Несколько утилит для усиления cat/pwd/ls
https://kushaldas.in/posts/a-few-new-generation-command-line-tools.html

#python #pydigest

Сборник Python новостей уже перед вами.

В 335 выпуске Python Дайджест вы найдете:

- Материальный Python. Кастомные карточки с OpenGL эффектами
- Как сделать тематическое моделирование форума быстро или что беспокоит людей с целиакией
- Авторизация пользователя при помощи Starlette + Vue.js
- Как построить диаграмму Венна с 50 кругами?
- Высокоскоростной Apache Parquet на Python с Apache Arrow
- Бизнес-эксперт и программирование. Совмещать нельзя разделять
- [Видео] КБМПи №7 Как работать с фикстурами данных в pytest?
- jupyter-book - делаем интерактивную книгу из Jupyter Notebooks

Заходите в гости - https://pythondigest.ru/issue/335/
Присылайте интересные новости через форму на сайте.

Практики и трюки для масштабирования Celery
https://medium.com/better-programming/python-celery-best-practices-ae182730bb81

textshot - grabbing text from screenshot
http://github.com/ianzhao05/textshot

Fil - memory profiler for (data) scientists
https://pythonspeed.com/articles/memory-profiler-data-scientists/

Consistent Hashing
https://www.codementor.io/arpitbhayani/consistent-hashing-with-binary-search-16rec8e8eh

Test and Code: 114: The Python Software Foundation (PSF) Board Elections - Ewa Jodlowska / Christopher Neugebauer
https://testandcode.com/114

Audio

Отладка Django приложения в Docker через VS Code
https://testdriven.io/blog/django-debugging-vs-code/

Unit Testing for Data Scientists
https://towardsdatascience.com/unit-testing-for-data-scientists-dc5e0cd397fb

Шпаргалка по визуализации данных в Python с помощью Plotly
https://habr.com/ru/post/502958/?utm_campaign=502958&utm_source=habrahabr&utm_medium=rss

В этой простыне все примеры разобраны от совсем простых к более сложным, так что разработчикам с опытом будет скучно. Так же эта «шпаргалка» не заменит на 100% примеры из документации.

6 способов значительно ускорить pandas с помощью пары строк кода. Часть 1
https://habr.com/ru/post/503726/?utm_campaign=503726&utm_source=habrahabr&utm_medium=rss

В этой статье я расскажу о шести инструментах, способных значительно ускорить ваш pandas код. Инструменты я собрал по одному принципу — простота интеграции в существующую кодовую базу. Для большинства инструментов вам достаточно установить модуль и добавить пару строк кода.

Создание и модификация PDF файлов
https://realpython.com/creating-modifying-pdf/

Keyword-only arguments
https://lukeplant.me.uk/blog/posts/keyword-only-arguments-in-python/

Простой способ спарсить таблицы с сайта
https://towardsdatascience.com/the-simplest-way-to-scrape-tabular-data-with-python-d17abda3096d

С помощью pandas

Podcast.__init__: Dependency Management Improvements In Pip's Resolver
https://www.pythonpodcast.com/pip-resolver-dependency-management-episode-264/

Audio

Оптимизация запросов Django ORM
https://webdevblog.ru/optimizaciya-zaprosov-django-orm/

Оригинальная статья: Rocio Aramberri – Optimizing Django ORM Queries (http://schegel.net/posts/optimizing-django-orm-queries/)
Django ORM (Object Relational Mapping) – одна из самых мощных функций Django. Благодаря ей мы можем взаимодействовать с базой данных, используя код Python вместо SQL.

Python.org рекомендует: Программирование для НЕпрограммистов
https://habr.com/ru/post/480898/?utm_campaign=480898&utm_source=habrahabr&utm_medium=rss

Предлагаем вашему вниманию подборку материалов от python.org о том, с чего начать первые шаги в программировании. Если Вы никогда не занимались программированием раньше, эти материалы для вас. Данные туториалы не предполагают, что у вас есть какой-то опыт. (Если у вас уже есть опыт программирования, посетите Beginners Guide).

Твой первый шаг в Data Science. Титаник
https://habr.com/ru/post/503954/?utm_campaign=503954&utm_source=habrahabr&utm_medium=rss

Я считаю, что бОльшее количество дел мы бы могли совершать, если бы нам предоставляли пошаговые инструкции, которые скажут что и как делать. Сам же вспоминаю в своей жизни такие моменты, когда не мог начаться какое-то дело из-за того, что было просто сложно понять, с чего нужно начинать. Быть может, когда-то давно в интернете ты увидел слова «Data Science» и решил, что тебе до этого далеко, а люди, которые этим занимаются где-то там, в другом мире. Так нет же, они прямо здесь. И, возможно, благодаря людям из этой сферы тебе в ленту попала статья. Существует полно курсов, которые помогут тебе освоится с этим ремеслом, здесь же я помогу тебе сделать первый шаг.


Ну что, ты готов? Сразу скажу, что тебе придется знать Python 3, поскольку его я буду использовать здесь. А также советую заранее установить на Jupyter Notebook или посмотреть, как использовать google colab.

httprunner - One-stop solution for HTTP(S) testing.
http://github.com/httprunner/httprunner

Saving GeoPoints Using Django Form
https://www.pyscoop.com/saving-geopoints-using-django-form/?utm_source=rss&utm_medium=rss&utm_campaign=saving-geopoints-using-django-form

6 способов значительно ускорить pandas с помощью пары строк кода. Часть 2
https://habr.com/ru/post/504006/?utm_campaign=504006&utm_source=habrahabr&utm_medium=rss

В предыдущей статье (https://habr.com/ru/post/503726/) мы с вами рассмотрели несколько несложных способов ускорить Pandas через jit-компиляцию и использование нескольких ядер с помощью таких инструментов как Numba и Pandarallel. В этот раз мы поговорим о более мощных инструментах, с помощью которых можно не только ускорить pandas, но и кластеризовать его, таким образом позволив обрабатывать большие данные.