نکته ۱:
دیکشنری توی پایتون نمونه از associative array هست که با hashtable یا hashmap پیاده سازی شده.
نکته ۲:
این پیاده سازی از hashmap چیزی هست که همین الان تو خیلی از زبان ها برای دیکشنری، set ها توی پایتون و برای دیکشنری ها تا قبل از ورژن ۳.۶ توی پایتون استفاده میشده.
به طور کلی hashmap ها ترتیب رو حفظ نمیکنن، همونطور که دیدید ولی از پایتون ۳.۶ به بعد آقای Raymond Hettinger یه پیاده سازی جدیدی برای دیکشنری ها انجام داد به اسم raymond dict. کلیت همینه ولی یه مقدار فرق داره با چیزی که دیدیم که هم کم حجم تره هم باعث میشه ترتیب رو حفظ کنن. اگه علاقه داشتید میتونم بعدا پیاده سازی دیکشنری های جدید پایتون رو هم بگم.
نکته ۳: توی separate chaining میشه به جای لیست از linked list یا binary search tree هم استفاده کرد که باز هم هر کدوم معایب و مزایای خودشون رو دارن.
نکته ۴:
خیلی از نکات گفته نشد به دلیل اینکه نمیخواستم بیشتر از این طولانی بشه. از جمله:
- پایتون علاوه بر key و value خود هش‌ها رو هم نگه داره میکنه. چرا اینکارو میکنه؟
- این hash table عه ما به یه حدی که برسه نیاز داره تا resize بشه تا پرفورمنسش رو حفظ کنه. اگه از یه حدی بیشتر پر باشه تعداد دفعاتی که collision میگیریم بیشتر میشه و دیکشنری یا ست ما کند تر میشه.
- اگه یه کلیدی و delete کردیم تکلیف hashtable چی میشه؟ چطور باید هندل بشه؟
من همه ی انواع implementation هایی که اسمشون اومد رو به صورت کامل پیاده سازی کردم و نکاتی که وقت نشد رو توش گنجوندم. میتونید به عنوان رفرنس بهش یه نگاه بندازید:
* Open Addressing:
- Linear Probing
- Quadratic Probing
- Double Hashing Probing
* Separate Chaining
- With Dynamic Array
- With Linked List
- With Binary Search Tree
https://github.com/amirsoroush/Python_Hashmaps
پست ۳ از ۳
🖊 @AmirSoroushh
دیکشنری توی پایتون نمونه از associative array هست که با hashtable یا hashmap پیاده سازی شده.
نکته ۲:
این پیاده سازی از hashmap چیزی هست که همین الان تو خیلی از زبان ها برای دیکشنری، set ها توی پایتون و برای دیکشنری ها تا قبل از ورژن ۳.۶ توی پایتون استفاده میشده.
به طور کلی hashmap ها ترتیب رو حفظ نمیکنن، همونطور که دیدید ولی از پایتون ۳.۶ به بعد آقای Raymond Hettinger یه پیاده سازی جدیدی برای دیکشنری ها انجام داد به اسم raymond dict. کلیت همینه ولی یه مقدار فرق داره با چیزی که دیدیم که هم کم حجم تره هم باعث میشه ترتیب رو حفظ کنن. اگه علاقه داشتید میتونم بعدا پیاده سازی دیکشنری های جدید پایتون رو هم بگم.
نکته ۳: توی separate chaining میشه به جای لیست از linked list یا binary search tree هم استفاده کرد که باز هم هر کدوم معایب و مزایای خودشون رو دارن.
نکته ۴:
خیلی از نکات گفته نشد به دلیل اینکه نمیخواستم بیشتر از این طولانی بشه. از جمله:
- پایتون علاوه بر key و value خود هش‌ها رو هم نگه داره میکنه. چرا اینکارو میکنه؟
- این hash table عه ما به یه حدی که برسه نیاز داره تا resize بشه تا پرفورمنسش رو حفظ کنه. اگه از یه حدی بیشتر پر باشه تعداد دفعاتی که collision میگیریم بیشتر میشه و دیکشنری یا ست ما کند تر میشه.
- اگه یه کلیدی و delete کردیم تکلیف hashtable چی میشه؟ چطور باید هندل بشه؟
من همه ی انواع implementation هایی که اسمشون اومد رو به صورت کامل پیاده سازی کردم و نکاتی که وقت نشد رو توش گنجوندم. میتونید به عنوان رفرنس بهش یه نگاه بندازید:
* Open Addressing:
- Linear Probing
- Quadratic Probing
- Double Hashing Probing
* Separate Chaining
- With Dynamic Array
- With Linked List
- With Binary Search Tree
https://github.com/amirsoroush/Python_Hashmaps
پست ۳ از ۳
🖊 @AmirSoroushh
GitHub
GitHub - amirsoroush/Python_Hashmaps: Python implementation of hash-tables using different techniques(Open addressing & Separate…
Python implementation of hash-tables using different techniques(Open addressing & Separate Chaining) for solving hash collisions. - amirsoroush/Python_Hashmaps
✔️ بررسی عمیق آبجکت‌ها و تایپ‌ها در C layer مفسر CPython
بسیار شنیدیم که همه‌چیز در پایتون آبجکت است. با اینکه این جمله درسته ولی خب یه سوال پیش میاد! زبان C که پایتون نیست، پایتون هم که C نیست پس چجوری با C چیزی نوشتن که توی پایتون ما به همه‌چیز میگیم آبجکت!
برای اینکه متوجه بشید آبجکت‌های پایتون دقیقا چجوری نوشته شدن، این مقاله رو بخونید 😁
https://virgool.io/@liewpl/cpython-objs-types-c-layer-deep-dive-m5fjelhzrzny
〰〰〰〰〰〰〰
©@PyFarsi
بسیار شنیدیم که همه‌چیز در پایتون آبجکت است. با اینکه این جمله درسته ولی خب یه سوال پیش میاد! زبان C که پایتون نیست، پایتون هم که C نیست پس چجوری با C چیزی نوشتن که توی پایتون ما به همه‌چیز میگیم آبجکت!
برای اینکه متوجه بشید آبجکت‌های پایتون دقیقا چجوری نوشته شدن، این مقاله رو بخونید 😁
https://virgool.io/@liewpl/cpython-objs-types-c-layer-deep-dive-m5fjelhzrzny
〰〰〰〰〰〰〰
©@PyFarsi
درود. یه موضوع ساده ولی جالب:
همونطور که میدونید برای تولید اعداد (شبه) رندوم از ماژول random استفاده میکنیم توی پایتون. یکی از ویژگی های الگوریتم هایی که برای تولید اعداد شبه رندوم استفاده میشن این هست که باید سعی کنن به صورت یکنواخت اعداد رو توزیع کنن.
منظورم این هست که به طور مثال اگه خواستید ۱۰ هزار بار بین ۱ و ۲ و ۳ یه عددی رو انتخاب کنید باید بتونه تقریبا ۳۳۳۳ تا ۱ ، ۳۳۳۳ تا ۲ و ۳۳۳۳ تا ۳ انتخاب کنه. اول یه تست بگیریم ببینیم چقدر نزدیک هست:
خیلی استفاده ها. یکیش که میخواستم دربارش صحبت کنم، حل بعضی مسائل مربوط به احتمالات ریاضی هست.
یه نمونش رو ببینیم:
۱۴۳ نفر در صف برای ورود به هواپیما هستند و هر نفر یک شماره صندلی متفاوت بین ۱ و ۱۴۳ دارد. تعداد صندلی های هواپیما هم دقیقا ۱۴۳ تا است. نفر اول شماره خودش را گم می‌کند و روی یک صندلی تصادفی میشند. از آن موقع به بعد هر کسی روی صندلی خودش می‌نشیند مگر این که فرد دیگری آنجا نشسته باشد و در این صورت روی یک صندلی خالی تصادفی می‌نشیند.
احتمال اینکه نفر ۱۴۳ ام روی صندلی خودش بنشیند چقدر است؟
اگه تونستین این سوال رو از راه ریاضی حل کنید که چه عالی، ولی اگر مثل من با دیدن صورت سوال راه حل ریاضیش به ذهنتون نیومد یا شک داشتید، کافیه بیاید فقط ۱ بار اون داستانی که توی صورت سوال اومده رو به کد تبدیل کنید، هرجا گفت تصادفی یا رندوم شما از random استفاده میکنید. در آخر مثلا ۱۰ هزار بار توی لوپ تکرارش کنید. به همین راحتی جواب و به دست میارید.
کلیت کار: یک لیستی درست کنید از ۱۴۳ نفر که هر کدوم یه شماره صندلی ای بین ۱ تا ۱۴۳ دستشونه، برای نفر اول یه شماره به صورت رندم انتخاب کنید، بعد از نفر دوم تا آخر چک کنید که آیا صندلیش خالی یا None هست یا پره؟
اگه خالی بود بذاریدش اونجا و اگه پر بود یه شماره رندوم براش انتخاب کنید. در انتها، ما بدست آوردیم که "یک بار"ش چی میشه... آیا نفر آخر میشینه سر جاش یا نمیشینه. این جواب مهم نیست چی باشه، همین تابع رو ۱۰ هزار بار کال کنید و توی Counter بذارید.
احتمالش چقدر شد؟
همونطور که میدونید برای تولید اعداد (شبه) رندوم از ماژول random استفاده میکنیم توی پایتون. یکی از ویژگی های الگوریتم هایی که برای تولید اعداد شبه رندوم استفاده میشن این هست که باید سعی کنن به صورت یکنواخت اعداد رو توزیع کنن.
منظورم این هست که به طور مثال اگه خواستید ۱۰ هزار بار بین ۱ و ۲ و ۳ یه عددی رو انتخاب کنید باید بتونه تقریبا ۳۳۳۳ تا ۱ ، ۳۳۳۳ تا ۲ و ۳۳۳۳ تا ۳ انتخاب کنه. اول یه تست بگیریم ببینیم چقدر نزدیک هست:
> from random import randintخیلی خوب و نزدیک بود. ولی حالا از اینکه اینا یکنواخت توزیع میشن چه استفاده‌ای میتونیم بکنیم؟
> from collections import Counter
>
> Counter((randint(1,3) for _ in range(10_000)))
Counter({2: 3379, 3: 3345, 1: 3276})
خیلی استفاده ها. یکیش که میخواستم دربارش صحبت کنم، حل بعضی مسائل مربوط به احتمالات ریاضی هست.
یه نمونش رو ببینیم:
۱۴۳ نفر در صف برای ورود به هواپیما هستند و هر نفر یک شماره صندلی متفاوت بین ۱ و ۱۴۳ دارد. تعداد صندلی های هواپیما هم دقیقا ۱۴۳ تا است. نفر اول شماره خودش را گم می‌کند و روی یک صندلی تصادفی میشند. از آن موقع به بعد هر کسی روی صندلی خودش می‌نشیند مگر این که فرد دیگری آنجا نشسته باشد و در این صورت روی یک صندلی خالی تصادفی می‌نشیند.
احتمال اینکه نفر ۱۴۳ ام روی صندلی خودش بنشیند چقدر است؟
اگه تونستین این سوال رو از راه ریاضی حل کنید که چه عالی، ولی اگر مثل من با دیدن صورت سوال راه حل ریاضیش به ذهنتون نیومد یا شک داشتید، کافیه بیاید فقط ۱ بار اون داستانی که توی صورت سوال اومده رو به کد تبدیل کنید، هرجا گفت تصادفی یا رندوم شما از random استفاده میکنید. در آخر مثلا ۱۰ هزار بار توی لوپ تکرارش کنید. به همین راحتی جواب و به دست میارید.
کلیت کار: یک لیستی درست کنید از ۱۴۳ نفر که هر کدوم یه شماره صندلی ای بین ۱ تا ۱۴۳ دستشونه، برای نفر اول یه شماره به صورت رندم انتخاب کنید، بعد از نفر دوم تا آخر چک کنید که آیا صندلیش خالی یا None هست یا پره؟
اگه خالی بود بذاریدش اونجا و اگه پر بود یه شماره رندوم براش انتخاب کنید. در انتها، ما بدست آوردیم که "یک بار"ش چی میشه... آیا نفر آخر میشینه سر جاش یا نمیشینه. این جواب مهم نیست چی باشه، همین تابع رو ۱۰ هزار بار کال کنید و توی Counter بذارید.
احتمالش چقدر شد؟
✔️دوره آموزش FastAPI به زبان فارسی
2⃣3️⃣ قسمت سی و دوم - قسمت آخر
https://youtu.be/tuNQotTa1-0
#fastapi #آموزش
2⃣3️⃣ قسمت سی و دوم - قسمت آخر
https://youtu.be/tuNQotTa1-0
#fastapi #آموزش
YouTube
آموزش FastAPI قسمت آخر Deploying Project
سلام به کانال یوتیوبی پرشین پایتون خوش آمدید
FAST API
یک وب میکرو فریمورک پایتون هست که با شعار عملکرد بالا
(high performance)
، یادگیری آسان ، کد زنی سریع و آماده برای تولید توسط آقای سباستین رامیرز تولید شده
ویژگی های اصلی این فریمورک :
سرعت : عملکرد…
FAST API
یک وب میکرو فریمورک پایتون هست که با شعار عملکرد بالا
(high performance)
، یادگیری آسان ، کد زنی سریع و آماده برای تولید توسط آقای سباستین رامیرز تولید شده
ویژگی های اصلی این فریمورک :
سرعت : عملکرد…
انواع سرچ ها روی لیست:
خیلی خلاصه چند تا از انواع سرچ ها رو روی لیست باهم ببینیم:
فرض کنید یه لیست نا مرتبی از اعداد داریم به این شکل:
lst = [30, 2, 7, 14, 1, 25, 4, 15, 9]
اگه بخواهیم دنبال عدد ۱۵ بگردیم باید چیکار کنیم؟
1- Linear search(not optimized)
میتونیم از ایندکس شماره صفر شروع کنیم و تک تک تا انتها بریم جلو و اعداد رو نگاه کنیم ببینیم ۱۵ داخلشون هست یا نه. این درواقع کاری هست که پایتون انجام میده زمانی که شما از in استفاده میکنید. چون اعداد ترتیبی ندارن کار دیگه ای نمیشه کرد.
________________________________________
اگه اعداد مرتب بودن چی؟
lst = [1, 2, 4, 7, 9, 14, 15, 25, 30]
2- Linear search(optimized)
فرض کنیم میخواهیم دنبال عدد ۵ بگردیم. دوباره میتونیم شروع کنیم تک تک اعداد رو مقایسه کنیم، ولی بعد از اینکه به عدد ۷ رسیدیم، میتونیم دیگه ادامه ندیم. چون اعداد مرتب هستن، حتما توی اعداد بزرگتر از ۷ هم نخواهد بود. بهتر شد اینجا.
3- Jump search
میتونیم به جای اینکه تک تک به جلو بریم و اعداد رو، چند تا چند تا جلو بریم و بپریم اصطلاحا (jump search).
فرض کنید دنبال عدد ۲۵ میگردیم. میتونیم اعداد رو ۲ تا ۲ تا جلو بریم، یعنی اول ایندکس شماره ۰ (یا عدد ۱) و نگاه میکنیم، بعد میریم ایندکس شماره ۲ (یا عدد ۴)، بعد ایندکس شماره ۴ (یا عدد ۹) و تا آخر، هر جا که دیدیم عدد ایندکس مورد نظر بزرگتر از عدد مقصود ماست، یعنی به اون تیکه از لیست که ممکنه عدد هدف داخلش باشه رسیدیم، فقط کافیه داخل اون رو به صورت linear نگاه کنیم. برای پیدا کردن عدد ۲۵ ، فقط ۶ تا مقایسه لازم بود. (تو حالت خطی ۸ تا). حالا این jump ما چقدر باشه خوبه؟ محاسبات نشون میده که رادیکال n بهترین گام هست. ( n تعداد آیتم های داخل لیست هست)
4- Binary search
کافیه توی هر مرحله لیستمون رو به دو قسمت تقسیم کنیم، و آیتم هدف رو با آیتم وسطی مقایسه کنیم، اگه کوچیکتر بود، دیگه فقط توی اون نیمه ی سمت چپ دنبالش میگردیم، اگه بزرگتر بود توی نیمه ی سمت راست. و دوباره همینکار رو تکرار میکنیم تا به هدف برسیم.
5- Interpolation search
خیلی شبیه binary search هست با این تفاوت که اونجا نقطه ای که لیست ما رو تقسیم میکرد و دقیقا وسط لیست میگرفتیم، ولی اینجا با استفاده از این فرمول، اون نقطه رو بدست میاریم:
mid = low + ((key - arr[low]) * (high - low) / (arr[high] - arr[low]));
low = کوچکترین ایندکس
high = بزرگترین ایندکس
key = آیتم هدف
این فرمول نقطه ی تقسیم رو مایل به چپ یا راست پیدا میکنه، نزدیک تر به آیتم هدف. ولی برای اینکه interpolation search بتونه خیلی سریع عمل کنه، باید لیست ما به صورت یکنواخت توزیع شده باشه.
6 - Exponential search
توی این روش که برای لیست های خیلی بزرگ کاربرد داره، از ابتدا شروع میکنیم به گشتن، ولی گام های ما به صورت exponential هست (توان های ۲):
0, 1, 4, 9, 16, 25, ...
وقتی که آیتمی پیدا کردیم که از آیتم هدف ما بزرگتر بود، میایم اون تیکه رو دوباره فقط جست و جو میکنیم(مثل jump search) ولی دیگه این جست و جو خطی نیست بلکه روش binary search انجام میدیم.
نکته: این الگوریتم ها بسته به شرایط الگوریتم های خیلی بهتری هستن از کاری که پایتون انجام میده. به پایتون حتی اگه لیست مرتب شده هم بدید باز تک تک سرچ میکنه. ولی خب نکته اینجاست که اون با C پیاده سازی شده و احتمالا توی خیلی از پیاده سازی های pure python از الگوریتم هایی با time complexity بهتر سریعتر باشه.
در آینده سعی میکنم بیشتر درمورد time complexity ی هرکدوم از این انواع سرچ و اینکه کجا کدوم بهتره استفاده بشه صحبت کنیم.
خیلی خلاصه چند تا از انواع سرچ ها رو روی لیست باهم ببینیم:
فرض کنید یه لیست نا مرتبی از اعداد داریم به این شکل:
lst = [30, 2, 7, 14, 1, 25, 4, 15, 9]
اگه بخواهیم دنبال عدد ۱۵ بگردیم باید چیکار کنیم؟
1- Linear search(not optimized)
میتونیم از ایندکس شماره صفر شروع کنیم و تک تک تا انتها بریم جلو و اعداد رو نگاه کنیم ببینیم ۱۵ داخلشون هست یا نه. این درواقع کاری هست که پایتون انجام میده زمانی که شما از in استفاده میکنید. چون اعداد ترتیبی ندارن کار دیگه ای نمیشه کرد.
________________________________________
اگه اعداد مرتب بودن چی؟
lst = [1, 2, 4, 7, 9, 14, 15, 25, 30]
2- Linear search(optimized)
فرض کنیم میخواهیم دنبال عدد ۵ بگردیم. دوباره میتونیم شروع کنیم تک تک اعداد رو مقایسه کنیم، ولی بعد از اینکه به عدد ۷ رسیدیم، میتونیم دیگه ادامه ندیم. چون اعداد مرتب هستن، حتما توی اعداد بزرگتر از ۷ هم نخواهد بود. بهتر شد اینجا.
3- Jump search
میتونیم به جای اینکه تک تک به جلو بریم و اعداد رو، چند تا چند تا جلو بریم و بپریم اصطلاحا (jump search).
فرض کنید دنبال عدد ۲۵ میگردیم. میتونیم اعداد رو ۲ تا ۲ تا جلو بریم، یعنی اول ایندکس شماره ۰ (یا عدد ۱) و نگاه میکنیم، بعد میریم ایندکس شماره ۲ (یا عدد ۴)، بعد ایندکس شماره ۴ (یا عدد ۹) و تا آخر، هر جا که دیدیم عدد ایندکس مورد نظر بزرگتر از عدد مقصود ماست، یعنی به اون تیکه از لیست که ممکنه عدد هدف داخلش باشه رسیدیم، فقط کافیه داخل اون رو به صورت linear نگاه کنیم. برای پیدا کردن عدد ۲۵ ، فقط ۶ تا مقایسه لازم بود. (تو حالت خطی ۸ تا). حالا این jump ما چقدر باشه خوبه؟ محاسبات نشون میده که رادیکال n بهترین گام هست. ( n تعداد آیتم های داخل لیست هست)
4- Binary search
کافیه توی هر مرحله لیستمون رو به دو قسمت تقسیم کنیم، و آیتم هدف رو با آیتم وسطی مقایسه کنیم، اگه کوچیکتر بود، دیگه فقط توی اون نیمه ی سمت چپ دنبالش میگردیم، اگه بزرگتر بود توی نیمه ی سمت راست. و دوباره همینکار رو تکرار میکنیم تا به هدف برسیم.
5- Interpolation search
خیلی شبیه binary search هست با این تفاوت که اونجا نقطه ای که لیست ما رو تقسیم میکرد و دقیقا وسط لیست میگرفتیم، ولی اینجا با استفاده از این فرمول، اون نقطه رو بدست میاریم:
mid = low + ((key - arr[low]) * (high - low) / (arr[high] - arr[low]));
low = کوچکترین ایندکس
high = بزرگترین ایندکس
key = آیتم هدف
این فرمول نقطه ی تقسیم رو مایل به چپ یا راست پیدا میکنه، نزدیک تر به آیتم هدف. ولی برای اینکه interpolation search بتونه خیلی سریع عمل کنه، باید لیست ما به صورت یکنواخت توزیع شده باشه.
6 - Exponential search
توی این روش که برای لیست های خیلی بزرگ کاربرد داره، از ابتدا شروع میکنیم به گشتن، ولی گام های ما به صورت exponential هست (توان های ۲):
0, 1, 4, 9, 16, 25, ...
وقتی که آیتمی پیدا کردیم که از آیتم هدف ما بزرگتر بود، میایم اون تیکه رو دوباره فقط جست و جو میکنیم(مثل jump search) ولی دیگه این جست و جو خطی نیست بلکه روش binary search انجام میدیم.
نکته: این الگوریتم ها بسته به شرایط الگوریتم های خیلی بهتری هستن از کاری که پایتون انجام میده. به پایتون حتی اگه لیست مرتب شده هم بدید باز تک تک سرچ میکنه. ولی خب نکته اینجاست که اون با C پیاده سازی شده و احتمالا توی خیلی از پیاده سازی های pure python از الگوریتم هایی با time complexity بهتر سریعتر باشه.
در آینده سعی میکنم بیشتر درمورد time complexity ی هرکدوم از این انواع سرچ و اینکه کجا کدوم بهتره استفاده بشه صحبت کنیم.
conditional breakpoint:
فرض کنید همچین کدی داریم:
ولی موضوع این هست که دیباگر وقتی ران میشه همون ابتدا کنار for loop وایمیسته و ما باید دستی جلو ببریم. تو این حالت i مساوی ۰ هست. منطقی نیست که ۹۰ بار روی next بزنیم تا برسیم به اون حالتی که i برابر ۹۰ میشه. خوشبختانه یه چیزی به اسم conditional breakpoint وجود داره که میتونید بهش یه expression عه boolean بدید و دیباگر فقط زمانی وایمیسته که اون expression درست باشه.
توی ادیتور دلخواهتون بعد از اینکه break point گذاشتین، راست کلیک کنید روش و edit رو بزنید(یا هر اسم دیگه ای که داره) و توی اون پنجره ای که باز میشه بنویسید:
بابت این مثال تعبیه ای و ساده ببخشید ولی چیز بهتری به ذهنم نرسید. مهم مفهومش بود که تحت شرط خاصی بگیم وایسه.
فرض کنید همچین کدی داریم:
for i in range(100):و دوباره فرض کنید که زمانی که i میشه ۹۰ یه مشکلی بوجود میاد. میخواهیم برنامه رو دیباگ کنیم. چه کنیم؟ break point بذاریم سمت چپ for loop.
print(i)
ولی موضوع این هست که دیباگر وقتی ران میشه همون ابتدا کنار for loop وایمیسته و ما باید دستی جلو ببریم. تو این حالت i مساوی ۰ هست. منطقی نیست که ۹۰ بار روی next بزنیم تا برسیم به اون حالتی که i برابر ۹۰ میشه. خوشبختانه یه چیزی به اسم conditional breakpoint وجود داره که میتونید بهش یه expression عه boolean بدید و دیباگر فقط زمانی وایمیسته که اون expression درست باشه.
توی ادیتور دلخواهتون بعد از اینکه break point گذاشتین، راست کلیک کنید روش و edit رو بزنید(یا هر اسم دیگه ای که داره) و توی اون پنجره ای که باز میشه بنویسید:
i == 90حالا با زدن دکمه دیباگ فقط زمانی وایمیسته که این شرط درست باشه.
بابت این مثال تعبیه ای و ساده ببخشید ولی چیز بهتری به ذهنم نرسید. مهم مفهومش بود که تحت شرط خاصی بگیم وایسه.
.pythonrc
درست مثل
.nanorc
.bashrc
.vimrc
...
و بقیه ی فایل های مشابه، یه pythonrc هم داریم که به همون منظور ایجاد شده. قرار هست از قبل از startup عه REPL خونده و اجرا بشه.
استفاده های مختلفی میشه کرد: مثلا اگه همیشه وقتی REPL رو باز میکنید یه سری کتابخونه رو import میکنید، میتونید یک بار اینجا import کنید و دیگه هربار اینکار رو نکنید.
یا مثلا اگه یه سری helper فانکشن برای خودتون نوشتید میتونید یکبار اینجا تعریفش کنید و هروقت که REPL رو باز کردید در دسترس شما هست.
یه کار جالب دیگه اینکه میتونیم built-in فانکشن help رو با inspect که توی rich هست عوض کنیم:
.pythonrc
اشاره کنه.
الان ورژن rich استفاده میشه وقتی روی آبجکتی بزنید.
منبع
درست مثل
.nanorc
.bashrc
.vimrc
...
و بقیه ی فایل های مشابه، یه pythonrc هم داریم که به همون منظور ایجاد شده. قرار هست از قبل از startup عه REPL خونده و اجرا بشه.
استفاده های مختلفی میشه کرد: مثلا اگه همیشه وقتی REPL رو باز میکنید یه سری کتابخونه رو import میکنید، میتونید یک بار اینجا import کنید و دیگه هربار اینکار رو نکنید.
یا مثلا اگه یه سری helper فانکشن برای خودتون نوشتید میتونید یکبار اینجا تعریفش کنید و هروقت که REPL رو باز کردید در دسترس شما هست.
یه کار جالب دیگه اینکه میتونیم built-in فانکشن help رو با inspect که توی rich هست عوض کنیم:
from functools import partialحالا باید environment variable عه PYTHONSTARTUP رو هم ست کنیم که به فایل
from rich import inspect, pretty
help = partial(inspect, help=True)
pretty.install()
.pythonrc
اشاره کنه.
الان ورژن rich استفاده میشه وقتی روی آبجکتی بزنید.
منبع
This media is not supported in your browser
VIEW IN TELEGRAM
🔰 Anti-DDos in python (Flask)
💢 خب همونطور که در ویدیو مشخصه ۴ تا ثابت داریم که اولی مقدار درخواستی که بعدش لیمیت بشه و دومی هم مقدار درخواستی که بعدش آیپی بلاک بشه. اون قسمتی که برای چک کردن ایپی ایران بهش آیپی ثابت دادم، چون روی لوکال هاست هست وگرنه خطا می‌خورد.( اون خطای کانکشن هم دیدن برای اینترنت بود. )
💯 از دیتابیس ردیس استفاده شده ، کلیت کار هم به این شکله که کاربر توی یک بازه مشخص اگر زیاد ریکوئست زد به سایت ، میاد یک محدودیت میندازه براش مثلا ۲۴ ساعته، اگر دوباره شروع کرد درخواست زدن و بیش از حدی که تعیین شده بود، آیپی دائما بلاک میشه.
♾ پ.ن: به روش های مختلفی میشه نوشت و این یک روشش بود، میتونید از flask_limited هم استفاده کنید.
آدرس گپ :
🔰 www.tg-me.com/PyFarsi
آدرس کانال :
🔰@PSFarsi
💢 خب همونطور که در ویدیو مشخصه ۴ تا ثابت داریم که اولی مقدار درخواستی که بعدش لیمیت بشه و دومی هم مقدار درخواستی که بعدش آیپی بلاک بشه. اون قسمتی که برای چک کردن ایپی ایران بهش آیپی ثابت دادم، چون روی لوکال هاست هست وگرنه خطا می‌خورد.( اون خطای کانکشن هم دیدن برای اینترنت بود. )
💯 از دیتابیس ردیس استفاده شده ، کلیت کار هم به این شکله که کاربر توی یک بازه مشخص اگر زیاد ریکوئست زد به سایت ، میاد یک محدودیت میندازه براش مثلا ۲۴ ساعته، اگر دوباره شروع کرد درخواست زدن و بیش از حدی که تعیین شده بود، آیپی دائما بلاک میشه.
♾ پ.ن: به روش های مختلفی میشه نوشت و این یک روشش بود، میتونید از flask_limited هم استفاده کنید.
آدرس گپ :
🔰 www.tg-me.com/PyFarsi
آدرس کانال :
🔰@PSFarsi
اگر به دنبال یک منبع خوب برای یادگیری اجمالی Type hint ها به همراه مثال هستید، داکیومنت mypy یک منبع مناسب برای شماست.
Link: https://mypy.readthedocs.io/en/stable/index.html
Link: https://mypy.readthedocs.io/en/stable/index.html
سلام.
بریم یک ترفند باحال در f-string هارو ببینیم😁
فرض کنید موقعیتی پیش میاد که ما یه کدی مثل کد زیر داریم :
x
به جای نوشتن کد بالا میتونیم از این ترفند ساده و باحال در f-string استفاده کنیم :
مثال :
اگه شما یک کد به این شکل داشته باشید :
تا ترفند های دیگه بدرود😃
آدرس گروه :
🔰 @PyFarsi
آدرس کانال :
🔰@PSFarsi
بریم یک ترفند باحال در f-string هارو ببینیم😁
فرض کنید موقعیتی پیش میاد که ما یه کدی مثل کد زیر داریم :
x = 3
print(f'x * 9 + 15 = {x*9 + 15}')
خب نتیجه ی این کد چیه؟x
* 9 + 15 = 42
خب اگه دقت کنید میبینید که نوشتن این کد یکم حوصله سربره چرا؟ چون ما باید اول بیاییم و متن expression رو بنویسیم که چه محاسبه ای قرار هست انجام بگیره و بعد داخل {} باید خود expression رو بنویسیم تا evaluate بشه و نتیجه رو نشون بده. این کد شاید الان کوتاه باشه و مشکلی نداشته باشه اما اگه ما یه کد مشابه در مقیاس بالاتر داشته باشیم قطعا دو بار نوشتن و یا حتی کپی کردن اونم مشکل و کسل کننده میشه. خب راه حل چیه؟به جای نوشتن کد بالا میتونیم از این ترفند ساده و باحال در f-string استفاده کنیم :
x = 3
print(f'{x * 9 + 15 = }')
نتیجه :x * 9 + 15 = 42
این دقیقا همون کد بالا ولی کمی کوتاه تره..وقتی از علامت مساوی در f-string به این شکل استفاده میکنیم پایتون میاد و متن expression مارو در سمت چپ قرار میده و بعد اون expression رو evaluate میکنه و در سمت راست و بعد از علامت مساوی قرار میده. این ویژگی از نسخه 3.8 پایتون ارائه شده و کاربردشم برای بحث debugging هست.مثال :
اگه شما یک کد به این شکل داشته باشید :
a_string = 'word 1 tab \t double quote \\" last words'
print(f'a_string = {a_string}')
خروجی :a_string = word 1 tab double quote \" last words
واضحه که تمام escape charecter ها بر روی string اعمال میشن اما اگه اینطوری بنویسیم :print(f'{a_string = }')
خروجی :a_string = 'word 1 tab \t double quote \\" last words'
همینطور که میبینید escape character ها نادیده گرفته شدن و رشته مون به همون شکلی که هس چاپ شده.تا ترفند های دیگه بدرود😃
آدرس گروه :
🔰 @PyFarsi
آدرس کانال :
🔰@PSFarsi
🔰 گروه برنامه نویسی و امنیت شبکه
🎗 گروه رسمی بنیاد نرم افزار پایتون فارسی:
@PyFarsi | @PSfarsi
🎗 گروه برنامه نویسی و امنیت شبکه:
@Gozarit | @Gozaritch
☄ این گروه و کانال هم به مجموع گروه ما اضافه شد و در حوزه برنامه نویسی و امنیت شبکه فعالیت میکنه. خوشحال میشیم این کانال و گروه هم دنبال کنید 🙂🤟
🎗 گروه رسمی بنیاد نرم افزار پایتون فارسی:
@PyFarsi | @PSfarsi
🎗 گروه برنامه نویسی و امنیت شبکه:
@Gozarit | @Gozaritch
☄ این گروه و کانال هم به مجموع گروه ما اضافه شد و در حوزه برنامه نویسی و امنیت شبکه فعالیت میکنه. خوشحال میشیم این کانال و گروه هم دنبال کنید 🙂🤟
Forwarded from آموزش برنامه نویسی و دوره های امنیتی
💢 آموزش ربات نویسی api با پایتون و کتابخونه پایروگرام
💯 این پست برای کسایی که تازه وارد هستن و میپرسن ویدیو ها کجا آپلود شدن ،برای دیدن هر قسمت روی دکمه ای زیر کلیک کنید 👇
🔸 تمام قسمت ها به صورت کامل 🔸
آدرس گپ :
🔰 www.tg-me.com/gozarit
آدرس کانال :
🔰 www.tg-me.com/gozaritch
💯 این پست برای کسایی که تازه وارد هستن و میپرسن ویدیو ها کجا آپلود شدن ،برای دیدن هر قسمت روی دکمه ای زیر کلیک کنید 👇
🔸 تمام قسمت ها به صورت کامل 🔸
آدرس گپ :
🔰 www.tg-me.com/gozarit
آدرس کانال :
🔰 www.tg-me.com/gozaritch
✔️ تازه‌های پایتون ۳.۱۲
تا چند روز آینده پایتون ۳.۱۲ که آخرین ورژن پایدار پایتون هست قراره منتشر بشه، بیاید تا با جدیدترین قابلیت‌ها و بهبودهای پایتون آشنا بشیم 😁
🔗 https://virgool.io/@liewpl/python-3-12-whats-new-vpq99njtytc6
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi
تا چند روز آینده پایتون ۳.۱۲ که آخرین ورژن پایدار پایتون هست قراره منتشر بشه، بیاید تا با جدیدترین قابلیت‌ها و بهبودهای پایتون آشنا بشیم 😁
🔗 https://virgool.io/@liewpl/python-3-12-whats-new-vpq99njtytc6
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi
Forwarded from آموزش برنامه نویسی و دوره های امنیتی
⚡️ دسترسی سریع به برخی از مطالب کانال
☄ دوره سوکت نویسی همراه پروژه با پایتون
☄ دوره ربات نویسی api با پایتون
☄ دوره ربات نویسی cli با پایتون
☄ انتقال فایل در شبکه با پایتون Socket
☄ دوره اندروید هکینگ
☄ کرک سرور های لینوکسی با پایتون
☄ ابزار به دست آوردن اطلاعات کاربران اینستاگرام
☄ پنل SmsBomber تحت وب
☄ دریافت ایمیل فیک با پایتون
☄ درگاه پرداخت آنلاین برای ربات تلگرامی
☄ پروژه تحت وب آب و هوا
☄ پنج قانون مهم دنیا
☄ پکیج جامع پایتون
☄ پروژه حسابداری پایتون
☄ پنل sms پایتون
☄ پنل ارسال پیوی واتساپ
☄ پنل دریافت ایمیل موقت و فیک پایتون
☄ چگونه وارد دنیای هک و امنیت شویم؟
☄ موزیک پلیر پایتون
☄ ارسال ایمیل ناشناس
☄ پروژه Quiz Application دسکتاپ
☄ پروژه پنل و سمت کاربر والپیپر پایتون
☄ پنل مدیریتی ربات های تلگرامی دسکتاپ
☄ و ...
➖➖➖➖➖
آدرس گپ :
🔰 www.tg-me.com/gozarit
آدرس کانال :
🔰 www.tg-me.com/gozaritch
☄ دوره سوکت نویسی همراه پروژه با پایتون
☄ دوره ربات نویسی api با پایتون
☄ دوره ربات نویسی cli با پایتون
☄ انتقال فایل در شبکه با پایتون Socket
☄ دوره اندروید هکینگ
☄ کرک سرور های لینوکسی با پایتون
☄ ابزار به دست آوردن اطلاعات کاربران اینستاگرام
☄ پنل SmsBomber تحت وب
☄ دریافت ایمیل فیک با پایتون
☄ درگاه پرداخت آنلاین برای ربات تلگرامی
☄ پروژه تحت وب آب و هوا
☄ پنج قانون مهم دنیا
☄ پکیج جامع پایتون
☄ پروژه حسابداری پایتون
☄ پنل sms پایتون
☄ پنل ارسال پیوی واتساپ
☄ پنل دریافت ایمیل موقت و فیک پایتون
☄ چگونه وارد دنیای هک و امنیت شویم؟
☄ موزیک پلیر پایتون
☄ ارسال ایمیل ناشناس
☄ پروژه Quiz Application دسکتاپ
☄ پروژه پنل و سمت کاربر والپیپر پایتون
☄ پنل مدیریتی ربات های تلگرامی دسکتاپ
☄ و ...
➖➖➖➖➖
آدرس گپ :
🔰 www.tg-me.com/gozarit
آدرس کانال :
🔰 www.tg-me.com/gozaritch
✔️ استیبل بودن یا نبودن یک الگوریتم مرتب سازی
یکی از دسته بندی های موجود برای الگوریتم هایsort کردن، فاکتور stable بودن یا نبودن هست. به طور خلاصه به الگوریتمی میگن stable که:
موقع sort کردن یک لیست، اگه ۲ تا آیتم مساوی هم بودن، دقیقا به همون ترتیبی که توی لیست اولیه بودن، توی لیست مرتب شده هم ظاهر بشن.
فرض کنید به شما میگن لیست زیر رو بر اساس: اول نمره و بعد درصورت یکسان بودن نمره ها، بر اساس حروف الفبا مرتب کنید. منتاها این لیستی که به شما میدن خودش بر اساس حروف الفبا مرتب شده هست:
lst = [
("Ashkan",17),
("Bahar",18),
("Sorena",17)
]
یک راه مرسوم اینه که به این روش sort رو انجام بدیم:
lst.sort(key=lambda x: (x[1], x[0]))
کاملا درسته و هیچ اشکالی نداره. بیشتر میخواستیم درباره موضوع پست صحبت کنیم.
آیا میتونیم فقط بیایم بر اساس آیتم دوم sort ش کنیم؟ این که خود لیست بر اساس حروف الفبا مرتب شده آیا کمکی میکنه؟ یعنی:
lst.sort(key=lambda x: x[1])
اگه بدونیم الگوریتمی که استفاده شده stable هست بله میتونیم و گارانتی هست که آیتم های مساوی به همون ترتیب در خروجی قرار میگیرن، و چون در حال حاضر بر اساس حروف الفبا مرتب شده هستن، اون افرادی که نمره ی برابر دارن اتوماتیک بر اساس حروف الفبا هم مرتب هستن.
خروجی هردو:
[
('Ashkan', 17),
('Sorena', 17),
('Bahar', 18)
]
پایتون از Tim Sort استفاده میکنه و stable هست.
چند تا از الگوریتم های مرتب سازی استیبل:
• Insertion Sort
• Merge Sort
• Bubble Sort
• Tim Sort
و نقطه‌ی مقابلشون:
• Heap Sort
• Selection Sort
• Quick Sort
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi
یکی از دسته بندی های موجود برای الگوریتم هایsort کردن، فاکتور stable بودن یا نبودن هست. به طور خلاصه به الگوریتمی میگن stable که:
موقع sort کردن یک لیست، اگه ۲ تا آیتم مساوی هم بودن، دقیقا به همون ترتیبی که توی لیست اولیه بودن، توی لیست مرتب شده هم ظاهر بشن.
فرض کنید به شما میگن لیست زیر رو بر اساس: اول نمره و بعد درصورت یکسان بودن نمره ها، بر اساس حروف الفبا مرتب کنید. منتاها این لیستی که به شما میدن خودش بر اساس حروف الفبا مرتب شده هست:
lst = [
("Ashkan",17),
("Bahar",18),
("Sorena",17)
]
یک راه مرسوم اینه که به این روش sort رو انجام بدیم:
lst.sort(key=lambda x: (x[1], x[0]))
کاملا درسته و هیچ اشکالی نداره. بیشتر میخواستیم درباره موضوع پست صحبت کنیم.
آیا میتونیم فقط بیایم بر اساس آیتم دوم sort ش کنیم؟ این که خود لیست بر اساس حروف الفبا مرتب شده آیا کمکی میکنه؟ یعنی:
lst.sort(key=lambda x: x[1])
اگه بدونیم الگوریتمی که استفاده شده stable هست بله میتونیم و گارانتی هست که آیتم های مساوی به همون ترتیب در خروجی قرار میگیرن، و چون در حال حاضر بر اساس حروف الفبا مرتب شده هستن، اون افرادی که نمره ی برابر دارن اتوماتیک بر اساس حروف الفبا هم مرتب هستن.
خروجی هردو:
[
('Ashkan', 17),
('Sorena', 17),
('Bahar', 18)
]
پایتون از Tim Sort استفاده میکنه و stable هست.
چند تا از الگوریتم های مرتب سازی استیبل:
• Insertion Sort
• Merge Sort
• Bubble Sort
• Tim Sort
و نقطه‌ی مقابلشون:
• Heap Sort
• Selection Sort
• Quick Sort
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi
✔️ بیاید تا برای عبارت
در این پست با استفاده از نظریه‌ی زبان‌ها و ماشین‌ها گام به گام نوشتن یک tokenizer رو به صورت تئوری بررسی میکنیم و سپس چیزایی که به صورت تئوری نوشتیم رو با پایتون، به صورت عملی اجراشون میکنیم.
پس از tokenizer، یک پارسر می‌نویسیم تا عبارت رو برای پایتون قابل فهم کنیم و ازش استفاده کنیم
https://virgool.io/@liewpl/tokenizer-parser-in-python-ubzlsvukmdxz
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi
4w5d12h16m11 یک tokenizer و یک parser بنویسیمدر این پست با استفاده از نظریه‌ی زبان‌ها و ماشین‌ها گام به گام نوشتن یک tokenizer رو به صورت تئوری بررسی میکنیم و سپس چیزایی که به صورت تئوری نوشتیم رو با پایتون، به صورت عملی اجراشون میکنیم.
پس از tokenizer، یک پارسر می‌نویسیم تا عبارت رو برای پایتون قابل فهم کنیم و ازش استفاده کنیم
https://virgool.io/@liewpl/tokenizer-parser-in-python-ubzlsvukmdxz
〰〰〰〰〰〰〰〰
🔰 Channel: @PSFarsi
🔰 Group: @PyFarsi