Pythoner

➡️NumPy (Numerical Python) - это библиотека Python, которая предоставляет поддержку для работы с многомерными массивами и эффективными математическими функциями. В NumPy индексы используются для доступа к элементам массива. В NumPy существует несколько способов индексации массивов: 1. Индексирование с помощью целых чисел: Можно использовать целые числа для доступа к элементам массива. Массивы в NumPy индексируются начиная с 0: import numpy as np arr = np.array([10, 20, 30, 40, 50]) print(arr[2]) # Выводит 30 (значение с индексом 2) 2. Индексирование многомерных массивов: В многомерном массиве можно использовать кортеж индексов для доступа к элементам: import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr[1, 2]) # Выводит 6 (элемент во второй строке и третьем столбце) 3. Использование срезов (slicing): Можно использовать срезы для извлечения подмассива из массива: import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr[1:4]) # Выводит [2, 3, 4] (элементы со второго по четвертый) 4. Индексирование с использованием булевых массивов: Можно использовать булевы массивы для фильтрации элементов массива: import numpy as np arr = np.array([1, 2, 3, 4, 5]) mask = np.array([True, False, True, False, True]) print(arr[mask]) # Выводит [1, 3, 5] (выбирает элементы, соответствующие True) 5. Индексирование fancy indexing: Позволяет выбирать элементы массива, используя массив индексов: import numpy as np arr = np.array([10, 20, 30, 40, 50]) indices = np.array([1, 3, 4]) print(arr[indices]) # Выводит [20, 40, 50] (выбирает элементы с индексами 1, 3 и 4) ⬆️Это основные методы индексации в NumPy, которые помогут вам эффективно работать с массивами и многомерными данными в Python. NumPy предоставляет мощные средства работы с данными и вычислениями, особенно в области научных вычислений и анализа данных. 🐍 Pythoner

✈️BeautifulSoup — это мощная библиотека Python для парсинга HTML и XML документов. Она предоставляет инструменты для извлечения данных из веб-страниц, что делает ее идеальным инструментом для веб-скрапинга и анализа данных. BeautifulSoup легко интегрируется с другими библиотеками, такими как Requests, что позволяет создавать мощные веб-приложения. ➡️Основные возможности BeautifulSoup: 1.Парсинг HTML и XML: BeautifulSoup позволяет парсить HTML и XML документы, включая сложные структуры и вложенные элементы. 2. Извлечение данных: Библиотека предоставляет инструменты для извлечения данных из HTML и XML, включая поисковые функции и фильтры. 3. Работа с тегами и атрибутами: BeautifulSoup позволяет легко работать с тегами и атрибутами, включая добавление, удаление и изменение элементов. 4. Поддержка различных парсеров: BeautifulSoup поддерживает несколько парсеров, включая html.parser, lxml и html5lib, что позволяет выбирать наиболее подходящий для ваших задач. 5. Интеграция с другими библиотеками: BeautifulSoup легко интегрируется с другими библиотеками Python, такими как Requests, что позволяет создавать мощные веб-приложения. ➡️Примеры использования. Парсинг HTML: from bs4 import BeautifulSoup # HTML-документ html_doc = """ <html> <head> <title>Пример страницы</title> </head> <body> <h1>Заголовок</h1> <p>Это пример веб-страницы.</p> <a href="https://example.com">Ссылка</a> </body> </html> """ # Создание объекта BeautifulSoup soup = BeautifulSoup(html_doc, 'html.parser') # Извлечение заголовка title = soup.title.string print('Заголовок:', title) # Извлечение всех абзацев paragraphs = soup.find_all('p') for p in paragraphs: print('Абзац:', p.text) # Извлечение ссылки link = soup.find('a')['href'] print('Ссылка:', link) Парсинг XML: from bs4 import BeautifulSoup # XML-документ xml_doc = """ <root> <item> <name>Пример</name> <value>123</value> </item> </root> """ # Создание объекта BeautifulSoup soup = BeautifulSou… Читать полностью →

✈️IceCream — это простая и мощная библиотека Python для отладки и логирования. Она предоставляет инструменты для быстрого и удобного вывода переменных и выражений во время разработки, что делает ее идеальным инструментом для отладки кода. IceCream позволяет быстро находить и исправлять ошибки, не отвлекаясь на сложные механизмы логирования. ➡️Основные возможности IceCream: - Простой синтаксис: IceCream предоставляет простой и интуитивный синтаксис для вывода переменных и выражений. - Автоматическое форматирование: IceCream автоматически форматирует вывод, делая его читаемым и понятным. - Конфигурируемость: Вы можете настроить IceCream, указывая уровень детализации, формат вывода и другие параметры. - Интеграция с другими библиотеками: IceCream легко интегрируется с другими библиотеками Python, такими как logging, что позволяет использовать его в существующих проектах. - Поддержка различных сред: IceCream поддерживает вывод в консоль, файлы и другие среды, что делает его универсальным инструментом для отладки. ➡️Примеры использования: 1. Вывод переменных: from icecream import ic # Пример переменных a = 10 b = 20 # Вывод переменных с помощью IceCream ic(a, b) 2. Вывод выражений: from icecream import ic # Пример выражения result = a + b # Вывод выражения с помощью IceCream ic(result) 3. Конфигурация IceCream: from icecream import ic # Настройка уровня детализации ic.configureOutput(includeContext=True) # Вывод переменных с настройками ic(a, b) 4. Использование IceCream в функциях: from icecream import ic def add(x, y): result = x + y ic(result) return result # Вызов функции add(5, 7) 💡Заключение: IceCream позволяет быстро выводить переменные и выражения, что делает ее идеальным инструментом для отладки кода, а благодаря простому и интуитивному API, IceCream легко использовать и интегрировать в ваши проекты. 🐍 Pythoner

✈️Celery — это мощная библиотека Python для асинхронной обработки задач. Она позволяет выполнять задачи в фоновом режиме, что делает ее идеальным инструментом для обработки задач, которые требуют значительного времени выполнения, таких как отправка электронной почты, обработка файлов и аналитика данных. ➡️Основные возможности Celery: - Асинхронное выполнение задач: Celery позволяет выполнять задачи асинхронно, что позволяет вашему приложению оставаться отзывчивым и быстрым. - Поддержка множества брокеров: Celery поддерживает множество брокеров сообщений, включая RabbitMQ, Redis, Amazon SQS и другие. - Масштабируемость: Celery позволяет масштабировать обработку задач, добавляя дополнительные рабочие процессы или серверы. - Переиспользование результатов: Celery позволяет сохранять результаты выполнения задач, что позволяет переиспользовать их в других частях вашего приложения. - Обработка ошибок и повторные попытки: Celery предоставляет механизмы для обработки ошибок и повторных попыток выполнения задач, что делает ваше приложение более надежным. - Интеграция с другими библиотеками: Celery легко интегрируется с другими библиотеками Python, такими как Flask, Django и Pyramid, что позволяет использовать его в существующих проектах. ➡️Примеры использования: 1. Создание задачи: from celery import Celery # Создание экземпляра Celery app = Celery('tasks', broker='redis://localhost:6379/0') # Определение задачи @app.task def add(x, y): return x + y 2. Выполнение задачи асинхронно: # Выполнение задачи асинхронно result = add.delay(4, 4) # Получение результата print(result.get()) # Вывод: 8 3. Использование Celery с Flask: from flask import Flask from celery import Celery app = Flask(__name__) celery = Celery(app.name, broker='redis://localhost:6379/0') @celery.task def process_data(data): # Обработка данных return data @app.route('/process', methods=['POST']) def process(): data = request.json result = process_data.delay(data) return js… Читать полностью →

😈 IT memer

✈️Celery Beat — это встроенный планировщик задач в экосистеме Celery, который позволяет запускать фоновые задачи по расписанию. Это идеальный инструмент для выполнения регулярных операций: очистки кэша, отправки отчетов, проверки данных и других автоматизированных действий. ➡️Основные возможности Celery Beat: - Регулярное выполнение задач: Позволяет настроить запуск задач каждые несколько секунд, минут, часов или в определённые дни - Интеграция с Django: В связке с django-celery-beat можно управлять расписанием через админ-панель или модели базы данных - Гибкость расписания: Поддержка как фиксированных интервалов, так и расписаний по крону (cron-like schedules) - Централизованное управление: Все задачи централизованно управляются из одного места — брокера сообщений (Redis, RabbitMQ и т.п.) ➡️Пример использования в Django проекте: 1. Установите зависимости: pip install celery django-celery-beat 2. Добавьте в settings.py: INSTALLED_APPS += ['django_celery_beat'] CELERY_BEAT_SCHEDULER = 'django_celery_beat.schedulers:DatabaseScheduler' 3. Создайте периодическую задачу: from celery import shared_task @shared_task def daily_cleanup(): print("Очистка старых данных...") 4. Зарегистрируйте задачу в базе данных: Это можно сделать через админ-панель Django или программно, используя ORM модели PeriodicTask, IntervalSchedule и CrontabSchedule из django_celery_beat. 5. Запустите планировщик Celery Beat: celery -A your_project_name beat -l info --scheduler django_celery_beat.schedulers:DatabaseScheduler 6. Не забудьте запустить worker , чтобы задачи выполнялись: celery -A your_project_name worker -l info ⛓Полезные ссылки: Документация GitHub 💡Заключение: Celery Beat — мощный и гибкий инструмент для организации периодических задач в Python-приложениях. Особенно удобен в связке с Django и Redis. Легко масштабируется и поддерживает динамическое управление расписанием прямо из кода или через административный интерфейс. 🐍 Pythoner

✈️Flask-SocketIO — это расширение для фреймворка Flask, которое позволяет легко добавлять веб-сокеты в ваши веб-приложения. Веб-сокеты позволяют создавать интерактивные и динамические веб-приложения, которые могут обмениваться данными в реальном времени. Flask-SocketIO идеально подходит для создания чатов, онлайн-игр, дашбордов и других приложений, требующих мгновенного обновления данных. ➡️Основные возможности Flask-SocketIO: 1. Поддержка веб-сокетов: Flask-SocketIO позволяет легко добавлять веб-сокеты в ваши веб-приложения, обеспечивая двусторонний обмен данными в реальном времени. 2. Интеграция с Flask: Flask-SocketIO интегрируется с Flask, что позволяет использовать все возможности Flask для создания веб-приложений. 3. Поддержка множества транспортов: Flask-SocketIO поддерживает несколько транспортов, включая WebSocket, polling и long-polling, что обеспечивает совместимость с различными клиентами. 4. Простота использования: Flask-SocketIO предоставляет простой и интуитивный API, который позволяет быстро начать работу с веб-сокетами. 5. Масштабируемость: Flask-SocketIO позволяет масштабировать веб-приложения, добавляя дополнительные рабочие процессы или серверы. 6. Поддержка клиентов на разных платформах: Flask-SocketIO поддерживает клиентов на различных платформах, включая браузеры, мобильные устройства и серверы. ➡️Создание простого веб-приложения с веб-сокетами: from flask import Flask, render_template from flask_socketio import SocketIO, send app = Flask(__name__) app.config['SECRET_KEY'] = 'secret!' socketio = SocketIO(app) @app.route('/') def index(): return render_template('index.html') @socketio.on('message') def handle_message(message): send(message) if __name__ == '__main__': socketio.run(app) ⛓Полезные ссылки: Официальный сайт GitHub 💡Заключение: Fask-SocketIO идеально подходит для создания интерактивных и динамических приложений, требующих мгновенного обновления данных. Благодаря простоте использования и гибкости. 🐍 Pythoner

✈️Pytest — это мощный и гибкий фреймворк для тестирования в Python. Он позволяет писать простые и читаемые тесты, которые легко интегрируются с вашим кодом. Pytest поддерживает множество плагинов и расширений, что делает его идеальным инструментом для тестирования как небольших проектов, так и крупных приложений. ➡️Основные возможности Pytest: - Простота использования: Pytest позволяет писать тесты на Python, используя простой и интуитивный синтаксис. - Автоматическое обнаружение тестов: Pytest автоматически обнаруживает и запускает тесты, что упрощает процесс тестирования. - Мощные возможности утверждений: Pytest предоставляет мощные инструменты для утверждений, которые позволяют легко проверять результаты тестов. - Поддержка фикстур: Pytest поддерживает фикстуры, которые позволяют создавать и использовать общие данные и ресурсы в тестах. - Расширяемость: Pytest поддерживает множество плагинов и расширений, которые позволяют добавлять новые функции и возможности. - Интеграция с другими инструментами: Pytest легко интегрируется с другими инструментами и библиотеками Python, такими как Flask, Django и NumPy. ➡️Примеры использования: 1. Простой тест: # test_example.py def test_addition(): assert 1 + 1 == 2 2. Использование фикстур: # test_example.py import pytest @pytest.fixture def numbers(): return [1, 2, 3] def test_sum(numbers): assert sum(numbers) == 6 3. Параметризация тестов: # test_example.py import pytest @pytest.mark.parametrize("a, b, expected", [ (1, 2, 3), (4, 5, 9), (6, 7, 13), ]) def test_addition(a, b, expected): assert a + b == expected ⛓Полезные ссылки: Официальный сайт GitHub 💡Заключение Pytest позволяет писать простые и читаемые тесты, которые легко интегрируются с вашим кодом. Он поддерживает множество плагинов и расширений, что делает его идеальным инструментом для тестирования как небольших проектов, так и крупных приложений. 🐍 Pythoner

✈️Clint — модуль Python для создания красивых CLI-приложений. Он предлагает удобные инструменты для работы с цветным выводом, прогресс-барами и простым вводом пользователя. ➡️Основные возможности Clint: - Поддержка цветов и отступов - Простой и мощный столбцовый принтер - Итераторный индикатор прогресса - Неявная обработка аргументов - Поддержка Unix-пайпов - Управление каталогами приложений ➡️Примеры использования: 1. Отступы и цитаты: from clint.textui import puts, indent puts('Неотступленный текст') with indent(4): puts('Отступленный текст') 2. Цветной текст: from clint.textui import colored, puts puts(colored.red('Красный текст')) 3. Чтение аргументов командной строки: from clint import arguments args = arguments.Args() first_arg = args.get(0) 💡Заключение Clint подходит разработчикам, которые хотят быстро добавить форматирование текста и удобство в свои скрипты без тяжёлых зависимостей. Он предлагает множество функций, которые делают разработку более простой и эффективной. 🐍 Pythoner

✈️PyYAML — это библиотека Python для работы с форматом YAML (YAML Ain't Markup Language). YAML — это популярный формат для сериализации данных, который широко используется для конфигурационных файлов, данных и других структур. PyYAML позволяет легко читать и записывать данные в формате YAML, что делает ее идеальным инструментом для работы с конфигурационными файлами и сериализации данных. ➡️Основные возможности PyYAML: - Чтение и запись YAML-файлов: PyYAML позволяет легко читать и записывать данные в формате YAML. - Поддержка различных типов данных: PyYAML поддерживает различные типы данных, включая словари, списки, строки, числа и другие. - Безопасная загрузка данных: PyYAML предоставляет безопасный способ загрузки данных из YAML-файлов, что предотвращает выполнение вредоносного кода. - Интеграция с другими библиотеками: PyYAML легко интегрируется с другими библиотеками Python, такими как Flask, Django и Pandas, что позволяет использовать ее в существующих проектах. - Простота использования: PyYAML предоставляет простой и интуитивный API, который позволяет быстро начать работу с форматом YAML. ➡️Примеры использования: 1. Чтение YAML-файла: import yaml # Пример YAML-файла yaml_file = """ name: John Doe age: 30 address: street: 123 Main St city: Anytown state: CA """ # Загрузка данных из YAML-файла data = yaml.safe_load(yaml_file) # Вывод данных print(data['name']) # Вывод: John Doe print(data['address']['city']) # Вывод: Anytown 2. Запись данных в YAML-файл: import yaml # Пример данных data = { 'name': 'John Doe', 'age': 30, 'address': { 'street': '123 Main St', 'city': 'Anytown', 'state': 'CA' } } # Запись данных в YAML-файл with open('output.yaml', 'w') as file: yaml.dump(data, file) 🐍 Pythoner

✈️Flask-WTF — это расширение для фреймворка Flask, которое упрощает работу с формами. Оно интегрирует Flask с библиотекой WTForms, предоставляя мощные инструменты для создания, валидации и обработки форм. Flask-WTF идеально подходит для разработчиков, которые хотят быстро и легко добавить формы в свои веб-приложения. ➡️Основные возможности Flask-WTF: - Интеграция с WTForms: Flask-WTF интегрирует Flask с WTForms, что позволяет использовать все возможности WTForms для создания и валидации форм. - Валидация данных: Flask-WTF предоставляет мощные инструменты для валидации данных, включая встроенные валидаторы и возможность создания собственных валидаторов. - CSRF-защита: Flask-WTF автоматически добавляет CSRF-защиту для всех форм, что повышает безопасность вашего приложения. ➡️Примеры использования: 1. Создание формы: from flask_wtf import FlaskForm from wtforms import StringField, PasswordField, validators class LoginForm(FlaskForm): username = StringField('Username', [validators.Length(min=4, max=25)]) password = PasswordField('Password', [ validators.DataRequired(), validators.EqualTo('confirm', message='Passwords must match') ]) confirm = PasswordField('Repeat Password') 2. Использование формы в Flask: from flask import Flask, render_template, flash, redirect, url_for from forms import LoginForm app = Flask(__name__) app.secret_key = 'your_secret_key' @app.route('/login', methods=['GET', 'POST']) def login(): form = LoginForm() if form.validate_on_submit(): flash('Form validated') return redirect(url_for('home')) return render_template('login.html', form=form) 3. Создание шаблона HTML для формы: <!-- templates/login.html --> <!DOCTYPE html> <html> <head> <title>Login</title> </head> <body> <h1>Login</h1> <form method="post"> {{ form.hidden_tag() }} <p> {{ form.username.label }}<br> {{ form.username(size=32) }} </p> <p> … Читать полностью →

✈️MongoDB — это популярная NoSQL база данных, которая позволяет хранить и обрабатывать большие объемы структурированных данных. PyMongo — это официальная библиотека Python для работы с MongoDB. Она предоставляет простой и мощный интерфейс для взаимодействия с базой данных MongoDB, включая подключение, вставку, обновление, удаление и запрос данных. ➡️Основные возможности PyMongo: - CRUD-операции: PyMongo предоставляет полный набор CRUD-операций (создание, чтение, обновление, удаление) для работы с данными в MongoDB. - Поддержка индексов: PyMongo позволяет создавать и управлять индексами в MongoDB, что повышает производительность запросов. - Агрегация и группировка: PyMongo поддерживает агрегацию и группировку данных, что позволяет выполнять сложные аналитические запросы. - Транзакции: PyMongo поддерживает транзакции, что позволяет выполнять атомарные операции в базе данных. - Поддержка репликации и шардинга: PyMongo поддерживает репликацию и шардинг, что позволяет масштабировать базу данных и обеспечить высокую доступность. ➡️Примеры использования: 1. Подключение к MongoDB: from pymongo import MongoClient # Создание подключения к MongoDB client = MongoClient('mongodb://localhost:27017/') # Выбор базы данных db = client['mydatabase'] 2. Создание коллекции и вставка данных: # Создание коллекции collection = db['users'] # Вставка данных user = {"name": "John", "age": 30, "city": "New York"} result = collection.insert_one(user) print('One post: {0}'.format(result.inserted_id)) ⛓Полезные ссылки: Официальный сайт GitHub 💡Заключение PyMongo идеально подходит для разработчиков, которые хотят быстро и легко интегрировать MongoDB в свои проекты. Так же идеально подходит для быстрого старта проектов, гибких структур данных (например, если у разных пользователей — разные поля), прототипирования и MVP. 🐍 Pythoner

✈️Слышал про Docker, но до сих пор не понял, зачем он нужен? Или думаешь, что это «что-то для DevOps»? Сейчас всё разложу по полочкам — будет понятно даже если ты только начал кодить. ➡️Представь: твой проект — это коробка с Lego. Ты собрал красивый замок (проект), поставил его на стол (твой комп). Всё работает. Но теперь ты хочешь: - Перекинуть замок другу — и у него не хватает деталей (зависимостей). - Поставить его на полку в другой комнате — и там другой размер стола (окружение). - Запустить сразу 10 таких замков — и вдруг всё ломается. ⬆️Docker решает это навсегда. ➡️Что такое Docker? Это контейнеризация. Docker упаковывает твой проект со всеми зависимостями: библиотеками, окружением, системными настройками — и превращает в контейнер, который можно запускать где угодно. Контейнер — это как мини-компьютер внутри твоего компа, где всё настроено именно под твой проект. ➡️Зачем нужен Docker? Больше никаких “у меня не работает, а у тебя работает” Всё окружение проекта — в одной команде docker run Переезд на сервер — в пару кликов Можно тестить, не ломая свою систему Легко клонировать проекты и передавать команде Изоляция = безопасность ➡️Пример: Python-проект с Flask Обычно: pip install flask python app.py С Docker: FROM python:3.10 WORKDIR /app COPY . . RUN pip install -r requirements.txt CMD ["python", "app.py"] Затем: docker build -t myapp . docker run -p 5000:5000 myapp ⬆️Flask-приложение запускается даже на пустом сервере. ➡️Почему стоит начать с Docker уже сегодня? - Он сэкономит тебе часы — буквально. - Ты начнёшь думать как профессиональный разработчик. - И это must-have навык в любом резюме. 🐍 Pythoner

✈️FastAPI — это современный, быстрый и высокопроизводительный фреймворк для создания веб-приложений и API на Python 3.6 и выше, основанный на стандартных типах Python. FastAPI был разработан для создания простых и читаемых API, а также для обеспечения высокой производительности. ➡️Основные возможности FastAPI: - Автоматическая генерация документации: FastAPI автоматически генерирует документацию для вашего API в форматах OpenAPI, Swagger и ReDoc. Это позволяет быстро и легко документировать ваши endpoints. - Высокая производительность: FastAPI основан на Starlette и Pydantic, что обеспечивает высокую производительность и низкую задержку. - Типизация и валидация данных: FastAPI использует типы Python для валидации данных, что позволяет автоматически проверять и преобразовывать данные запросов. - Асинхронность: FastAPI поддерживает асинхронные функции, что позволяет создавать высокопроизводительные веб-приложения. ➡️Примеры использования: 1. Создание простого API: from fastapi import FastAPI app = FastAPI() @app.get("/") async def read_root(): return {"message": "Hello World"} 2. Создание параметризированных маршрутов: from fastapi import FastAPI app = FastAPI() @app.get("/items/{item_id}") async def read_item(item_id: int, q: str = None): return {"item_id": item_id, "q": q} 3. Создание запросов с телом: from fastapi import FastAPI from pydantic import BaseModel class Item(BaseModel): name: str description: str = None price: float tax: float = None app = FastAPI() @app.post("/items/") async def create_item(item: Item): return item ⛓Полезные ссылки: Официальный сайт GitHub 💡Заключение FastAPI — это современный и мощный фреймворк для создания веб-приложений и API на Python. Он предоставляет простой и интуитивный API, который позволяет быстро начать разработку. 🐍 Pythoner

✈️Dash — это продуктивная библиотека Python для создания аналитических веб-приложений. Dash связывает элементы пользовательского интерфейса с данными и функциями Python, что позволяет быстро создавать веб-приложения с интерактивными визуализациями. Dash был разработан командой Plotly и предоставляет мощные инструменты для создания дашбордов и веб-приложений. ➡️Основные возможности: - Интерактивные визуализации: Dash позволяет создавать интерактивные визуализации с помощью Plotly, что делает его идеальным инструментом для создания дашбордов и аналитических приложений. - Поддержка множества компонентов: Dash поддерживает множество компонентов, включая графики, таблицы, кнопки, переключатели и другие, что позволяет создавать сложные пользовательские интерфейсы. - Развертывание: Dash позволяет легко развертывать веб-приложения на серверах и облачных платформах, таких как Heroku, AWS и Google Cloud. ➡️Примеры использования 1. Создание простого веб-приложения: import dash from dash import html, dcc import plotly.express as px import pandas as pd # Создание приложения app = dash.Dash(__name__) # Данные df = pd.DataFrame({ "Fruit": ["Apples", "Oranges", "Bananas", "Apples", "Oranges", "Bananas"], "Amount": [4, 1, 2, 2, 4, 5], "City": ["SF", "SF", "SF", "Montreal", "Montreal", "Montreal"] }) # Создание графика fig = px.bar(df, x="Fruit", y="Amount", color="City", barmode="group") # Layout app.layout = html.Div(children=[ html.H1(children='Hello Dash'), html.Div(children=''' Dash: A web application framework for your data. '''), dcc.Graph( id='example-graph', figure=fig ) ]) # Запуск сервера if __name__ == '__main__': app.run_server(debug=True) 2. Создание интерактивного дашборда: import dash from dash import html, dcc, Input, Output import plotly.express as px import pandas as pd # Создание приложения app = dash.Dash(__name__) # Данные df = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/ma… Читать полностью →