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.

🔥 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! 🚀

✨ 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! 😉

❗️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. 💡

❗️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. 🌟

💸💸Полезный видос с оплатой в телеге!💸💸
https://www.youtube.com/watch?v=JOdyz-Mokac

Признавайся. Твоя фича?🤨

Разбор 👨‍💻

Большинство людей попалось на уловке с 27/3. Дело в том, что деление в Python всегда выдает дробное число. То бишь 27/3 —> 9.0. Если вы хотите получить целое, то используйте // (целочисленное деление)

🟢 Введение в FastStream (кратко) 🌊

FastStream - это мощная библиотека для Python, которая упрощает создание и управление потоковыми приложениями. Она предоставляет удобный интерфейс для работы с различными брокерами сообщений, такими как Kafka и RabbitMQ. 🐰🐘

✅ Основные преимущества FastStream 🌟

- 🔧 Простота использования
- 🚀 Высокая производительность
- 🔄 Поддержка асинхронного программирования
- 🔌 Легкая интеграция с существующими проектами

💠 Установка FastStream 💻

Для начала работы с FastStream, установите библиотеку с помощью pip:

pip install faststream

## Пример использования FastStream с Kafka 🚀

Давайте рассмотрим простой пример использования FastStream с Kafka:

from faststream import FastStream, Logger
from faststream.kafka import KafkaBroker

# Создаем брокер Kafka
broker = KafkaBroker("localhost:9092")

# Инициализируем FastStream
app = FastStream(broker)

# Определяем обработчик сообщений
@broker.subscriber("input-topic")
async def process_message(msg: str, logger: Logger):
    logger.info(f"Получено сообщение: {msg}")
    # Обработка сообщения
    processed_msg = msg.upper()
    # Отправка обработанного сообщения
    await broker.publish(processed_msg, "output-topic")

# Запускаем приложение
if __name__ == "__main__":
    app.run()

➡️ Объяснение примера 🧐

В этом примере мы:

1. Импортируем необходимые модули из FastStream.
2. Создаем брокер Kafka, указывая адрес сервера.
3. Инициализируем FastStream с нашим брокером.
4. Определяем функцию-обработчик сообщений с декоратором @broker.subscriber.
5. В обработчике мы логируем полученное сообщение, преобразуем его в верхний регистр и отправляем в другую тему.
6. Запускаем приложение с помощью app.run().

смотреть больше примеров можно тут в статье