TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #241 · 5 мај

Можно ли в Python создавать бинарные файлы? Конечно можно. Для этого в Python есть следующие инструменты: ▫️ тип данных bytes и bytearray ▫️ открытие файла в режиме wb (write binary) или rb (read binary) ▫️ модуль struct Про модуль struct поговорим в первую очередь. Файл в формате JSON или Yaml внутри себя содержит разметку данных. Всегда можно определить где список начался а где закончился. Где записана строка а где словарь. То есть формат записи данных содержит в себе элементы разметки данных. В binary-файле данные не имеют визуальной разметки. Это просто байты, записанные один за другим. Правила записи и чтения находятся вне файла. Модуль struct как раз и помогает с организацией данных в таком файле с помощью определения форматов записи для разных частей файла. Модуль struct преобразует Python-объекты в массив байт, готовый к записи в файл и имеющий определённый вид. Для этого всегда следует указывать формат преобразования (или, как оно здесь называется - запаковки). Формат нужен для того, чтобы выделить достаточное количество байт для записи конкретного типа объекта. В последствии с помощью того же формата будет производиться чтение. При этом следует помнить что мы говорим о типах языка С а не Python. Именно формат определяет, что записано в конкретном месте файла, число, строка или что-то еще. Вот какие токены формата у нас есть. Помимо этого, первым символом можно указать порядок байтов. На разных системах одни и те же типы данных могут записываться по-разному, поэтому желательно указать конкретный способ из доступных. Если этого не сделать, то используется символ '@', то есть нативный для текущей системы. В строке формата мы пишем в каком порядке и какие типы собираемся преобразовать в байты. Запакуем в байты простое число, токен "i". >>> import struct >>> struct.pack('=i', 10) b'\n\x00\x00\x00' Теперь несколько float, при этом нужно передавать элементы не массивом а последовательностью аргументов. >>> struct.pack('=fff', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Вместо нескольких токенов можно просто указать нужное количество элементов перед одним токеном, результат будет тот же. >>> struct.pack('=3f', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Теперь запакуем разные типы >>> data = struct.pack('=fiQ', 1.0, 4, 100500) я запаковал типы float, int и unsigned long long (очень большой int, на 8 байт) b'\x00\x00\x80?\x04\x00\x00...' Распаковка происходит аналогично, но нужно указать тот же формат, который использовался при запаковке. Результат возвращается всегда в виде кортежа. >>> struct.unpack('=fiQ', data) (1.0, 4, 100500) Как видите, ничего страшного! #lib#basic

Hashtags

Резултати

Пронајдени 5 слични објави

Пребарај: #langgraph

当前筛选 #langgraph清除筛选
Data Science Jobs

@datasciencejobs · Post #2701 · 28.04.2025 г., 15:03

#LangChain#LangGraph#LLM#AI#вакансии Друзья, всем привет! Ищем Автора для разработки текстового асинхронного курса по фреймворкам LangChain и LangGraph для действующих специалистов DS уровня Jun+. О нас: Standard Data – проектируем и реализуем образовательные решения под заказ крупных компаний в сферах ИИ, дата-инжиниринга и веб-разработки. Кого ищем: Data Scientist уровней middle и senior для создания текстового курса. Ожидания от кандидата: • Опыт работы с LLM в коммерческих проектах от 1 года; • Опыт работы в Data Science от 1,5 лет; • Высшее профильное образование; • Глубокое знание Python и интересуешься языковыми моделями и машинным обучением; • Желание делиться знаниями. Что нужно делать: • Разрабатывать уроки для курса по фреймворкам LangChain и LangGraph; • Писать текстовые материалы; • Работать в команде с тех-лидом, редактором и дизайнером. Что мы предлагаем: • Вознаграждение за один урок (3-5 страниц текста в Google Документах): 7к - 12к; • Гибкий график; • Сумма вознаграждения возможна и больше, всё зависит от опыта, публикаций и результатов собеседования; • Классную команду единомышленников. Ждем тебя в нашей команде, пишите в тг, или сразу кидайте резюме: @KaterinkaGl _____ За успешную рекомендацию по традиции бонус! Суммарно 15к: при прохождении тестового 5к, еще 10к. после 2 месяцев хорошей работы. Если у тебя классный кандидат с большим опытом, то пишите в ЛС, согласуем другой бонус!

GitHub Trends

@githubtrending · Post #15565 · 16.03.2026 г., 11:30

#python#ai#deepagents#langchain#langgraph Deep Agents is a ready-to-use AI agent framework that comes with built-in planning, file management, and task delegation tools. It breaks down complex tasks into manageable steps, maintains context across conversations, and can spawn specialized sub-agents to handle focused work independently. You benefit from getting a working agent immediately without building from scratch, while retaining full customization options for your specific needs. The framework handles context management automatically, making it ideal for multi-step projects that traditional agents struggle with. https://github.com/langchain-ai/deepagents

GitHub Trends

@githubtrending · Post #15419 · 17.01.2026 г., 09:30

#python#agent#ai#aippt#editable_pptx#langgraph#paper2slides#ppt_generator Paper2Any turns paper PDFs, images, or text into editable diagrams, technical roadmaps, experiment plots, PPT slides, and more with one click. Key tools include Paper2Figure for scientific visuals, Paper2PPT for custom decks with table extraction, PDF2PPT for layout-perfect conversions, and AI beautification. Install via GitHub on Python 3.11+, Linux preferred; try online demo or scripts. You save hours recreating figures or slides for research, talks, or reports, getting pro-quality, customizable outputs fast. https://github.com/OpenDCAI/Paper2Any

GitHub Trends

@githubtrending · Post #15523 · 25.02.2026 г., 12:30

#typescript#agent#agentic#agentic_framework#agentic_workflow#ai#ai_agents#bytedance#deep_research#harness#langchain#langgraph#langmanus#llm#multi_agent#nodejs#podcast#python#superagent#typescript DeerFlow 2.0 is an open-source super agent harness that orchestrates multiple sub-agents, memory systems, and sandboxed execution environments to accomplish complex tasks. Built on LangGraph and LangChain, it combines research, coding, and content creation capabilities with extensible skills and tools. The platform features isolated Docker containers for safe execution, long-term memory that learns your preferences, and the ability to spawn sub-agents that work in parallel on different task angles. You benefit from dramatically reduced research and automation time—tasks that typically take hours complete in minutes—while maintaining full transparency and control over agent decisions through human-in-the-loop collaboration. Whether you need deep research reports, data analysis, slide decks, or custom workflows, DeerFlow handles multi-step complexity without requiring extensive coding knowledge. https://github.com/bytedance/deer-flow

GitHub Trends

@githubtrending · Post #14662 · 02.05.2025 г., 12:00

#typescript#aceternity_ui#agent#agents#ai#chrome_extension#extension#fastapi#glean#langchain#langgraph#nextjs#nextjs15#notebooklm#notion#ollama#perplexity#python#rag#slack#typescript SurfSense is a highly customizable AI research tool that helps you organize and search your personal knowledge base. It connects to many external sources like search engines, Slack, Notion, YouTube, and GitHub. You can upload various file types and interact with your saved content using natural language. SurfSense provides cited answers and supports local AI models, making it a powerful tool for research. It's also self-hostable and open-source, allowing you to control your data and customize it as needed. This helps you manage information more efficiently and privately. https://github.com/MODSetter/SurfSense