Python Hub - сборище Питонистов
1.71K subscribers
657 photos
1 video
37 files
276 links
Уголок счастья для любого питониста.

Сотрудничество или заказы: @leshunist

https://shcoder.dev - студия разработки ShcoderDevelopment

https://t.me/pythonhub_chat - чат
Download Telegram
📚 Python-разработчики, сегодня поговорим о мощной библиотеке importlib! 🐍

🔍 Что такое importlib?

Это встроенная библиотека Python, которая предоставляет интерфейс для механизма импорта. С ее помощью вы можете программно импортировать модули, перезагружать их и даже создавать свои собственные импортеры! 🚀

💡 Вот простой пример использования importlib:

import importlib

# Динамический импорт модуля
math = importlib.import_module('math')

# Использование импортированного модуля
print(math.pi) # Выводит 3.141592653589793

# Перезагрузка модуля
importlib.reload(math)


🔧 С importlib вы можете:
• Динамически импортировать модули
• Перезагружать модули во время выполнения
• Создавать пользовательские импортеры
• Работать с пространствами имен пакетов

🏆 Эта библиотека особенно полезна при разработке плагинов, создании расширяемых приложений или отладке кода.

Изучайте, экспериментируйте и становитесь Python-гуру! 🧠💻

https://docs.python.org/3/library/importlib.html
👍31
Было, что быстро печатаете код и вводите буквы в разном порядке?🧐🧐 Думаю, что почти у всех было!😆😆
👍61😁1
Python Hub - сборище Питонистов
Что выдаст код выше? ⬆️
Разбор ⬇️

z = [x, y] создает список z, содержащий два элемента: список x и список y. Таким образом, z — это [[1, 2, 3], [4, 5]]. y.append(6) добавляет элемент 6 в конец списка y. После этой операции y становится [4, 5, 6]. Поскольку z содержит ссылки на x и y, любые изменения, внесенные в x или y, будут отражены в z. Когда y изменяется путем добавления 6, это изменение становится видимым в z, поскольку z содержит ссылку на исходный список y.
Please open Telegram to view this post
VIEW IN TELEGRAM
3
🚀 Привет, коллеги!

Многие из вас знакомы с Habr. Кто-то уже делился там своими статьями, а кто-то, возможно, столкнулся с модерацией или другими сложностями.

Мы с командой начали новый проект — DevGurt — площадку для общения и публикации статей для всех, кто так или иначе связан с Dev-IT индустрией. Проект сейчас находится на стадии MVP (минимально жизнеспособный продукт), но мы активно работаем над его развитием и расширением.
(☺️https://devgurt.com/☺️)

Чем вы можете помочь? Мы ждем вашей поддержки, советов и, конечно, обратной связи! Регистрируйтесь, публикуйте статьи, делитесь мнениями. Нам важно знать, что вы думаете!
(Форма обратной связи - https://forms.gle/hra11i99sDsh31XG7)

💡 В планах — подключение монетизации, чтобы авторы могли получать вознаграждения за свой труд.

Присоединяйтесь и давайте вместе создадим что-то крутое!

https://devgurt.com/


p.s. Небольшая статья о том, как пользоваться платформой
https://devgurt.com/offtop/16-cto-takoe-devgurt-i-kak-im-polzovatsya
❤‍🔥2👍2😱21👨‍💻1
Оптимизация производительности с Numba в Python 🐍

🔍 Что такое Numba?

Numba - это JIT-компилятор (Just-In-Time), который преобразует Python и NumPy код в быстрый машинный код. Это позволяет значительно ускорить выполнение вычислительно-интенсивных задач. 🧠⚡️

💡 Как использовать Numba?

Использовать Numba очень просто! Вот пример:

from numba import jit
import numpy as np

@jit(nopython=True)
def sum_of_squares(arr):
sum = 0
for i in range(arr.shape[0]):
sum += arr[i]**2
return sum

# Пример использования
arr = np.arange(1000000)
result = sum_of_squares(arr)
print(f"Сумма квадратов: {result}")


🔬 Что происходит?


1️⃣ Мы импортируем декоратор @jit из Numba

2️⃣ Применяем декоратор к нашей функции

3️⃣ Numba компилирует функцию при первом вызове

4️⃣ Последующие вызовы используют скомпилированную версию 🚀

📊 Результаты

На больших массивах Numba может ускорить код в десятки раз! Например, для массива из миллиона элементов:

- Обычный Python: ~1 секунда
- С Numba: ~0.01 секунды ⚡️

🎯 Советы по использованию

- Используйте режим nopython=True для максимальной производительности
- Numba лучше всего работает с числовыми типами данных и NumPy массивами
- Избегайте использования Python-объектов внутри jit-функций
👍4
This media is not supported in the widget
VIEW IN TELEGRAM
👎7🗿5
Python Hub - сборище Питонистов
Купите возможность посмотреть на черный квадрат😏 p.s. хочу посмотреть на то, как работают TG STARS
1️⃣. Привычно ли смотреть на текст НАД картинкой?🧐
2️⃣. Стоит ли применять такую логику в постах?

3️⃣. За что вы начали ставить дизлайки?🫣😔
4️⃣. Знали, что платный контент нельзя редачить? Знайте!
👍42👎1🥴1
Создание собственных декораторов с functools.wraps на Python 🐍

Что такое декораторы? 🤔

Декораторы в Python - это мощный инструмент для изменения поведения функций или классов без изменения их исходного кода. Они позволяют "обернуть" существующую функцию дополнительной функциональностью.

Зачем нужен functools.wraps? 🎁

При создании декораторов возникает проблема: метаданные декорируемой функции (такие как имя и документация) теряются. Здесь на помощь приходит functools.wraps!

Пример декоратора без functools.wraps 😕

def my_decorator(func):
def wrapper(*args, **kwargs):
print("До выполнения функции")
result = func(*args, **kwargs)
print("После выполнения функции")
return result
return wrapper

@my_decorator
def greet(name):
"""Эта функция приветствует пользователя"""
print(f"Привет, {name}!")

print(greet.__name__) # Выводит: wrapper
print(greet.__doc__) # Выводит: None


Пример с использованием functools.wraps 🌟

from functools import wraps

def my_decorator(func):
@wraps(func)
def wrapper(*args, **kwargs):
print("До выполнения функции")
result = func(*args, **kwargs)
print("После выполнения функции")
return result
return wrapper

@my_decorator
def greet(name):
"""Эта функция приветствует пользователя"""
print(f"Привет, {name}!")

print(greet.__name__) # Выводит: greet
print(greet.__doc__) # Выводит: Эта функция приветствует пользователя


Преимущества использования functools.wraps 🏆

1. Сохранение метаданных функции
2. Улучшение отладки и документирования
3. Совместимость с инструментами анализа кода
👍1🤯1
🔥 Параллельная обработка данных с Dask в Python: Мощь и Простота

➡️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 💡

➡️1. 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}")


➡️ 2. 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)


➡️ 3. 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! 🚀
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
Друзья, у нас отличные новости!

Теперь вы можете писать и публиковать свои статьи на различные IT-темы на нашем сайте — devgurt.com 🖥. Лучшие работы и авторы будут отмечены и вознаграждены! 💻

Статьи будут попадать в нашу группу с указанием автора, если вы пожелаете!©️

А ещё, мы запустили второй телеграм-канал — @devgurt 🚀.

Там будут появляться статьи не только по Python, но и по программированию и технологиям в целом. Присоединяйтесь и будьте в курсе всех новинок! 🔥

Подписывайтесь и делитесь своими знаниями с сообществом! 😉
Please open Telegram to view this post
VIEW IN TELEGRAM
5
❗️Работа с памятью: weakref модуль в Python❗️


1. Модуль weakref 🔗

Модуль weakref предоставляет инструменты для создания слабых ссылок на объекты. 🛠

➡️ Что такое слабые ссылки? 🤔

Слабые ссылки позволяют ссылаться на объект без увеличения его счетчика ссылок. Это означает, что объект может быть удален сборщиком мусора, даже если на него есть слабая ссылка. 🗑

➡️ Пример использования weakref:

import weakref

class MyClass:
pass

obj = MyClass()
weak_ref = weakref.ref(obj)

print(weak_ref()) # Выводит объект MyClass
del obj
print(weak_ref()) # Выводит None


🔺 Заключение 🎓

Использование модуля weakref позволяет разработчикам Python лучше контролировать управление памятью в своих программах. Это особенно полезно при работе с большими объемами данных или в системах с ограниченными ресурсами. 💡
Please open Telegram to view this post
VIEW IN TELEGRAM
3👍2
❗️Что такое Legacy код?❗️

Legacy код, или унаследованный код, - это существующая кодовая база, которая продолжает использоваться, несмотря на то, что она может быть устаревшей, плохо структурированной или трудной для поддержки. 🏛

➡️ Характеристики Legacy кода 📊

- Устаревшие технологии или методологии 🕰
- Отсутствие или недостаточность документации 📄
- Сложность в поддержке и расширении 🔧
- Высокая связность и низкая сплоченность 🔗

➡️ Примеры Legacy кода на разных языках 💻

😅 Python

# Legacy код на Python
def calculate_total(items):
total = 0
for item in items:
total = total + item['price'] * item['quantity']
return total

# Современный эквивалент
def calculate_total(items):
return sum(item['price'] * item['quantity'] for item in items)

😄 C++ 🔨 и Java ☕️ коды доступны в нашем телеграм канале, посвященному разработке не только на Python


➡️ Проблемы, связанные с Legacy кодом 🚧

- Сложность внесения изменений и добавления новых функций 🔒
- Повышенный риск появления ошибок при модификации 🐛
- Трудности в интеграции с современными технологиями 🔌
- Зависимость от устаревших библиотек и фреймворков 📚

➡️ Стратегии работы с Legacy кодом 🛠

- Постепенный рефакторинг 🔄
- Написание тестов для существующего кода 🧪
- Документирование существующей функциональности 📝
- Модульная замена частей системы 🧩

🔺 Заключение

Работа с Legacy кодом - это неизбежная часть жизни многих разработчиков. Хотя он может представлять сложности, правильный подход к его обработке может значительно улучшить качество и поддерживаемость программного обеспечения. 🌟
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2