本周刊由 Python猫 出品，精心筛选国内外的 250+ 信息源，为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景：帮助所有读者精进 Python 技术，并增长职业和副业的收入。分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2200 字。以下是本期摘要：🦄文章&教程① Python 依赖管理一种垃圾场火灾② Python 的膨胀：精细的项目间依赖关系分析③ 分享我的 Django 项目模板④ 避免在 Django 分页中计算总数⑤ 你需要更注意分词⑥ Pythonic 的空值检查⑦ Attestations：PyPI 的新一代签名⑧ PyPIM：直接在 RAM 中执行 Python 代码的新方法⑨ Python 中管道模式的实际示例⑩ 零停机时间部署 Django 与多步骤数据库更改⑪ Netflix 关于 Workbench UI 延迟问题的调查⑫ 通过 Python 侧车模式在 Go 中使用 ML🐿️项目&资源① Box：用高级的点表示法访问嵌套字典② dendrite-python-sdk：构建 Web AI 代理，像人类般浏览网页③ prints_charming：增强终端打印的样式和颜色④ weft：类似 vim 的终端阅读器，可与书籍聊天⑤ PiML-Toolbox：Python 可解释机器学习工具箱⑥ PDF-Ex ...继续阅读 (9)

Python是一门高度灵活的语言，其中一个重要特性是“可调用对象”，即所有可以“像函数一样调用”的对象。可调用对象在Python中不仅指函数和方法，还包括lambda表达式、类实例、生成器等。本教程将详细介绍Python中的各种可调用对象，探索它们的底层机制，并展示如何实现自定义的可调用类。通过提供丰富的代码示例和深入的解释，本文帮助读者从基础概念到高级实现，彻底掌握Python中的可调用对象，提高代码设计的灵活性和可扩展性。 ...继续阅读 (18)

迁移学习是一种在深度学习中广泛应用的技术，特别适合在数据不足的场景下显著提升模型性能。本文深入剖析迁移学习的原理，并演示如何使用Python中的TensorFlow和Keras加载预训练模型，对新的图像数据集进行分类。我们将详细介绍特征提取和微调的迁移学习方法，涵盖如何处理数据、加载和冻结模型层、训练模型并评估性能的全过程。文中配有大量代码和中文注释，帮助读者清晰理解迁移学习的关键步骤和实现方式，使读者能够快速掌握图像分类的迁移学习技术。 ...继续阅读 (15)

情感分析是一种自然语言处理（NLP）技术，用于判断文本的情感倾向，在社交媒体分析、客户评价等领域应用广泛。本文将从头开始讲解如何用Python构建一个情感分析模型，包括数据清洗、特征提取、模型训练、超参数调整和性能评估的完整过程。文章提供详细的代码实例与注释，帮助读者深刻理解情感分析的实现过程以及关键技术细节。通过本指南，读者将学会如何在Python中实现一个高效的情感分析模型，并对模型的性能进行全面评估。 ...继续阅读 (15)

多态性和鸭子类型是Python语言面向对象编程中两个重要的概念，它们提供了灵活的代码设计方式，使得代码更具可扩展性和可维护性。本文将详细讲解Python中的多态性、鸭子类型、接口与协议，以及它们在代码设计中的应用。通过大量代码示例和详细注释，本文带领读者深入理解如何利用多态性和鸭子类型设计出更加灵活且可扩展的面向对象程序，适合希望提升代码设计水平的Python开发者。 ...继续阅读 (16)

文本生成是自然语言处理中的一个经典任务，应用广泛，包括写作辅助、文本自动化生成等。循环神经网络（RNN）和长短期记忆（LSTM）网络为文本生成提供了有效的解决方案。本文详细介绍如何使用Python中的Keras库构建一个LSTM文本生成模型，从数据预处理、模型构建、训练到文本生成，并提供代码示例和详细的中文注释。通过这篇文章，读者可以全面了解LSTM在文本生成中的应用，轻松实现基于输入文本风格生成新的文本段落。 ...继续阅读 (18)

K-Means是一种常用的无监督学习算法，广泛应用于数据聚类分析。本文将详细讲解K-Means的数学原理，包括目标函数和算法的迭代过程，阐述算法如何通过迭代优化簇的质心位置达到分类目的。同时，文章将使用Python从零实现一个完整的K-Means聚类算法，包括手动初始化、距离计算、簇的更新等步骤。通过详细的代码和中文注释，本文帮助读者深刻理解K-Means算法的本质和实现过程，最终展示如何使用该算法进行数据聚类和分析。 ...继续阅读 (22)

MongoDB 引入 pymongo 时报错Error "ImportError: cannot import name '_get_object_size' from 'bson'，本文记录解决方案。 ...继续阅读 (24)

TIOBE发布了最新的2024年11月的编程语言排行榜，Go语言在TIOBE指数中的排名不断上升，本月排名已经提升至第7，创下该语言的历史新高。TIOBE CEO Paul Jansen点评称，Go在前十名中独树一帜的原因在于，Go程序部署快速、简单，同时该语言易于学习。而Python易学但速度不快，并且由于依赖于环境中的各种版本库，大型Python程序的部署非常脆弱。如果与Rust相比，Go的速度稍慢，但Go程序更容易理解，他指出Go在TIOBE指数中的下一个拦路虎是排名第6的JavaScript。不过对于大型JavaScript系统而言，现在很多在向TypeScript转变，如果每年的趋势都这样发展下去，Go将在3年内超越JavaScript。TIOBE指数是通过分析全球范围内的工程师、课程和第三方供应商的数据，以及来自Google、必应、雅虎、维基百科、亚马逊、YouTube和百度等流行搜索引擎的搜索数据来计算得出的。需要注意的是，TIOBE指数只是反映某个编程语言的热门程度，并不能说明一门编程语言好坏，也不能说明语言所编写的代码数量多少。自 快科技更多阅读：[信息视图]PHP、RUBY和PYTHON，三大语言大战TIOBE：2024年10月编程语言排行榜 Python占据了21.90%的市场份额TIOBE：2021年3月全球编程语言排行榜 前五未变化 C仍最受喜欢David ...继续阅读 (16)

在机器学习建模过程中，特征工程的质量直接影响模型的表现，但特征工程常常耗时且依赖专家经验。本文详细讲解如何利用Python构建一个全自动化特征工程工具，涵盖特征选择、编码、缩放、生成等完整流程，帮助读者快速提升机器学习模型的准确性。我们将逐步介绍从数据预处理到自动化实现的所有细节，并提供丰富的代码示例和中文注释，便于读者理解和应用。本工具不仅适用于小型数据集，还可以扩展到大规模机器学习应用中，助力实现高效、精确的数据建模。 ...继续阅读 (25)

Python闭包和作用域机制是理解Python语言的重要基础，直接影响到变量的访问和管理方式。本文将全面解析Python闭包的概念，并深入探讨`nonlocal`与`global`关键字的作用及适用场景。我们将通过代码示例和详细中文注释，帮助读者理解闭包的形成条件和如何在函数内部管理变量的作用域。通过本篇文章，读者可以掌握闭包、作用域规则，以及如何灵活使用`nonlocal`与`global`来管理变量，实现高效的Python编程。 ...继续阅读 (19)

本文详细讲解如何使用 Python 从零实现逻辑回归模型，包括数学原理推导和代码实现。逻辑回归是一种常用于二分类问题的机器学习算法，其关键在于利用交叉熵损失函数和梯度下降优化方法。文章包含了逻辑回归的数学推导、梯度下降的具体步骤，并展示如何在 Python 中手动构建一个逻辑回归模型。详细的代码注释帮助读者理解模型实现的每一步，为今后深入学习更复杂的机器学习算法奠定坚实的基础。 ...继续阅读 (17)

逻辑回归是一种经典的统计学习方法，用于分类问题尤其是二分类问题。它通过学习数据的特征和目标标签之间的关系，输出样本属于某个类别的概率。本文将从零开始用Python实现逻辑回归模型，深入探讨其数学原理，并逐步讲解如何编写代码实现。我们会涵盖从数据预处理、特征归一化、梯度下降算法到模型训练的每一个细节。通过丰富的代码示例和详细的中文注释，本文将帮助读者从头掌握逻辑回归模型的构建与优化。 ...继续阅读 (17)

特征工程是提升机器学习模型性能的关键步骤。特征选择、编码、缩放和构建衍生特征等环节能大幅度提高模型的准确性。然而，手动特征工程流程繁琐且耗时，因此构建自动化特征工程工具是机器学习项目高效落地的关键。本文将教你如何使用Python构建一个自动化特征工程工具，涵盖特征选择、编码、数据缩放和特征生成等步骤。通过大量代码示例和详细的中文注释，帮助读者实现特征工程自动化，提升模型的表现，简化开发流程。 ...继续阅读 (29)

假设你正在写后端代码，其中一个函数的功能是传入文章id，返回文章详情。因为项目比较大，因此在定义函数时，把类型标注加上，标明了参数的类型和返回的类型。例如：123456789101112131415161718192021222324252627fromtypingimportListfromdataclassesimportdataclass@dataclassclassArticleDetail:id:inttitle:strcontent:strtag:List[str]defquery_article_detail(article_id:int) -> ArticleDetail:ifisinstance(article_id,int):detail = ArticleDetail(id=article_id,title='文章标题',content='文章内容',tag=['tag1','tag2'])returndetaildeftest_query_article_detail():detail = query_article_detail(123)print(detail.content)现在，当你拿到返回的detail变量时，IDE的自动补全就可以正常工作了，如下图所示。你想让这个函数 ...继续阅读 (19)

单例模式是一种重要的设计模式，旨在确保一个类的实例在整个应用程序中仅存在一个。Python作为一种动态语言，为实现单例模式提供了多种方式，包括模块级单例、装饰器和元类等方法。本文将深入探讨这些实现方式，逐步解析它们的工作原理和适用场景。通过提供丰富的代码示例和详细的中文注释，我们将展示如何在Python中灵活使用单例模式，以满足不同场景下的资源管理需求。 ...继续阅读 (27)

Python中的魔法方法（Magic Methods）是构建Python高级功能的基础，它们使得对象可以表现出独特的行为。__call__、__new__和__del__是三种重要的魔法方法：__call__使对象可以像函数一样被调用，__new__负责对象的创建过程，而__del__则定义了对象被垃圾回收时的清理行为。本文将深入解析这三种方法的工作原理，探讨它们的应用场景，并通过代码示例展示如何自定义和控制对象行为。无论是面向对象编程初学者，还是想要优化代码的高级开发者，都将从中受益。 ...继续阅读 (18)

在Python中，大量创建和管理对象时会导致内存占用增加，尤其是对内存敏感的项目。在这种场景下，合理的内存优化策略显得尤为重要。__slots__是Python提供的优化类属性存储的工具，它能有效减少对象的内存占用。此外，对象池技术可以重用对象，减少频繁创建和销毁对象的开销。本文将详细介绍如何使用__slots__和对象池来实现内存优化，深入解析它们的工作原理，并提供丰富的代码示例，帮助读者掌握在实际项目中使用这两种方法进行内存优化的技巧。 ...继续阅读 (18)

在Python中，模块导入通常是在程序开始时进行的，这意味着一旦模块被导入，其相关的代码和资源就会被加载到内存中，直到程序结束。尽管这在大多数情况下都能正常工作，但在处理大型项目或具有复杂依赖关系的代码时，这种“早期导入”的方式可能会导致不必要的内存使用和启动延迟。本文记录 Python 在 import 时常用的懒加载实现方案。 ...继续阅读 (25)

Python中的并发编程提供了多种选择，包括多线程、多进程和协程。每种方法都有其独特的优势和适用场景：多线程适合I/O密集型任务，多进程适合CPU密集型任务，而协程则提供了轻量级的并发能力，特别适合处理大量I/O操作。本文详细分析了这三种并发模型的实现原理、优缺点，并通过示例代码展示它们的实际应用。此外，本文还将探讨在不同场景下如何选择适合的并发模型，以实现高效的并发处理。 ...继续阅读 (19)

Bahasa Pythonadalah salah satu bahasa pemrograman yang paling banyak digunakan dan fleksibel saat ini. Bahasa ini tidak hanya populer di kalangan pemula, tetapi juga sangat diminati oleh para profesional yang bekerja di bidang seperti data science, pengembangan web, dan machine learning. Dalam panduan ini, Anda akan mempelajari cara belajar Python dari nol, mulai dari konsep dasar hingga penerapan di dunia nyata.Mengapa Memilih Python untuk Belajar Pemrograman?Python terkenal dengan sintaksnya yang sederhana, mirip dengan bahasa manusia, sehingga mudah dipelajari oleh siapa saja, termasuk pemu ...继续阅读 (12)

...继续阅读 (23)

...继续阅读 (17)

上下文管理器是Python中一个用于自动管理资源的强大机制，通过`with`语句的简洁语法来确保资源在使用后能够正确关闭和释放。尤其在文件操作、数据库连接等需要明确关闭的场景中，使用上下文管理器不仅提升了代码的可读性，还能有效防止资源泄漏。本文将深入解析Python上下文管理器的工作原理，涵盖__enter__和__exit__方法的内部机制，展示如何自定义上下文管理器来满足特定需求。通过多个代码示例和详细的中文注释，我们将揭示如何实现自定义的`with`语句，以简化资源管理并提高代码的稳定性。 ...继续阅读 (16)

我们知道，在写Python时，使用IDE的自动补全功能，可以大大提高代码的开发效率。使用类型标注功能，可以让IDE知道应该怎么做自动补全。当我们没有类型标注时，IDE并不知道函数的某个参数是什么东西，没有办法做补全，如下图所示。但当我们把类型标注加上以后，IDE就能正常补全了，如下图所示：这样做，需要从另一个文件中，把这个参数对应的类导入到当前文件里面，然后把类作为类型填写到函数参数后面。咋看起来没有什么问题，并且我，还有很多看文章的同学，应该经常这样写类型标注的代码，从而提高代码的开发效率。但如果你的项目规模大起来以后，你就会遇到几个比较麻烦的问题：导入链过长：例如上面截图中的代码，我从model.py中导入了Detail这个类。如果我在model.py文件的开头，还有from aaa import bbb，而在aaa.py文件开头，又有from ccc import ddd；在ccc.py开头，又有from xxx import yyy……这个导入链条就会变得很长。虽然Python对模块导入已经做了缓存，多次执行from xxx import yyy时，只有第一次会生效，后面都是读取缓存，但读取缓存也会消耗一些时间。循环依赖：一般情况下，你的代码能够正常运行，那么应该是不会存在循环依赖的。否则肯定报错了。但现在你在一个原来的依赖链条之外的文件中，为了做类型标注，导入了一个已有的 ...继续阅读 (18)

在Python中，`__getattr__`和`__setattr__`是两种强大的魔法方法，用于动态管理属性访问。通过这些方法，开发者可以实现对属性的灵活访问和赋值，创建更具弹性的类设计，尤其适合处理具有不确定属性的数据结构。本文将详细介绍如何使用`__getattr__`和`__setattr__`实现动态属性访问和赋值，并结合丰富的代码示例展示如何利用这些方法优化类的设计。我们还将探索`__delattr__`的作用，展示如何在Python中构建具有动态属性的灵活类，为复杂数据访问需求提供解决方案。 ...继续阅读 (19)

Python中的协程和生成器是实现并发编程和异步处理的重要工具。生成器通过`yield`语句提供了延迟计算的能力，而协程则在生成器的基础上实现了更灵活的数据流控制，允许在函数执行过程中暂停并恢复。Python 3.5引入了`async`和`await`，使得异步编程更加直观和便捷。本文深入探讨协程和生成器的实现方式，从基本的`yield`用法入手，逐步解析如何将生成器转化为协程，最后介绍`async`和`await`语法的应用，并包含大量代码示例和详尽的中文注释，帮助读者理解Python中的异步编程。 ...继续阅读 (24)

Python 3.7引入的数据类（dataclass）极大地简化了类的定义，尤其在处理数据管理任务时。数据类自动生成__init__、__repr__等方法，帮助开发者避免重复性代码，提高了代码的简洁性和可读性。本文将深入讲解数据类的用法，包括如何使用Python的dataclasses模块定义数据类、默认参数、类型注解、字段排序、方法重写等内容。我们还将通过丰富的代码示例，展示数据类在实际项目中的应用，帮助开发者高效管理和操作数据。 ...继续阅读 (19)

本周刊由 Python猫 出品，精心筛选国内外的 250+ 信息源，为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景：帮助所有读者精进 Python 技术，并增长职业和副业的收入。分享了 11 篇文章，12 个开源项目，全文 2000 字。以下是本期摘要：🦄文章&教程① 袖珍而强大的编程语言（系列共 6 篇）② Django Girls：这是我们的 10 岁生日！③ venvstacks 简介：分层的 Python 虚拟环境④ 不要在新 API 中返回命名元组⑤ 关于 Django 核心的思考⑥ Python 3.13 性能现状：自由线程⑦ Python 项目管理和打包综合指南：用 uv 作解释⑧ 如何用 cProfile 和 snakeviz 分析 Python 代码？⑨ 高效 Python 编程的 21 条提示和技巧⑩ 关于构建 ML 系统、扩展、执行等的 39 个教训⑪ Octoverse：Python 超越 JavaScript 成为 Github 最流行语言🐿️项目&资源① ranger：受 VIM 启发的控制台中的文件管理器② libcom：图像合成工具箱③ go-python：在 Go 里写 Python④ code-embedder：使 README 中的代码片段保持最新⑤ toolgit： Git 生产力工具包⑥ tinylan ...继续阅读 (8)

生成式预训练模型（Generative Pre-trained Transformer, GPT）是一类强大的自然语言生成模型，能够基于输入上下文生成连贯的自然语言文本，广泛应用于文本生成、对话系统等领域。本文将深入探讨如何利用Python中的`transformers`库实现基于GPT的文本生成和对话系统。我们将首先介绍GPT的核心原理，讲解如何使用预训练模型生成文本。然后，进一步展示如何维护对话上下文，使GPT生成符合用户预期的连贯多轮对话。文章涵盖了大量代码示例、生成控制参数、对话优化方法等内容，为读 ...继续阅读 (63)