cgitb — Detailed Traceback Reports — PyMOTW 3

Система сбора измерений на примере метеостанции

Казалось бы, каждый, кто осваивает ардуино, первым делом конструирует или повторяет прибор для измерения температуры и(или) прочих параметров окружающей среды. Только большинство подобных конструкций, к сожалению, мало применимы в домашнем хозяйстве — в качестве тренировки сгодится, а пользы нет. Попробуем исправить эту недоработку. В статье расскажу о создании комплекса для измерения и хранения любых данных на примере сбора показаний датчиков температуры, влажности воздуха и атмосферного давления. Начну с требований к прибору и описания протокола обмена, закончу web-службой для получения данных из БД. Подробных выкладок и пошаговых руководств не будет, но будет немного теории и много кода. 
 

Генераторы и Сопрограммы (Generators and coroutines) от David Beazley

Сопроводительные страницы к слайдам о генераторах и сопрограммах. Слайды там же, по ссылкам, в них вся суть. Толково разделяются генераторы и сопрограммы на живых примерах, а не числах Фибоначчи в вакууме. Если сами по себе генераторы для вас еще сложноваты и непонятны, то у этого же автора есть слайды и по генераторам: www.dabeaz.com/generators-uk Ссылки взяты из недавней статьи об ijson.

Тестирование оптимизаторов с помощью Hypothesis tests hypothesis

Статистика распределения доменов по AS, IP, NS, MX и прочим параметрам

Давным-давно перестал работать 1stat.ru — откровенно говоря, для нас это была трагедия (сейчас вроде он как-то работает).

Рабочий день обычно начинался с чашечки кофе и приятного просмотра значений прироста доменов. Конечно же, такие метрики не показывают ни успешность компании, ни ее капитализацию, ни тип клиентов, которые размещаются у компании. Но, несмотря на это, косвенно можно оценить динамику роста или деградации компании — если количество доменов на NS серверах растет, а не падает — это хорошо. Как показала практика, это, так или иначе, отражает положение дел на рынке.

Красивое оформление JSON в Django Admin JSON Django

Web Scraping – парсим комиксы с сайта Comixology scrapy parsing

Прогнозирование спроса с BigQuery и TensorFlow machine learning TensorFlow

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

Изучение систем голосования с помощью Hypothesis tests hypothesis

В статье описывается применение библиотеки Hypothesis для тестирования небольшой системы.

Используем Sentry для отслеживания Django событий Django sentry

Запись входящих звонков

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. 

Отладка Django Management Commands в PyCharm PyCharm debug

RQ: очередь задач на базе Redis task queue Redis celery queue

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

Осторожно — Бульдозер (сборка apk пакетов в Kivy) Kivy

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.

Расширяем фреймворк Kivy пакетом XPopup Kivy

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.

Зачем питонисту Bower? Питонисту нужен bowerer Bower

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

Используем Slack API совместно с Flask API Flask Slack

Python 101: введение в бенчмарки для Python CProfile benchmark

Обработка данных в iPython notebook для задач SEO data analysis IPython Jupyter

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.

Коллекция змей: несколько версий Python на вашей Ubuntu

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