Как работать с несколькими базами в Django
http://www.djangocrew.com/blog/how-configure-multiple-databases-django-simple-way/

Решаем задачи без самобалансирующихся деревьев в Python
https://habrahabr.ru/post/350732/?utm_campaign=350732

Многие задачи на алгоритмы требуют знания определённых структур данных. Стек, очередь, куча, динамический массив, двоичное дерево поиска — нечасто решение алгоритмической задачи обходится без использования чего-либо из них. Однако, качественная их реализация — нетривиальная задача, и при написании кода всегда хочется по максимуму обойтись использованием стандартной библиотеки языка.

Как быстро написать и выкатить в продакшн алгоритм машинного обучения
https://habrahabr.ru/post/351074/?utm_campaign=351074

Сейчас анализ данных все шире используется в самых разных, зачастую далеких от ИТ, областях и задачи, стоящие перед специалистом на ранних этапах проекта радикально отличаются от тех, с которыми сталкиваются крупные компании с развитыми отделами аналитики. В этой статье я расскажу о том, как быстро сделать полезный прототип и подготовить простой API для его использования прикладным программистом.

Эффективное использование памяти при параллельных операциях ввода-вывода в Python. Оригинал
https://code.kiwi.com/memory-efficiency-of-parallel-io-operations-in-python-6e7d6c51905d

А теперь по-русски. Выпуск 5. Факап
http://pythonz.net/articles/148/?utm_campaign=promo&utm_source=rss&utm_medium=link

О том, как иностранные бранные слова становятся эвфемизмами.

Эффективное использование памяти при параллельных операциях ввода-вывода в Python. Перевод
https://habrahabr.ru/post/351112/?utm_campaign=351112

Существует два класса задач где нам может потребоваться параллельная обработка: операции ввода-вывода и задачи активно использующие ЦП, такие как обработка изображений. Python позволяет реализовать несколько подходов к параллельной обработке данных. Рассмотрим их применительно к операциям ввода-вывода.


До версии Python 3.5 было два способа реализации параллельной обработки операций ввода-вывода. Нативный метод — использование многопоточности, другой вариант — библиотеки типа Gevent, которые распараллеливают задачи в виде микро-потоков. Python 3.5 предоставил встроенную поддержку параллелизма с помощью asyncio. Мне было любопытно посмотреть, как каждый из них будет работать с точки зрения памяти. Результаты ниже.

Python IDE and Code Editors (Guide)
https://realpython.com/blog/python/python-ides-code-editors-guide/

Cython 0.28
http://blog.behnel.de/posts/whats-new-in-cython-028.html

Наташа — библиотека для извлечения структурированной информации из текстов на русском языке
https://habrahabr.ru/post/349864/?utm_campaign=349864

Есть стандартная задача извлечения именованных сущностей из текста (NER (https://en.wikipedia.org/wiki/Named-entity_recognition)). На входе текст, на выходе структурированные, нормализованные объекты, например, с именами, адресами, датами

natasha - Rule-based named entity recognition library for russian language
http://github.com/natasha/natasha

aiohttp - 3.0.8
https://allmychanges.com/p/python/aiohttp/#3.0.8

http клиент/сервер для asyncio. Изменения описаны по ссылке https://allmychanges.com/p/python/aiohttp/#3.0.8. Скачать можно по ссылке: https://pypi.python.org/pypi/aiohttp

django-extensions - 2.0.4
https://allmychanges.com/p/python/django-extensions/#2.0.4

Набор пользовательских расширений для Django-проектов. Изменения описаны по ссылке https://allmychanges.com/p/python/django-extensions/#2.0.4. Скачать можно по ссылке: https://pypi.python.org/pypi/django-extensions/

gino - GINO Is Not ORM - a Python asyncio ORM on SQLAlchemy core.
http://github.com/fantix/gino

#python #pydigest

А вот и Python Дайджест. Сборник Python новостей за неделю уже перед вами. Все самое интересное в одном месте.

В 221 выпуске Python Дайджест вы найдете:

- Наташа — библиотека для извлечения структурированной информации из текстов на русском языке
- Как быстро написать и выкатить в продакшн алгоритм машинного обучения
- Решаем задачи без самобалансирующихся деревьев в Python
- Первые шаги в Машинном обучении
- А теперь по-русски. Выпуск 5. Факап
- FFMPEG. Загружаем часть видео с YouTube
- Тестирование проектов C/C++ с помощью Python
- Distant Joining: выбираем репрезентативный набор генов
- [Видео] PyCon Belarus 2018
- [Видео] Ufapy #4
- Tandem - редактируем файлы в vim/sublime text с коллегами
- datapy - легкая библиотечка для обработки данных
- snips-nlu - извлекаем структурированную информацию из текстов

и еще много интересного

Заходите в гости - https://pythondigest.ru/issue/221/

Amazon Redshift и Python
http://khashtamov.com/ru/amazon-redshift-python/

Amazon Redshift это колоночная база данных от Amazon, способная хранить и обрабатывать петабайты данных. Она поддерживает диалект SQL, что значительно облегчает работу с данными, а также подключение сторонних Business Intelligence систем для последующего анализа. В основе Redshift лежит реляционная база данных PostgreSQL (https://khashtamov.com/ru/postgresql-cheatsheet/) 8 версии.

Cжатие и улучшение рукописных конспектов
https://habrahabr.ru/post/351266/?utm_campaign=351266

Я написал программу для очистки отсканированных конспектов с одновременным уменьшением размера файла.

indrnn - TensorFlow implementation of Independently Recurrent Neural Networks
http://github.com/batzner/indrnn

Пишем собственный сервис перевода на основе Microsoft Translator Speech API
https://www.nexmo.com/blog/2018/03/14/speech-voice-translation-microsoft-dr/

Как я исправл очень старый GIL race condition в Python 3.7
https://vstinner.github.io/python37-gil-change.html

Tutorial: Django REST with React (Django 2.0)
https://www.valentinog.com/blog/tutorial-api-django-rest-react/