✔️ #مسئله حل کنیم!

یک سیستم مدیریت سفارش برای فروشگاه آنلاین طراحی کنید که قابلیت‌های زیر را داشته باشد:
1. اضافه کردن سفارش جدید: شامل order_id, customer_name, items, total_price.
2. حذف سفارش: بر اساس order_id.
3. نمایش تمام سفارش‌ها: نمایش جزئیات تمام سفارش‌ها به صورت مرتب.
4. جستجوی سفارش‌ها بر اساس نام مشتری: لیست سفارش‌های یک مشتری خاص.
5. محاسبه مجموع درآمد فروشگاه: جمع کل مبلغ سفارش‌ها.

وظیفه شما:
یک کلاس پایتون به نام OrderManager بنویسید که این عملیات را انجام دهد. با سفارش‌های زیر شروع کنید:
- Yousef (order_id: 1, items: Laptop, Total: 1500)
- Narges (order_id: 2, items: Phone, Total: 1200)
- Yousef (order_id: 3, items: Keyboard, Total: 100)

سپس:
1. تمام سفارش‌ها را نمایش دهید.
2. سفارش‌های مشتری Yousef را جستجو کنید.
3. سفارش Narges را حذف کنید و مجموع درآمد فروشگاه را محاسبه کنید.

جواب در قسمت کامنت‌ها.

✅ @Teachify | برنامه نویسی

✔️ 22 کد تک‌خطی کاربردی در پایتون 🐍

در این پست، 22 کد کوتاه و خفن پایتون رو براتون آماده کردم که می‌تونید برای حل مسائل روزمره و کدنویسی سریع ازشون استفاده کنید.

1. معکوس کردن رشته

reversed_string = string[::-1]

2. بررسی زوج بودن عدد

is_even = lambda x: x % 2 == 0

3. اشتراک دو لیست

intersection = list(set(list1) & set(list2))

4. ترانهاده کردن ماتریس

transpose = list(zip(*matrix))

5. پرتکرارترین عنصر در لیست

most_common = max(set(list1), key=list1.count)

6. ادغام دو دیکشنری

merged_dict = {**dict1, **dict2}

7. بررسی پالیندروم بودن رشته

is_palindrome = lambda s: s == s[::-1]

8. مرتب‌سازی لیست تاپل‌ها بر اساس عنصر دوم

sorted_tuples = sorted(tuples, key=lambda x: x[1])

9. تبدیل لیست به رشته (با جداکننده دلخواه)

joined_string = ','.join(map(str, my_list))

10. تعداد تکرار یک کاراکتر در رشته

count_char = string.count('a')

11. حذف مقادیر تکراری از لیست (در ترتیب حفظ‌شده)

unique_items = list(dict.fromkeys(my_list))

12. تولید لیست در بازه مشخص

range_list = list(range(10, 51, 5))

13. برعکس کردن یک لیست

reversed_list = my_list[::-1]

14. تبدیل همه حروف رشته به کوچک

lower_case = string.lower()

15. بررسی وجود یک زیررشته در رشته اصلی

contains = 'abc' in string

16. ساخت لیست مربع اعداد

squares = [x**2 for x in range(10)]

17. حذف فاصله‌های ابتدا و انتهای رشته

trimmed_string = string.strip()

18. محاسبه طول لیست (یا رشته)

length = len(my_list)

19. تبدیل حروف به بزرگ (Uppercase)

upper_case = string.upper()

20. پیدا کردن حداقل مقدار در لیست

minimum = min(my_list)

21. پیدا کردن حداکثر مقدار در لیست

maximum = max(my_list)

22. محاسبه مجموع اعداد لیست

total = sum(my_list)

#برنامه_نویسی #پایتون #Python
✅ @Teachify | برنامه نویسی

✔️ دستورات پایه و پیشرفته QuerySet ها در Django ORM. (هر دستور به‌صورت خلاصه چیزی را از دیتابیس ایجاد یا دریافت می‌کند)

✅ @Teachify | برنامه نویسی

✔️ جادوی دکوریتورها در پایتون 🐍

دکوریتورها در پایتون یکی از ابزارهای قدرتمند برای اضافه کردن قابلیت به توابع بدون تغییر در ساختار اصلی اون‌ها هستن. این ویژگی بهت کمک می‌کنه کدت تمیزتر و منعطف‌تر باشه.

فرض کن می‌خوای مدت زمان اجرای یک تابع رو اندازه بگیری. به جای اینکه بارها این کد رو تکرار کنی، یه دکوریتور می‌سازی:

import time

def timer(func):
    def wrapper(*args, **kwargs):
        # Record the start time
        start_time = time.time()
        
        # Execute the original function
        result = func(*args, **kwargs)
        
        # Record the end time
        end_time = time.time()
        
        # Print the execution time
        print(f"Execution time: {end_time - start_time:.2f} seconds")
        
        return result
    return wrapper

حالا کافیه دکوریتور رو به هر تابعی که خواستی اضافه کنی:

@timer
def slow_function():
    # Simulate a slow function with sleep
    time.sleep(2)
    print("Function executed!")

slow_function()

خروجی:

Function executed!  
Execution time: 2.00 seconds

#برنامه_نویسی #پایتون #Python
✅ @Teachify | برنامه نویسی

✔️ هوش مصنوعی GitHub Copilot رایگان برای همه!

گیت‌هاب به مناسبت عبور از مرز 150 میلیون کاربر، اعلام کرد که هوش مصنوعی GitHub Copilot برای تمامی کاربران رایگان شده است. برنامه‌نویسان می‌توانند از این ابزار هوشمند در VS Code برای نوشتن، تکمیل، ریفکتور و بهینه‌سازی کدها استفاده کنند.

امکانات نسخه رایگان:
- 2000 پیشنهاد تکمیل کد و 50 سوال در ماه
- محدود به ادیتور VS Code

برای استفاده نامحدود و دسترسی به سایر ادیتورها، می‌توانید اشتراک Copilot Pro با قیمت 10 دلار در ماه تهیه کنید.

روش استفاده و توضیحات بیشتر را در کالی بویز بخوانید: هوش مصنوعی GitHub Copilot و نحوه استفاده آن در VSCode
✅ @kaliboys | کالی بویز

✔️ #مسئله حل کنیم!

یک تابع بنویسید که یک عدد صحیح را به‌عنوان ورودی بگیرد و بررسی کند آیا عدد خاصیت عدد "Armstrong" دارد یا خیر. (عدد Armstrong عددی است که مجموع توان ارقام آن برابر با خود عدد باشد.)

مثال:
- 153 یک عدد Armstrong است چون:
1^3 + 5^3 + 3^3 = 1 + 125 + 27 = 153

- 9474 یک عدد Armstrong است چون:
9^4 + 4^4 + 7^4 + 4^4 = 6561 + 256 + 2401 + 256 = 9474

✅ @Teachify | برنامه نویسی

✔️ ماژول pprint: نمایش زیبای داده‌ها در پایتون!

ماژول pprint یا Pretty Print یکی از ابزارهای مفید در پایتون است که به شما کمک می‌کند دیکشنری‌ها، لیست‌ها و دیگر ساختارهای داده را به شکل خوانا و مرتب در ترمینال نمایش دهید. این ابزار به‌ویژه برای داده‌های پیچیده و بزرگ کاربرد دارد.

import pprint

data = {
    "name": "Yousef",
    "age": 27,
    "skills": ["Python", "Django", "Git"],
    "projects": [
        {"name": "Website", "status": "Completed"},
        {"name": "Telegram Bot", "status": "In Progress"},
    ],
}

pprint.pprint(data)

خروجی:

{'age': 27,
 'name': 'Yousef',
 'projects': [{'name': 'Website', 'status': 'Completed'},
              {'name': 'Telegram Bot', 'status': 'In Progress'}],
 'skills': ['Python', 'Django', 'Git']}

اگر داده‌های بزرگی دارید و از ظاهر شلوغ print خسته شده‌اید، حتماً از این ابزار استفاده کنید!

#برنامه‌نویسی #پایتون #python
✅ @Teachify | برنامه نویسی

✔️چطور محتویات داخل یک شی (Object) را ببینیم؟

وقتی در پایتون با آبجکت‌ها کار می‌کنید، گاهی لازم است تمامی ویژگی‌ها و مقادیر داخلی آن را بررسی کنید. در پایتون، هر آبجکت ویژگی‌ای به نام __dict__ دارد که تمام ویژگی‌های آن آبجکت را به صورت دیکشنری ذخیره می‌کند.

فرض کنید یک کلاس ساده داریم:

class User:
    def __init__(self, name, age):
        self.name = name
        self.age = age
        self.skills = ["Python", "Django"]

user = User("Yousef", 27)

print(user.__dict__)

خروجی:

{'name': 'Yousef', 'age': 27, 'skills': ['Python', 'Django']}

#برنامه‌نویسی #پایتون #python
✅ @Teachify | برنامه نویسی

✔️ یلدا مبارک

import datetime

def is_yalda():
    today = datetime.datetime.now().date()  # Today's date
    # Possible dates for the last day of autumn (21st or 22nd December)
    last_days_of_autumn = [datetime.date(today.year, 12, 21), datetime.date(today.year, 12, 22)]
    
    for last_day_of_autumn in last_days_of_autumn:
        # Finding the last Friday of autumn
        days_to_friday = (last_day_of_autumn.weekday() - 4) % 7
        last_friday_of_autumn = last_day_of_autumn - datetime.timedelta(days=days_to_friday)
        
        # Checking if today is the last Friday of autumn
        if today == last_friday_of_autumn:
            return True
    
    return False

def display_message():
    if is_yalda():
        return "🎉 Hello dear programmer! May your Yalda be as bug-free as your clean code and as sweet as pomegranate! 🍉\n" \
               "It's Yalda, so spend time with your family like loops in harmony and have fun! ❤️"
    else:
        return "It's not Yalda, but always stay happy and code with a warm heart! 😉"

print(display_message())

✅ @Teachify | برنامه نویسی

جذب شدم 🙃
✅ @Teachify | برنامه نویسی

✔️ #مسئله حل کنیم!

یه تابع بنویسید که یه لیست از اعداد رو بگیره و اولین عددی که بیش از یک بار تکرار شده رو پیدا کنه.

مثال:

input_list = [2, 5, 1, 2, 3, 5, 1, 2, 4]
output: 2

input_list = [2, 1, 1, 2, 3, 5, 1, 2, 4]
output: 1

input_list = [2, 3, 4, 5]
output: None

جواب در کامنت.

#برنامه‌نویسی #پایتون #python
✅ @Teachify | برنامه نویسی

✔️ موقعیت: وقتی دوره کارآموزیت تموم نشده!!! ولی برای آگهی شغلی سنیور و تک لید رزومه فرستادی :))

#fun #فان
✅ @Teachify | برنامه نویسی

✔️ لیست متد های پایتون (List Methods)

متد append() : یک عنصر به انتهای لیست اضافه می‌کند. عالی برای رشد لیست!

متد extend() : عناصر یک لیست را به انتهای لیست دیگر اضافه می‌کند. شبیه ترکیب دو لیست با هم.

متد insert() : یک عنصر را در یک موقعیت مشخص از لیست قرار می‌دهد. کنترل بیشتری روی مکان عنصر دارید.

متد pop() : آخرین عنصر لیست را حذف و بازمی‌گرداند. همچنین می‌توان با آرگومان ایندکس کار کرد.

متد remove() : اولین عنصر مطابق مقدار داده‌شده را حذف می‌کند. لیست خود را تمیز و مرتب نگه دارید!

متد sort() : عناصر لیست را به ترتیب صعودی مرتب می‌کند. خداحافظی با بی‌نظمی!

متد count() : تعداد دفعات تکرار یک مقدار مشخص در لیست را برمی‌گرداند.

#برنامه‌نویسی #پایتون #python
✅ @Teachify | برنامه نویسی

✔️ 7 پیچیدگی زمانی مهم که باید بدانید!

𝐎(1) - زمان ثابت
زمان اجرا بدون توجه به اندازه ورودی تغییر نمی‌کند.
مثال: دسترسی به یک عنصر در آرایه با استفاده از ایندکس.

𝐎(𝐥𝐨𝐠 𝐧) - زمان لگاریتمی
زمان اجرا به‌آرامی با افزایش اندازه ورودی رشد می‌کند. معمولاً در الگوریتم‌هایی دیده می‌شود که مسئله را در هر مرحله نصف می‌کنند.
مثال: جستجوی دودویی در یک آرایه مرتب.

𝐎(𝐧) - زمان خطی
زمان اجرا به صورت خطی با اندازه ورودی افزایش می‌یابد.
مثال: یافتن یک عنصر در آرایه با پیمایش تمام عناصر.

𝐎(𝐧 𝐥𝐨𝐠 𝐧) - زمان خطی لگاریتمی
زمان اجرا کمی سریع‌تر از زمان خطی رشد می‌کند. این پیچیدگی معمولاً شامل تعداد لگاریتمی عملیات برای هر عنصر ورودی است.
مثال: مرتب‌سازی آرایه با استفاده از الگوریتم‌هایی مانند quick sort یا merge sort.

𝐎(𝐧^2) - زمان درجه دوم
زمان اجرا به مربع اندازه ورودی وابسته است.
مثال: الگوریتم حبابی که هر جفت از عناصر را مقایسه و در صورت نیاز جابجا می‌کند.

𝐎(2^𝐧) - زمان نمایی
زمان اجرا با هر واحد افزایش در ورودی دو برابر می‌شود. این الگوریتم‌ها برای ورودی‌های بزرگ غیرعملی هستند.
مثال: تولید تمام زیرمجموعه‌های یک مجموعه.

𝐎(𝐧!) - زمان فاکتوریل
زمان اجرا متناسب با فاکتوریل اندازه ورودی است.
مثال: تولید تمام جایگشت‌های یک مجموعه.

✅ @Teachify | Hassan Vaezzadeh

ولکام پکی که گرفتم 🥹❤️

✅ @Teachify | برنامه نویسی

✔️ معرفی کتابخانه‌های محبوب پایتون در حوزه هوش مصنوعی (AI):

1. TensorFlow
یک کتابخانه قدرتمند برای ساخت و آموزش مدل‌های یادگیری عمیق و یادگیری ماشین. توسط گوگل توسعه داده شده و از CPU و GPU پشتیبانی می‌کند.

2. PyTorch
محبوب در میان محققان و توسعه‌دهندگان به دلیل سادگی و انعطاف بالا. توسط فیسبوک ارائه شده و برای ساخت مدل‌های پیچیده مناسب است.

3. Scikit-learn
کتابخانه‌ای قدرتمند برای یادگیری ماشین کلاسیک شامل الگوریتم‌هایی مانند رگرسیون، دسته‌بندی، خوشه‌بندی و پیش‌پردازش داده‌ها.

4. Keras
یک رابط کاربری آسان برای توسعه و آزمایش شبکه‌های عصبی. معمولاً همراه TensorFlow استفاده می‌شود.

5. OpenCV
کتابخانه‌ای قدرتمند برای پردازش تصویر و بینایی کامپیوتری. برای تشخیص اشیا، چهره‌ها و تحلیل ویدیوها بسیار کاربردی است.

6. NLTK
مناسب برای پردازش زبان طبیعی (NLP)، مانند تحلیل متن، ساخت چت‌بات‌ها، و استخراج اطلاعات از داده‌های متنی.

7. Hugging Face Transformers
بهترین ابزار برای کار با مدل‌های پیشرفته NLP مثل BERT و GPT. مناسب برای ترجمه متن، چت‌بات‌ها و خلاصه‌سازی متن.

8. Pandas
برای تحلیل و پردازش داده‌ها. معمولاً در پیش‌پردازش داده‌های ورودی مدل‌های یادگیری ماشین استفاده می‌شود.

9. Matplotlib و Seaborn
برای مصورسازی داده‌ها و تحلیل بصری مدل‌ها و داده‌ها.

10. FastAPI یا Flask
برای ایجاد API جهت ارتباط بین مدل‌های هوش مصنوعی و اپلیکیشن‌ها.

✅ @Teachify | برنامه نویسی

✔️ موقعیت: وقتی ویندوز به پادشاهی جهان رسیده و همه توزیع های لینوکس رو زندانی کرده :))

کدوم توزیع رو شناختین؟ :))

#fun #فان
✅ @Teachify | برنامه نویسی

✔️ فریم‌ورک‌ها و کتابخانه های پایتون!

✅ @Teachify | برنامه نویسی

✔️ کتاب Pandas Crash Course for Beginners 🐼

در این آموزش فشرده، یاد می‌گیرید:
+ مدیریت و تحلیل داده‌ها
+ کار با DataFrame و Series
+ فیلتر، گروه‌بندی، و مصورسازی داده‌ها

#Python #Pandas #تحلیل_داده #یادگیری
✅ @Teachify | برنامه نویسی

✔️ کسی پروژه نمیخواد؟

پ.ن: هی میگین کار نیست :))
#fun #فان
✅ @Teachify | برنامه نویسی