Проект по анализу онлайн-магазина 👩‍💻
#Python

Структура проекта

project/
│
├── data/
│   └── user_actions.csv
│
├── app/
│   ├── __init__.py
│   ├── data_preprocessing.py
│   ├── model_training.py
│   ├── api.py
│
└── run.py

data_preprocessing.py
Этот файл будет содержать функции для предобработки данных

# app/data_preprocessing.py
import pandas as pd

def load_and_preprocess_data(filepath):
    data = pd.read_csv(filepath)
    data['visit_time'] = pd.to_datetime(data['visit_time'])
    data['visit_day'] = data['visit_time'].dt.day
    data['visit_hour'] = data['visit_time'].dt.hour
    data = pd.get_dummies(data, columns=['traffic_source'])
    data['time_since_last_visit'] = data.groupby('user_id')['visit_time'].diff().dt.total_seconds().fillna(0)
    return data

model_training.py
Этот файл будет содержать функции для обучения модели

# app/model_training.py
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import accuracy_score

def train_model(data):
    X = data.drop(columns=['user_id', 'visit_time', 'purchases'])
    y = data['purchases']
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    
    model = GradientBoostingClassifier()
    model.fit(X_train, y_train)
    
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    
    return model, accuracy

api.py
Этот файл будет содержать код для реализации API

# app/api.py
from flask import Flask, request, jsonify
import pandas as pd
from app.data_preprocessing import load_and_preprocess_data
from app.model_training import train_model

app = Flask(__name__)

# Загрузим и предобработаем данные
data = load_and_preprocess_data('data/user_actions.csv')
model, accuracy = train_model(data)

@app.route('/predict', methods=['POST'])
def predict():
    user_data = request.get_json()
    user_df = pd.DataFrame([user_data])
    user_df['visit_time'] = pd.to_datetime(user_df['visit_time'])
    user_df['visit_day'] = user_df['visit_time'].dt.day
    user_df['visit_hour'] = user_df['visit_time'].dt.hour
    user_df = pd.get_dummies(user_df, columns=['traffic_source'])
    
    for col in data.drop(columns=['user_id', 'visit_time', 'purchases']).columns:
        if col not in user_df.columns:
            user_df[col] = 0

    prediction = model.predict_proba(user_df)[:, 1]
    return jsonify({'purchase_probability': prediction[0]})

if __name__ == '__main__':
    app.run(debug=True)

run.py
Этот файл запускает Flask-приложение

# run.py
from app.api import app

if __name__ == '__main__':
    app.run(debug=True)

👩‍💻 Для запуска следуйте инструкции: run.py

Запуск проекта по анализу онлайн-магазина 👩‍💻

Установка зависимостей:

pip install pandas scikit-learn flask

Запустите Flask-приложение командой:

python run.py

Используйте инструмент вроде Postman или отправьте POST-запрос с помощью curl для тестирования API.
Пример запроса с помощью curl:

curl -X POST http://127.0.0.1:5000/predict -H "Content-Type: application/json" -d '{
    "visit_time": "2023-07-01 12:34:56",
    "page_views": 5,
    "time_on_site": 300,
    "add_to_cart": 1,
    "traffic_source": "search"
}'

Скрабер ключевых слов на Python
#Python

import string
from collections import Counter

def keyword_scraper(filename, threshold):
    """
    Скрабер ключевых слов из текстового файла с фильтрацией редких слов.

    :param filename: Имя текстового файла.
    :param threshold: Порог частоты слов для их включения в вывод.
    :return: None
    """
    try:
        with open(filename, 'r') as file:  # Открываем и читаем файл
            text = file.read()
        
        text = text.lower()  # Приводим текст к нижнему регистру
        
        translator = str.maketrans('', '', string.punctuation)  # Удаляем знаки препинания
        text = text.translate(translator)
        
        words = text.split()  # Разбиваем текст на слова
        
        word_counts = Counter(words)  # Считаем количество вхождений каждого слова
        
        filtered_word_counts = {word: count for word, count in word_counts.items() if count >= threshold}  # Фильтруем слова по порогу частоты
        
        sorted_word_counts = sorted(filtered_word_counts.items(), key=lambda item: item[1], reverse=True)  # Сортируем слова по убыванию частоты
        
        for word, count in sorted_word_counts:  # Выводим результат
            print(f'{word}: {count}')
    
    except FileNotFoundError:
        print(f"Файл {filename} не найден.")
    except Exception as e:
        print(f"Произошла ошибка: {e}")

# Пример использования
keyword_scraper('example.txt', 2)

Вот так все просто 😳

Генератор ключей шифрования 👩‍💻
#pythone

from cryptography.hazmat.primitives.asymmetric import rsa
from cryptography.hazmat.primitives import serialization
from cryptography.hazmat.backends import default_backend

def generate_keys():
    # Генерация приватного ключа
    private_key = rsa.generate_private_key(
        public_exponent=65537,
        key_size=2048,
        backend=default_backend()
    )

    # Генерация публичного ключа из приватного
    public_key = private_key.public_key()

    # Сериализация приватного ключа
    private_pem = private_key.private_bytes(
        encoding=serialization.Encoding.PEM,
        format=serialization.PrivateFormat.TraditionalOpenSSL,
        encryption_algorithm=serialization.BestAvailableEncryption(b'mypassword')
    )

    # Сериализация публичного ключа
    public_pem = public_key.public_bytes(
        encoding=serialization.Encoding.PEM,
        format=serialization.PublicFormat.SubjectPublicKeyInfo
    )

    # Сохранение ключей в файлы
    with open('private_key.pem', 'wb') as private_file:
        private_file.write(private_pem)

    with open('public_key.pem', 'wb') as public_file:
        public_file.write(public_pem)

    print("Ключи успешно сгенерированы и сохранены в файлы private_key.pem и public_key.pem")

if __name__ == "__main__":
    generate_keys()

👩‍💻 Сравнение алгоритмов поиска на #Python

import time

# Функция для линейного поиска
def linear_search(arr, target):
    for i in range(len(arr)):
        if arr[i] == target:
            return i
    return -1

# Функция для бинарного поиска
def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2
        if arr[mid] == target:
            return mid
        elif arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return -1

# Генерация большого массива
import random
large_arr = random.sample(range(1, 100000000), 10000000)  # Массив из 10000000 уникальных чисел
target = large_arr[random.randint(0, 9999999)]  # Случайный элемент из массива

# Время выполнения линейного поиска
start_time = time.time()
linear_search(large_arr, target)
end_time = time.time()
print(f"Линейный поиск занял: {end_time - start_time:.6f} секунд")

# Время выполнения бинарного поиска
large_arr.sort()  # Сортировка массива
start_time = time.time()
binary_search(large_arr, target)
end_time = time.time()
print(f"Бинарный поиск занял: {end_time - start_time:.6f} секунд")

Для сравнения 😎

Линейный поиск занял: 0.236526 секунд
Бинарный поиск занял: 0.000000 секунд

👩‍💻 Генератор Гороскопов на #Python

import random
import datetime

# Определим знаки зодиака
zodiac_signs = {
    "Овен": (datetime.date(2023, 3, 21), datetime.date(2023, 4, 19)),
    "Телец": (datetime.date(2023, 4, 20), datetime.date(2023, 5, 20)),
    "Близнецы": (datetime.date(2023, 5, 21), datetime.date(2023, 6, 20)),
    "Рак": (datetime.date(2023, 6, 21), datetime.date(2023, 7, 22)),
    "Лев": (datetime.date(2023, 7, 23), datetime.date(2023, 8, 22)),
    "Дева": (datetime.date(2023, 8, 23), datetime.date(2023, 9, 22)),
    "Весы": (datetime.date(2023, 9, 23), datetime.date(2023, 10, 22)),
    "Скорпион": (datetime.date(2023, 10, 23), datetime.date(2023, 11, 21)),
    "Стрелец": (datetime.date(2023, 11, 22), datetime.date(2023, 12, 21)),
    "Козерог": (datetime.date(2023, 12, 22), datetime.date(2024, 1, 19)),
    "Водолей": (datetime.date(2024, 1, 20), datetime.date(2024, 2, 18)),
    "Рыбы": (datetime.date(2024, 2, 19), datetime.date(2024, 3, 20))
}

# Наборы фраз для генерации гороскопов
beginnings = [
    "Сегодня вас ждет", "На вашем пути будет", "Ожидайте",
    "Готовьтесь к", "День принесет вам"
]
middles = [
    "неожиданное событие,", "приятная встреча,", "интересное предложение,",
    "новая возможность,", "вдохновляющий момент,"
]
ends = [
    "которое изменит ваше представление о жизни.",
    "которое подарит вам много положительных эмоций.",
    "которое потребует от вас решительности.",
    "которое укрепит ваши отношения с близкими.",
    "которое принесет вам финансовую выгоду."
]

# Функция для генерации уникального гороскопа
def generate_horoscope():
    return f"{random.choice(beginnings)} {random.choice(middles)} {random.choice(ends)}"

# Функция для получения гороскопа по периоду
def get_horoscope(period):
    horoscopes = {
        "день": generate_horoscope(),
        "месяц": generate_horoscope(),
        "год": generate_horoscope()
    }
    return horoscopes.get(period.lower(), "Неверный период")

# Основная функция
def main():
    sign = input("Введите ваш знак зодиака: ").title()
    if sign not in zodiac_signs:
        print("Неверный знак зодиака.")
        return

    period = input("Гороскоп на (день, месяц, год): ").lower()

    horoscope = get_horoscope(period)
    print(f"{sign}: {horoscope}")

if __name__ == "__main__":
    main()

👩‍💻 Простейший онлайн магазин на #Python
Не использует никакие API

Игра Виселица на #Python 👩‍💻

👩‍💻 Пинг-понг на двоих 😁
на #Python

👩‍💻 Генератор цитаток из фильма Комната на #Python