TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #197 · 4 јан.
Подразумеваемые неймспейсы или неявные пакеты. Этот функционал добавлен в Python 3.3 Что он означает? Ранее, до 3.3 пакетами считались лишь директории, в которых есть файл __init__.py. Этот файл одновременно являлся свидетельством того, что директория это Python-пакет, и служил "телом" этого пакета. То есть местом, где можно написать код, как это делается внутри модуля. Этот код исполняется в момент импорта пакета, так что его принято называть "код инициализации пакета". Начиная с версии 3.3 Любая директория считается пакетом и Python будет пытаться использовать любую директорию для импорта. Конечно, не любую в файловой системе, а только те что находятся в sys.path. Это значит, что теперь __init__.py нужно делать только если: 🔸 вам требуется создать код инициализации пакета 🔸 нужна совместимость со старыми версиями Python На мой взгляд это немного упрощает разработку, делает её чище, но с другой стороны убивает некоторую однозначность происходящего. Например, я создал репозиторий со своей библиотекой и рядом положил код примеров или тестов. repo_name/ my_library/ __init__.py main.py examples/ exam1.py exam2.py В этом репозитории пакетом является только my_library, остальные директории это не пакеты, это просто дополнительный код в файлах. Директория examples не добавлена в sys.path, в ней нет рабочих модулей. Но если она лежит рядом с my_library, то Python вполне сможет импортнуть из неё модули, так как посчитает что examples это валидный пакет. Конечно, пример несколько надуманный. Никто не будет добавлять корень репозитория в sys.path. Но, я думаю, суть ясна. Иногда директория это просто директория а не пакет! #basic#pep
Пребарај: #anaconda
@djangoproject · Post #557 · 24.01.2018 г., 05:45
http://go2.anaconda.com/eR0p1W01000NXe0lq4U2f0C Data Scientist-Tested, IT-Approved Operational Best Practices for Enterprise Data Science We know how hard you work to keep things running smoothly at your enterprise. But when it comes to enterprise data science, do you know how to give your data science team the tools they need while also keeping everything secure and stable? #Anaconda
Hashtags
@djangoproject · Post #506 · 26.11.2017 г., 21:54
Taming the #Python Visualization Jungle It’s no secret that Python has a ton of plotting libraries—but which ones should you use? And how should you go about choosing them? Many people end up sticking with whatever library they first encountered, even if there are now much better tools for the job. Join #Anaconda Co-Founder and CTO Peter Wang and Senior Solutions Architect James Bednar for a live webinar on Wednesday, November 29, at 12pm CT, as they give you some key starting points and demonstrate how to solve a range of common problems. They’ll take a workflow-oriented approach toward exploring the large ecosystem of Python viz libraries, and show you how to: http://bit.ly/2zpATx7
@djangoproject · Post #445 · 17.09.2017 г., 01:01
https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-learning-anaconda/ It can be difficult to install a #Python#machine_learning environment on some platforms. Python itself must be installed first and then there are many packages to install, and it can be confusing for beginners. In this tutorial, you will discover how to set up a Python machine learning development environment using #Anaconda.
@djangoproject · Post #465 · 16.10.2017 г., 08:17
https://goo.gl/ucbkhT #Data_Science for #Big_Data with #Anaconda Enterprise Getting Python and R’s most popular data science libraries to work on a computational cluster can be a major challenge. And in a Big Data world, surmounting this challenge is key to leveraging data science within your organization to make smart, data-driven decisions.
Hashtags
@djangoproject · Post #526 · 19.12.2017 г., 20:13
https://goo.gl/XT2vGj Anaconda Enterprise 5 new capabilities include: Integrated #data_science experience for the entire organization Collaboration and reproducibility with JupyterLab and #Anaconda Project One-click data science #deployment Scalable architecture for on-premises and cloud deployments
@djangoproject · Post #513 · 30.11.2017 г., 22:00
#AI#Artificial_Intelligence #AJAX #aiohttp #Anaconda #AngularJS #API #Atom #AWS #asyncio (#Asynchronous) #audio #automated_testing #automation #atexit #BeeWare #Big_Data #bitcoin #blockchain #Bluemix #Brython #button #Celery #client #class #classmethod #concurrency #Coroutine #cron #CSS #curl #data_analysis #data_mining #data_processing #database #Deep_Learning#deep_learning #Debian #decorator #deploy #dict #dispatch #django #django_cms #Django_REST_Framework #dropdownbox #Docker #event #Firefox #Flask #form #functions #Generator #GeoDjango #git #Google #GPU #GUI #Gym #host #HTML #httplib #learn #Image_processing #intelligence #input #Instagram #IOT #iPython #Jupyter #lambda #learn #License #Linux #lists #machine_learning #Magenta #map #Matplotlib #Metaprogramming #Micro_services #Micropython #mind #monitoring #MongoDB #modules #Mozilla #Multipart #multi_touch_apps #multiprocessing #Nodes #NoSQL #numeric_computation #numerical #NumPy #network #neural_network #OAuth #object_serialization #OCR #overloading #package #parallel #pipeline #protocols #PostGIS #pyAudioAnalysis #pycon #Pyflakes #PyInstaller #PyPI #PyQt #PySide #PyTorch #pytest #python #Pyvideo_archives #Qt #Raspberry_Pi #React #Redis #random #request #Regular_Expressions (#re) #REST #RSS #satellite #scikit_learn #SciPy #scrapy #searching #selectbox #Selenium #serialization #server #sessions #single_responsibility_principle #socket #Spark #str #submit #task #telegram #template #TensorFlow #test #text_boxes #text #tuples #unicode #Universe #Unix #unit_test #urllib #upload #uWSGI #Web #WSGI
Hashtags