Pandashells: Data Science в командной строке

https://cbrownley.wordpress.com/2016/03/20/pandashells-data-science-with-python-on-the-command-line/

По ссылке вы найдете демо использования Pandashells для выполнения различной обработки данных, анализа и визуализации в командно строке

Анализ временных рядов в real-time с помощью AWS Lambda, Amazon Kinesis и Amazon DynamoDB Streams

http://blogs.aws.amazon.com/bigdata/post/Tx148NMGPIJ6F6F/Analyze-a-Time-Series-in-Real-Time-with-AWS-Lambda-Amazon-Kinesis-and-Amazon-Dyn

Прогнозирование с помощью PySpark используя MLlib и ML пакеты

https://www.mapr.com/blog/churn-prediction-pyspark-using-mllib-and-ml-packages

Процесс прогнозирования в значительной степени зависит от данных и часто использует передовые методы машинного обучения. В этой статье мы посмотрим разновидности данных, как делать некоторый предварительный анализ данных, а также как генерировать модели прогнозирования оттока абонентов - все с помощью PySpark и ее рамках машинного обучения.

Авторизация на основе токенов с помощью Django и React

http://geezhawk.github.io/2016/03/24/user-authentication-with-react-and-django-rest-framework.html

Функциональное программирование: концепции, идиомы и философия

http://hkupty.github.io/2016/Functional-Programming-Concepts-Idioms-and-Philosophy/

Наконец-то, Real-Time Django: введение в Django Channels

https://blog.heroku.com/archives/2016/3/17/in_deep_with_django_channels_the_future_of_real_time_apps_in_django

[Видео] Raspberry Pi & Python Internet 'Thing' pt. 1

https://www.youtube.com/watch?v=L55QYFnnrgo

Python 201 – OrderedDict

http://www.blog.pythonlibrary.org/2016/03/24/python-201-ordereddict/

channels-examples - пример проекта сиспользованием Django Channels

http://github.com/andrewgodwin/channels-examples

General_Deep_Q_RL - General deep Q learning framework

http://github.com/VinF/General_Deep_Q_RL

PyonR - реализация Python для Racket

https://github.com/pedropramos/PyonR

pysqlite - 2.8.2

https://allmychanges.com/p/python/pysqlite/#2.8.2

Python DB-API модуль для SQLite 3.. Изменения описаны по ссылке https://allmychanges.com/p/python/pysqlite/#2.8.2. Скачать можно по ссылке: https://pypi.python.org/pypi/pysqlite

python-diskcache - кэш на базе файлов для Python

http://github.com/grantjenks/python-diskcache

In [1]: import pylibmc
In [2]: client = pylibmc.Client(['127.0.0.1'], binary=True)
In [3]: client[b'key'] = b'value'
In [4]: %timeit client[b'key']

10000 loops, best of 3: 25.4 µs per loop

In [5]: import diskcache as dc
In [6]: cache = dc.Cache('tmp')
In [7]: cache[b'key'] = b'value'
In [8]: %timeit cache[b'key']

100000 loops, best of 3: 11.8 µs per loop

scrapyjs - поддержка JavaScript для Scrapy используя Splash

http://pypi.python.org/pypi/scrapyjs/

yoton - декоратор добавляющий кэш для функций

http://pypi.python.org/pypi/yoton/

@yoton.cache(key_pattern="dummy_cache_key", expire_seconds=60)
def dummy_func():
   return "hello"

>> dummy_func()  # call the function
"hello" set in the cache

Пример кода: утилита для сравнения двух файлов

http://jugad2.blogspot.com/2016/03/a-basic-file-compare-utility-in-python.html

#python #pydigest
Вот и радостный понедельник, а вместе с ним Python Дайджест.

На прошлой неделе мы запилили систему лайков (теперь вы можете голосовать за ссылки), немного обновили главную страницу (теперь можно сворачивать разделы новостей) и активно работаем над автоматизацией модерации.

Но главное - это выпуск
В 118 выпуске вы найдете:

- Прогнозирование с помощью PySpark используя MLlib и ML пакеты
- Pandashells: Data Science в командной строке
- 10 мифов о применении Python в энтерпрайзе
- Функциональное программирование: концепции, идиомы и философия
- python-diskcache - кэш на базе файлов для Python
- scrapyjs - поддержка JavaScript для Scrapy используя Splash

и многое другое

Заходите в гости - http://pythondigest.ru/issue/118

Web Scrapping с помощью python

https://habrahabr.ru/post/280238/

Недавно заглянув на КиноПоиск, я обнаружила, что за долгие годы успела оставить более 1000 оценок и подумала, что было бы интересно поисследовать эти данные подробнее: менялись ли мои вкусы в кино с течением времени? есть ли годовая/недельная сезонность в активности? коррелируют ли мои оценки с рейтингом КиноПоиска, IMDb или кинокритиков? 
Но прежде чем анализировать и строить красивые графики, нужно получить данные. К сожалению, многие сервисы (и КиноПоиск не исключение) не имеют публичного API, так что, приходится засучить рукава и парсить html-страницы. Именно о том, как скачать и распарсить web-cайт, я и хочу рассказать в этой статье.
В первую очередь статья предназначена для тех, кто всегда хотел разобраться с Web Scrapping, но не доходили руки или не знал с чего начать. 

Off-topic: к слову, Новый Кинопоиск под капотом использует запросы, которые возвращают данные об оценках в виде JSON, так что, задача могла быть решена и другим путем.

Путь джедая: comprehensions в Python

https://gist.github.com/bearfrieze/a746c6f12d8bada03589

По ссылке вы найдете тутриал про comprehensions в Python, все это на примерах с отсылками к Звездным Войнам

EuroPython 2016: более 150 докладов ждут тебя

http://blog.europython.eu/post/141773328897