Отложенные ретраи силами RabbitMQ
https://habr.com/ru/post/500978/?utm_campaign=500978&utm_source=habrahabr&utm_medium=rss

В этой статье я хочу поделиться с вами «рецептом», который позволил нам реализовать отложенные ретраи при использовании брокера сообщений RabbitMQ (https://www.rabbitmq.com/)

Простейший тренажер английских слов с использованием Питона и Балаболки
https://habr.com/ru/post/501106/?utm_campaign=501106&utm_source=habrahabr&utm_medium=rss

Существует большое количество различных методик изучения иностранных языков вообще и английского в частности. Но какая бы методика ни была, учить слова все равно надо.


Для этих целей есть очень много различных тренажеров с выбором слов для изучения. Тем не менее, их возможностей иногда не хватает.

The Real Python Podcast – Episode #8: Docker + Python for Data Science and Machine Learning
https://realpython.com/podcasts/rpp/8/

Audio

Python Bytes: #180 Transactional file IO with Python and safer
https://pythonbytes.fm/episodes/show/180/transactional-file-io-with-python-and-safer

Audio

Test and Code: 112: Six Principles of Readable Tests - David Seddon
https://testandcode.com/112

Audio

#python #pydigest

Сборник Python новостей уже перед вами.

В 333 выпуске Python Дайджест вы найдете:

- Учимся делать анимированные графики из данных
- Работа с базой данных, часть 2/2: Используем ORM
- Работа с базой данных во Flask: от джуна джуну
- Материальный Python. Что нового в библиотеке KivyMD
- Добавление счётчиков к моделям в административной панели Django
- Интеграция Aviasales API с Amazon Kinesis и простота serverless
- Простая космическая симуляция с помощью Python и Box2D
- [Видео] Удаленная работа. Взгляд со стороны техдира
- Django bugfix release: 3.0.6
- PyCharm 2020.1.1

Заходите в гости - https://pythondigest.ru/issue/333/
Присылайте интересные новости через форму на сайте.

8 полезных расширений для упрощения написания кода в VS Code
https://medium.com/better-programming/8-vs-code-extensions-you-might-love-eba03d85fd4f

Django. Как создать полиморфную систему динамических виджетов
https://evileg.com/ru/post/617/

Пример архитектурного решения для создания динамических виджетов сайта на Django. Также может быть использовано и в ряде других задач.

StackOverflow: интересные вопросы за неделю (ccxxvii)
http://python-weekly.blogspot.com/2020/05/ccxxvii-stackoverflow-python-report.html

Сводка новостей от pythonz.net 03.05.2020 — 10.05.2020
https://pythonz.net/articles/315/

Groupby aggregation в pandas
https://habr.com/ru/post/501214/?utm_campaign=501214&utm_source=habrahabr&utm_medium=rss

Агрегация является одной из самых частых операций при анализе данных. Разные технологии предлагают нам кучу способов эффективно группировать и агрегировать интересующие нас поля(столбцы, признаки). В этой статье будет рассказано про реализацию агрегации в pandas.

По своей специализации я очень мало работаю с python, но часто слышу про плюсы и мощь этого языка, в особенности когда речь заходит про работу с данными. Поэтому я проведу здесь параллель операций с T-SQL и приведу некотрые примеры кода. В качестве данных я буду использовать наверное самый популярный data set — Ирисы Фишера (https://archive.ics.uci.edu/ml/datasets/Iris).

Домашний кластер на Dask
https://habr.com/ru/post/499086/?utm_campaign=499086&utm_source=habrahabr&utm_medium=rss

Я недавно проводил исследование, в рамках которого было необходимо обработать несколько сотен тысяч наборов входных данных. Для каждого набора — провести некоторые расчеты, результаты всех расчетов собрать вместе и выбрать "лучший" по некоторым критериям. По сути это bruteforce перебор. Тоже самое происходит при подборе параметров ML моделей с помощью GridSearch.
 
Однако, с некоторого момента размер вычислений может стать для одного компьютера великоват, даже если запускать ее в несколько процессов с помощью joblib. Или, если сказать точнее, он становится слишком долгим для нетерпеливого экспериментатора.

Пишем Pandas конструкции эквивалентные SQL
https://towardsdatascience.com/introduction-to-pandas-equivalents-of-various-sql-queries-448fb57dd9b9

Apple TimeCapsule/AirPort Extreme. Root доступ и побег из привязанного региона
https://habr.com/ru/post/501404/?utm_campaign=501404&utm_source=habrahabr&utm_medium=rss

Наверняка многие владельцы сетевых устройств Apple, которые читают эту статью, таких как TimeCapsule или Airport Extreme, рано или поздно задумывались почему у купленных в России устройств нет поддержки beamforming (https://en.wikipedia.org/wiki/Beamforming) и максимальная ширина канала 40МГц? И как следствие максимальная скорость приема и передачи данных – 600 Мбит/с (вместо заявленных 1300 Мбит/с).

Django Riffs - How To Use Forms
https://djangoriffs.com/episodes/how-to-use-forms-DgaaxOY4

Audio

Настройка Debian, Nginx и Gunicorn для Django проекта
https://habr.com/ru/post/501414/?utm_campaign=501414&utm_source=habrahabr&utm_medium=rss

Была задача поднять свой Debian сервер на Nginx для проектов Django 3.х. Перерыв кучу информации в интернете, удалось это сделать соединив рекомендации с нескольких разных сайтов. Если вам интересно почитать, как настроить свой первый сервер для Django-проекта, то — добро пожаловать.

Определяем детей-военных с помощью OpenCV
https://www.pyimagesearch.com/2020/05/11/an-ethical-application-of-computer-vision-and-deep-learning-identifying-child-soldiers-through-automatic-age-and-military-fatigue-detection/

Podcast.__init__: Managing Distributed Teams In The Age Of Remote Work
https://www.pythonpodcast.com/sourcegraph-remote-work-episode-262/

Audio

Визуализация сетевых топологий, или зачем еще сетевому инженеру Python #2
https://habr.com/ru/post/501164/?utm_campaign=501164&utm_source=habrahabr&utm_medium=rss

Эта статья написана по мотивам решения задания на недавно прошедшем онлайн-марафоне DevNet (https://rrc.ru/events/onlajn-devnet-marafon-ot-cisco) от Cisco. Участникам предлагалось автоматизировать анализ и визуализацию произвольной сетевой топологии и, опционально, происходящих в ней изменений.

 
Задача является не самой тривиальной, и в блогосфере встречается довольно мало статей на эту тему. Ниже представляю разбор собственной реализации, а также описание используемых инструментов и подходов.

Повторяем когортный анализ, выполненный в Power BI, силами Python
https://habr.com/ru/post/501492/?utm_campaign=501492&utm_source=habrahabr&utm_medium=rss

Поводом для написания данной публикации послужил вебинар, который я посмотрел на Youtube. Он был посвящен когортному анализу продаж. Автор использовал для работы с данными платформу Power BI Desktop. Ссылку на указанное видео приводить не буду, чтобы эта статья не была расценена как реклама, но по ходу повествования постараюсь делать спойлеры к первоисточнику, чтобы лучше объяснять логику собственного решения. Данный вебинар натолкнул меня на идею, что интересно было бы повторить возможности формул DAХ функциями библиотеки Pandas.

MASK-RCNN для поиска крыш по снимкам с беспилотников
https://habr.com/ru/post/500752/?utm_campaign=500752&utm_source=habrahabr&utm_medium=rss

Все чаще можно слышать про планы правительства провести полную инвентаризацию объектов недвижимости с целью уточнения кадастровых данных. Для первичного решения этой задачи можно применить простой способ, основанный на расчете площади крыш капитальных строений по аэрофотоснимкам и дальнейшее сопоставление с кадастровыми данными. К сожалению, ручной поиск и расчет занимает много времени, а поскольку новые дома сносятся и строятся непрерывно, то расчет требуется повторять снова и снова. Сразу возникает гипотеза, что этот процесс можно автоматизировать с помощью  алгоритмов машинного обучения, в частности, Computer Vision. В этой статье я расскажу о том, как мы в «НОРБИТ» (https://www.norbit.ru/) решали эту задачу и с какими сложностями столкнулись.