StackOverflow: интересные вопросы за неделю (lxxvi)
http://python-weekly.blogspot.com/2017/06/lxxvi-stackoverflow-python-report.html

#python #pydigest

Лето на календаре! Уже даже Python снял шапку-ушанку :)
На прошлой неделе выложили доклады со встречи Python-нистов в Москве, но это далеко не все интересности за неделю.

В 180 выпуске Python Дайджеста вы найдете:

- Пишем игровой ИИ на базе Machine Learning
- Tutorial: асинхронное распознавание речи на Python
- Python приложение для работы с Microsoft Outlook mail, calendar, и contacts
- Монтаж изображений с помощью OpenCV
- Да, Python медленный, но меня это не волнует
- Именованные кортежи. Пишем код на Python чище
- Отзывчивые графики на Bokeh, Flask и Python 3
- [Видео] Создание desktop-приложений на Python
- [Видео] Promises and service worker for pythonist
- Vataxia - движок социальной сети
- Pydantic - валидация данных на базе type hinting
- typot - ищем опечатки автоматически

и еще много интересного

Заходите в гости - https://pythondigest.ru/issue/180/

[Видео] Прицельная регрессия, или запускаем только релевантные автотесты
http://pythonz.net/videos/87/?utm_campaign=promo&utm_medium=link&utm_source=rss

Как известно, чем раньше найден баг, там дешевле его починить. Лучше всего, когда проблема обнаруживается юнит-тестами или статическим анализатором на самой ранней стадии. Иначе обстоят дела с проблемой, проникшей в общую ветку. В этом случае необходимо дождаться прохождения автоматической регрессии, формально описать баг, а после исправления — проверить, что в свежем билде его действительно больше нет. Всего этого мы могли бы избежать, запустив регрессию на dev-бранче перед коммитом в общую ветку. Но это тоже малоэффективно потому, что регрессия выполняется долго и не все тесты в ней имеют отношение к измененному коду Как с этим бороться? В докладе я расскажу про наш опыт автоматизации поиска тестов, покрывающих изменения в dev-бранче, с помощью информации о покрытии кода.
Как известно, чем раньше найден баг, там дешевле его починить. Лучше всего, когда проблема обнаруживается юнит-тестами или статическим анализатором на самой ранней стадии. Иначе обстоят дела с проблемой, проникшей в общую ветку. В этом случае необходимо дождаться прохождения автоматической регрессии, формально описать баг, а после исправления — проверить, что в свежем билде его действительно больше нет. Всего этого мы могли бы избежать, запустив регрессию на dev-бранче перед коммитом в общую ветку. Но это тоже малоэффективно потому, что регрессия выполняется долго и не все тесты в ней имеют отношение к измененному коду 

Как с этим бороться? В докладе я расскажу про наш опыт автоматизации поиска тестов, покрывающих изменения в dev-бранче, с помощью информации о покрытии кода.

zipfile — ZIP Archive Access — PyMOTW 3
https://doughellmann.com/blog/2017/06/05/zipfile-zip-archive-access-pymotw-3/

Определяем цветастость на OpenCV и Python
http://www.pyimagesearch.com/2017/06/05/computing-image-colorfulness-with-opencv-and-python/

[Видео] Оптимизации ускоряющие Python 3.6 по сравнению с Python 3.5
http://pyvideo.org/pycon-us-2017/optimizations-which-made-python-36-faster-than-python-35.html

[Видео] QaAPI или какое API нужно вашим тестировщикам
http://pythonz.net/videos/88/?utm_campaign=promo&utm_medium=link&utm_source=rss

Жизнь тестировщика насыщена экспериментами и рутиной. Чем больше рутины и меньше экспериментов, тем тестировщик сильнее грустит. Как разработчики ПО мы можем сделать тестировщика счастливым — написать софт, который автоматизирует рутину. В докладе расскажу об инструменте QaAPI — реализации API для применения в тестировании. Поделюсь опытом разработки такого инструмента в Welltory.

Pokemon-Terminal - темы оформления для  iTerm2
http://github.com/LazoCoder/Pokemon-Terminal

spark-deep-learning - Deep Learning Pipelines для Apache Spark
http://github.com/databricks/spark-deep-learning

scattertext - визуализация различий языка в разных документах
http://github.com/JasonKessler/scattertext

Получаем весь список разрешений у модели в Django
http://timonweb.com/posts/how-to-get-a-list-of-all-user-permissions-available-in-django-based-project/

Предварительная программа PyConRu-2017
https://habrahabr.ru/post/330408/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Привет! 16-17 июля в 95 км от Москвы пройдет пятая конференция для python-разработчиков PyCon Russia. Видео прошлогодних докладов можно посмотреть на YouTube-канале. Программа PyCon-2017 получается отличной. На конференции выступят: Paul Hildebrandt (Walt Disney Animation Studios, США), Łukasz Langa (Facebook, США), Nina Zakharenko (Venmo, США), АПрограмма PyCon-2017 получается отличной. На конференции выступят: Paul Hildebrandt (Walt Disney Animation Studios, США), Łukasz Langa (Facebook, США), Nina Zakharenko (Venmo, США), Александр Кошкин (Positive Technologies), Кирилл Борисов (Яндекс), Елизавета Шашкова (JetBrains), Михаил Юматов (ЦИАН), Ольга Сентемова (Тинькофф Банк), Игорь Новиков (Scalr), Олег Чуркин (Rambler&Co) — и это не все. Подробности программы — под катом.

[Видео] Питонизация стартапа
http://pythonz.net/videos/89/?utm_campaign=promo&utm_medium=link&utm_source=rss

Python хороший язык для бэкэнда. Но почему его нельзя применить и на frontend? Или можно? Я покажу как на практике можно писать Python код и на frontend (с Rapydscript) и на бэкэнд (Web.py).

Генерируем произвольные последовательности на выводах платы Raspberry Pi
https://habrahabr.ru/post/330378/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Автор: Николай Хабаров, Embedded Expert DataArt, евангелист технологий умного дома. В этой статье я расскажу, как написать обычное user space-приложение на Python для современного ARM-процессора с ОС Linux для генерирования сложных последовательностей импульсов на выводах платы. Суть идеи — использовать DMA-модуль процессора для копирования из предварительно подготовленного буфера в памяти в GPIO с высокой точностью по времени. Когда речь заходит о необходимости сгенерировать сложную последовательность импульсов, например, для шаговых двигателей, обычно используют старые добрые простенькие микроконтроллеры с установленной специальной операционной системой реального времени или вообще без операционной системы. Реализация при этом, в лучшем случае, написана на C++. Сейчас процессоры шагнули далеко вперед и имеют массу преимуществ: производительность, возможность использования операционной системы Linux со всей инфраструктурой и ПО, а также высокоуровневых языков программирования, таких как Python. И все же современные микроконтроллеры для генерирования сложных последовательностей на выводах GPIO, как правило, не используют. Я реализовал генерацию импульсов для управления шаговыми двигателями проекта PyCNC — проекта контроллера машин с ЧПУ, станков, 3D-принтеров, полностью написанного на Python и запускаемого на современном ARM-процессоре на плате Raspberry Pi. Статья может быть полезна желающим реализовать генерацию сложных последовательностей установки уровней на выводах одного или нескольких GPIO на других высокоуровневых языках программирования, используя DMA-модули других процессоров. Читать дальше →

В этой статье я расскажу, как написать обычное user space-приложение на Python для современного ARM-процессора с ОС Linux для генерирования сложных последовательностей импульсов на выводах платы. Суть идеи — использовать DMA-модуль процессора для копирования из предварительно подготовленного буфера в памяти в GPIO с высокой точностью по времени.

wxPython: Status Bar
http://www.blog.pythonlibrary.org/2017/06/06/wxpython-working-with-status-bars/

Записи, структуры и Data Transfer Objects в Python
https://dbader.org/blog/records-structs-and-data-transfer-objects-in-python

Finite State Machines в Django
https://distillery.com/blog/building-for-flexibility-using-finite-state-machines-in-django/

[Видео] The Memory Chronicles: A Tale of Two Pythons
http://pythonz.net/videos/90/?utm_campaign=promo&utm_medium=link&utm_source=rss

MicroPython — самая микроскопическая полная реализация Python. Данная разновидность Питона, разработанная для микроконтроллеров, занимает менее 300 Кб памяти, сохраняя при этом наиболее популярные особенности языка. Так что же нужно для создания самого маленького Питона? Или даже: почему CPython потребляет много памяти? В ходе выступления, с упором на аспекты использования памяти, будут рассмотрены детали внутренней реализации MicroPython и сопоставлены с CPython. Мы рассмотрим разные объектные модели Питонов, мы затронем тему различий в конструкциях используемых ими компиляторов байткода и интерпретаторов.MicroPython — самая микроскопическая полная реализация Python. Данная разновидность Питона, разработанная для микроконтроллеров, занимает менее 300 Кб памяти, сохраняя при этом наиболее популярные особенности языка. 


Так что же нужно для создания самого маленького Питона? Или даже: почему CPython потребляет много памяти?


В ходе выступления, с упором на аспекты использования памяти, будут рассмотрены детали внутренней реализации MicroPython и сопоставлены с CPython. Мы рассмотрим разные объектные модели Питонов, мы затронем тему различий в конструкциях используемых ими компиляторов байткода и интерпретаторов.

Предсказываем результаты футбола со статистической  с моделью
https://dashee87.github.io/football/python/predicting-football-results-with-statistical-modelling/

Podcast.__init__ Episode 112 - Coconut with Evan Hubinger
https://www.podcastinit.com/episode-112-coconut-with-evan-hubinger/