روزمرگی های یک برنامه نویس

سلام بعد از یه مدت طولانی 😃 امروز یه مخزن باحال داریم که نمونه های مختلفی از آموزش، استنتاج و معیار ها و برنامه هایی که از Deep Speed استفاده میکنه. حالا deep speed چیه؟ ا DeepSpeed یک کتابخانه نرم‌افزاری متن‌باز است که به منظور بهبود عملکرد مدل‌های یادگیری عمیق توسط تیم تحقیقاتی مایکروسافت توسعه یافته است. این کتابخانه از تکنیک‌ها و بهینه‌سازی‌های مختلفی برای افزایش سرعت و کارایی مدل‌های یادگیری عمیق استفاده می‌کند. یکی از ویژگی‌های جالب آن، ZeRO-3 نام دارد که به بهبود عملکرد موازی‌سازی GPUها کمک می‌کند. ا DeepSpeed به خصوص برای مدل‌های آموزشی بزرگ و پرسرعت که نیاز به پردازش موازی دارند، مناسب است. این کتابخانه از تقسیم مدل و بهینه‌سازی حافظه به شیوه‌های هوشمندانه‌ای استفاده می‌کند، که به محققان و توسعه‌دهندگان امکان می‌دهد با کار کردن با مدل‌های بزرگ‌تر و پیچیده‌تر، به نتایج بهتری دست یابند. اگر به دنبال افزایش عملکرد مدل‌های یادگیری عمیق خود هستید، حتماً DeepSpeed را بررسی کنید و از این کتابخانه متن‌باز برای بهبود سرعت و کارایی پروژه‌های خود بهره ببرید. لینک DeepSpeed لینک مخزن مثال ها @lython

✅ ترفند پایتونی: آیا من میتونم یک عدد بزرگ رو به عنوان متغیر تعریف میکنم ولی وقتی میخوام بخونمش ی طوری جداش کنم که خوندنش هم راحت باشه؟ جواب: میشه، کافیه با استفاده از _ عدد رو جدا کنید تا هم خودتون به راحتی بتونید عدد رو بخونید هم تغییری تو متغیر ایجاد نشه مثال : testNum = 10_000_000_000 print(testNum) >>> 10000000000 @lython

✅ هر وقت صحبت از شیء گرایی و ارث بری میشه پای Mixin هم میاد وسط. اما دقیقا چیه؟ Mixin توی پایتون یک الگو هستش و کدهایی که از این الگو بهره می‌برند کلمه‌ی کلیدی خاصی یا چیز اضافه‌تری ندارند. فرض کنین ما می‌خواهیم یک متد جدید به یک کلاس اضافه کنیم تا `کارایی` یا Functionality اون رو زیاد کنیم. اینجا میشه از Mixin استفاده کرد. مثلا کلاس‌های زیر رو در نظر بگیرید. class Vehicle:     pass class Car(Vehicle):     pass class Van(Vehicle):     pass class Motorcycle(Vehicle):     pass حالا نیاز داریم که متد play music رو هم به این کلاس ها اضافه کنیم، دوتا راه داریم. اولیش اینه که: class Vehicle:     pass class Car(Vehicle):     def play_music(self):         print("play_music") class Van(Vehicle):     def play_music(self):         print("play_music")     class Motorcycle(Vehicle):     pass اما یک ایرادی وجود داره. اینجا خودمون رو تکرار کردیم. درواقع اومدیم دوبار یک تکه کد رو تکرار کردیم و این از نظر کدینگ وجه خوبی نداره. پس این راه حل ما نیست. روش دوم اینه بیایم به بیس کلاسمون یعنی Vehicle یک متد تحت عنوان play_music اضافه کنیم. class Vehicle:     def play_music(self):         print("play_music") class Car(Vehicle):     pass class Van(Vehicle):     pass class Motorcycle(Vehicle):     pass اما در این صورت کلاس موتورسیکلت هم دارای رفتار پخش موزیک خواهد شد و این اشتباه است. اینجا است که Mixin خودش رو نشون می‌ده. به کد زیر توجه کنید. class Vehicle:     pass class PlayMusicMixin:     def play_music(self):         print("play_music") class Car(Vehicle, PlayMusicMixin):     pass class Van(Vehicle, PlayMusicMixin):     pass class Motorcycle(Vehicle):     pass درواقع از کلاس PlayMusicMixin قرار نیست هیچ شیٔ ای ساخته شود و صرفا مهم این است که کارایی کلاس‌های خاصی را افزایش شود. پ.ن: اون کلمه‌ی Mixin انتهای اسم کلاس هم قراردادیه، بهتره نوشته بشه ولی اجبار نداره. باتشکر از @miladseyfii @lython

✅ برنامه‌نویسی غیرهمزمان (Asynchronous) برنامه‌نویسی غیرهمزمان یکی از مفاهیم مهم در توسعه نرم‌افزار است که به شما امکان می‌دهد عملیات‌های مختلف را به طور همزمان و بدون مسدود کردن (Blocking) برنامه اجرا کنید. این روش به ویژه برای بهبود کارایی برنامه‌ها در زمان اجرای عملیات‌های I/O مثل درخواست‌های شبکه، خواندن و نوشتن فایل‌ها ودیگر فرایند ها مفید است. ◀️ مفاهیم کلیدی: 1. حلقه رویداد (Event Loop): هسته اصلی اجرای کدهای غیرهمزمان که مسئول مدیریت وظایف مختلف است. 2. کوروتین (Coroutine): نوع خاصی از تابع که می‌تواند متوقف و از سر گرفته شود. کوروتین‌ها با async def تعریف می‌شوند. 3. انتظار (Await): برای متوقف کردن اجرای یک کوروتین تا تکمیل شدن یک وظیفه دیگر استفاده می‌شود. 4. وظیفه (Task): یک کوروتین زمان‌بندی شده برای اجرا به طور همزمان با سایر وظایف. ◀️ مثال ساده: import asyncio async def say_hello(): print("hello!") await asyncio.sleep(1) # delay simulation print("world!") asyncio.run(say_hello()) ◀️ مثال پیشرفته‌تر: import asyncio async def fetch_data(name, delay): print(f"started {name}") await asyncio.sleep(delay) print(f"ended {name}") return f"result {name}" async def main(): tasks = [ asyncio.create_task(fetch_data('data 1', 2)), asyncio.create_task(fetch_data('data 2', 3)), asyncio.create_task(fetch_data('data 3', 1)), ] results = await asyncio.gather(*tasks) print("results:", results) asyncio.run(main()) @lython

✅موارد مناسب برای استفاده از کوروتین‌ها ◀️ عملیات‌های I/O-محور: وقتی برنامه شما نیاز به اجرای تعداد زیادی عملیات I/O مانند خواندن و نوشتن فایل، ارتباطات شبکه‌ای (مثل درخواست‌های HTTP)، ارتباط با پایگاه‌های داده، و غیره دارد، کوروتین‌ها می‌توانند به طور همزمان این عملیات‌ها را مدیریت کنند بدون اینکه برنامه مسدود شود. ◀️ انتظار برای منابع خارجی: زمانی که برنامه شما نیاز دارد منتظر پاسخ از سرورهای خارجی، دیتابیس‌ها یا سایر منابع باشد. استفاده از await در کوروتین‌ها به برنامه اجازه می‌دهد که در حین انتظار برای این پاسخ‌ها به اجرای سایر کدها ادامه دهد. ◀️ مدیریت تعداد زیادی از کارهای کوچک و مستقل: وقتی باید تعداد زیادی وظایف کوچک و مستقل را مدیریت کنید که نیاز به همزمانی دارند، کوروتین‌ها می‌توانند به شما کمک کنند تا بدون سربار زیاد، این وظایف را به طور کارآمد مدیریت کنید. ◀️ زمانبندی و تأخیر در اجرای کد: اگر نیاز دارید تا اجرای کدها را با تأخیر خاصی انجام دهید یا عملیات‌های دوره‌ای را برنامه‌ریزی کنید، کوروتین‌ها می‌توانند با استفاده از asyncio.sleep و سایر امکانات asyncio این کارها را به خوبی انجام دهند. @lython

✅Polymorphism in python از مهم‌ترین بحث‌ها در شئ‌گرایی میشه به Polymorphism اشاره کرد. معنای این مفهوم یعنی که بتونیم از یک متد یکسان برای انواع آبجکت‌ها استفاده کنیم. کد زیر خودش گویاست. text = 'Hello World' numbers = [1, 2, 3] print(len(text)) # 11 print(len(numbers)) # 3 براش مهم نیست که چه نوعی به عنوان ورودی می‌گیره. صرفا داره کار خودش رو می‌کنه چون برای جفت این کلاس‌ها متد len با توجه به نوع ورودی تعریف شده است و این همون چندریختی یا Polymorphism هستش. خب این قدرت پایتونه که انقدر خوب همه چیو داره هماهنگ می‌کنه. اما در کل سه نوع روش پیاده سازی Polymorphism وجود دارد. 1- Method Overriding 2- Method Overloading 3- Operator Overloading ------------------------------ 1-Method Overriding فرض کنید که کلاس LittleFish از کلاس Animal ارث‌بری می‌کند. در این‌صورت خواهیم داشت. class Animal: def breathe(self): print("I breathe oxygen.") def feed(self): print("I eat food.") class LittleFish(Animal): def feed(self): print("I eat plankton.") نکته‌های جالبی توی تکه کد بالاست. چون کلاس LittleFish از کلاس Animal ارث‌بری کرده پس متد feed جایگزین متد همنامی میشه که در کلاس والد موجوده. اما صرفا برای کلاس LittleFish به این شکل است و متد feed در کلاس LittleFish به اصطلاح Override شده است در مقایسه با متد feed در کلاس Animal. به کد زیر توجه کنید. LittleFish().feed() # I eat plankton. LittleFish().breathe() # I breathe oxygen. Animal().feed() # I eat food. اما همانطور که می‌بینید در سطح کلاس Animal هنوز متد feed همانی است که در آن تعریف شده‌است. -------------------------- 2-Method Overloading حالا یه بحث دیگه‌ای داریم تحت این عنوان بالا. این توی پایتون پشتیبانی نمیشه. فرض کنیم توی کلاس Animal یه متد دیگه تحت عنوان breath تعریف می‌کنیم‌. مثال زیر رو ببینید. class Animal: def breathe(self): print('I breathe oxygen.') def breathe(self): print('I breathe O2 + N2.') درواقع اگر در یک کلاس دو متد همنام تعریف کنیم با این که اروری برنمی‌گردد ولی صرفا دومی فعال خواهد شد. مهم نیست که متد چکاری انجام می‌دهد صرفا نا… خواندن کامل ←

Type Hinting in python - Part1 *قابل ذکر است که مطالب این پست از نسخه‌ی ۳.۵ به بعد در پایتون قابل استفاده است. ابتدا مفهوم static type checker رو بررسی می‌کنیم تا متوجه موضوع بشویم. در ویکی پدیا به روشنی بیان شده است که: Static type checking is the process of verifying the type safety of a program based on analysis of a program's text (source code). 👨🏻‍💻در واقع safety کد رو از منظر text و نه زمانی که قرار است ران شود بررسی می‌کند، در ادامه نیز می‌بینیم که گاهی اوقات این شیوه تحلیل کد ارور برمی‌گرداند ولی اجرای فایل پایتونی بدون مشکل و باگ است. 👨🏻‍💻برای چک کردن و آنالیز کد خود با استفاده از این روش از ابزار mypy بهره می‌بریم. استفاده از این روش readability کد را افزایش می‌دهد و همچنین روشی اختیاری است. صورت استفاده از type hinting بدین شکل است: a: int = 5 b: int = 3.5 تایپ دو متغیر int در نظر گرفته شده است ولی در متغیر b عدد اعشاری ریخته شده است. 👨🏻‍💻دقت شود که run کردن این کد بدون مشکل و ارور است. ولی وقتی در ترمینال فایل پایتون را با دستور mypy اجرا می‌کنیم استاتیک چکینگ شروع می‌شود. در نهایت این خطا در ترمینال مشاهده می‌شود. python_file.py:2: error: Incompatible types in assignment (expression has type "float", variable has type "int") Found 1 error in 1 file ( checked 1 source file) اجرا بوسیله‌ی mypy خطای Incompatible type می‌دهد که قابل تصور بود. اما برای توابع، صورت تایپ هینت به شکل زیر است. def func(inp1: str, inp2: int,          inp3: float) -> int:     print(inp1)     return int(inp1 + inp2) دقت شود که  خروجی تایپ مقداری که تابع قرار است برگرداند  نیز بوسیله کارکترهای  <-  مشخص شده است. 👨🏻‍💻دقت شود برای توابعی که فاقد کلمه‌ی کلیدی return هستند باید تایپ None تعریف گردد. def func(inp1: str, inp2: int,          inp3: float) -> None:     print(inp1, inp2, inp3) دقت شود بوسیله‌ی attribute زیر می‌توان به تایپ توابعی که تعریف کردیم دسترسی پیدا کرد. print(func.__annotation__) صورت تایپ هینت‌ها در متغیرها و توابع بررسی شد و نوبت به کلاس‌ها رسیده است. برای تعریف تایپ هینت class attributeها بهتر است از ClassVar از ماژول typing استفاده شود. البته به شکل دیگری … خواندن کامل ←

Type Hinting in Python- part 2 ✓ اما برای تایپ هینت انواع داده‌ی دیگر مثل list , set و dict ها و ... خواهیم داشت: x: list[int] = [1] x: set[int] = {6, 7} x: dict[str, float] = {"num": 2.0} x: tuple[str, float] = ("yes", 7.5) ✓ نکته: برای دیکشنری درون آکولاد تایپ key و value  دیکشنری با str و float  مشخص شده است. یعنی دیکشنری که در x ریخته می‌شود باید از این قانون تبعیت کند تا mypy اررور برنگرداند. ✓ دقت شود که کد بالا برای پایتون 3.9 به بعد است و برای نسخه‌های قبل از آن از کد زیر استفاده می‌شود که موارد زیر ابتدا باید از ماژول typing ایمپورت شوند. from typing import List, Set, Dict, Tuple x: List[int] = [1] x: Set[int] = {6, 7} x: Dict[str, float] = {"field": 2.0} x: Tuple[int, str, float] = (3, "yes", 7.5) ✓ قابل ذکر است که تایپ هینت متد‌ها در یک کلاس، به شکل توابع تعریف می‌گردد که قبلا توضیح داده شد. ✓ به کد زیر دقت کنید که مفهوم تایپ هینت Any را می‌رساند. Any به معنای هر توع تایپی در نظر گرفته می‌شود. در واقع اگر هیچ تایپی برای متغیری تعریف نگردد، برای آن Any لحاظ می‌گردد. برای مثال می‌توان به متغیر x لیست، دیکشنری کلاس تابع و یا هر ورودی دیگری داد. دو تابع زیر که تعریف شده در واقع از نظر mypy یکی است. from typing import Any def func1(x):     pass def func2(x: Any):     pass ✓ اما به نظر بخش جالب ماجرا در تایپ هینت Callable است. این تایپ برای وقتی مفید است که ورودی یک تابع، یک یا چند تابع دیگر است. آنوقت می‌توان توع ورودی را بوسیله‌ی Callable  با mypy چک کرد. سینتکس آن به شکل زیر است. Callable[[arg1, arg2, ...], return type] برای مثال در کد زیر دو تابع تعریف شده و به عنوان ورودی به تابع سوم داده خواهد شد. def func1(a: int, b: str) -> None:     pass def func2(results: Any) -> None:     pass def func3(d: Callable[[int, str], None], c: Callable[[Any], None]) -> None:     pass @lython

Data Class in python- part 1 ✓ طبق تعریف کتاب وزین Fluent Python می‌توان تعریف جالبی برای دیتا کلاس‌ها ارائه داد. Python offers a few ways to build a simple class that is just a collection of fields, with little or no extra functionality. p163 ✓ درواقع دیتا کلاس‌ها ذاتا ظرفی هستن برای نگه‌داری داده‌ها، متدها در این نوع کلاس نقش بسیار کم‌رنگی ایفا می‌کنند یا حتی می‌توان گفت، هیچ نقشی ندارند. مگر این که کاربرد متدی به نگه‌داری یا تغییر داده‌ها مربوط باشد. به هر حال می‌توان به سه نوع نوشتن دیتا کلاس‌ها اشاره کرد. 1- @dataclasses.dataclass (python +3.7) 2- collections.namedtuple (python +2.6) 3- typing.NamedTuple (python +3.6) ✓ کتاب مثال جالبی زده است، فرض کنید که ما صرفا می‌خواهیم کلاسی تحت عنوان Coordinate تعریف کنیم که مختصات را در خود ذخیره کند. class Coordinate:     def __init__(self, lat, lon):         self.lat = lat         self.lon = lon ✓ این کلاس به راحتی قابل تعریف بود، اما ایراداتی را دارد که در ادامه به بیان آن‌ها خواهیم پرداخت. به کد زیر دقت کنید. moscow = Coordinate(55.76, 37.62) location = Coordinate(55.76, 37.62) ✓ دقت شود که مختصات جفت این ها یکسان است ولی وقتی  با == دو لوکیشن را مقایسه می‌کنیم به نتیجه دلخواه نخواهیم رسید زیرا مکان آن دو در حافظه درحال مقایسه است. >>> location == moscow False >>> moscow <coordinates.Coordinate object at 0x107142f10> ✓ پس دو مشکل اصلی را در حال نظاره‌ایم، یکی این که مجیک متد __repr__  را باید بازنویسی کنیم و به بازنویسی مجیک متد __eq__ نیز نیازمندیم. در ادامه از  اولین نوع دیتا کلاس استفاده خواهیم کرد. به کد زیر دقت کنید. from dataclasess import dataclass @dataclass(frozen=True) class Coordinate:     lat: float     lon: float moscow = Coordinate(lat= 55.76, lon= 37.62 ) location = Coordinate(lat= 55.76, lon= 37.62 ) ✓ دقت شود که این نوع دیتا کلاس از تایپ هینت برای تعریف خود استفاده می‌کند و تایپ هینت یک نوع نوشتن آپشنال و اختیاری است و به هیچ عنوان قرار هم نیست که اجباری شود و فقط یک استثنا دارد آن هم دیتا کلاس است که باید در آن این Annotation رعایت گردد. ✓ مقدار frozen برابر True قرار داده شده، تا کلاس … خواندن کامل ←

✅ا Decorators یکی از قابلیت‌های پیشرفته و بسیار قدرتمند پایتون هستند که برای تغییر یا افزایش قابلیت‌های توابع یا کلاس‌ها استفاده می‌شوند، بدون اینکه نیاز به تغییر کد اصلی آن‌ها باشد. بیایید به طور کامل با این مفهوم آشنا شویم. ◀️ا Decorators در واقع توابعی هستند که به عنوان ورودی یک تابع دیگر را می‌گیرند و یک تابع جدید برمی‌گردانند که معمولاً رفتار تابع ورودی را تغییر می‌دهد یا بهبود می‌بخشد. چرا از Decorators استفاده می‌کنیم؟ ا Decorators به ما این امکان را می‌دهند که: کد قابل استفاده مجدد بنویسیم: می‌توانیم منطق اضافی مانند ثبت لاگ، احراز هویت، بررسی نوع داده‌ها و ... را در یک مکان مرکزی قرار دهیم. جداسازی منطق: می‌توانیم منطق Decorators را از منطق اصلی تابع جدا کنیم. کاهش تکرار کد: با استفاده از Decorators می‌توانیم از نوشتن کد تکراری در مکان‌های مختلف جلوگیری کنیم. مثال ساده از Decorators فرض کنید می‌خواهیم یک Decorators بنویسیم که زمان اجرای یک تابع را اندازه‌گیری کند. ابتدا، یک تابع Decorators تعریف می‌کنیم: import time def time_decorator(func): def wrapper(*args, **kwargs): start_time = time.time() result = func(*args, **kwargs) end_time = time.time() print(f"Execution time of {func.__name__}: {end_time - start_time} seconds") return result return wrapper حالا می‌توانیم از این Decorators برای یک تابع استفاده کنیم: @time_decorator def example_function(): time.sleep(2) print("Function executed") example_function() توضیح کد تعریف Decorators: time_decorator یک تابع است که تابع دیگری (func) را به عنوان ورودی می‌گیرد. تعریف یک تابع داخلی (wrapper): این تابع داخلی تابع اصلی را احاطه می‌کند و وظیفه اندازه‌گیری زمان اجرای تابع اصلی را بر عهده دارد. استفاده از @time_decorator: با استفاده از @time_decorator قبل از تعریف تابع example_function، تابع example_function با Decorators پیچیده می‌شود. حالا هر وقت example_function فراخوانی شود، در واقع wrapper اجرا می‌شود. نتیجه هنگامی که example_function را فراخوانی می‌کنیم، خروجی به صورت زیر خواهد بود: Function executed Execution ti… خواندن کامل ←

Data class in python- part 2 ✓ در part1 دیتا کلاس بوسیله‌ی دکوراتور dataclass@ را معرفی کردیم. دقت شود همانطور که گفته شد، Annotation type فقط برای ایجاد این کلاس اجباری است. اما دیتا کلاس به روشی که در پست قبل ایجاد کردیم صرفا Instance attribute ها را ایجاد می‌کند. برای ایجاد class attributeها می‌توان از  []ClassVar استفاده کرد. from dataclasess import dataclass from typing import ClassVar @dataclass(frozen=True) class Sample:     ins_att: int     cls_att: ClassVar[str] = "Python" sample = Sample(ins_att=20) print(sample.ins_att)    # 20 print(sample.cls_att)    # python به مقادیری که دیتاکلاس درحال نگاه‌داری آن‌هاست field نیز می‌گویند. ✓ دکوراتور دیتاکلاس می‌تواند چندین ورودی موثر بگیرد که برای نمونه frozen را توضیح دادیم. اگر مقدار frozen برابر True شود، پس از ایجاد شیٔ از کلاس، نمی‌توان مقادیر داده‌ها را تغییر داد. آرگومان‌های پرکاربرد دیگر dataclass@ را می‌توان به شرح زیر توصیف کرد. eq, repr, ord ✓ آرگومان repr, eq به صورت پیشفرض برابر True هستند ولی مقدار ord برابر False است. آرگومان repr و eq به صورت پیشفرض مجیک متدهای repr  و eq را که در پست قبل توضیح دادیم فعال می‌کنند. در ادامه به توضیح آرگومان ord می‌پردازیم. ✓ آرگومان ord اگر برابر True شوند، مجیک متدهای lt, le, gt, gl, را به طور خودکار تولید خواهد کرد. اصولا اگر طرز استفاده‌ی صحیح از مجیک متدها رو بیاموزیم خواهیم دید که هم مؤثرتر و هم کم‌تر کد خواهیم زد و این وجه تمایز کسی است که در هر حوزه‌ای از پایتون به غایت بهره می‌برد و یا کسی که صرفا مقداری سینتکس حفظ کرده است. دانستن این چنین مفاهیمی و کاربست آن‌هاست که ما را برنامه‌نویس خواهد کرد. در پست‌های آینده حتما به این موارد خواهیم پرداخت. ✓ اگر نیاز به تغییرات جزئی پس از مقداردهی متغیرها باشد می‌توان متد زیر را برای این امر تعریف کرد. __pose_init__ ✓ به کد زیر دقت کنید، این صرفا یه تغییر جزئی است البته می‌توان به هر صورت که نیاز است این متد را تعریف کرد. ✓ دقت شود که این متد درست پس از فراخوانی خودکار init صدا زده می‌شود و تغییرات اعمال خواهد شد. کد زیر خود گویای مطلب است. from dataclasses import dataclass @dataclass class WebName:     we… خواندن کامل ←

✅Namedtupe for dataclasess ✓ فرض کنید که ما برای تعداد زیادی شخص داریم که از هر کدام اطلاعات کمی مثل، نام، کدملی، شماره تلفن خواهیم داشت. چون این اطلاعات ذاتا تغییر پذیر نیستند یا به عبارتی دیگر immutable اند، لازم نیست از دیکشنری‌ها برای تعریف اطلاعات هر شخص استفاده کنیم. می‌دانیم که درواقع چیزی بین توپل‌ها و دیکشنری‌ها لازم است. بهترین انتخاب در این بین named tuple ها هستند. این‌ها درواقع از کلاس توپل‌ها ارث‌بری خواهند کرد پس تمام ویژگی و متدهای توپل‌ها را به ارث برده‌اند. پس می‌توان مثل دیکشنری‌ها از آن‌ها بهره برد در حالی که به اندازه‌ی توپل‌ها حافظه را پر می‌کنند. طبق خود داکیومنت پایتون می‌توان بیان کرد که: so they are lightweight and require no more memory than regular tuples. استفاده از این ساختارها خوانایی را افزایش داده و pythonic تر است. from collection import namedtupe Point = namedtuple('Point', ['x', 'y']) p = Point(x=11, y=22) ✓ مثل پست قبلی درباره‌ی دیتا کلاس‌ها، این ساختار نیز از مجیک متد repr کاربردی و استانداردی برخوردار است. >>>p Point(x=11, y=22) اما این ساختار‌ها از سه متد و دو ویژگی اضافی‌تر نسبت به توپل‌ها برخوردارند. 1-somenamedtuple._make(iterable) ✓ این متد، یک شیٔ iterable خواهد گرفت و یکی یکی عناصر اون رو داخل filedهای تعریف شده در کلاس (که این جا همون x و y هستش قرار خواهد داد.) >>>t = [11, 22] >>>Point._make(t) Point(x=11, y=22) --------------------------------------- 2- somenamedtuple._asdic() ✓ وقتی این متد اجرا شود، یک دیکشنری برمی‌گرداند که حاوی fieldها و مقادیر اونهاست. >>>p = Point(x=11, y=22) >>>p._asdict() {'x': 11, 'y': 22} --------------------------------------- 3- somenamedtuple._replace() ✓ این متد به درد وقتی می‌خورد که بخواهیم مقادیر یکی از فیلد‌هایی که تعریف کردیم را پس از نمونه‌سازی تغییر دهیم. >>>p = Point(x=11, y=22) >>>p._replace(x=33) Point(x=33, y=22) --------------------------------------- 1- somenamedtuple._fields ✓ این ویژگی را صرفا برای named tupleها شرح خواهیم داد. این ویژگی شیٔ توپلی است که حاوی نام فیلد‌هایی است که تعریف کردیم. >>>p._fields ('x', 'y') @lython

Slots (Special Methods - Part 1) ✓ یک special attribute به نام slots هستش که با استفاده کردن از اون در کلاس هامون و بخصوص دیتا کلاس ها پرفورمنس استفاده از از کلاس رو چه در قسمت حافظه و چه در قسمت سرعت دسترسی به instance attribute ها افزایش بدهیم. به کد زیر دقت کنید، ابتدا سعی داریم یک دیتا کلاس ایجاد کنیم و نحوه ی استفاده از dict را نیز بیان کنیم. class DataClass:     def __init__(self, d1, d2):         self.d1 = d1         self.d2 = d2 object = DataClass(1, 2) print(object.__dict__) object.c3 = 3 print(object.__dict__) خروجی کد بالا به شکل زیر است. در واقع می دانیم که می توان پس از مقداردهی و ایجاد شی مورد نظر به تمام Instacne Attribute های آن شی بوسیله ی dict دسترسی داشت. {'d1': 1, 'd2': 2} {'d1': 1, 'd2': 2, 'd3': 3} ✓قابل ذکر است که چون دسترسی به ویژگی های درون شی و تغییرات و اضافه کردن آن ها مجاز است پس با اضافه کردن ویژگی به شی پس از ایجاد شی، به Special Attribute که ذکر کردیم نdictظور __dict__ است.) ✓ اما کاربرد Slot به چه شکل است؟ 1- افزایش سرعت دسترسی به ویژگی ها 2-کاهش مصرف حافظه ✓ ۲ مزیت ذکر شده مرهون استفاده از همین یک خط کد در کلاس هاست و بخصوص کلاس هایی که قرار است ویژگی های زیادی داشته باشد و همچنین اشیای فراوانی از آن کلاس ساخته شود. همانطور که گفته شد این Special Attribute دسترسی به Attribute های درون یک کلاس را محدود خواهد کرد. و دیگر نمی توان مثل کد بالا d3 را به عنوان Instance Att به کلاس خود اضافه کنیم. class DataClass:     Class(1, 2)= ('d1', 'd2')      def __init__(self, d1, d2):          self.d1 = d1          self.d2 = d2 object = DataClass(1, 2) object.d3 = 5 اگر کد بالا اجرا شود به خطای زیر برمی خوریم. قابل ذکر است که دیگر اگر slots مثل کد بالا تعریف شود دیگر دسترسی به dict نیز امکان پذیر نیست. AttributeError: 'DataClass' object has no attribute 'd3' بعلاوه می توان slots را جوری تعریف کرد که در ادامه مجاز به تعریف Instance Attribute های خاصی پس از ایجاد شی باشیم. باز به کد زیر توجه شود. class DataClass:     bject.c3 = = ('d1', 'd2', 'd3')      def __init__(self, d1, d2):          self.d1 = d1          self.d2 = d2 object … خواندن کامل ←

✅ آشنایی با MRO در پایتون (Method Resolution Order) MRO یا Method Resolution Order در پایتون ترتیب جستجوی کلاس‌های پایه رو برای فراخوانی متدها مشخص می‌کنه. این موضوع مخصوصاً توی وراثت چندگانه خیلی مهمه چون مشخص می‌کنه که وقتی یک متد فراخوانی می‌شه، پایتون از کدوم کلاس استفاده کنه. 🔎 چرا MRO مهمه؟ وقتی یک متد توی چند کلاس پایه (Parent Classes) وجود داشته باشه، پایتون از الگوریتم C3 Linearization استفاده می‌کنه تا ترتیب صحیح برای اجرای متدها رو پیدا کنه و از تداخل‌ها جلوگیری کنه. 🔧 نحوه بررسی MRO میتونی MRO یک کلاس رو با متد mro() یا ویژگی __mro__ ببینی: class MyClass: pass print(MyClass.mro()) # یا print(MyClass.__mro__) 🔍 مثال ساده: class A: def method(self): print("Method in A") class B(A): def method(self): print("Method in B") class C(B): pass c = C() c.method() # خروجی: Method in B print(C.mro()) 📊 نتیجه MRO: [<class '__main__.C'>, <class '__main__.B'>, <class '__main__.A'>, <class 'object'>] 👨‍💻 وراثت چندگانه: در وراثت چندگانه، پایتون MRO رو به این ترتیب محاسبه می‌کنه: class A: def method(self): print("Method in A") class B(A): def method(self): print("Method in B") class C(A): def method(self): print("Method in C") class D(B, C): pass d = D() d.method() # خروجی: Method in B 🔗 ترتیب MRO: [<class '__main__.D'>, <class '__main__.B'>, <class '__main__.C'>, <class '__main__.A'>, <class 'object'>] --- MRO یه مفهوم کلیدی برای مدیریت وراثت چندگانه در پایتونه که می‌تونه از تداخل‌ها جلوگیری کنه و کد رو تمیزتر کنه. برای یادگیری بیشتر، الگوریتم C3 Linearization رو بررسی کن! @lython