PyCharm 2016.3.2 PyCharm IDE

Будьте осторожны со строками нового формата

PyCharm 2017.1 EAP

Стильный код на Python, или учимся использовать Flake8

Язык программирования Python очень востребован на современном рынке, он развивается изо дня в день, и вокруг него сложилось активное сообщество. Во избежание конфликтов между разработчиками-питонистами, создатели языка написали соглашение PEP 8, описывающее правила оформления кода, однако даже там отмечено, что: 

Вебинар: что нового в PyCharm 2016.3

Как запрограммировать пословицу?

Пожалуй, можно описать с помощью программного кода почти все, что нас окружает. И хорошо, что почти, это позволяет нам не погружаться полностью в матрицу. Да, еще довольно трудно запрограммировать поведение отдельно взятых политиков, ведь как можно описать то, что не поддается логике? А вот мудрость, как противовес этому — можно. 

Severcart версии 0.7.6

• Существенным образом видоизменена компоновка функциональных блоков программы для повышения её эргономичности.

• Увеличена скорость генерации динамических страниц за счёт оптимизации запросов к базе данных.

• Улучшена гибкость поиска по номеру расходника. Теперь возможен поиск по фрагменту номера.

• Добавлен фильтр по наименованиям.

• Реализована выгрузка результатов работы отчётов в CSV файл для последующей работы в табличном процессоре.

• Исправления замеченных ошибок.

• Добавлена возможность буферизации расходников в специальную область для генерации наклеек.

• Улучшена подробность отчётов.

pep8speaks - утилита автоматического ревью кода на Github

Автоматизация развертывания Django на Fabric и Ansible

pynd - утилита для поиска Python кода

Путь к Docker, Django и Amazon ECS, часть 1 Django Docker

gpod - библиотека для детектирования объектов на изображениях

phi - Functional Programming + Python - Pain

twitter-export-image-fill - скрипт для скачивания изображений из твиттов

Coverage.py 4.3

Python и 36 башень

Автоматический запуск BigQuery Flows

OpenCV: исправление ошибок NoneType

tabnanny — валидатор отступов — PyMOTW 3

Быстрый Data Mining или сравнение производительности C# vs Python (pandas-numpy-skilearn)

Разбираясь со Spark Apache, столкнулся с тем, что после достаточно небольшого усложнения алгоритмов подготовки данных расчеты стали выполняться крайне медленно. Поэтому захотелось реализовать что-нибудь на C# и сравнить производительность с аналогичным по классу решением на стеке python (pandas-numpy-skilearn). Аналогичным, потому что они выполняются на локальной машине. Подготовка данных на C# осуществлялась встроенными средствами (linq), расчет линейной регрессии библиотекой extremeoptimization.