов. Она предоставляет инструменты для извлечения данных из веб-страниц, что делает ее идеальным инструментом для веб-скрапинга и анализа данных. BeautifulSoup легко интегрируется с другими библиотеками, такими как Requests, что позволяет создавать мощные веб-приложения.

➡️Основные возможности BeautifulSoup:

1.Парсинг HTML и XML:
BeautifulSoup позволяет парсить HTML и XML документы, включая сложные структуры и вложенные элементы.

2. Извлечение данных:
Библиотека предоставляет инструменты для извлечения данных из HTML и XML, включая поисковые функции и фильтры.

3. Работа с тегами и атрибутами:
BeautifulSoup позволяет легко работать с тегами и атрибутами, включая добавление, удаление и изменение элементов.

4. Поддержка различных парсеров:
BeautifulSoup поддерживает несколько парсеров, включая html.parser, lxml и html5lib, что позволяет выбирать наиболее подходящий для ваших задач.

5. Интеграция с другими библиотеками:
BeautifulSoup легко интегрируется с другими библиотеками Python, такими как Requests, что позволяет создавать мощные веб-приложения.

➡️Примеры использования. Парсинг HTML:

from bs4 import BeautifulSoup

# HTML-документ
html_doc = """
<html>
<head>
    <title>Пример страницы</title>
</head>
<body>
    <h1>Заголовок</h1>
    <p>Это пример веб-страницы.</p>
    <a href="https://example.com">Ссылка</a>
</body>
</html>
"""

# Создание объекта BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

# Извлечение заголовка
title = soup.title.string
print('Заголовок:', title)

# Извлечение всех абзацев
paragraphs = soup.find_all('p')
for p in paragraphs:
    print('Абзац:', p.text)

# Извлечение ссылки
link = soup.find('a')['href']
print('Ссылка:', link)

Парсинг XML:

from bs4 import BeautifulSoup

# XML-документ
xml_doc = """
<root>
    <item>
        <name>Пример</name>
        <value>123</value>
    </item>
</root>
"""

# Создание объекта BeautifulSoup
soup = BeautifulSoup(xml_doc, 'xml')

# Извлечение всех элементов <item>
items = soup.find_all('item')
for item in items:
    name = item.find('name').text
    value = item.find('value').text
    print(f'Имя: {name}, Значение: {value}')

⚡️Ссылки:

Официальный сайт
GitHub
Документация

💡Заключение:
BeautifulSoup — это мощная библиотека для парсинга HTML и XML документов в Python. Она позволяет легко извлекать данные из веб-страниц, что делает ее идеальным инструментом для веб-скрапинга и анализа данных. BeautifulSoup легко интегрируется с другими библиотеками, такими как Requests, что позволяет создавать мощные веб-приложения. Благодаря простому и интуитивному API, BeautifulSoup легко использовать и интегрировать в ваши проекты.

🐍 Pythoner

✈️IceCream — это простая и мощная библиотека Python для отладки и логирования. Она предоставляет инструменты для быстрого и удобного вывода переменных и выражений во время разработки, что делает ее идеальным инструментом для отладки кода. IceCream позволяет быстро находить и исправлять ошибки, не отвлекаясь на сложные механизмы логирования.

➡️Основные возможности IceCream:

- Простой синтаксис: IceCream предоставляет простой и интуитивный синтаксис для вывода переменных и выражений.

- Автоматическое форматирование: IceCream автоматически форматирует вывод, делая его читаемым и понятным.

- Конфигурируемость: Вы можете настроить IceCream, указывая уровень детализации, формат вывода и другие параметры.

- Интеграция с другими библиотеками: IceCream легко интегрируется с другими библиотеками Python, такими как logging, что позволяет использовать его в существующих проектах.

- Поддержка различных сред: IceCream поддерживает вывод в консоль, файлы и другие среды, что делает его универсальным инструментом для отладки.

➡️Примеры использования:

1. Вывод переменных:

from icecream import ic

# Пример переменных
a = 10
b = 20

# Вывод переменных с помощью IceCream
ic(a, b)

2. Вывод выражений:

from icecream import ic

# Пример выражения
result = a + b

# Вывод выражения с помощью IceCream
ic(result)

3. Конфигурация IceCream:

from icecream import ic

# Настройка уровня детализации
ic.configureOutput(includeContext=True)

# Вывод переменных с настройками
ic(a, b)

4. Использование IceCream в функциях:

from icecream import ic

def add(x, y):
    result = x + y
    ic(result)
    return result

# Вызов функции
add(5, 7)

💡Заключение:
IceCream позволяет быстро выводить переменные и выражения, что делает ее идеальным инструментом для отладки кода, а благодаря простому и интуитивному API, IceCream легко использовать и интегрировать в ваши проекты.

🐍 Pythoner

✈️Celery — это мощная библиотека Python для асинхронной обработки задач. Она позволяет выполнять задачи в фоновом режиме, что делает ее идеальным инструментом для обработки задач, которые требуют значительного времени выполнения, таких как отправка электронной почты, обработка файлов и аналитика данных.

➡️Основные возможности Celery:
- Асинхронное выполнение задач: Celery позволяет выполнять задачи асинхронно, что позволяет вашему приложению оставаться отзывчивым и быстрым.

- Поддержка множества брокеров: Celery поддерживает множество брокеров сообщений, включая RabbitMQ, Redis, Amazon SQS и другие.

- Масштабируемость: Celery позволяет масштабировать обработку задач, добавляя дополнительные рабочие процессы или серверы.

- Переиспользование результатов: Celery позволяет сохранять результаты выполнения задач, что позволяет переиспользовать их в других частях вашего приложения.

- Обработка ошибок и повторные попытки: Celery предоставляет механизмы для обработки ошибок и повторных попыток выполнения задач, что делает ваше приложение более надежным.

- Интеграция с другими библиотеками: Celery легко интегрируется с другими библиотеками Python, такими как Flask, Django и Pyramid, что позволяет использовать его в существующих проектах.

➡️Примеры использования:
1. Создание задачи:

from celery import Celery

# Создание экземпляра Celery
app = Celery('tasks', broker='redis://localhost:6379/0')

# Определение задачи
@app.task
def add(x, y):
    return x + y

2. Выполнение задачи асинхронно:

# Выполнение задачи асинхронно
result = add.delay(4, 4)

# Получение результата
print(result.get())  # Вывод: 8

3. Использование Celery с Flask:

from flask import Flask
from celery import Celery

app = Flask(__name__)
celery = Celery(app.name, broker='redis://localhost:6379/0')

@celery.task
def process_data(data):
    # Обработка данных
    return data

@app.route('/process', methods=['POST'])
def process():
    data = request.json
    result = process_data.delay(data)
    return jsonify({'task_id': result.id})

⛓Документация и дополнительные ресурсы:
Официальный сайт
GitHub

💡Заключение:
Celery идеально подходит для обработки задач, которые требуют значительного времени выполнения, и легко интегрируется с другими библиотеками Python.

🐍 Pythoner

😈 IT memer