1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
jsonschema - 4.24.0
https://ift.tt/Hk2gO17
Валидатор JSON данных. Скачать можно по ссылке: https://pypi.python.org/pypi/jsonschema
Dataclass For Django Custom Command Arguments
https://ift.tt/tHZXMaw
Leveraging dataclasses for Django custom command arguments centralizes default settings and URL query construction, streamlining code and reducing potential mismatches.
Подводные камни при работе с файлами в Linux с примерами на Python
https://ift.tt/QwD8vpk
Работа с файлами в Python кажется простой — open, read, write. Но на практике, особенно в системах с высокими требованиями к отказоустойчивости, стабильности и логированию, за банальными строками кода может скрываться целый мир проблем.
Сводка от pythonz 18.05.2025 — 25.05.2025
https://ift.tt/4i23sIh
А теперь о том, что происходило в последнее время на других ресурсах.
How to separate test data from code: testing with CSV in pytest
https://ift.tt/ElkivAt
Want to test a function with dozens of variants? I'll show you how to organize test cases in a CSV file and connect them to pytest using the pytest-csv-params plugin.
Еще чуть-чуть быстрее ищем кратчайший путь на Python
https://ift.tt/Xg7Huan
Наша команда решает задачу поиска оптимального расположения даркстора (место, где хранятся продукты, а также собираются заказы). Зона покрытия даркстора — радиус в пару километров, и количество их постоянно увеличивается. Мы хотим уметь размещать новый даркстор так, чтобы как можно больше людей получали заказы за минимальное время доставки.В этой статье мы расскажем, как выбираем локации для новых дарксторов: определимся с постановкой задачи, погрузимся в контекст проекта и покажем, как можно анализировать сотни тысяч разных точек на карте в секунду.
aiohttp - 3.12.0
https://ift.tt/rIzSG4W
http клиент/сервер для asyncio. Скачать можно по ссылке: https://pypi.python.org/pypi/aiohttp
Scikit-learn теперь умеет в пайплайны: что изменилось и как работать с библиотекой в 2025 году
https://ift.tt/gOfGH4t
Scikit-learn — это одна из основных Python-библиотек для машинного обучения. В 2025 году в библиотеку добавили несколько важных обновлений: доработали работу с пайплайнами, подключили полную поддержку pandas API, упростили контроль за экспериментами.
coverage - 7.8.2
https://ift.tt/2yOCrbP
Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/
param: Clearer Python by Declaring Parameters
https://ift.tt/0N2jQg7
manim: Framework for Mathematical Animations
https://ift.tt/v4jVYDu
Python: a quick cProfile recipe with pstats
https://ift.tt/PIozafs
ㅤ
django-cms - 5.0.1
https://ift.tt/8WoHTu9
Легкая в использовании и удобная для разработки CMS. Скачать можно по ссылке: https://pypi.python.org/pypi/django-cms/
Я не люблю NumPy
https://ift.tt/wJjpNsC
Говорят, что невозможно по-настоящему возненавидеть кого-то, если сначала не полюбил его. Не знаю, справедливо ли это в целом, но это определённо описывает моё отношение к NumPy.NumPy — это ПО для выполнения вычислений с массивами на Python. Оно невероятно популярно и очень сильно повлияло на все популярные библиотеки машинного обучения, например, на PyTorch. Эти библиотеки во многом имеют те же самые проблемы, но для конкретики я рассмотрю NumPy.
aiohttp - 3.12.1
https://ift.tt/RNkPo5Z
http клиент/сервер для asyncio. Скачать можно по ссылке: https://pypi.python.org/pypi/aiohttp
Молекулярное шифрование: полимерный пароль
https://ift.tt/yWAO68k
Неустанно растущий объем информации требует создания новых носителей. Данная потребность уже давно привела к тому, что ученые с особым интересом рассматривают ДНК в качестве идеального (по мнению многих) носителя информации. Проблема в том, что доступ к данным на молекулах является крайне сложным, дорогим и длительным процессом. Ученые из Техасского университета в Остине (США) разработали новый метод кодирования информации в синтетических молекулах, который может сталь более выгодной и эффективной альтернативой биомолекул. Как именно работает данный метод, что лежит в его основе, и что удалось с его помощью сделать? Ответы на эти вопросы мы найдем в докладе ученых.
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Подводные камни при работе с файлами в Linux с примерами на Python
- Как провести пользовательское исследование без пользователей: пошаговый гайд с PyAutoGen
- Рукописный редактор на Python: инструкция для тех, кто хочет «рисовать» код
- Еще чуть-чуть быстрее ищем кратчайший путь на Python
- Временные и постоянные ошибки
- Я не люблю NumPy
- manim: Framework for Mathematical Animations
- pyrefly: A Fast Type Checker and IDE for Python
Заходите в гости - https://pythondigest.ru/issue/597/
Slowpoke Finder: как я сделала CLI-инструмент для анализа медленных шагов в автотестах
https://ift.tt/U8KqMNC
Когда автотесты начинают тянуться как улитка, страдают все. CI медлит, разработчики косо смотрят на отчёты, а я вместо багов натыкаюсь на тайминги. Особенно это бесит в UI‑тестах — там каждый шаг может тормозить, но с ходу это не видно.
Python⇒Speed: Loading Pydantic models from JSON without running out of memory
https://ift.tt/eHthWUE
Временные и постоянные ошибки
https://ift.tt/kSRAJmQ
При работе с внешними интеграциями мы часто реализуем базовую реакцию на ошибки. В большинстве случаев достаточно ограничиться response.raise_for_status(), а детальную обработку оставить на потом. Нередко мы не управляем ошибками. Не знаем в действительности ни как поведет себя внешняя система, ни какие типы этих ошибок следует от нее ожидать. В самом деле, бывает непросто учесть все возможные крайние случаи и обеспечить соответствующее ответное действие.
Повышаем эффективность хранения данных до 300 раз с помощью таблиц SCD-2
https://ift.tt/bEPKfH5
В этой статье расскажу о том, как можно повысить эффективность хранения данных за счет уменьшения их дублирования. Разберем, что из себя представляют Slowly Changing Dimensions-2 (далее SCD-2) таблицы и самостоятельно реализуем на PySpark алгоритм сохранения данных в них. Попутно поговорим о том, как находить изменения в любой таблице, даже если отсутствуют поля для выбора изменившихся записей, и научимся получать из созданной SCD-2 таблицы срезы на требуемую дату в прошлом.
Why, in 2025, do we still need a 3rd party app to write a REST API with Django?
https://ift.tt/IbPhtSX
pyrefly: A Fast Type Checker and IDE for Python
https://ift.tt/RzQmPvJ
pyftpdlib: Fast and Scalable Python FTP Server Library
https://ift.tt/tr9nc1i
Как новичок пытался написать свой «терминал»
https://ift.tt/Wkazsc0
Встроенная командная строка в Windows не устраивает многих разработчиков. У нее скудный функционал, нет «запоминания» и многих других функций, который были бы полезны её пользователям. Поэтому я решил попробовать сделать свою «консоль», с возможностью создания своих модулей для расширения функционала. Для этого, на языке программирования Python я начал писать своё CLI‑приложение, которое упрощает работу с консолью. И что из этого вышло? Узнать продолжение
tornado - 6.5.1
https://ift.tt/hzm9kBH
Масштабируемый, не блокирующий web-сервер. Скачать можно по ссылке: https://pypi.python.org/pypi/tornado/
Торговый робот без QUIK и Windows: мой путь к Raspberry Pi и Backtrader на Московской бирже
https://ift.tt/rYuDPko
Я всегда разделял два этапа: разработку торговых идей (логика стратегии) и реализацию механизма исполнения (отправка заявок, автотрейдинг). Сначала - бэктестинг и базовая оптимизация, и только потом - реальная торговля.
Jupyter-Ascending — новый способ работы с Jupyter Ноутбуками в Emacs
https://ift.tt/hO0DyqJ
Вы обожаете Emacs, но вам необходимо работать с Jupyter ноутбуками? Данная статья расскажет еще об одном способе, как их подружить.
coverage - 7.8.1
https://ift.tt/imcJ9gS
Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/