Python language tutorials, patterns, and best practices
95 posts
ورود و تبدیل کارآمد داده‌ها، ستون فقرات هر برنامه پایتون مستحکمی را تشکیل می‌دهد، چه یک ابزار اسکریپت‌نویسی ساده باشد و چه یک پایپلاین مهندسی داده در مقیاس بزرگ. اگرچه مدیریت فایل داخلی پایتون قدرتمند است، اما درک زمان استفاده از کتابخانه‌های استاندارد در مقابل چارچوب‌های تخصصی مانند پانداس برای عملکرد و قابلیت نگهداری حیاتی است...
در منظره پیچیده سیستم‌های توزیع‌شده، تفاوت بین یک معماری قابل نگهداری و یک کابوس دیباگ، اغلب در قابلیت مشاهده و مدیریت خطا نهفته است. با مقیاس‌پذیری میکروسرویس‌های پایتون، تکیه بر دستورات ساده print و بلوک‌های عمومی try-except غیرممکن می‌شود. برای اطمینان از تاب‌آوری، تیم‌ها باید لاگ‌نویسی ساختاریافته را پیاده‌سازی کرده و سلسله‌مراتب استثناهای سفارشی را تعریف کنند. این رویکرد نه تنها جریان داده را شفاف‌تر می‌کند، بلکه بازیابی خطاها را در سراسر مرزهای سرویس استاندارد می‌سازد.
در دنیای توسعه پایتون، سفر از یک محیط محلی تا استقرار در تولید، پر از کابوس‌های «روی ماشین من کار می‌کند» است. اگرچه اکوسیستم پایتون پیشرفت‌های قابل توجهی داشته است، اما چالش پابرجا و اصلی همچنان حل وابستگی‌ها و یکپارچگی فایل قفل باقی مانده است. هنگام ...
اکوسیستم بسته‌بندی پایتون در سال‌های اخیر دگرگونی‌های عظیمی را تجربه کرده است. برای بیش از یک دهه، setup.py به عنوان استاندارد غیررسمی برای تعریف متادیتا و الزامات ساخت پروژه عمل می‌کرد. با این حال، حرکت به سمت پیکربندی اعلانی (declarative) از طریق pyproject.toml، بنیادین‌ترین تغییر را در نحوه تفکر ما درباره توزیع نرم‌افزار ایجاد کرده است. این راهنمای جامع به شما کمک می‌کند تا با استفاده از Hatch و Build، از setup.py به pyproject.toml مهاجرت کنید و استانداردهای مدرن بسته‌بندی پایتون را امروز فرا بگیرید.
پایتون به زبان مشترک علم داده تبدیل شده است، اما تکیه اکوسیستم آن بر پایتون خالص، اغلب یک گلوگاه حیاتی را پنهان می‌کند: عملکرد. برای محاسبات عددی سنگین، دانشمندان داده اغلب به کتابخانه‌هایی روی می‌آورند که بر پایه C، C++ یا Fortran ساخته شده‌اند، مانند NumPy، SciPy و Pandas. چگونه...
در دنیای مهندسی داده، ضرب‌المثل «ورودی زباله، خروجی زباله» اغلب تحت‌الشعاع تهدید فوری‌تری به نام «ورودی داده، خروجی حافظه» قرار می‌گیرد. هنگام کار با مجموعه‌داده‌های مقیاس بزرگ—چه گیگابایت‌ها لاگ‌های سرور به فرمت CSV و چه ترابایت‌های JSON ساختاریافته از دستگاه‌های IoT—رویکرد ساده‌انگارانه‌ی بارگذاری کل فایل در حافظه با استفاده از pandas.read_csv() یا json.load() مانند دستورالعملی برای فاجعه است. پایتون...
توسعه‌دهندگان پایتون اغلب با یک معضل همیشگی روبرو هستند: چگونه عملکرد برنامه را هنگام مواجهه با ترکیبی متنوع از وظایف به حداکثر برسانند. در یک سوی طیف، وظایف محدود به ورودی/خروجی (I/O) قرار دارند، مانند کوئری‌های پایگاه داده، درخواست‌های شبکه و عملیات فایل، که در آن‌ها پردازنده در انتظار داده‌ها بیکار می‌ماند...