DailyProjects
https://www.instagram.com/p/CmOhX6NjhJu/?igshid=MmJiY2I4NDBkZg==
اینستاگرام کانال
6 · 10.8K · DailyProjects
Liskov Substitution Principle:
خانوم Barbara Liskov در سال ۱۹۸۷ یه اصلی رو به نام LSP معرفی کردن که یکی از اصول طراحی کلاس ها در object oriented programming هست.
به طور خلاصه این اصل میگه اگر تایپ B از تایپ A ارث بری میکنه، هرجایی که ما نمونه ای از تایپ A داشته باشیم باید بتونیم به جاش نمونه ای از تایپ B رو قرار بدیم بدون اینکه برنامه به مشکل بخوره. در غیر این صورت این رابطه ارث بری صحیح نیست.
مثال: فرض کنید یه کلاس base داریم به اسم Bird که یک متد داره به اسم Fly:
class Bird:
def fly(self):
print("I can fly...")
و دو تا subclass داریم به اسم Duck (اردک) و Ostrich (شترمرغ) که از Bird ارث بری میکنن:
class Duck(Bird):
pass
class Ostrich(Bird):
pass
الان اردک میتونه پرواز کنه چون یه پرنده هست، ولی آیا شترمرغ میتونه پرواز کنه؟ نه نمیتونه. آیا پرنده نیست؟ چرا هست. پس این رابطه درست نیست و اصل LSP رو رعایت نمیکنه.
رابطه ی صحیح چطور میتونه باشه؟ اینکه تشخیص بدیم اصلا Fly متد درستی برای Bird نبوده و اون رو این شکلی بازنویسی کنیم:
class Bird:
pass
class FlyingBirds(Bird):
def fly(self):
print("I can fly...")
class Duck(FlyingBirds):
pass
class Ostrich(Bird):
pass
✒️ @Amirsoroushh
25 · 3K · DailyProjects
فایل
4_6047362722121647137.mp4 · 851 KB · برای نمایش کلیک کنید
4_6047362722121647137.mp4 · 851 KB · برای نمایش کلیک کنید
Fixing bugs
@raspberry_python
9 · 2.9K · DailyProjects
عکس
برای نمایش کلیک کنید
برای نمایش کلیک کنید
دکتر فیروز نادری، دانشمند ایرانی ناسا در ۷۷ سالگی درگذشت.
او که معاون پیشین مدیرکل «آزمایشگاه پیشرانش جت» در ناسا بود، توانست پس از تصدی پست مدیریت برنامههای اکتشافات منظومه شمسی، ۳ ماموریت مهم از جمله پرتاب دو کاوشگر مریخنورد «روح» و «فرصت» را با موفقیت به انجام برساند.
یاد و نامش گرامی🌹
@raspberry_python
7 · 3.1K · DailyProjects
فایل
4_5808813087381259364.mp4 · 11.6 MB · برای نمایش کلیک کنید
4_5808813087381259364.mp4 · 11.6 MB · برای نمایش کلیک کنید
پایتون کار اینه. بقیه سوسول بازیه
😍
#fun
84 · 3.3K · DailyProjects
عکس
برای نمایش کلیک کنید
برای نمایش کلیک کنید
✔️ بررسی موشکافانهی منطقهی کدهای C زبان پایتون، اینبار متد append از تایپ list
این مقاله چگونگی انجام عمل سادهی append در لیستها رو با بررسی کدهای مفسر CPython بهتون نشون میده و همچنین بررسی میکنه که این عمل از چه الگوریتمی به چه الگوریتمی رفته و چه اتفاقاتی افتاده 😁
📄 https://virgool.io/@liewpl/how-append-works-gp4apwtpr0bt
#m4hdi
#cpython
✒️ @pyeafp
〰〰〰〰〰〰〰
©@raspberry_python
42 · 2.6K · فرهاد ناصری زاده 🐍
ویدیو
VimGnuLinuxPythonGit02.mp4 · 487.6 MB · برای نمایش کلیک کنید
VimGnuLinuxPythonGit02.mp4 · 487.6 MB · برای نمایش کلیک کنید
part02:
آموزش ویدئویی کامندلاین گنو/لینوکس
CLI (command line interface)
توزیع اوبونتو Ubuntu
(کاربردی و گویا در حدود 4 ساعت)
+ فایل پیوست دستورات.
پارت ( 1 از 2 )
~
💌 @VimGnuLinuxPythonGit 💌
43 · 1.8K · DailyProjects
HashMaps به بیان ساده:
قرار هست ببینیم associative array چیه، hashmap چیه، چه ارتباطی به dictionary داره، ویژگی هاشون چیه، hash collision چیه، چطور برطرف میشن، نمونه خیلی سادش رو پیاده سازی کنیم و در انتها یه نمونه کامل هم ببینیم ازش.
خب... زمانی که ما یک سری دیتا داریم که به هم مرتبط هستن میتونیم اون ها رو توی یه collection نگهداری کنیم مثلا array. اطلاعاتی مثل تمام نمرات دانش آموزان یک کلاس:
grades = [17, 19, 18, ...]
و با ایندکس های عددی بهشون دسترسی پیدا کنیم:
grades[2]
خیلی هم سریع هستن array ها تو دسترسی چون مستقیم میریم سراغ همون نمره ای که نیاز داریم.
مشکل کجاست؟
مشکل اینه که برای ما سخته حفظ کنیم کدوم ایندکس برای کدوم شخص بوده و ترجیح میدیم که اگه نمره ی شخصی رو میخوایم به جای اینکه یه عدد بی معنی بدیم، اسمش رو بدیم و نمرش رو بگیریم:
grades["ali"]
راه حل چیه؟
اینکه اسمش رو(که بهش میگیم کلید) متصل یا مربوط یا "associate" بکنیم به نمرش.
چطوری؟ مثلا:
grades = [("reza", 17), ("sara", 19), ("ali", 18)]
و بعد هم اینجوری میگیریم:
def get_grade(person_name):
for name, grade in grades:
if name == person_name:
return grade
print(get_grade("ali"))
خیلی بهتر و راحت تر شد الان...
چیزی که ما بالا ساختیم یک پیاده سازی (بد) از associative array بود. چون associate کردیم یک کلید رو به مقدارش. associative array یک abstract هست و میتونه به شکل های مختلف پیاده سازی بشه.
خب... فقط یه مشکلی هست الان:
قبلا که با ایندکس میگرفتیم صاف میرفتیم سراغ خودش، الان مجبوریم که iterate کنیم روشون و دونه دونه بگردیم تا برسیم به اونی که میخوایم. کنده!! (شما مثال های این پست رو با ۱۰۰۰ تا داده مثلا تصور کنید)
راه حل چیه؟
اینکه بیایم "یه جوری" این اسم ها رو map کنیم به ایندکس های عددی تا دوباره بتونیم صاف بریم سراغ اونی که میخوایم و سرعت بهتر بگیریم.
چطور اینکارو بکنیم؟
مثلا بیایم یک فانکشن بنویسیم که از کلیدها عدد تولید کنیم به این صورت که اعداد اسکی متناظر با هر حرف از کلیدمون رو باهم جمع کنیم. یعنی برای sara داریم:
s: 115
a: 97
r: 114
a: 97
در نتیجه:
"sara" # -> 115 + 97 + 114 + 97 -> 423
این میشه فانکشنش:
def hash_func(string):
return sum(map(ord, string))
حال
25 · 1.5K · چجوری aras رو اضافه کنیم به grades ؟ چون aras از همون حروفی که sara داره تشکیل شده با هش فانکشنی که ما نوشتیم دوباره بهمون ۴۲۳ میده و اگه باقی مانده بگیریم میشه ۳ یا درواقع همون ایندکسی که برای سارا اختصاص داده شده.
مشکل بوجود اومد... به این مشکل میگن hash collision یا تداخل هش ها!
هش فانکشنی که انتخاب کردیم شاید زیاد جالب نبود چون درواقع به ازای تمام جای گشت های یک کلمه همون هش رو بهمون میده.
هش فانکشن خوب توی hashmap ها دو تا ویژگی داره:
۱- باید محاسباتش سبک باشه. چون دائما داره برای همه ی کلید ها حساب میشه.
۲- "سعی کنه" مقدار های یونیک تولید کنه تا به hash collision بر نخوریم.
بیایم کمی تغییرش بدیم: علاوه بر اینکه از عدد اسکیشون استفاده میکنیم، بیایم اون عدد رو در جایگاهی که داره(حرف چندمه) ضرب هم بکنیم به این شکل:
def hash_func(string):
hash_value = 0
for i, char in enumerate(string, start=1):
hash_value += ord(char) * i
return hash_value
الان هش collision رو بر طرف کردیم:
for name in ("ali", "sara", "reza", "aras"):
hash_value = hash_func(name)
print(f"{name}: {hash_value} : {hash_value % 5}")
خروجیش میشه:
ali: 628 : 3
sara: 1039 : 4
reza: 1070 : 0
aras: 1076 : 1
ولی همونطور که حدس میزنید باز هم با کلید های مختلف ما به hash collision بر میخوریم... مثلا جای aras بذارید nima ...
چه کنیم؟ بیایم یه هش فانکشن معقول داشته باشیم که سعی کنه با سرعت بالا hash value رو محاسبه کنه (چیزی که الان داریم) ولی اگه collision پیش اومد رفعش کنیم! چطور؟
روش اول، separate chaining :
تو این روش میگه به جای اینکه ما بیایم slot ها رو خالی بذاریم (None) ، بیایم به جاش از لیست خالی استفاده کنیم! هر موقع hash collision داشتیم میایم اضافش میکنیم به لیست.
یعنی اگه ۴ تا دانش آموزش ما باشن: ali, sara, reza, nima
با هش فانکشن جدیدی که نوشتیم slot های ما به این صورت میشن:
grades = [
[("reza", 17), ("nima", 20)],
[],
[],
[("ali", 18)],
[("sara", 19)],
]
مشکل حل شد. الان با اینکه وقتی نمره ی نیما رو بخوایم باید قبلش یه رضا رو هم چک کنیم ولی خیلی جلو افتادیم نسبت به اینکه بخوایم همه رو چک کنیم! یعنی کلی کلید رو محاسبه نمیکنیم فقط اون چندتای
20 · 1.5K · پیوند
برای نمایش کلیک کنید
برای نمایش کلیک کنید
نکته ۱:
دیکشنری توی پایتون نمونه از associative array هست که با hashtable یا hashmap پیاده سازی شده.
نکته ۲:
این پیاده سازی از hashmap چیزی هست که همین الان تو خیلی از زبان ها برای دیکشنری، set ها توی پایتون و برای دیکشنری ها تا قبل از ورژن ۳.۶ توی پایتون استفاده میشده.
به طور کلی hashmap ها ترتیب رو حفظ نمیکنن، همونطور که دیدید ولی از پایتون ۳.۶ به بعد آقای Raymond Hettinger یه پیاده سازی جدیدی برای دیکشنری ها انجام داد به اسم raymond dict. کلیت همینه ولی یه مقدار فرق داره با چیزی که دیدیم که هم کم حجم تره هم باعث میشه ترتیب رو حفظ کنن. اگه علاقه داشتید میتونم بعدا پیاده سازی دیکشنری های جدید پایتون رو هم بگم.
نکته ۳: توی separate chaining میشه به جای لیست از linked list یا binary search tree هم استفاده کرد که باز هم هر کدوم معایب و مزایای خودشون رو دارن.
نکته ۴:
خیلی از نکات گفته نشد به دلیل اینکه نمیخواستم بیشتر از این طولانی بشه. از جمله:
- پایتون علاوه بر key و value خود هشها رو هم نگه داره میکنه. چرا اینکارو میکنه؟
- این hash table عه ما به یه حدی که برسه نیاز داره تا resize بشه تا پرفورمنسش رو حفظ کنه. اگه از یه حدی بیشتر پر باشه تعداد دفعاتی که collision میگیریم بیشتر میشه و دیکشنری یا ست ما کند تر میشه.
- اگه یه کلیدی و delete کردیم تکلیف hashtable چی میشه؟ چطور باید هندل بشه؟
من همه ی انواع implementation هایی که اسمشون اومد رو به صورت کامل پیاده سازی کردم و نکاتی که وقت نشد رو توش گنجوندم. میتونید به عنوان رفرنس بهش یه نگاه بندازید:
* Open Addressing:
- Linear Probing
- Quadratic Probing
- Double Hashing Probing
* Separate Chaining
- With Dynamic Array
- With Linked List
- With Binary Search Tree
https://github.com/amirsoroush/Python_Hashmaps
پست ۳ از ۳
🖊 @AmirSoroushh
20 · 2.1K · DailyProjects
عکس
برای نمایش کلیک کنید
برای نمایش کلیک کنید
✔️ بررسی عمیق آبجکتها و تایپها در C layer مفسر CPython
بسیار شنیدیم که همهچیز در پایتون آبجکت است. با اینکه این جمله درسته ولی خب یه سوال پیش میاد! زبان C که پایتون نیست، پایتون هم که C نیست پس چجوری با C چیزی نوشتن که توی پایتون ما به همهچیز میگیم آبجکت!
برای اینکه متوجه بشید آبجکتهای پایتون دقیقا چجوری نوشته شدن، این مقاله رو بخونید 😁
https://virgool.io/@liewpl/cpython-objs-types-c-layer-deep-dive-m5fjelhzrzny
〰〰〰〰〰〰〰
©@raspberry_python
40 · 2.4K · DailyProjects
درود. یه موضوع ساده ولی جالب:
همونطور که میدونید برای تولید اعداد (شبه) رندوم از ماژول random استفاده میکنیم توی پایتون. یکی از ویژگی های الگوریتم هایی که برای تولید اعداد شبه رندوم استفاده میشن این هست که باید سعی کنن به صورت یکنواخت اعداد رو توزیع کنن.
منظورم این هست که به طور مثال اگه خواستید ۱۰ هزار بار بین ۱ و ۲ و ۳ یه عددی رو انتخاب کنید باید بتونه تقریبا ۳۳۳۳ تا ۱ ، ۳۳۳۳ تا ۲ و ۳۳۳۳ تا ۳ انتخاب کنه. اول یه تست بگیریم ببینیم چقدر نزدیک هست:
> from random import randint
> from collections import Counter
>
> Counter((randint(1,3) for _ in range(10_000)))
Counter({2: 3379, 3: 3345, 1: 3276})
خیلی خوب و نزدیک بود. ولی حالا از اینکه اینا یکنواخت توزیع میشن چه استفادهای میتونیم بکنیم؟
خیلی استفاده ها. یکیش که میخواستم دربارش صحبت کنم، حل بعضی مسائل مربوط به احتمالات ریاضی هست.
یه نمونش رو ببینیم:
۱۴۳ نفر در صف برای ورود به هواپیما هستند و هر نفر یک شماره صندلی متفاوت بین ۱ و ۱۴۳ دارد. تعداد صندلی های هواپیما هم دقیقا ۱۴۳ تا است. نفر اول شماره خودش را گم میکند و روی یک صندلی تصادفی میشند. از آن موقع به بعد هر کسی روی صندلی خودش مینشیند مگر این که فرد دیگری آنجا نشسته باشد و در این صورت روی یک صندلی خالی تصادفی مینشیند.
احتمال اینکه نفر ۱۴۳ ام روی صندلی خودش بنشیند چقدر است؟
اگه تونستین این سوال رو از راه ریاضی حل کنید که چه عالی، ولی اگر مثل من با دیدن صورت سوال راه حل ریاضیش به ذهنتون نیومد یا شک داشتید، کافیه بیاید فقط ۱ بار اون داستانی که توی صورت سوال اومده رو به کد تبدیل کنید، هرجا گفت تصادفی یا رندوم شما از random استفاده میکنید. در آخر مثلا ۱۰ هزار بار توی لوپ تکرارش کنید. به همین راحتی جواب و به دست میارید.
کلیت کار: یک لیستی درست کنید از ۱۴۳ نفر که هر کدوم یه شماره صندلی ای بین ۱ تا ۱۴۳ دستشونه، برای نفر اول یه شماره به صورت رندم انتخاب کنید، بعد از نفر دوم تا آخر چک کنید که آیا صندلیش خالی یا None هست یا پره؟
اگه خالی بود بذاریدش اونجا و اگه پر بود یه شماره رندوم براش انتخاب کنید. در انتها، ما بدست آوردیم که "یک بار"ش چی میشه... آیا نفر آخر میشینه سر جاش یا نمیشینه. این جواب مهم نیست چی باشه، همین تابع رو ۱۰ هزار بار کال کنید و توی Counter بذ
19 · 2.3K · فرهاد ناصری زاده 🐍
ویدیو
video_2023-08-02_21-52-05.mp4 · 10.2 MB · برای نمایش کلیک کنید
video_2023-08-02_21-52-05.mp4 · 10.2 MB · برای نمایش کلیک کنید
📢 متهم کمبود برق کیست؟
🔹باز هم تابستان آمد و حرف از کمبود برق کشور داغ شده است.
🔹اما به راستی چه کسی در شرایط به وجود آماده مقصر است؟ چرا ایران که خود یکی از بزرگترین دارندگان منابع انرژی در جهان است، تابستانها با کمبود برق و زمستانها با کمبود گاز مواجه میشود؟
🔹خاموشی بخش صنعتی چه آسیبهایی به دنبال دارد و با این شرایط میتوان انتظار داشت از بحرانهای اقتصادی که با آن دست به گریبان است، خلاص شود؟ با توجه به برنامههای موجود آیا امیدی به رفع کمبود برق کشور وجود دارد؟
🗣 دکتر هاشم اورعی، استاد برق دانشگاه شریف و رئیس انجمن انرژی بادی ایران/ فردای اقتصاد
_
©️انــرژی پـــــرس
✅ @energypress
📌 Energypress.ir
25 · 1.8K · DailyProjects
عکس
برای نمایش کلیک کنید
برای نمایش کلیک کنید
Data science and machine learning. Mathematical and statistical methods
@raspberry_python
20 · 1.9K · فایل
Chapman_&_Hall_CRC_machine_learning_&_pattern_recognition_se · 14.6 MB · برای نمایش کلیک کنید
Chapman_&_Hall_CRC_machine_learning_&_pattern_recognition_se · 14.6 MB · برای نمایش کلیک کنید
Data science and machine learning. Mathematical and statistical methods
@raspberry_python
64 · 2.2K · عکس
برای نمایش کلیک کنید
برای نمایش کلیک کنید
Classical And Modern Cryptography For Beginners
کتابی بسیار عالی جهت یادگیری رمزنگاری
انتشارات اشپرینگر 2023
@raspberry_python
50 · 2.9K · فایل
Rajkumar_Banoth,_Rekha_Regar_Classical_And_Modern_Cryptograp · 10.3 MB · برای نمایش کلیک کنید
Rajkumar_Banoth,_Rekha_Regar_Classical_And_Modern_Cryptograp · 10.3 MB · برای نمایش کلیک کنید
Classical And Modern Cryptography For Beginners
کتابی بسیار عالی جهت یادگیری رمزنگاری
انتشارات اشپرینگر 2023
@raspberry_python
140 · 3.9K ·