#python #pydigest

Сборник Python новостей уже перед вами.

В 307 выпуске Python Дайджест вы найдете:

- Объекты без циклических ссылок и циклической сборки мусора
- Делаем мобильное приложенеи на Kivy
- 34 open source библиотеки Python (2019)
- Статический анализ больших объёмов Python-кода: опыт Instagram
- Типы для HTTP-API, написанных на Python: опыт Instagram
- Работа над PEG на Core Developer Sprint
- Почему Солнце вращается вокруг Земли
- [Audio] Python Bytes: #155 Guido van Rossum retires


Заходите в гости - https://pythondigest.ru/issue/307/
Присылайте интересные новости через форму на сайте.

celery - 4.4.0rc4
https://allmychanges.com/p/python/celery/#4.4.0rc4

Распределенная очередь задач. Изменения описаны по ссылке https://allmychanges.com/p/python/celery/#4.4.0rc4. Скачать можно по ссылке: http://pypi.python.org/pypi/celery/

Визуальное представление выборов в Санкт-Петербурге
https://habr.com/ru/post/475258/?utm_campaign=475258&utm_source=habrahabr&utm_medium=rss

В сентябре этого (2019) года прошли выборы Губернатора Санкт-Петербурга. Все данные о голосовании находятся в открытом доступе на сайте избирательной комиссии, мы не будем ничего ломать, а просто визуализируем информацию с этого сайта www.st-petersburg.vybory.izbirkom.ru (http://www.st-petersburg.vybory.izbirkom.ru/) в нужном для нас виде, проведем совсем несложный анализ и определим некоторые «волшебные» закономерности.

Twisted 19.10.0
http://feedproxy.google.com/~r/TwistedMatrixLaboratories/~3/k0FnnET5nqo/twisted-19100-released.html

Как визуализировать гео-данные на карте с Geoviews
https://towardsdatascience.com/how-to-visualize-data-on-top-of-a-map-in-python-using-the-geoviews-library-c4f444ca2929

Зачем использовать `python -m pip`
https://habr.com/ru/post/475392/?utm_campaign=475392&utm_source=habrahabr&utm_medium=rss

Podcast.__init__: Automate Your Server Security With GrapheneX
https://www.pythonpodcast.com/graphenex-server-security-episode-237/

Audio

Жадные алгоритмы – часть 1. Алгоритм Дейкстры.
https://webdevblog.ru/zhadnye-algoritmy-chast-1-algoritm-dejkstry/

Эта отрывок из бесплатной книги “Парадигмы алгоритмического проектирования (жадные алгоритмы, разделяй и властвуй и динамическое программирование)”

Если у Вас нет Питона, но есть Керас-модель и Джава
https://habr.com/ru/post/475338/?utm_campaign=475338&utm_source=habrahabr&utm_medium=rss

В построении ML-моделей Python сегодня занимает лидирующее положение и пользуется широкой популярностью сообщества Data Science специалистов


Также, как и большинство разработчиков, Python привлекает нас своей простотой и лаконичным синтаксисом. Мы используем его для решения задач машинного обучения при помощи искусственных нейронных сетей. Однако, на практике, язык продуктовой разработки не всегда Python и это требует от нас решения дополнительных интеграционных задач.


В этой статье расскажу о тех решениях, к которым мы пришли, когда нам потребовалось связать Keras-модель языка Python с Java.

Книга «Знакомство с PyTorch: глубокое обучение при обработке естественного языка»
https://habr.com/ru/post/475488/?utm_campaign=475488&utm_source=habrahabr&utm_medium=rss

Обработка текстов на естественном языке (Natural Language Processing, NLP) — крайне важная задача в области искусственного интеллекта. Успешная реализация делает возможными такие продукты, как Alexa от Amazon и Google Translate. Эта книга поможет вам изучить PyTorch — библиотеку глубокого обучения для языка Python — один из ведущих инструментов для дата-сайентистов и разработчиков ПО, занимающихся NLP. Делип Рао и Брайан Макмахан введут вас в курс дел с NLP и алгоритмами глубокого обучения. И покажут, как PyTorch позволяет реализовать приложения, использующие анализ текста.

Использование strict-модулей в крупномасштабных Python-проектах: опыт Instagram. Часть 1
https://habr.com/ru/post/475240/?utm_campaign=475240&utm_source=habrahabr&utm_medium=rss

Публикуем первую часть перевода очередного материала из серии, посвящённой тому, как в Instagram работают с Python. В первом (https://habr.com/ru/company/ruvds/blog/473766/) материале этой серии речь шла об особенностях серверного кода Instagram, о том, что он представляет собой монолит, который часто меняется, и о том, как статические средства проверки типов помогают этим монолитом управлять. Второй (https://habr.com/ru/company/ruvds/blog/474308/) материал посвящён типизации HTTP-API. Здесь речь пойдёт о подходах к решению некоторых проблем, с которыми столкнулись в Instagram, используя Python в своём проекте. Автор материала надеется на то, что опыт Instagram пригодится тем, кто может столкнуться с похожими проблемами.

Блиц-проверка алгоритмов машинного обучения: скорми свой набор данных библиотеке scikit-learn
https://habr.com/ru/post/475552/?utm_campaign=475552&utm_source=habrahabr&utm_medium=rss

Глобальная паутина изо дня в день пополняется статьями о самых популярных, наиболее употребляемых алгоритмах машинного обучения для решения различных задач. Причём основа этих статей, немного изменённая по форме в том или ином месте, кочует от одного исследователя данных к другому. При этом все эти работы объединяет один общепринятый, непреложный постулат: применение того или иного алгоритма машинного обучения зависит от размера и природы имеющихся в распоряжении данных и поставленной задачи.

dovpanda - получаем подсказки по работе с pandas
http://github.com/dovpanda-dev/dovpanda

Как написать смарт-контракт на Python в сети Ontology. Часть 2: Storage API
https://habr.com/ru/post/475618/?utm_campaign=475618&utm_source=habrahabr&utm_medium=rss

Это вторая часть из серии обучающих статей о создании смарт-контрактов на Python в блокчейн сети Ontology. В предыдущей статье мы познакомились с Blockchain & Block API (https://habr.com/ru/post/474966/) смарт-контракта Ontology.


Сегодня мы обсудим, как использовать второй модуль— Storage API. Storage API имеет пять связанных API, которые позволяют добавление, удаление и изменения в постоянном хранилище в смарт-контрактах на блокчейне.

Подборка @pythonetc, октябрь 2019
https://habr.com/ru/post/475684/?utm_campaign=475684&utm_source=habrahabr&utm_medium=rss

Новая подборка советов про Python и программирование из авторского канала @pythonetc.

Жадные алгоритмы – часть 2. Разделяй и властвуй.
https://webdevblog.ru/zhadnye-algoritmy-chast-2-razdelyaj-i-vlastvuj/

Продолжаем перевод бесплатной книги “Парадигмы алгоритмического проектирования (жадные алгоритмы, разделяй и властвуй и динамическое программирование)”

Импорт отчета по звонкам из CoMagic в BigQuery по расписанию с помощью Google Cloud Functions
https://habr.com/ru/post/475804/?utm_campaign=475804&utm_source=habrahabr&utm_medium=rss

При сложной структуре рекламных кампаний и большого количества звонков становятся необходимы дополнительные инструменты хранения, обработки и анализа информации о поступающих обращениях. Часто нужен быстрый доступ к данным за большой период времени. Иногда необходима сложная обработка данных, соотнесение звонков к определенному каналу или кампании.


Одним из вариантов ускорения работы, который также дает дополнительные преимущества является импорт звонков из CoMagic в Google BigQuery. О преимуществах BigQuery пишут много, так что перейдем непосредственно к созданию.

Как в Redash заметили и исправили проблему, вызвавшую деградацию производительности Python-кода
https://habr.com/ru/post/475250/?utm_campaign=475250&utm_source=habrahabr&utm_medium=rss

Недавно в Redash приступили к смене одной системы выполнения задач на другую. А именно — они начали переход с Celery на RQ. На первом этапе на новую платформу перевели лишь те задания, которые не выполняют запросы напрямую. Среди таких заданий — отправка электронных писем, выяснение того, какие запросы должны быть обновлены, запись пользовательских событий и другие вспомогательные задачи.

[Видео] Moscow Python Podcast. Big data, Data science, Machine Learning. (level: junior)
https://www.youtube.com/watch?v=h45p5JpA6x4

Big data, Data science, Machine Learning — все эти названия на слуху уже не первый год. Но до сих пор не всегда понятно, кто есть кто в этом мире хайповых названий. Что должен уметь Data Scientist и чем он отличается от Data Analyst? Зачем нужен Data Engineer и нужен ли он вообще? А чем занимается ML Engineer? Как разработчику попасть в мир Big data, нужны ли небольшим компаниям Spark и Hadoop, должен ли Data Scientist знать математику и можно ли за 7 недель стать Data Engineer

Как читать Stata Files .dta в Pandas
https://www.marsja.se/how-to-read-stata-files-in-python-with-pandas/