آموزش پایتون

در این صفحه می خوانید:

معرفی پایتون (Python)

پایتون یک زبان برنامه نویسی سطح بالا و تفسیر شده است. پایتون توسط Guido van Rossum ساخته و اولین بار در سال 1991 منتشر شد. از جهت فلسفه طراحی تاکید بر قابلیت خواندن کد و رویکرد شی گرا به منظور کمک به برنامه نویسان جهت نوشتن کد واضح و منطقی برای پروژه های کوچک و بزرگ دارد.

درحال حاضر، زبان برنامه نویسی پایتون یکی از محبوبترین زبان های برنامه نویسی دنیا است. پایتون در یک سری از ویژگی ها با زبان های تفسیری مانند زبان برنامه نویسی پرل، روبی، اسکیم، اسمال تاک شباهت دارد و از مدیریت خودکار حافظه استفاده می کند. پایتون یک زبان عالی برای یادگیری برنامه نویسی است. دلایل زیادی برای این ادعا وجود دارد، اما به طور ساده این گونه می توان بیان نمود که براحتی خوانده و به سرعت نوشته می شود و مدت زمان کمتری صرف کدنویسی می شود. سینتکس پایتون مشابه گفتار انسان است و نوشتن و درک آن را آسان می کند.

پایتون به صورت پویا تایپ شده و دارای سیستم جمع آوری زباله است. این زبان از چندین الگوی برنامه نویسی، از جمله برنامه نویسی تابعی، برنامه نویسی شی گرا و رویه ای پشتیبانی می کند. پایتون به دلیل كتابخانه های استاندارد، معمولاً به عنوان زبان "batteries included" توصیف می شود. به شدت قابل خواندن است و غالبا پایتون از کلمات کلیدی انگلیسی استفاده می کند و همچنین دارای ساختارهای syntactical کمتری نسبت به سایر زبان ها است. مفسر بودن پایتون بدین معنی است که در ران تایم توسط مفسر پردازش می شود و لازم نیست قبل از اجرا برنامه خود را کامپایل کنید.

پایتون زبان عالی برای برنامه نویسان مبتدی است و از توسعه طیف گسترده ای از اپلیکیشن ها، از پردازش متن ساده گرفته تا مرورگرها و بازی ها پشتیبانی می کند. بسته ایندکس پایتون (PyPI) هزاران ماژول شخص ثالث را برای پایتون میزبانی می کند. هر كدام از كتابخانه هاي استاندارد و ماژول ها به جامعه پايتون كمك مي كنند و فرصت هاي بی پايانی را فراهم می كنند. حتی اگر اسکریپتینگ و اتوماسیون قسمت بزرگی از موارد استفاده را پوشش دهد، پایتون برای ساخت نرم افزار با کیفیت حرفه ای و هم به عنوان برنامه های مستقل و هم به عنوان وب سرویس و در ساخت بازی نیز استفاده می شود.

تاریخچه پایتون

زبان پایتون، توسط Guido van Rossum در طی سال های 1985 تا 1990 در موسسه تحقیقات ملی ریاضیات و علوم کامپیوتری در هلند ایجاد شد. ون راسوم به عنوان مدیر توسعه پایتون تا ژوئیه 2018 ادامه داد. پایتون در حال حاضر توسط یک تیم توسعه دهنده اصلی در موسسه نگهداری می شود، گرچه که Guido van Rosum هنوز نقش مهمی در هدایت مسیر پیشرفت آن دارد.

پایتون 2.0 در اکتبر 2000 با بسیاری از ویژگی های جدید، از جمله چرخه شناسایی و جمع آوری زباله و پشتیبانی از یونیکد منتشر شد. پایتون 3.0 در دسامبر 2008 منتشر شد و یک بازنگری کامل در ساختار زبان انجام شد که البته بسیاری از ویژگی های اصلی آن از نسخه های 2.6 و 2.7 پشتیبانی می کند. تاریخ پایان عمر Python 2.7 در ابتدا در سال 2015 تنظیم شده و پس از آن تا سال 2020 به تعویق افتاد، زیرا بسیاری از کدهای موجود به پایتون 3 منتقل نشدند. پایتون دارای حق کپی رایت است و سورس کد Python در حال حاضر تحت مجوز GPL در دسترس است.

نسخه های مختلف پایتون

در طی سال های گذشته، جریان مداوم نسخه های جدید پایتون وجود داشته است. به طور کلی، انتقال از یک نسخه به یک نسخه بالاتر به طور سازگار ویژگی های جدیدی به زبان اضافه می کند که گاهی اوقات موارد بسیار کمی هستند، اما باید 2 مورد را رعایت کنید:

  1. حرکت به عقب هیچ نوید سازگاری ندارد. تضمینی نیست که برنامه و کدی که نوشتید کار کند. بنابراین اگر کدی مثلاً با پایتون 2.7 را نوشتید و سپس سعی کنید آن را روی 2.6 اجرا کنید، در واقع اگر از هر چیزی که در نسخه 2.7 جدید بود استفاده کردید، برنامه شما در نسخه 2.6 آن طور که انتظار می رود اجرا نمی شود. هرچه از نسخه ای که با آن برنامه ای نوشتید به عقب تر بروید، شانس غافلگیر شدن شما بیشتر می شود.
  2. استثنا در سازگاری با نسخه های بالاتر یعنی از 2.7 به 3.x وجود دارد. با گذشت سال ها، نسخه 3.0 اعلام کرد که فرصتی برای سازگاری با نسخه های بالاتراست تا بتوانند زبان را تمیز کنند. بدون شک این امر سرعت سازگاری با Python 3.x را بسیار کند کرده است، اما این یک فرصت برای برنامه نویسان تا به تمیز کردن مواردی مانند "کلاس های سبک قدیمی" و "کلاس های سبک جدید" پایان دهند. چرا که در پایتون 3.x، فقط یک نوع کلاس وجود دارد. تغییر مهم دیگر پشتیبانی از یونیکد است. در پایتون 3.x، پیش فرض رشته ها این است که آنها در یونیکد هستند، نه فقط ASCII، از مجموعه شخصیت های بسیار غنی تر پشتیبانی می شود، اما این یک تغییر کافی بزرگ بود تا سازگاری برخی از ماژول های کتابخانه با 3 را دشوار کند. .x ، سرعت سازگاری 3.x را بیشتر کاهش می دهد. ویژگی های اضافه شده به 3.x معمولاً به نسخه های 2.7.x باز می گردند و به نظر می رسد افراد به سبکی حل شده اند که می توانند نرم افزار Pyx 3.x را بنویسند که با 2.7 مفسر سازگار است. به عنوان مثال، Python 3.x کلاس های سبک قدیمی ندارد. اگر کد شما فقط از کلاس های سبک جدید استفاده می کند، برای نسخه 3.x و 2.7 مناسب است.

اگر بخواهیم نسخه های مختلف پایتون را با هم مقایسه کنیم قاعدتا پایتون 3 بهترین گزینه برای برنامه نویسی می باشد.

معرفی پایتون 2

پایتون 2.0 در سال 2000 منتشر شد. چند سال بعد برای بهبود پایتون باید تغییرات بزرگی ایجاد می شد. بنابراین در سال 2006، پایتون 3.0 راه اندازی گردید. بسیاری از افراد اقدام به ارتقا نکردند و هیچکس نمی خواست به برنامه های آنها لطمه بزند. بنابراین ، برای سالهای زیادی، هر دو پایتون 2 و پایتون 3 ارتقا یافت و منتشر شد.

در کل، برنامه نویسی با پایتون 2 ا نسخه های قبلی ساده تر و راحت تر بود. اکنون دیگر هیچکس از آن استفاده نمی کند و از سال 2020 به ور کامل منقضی شده است. فقط اگر می خواهید بر روی پروژه ای کار کنید که با پایتون 2 نوشته شده است می توانید از آن استفاده کنید.

معرفی پایتون 3

پایتون 1.0 در نوامبر 1994 منتشر شد. در سال 2000 پایتون 2.0 منتشر شد. پایتون 2.7.11 آخرین نسخه پایتون 2 است. Python 3.0 در سال 2008 منتشر شد. پایتون 3 با پایتون 2 سازگار نیست. تاکید در پایتون 3 بر حذف ساختارها و ماژول های برنامه نویسی تکراری بوده است. تغییر قابل توجه در Python 3 این است که چگونه از تابع print استفاده می شود. استفاده از پرانتز () با تابع print در حال حاضر اجباری است، در حالی که در Python 2 اختیاری بود.

پایتون 3، دارای بسیاری از ویژگی های مفید و مهم است که در پایتون 2 یافت نمی شود، مانند کنترل های همزمان و مترجم کارآمد تر و غیره. پذیرش پایتون 3 برای مدت طولانی به دلیل کمبود نسبی پشتیبانی از کتابخانه ها آهسته شد. بسیاری از کتابخانه های پایتون تنها از پایتون 2 پشتیبانی می کنند و تغییر آن دشوار است. اما طی دو سال گذشته تعداد کتابخانه هایی که تنها از پایتون 2 پشتیبانی می کنند، کاهش یافته است و اکثر آنها در حال حاضر با هر دو نسخه سازگار است. امروزه دلایل و ویژگی های وجود دارد که به استفاده از پایتون 3 ترغیب می کند.

Python 3.x برخی از کلمات کلیدی و ویژگی های ناسازگار Python 2 را معرفی کرده است که می تواند از طریق ماژول داخلی __future__ در پایتون 2 وارد شود. توصیه می شود در صورت برنامه ریزی پشتیبانی Python 3.x برای کد خود، از __future__ آن را وارد کنید. به عنوان مثال، اگر رفتار Python 3.x را در بخش Python 2 بخواهیم، می توانیم از طریق آن وارد کنیم.

در کل، اساس برنامه نویسی با هر دو نسخه یکی می باشد. تنها تفاوت های دو نسخه در سینتکس آنها است.

مزایای پایتون

مزایای پایتون

  • یادگیری این زبان برنامه نویسی به علت وجود کلید واژه های کم، ساختار بسیار ساده و قواعد روشن و مشخص یادگیری آن ساده است.
  • برنامه نویسی با این زبان همانند مکالمه انگلیسی است. در واقع زبان برنامه نویسی پایتون متشکل از کلمات انگلیسی و جمله بندی است.
  • این زبان کتابخانه های قابل حمل فراوانی دارد که امکان کارهای بسیار بزرگ و پیچیده را در تمامی سیستم عامل ها ممکن می سازد.
  • می توان کدهای برنامه را تست و اشکال زدایی نمود.
  • برای برنامه کارامدتر و شخصی شده می توان از ماژول های سطح پایین در تفسیر کننده این زبان استفاده نمود.
  • به کمک کتابخانه های مربوطه می توان برای هر سیستم عاملی یک رابط گرافیکی تولید نمود.
  • از روش های برنامه نویسی تابعی و ساختار یافته و همچنین OOP پشتیبانی می کند.
  • از جمع آوری زباله اتوماتیک پشتیبانی می کند.
  • رابط های کاربری را به تمام پایگاه داده های تجاری اصلی ارائه می دهد.
  • می توان به عنوان یک زبان اسکریپت نویسی استفاده کرد یا می توان آن را به کد بایت برای ساختن برنامه های بزرگ کامپایل کرد.
  • انواع داده داینامیک سطح بالا ارائه می دهد و از بررسی Dynamic type پشتیبانی می کند.
  • پایتون در سیستم های تولید کد از قبیل LLVM استفاده می شود تا کد را به صورت صحیح در سایر زبان ها ایجاد کند.
  • شما می توانید برنامه های کاربردی GUI و چند سکویی را با پایتون ایجاد کنید. پایتون توانایی تولید کد نیتیو باینری مستقل از اسکریپت را ندارد، اما بسته های شخص ثالث نیتیو مانند cx_Freeze و PyInstaller برای انجام آن می تواند مورد استفاده قرار گیرد.
  • وب سرویس و API های RESTful در پایتون توسط کتابخانه های نیتیو Python و فریمورک های وب ایجاد می شوند که می توانند در چند خط کد به سایت های پر از اطلاعات، هدایت کنند.
  • آخرین نسخه های پایتون دارای پشتیبانی قوی برای عملیات ناهمزمان هستند و اجازه می دهد که سایت ها ده ها هزار درخواست در ثانیه را با کتابخانه ها اداره کند.

ویژگی های زبان پایتون

پایتون یک زبان برنامه نویسی چند پارادایم است. از برنامه نویسی شی گرا و برنامه نویسی ساخت یافته کاملاً پشتیبانی می شود و بسیاری از ویژگی های آن از برنامه نویسی تابعی و برنامه نویسی شی گرا پشتیبانی می کنند. توسعه دهندگان Python در تلاش هستند تا از بهینه سازی زود هنگام خودداری کنند و قسمت های غیر مهم CPython را که باعث افزایش حاشیه ای در سرعت می شود را کنار بگذارند. هنگامی که سرعت برنامه مهم است، برنامه نویس Python می تواند توابع حساس به زمان را با ماژول های فرمت نوشته شده به زبان هایی مانند C منتقل کند یا از PyPy، یک کامپایلر JIT استفاده کند. Cython نیز موجود است، که اسکریپت پایتون را به C ترجمه می کند و فراخوانی های API مستقیم در سطح C را به مفسر پایتون تبدیل می کند.

یک واژه اختراعی رایج در جامعه پایتون Pythonic است که می تواند طیف گسترده ای از معانی مربوط به استایل برنامه ها را داشته باشد. اینکه بگوییم کد Pythonic است به این معنی است که از اصطلاحات پایتون به خوبی استفاده می کند، طبیعی است یا تسلط به زبان را نشان می دهد، که با فلسفه مینیمالیستی پایتون مطابقت دارد و تأکید بر خوانایی دارد. در مقابل، کدی که درک آن دشوار است یا مثل یک رونویسی خشن از زبان برنامه نویسی دیگر است، unpythonic خوانده می شود. کاربران و تحسین کنندگان پایتون، به ویژه کسانی که دانش آن را دارند یا با تجربه در نظر گرفته می شوند، اغلب به عنوان Pythonistas خوانده می شوند.

کاربردهای پایتون

کاربرد های پایتون

برنامه نویسی و اتوماسیون

اساسی ترین مورد استفاده برای پایتون به عنوان یک زبان، برنامه نویسی و اتوماسیون است. پایتون فقط جایگزینی برای اسکریپت یا فایل های دسته ای نیست همچنین برای به طور خودکار با مرورگرهای وب یا GUI برنامه کاربردی تعامل دارد یا برای تهیه و تنظیم سیستم در ابزارهایی مانند Ansible و Salt استفاده می شود.

توسعه وب

پایتون گزینه های زیادی برای توسعه وب ارائه می دهد که شامل فریمورک های مانند جنگو و پیرامید و میکرو فریمورک های فلسک و باتل است. همچنین جهت توسعه وب از سیستم های های پیشرفته مدیریت محتوا مانند Plone و Django CMS استفاده می کند.

استفاده گسترده در محاسبات علمی و عددی

SciPy مجموعه ای از بسته های ریاضی، علم و مهندسی است. Pandas یک کتابخانه تجزیه و تحلیل داده ها و مدل سازی است. IPython یک پوسته قدرتمند تعاملی است که ویرایش و ضبط یک جلسه کاری را آسان می کند و از تجسم و محاسبات موازی پشتیبانی می کند.

تحصیلات

پایتون یک زبان عالی برای آموزش در هر دو سطح مقدماتی و پیشرفته برنامه نویسی است. کتاب هایی جهت آموزش در دسترس هستند. معلمان و برنامه نویسان از سراسر جهان منابع سرگرم کننده، جذاب و چالش انگیز را برای استفاده در کلاس های خود ایجاد کرده اند. از وظایف ساده برای مبتدیان تا پروژه های پیچیده و پیشرفته برای دانش آموزان است.

اپلیکیشن دسکتاپ (ویندوز، لینوکس، مک)

کتابخانه TK GUI در اکثر توزیع های باینری پایتون گنجانده شده است. برخی از ابزارهای موجود که در سیستم عامل های مختلف قابل استفاده هستند شامل wxWidgets و Kivy برای نوشتن برنامه های multi-touch است و Qt از طریق pyqt یا pyside در دسترس هستند. همچنین ابزارهای مخصوص پلتفرم شامل +GTK و Microsoft Foundation Classes through the win32 extensions نیز در دسترس هستند.

برنامه های محاسباتی و پیچیده

پایتون اغلب به عنوان یک زبان پشتیبانی برای توسعه دهندگان نرم افزار برای ساخت کنترل و مدیریت، تست و بسیاری از روش های دیگر استفاده می شود. برای ساخت کنترل از SCons استفاده می شود. Buildbot و Apache Gump برای تدوین خودکار و مستمر و تست استفاده می شوند. Roundup یا Trac برای ردیابی باگ و مدیریت پروژه استفاده می شود.

برنامه های کاربردی تجاری

پایتون برای ساخت سیستم های ERP و تجارت الکترونیک نیز استفاده می شود. Odoo نرم افزار مدیریت همه کاره است و طیف وسیعی از برنامه های کاربردی تجاری را ارائه می دهد که مجموعه ای کامل از برنامه های مدیریت سازمانی را تشکیل می دهند. Tryton یک پلتفرم نرم افزار کاربردی سطح بالا است.

ساخت اپلیکیشن های موبایل با استفاده از فریمورک Kivy

Kivy یک کتابخانه اوپن سورس پایتون برای توسعه سریع اپلیکیشن ها است که از رابط کاربری نوآورانه مانند اپلیکیشن های multi-touch استفاده می کند. یک کتابخانه است که به شما امکان می دهد از پایتون برای ایجاد اپلیکیشن برای دستگاه های تلفن همراه و دسکتاپ استفاده کنید.

از دیگر موارد مهم و کاربردی پایتون میتوان به موارد زیر اشاره کرد:

کاربرد پایتون در هوش مصنوعی

پایتون دارای تعداد زیادی کتابخانه داخلی است. بسیاری از کتابخانه ها برای هوش مصنوعی و یادگیری ماشین است. برخی از کتابخانه ها عبارتند از Tensorflow (که یک کتابخانه شبکه عصبی با سطح بالا است)، scikit-Learn (برای داده کاوی، تجزیه و تحلیل داده ها و یادگیری ماشین)، pylearn2 (انعطاف پذیر تر از scikit-Learn) و غیره.

پایتون پیاده سازی ساده ای برای اوپن سی وی (OpenCV) دارد. آنچه پایتون را برای همه محبوب می کند، اجرای قدرتمند و آسان آن است. برای سایر زبان ها، دانشجویان و محققان باید قبل از ورود به یادگیری ماشین یا هوش مصنوعی، آموزش کامل ببینند. در مورد پایتون اینگونه نیست. حتی یک برنامه نویس با دانش بسیار پایه ای می تواند به راحتی پایتون را اداره کند. گذشته از این، زمانی که کسی برای نوشتن و اشکال زدایی کد در پایتون می گذرد، در مقایسه با C و جاوا کمتر است. این دقیقاً همان چیزی است که دانشجویان AI و ML می خواهند. آن ها نمی خواهند وقت را برای خطای كلمات در خطاهای نحوی صرف كنند، می خواهند زمان بیشتری را صرف الگوریتم ها و اكتشافات مربوط به AI و ML كنند. نه فقط کتابخانه ها بلکه آموزش های آن ها، کار با رابط ها به راحتی بصورت آنلاین در دسترس است.

کاربرد پایتون در شبکه

پایتون دو سطح دسترسی به سرویس های شبکه را فراهم می کند. در سطح پایین، می توانید به سیستم پشتیبانی اصلی سوکت در سیستم عامل زیرین دسترسی پیدا کنید. در اصل، سوکت ها به عنوان یک خط ارتباطی بین سرور و کلاینت عمل می کنند. پایتون همچنین دارای کتابخانه هایی است که دسترسی سطح بالاتری به پروتکل های شبکه مخصوص برنامه کاربردی مانند FTP، HTTP و غیره را فراهم می کند.

سوکت چیست؟

سوکت ها نقاط پایانی کانال ارتباطی دو طرفه هستند. سوکت ها ممکن است در یک فرآیند، بین فرآیندهای موجود در همان دستگاه یا بین فرآیندهای موجود در قاره های مختلف ارتباط برقرار کنند. سوکت ها ممکن است بر روی تعدادی نوع کانال مختلف اجرا شود: سوکت دامنه یونیکس، TCP، UDP و غیره. کتابخانه سوکت کلاس های خاصی را برای اداره انتقالات رایج و همچنین رابط عمومی برای اداره بقیه انتقالات فراهم می کند.

پایتون برای اینترنت اشیا

بسته به دیدگاه شما، اینترنت اشیا (IOT) را می توان متنوع دانست. فرض کنید در مورد جسمی که در یک سیستم تعبیه شده قرار دارد صحبت می کنیم و آن را به اینترنت وصل می کنیم. این "اشیا" اکنون آدرس IP خود را دارند و می توانند با استفاده از شبکه با "اشیای دیگر" از راه دور یا به صورت لوکال ارتباط برقرار کنند.

IoT اغلب در پروژه هایی که شامل شبکه های بی سیم، تجزیه و تحلیل داده ها، سیستم های فیزیکی، کلان داده و یادگیری ماشین است، نقش دارد. علاوه بر این، پروژه های IoT اغلب شامل تجزیه و تحلیل و فرآیندهای Real-time هستند.

پایتون زبان انتخابی رزبری پای (Raspberry Pi) است. از این جهت که Raspberry Pi یکی از محبوب ترین میکروکنترلرهای موجود در بازار است اهمیت زیادی دارد. پایتون ابزارهایی را ارائه می دهد که فرایند توسعه IoT را ساده می کند، مانند webrepl. این گزینه به شما امکان می دهد از مرورگر خود جهت اجرای کد پایتون برای IoT استفاده کنید. علاوه بر این، پروتکل پیام رسان mqtt به شما امکان می دهد تا کد / پیکربندی خود را به روز کنید.

پایتون برای استارتاپ ها

استارتاپ ها موارد بسیار ویژه ای هستند، زیرا آنها یک رویکرد متفاوت از تأسیس یک شرکت دارند. آسان کردن فرایند از هر طریق ممکن امری ضروری است. به همین دلیل است که وقتی زبان برنامه نویسی را برای پروژه خود انتخاب می کنید، به یک مورد نیاز دارید که به شما امکان دهد سریع کار را شروع کنید و نتایج مورد نظر را به طور مؤثر تحویل بگیرید. پایتون می تواند همه این موارد را به شما بدهد. استارتاپ های قابل توجه از پایتون در پشته فناوری خود استفاده کرده اند.

برنامه نویسی اندروید با پایتون

این روزها به احتمال زیاد توسعه دهندگان روی یک برنامه موبایل یا وب کار می کنند. پایتون قابلیت های توسعه تلفن همراه ندارد، اما بسته هایی وجود دارد که می توانید برای ایجاد برنامه های موبایل استفاده کنید، مانند کیوی، پای کیوت یا حتی کتابخانه Toga Beeware.

این کتابخانه ها همه بازیگران اصلی فضای تلفن همراه پایتون هستند. با این حال، مزایایی وجود دارد که می خواهید برنامه های موبایل را با Kivy ایجاد کنید. نه تنها برنامه شما در همه سیستم عامل ها یکسان به نظر می رسد، بلکه نیازی نیست که پس از هر تغییر کد خود را کامپایل کنید.

Kivy برای اولین بار در اوایل سال 2011 منتشر شد. این فریمورک کراس پلتفرم پایتون را می توان در ویندوز، مک، لینوکس و رزبری پای اجرا کرد. این برنامه از رویدادهای چند لمسی علاوه بر ورودی معمولی صفحه کلید و ماوس نیز پشتیبانی می کند. Kivy حتی از پردازنده گرافیکی GPU نیز پشتیبانی می کند، زیرا آنها با استفاده از OpenGL ES2 ساخته شده اند. در این پروژه از مجوز MIT استفاده شده است، بنابراین می توانید از این کتابخانه به صورت رایگان و نرم افزاری تجاری استفاده کنید.

وقتی با Kivy برنامه ای ایجاد می کنید، یک رابط کاربری طبیعی یا NUI ایجاد می کنید. ایده موجود در یک رابط کاربری طبیعی این است که کاربر می تواند به راحتی دستورالعمل استفاده از نرم افزار شما را بیاموزد. Kivy از کنترل های نیتیو یا ویجت ها استفاده نمی کند. همه ابزارک های آن به صورت سفارشی طراحی شده اند. این بدان معنی است که برنامه های Kivy در تمام سیستم عامل ها یکسان به نظر می رسند. با این حال، این بدان معناست که UI و UX برنامه شما با برنامه های نیتیو متفاوت خواهد بود. بسته به مخاطب شما، این می تواند یک مزیت یا یک نقطه ضعف باشد.

پایتون برای توسعه وب

امروزه، بیش از هر زمان دیگر، هنگام ساخت یا تغییر وب سایت یا برنامه وب، ابزارهای مناسب را انتخاب کنید.مزایای بسیاری در استفاده از پایتون برای توسعه وب وجود دارد که به شما کمک می کند سریع در زمینه توسعه وب نتایج کسب کنید:

پایتون تقریباً در مورد هر چیزی، مجموعه بزرگی از کتابخانه های از پیش ساخته را دارد. محاسبات علمی، پردازش تصویر، پردازش داده ها، یادگیری ماشین، یادگیری عمیق، پایتون کتابخانه آن را دارد. کدی که در پایتون نوشته شده برای ایجاد نمونه های سریع بسیار مناسب اسن. پایتون ROI پروژه های تجاری را تسریع می کند. پایتون یک فریمورک داخلی برای تست واحد دارد. این ویژگی به شما کمک می کند تا کد عاری از اشکال را ارسال کنید. علاوه بر ویژگی های استاندارد پایتون، یکی از مهمترین نقاط قوت آن در توسعه وب، تنوع فریمورک های وب ارائه شده است. با انتخاب گسترده ای از فریمورک های خوب پشتیبانی شده، می توانید نقطه شروع مناسبی را برای هر پروژه پیدا کنید.

پایتون برای کلان داده

علم داده، تحلیل داده، کلان داده همه اصطلاحات آشنا در عناوین فناوری امروز است، اما به نظر می رسد که دلهره آور یا غیرممکن باشد. آنها علیرغم لذت بخش بودن زمینه های واقعی هستند و شما می توانید بر آنها تسلط داشته باشید!

علم داده زمینه بزرگی است که همه چیز را از جمع آوری داده ها، استاندارد سازی، تجزیه و تحلیل، ویژوال سازی و گزارش تهیه می کند. بسته به علایق شما، موقعیت ها، شرکت ها و زمینه های مختلفی وجود دارند که در زمینه علوم داده فعالیت می کنند. شما می توانید از علوم داده برای تجزیه و تحلیل زبان، توصیه فیلم ها یا تعیین محصولات جدید از داده های مشتری یا بازاریابی استفاده کنید. چه برای یک زمینه تحقیقاتی، چه کسب و کار شما یا شرکتی که در آن کار می کنید، فرصت های بسیاری برای استفاده از علوم داده و تجزیه و تحلیل برای حل مشکلات شما وجود دارد.

هنگامی که ما در استفاده از کلان داده در علم داده صحبت می کنیم، در مورد علم داده در مقیاس بزرگ صحبت می کنیم. آنچه "کلان" است کمی بستگی به این دارد که شما از چه کسی و چه چیزی می خواهید. اکثر پروژه ها یا سؤالاتی که می خواهید به آنها پاسخ دهید نیازی به داده های بزرگ ندارند، زیرا مجموعه داده به اندازه کافی کوچک است که در رایانه شما دانلود و تجزیه شود. بیشتر مشکلات بزرگ داده ها ناشی از داده هایی است که نمی توانند در یک رایانه نگهداری شوند. اگر داده های بزرگی دارید که به چندین (یا تعداد بیشتری رایانه) برای ذخیره نیاز دارد، می توانید از کلان داده برای تجزیه و تحلیل کتابخانه ها و تجزیه و تحلیل ها بهره مند شوید.

بنابراین پایتون چه ارتباطی با آن دارد؟ پایتون طی چند سال گذشته به عنوان رهبر برنامه نویسی علوم داده ظاهر شده است. در حالی که هنوز تعداد زیادی از افراد از R، SPSS، جولیا یا چند زبان محبوب دیگر استفاده می کنند، محبوبیت فزاینده پایتون در این زمینه در رشد کتابخانه های علوم داده اش مشهود است.

استخراج داده از وب با پایتون

Web scraping یک تکنیک نرم افزار رایانه ای برای استخراج اطلاعات از وب سایت ها است. همانطور که می دانیم، پایتون یک زبان برنامه نویسی اوپن سورس است. شما ممکن است تعداد بسیاری از کتابخانه ها و فریمورک ها را برای انجام یک کار پیدا کنید. از این رو لازم است که بهترین کتابخانه و فریمورک را پیدا کنید. چندین راه برای استخراج اطلاعات از وب وجود دارد:

  • فریمورک اسکرپی (Scrapy): یک فریمورک web crawling است که برای استخراج داده ها از صفحه وب با کمک selector ها بر اساس XPath به کار می رود.
  • کتابخانه بیوتیفول سوپ (Beautiful Soup): برای استخراج داده ها از فایل های اچ تی ام ال (HTML) و XML است که می توان زمانیکه داده ها از جاوااسکریپت استخراج یا به صورت پویا بارگذاری می شوند از آن به راحتی استفاده کرد.

الگوهای طراحی (Design Patterns) در پایتون

الگوهای طراحی پایتون روش عالی برای به کارگیری پتانسیل گسترده آن است. فلسفه پایتون بر پایه ایده های خوب ساخته شده است. پایتون تعدادی از الگوهای طراحی محبوب را با چند خط کد پیاده سازی کرده یا آن را آسان می کند. برخی از الگوهای طراحی در پایتون ساخته شده اند، بنابراین ما حتی بدون دانستن از آن ها استفاده می کنیم.

به عنوان مثال، Factory الگوی ساختاری پایتون است که با هدف ایجاد اشیا جدید، مخفی کردن منطق فوری از کاربر انجام می شود. این زبان دارای کتابخانه هایی است که از انواع مختلفی از الگوهای طراحی پشتیبانی می کند.

پایتون و آناکوندا

آناکوندا یک توزیع رایگان و اوپن سورس از زبان های برنامه نویسی پایتون و آر (R) برای محاسبات علمی مانند علوم داده، برنامه های یادگیری ماشین، پردازش داده در مقیاس بزرگ، تجزیه و تحلیل پیش بینی و غیره است که هدف آن ساده سازی مدیریت پکیج و استقرار است. توزیع آناکوندا توسط بیش از 15 میلیون کاربر استفاده می شود و شامل بیش از 1500 بسته اطلاعات علمی مشهور مناسب برای ویندوز، لینوکس و MacOS است.

وقتی یک زبان برنامه نویسی بر روی سیستم نصب می شود و در روی آن می توانید IDE ها و بسته های مختلفی را نصب کنید. پایتون به خودی خود خیلی مفید نخواهد بود مگر اینکه IDE نصب شود. اینجاست که آناکوندا در تصویر قرار می گیرد. آناکوندا IDE ها و چندین بسته مهم مانند NumPy، پانداس (Pandas) و غیره را نصب می کند. یکی از مهمترین عوامل محبوبیت آناکوندا در بین مبتدیان، فرآیند پیاده سازی با مجموعه بسیار جامع از حداکثر 1000 پکیج به همراه پکیج بسیار مفید Conda و مدیر محیط مجازی است که باعث می شود نصب هر یک از آن ها کاهش یابد. بسته های علوم داده ای که ممکن است ما برای تجزیه و تحلیل آن به کلان داده نیاز داشته باشیم.

پایتون و اکسل

احتمالاً می دانید که اکسل یک برنامه صفحه گسترده است که توسط مایکروسافت ساخته شده است. می توانید از این ابزار به راحتی در دسترس برای سازماندهی، تجزیه و تحلیل و ذخیره داده های خود در جداول استفاده کنید. از این گذشته، این نرم افزار به طور گسترده در بسیاری از زمینه های کاربردی مختلف در سراسر جهان استفاده می شود. شما باید در مقطعی با این صفحات گسترده تعامل کنید، اما همیشه نمی خواهید به کار خود ادامه دهید. به همین دلیل است که توسعه دهندگان Python در این نوع فایل ها روش های خواندن، نوشتن و دستکاری را اجرا کرده اند.

لیست فریمورک های پایتون

پایتون و جنگو

جنگو (Django)

جنگو (Django) فریمورک وب رایگان و اوپن سورس مبتنی بر پایتون است، که از الگوی معماری model-template-view یا به اختصار MTV استفاده می کند. Django توسط مؤسسه توسط بنیاد نرم افزار (DSF) نگهداری می شود. هدف اصلی جنگو، سهولت در ایجاد وب سایت های پیچیده و پایگاه داده محور است. جنگو به طور کلی از پایتون در سراسر فریمروک، حتی برای فایل های تنظیمات و مدل های داده استفاده می کند. Django همچنین رابط اجرایی ایجاد، خواندن، به روزرسانی و حذف را ایجاد می کند که به صورت پویا از طریق درون نگاری ایجاد می شود و از طریق مدل های ادمین پیکربندی می شود. با Django، می توانید برنامه های وب را از مفهوم برای راه اندازی در عرض چند ساعت در نظر بگیرید. جنگو بیشتر از دردسرهای توسعه وب مراقبت می کند، بنابراین می توانید بدون نیاز به اختراع مجدد چرخ، روی نوشتن برنامه خود تمرکز کنید.

جنگو رست فریمورک (Django Rest Framework)

جنگو رست فریمورک (Django Rest Framework) یک ابزار قدرتمند و انعطاف پذیر برای ساخت API های وب است. فریمروک Django REST شامل مجموعه گسترده ای از ویژگی ها است. ایده اصلی پشت DRF تقسیم واضح یک مدل و مجموعه ای از Class-Based-Views که می تواند برای برآوردن نقطه پایانی API خاص با استفاده از Serializer که نقشه برداری بین آنها را توصیف می کند، سفارشی سازی شود.

فلسک (Flask)

فلسک (Flask) یک میکرو فریمورک وب است که در پایتون نوشته شده است. فلسک به گونه ای طراحی شده است که به راحتی قابل استفاده و توسعه باشد. ایده Flask ایجاد پایه محکم برای برنامه های وب با پیچیدگی های مختلف است. از آن به بعد شما می توانید برنامه های افزودنی را که فکر می کنید به آنها نیاز دارید نصب کنید. همچنین شما قادر به ساخت ماژول های خود هستید. فلسک برای انواع پروژه عالی است.

در مقایسه با جنگو، فلسک بسیار بیشتر به میکرو سرویس ها توجه می کند، که ممکن است دلیل محبوبیت شماره 1 جدید آن تطابق JetBrains باشد. برخلاف فلسفه همه چیز در یک پکیج جنگو، فلسک بیشتر مانند اتصل دهنده کار می کند و باعث می شود کتابخانه ها را با یکدیگر ترکیب کنید.

فریمورک Beautiful Soup

فریمورک Beautiful Soup کتابخانه پایتون مجموعه ای از توابع و متد ها است که به شما اجازه می دهد تا بسیاری از اقدامات را بدون نوشتن کد انجام دهید.

کیوی (Kivy)

کیوی (Kivy) یک کتابخانه متن باز پایتون برای توسعه سریع اپلیکیشن ها است که از رابط کاربری نوآورانه مانند اپلیکیشن های multi-touch استفاده می کند. Kivy چند سکویی است و در لینوکس، ویندوز، OS X، Android، iOS و Raspberry Pi اجرا می شود. شامل ماژول هایی برای خواندن و پخش فیلم ها می باشد. همچنین دارای یک ماژول قوی برای ورودی است که امکان Multitouch و gestures را فراهم می کند.

رابط کاربری Tkinter

پایتون گزینه های مختلفی برای ایجاد رابط کاربری گرافیکی (GUI) فراهم می کند. یکی از مهم ترین گزینه های آن Tkinter نام دارد. بنابراین، Tkinter یک بسته رابط کاربری گرافیکی استاندارد برای پایتون می باشد.

ماژول Tkinter ("رابط Tk") رابط استاندارد Python برای کیت ابزار Tk GUI از Scriptics می‌باشد. Tkinter تنها ابزار برنامه نویسی GUI برای پایتون نیست. با این وجود، پر کاربرد ترین آنها می باشد و از آن بیشتر استفاده می شود.

کتابخانه های پایتون

دلایل زیادی وجود دارد که چرا پایتون در بین توسعه دهندگان محبوب است و یکی از آنها این است که مجموعه ای از کتابخانه های شگفت انگیز را در خود جای داده است. در اینجا به چند کتابخانه برتر پایتون که می تواند توسط توسعه دهندگان مورد استفاده قرار گیرد اشاره می کنیم:

تنسور فلو (TensorFlow)

تنسور فلو (TensorFlow) کتابخانه نرم افزاری اوپن سورس برای برنامه ریزی داده ها و برنامه نویسی متفاوت با طیف وسیعی از کارها است. این یک کتابخانه ریاضی است و همچنین برای برنامه های یادگیری ماشین مانند شبکه های عصبی استفاده می شود. از تنسور فلو برای تحقیق و تولید در Google استفاده می شود. تنسورفلو یک کتابخانه نرم افزاری است که برای محاسبه عددی با گراف های جریان داده ها مورد استفاده قرار می گیرد که به کاربران اجازه می دهد محاسبات دلخواه را به عنوان یک گراف جریان های داده بیان کنند. گره ها در این گراف عملیات ریاضی را نشان می دهند درحالیکه edge داده ای را نشان می دهد که از یک گره با گره دیگر ارتباط دارد.

پای تورچ (PyTorch)

پای تورچ (PyTorch) کتابخانه یادگیری ماشین اوپن سورس است که بر اساس کتابخانه Torch ساخته شده است و برای برنامه هایی مانند بینایی رایانه ای و پردازش زبان طبیعی مورد استفاده قرار می گیرد. این نرم افزار رایگان و اوپن سورس است که تحت مجوز اصلاح شده BSD توسط گروه تحقیق هوش مصنوعی فیس بوک تهیه شده است. اگرچه ارتباط با پایتون تمرکز اصلی توسعه آن است، اما PyTorch همچنین دارای ویژگی فرانت اند ++C است. علاوه بر این، نرم افزار زبان برنامه نویسی احتمالی Pyro Uber از PyTorch به عنوان بک اند استفاده می کند.

پانداس (Pandas)

پانداس (Pandas) یک کتابخانه نرم افزاری است که برای زبان برنامه نویسی پایتون برای تجزیه و تحلیل داده ها نوشته شده است. به طور خاص، ساختار داده و عملیات هایی را برای تجزیه جداول عددی و سری های زمانی ارائه می دهد. این نام از اصطلاح "panel data" گرفته شده است، اصطلاحی برای مجموعه داده ها که شامل مشاهدات در طی دوره های زمانی مختلف برای افراد مشابه است. بسته pandas مهمترین ابزار در دسترس دانشمندان و تحلیلگران داده است که امروز با پایتون کار می کنند. ابزار قدرتمند یادگیری ماشین و ابزارهای ویژوال سازی ممکن است توجه همه را به خود جلب کند، اما پانداس ستون فقرات اکثر پروژه های داده است.

از دیگر کتابخانه های مهم پایتون می توان به Scikit-Learn، Numpy، Keras، LightGBM، Eli5، SciPy، Theano اشاره کرد.

    مثال های پایتون

    ابتدا فایل Python خود را که helloworld.py نامیده می شود ایجاد کنید که می تواند در هر ادیتور انجام شود.

    print("Hello, World!")

    استفاده از حلقه For

    fruits = ["apple", "banana", "cherry"]
    for x in fruits:
      print(x)

    ایجاد یک کلاس به نام Person، از تابع () __init __ برای اختصاص دادن مقادیر برای نام و سن استفاده کنید.

    class Person:
      def __init__(self, name, age):
        self.name = name
        self.age = age

    p1 = Person("John", 36)

    print(p1.name) print(p1.age)

    مقاله های تخصصی پایتون

    مقاله پایتون

    6 كتابخانه پایتون برای پردازش موازی

    آیا می خواهید حجم کار سنگین Python را در چند CPU یا یک خوشه محاسبه توزیع کنید؟ این فریمورک ها می توانند این امر را به وجود آورند.

    پایتون برای برنامه نویسی طولانی مناسب است، اما سریعترین زبان برنامه نویسی نیست. برخی از محدودیت های سرعت آن به دلیل اجرای پیش فرض CPython است که تک رشته ای است. یعنی، پایتون به طور همزمان از بیش از یک رشته سخت افزاری استفاده نمی کند.

    در حالی که می توانید برای سرعت بخشیدن به تسک، از ماژول threading ساخته شده در پایتون استفاده کنید. در این ماژول فقط می توانید از ویژگی همزمانی استفاده کنید و قابلیت پردازش موازی را ندارد. این ماژول برای اجرای چندین تسک غیر وابسته به CPU مفید است، اما هیچ کاری برای سرعت بخشیدن به تسک های متعدد که هر کدام به یک CPU کامل نیاز دارند، انجام نمی دهد.

    Python شامل روشی نیتیو برای اجرای بار کاری پایتون در چندین CPU است. ماژول چند پردازشی، چندین نسخه از مفسر پایتون را هدایت می کند، هر یک در یک هسته جداگانه، و پردازش ابتدایی برای تقسیم کار در هسته ها را فراهم می کند. اما گاهی اوقات حتی انجام چند پردازش نیز کافی نیست.

    گاهی اوقات شغل خواستار توزیع کار نه تنها در چندین هسته بلکه در بین چندین ماشین نیز می باشد. در اینجا شش کتابخانه و فریمورک های Python وجد دارد و هر شش مجموعه ابزار Python زیر به شما امکان می دهد یک برنامه Python موجود را تهیه کنید و تسک را در چندین هسته، چندین ماشین یا هر دو توزیع کنید.

    Ray

    Ray که توسط تیمی از محققان دانشگاه کالیفرنیا، برکلی ایجاد شده است، تعدادی از کتابخانه های یادگیری ماشین توزیع شده را تحت پوشش خود قرار داده است. اما Ray محدود به وظایف یادگیری ماشینی نیست، حتی اگر این مورد استفاده اصلی آن باشد. هرگونه تسک پایتون را می توان در سیستم ها با Ray تقسیم و توزیع کرد.

    سینتکس Ray مینیمال است، بنابراین برای موازی سازی آنها نیازی به استفاده مجدد از برنامه های موجود نیست. دکوراتور ray.remote@ تابع را در هر گره موجود در یک خوشه Ray را با پارامترهای مشخص شده برای تعداد CPU یا GPU های خاص توزیع می کند. نتایج هر تابع توزیع شده به عنوان آبجکت پایتون بازگردانده می شود، بنابراین مدیریت و ذخیره آنها آسان است و میزان کپی برداری در داخل یا درون گره ها به حداقل می رسد. به عنوان مثال، این ویژگی آخر هنگام برخورد با آرایه های NumPy مفید است.

    Ray حتی شامل مدیر خوشه داخلی خود نیز می باشد که می تواند بطور خودکار گره ها را در صورت نیاز بر روی سخت افزار لوکال یا پلتفرم های رایانش ابری هدایت کند.

    Dask

    از بیرون، Dask بسیار شبیه Ray است. همچنین، این کتابخانه برای محاسبات موازی توزیع شده در پایتون است، با سیستم برنامه ریزی تسک خاص خود، آگاهی از دیتا فریمورک های پایتون مانند NumPy، و امکان مقیاس بندی از یک دستگاه به بسیاری دیگر را فراهم می کند.

    Dask به دو روش اساسی کار می کند. اولین مورد از طریق ساختار داده های موازی که در اصل، ورژن شخصی شده Dask از آرایه های NumPy، لیست ها، یا دیتا فریم های Pandas است. در ورژن های Dask از آن سازه ها برای مبادله پیش فرض های خود استفاده کنید. Dask به طور خودکار اجرای آنها را در خوشه شما پخش می کند. این به طور معمول چیزی بیش از تغییر نام یک ایمپورت را شامل می شود، اما ممکن است بعضی مواقع نیاز به بازنویسی کامل برای کار داشته باشد.

    راه دوم از طریق مکانیسم های موازی سازی سطح پایین Dask، از جمله دکوراتورهای تابعی است که بسته های مختلف تسک ها را بر روی گره ها انجام می دهد و نتایج را همزمان (حالت "بلادرنگ") یا غیر همزمان ("تنبل") باز می گرداند. هر دو حالت را نیز می توانید در صورت نیاز میکس کنید.

    یک تفاوت اساسی بین Dask و Ray در مکانیزم زمانبندی است. Dask از یک زمانبند متمرکز استفاده می کند که کلیه تسک ها را برای یک خوشه انجام می دهد. ray غیر متمرکز است، به این معنی که هر دستگاه زمانبندی خود را اجرا می کند، بنابراین هر مسئله ای با تسک برنامه ریزی شده در سطح یک دستگاه قرار می گیرد، نه کل خوشه.

    Dask همچنین یک ویژگی پیشرفته و در عین حال تجربی به نام "actors" ارائه می دهد. actors آبجکتی است که به یک جاب در گره دیگر Dask اشاره می کند. به این ترتیب، شغلی که به لوکال استیت زیادی احتیاج دارد می تواند درجا اجرا شود و توسط گره های دیگر از راه دور فراخوانی شود، بنابراین استیت برای این کار نیازی به تکرار ندارد. Ray فاقد چنین ویژگی مانند مدل actors برای پشتیبانی از توزیع پیشرفته جاب در سطح بالا است.

    Dispy

    Dispy به شما امکان می دهد تا کل برنامه های پایتون یا فقط تابع های فردی را در یک دسته از ماشین ها برای اجرای موازی توزیع کنید. این برنامه از مکانیزم های نیتیو پلتفرم برای ارتباطات شبکه برای سریع تر و کار آمد نگه داشتن امور استفاده می کند، بنابراین دستگاه های لینوکس، MacOS و ویندوز به اندازه یکدیگر خوب کار می کنند.

    سینتکس Dispy تا حدودی شبیه به پردازش چندگانه است زیرا صریحاً یک خوشه ایجاد می کنید (جایی که انجام چند پردازش باعث می شود که شما یک استخر فرآیند ایجاد کنید)، کار را به خوشه ارسال کنید، و سپس نتایج را بازیابی کنید. برای تغییر جاب ها برای کار با Dispy ممکن است کمی کار بیشتری لازم باشد، اما شما همچنین می توانید کنترل دقیقی در مورد نحوه ارسال و بازگشت آنها داشته باشید. به عنوان مثال، می توانید نتایج موقت یا نیمه تمام شده را برگردانید، فایل ها را به عنوان بخشی از فرایند توزیع جاب انتقال دهید و هنگام انتقال داده از رمزگذاری SSL استفاده کنید.

    Pandaral·lel

    همانطور که از نام آن برمی آید، Pandaralikurlel راهی برای اجرای موازی کردن جاب Pandas در گره های متعدد است. نکته منفی این است که Pandaraloothlel فقط با Pandas کار می کند. اما اگر از پانداس استفاده می کنید و تنها چیزی که می خواهید روشی برای تسریع در جاب Pandas در هسته های مختلف بر روی یک سیستم واحد باشد، Pandaralikurlel مانند لیزر متمرکز است.

    توجه داشته باشید که در حالی که Pandaral·lel روی ویندوز اجرا می شود، فقط از نشست های پایتون که در ساب سیستم ویندوز برای لینوکس راه اندازی شده است، اجرا خواهد شد. کاربران MacOS و Linux می توانند Pandarallel as-is را اجرا کنند.

    Ipyparallel

    Ipyparallel یکی دیگر از سیستم های پردازش و توزیع تسک کاملاً متمرکز است، به طور خاص برای موازی کردن اجرای کد Jupyter notebook در سراسر یک خوشه استفاده می شود. پروژه ها و تیم هایی که قبلاً در Jupyter کار می کرده اند، می توانند بلافاصله استفاده از Ipyparallel را شروع کنند.

    Ipyparallel از روش های زیادی برای موازی سازی کد پشتیبانی می کند. در انتهای ساده، نقشه ای وجود دارد که هر تابعی را برای یک دنباله اعمال می کند و کار را به طور مساوی در گره های موجود تقسیم می کند. برای کار پیچیده تر، می توانید تابع های خاصی را سفارشی کنید تا همیشه از راه دور یا موازی اجرا شود.

    Jupyter notebook از "magic commands" پشتیبانی می کنند و فقط در یک محیط نوت بوک امکان پذیر است. Ipyparallel چند دستور جادویی از خود اضافه می کند. به عنوان مثال، می توانید هر عبارت Python را با px% پیشوند دهید تا به طور خودکار آن را موازی کنید.

    Joblib

    Joblib دو هدف اصلی دارد: جاب ها را به صورت موازی اداره کنید و اگر چیزی تغییر نکرده است نتایج را بازگشت ندهید. این کارآیی ها باعث می شود که Joblib برای محاسبات علمی مناسب باشد، جایی که نتایج تجدید پذیر قابل دفاع هستند. مستندات Joblib مثال های زیادی در مورد چگونگی استفاده از تمام ویژگی های آن ارائه می دهد.

    سینتکس Joblib برای موازی سازی جاب به اندازه کافی ساده است و آن را به یک تزئین کننده اختصاص می دهد که می تواند برای تقسیم کار در پردازنده ها یا نتایج ذخیره سازی استفاده شود. جاب های موازی می توانند از موضوعات یا فرایندها استفاده کنند.

    Joblib شامل یک حافظه پنهان دیسک برای آبجکت های پایتون است که توسط محاسبات جاب ها ایجاد شده است. این حافظه نهان نه تنها به Joblib کمک می کند تا از تکرار کار خودداری کند، همانطور که در بالا گفته شد، می تواند برای تعلیق و از سرگیری جاب های با اجرای طولانی یا انتخاب محل جاب پس از کراش نیز استفاده شود. حافظه پنهان همچنین برای اشیاء بزرگ مانند آرایه های NumPy به صورت هوشمند بهینه شده است. مناطقی از داده ها را می توان با استفاده از NumPy.memmap بین پردازش های موجود در همان سیستم در حافظه به اشتراک گذاشت.

    یک مورد که Joblib ارائه نمی دهد راهی برای توزیع جاب ها در چندین رایانه جداگانه است. از نظر تئوری امکان استفاده از خطوط ارتباطی Joblib برای این کار وجود دارد، اما استفاده از فریمورکی که بطور نیتیو از آن پشتیبانی می کند، احتمالاً آسان تر است.

    آیا یادگیری برنامه نویسی با پایتون به درد آینده شغلی من می خورد؟

    قبل از شروع سفر به یادگیری زبان برنامه نویسی، اولین چیزی که باید به آن فکر کنید انگیزه شماست.

    بسته به مسیر شغلی که می خواهید انتخاب کنید، انتخاب های شما متفاوت خواهد بود. اگر می خواهید در مهندسی نرم افزار سنتی کار خود را دنبال کنید، شروع برنامه نویسی با C ، سی پلاس پلاس یا Java احتمالاً بهترین شرط شماست، زیرا آنها اغلب در صنعت استفاده می شوند و منابع زیادی در مورد آنها وجود دارد.

    با این حال، اگر می خواهید وارد علم داده یا تحلیل داده شوید، بهترین شرط شما این است که با Python شروع کنید، زیرا پایتون یکی از زبان های برنامه نویسی defacto برای کار با داده است. مزیت دیگر این است که پایتون ساده تر از سی، سی پلاس پلاس یا جاوا است. همچنین با یادگیری پایتون موانع ورود شما درعلم داده و پایتون بسیار کمتر خواهد بود. پایتون شامل ابزارها و بسته های مختلفی برای کار با داده ها است، از بسته های دستکاری داده مانند pandas گرفته تا بسته های مصورسازی داده مانند Matplotlib و Seaborn، تا بسته های یادگیری ماشینی مانند scikit-learn و موارد دیگر.

    R همچنین گزینه دیگری برای یادگیری علم داده است. R تنها گزینه محبوب برای پایتون درعلم داده است و بیشتر در تحقیق و توسعه، تجزیه و تحلیل آماری، تجزیه و تحلیل داده ها و ایجاد داشبورد استفاده می شود. یکی از اصلی ترین برنامه های آن، shiny است که به شما امکان می دهد به راحتی داشبورد های مبتنی بر وب را برای گزارش و برقراری ارتباط داده ها ایجاد کنید.

    اگر شما علاقه مند به دنبال یک مسیر یادگیری برای R و Python هستید، به شما توصیه می کنیم دوره های مربوط به این بخش را از مدرس های برگی همچون مش همدانی دنبال کنید.

    اگر شما یک مبتدی هستید می توانید از دوره های زیر استفاده کنید:

    اگر شما دانش اولیه پایتون را دارید می توانید از دوره های زیر استفاده کنید:

    نظرتون درباره این نوشته چیه؟ عالیه بد نیست خوب نبود