Decorating - украшаем терминал с помощью декораторов

https://github.com/ryukinix/decorating

Пример украшения:

Pillow-SIMD

https://habrahabr.ru/post/301576/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

 

Pillow-SIMD — это «форк-последователь» библиотеки работы с изображениями Pillow (которая сама является форком библиотеки PIL, ныне покойной). «Последователь» означает, что проект не становится самостоятельным, а будет обновляться вместе с Pillow и иметь ту же нумерацию версий, только с суффиксом. Я надеюсь более-менее оперативно выпускать версии Pillow-SIMD сразу после выхода версий Pillow.

Коллекция змей: несколько версий Python на вашей Ubuntu

http://pythonz.net/articles/62/?utm_source=rss&utm_medium=link&utm_campaign=promo

Из этой небольшой заметки вы узнаете, как можно удобно и быстро поставить на Ubuntu несколько версий интерпретатора Python для последующего их использования.

Обработка данных в iPython notebook для задач SEO

https://habrahabr.ru/post/301640/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

При выполнении аналитических задач SEO, SMM, маркетинга мы столкнулись с непомерно растущим количеством инструментов для обработки данных. Каждый заточен под свои возможности или доступность для пользователя: Excel и VBA, сторонние SEO-инструменты, PHP и MySQL, Python, C, Hive и другие. Разнообразные системы и источники данных добавляют проблем: счетчики, рекламные системы, CRM, инструменты вебмастера Яндекса и Google, соцсети, HDFS. Необходим инструмент, совмещающий в себе простоту настройки и использования, модули для получения, обработки и визуализации данных, а также работы с различными типами источников. Выбор пал на iPython notebook (с недавних пор Jupyter notebook), представляющий собой платформу для работы со скриптами на 40 языках программирования. Широкое распространение платформа получила для научных вычислений, среди специалистов по обработке данных и машинному обучению. К сожалению для автоматизации и обработки данных маркетинговых задач Jupyter notebook используется крайне редко.

Python 101: введение в бенчмарки для Python

http://www.blog.pythonlibrary.org/2016/05/24/python-101-an-intro-to-benchmarking-your-code/

Используем Slack API совместно с Flask

https://realpython.com/blog/python/getting-started-with-the-slack-api-using-python-and-flask/

Pytablewriter – библиотека для записи таблиц в разных форматах

https://github.com/thombashi/pytablewriter

Поддерживаются форматы CSV/HTML/JavaScript/JSON/Markdown/Excel/Pandas/Python/reStructuredText

[Видео] Во внутренности Kivy

http://pythonz.net/videos/59/?utm_source=rss&utm_medium=link&utm_campaign=promo

Краткое введение в Kivy — каркас, позволяющий писать приложения на Python под различные (в том числе и мобильные) платформы. Описание его базовых инструментов, характеристик и частей экосистемы.

Зачем питонисту Bower? Питонисту нужен bowerer

http://pythonz.net/articles/63/?utm_source=rss&utm_medium=link&utm_campaign=promo

Немного размышлений на тему необходимости Bower и Node.js в проектах на Python.

Расширяем фреймворк Kivy пакетом XPopup

https://habrahabr.ru/post/301712/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Не так давно передо мной встала задача в сжатые сра сроки написать работающий прототип GUI-приложения, которое без лишней строки кода хорошо дружило бы как с Windows, так и с OS X. Выбор пал на змеиный фреймворк Kivy, который с легкостью решал вышесказанное. А также, в базовой комплектации имел весь необходимый инструментарий для реализации приложения.

Ну… почти весь. Под катом расскажу что не так и как это побороть.

Осторожно — Бульдозер (сборка apk пакетов в Kivy)

https://habrahabr.ru/post/301776/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Фух! Только что выбрался из под траков этого чудовища. А кое-кому повезло меньше. Как и было обещано в предыдущей статье, сегодня мы расскажем, как собираются apk пакеты для программ, написанных с использованием фреймворка Kivy при помощи утилиты Buildozer.

RQ: очередь задач на базе Redis

https://khashtamov.com/2016/04/python-rq-howto/

В статье рассказывается о библиотеке RQ, lightweight альтернативе Celery на базе Redis.

Python 201 – super

http://www.blog.pythonlibrary.org/2016/05/25/python-201-super/

Отладка Django Management Commands в PyCharm

http://feedproxy.google.com/~r/djangotricks/~3/-FSKpWYw1Kc/debugging-management-commands-in-pycharm.html

Запись входящих звонков

https://habrahabr.ru/post/301708/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Несколько месяцев назад мой знакомый попросил помочь решить вопрос с записью входящих звонков. Все необходимое или было в наличии, или обещал предоставить. Если интересно, мой опыт реализации на python вместе с кодом под катом. 

Используем Sentry для отслеживания Django событий

https://micropyramid.com/blog/using-sentry-to-track-django-live-events/

[Видео] Зоопарк Python веб-фреймворков

http://pythonz.net/videos/60/?utm_source=rss&utm_medium=link&utm_campaign=promo

Посмотрим какие существуют на сегодня популярные веб-фреймворки в мире Python, чем они похожи и чем отличаются.

fibratus - инструментарий для исследования ядра Windows

http://github.com/rabbitstack/fibratus

Изучение систем голосования с помощью Hypothesis

http://hypothesis.works/articles/exploring-voting-with-hypothesis/

В статье описывается применение библиотеки Hypothesis для тестирования небольшой системы.

Прогнозирование спроса с BigQuery и TensorFlow

http://nbviewer.jupyter.org/github/GoogleCloudPlatform/training-data-analyst/blob/blog_20160513/CPB100/lab4a/demandforecast.ipynb

По этой ссылке вы найдете небольшую модель машинного обучения для предсказания спроса на такси в Нью-Йорк