🔫 Django queryhunter

Данная библиотека призвана восполнить этот пробел, предоставляя простой подход к профилированию запросов в Django приложениях.

Найдите в коде вашего Django-приложения строки, которые отвечают за выполнение наибольшего количества запросов.

▪Github

@pythonl

🖥 Awesome Python: A curated list of awesome Python frameworks, libraries, software and resources.

Репозиторий Github, содержащий список кураорских фреймворков, библиотек, программного обеспечения и ресурсов на Python.

Если вы не знаете, какую библиотеку или инструмент использовать для своего проекта, это ваш гид 👇.

▪Github

@pythonl

🖥 yarl: provides handy URL class for URL parsing and changing.

Если вы хотите быстро извлечь элементы из URL-адреса с помощью #Python, попробуйте yarl.

$ pip install yarl

▪Github

@pythonl

🖥 PyNest is a Python framework built on top of FastAPI that follows the modular architecture of NestJS

PyNest - это фреймворк для Python, построенный на основе FastAPI модульной архитектуры NestJS.

С помощью PyNest вы сможете с легкостью создавать масштабируемые и поддерживаемые API. Фреймворк поддерживает инъекции зависимостей, аннотации типов, декораторы и генерацию кода, что упрощает написание чистого и легко тестируемого кода.

pip install pynest-api

▪Github
▪Docs

@pythonl

🖥 3D contour plot using Python

Контурный 3D график с помощью Python.

@pythonl

🖥 Question and Answer based on Anything:

QAnything (Question and Answer based on Anything) - это локальная система ответов на вопросы из базы знаний, разработанная для поддержки широкого спектра форматов файлов и баз данных, позволяющая устанавливать и использовать ее в автономном режиме.

С помощью QAnything вы можете просто бросить любой локально хранящийся файл любого формата и получить точные, быстрые и надежные ответы.

▪Github
▪Docs

@pythonl

🖥 Нереально полезные встроенные библиотеки Python

🔜Tempfile
Создаёт временный файл как папка tmp в linux:

import tempfile
with tempfile.NamedTemporaryFile() as tmp:
    print(tmp.name)
    tmp.write(...)

🔜IO
Чтобы не использовать временные файлы, можно использовать временный буфер сразу в программе:

from io import BytesIO

imagefile = BytesIO()
animage.save(imagefile, format='PNG')
imagedata = imagefile.getvalue()

🔜Struct
Позволяет создавать бинарные структуры и парсить их. Может ускорить передачу между клиентом и сервером:

>> from struct import *
>> pack(">bhl", 1, 2, 3)
b'\x01\x00\x02\x00\x00\x00\x03'
>> unpack('>bhl', b'\x01\x00\x02\x00\x00\x00\x03')
(1, 2, 3)
>> calcsize('>bhl')
7

🔜CMD
С помощью этой библиотеки можно создать полноценный tui:

Welcome to the turtle shell.   Type help or ? to list commands.

(turtle) ?

Documented commands (type help <topic>):
========================================
bye     color    goto     home  playback  record  right
circle  forward  heading  left  position  reset   undo

(turtle) help forward
Move the turtle forward by the specified distance:  FORWARD 10
(turtle) record spiral.cmd
(turtle) position
Current position is 0 0

Удивительно что такие полезные пакеты находятся в стандартной комплектации питона.
И не нужно скачивать кучу пакетов через pip.

@pythonl

🖥 A little word cloud generator in Python

Создание облака слов на основе файла 'cl.txt'

Особенно полезно для задач NLP или при анализе соцсетей

from wordcloud import WordCloud

import matplotlib.pyplot as plt

# Read text from a file
with open('cl.txt', 'r', encoding='utf-8') as file:
    text = file.read()

# Generate word cloud
wordcloud = WordCloud(width=800, height=400, background_color='white').generate(text)

# Display the generated word cloud using matplotlib
plt.figure(figsize=(10, 5))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()

Облако слов — это визуальное представление списка категорий/тегов. Чем чаще слово встречается, тем больший размер оно принимает в облаке.

pip install wordcloud

▪Github

@pythonl

🖥 Build a typing assistant with Mistral 7B and Ollama - Python Tutorial

Невероятно — локальный AI чат-бот на основе Ollama и Mistral 7B всего в сотню строк Python кода (!)

💻 Туториал

🖥 GitHub

@pythonl

🖥 Latexify: Generates LaTeX math description from Python functions.

Крутая библиотека Python, которая позволяет отображать функции в формате LaTeX

pip install latexify

То есть вы просто определяете функцию как обычно, например так:

def quadratic(a,b,c):
  return (-b + math.sqrt(b**2 - 4*a*c)) / (2*a)

Чтобы вывести формулу LaTeX, мы просто помещаем над определением функции декоратор @latexify.function и печатаем имя функции quadratic в ячейке Google Colab.
Получается так — и мы увидем формулу:

@latexify.function
def quadratic(a,b,c):
  return (-b + math.sqrt(b**2 - 4*a*c)) / (2*a)

quadratic

Отлично подойдёт тем, кто занимается на стыке IT и физики/математики/других дисциплин;
здесь в Google Colab можно затестить, как это работает

🖥 GitHub

@pythonl

🖥 Довольно полезная либа для структурированных выводов для LLM - Instructor 🔥

⭐️Работает на API вызова функций OpenAI, разработанном для простоты и прозрачности

Метод instructor.patch() для класса OpenAI вводит несколько ключевых полезных вещей:
🟡Режим ответа: Укажите модель Pydantic, чтобы упростить извлечение выходных данных.

🟡Максимальное количество повторных попыток: Установите желаемое количество повторных попыток для запросов.

🟡Контекст валидации: Предоставьте объект контекста для расширенного доступа к валидатору.

🟡Используйте метод client.chat.completions.create для отправки запроса и извлечения данных в объект Pydantic. Параметр response_model указывает модель Pydantic, которую следует использовать для извлечения. Полезно аннотировать переменную типом модели ответа, что поможет вашей IDE обеспечить автозаполнение и проверку орфографии.

https://pypi.org/project/instructor/

@pythonl