Асинхронные микросервисы на Python
Микросервисы — это парадигма, где приложение разбивается на небольшие независимые компоненты, каждый из которых отвечает за конкретную функцию.
Смотреть статью
Микросервисы — это парадигма, где приложение разбивается на небольшие независимые компоненты, каждый из которых отвечает за конкретную функцию.
Смотреть статью
Очередной #дайджест по Python:
✍️ Как сделать контекстное окно на 100K в большой языковой модели: обо всех фокусах в одном посте
В статье рассмотрены приёмы, позволяющие ускорить обучение больших языковых моделей (LLM) и нарастить в них логический вывод.
✍️ Как получить доступ к данным Ethereum смарт-контракта в real-time из Python
Автор рассказывает про инструменты для доступа к данным на блокчейне, которые "больше похожи на хирургический скальпель (сабграфы The Graph), чем на швейцарский нож (доступ к RPC ноде) или, скажем, молоток (готовые API от компаний-разработчиков)".
✍️ Асинхронные микросервисы на Python
Микросервисы — это парадигма, где приложение разбивается на небольшие независимые компоненты, каждый из которых отвечает за конкретную функцию. Это как отделы в офисе, каждый офис — это отдельный сервис, который может быть разработан, масштабирован и развернут независимо.
✍️ Как Python упрощает жизнь тестировщикам КОМПАС-3D
Александр Логунов, инженер по тестированию КОМПАС-3D, рассказывает, как при минимальных усилиях облегчить тестирование с помощью инструментов Python, а также приводит примеры уже реализованных задач.
✍️ Быстрые дашборды на Python с помощью DashExpress
Эта статья для тех, кто ищет простой и быстрый способ делать полноценные дашборды на python и ad-hoc дашборды прямо в jupiter notebook. А так же для всех, кто интерсуется Plotly Dash.
✍️ Как сделать контекстное окно на 100K в большой языковой модели: обо всех фокусах в одном посте
В статье рассмотрены приёмы, позволяющие ускорить обучение больших языковых моделей (LLM) и нарастить в них логический вывод.
✍️ Как получить доступ к данным Ethereum смарт-контракта в real-time из Python
Автор рассказывает про инструменты для доступа к данным на блокчейне, которые "больше похожи на хирургический скальпель (сабграфы The Graph), чем на швейцарский нож (доступ к RPC ноде) или, скажем, молоток (готовые API от компаний-разработчиков)".
✍️ Асинхронные микросервисы на Python
Микросервисы — это парадигма, где приложение разбивается на небольшие независимые компоненты, каждый из которых отвечает за конкретную функцию. Это как отделы в офисе, каждый офис — это отдельный сервис, который может быть разработан, масштабирован и развернут независимо.
✍️ Как Python упрощает жизнь тестировщикам КОМПАС-3D
Александр Логунов, инженер по тестированию КОМПАС-3D, рассказывает, как при минимальных усилиях облегчить тестирование с помощью инструментов Python, а также приводит примеры уже реализованных задач.
✍️ Быстрые дашборды на Python с помощью DashExpress
Эта статья для тех, кто ищет простой и быстрый способ делать полноценные дашборды на python и ad-hoc дашборды прямо в jupiter notebook. А так же для всех, кто интерсуется Plotly Dash.
👍3
Какой сертификат вы бы посоветовали получить?
#интерактив
#интерактив
Forwarded from Библиотека программиста | программирование, кодинг, разработка
🐍🎸 Курс Django: Веб-приложение на основе XLSX вместо базы данных
Покажем, как Django работает с файлами JSON, CSV, YAML, XLSX, разберемся с настройками media, и напишем приложение, которое использует XLSX (или Google Sheets) для загрузки данных.
🔗 Читать статью
🔗 Зеркало
Покажем, как Django работает с файлами JSON, CSV, YAML, XLSX, разберемся с настройками media, и напишем приложение, которое использует XLSX (или Google Sheets) для загрузки данных.
🔗 Читать статью
🔗 Зеркало
👍8❤7🎉4
Весь август бесплатный IT-интенсив про алгоритмы и структуры данных
👀 Ведущие эксперты из крупных IT-компаний поделятся опытом успешного прохождения собеседований на позицию разработчика. А также расскажут простым языком о NP-трудных задачах и графах.
Регистрируйтесь по ссылке
😎На вебинарах вас ждет много практики и интерактива!
Программа интенсива:
🗓️ 14 августа, «NP-трудные задачи: почему их плохо решают».
🎙️Спикер: Дмитрий Коротенко, ML specialist at Yandex, Ex BusDev at Alfa Bank.
🗓️ 22 августа, «Графы: алгоритмы и структуры данных на Python».
🎙️Спикер: Иван Потапов, Staff machine learning engineer at Sharechat.
🗓️ 29 августа, «Собеседование на разработчика: разбор задач и ошибок».
🎙️Спикер: Алексей Бочкарев, Engineering Manager at Meta*
Зарегистрироваться и ознакомится с подробной программой можно по ссылке: https://proglib.io/w/98b75954
До встречи на вебинарах!!
*Компания Meta признана в РФ экстремистской и запрещена
👀 Ведущие эксперты из крупных IT-компаний поделятся опытом успешного прохождения собеседований на позицию разработчика. А также расскажут простым языком о NP-трудных задачах и графах.
Регистрируйтесь по ссылке
😎На вебинарах вас ждет много практики и интерактива!
Программа интенсива:
🗓️ 14 августа, «NP-трудные задачи: почему их плохо решают».
🎙️Спикер: Дмитрий Коротенко, ML specialist at Yandex, Ex BusDev at Alfa Bank.
🗓️ 22 августа, «Графы: алгоритмы и структуры данных на Python».
🎙️Спикер: Иван Потапов, Staff machine learning engineer at Sharechat.
🗓️ 29 августа, «Собеседование на разработчика: разбор задач и ошибок».
🎙️Спикер: Алексей Бочкарев, Engineering Manager at Meta*
Зарегистрироваться и ознакомится с подробной программой можно по ссылке: https://proglib.io/w/98b75954
До встречи на вебинарах!!
*Компания Meta признана в РФ экстремистской и запрещена
❤10👍5
Напишите функцию, которая будет принимать список nums, содержащий числа в диапазоне от 1 до 100, и возвращать отсортированный список чисел, которые в списке nums встречались дважды.
Примеры:
duplicate_nums([1, 2, 3, 4, 3, 5, 6])
➞ [3]
duplicate_nums([81, 72, 43, 72, 81, 99, 99, 100, 12, 54])
➞ [72, 81, 99]
duplicate_nums([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
➞ None
Примечания:
— никакое число не будет встречаться в nums трижды и более раз,
— если никакое число в nums не встречалось дважды, функция должна вернуть None.
#вопросы_с_собеседований
Примеры:
duplicate_nums([1, 2, 3, 4, 3, 5, 6])
➞ [3]
duplicate_nums([81, 72, 43, 72, 81, 99, 99, 100, 12, 54])
➞ [72, 81, 99]
duplicate_nums([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
➞ None
Примечания:
— никакое число не будет встречаться в nums трижды и более раз,
— если никакое число в nums не встречалось дважды, функция должна вернуть None.
#вопросы_с_собеседований
❤12👍12😁1
Forwarded from Библиотека программиста | программирование, кодинг, разработка
🐼 ТОП-5 функций Pandas 2.0: Data Science специалисты отправятся «в утиль»?
Все новые функции в Pandas 2.0 для анализа данных. Опробуем на популярных пакетах: ydata-profiling, matplotlib, seaborn и scikit-learn.
🔗 Читать статью
🔗 Зеркало
Все новые функции в Pandas 2.0 для анализа данных. Опробуем на популярных пакетах: ydata-profiling, matplotlib, seaborn и scikit-learn.
🔗 Читать статью
🔗 Зеркало
❤12👍3
Сколько времени в рабочий день тратите на разработку?
#интерактив
#интерактив
❤12👍1
Удаляем файл из папки на компьютере
Для удаления файла из папки на ПК в Python можно использовать модуль os.
Здесь сначала мы импортируем модуль os. Затем указываем полный путь к удаляемому файлу в переменной file_path. С помощью функции os.path.exists() проверяем, существует ли файл по указанному пути.
Если файл существует, мы удаляем его с помощью функции os.remove(). В противном случае выводим информацию, что такой файл не найден.
#код
Для удаления файла из папки на ПК в Python можно использовать модуль os.
Здесь сначала мы импортируем модуль os. Затем указываем полный путь к удаляемому файлу в переменной file_path. С помощью функции os.path.exists() проверяем, существует ли файл по указанному пути.
Если файл существует, мы удаляем его с помощью функции os.remove(). В противном случае выводим информацию, что такой файл не найден.
#код
👍14❤13🤯2
Очередной #дайджест по Python:
🐍 Менеджеры контекста в Python
Самый простой и красивый способ написать менеджер контекста – это воспользоваться декоратором функции @contextmanager, написав функцию как генератор.
🐍 Что происходит, когда запускаешь «Hello World» в Linux
🐍 Как Python использует сборку мусора для эффективного управления памятью
В Python мы часто думаем о переменной как о метке для значения. Однако, если говорить точнее, то переменная на самом деле указывает на объект, который хранит значение.
🐍 Как правильно дифференцировать дискретные функции
Под термином численное дифференцирование часто понимают три разные вещи (цитата по numdifftools) — символьное (символическое) дифференцирование, вычисление производной от функции, заданной аналитически, и вычисление производной от функции, заданной набором данных.
🐍 Я люблю питон, и вот почему он меня бесит
🐍 Менеджеры контекста в Python
Самый простой и красивый способ написать менеджер контекста – это воспользоваться декоратором функции @contextmanager, написав функцию как генератор.
🐍 Что происходит, когда запускаешь «Hello World» в Linux
🐍 Как Python использует сборку мусора для эффективного управления памятью
В Python мы часто думаем о переменной как о метке для значения. Однако, если говорить точнее, то переменная на самом деле указывает на объект, который хранит значение.
🐍 Как правильно дифференцировать дискретные функции
Под термином численное дифференцирование часто понимают три разные вещи (цитата по numdifftools) — символьное (символическое) дифференцирование, вычисление производной от функции, заданной аналитически, и вычисление производной от функции, заданной набором данных.
🐍 Я люблю питон, и вот почему он меня бесит
❤12👍5
Библиотека Feather
Feather — это библиотека для эффективного чтения и записи таблиц данных в двоичный формат. Она использует формат Apache Arrow для сериализации данных, что позволяет быстро читать и записывать данные без потери информации.
В этом примере мы использовали две основные функции библиотеки:
— feather.write_dataframe(): записывает таблицу данных в файл формата Feather.
— feather.read_dataframe(): читает таблицу данных из файла формата Feather.
Feather позволяет быстро и эффективно обмениваться данными между Python и R, а также обеспечивает быстрое чтение и запись таблиц данных на диск.
#код
Feather — это библиотека для эффективного чтения и записи таблиц данных в двоичный формат. Она использует формат Apache Arrow для сериализации данных, что позволяет быстро читать и записывать данные без потери информации.
В этом примере мы использовали две основные функции библиотеки:
— feather.write_dataframe(): записывает таблицу данных в файл формата Feather.
— feather.read_dataframe(): читает таблицу данных из файла формата Feather.
Feather позволяет быстро и эффективно обмениваться данными между Python и R, а также обеспечивает быстрое чтение и запись таблиц данных на диск.
#код
❤18🔥7👍2
Python, внешние функции и Steam
В этой статье показано, как вызывать сторонние функции C из Python. Это позволяет вам обращаться к разделяемым библиотекам аналогично тому, как работают расширения. В примерах используется SDK Steamworks, который игры используют для связи со Steam.
Читать статью
В этой статье показано, как вызывать сторонние функции C из Python. Это позволяет вам обращаться к разделяемым библиотекам аналогично тому, как работают расширения. В примерах используется SDK Steamworks, который игры используют для связи со Steam.
Читать статью
👍8🤔1
Forwarded from Библиотека программиста | программирование, кодинг, разработка
🐛🦋 Свитчеры после 30 лет: кто это, почему их не любят эйчары и как им найти работу в IT
Объясняем, как выжить тем, кто решил вкатиться в мир программирования после 30 лет.
🔗 Читать статью
🔗 Зеркало
Объясняем, как выжить тем, кто решил вкатиться в мир программирования после 30 лет.
🔗 Читать статью
🔗 Зеркало
🤩5
Напишите функцию на Python, которая принимает на вход список чисел и возвращает наибольшую возрастающую подпоследовательность (непоследовательные числа, идущие в порядке возрастания) из исходного списка
Для решения этой задачи используется динамическое программирование. Мы создаем массив dp, где dp[i] представляет собой длину наибольшей возрастающей подпоследовательности, заканчивающейся в nums[i]. Затем мы выполняем двойной цикл, чтобы найти наибольшую длину для каждого элемента. После этого мы определяем саму подпоследовательность, начиная с наибольшей длины и двигаясь обратно по массиву dp.
Пример использования:
python
nums = [3, 12, 5, 8, 10, 2, 1]
result = longest_increasing_subsequence(nums)
print(result) # Output: [3, 5, 8, 10]
Эта функция найдет наибольшую возрастающую подпоследовательность из списка [3, 12, 5, 8, 10, 2, 1], которой будет [3, 5, 8, 10], и выведет ее в консоль.
#вопросы_с_собеседований
Для решения этой задачи используется динамическое программирование. Мы создаем массив dp, где dp[i] представляет собой длину наибольшей возрастающей подпоследовательности, заканчивающейся в nums[i]. Затем мы выполняем двойной цикл, чтобы найти наибольшую длину для каждого элемента. После этого мы определяем саму подпоследовательность, начиная с наибольшей длины и двигаясь обратно по массиву dp.
Пример использования:
python
nums = [3, 12, 5, 8, 10, 2, 1]
result = longest_increasing_subsequence(nums)
print(result) # Output: [3, 5, 8, 10]
Эта функция найдет наибольшую возрастающую подпоследовательность из списка [3, 12, 5, 8, 10, 2, 1], которой будет [3, 5, 8, 10], и выведет ее в консоль.
#вопросы_с_собеседований
❤1👍1
✍️«Библиотека программиста» собирает кейсы использования нейросетей
Какие самые необычные задачи вы выполняли с помощью нейросетей? Может быть, вы просили ИИ пройти тестирование по правилам безопасности или писали с его помощью заявление на увольнение?
Заполняйте форму — лучшие истории появятся в нашей подборке по теме.
👉Ссылка тут👈
Какие самые необычные задачи вы выполняли с помощью нейросетей? Может быть, вы просили ИИ пройти тестирование по правилам безопасности или писали с его помощью заявление на увольнение?
Заполняйте форму — лучшие истории появятся в нашей подборке по теме.
👉Ссылка тут👈
Как работает thread locals?
Thread-local storage обеспечивает механизм для сохранения данных, которые будут доступны только в рамках определенного потока выполнения. Это полезно, когда вы хотите иметь раздельные данные для каждого потока, но не хотите делить их между разными потоками.
Вы можете использовать класс threading.local(), чтобы создать объект, который будет представлять thread-local storage. В этом объекте вы можете хранить любые данные, и они будут видимы только для текущего потока. Каждый поток будет иметь свою собственную копию объекта threading.local().
#код
Thread-local storage обеспечивает механизм для сохранения данных, которые будут доступны только в рамках определенного потока выполнения. Это полезно, когда вы хотите иметь раздельные данные для каждого потока, но не хотите делить их между разными потоками.
Вы можете использовать класс threading.local(), чтобы создать объект, который будет представлять thread-local storage. В этом объекте вы можете хранить любые данные, и они будут видимы только для текущего потока. Каждый поток будет иметь свою собственную копию объекта threading.local().
#код
👍2
NP-трудные задачи: почему их плохо решают
Уже сегодня в 19:00 мск!
Регистрируйтесь, чтобы получить приглашение на все вебинары в августе – https://proglib.io/w/d4d5a21b
Или подписывайтесь на канал академии, ссылка на трансляцию будет там – https://yangx.top/proglib_academy
Спикер: Дмитрий Коротенко | эксперт в области анализа данных, Ex-ML specialist at Yandex, Ex-BusDev at Alfa Bank
На вебинаре обсудим:
▪️ Понятие NP-трудных задач
▪️ Реальные примеры NP-трудных задач
▪️ Экзотические задачи, связанные с числами Рамсея
▪️ Переход от постановки задачи к программированию
Подробности – https://proglib.io/w/d4d5a21b
Уже сегодня в 19:00 мск!
Регистрируйтесь, чтобы получить приглашение на все вебинары в августе – https://proglib.io/w/d4d5a21b
Или подписывайтесь на канал академии, ссылка на трансляцию будет там – https://yangx.top/proglib_academy
Спикер: Дмитрий Коротенко | эксперт в области анализа данных, Ex-ML specialist at Yandex, Ex-BusDev at Alfa Bank
На вебинаре обсудим:
▪️ Понятие NP-трудных задач
▪️ Реальные примеры NP-трудных задач
▪️ Экзотические задачи, связанные с числами Рамсея
▪️ Переход от постановки задачи к программированию
Подробности – https://proglib.io/w/d4d5a21b
❤1🔥1
Очередной #дайджест по Python:
🐍 Работа с SQLite в Python (для чайников)
В статье раскрываются все основные аспекты использования SQLite, начиная с установки и создания базы данных, и заканчивая выполнением сложных запросов и управлением транзакциями.
🐍 Обучение YOLOv8s на Google Colab: детектим дорожные знаки
Учимся детектить дорожные знаки, используя YOLOv8.
🐍 Просто добавь команд: как реализовать диалоговый Телеграм бот на основе шаблона
Как быстро создать инфраструктуру для диалогового бота на основе Yandex Serverless Functions и базы данных YDB.
🐍 Разработка событийно-ориентированных микросервисов с помощью Python
О нюансах разработки событийно-ориентированных микросервисов на Python.
🐍 Из пет-проекта в источник дохода: как я создал чат-бот для поиска вакансий
Рассказ о техническом устройстве бота и не только.
🐍 Работа с SQLite в Python (для чайников)
В статье раскрываются все основные аспекты использования SQLite, начиная с установки и создания базы данных, и заканчивая выполнением сложных запросов и управлением транзакциями.
🐍 Обучение YOLOv8s на Google Colab: детектим дорожные знаки
Учимся детектить дорожные знаки, используя YOLOv8.
🐍 Просто добавь команд: как реализовать диалоговый Телеграм бот на основе шаблона
Как быстро создать инфраструктуру для диалогового бота на основе Yandex Serverless Functions и базы данных YDB.
🐍 Разработка событийно-ориентированных микросервисов с помощью Python
О нюансах разработки событийно-ориентированных микросервисов на Python.
🐍 Из пет-проекта в источник дохода: как я создал чат-бот для поиска вакансий
Рассказ о техническом устройстве бота и не только.
❤9👍8