➡️Хендлеры - это функции, которые вызываются при получении определенного события от пользователя. В телеграм ботах, хендлеры используются для обработки входящих сообытий и выполнения определенных действий в ответ на эти события (отправка сообщения, взаимодействие с сообщением и т.д.).

Хендлеры могут быть созданы для обработки текстовых сообщений, фотографий, аудио и других типов сообщений, которые могут быть отправлены в телеграм бота.

➡️Как работают хендлеры?

При создании бота в телеграме, необходимо создать соединение с API телеграма. Затем, для каждого типа сообщений, необходимо создать соответствующий хендлер, который будет обрабатывать этот тип сообщения.

Когда пользователь отправляет сообщение в бота, телеграм сервер отправляет это сообщение в вашу программу, в которой запущен ваш бот. Затем, используя созданные хендлеры, ваша программа обрабатывает это сообщение и выполняет определенные действия в ответ на это сообщение.

🐍Pythoner

✈️Что такое Dask?

Dask - это гибкая библиотека для параллельных вычислений в Python. Она позволяет обрабатывать большие объемы данных, распределяя нагрузку на несколько ядер процессора или даже на кластер компьютеров.

➡️Почему Dask?
- Масштабируемость: от ноутбука до кластера
- Совместимость с экосистемой Python (NumPy, Pandas)
- Ленивые вычисления для оптимизации

🔎Примеры использования Dask

➡️Параллельные вычисления с Dask Array

import dask.array as da

# Создаем большой массив
x = da.random.random((10000, 10000), chunks=(1000, 1000))

# Выполняем операции
result = (x + 1).mean().compute()

print(f"Среднее значение: {result}")

➡️Обработка больших DataFrame с Dask

import dask.dataframe as dd

# Читаем большой CSV файл
df = dd.read_csv('huge_file.csv')

# Выполняем группировку и агрегацию
result = df.groupby('category').agg({'value': 'mean'}).compute()

print(result)

➡️Параллельное применение функций с Dask Delayed

from dask import delayed

@delayed
def process_data(x):
    # Здесь может быть сложная обработка
    return x * 2

data = [1, 2, 3, 4, 5]
results = [process_data(x) for x in data]
final_result = delayed(sum)(results).compute()

print(f"Итоговый результат: {final_result}")

➡️Заключение

Dask - это мощный инструмент для параллельной обработки данных в Python. Он позволяет легко масштабировать ваши вычисления и работать с большими объемами данных эффективно. Начните использовать Dask сегодня и ощутите разницу в скорости обработки ваших данных!

🐍Pythoner

✈️Декораторы позволяют модифицировать поведение функции без изменения её кода. Используются для логирования, проверки прав доступа, кеширования и других задач.

Декоратор — это функция, которая принимает другую функцию как аргумент и возвращает новую функцию.

➡️Пример:

def my_decorator(func):
    def wrapper():
        print("Выполнение функции:")
        func()
        print("Завершено.")
    return wrapper

@my_decorator
def say_hello():
    print("Привет, мир!")

say_hello()

Выполнение функции:
Привет, мир!
Завершено.

🔫Здесь декоратор @my_decorator оборачивает функцию say_hello(), добавляя вывод до и после её выполнения.
Это удобно для повторяющихся действий — логирование, проверка доступа и т.д.

🐍Pythoner

✈️Новички часто удивляются, когда данные "меняются сами по себе". Причина — путаница между изменяемыми и неизменяемыми типами.

➡️Неизменяемые типы (immutable):
int, float, str, tuple, bool, frozenset

a = "hi"
b = a
a = "bye"
print(b)  # hi

🔫b осталась "hi", потому что строки неизменяемы. a = "bye" создала новый объект.

➡️Изменяемые типы (mutable):
list, dict, set, bytearray, user-defined объекты

a = [1, 2, 3]
b = a
a.append(4)
print(b)  # [1, 2, 3, 4]

🔫b тоже изменилась, потому что список — изменяемый. b = a — это ссылка на тот же объект.

➡️Что это значит на практике?
- Можно "безопасно" копировать неизменяемые значения
- С изменяемыми — нужно использовать .copy() или copy.deepcopy(), если не хочешь менять оригинал

➡️Пример с функцией:

def add_item(lst):
    lst.append(99)

my_list = [1, 2]
add_item(my_list)
print(my_list)  # [1, 2, 99]

🔫Список изменился! Потому что передали ссылку, а не копию.

💡Заключение
Неизменяемые типы создают копии при присваивании, изменяемые — передают ссылку.Всегда думай, что именно ты копируешь: значение или объект.

🐍Pythoner

✈️Функция any() используется для проверки наличия хотя бы одного True элемента в итерируемом объекте.

➡️Пример использования функции any(). Функция any() принимает итерируемый объект в качестве аргумента и возвращает True, если хотя бы один из элементов итерируемого объекта равен True. Давайте рассмотрим пример:

numbers = [0, 1, 2, 3, 4]
result = any(numbers)
print(result) # Output: True

⬆️В этом примере мы создали список чисел и передали его в функцию any(). Функция any() вернула True, потому что в списке есть хотя бы один элемент, равный True.

numbers = [0, 0, 0, 0, 0]
result = any(numbers)
print(result) # Output: False

⬆️В этом примере выводом будет False, так как все элементы - это 0.

0 — False
n < 0 или n > 0 или type(n) == str — True

🐍Pythoner

✈️Функция all() проверяет, что все элементы итерируемого объекта приводятся к True. Это удобно для краткой проверки, выполняются ли все условия без написания явных циклов.

➡️Пример:

values = [1, True, "hello", 5]
result = all(values)
print(result)  # True

🔫В этом примере all() вернёт True, потому что все элементы не являются ложными значениями (0, False, None, '' и т.п.).

💡all() удобно использовать при валидации форм, проверке флагов, условий, или когда нужно убедиться, что все элементы в коллекции удовлетворяют какому-либо критерию. Это делает код лаконичнее и понятнее.

🐍Pythoner

🖼Библиотека PIL (Python Imaging Library) является одной из самых популярных библиотек для обработки изображений.

➡️Создание и редактирование изображений

Одной из главных возможностей библиотеки PIL является возможность создания и редактирования изображений. С ее помощью можно создавать новые изображения с определенными размерами и цветовыми схемами, а также редактировать существующие изображения. Например, можно добавлять текст, рисовать графические примитивы, наносить различные эффекты и многое другое.

➡️Обработка изображений в пакетном режиме

Библиотека PIL также предоставляет возможность обработки изображений в пакетном режиме. Это означает, что можно применять определенные операции к нескольким изображениям одновременно. Например, можно изменить размер и применить фильтр ко множеству изображений, что сэкономит время и упростит процесс обработки большого количества изображений.

🐍Pythoner

✈️В Python объекты делятся на изменяемые (mutable) и неизменяемые (immutable). Это ключевая концепция, которая влияет на работу с переменными, аргументами функций и коллекциями.

➡️Пример:

def add_item(lst):
    lst.append(100)

my_list = [1, 2, 3]
add_item(my_list)
print(my_list)  # [1, 2, 3, 100]

➡️Списки — это изменяемый тип. Функция изменила оригинальный объект, переданный как аргумент. Если бы мы использовали кортеж (immutable), такое поведение вызвало бы ошибку.

Изменяемые типы: list, dict, set, bytearray
Неизменяемые: int, float, str, tuple, frozenset

💡Понимание этой разницы важно при:

• работе с функциями (аргументы по ссылке),
• проектировании безопасных API,
• использовании словарей и множеств (ключи должны быть immutable).

🐍Pythoner

➡️Иногда элементы массива изначально неизвестны, но массив для их хранения необходим сейчас. Поэтому в NumPy есть функции для создания массива с исходным содержимым (по умолчанию тип массива — float64)

➡️ zeros((n, m)) - создает массив нулей с размером n x m.

>>> np.zeros((3, 2))
array([[0., 0.],
[0., 0.],
[0., 0.]])

➡️ ones((n, m)) - создает массив единиц с размером n x m.

>>> np.ones((2, 3))
array([[1., 1., 1.],
[1., 1., 1.]])

>>> np.ones((2, 2), dtype=np.int16)
array([[1, 1],
[1, 1]], dtype=int16)

➡️empty() - создает массив без заполнения. Исходное содержимое случайно и зависит от состояния памяти на момент создания массива (мусор, что в ней хранится).

>>> np.empty((2,2))
array([[5.e-324, 0.e+000],
[0.e+000, 5.e-324]])

🐍Pythoner

✈️Когда работаешь с Git, важно не засорять репозиторий временными и локальными файлами. Для Python это особенно актуально.

➡️Вот минимальный набор, который должен быть в .gitignore:

# Кэш компиляции Python
__pycache__/
*.py[cod]

# Виртуальное окружение
venv/
env/

# Файлы зависимостей и IDE
*.log
*.sqlite3
*.env
*.DS_Store

# VS Code / PyCharm и прочее
.vscode/
.idea/

# Файлы зависимостей
pip-wheel-metadata/
*.egg-info/
dist/
build/

💡Зачем это всё?
— Не лить в гит лишнее
— Исключить локальные настройки и окружение
— Сохранить проект чистым и переносимым

🐍Pythoner

🤔Разбор

В Python при приведении к bool любая непустая строка(даже если это пробелы) оценивается как True, а комплексный ноль - False

🐍 Pythoner

✈️Вместо copy.deepcopy() можно эффективно копировать dataclass с изменением полей.

➡️Пример:

from dataclasses import dataclass, replace

@dataclass
class User:
    name: str
    age: int

user1 = User("Alice", 30)
user2 = replace(user1, age=35)

print(user2)  # User(name='Alice', age=35)

💡Зачем это нужно?
- Можно изменять объект, не модифицируя оригинал.
- Работает быстрее, чем deepcopy().
- Удобно для immutable объектов.

🐍Pythoner

✈️Matplotlib - это библиотека для построения графиков на языке Python. Она широко используется в области научных и инженерных вычислений, а также в визуализации данных.

➡️Создание простого графика-
Для начала давайте создадим простой график. Для этого нам понадобятся данные, которые мы будем отображать на графике. В примере ниже мы создадим массив данных для точек x и y:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.show()

⬆️В этом примере мы импортируем библиотеку Matplotlib и создаем два массива данных для значений x и y. Затем мы используем функцию plot() для построения графика, передавая ей значения x и y. Наконец, мы используем функцию show() для отображения графика.

🐍Pythoner

➡️set.isdisjoint() в Python - это метод, который используется для проверки, не имеют ли два множества общих элементов. Если два множества не имеют общих элементов, то метод isdisjoint() возвращает True, в противном случае он возвращает False.

➡️Пример использования метода set.isdisjoint():

set1 = {1, 2, 3}
set2 = {4, 5, 6}

# Проверяем, не имеют ли два множества общих элементов
result = set1.isdisjoint(set2)

print(result)  # Выводит True, поскольку множества не имеют общих элементов

Если бы у нас было два множества с общими элементами, метод isdisjoint() вернул бы False:

set3 = {1, 2, 3}
set4 = {3, 4, 5}

result = set3.isdisjoint(set4)

print(result)  # Выводит False, так как множества имеют общий элемент (число 3)

➡️Преимущества использования метода set.isdisjoint():

-Простота и удобство проверки наличия общих элементов: Метод isdisjoint() предоставляет простой способ быстрой проверки наличия общих элементов между двумя множествами.

-Эффективность: Поиск общих элементов выполняется эффективно благодаря внутренней реализации Python для множеств.

Этот метод особенно полезен, если вам нужно определить, существует ли пересечение между двумя множествами перед выполнением других операций.

🐍Pythoner

✈️Surprise (Simple Python Recommendation System Engine) предоставляет готовые инструменты для быстрого обучения и оценки алгоритмов рекомендаций на основе пользовательских предпочтений.

➡️Ключевая функция:
Простое тестирование и сравнение классических алгоритмов (KNN, SVD, SlopeOne) на ваших данных с акцентом на точность предсказаний.

➡️Пример:

from surprise import Dataset, KNNBasic
from surprise.model_selection import cross_validate

# Загрузка встроенного датасета MovieLens
data = Dataset.load_builtin('ml-100k')

# Обучение KNN-модели 
algo = KNNBasic()
cross_validate(algo, data, measures=['RMSE'], cv=5, verbose=True)

💡Главный плюс:
Чистый API для экспериментов с рекомендательными алгоритмами без сложной инфраструктуры — идеально для исследований и прототипирования.

🐍Pythoner

✈️Конструкция try-except - это база, которая позволяет перехватывать ошибки во время выполнения и избегать падения программы.

➡️Пример:

user_input = "42a"

try:
    number = int(user_input)
    print("Число:", number)
except ValueError:
    print("Ошибка: это не целое число")

Ошибка: это не целое число

💡Полезно при работе с вводом, файлами, сетью и любыми нестабильными операциями. Можно добавить else и finally для дополнительной логики.

🐍Pythoner

✈️Fugue — это мощный инструмент для обработки данных, который объединяет возможности Python и SQL. Она разработана для упрощения обработки данных в распределенных системах, таких как Apache Spark и Dask, и позволяет писать код, который будет работать как в локальном режиме, так и в распределенном.

➡️Основные возможности:
💬Упрощение кода для обработки данных
💬Поддержка различных движков выполнения (Spark, Dask)
💬Поддержка SQL, что позволяет использованию знакомого синтаксиса для работы с данными

➡️Пример использования:

# Установка библиотеки
!pip install fugue

# Импорт необходимых модулей
from fugue import FugueEngine
from fugue.spark import SparkExecutionEngine

# Пример обработки данных
def process_data(df):
    return df.groupby("category").agg({"value": "sum"})

# Инициализация движка
engine = SparkExecutionEngine()

# Чтение данных
data = [
    {"category": "A", "value": 10},
    {"category": "B", "value": 20},
    {"category": "A", "value": 30},
]

# Обработка данных
result = engine.run(data, process_data)

# Вывод результата
print(result)

⬆️В этом примере мы определили функцию обработки данных, которая группирует данные по категории и суммирует значения. Далее инициализировали движок для выполнения фрейма данных и запустили обработку с использованием локальных данных, и вывели результат.

🐍Pythoner