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.

Введение в Python Functools
https://habr.com/ru/post/504102/?utm_campaign=504102&utm_source=habrahabr&utm_medium=rss

Functools – это библиотека Python, которая предназначена для работы с функциями высшего порядка. Такие функции могут принимать в себя другие функции и возвращать функции. Они помогают разработчиком писать код, который можно переиспользовать. Функции можно использовать или расширять, не переписывая их полностью. Модуль functools в Python предоставляет различные инструменты, которые позволяют добиться описанного эффекта. Например, следующие:

Как реализовать кластеризацию в Power BI с помощью PyCaret
https://habr.com/ru/post/504124/?utm_campaign=504124&utm_source=habrahabr&utm_medium=rss

В одной из последних статей (https://towardsdatascience.com/build-your-first-anomaly-detector-in-power-bi-using-pycaret-2b41b363244e) мы говорили о том, как создать детектор аномалий в Power BI, интегрировав в него PyCaret, и помочь аналитикам и специалистам по анализу данных добавить машинное обучение в отчеты и панели мониторинга без лишних трудозатрат.


В этой статье мы рассмотрим, как с помощью PyCaret и Power BI провести кластерный анализ. Если раньше вы ничего не слышали о PyCaret, начать знакомство с ним вы можете тут (https://habr.com/ru/company/otus/blog/497770/).

Внутри виртуальной машины Python. Часть 2
https://habr.com/ru/post/501920/?utm_campaign=501920&utm_source=habrahabr&utm_medium=rss

Python обычно не рассматривается как компилируемый язык, но на самом деле он является таковым. Во время компиляции исходный код, написанный на Python, преобразуется в байт-код, который потом выполняется виртуальной машиной. Однако, процесс компиляции в Python является довольно простым и не включает в себя множество сложных этапов. Он состоит из следующих шагов в указанном порядке

Как писать устанавливаемые приложения для Django
https://realpython.com/installable-django-app/

Сказ о том, как мы BigQuery приручали
https://habr.com/ru/post/504180/?utm_campaign=504180&utm_source=habrahabr&utm_medium=rss

На самом деле, задача, о которой хочется рассказать, проста до уныния по своей формулировке: нужно было визуализировать данные по продажам отдела e-commerce малой кровью, т.е., читай, практически даром.

 
Что под этим понимается? Корзины наших магазинов генерят постоянный поток данных об онлайн-продажах в разных регионах мира со всеми вытекающими: разные валюты, часовые пояса, налоги, типы клиентов, виды номенклатуры, заказов и т.д. На самом деле, то же самое генерит любой интернет-магазин, только, возможно, варианты параметров у заказов немного отличаются.