Python Дайджест. Выпуск 97

Эта статья покажет вам, как настроить vim для разработки на Python.

По историческому призванию я SQL-щик. Однако судьба занесла меня на BigData и после этого понесла кривая — я освоил и Java, и Python, и функциональное программирование (изучение Scala стоит в списке). Собственно на одном из кусков проекта встала необходимость тестирования кода на Python. Ребята из QA посоветовали для этих целей PyTest, но даже они затруднились толком ответить чем этот зверь хорош. К сожалению, в русскоязычном сегменте информации по данному вопросу не так уж и много: как это используют в Yandex да и все по-хорошему. При этом описанное в этой статье выглядит достаточно сложно для человека начинающего путешествие по этой стезе. Не говоря уже об официальной документации — она приобрела для меня смысл лишь после того, как я разобрался с самим модулем по другим источникам. Не спорю, там написаны интересные вещи, но, к сожалению, совсем не для старта.

По этой ссылке вы найдете большой документ об фреймворке для распределенного "глубого обучения". Затронуты вопросы тестирования Deep Neural Network (DNN), big data, и машинное обучение

Возможно, вы видели доклад Антона Патрушева про оптимизацию Python — вплоть до отключения Garbage Collector. Это свежий доклад (PyCon RU 2015) и в нём вы найдете развитие идей оптимизации Python

Чем Python и его экосистема отличается от других языков программирования? Какая у Python ниша? Какие сильные и слабые стороны у языка и батареек? На все эти вопросы Григорий попробует ответить в своём обзорном докладе, рассказывающем о том, куда ползёт Python в 2015 году

https://www.youtube.com/watch?v=_79KfX-3sQc

Говорят, что отличный результат для мужчины — построить дом, вырастить сына и посадить дерево. А если ты программист, то ещё написать свой язык программирования.

Сейчас уже нет чисто интерпретируемых языков, даже Python сначала компилируется в байт-код, а потом интерпретируется — исполняется. Но как это он делает?

Чтобы узнать магию внутренностей интерпретаторов предлагаю цикл статей Let’s Build A Simple Interpreter:

• http://ruslanspivak.com/lsbasi-part1/
• http://ruslanspivak.com/lsbasi-part2/
• http://ruslanspivak.com/lsbasi-part3/
• http://ruslanspivak.com/lsbasi-part4/
• http://ruslanspivak.com/lsbasi-part5/

Чем больше/непонятней сайт, тем чаще используют поиск. В докладе Андрея Солдатенко вы сможете узнать как организовать хороший поиск по вашему сайту

https://www.youtube.com/watch?v=vXl7EEURfO8

Обязательное действие перед выпуском более-менее серьёзного проекта — тестирование производительности. На высоконагруженных проектах нужно точно знать, какую нагрузку они могут выдержать, причём заранее. Следовательно, нужен способ эмуляции высокой конкурентности, желательно чтобы в теории он позволял полностью загрузить канал траффиком. К тому же, неплохо было бы, чтобы для этого не нужно было использовать несколько десятков серверов. В докладе будет рассказано об опыте использования gevent для подобной задачи, что позволило бы обойтись одним t1.micro инстансом, с которого выполняется тестирование.

ython 2 и проблемы с кодировками — это единое целое. И мало, что сами файлы с исходниками сохраняют в самых разных кодировках, так и текстовые файлы с данными этим грешат. Казалось бы, используйencode/decode и что тут думать. Но бывает, что декодируешь юникод и получаешь строку:

u'\xd0\x9a\xd1\x83\xd1\x80\xd1\x83\xd0\xbc\xd0\xbe\xd1\x87'

Проект служит хорошим примером соединения vimL (языка Vim) и Python для создания плагина.

Библиотека позволяет организовать работу с деревьями. Это будет очень просто и производительно. НО! Используется БД - Postgresql

memorpy с помощью ctypes позволяет находить запущенные программы на Windows и редактировать их блоки памяти.

agate - библиотека для анализа данных, которая оптимизируется для людей, а не для машин. При использовании agate множество рутинных задач берет на себя автоматика предоставляя наружу понятный API

Библиотека для превращения изображения в лего-подобную

В отличие от прошлых выпусков, в версии PyPy 4.0 впервые наблюдается снижение производительности: новый выпуск в среднем на 1.5% медленнее прошлой версии PyPy, но по-прежнему в 7 раз быстрее классического CPython 2.7.

Вслед за torrt рассылать телеграммы научилось и django-sitemessage.

Реализация интерпретатора Python с помощью LLVM  и JIT.