کتاب Python Real-World Projects: Crafting your Python Portfolio with Deployable Applications (پروژه‌های دنیای واقعی پایتون: ساخت نمونه کارها پایتون خود با برنامه‌های کاربردی قابل استقرار) یک منبع کاربردی برای کار با پروژه‌ها و فرآیندهای مختلف با استفاده از زبان برنامه‌نویسی پایتون است.
در ادامه مقدمه‌ای از کتاب Python Real-World Projects را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Python Real-World Projects:
چگونه دانش خود را از پایتون افزایش دهیم؟ شاید یک سؤال مهم‌تر این باشد که “چگونه به دیگران نشان دهیم که چقدر خوب می‌توانیم نرم‌افزار در پایتون بنویسیم؟”
هر دوی این سوالات پاسخ یکسانی دارند. ما مهارت‌های خود را می‌سازیم و با تکمیل پروژه‌ها آن مهارت‌ها را نشان می‌دهیم. به طور خاص، ما باید پروژه‌هایی را تکمیل کنیم که برخی از استانداردهای پذیرفته شده را برای توسعه حرفه‌ای رعایت کنند. برای اینکه به عنوان یک حرفه‌ای دیده شویم، باید فراتر از تمرینات سطح کارآموزی قدم برداریم و توانایی خود را در کار بدون دست داشتن یک استادکار حرفه‌ای نشان دهیم.
فکر می‌کنم برای اولین بار به تنهایی و بدون یک کاپیتان یا معلم باتجربه‌تر در قایق دریانوردی می‌کنم. به نظر من تکمیل یک جفت جوراب دستباف است که می‌توان آن‌ها را پوشید تا زمانی که جوراب‌ها کاملاً فرسوده شوند و دیگر قابل تعمیر نباشند.
تکمیل یک پروژه مستلزم دستیابی به تعدادی از اهداف است. یکی از مهمترین آن‌ها ارسال آن در یک مخزن عمومی مانند SourceForge (https://sourceforge.net) یا GitHub (https://github.com) است تا توسط کارفرمایان بالقوه، منابع مالی یا شرکای تجاری قابل مشاهده باشد.
ما بین سه مخاطب برای یک پروژه تکمیل شده تمایز قائل می‌شویم:
- یک پروژه شخصی، احتمالاً برای یک گروه کاری یا چند همتا مناسب است.
- پروژه‌ای مناسب برای استفاده در سرتاسر یک شرکت (به عنوان مثال، یک کسب و کار، سازمان یا سازمان دولتی)
- پروژه‌ای که می‌تواند در فهرست بسته پایتون، PyPI (https://pypi.org) منتشر شود.
ما بین ایجاد یک بسته PyPI و ایجاد یک بسته قابل استفاده در یک سازمان، مرز دقیقی ترسیم می‌کنیم. برای PyPI، بسته نرم‌افزاری باید با ابزار PIP قابل نصب باشد. این اغلب الزاماتی را برای آزمایش زیادی اضافه می‌کند تا تأیید کند که بسته در گسترده‌ترین زمینه‌ها کار می‌کند. این می‌تواند بار سنگینی باشد.
برای کتاب Python Real-World Projects، ما روش‌هایی را پیشنهاد می‌کنیم که اغلب برای نرم‌افزار سازمانی استفاده می‌شوند. در یک زمینه سازمانی، اغلب قابل قبول است که بسته‌هایی ایجاد کنید که توسط PIP نصب نشده باشند.
در عوض، کاربران می‌توانند بسته را با شبیه سازی مخزن نصب کنند. هنگامی که افراد برای یک شرکت مشترک کار می‌کنند، بسته‌های شبیه سازی به کاربران اجازه می‌دهد تا با تغییرات پیشنهادی یا رفع اشکال، درخواست‌های کششی ارائه دهند. تعداد محیط‌های متمایز که در آن نرم‌افزار استفاده می‌شود ممکن است بسیار کم باشد. این امر بار آزمایش جامع را کاهش می‌دهد. جامعه کاربران بالقوه برای نرم‌افزار سازمانی کوچکتر از بسته ای است که از طریق PyPI به جهان ارائه می‌شود.
بیشتر بخوانید: کتاب Python Data Analytics
کتاب Python Real-World Projects برای چه کسی است؟
این کتاب برای برنامه‌نویسان با تجربه‌ای است که می‌خواهند مهارت‌های خود را با تکمیل پروژه‌های پایتون در سطح حرفه‌ای بهبود بخشند. همچنین برای توسعه دهندگانی است که باید مهارت‌های خود را با نمایش مجموعه‌ای از کار نشان دهند.
پروژه‌های کتاب Python Real-World Projects به صورت کلی توضیح داده شده‌اند که شما را ملزم به پر کردن جزئیات طراحی و تکمیل برنامه‌نویسی می‌کند. هر فصل بیشتر از کدی که باید بنویسید، روی رویکرد مورد نظر و موارد قابل تحویل تمرکز دارد. این کتاب موارد آزمون و معیارهای پذیرش را به تفصیل شرح می‌دهد و شما را آزاد می‌گذارد تا نمونه کاری را که تست‌های پیشنهادی را با موفقیت پشت سر می‌گذارد تکمیل کنید.
بیشتر بخوانید: کتاب A Handbook of Mathematical Models with Python
آنچه کتاب Python Real-World Projects پوشش می‌دهد:
ما می توانیم این کتاب را به پنج موضوع کلی تقسیم کنیم:
ما با کسب داده از منابع شروع می‌کنیم. شش پروژه اول پروژه‌هایی را برای به دست آوردن داده‌ها برای پردازش تحلیلی از منابع مختلف پوشش خواهند داد.
هنگامی که داده‌ها را در اختیار داریم، اغلب نیاز به بازرسی و بررسی داریم. پنج پروژه بعدی به برخی از راه‌های بازرسی داده‌ها برای اطمینان از قابل استفاده بودن آن‌ها و تشخیص مشکلات عجیب و غریب، موارد دورافتاده و استثنا نگاه می‌کنند.
خط لوله تجزیه و تحلیل عمومی به سمت تمیز کردن، تبدیل و عادی‌سازی حرکت می‌کند. هشت پروژه وجود دارد که به این مشکلات مرتبط نزدیک می‌پردازد.
نتایج مفید با ارائه خلاصه ها شروع می‌شود. در اینجا تنوع زیادی وجود دارد، بنابراین ما فقط دو ایده پروژه را ارائه خواهیم داد. در بسیاری از موارد، شما می‌خواهید راه حل های منحصر به فرد خود را برای ارائه داده‌هایی که جمع‌آوری کرده‌اند ارائه دهید.
کتاب Python Real-World Projects با دو پروژه کوچک به پایان می‌رسد که برخی از اصول مدل‌سازی آماری را پوشش می‌دهد. در برخی از سازمان‌ها، این ممکن است شروعی برای علم داده پیچیده تر و برنامه‌های کاربردی یادگیری ماشین باشد. ما شما را تشویق می‌کنیم که به مطالعه برنامه‌های پایتون در حوزه علم داده ادامه دهید.
بخش اول کتاب Python Real-World Projects دارای دو فصل مقدماتی برای کمک به تعریف این است که چه چیزی قابل تحویل است و چه مواردی را گسترده پروژه‌ها شامل می‌شود. فصل 1، پروژه صفر: الگویی برای سایر پروژه‌ها یک پروژه پایه است. عملکرد یک “سلام، جهان!” کاربرد. با این حال، زیرساخت اضافی آزمون‌های واحد، آزمون‌های پذیرش، و استفاده از ابزاری مانند tox یا nox برای اجرای آزمون‌ها در کانون توجه است.
فصل بعدی کتاب Python Real-World Projects، فصل 2، مروری بر پروژه‌ها، رویکرد کلی کتاب Python Real-World Projects را نشان می‌دهد. این جریان داده‌ها را از اکتساب از طریق پاکسازی تا تجزیه و تحلیل و گزارش ارائه می‌کند. این فصل مشکل بزرگ “تحلیل داده‌ها” را به تعدادی از مسائل کوچکتر تجزیه می‌کند که می‌توانند به صورت مجزا حل شوند.
دنباله‌ای از فصل‌ها که با فصل 3 شروع می‌شوند، پروژه 1.1: برنامه پایه اکتساب داده، تعدادی برنامه کاربردی مجزا برای اکتساب داده ایجاد می‌کند. این دنباله با به دست آوردن داده‌ها از فایل های CSV شروع می‌شود. اولین تغییر، در فصل 4، ویژگی‌های اکتساب داده: Web APIها و Scraping، به روش‌های دریافت داده از صفحات وب می‌پردازد.
دو پروژه بعدی در فصل 5 کتاب Python Real-World Projects، ویژگی‌های اکتساب داده: پایگاه داده SQL ترکیب می‌شوند. این فصل یک نمونه پایگاه داده SQL می‌سازد و سپس داده‌ها را از آن استخراج می‌کند. پایگاه داده مثال به ما امکان می‌دهد مفاهیم مدیریت پایگاه داده سازمانی را برای درک کاملتر برخی از پیچیدگی های کار با داده‌های رابطه ای بررسی کنیم.
هنگامی که داده‌ها به دست آمد، پروژه ها به بازرسی داده‌ها منتقل می‌شوند. فصل 6، پروژه 2.1: دفترچه یادداشت بازرسی داده، یک دفترچه بازرسی اولیه ایجاد می‌کند. در فصل ۷، ویژگی‌های بازرسی داده‌ها، مجموعه‌ای از پروژه‌ها ویژگی‌هایی را برای دسته‌های مختلف داده به دفترچه بازرسی اولیه اضافه می‌کنند.
این مبحث با فصل 8 کتاب Python Real-World Projects، پروژه 2.5: پروژه طرح‌واره و فراداده به پایان می‌رسد تا طرحی رسمی برای منبع داده و داده‌های به‌دست‌آمده ایجاد شود. استاندارد JSON Schema استفاده می‌شود زیرا به نظر می‌رسد به راحتی با پردازش داده‌های سازمانی سازگار است. این رسمی‌سازی طرح‌واره بخشی از پروژه‌های بعدی خواهد شد.
سومین مبحث – تمیز کردن – با فصل 9، پروژه 3.1 شروع می‌شود: برنامه پاکسازی پایگاه داده. این برنامه پایه برای پاک کردن داده‌های به دست آمده است. این بسته Pydantic را به عنوان راهی برای ارائه قوانین صریح اعتبارسنجی داده‌ها معرفی می‌کند.
فصل 10 کتاب Python Real-World Projects، «ویژگی‌های پاکسازی داده» تعدادی پروژه برای افزودن ویژگی‌ها به برنامه پاکسازی داده‌های اصلی دارد. بسیاری از مجموعه داده‌های نمونه در فصل‌های قبلی داده‌های بسیار تمیزی را ارائه می‌دهند. این باعث می‌شود که فصل به نظر مهندسی بیش از حد بی مورد باشد. اگر داده‌های نمونه را استخراج کنید و سپس به صورت دستی آن‌ها را خراب کنید تا نمونه هایی از داده‌های نامعتبر و معتبر داشته باشید، می‌تواند کمک کند.
در فصل 11 کتاب Python Real-World Projects، پروژه 3.7: ماندگاری موقت داده، به ذخیره داده‌های پاک‌شده برای استفاده بیشتر می‌پردازیم. خط لوله بدست آوردن و تمیز کردن اغلب به عنوان یک وب سرویس بسته‌بندی می‌شود.
در فصل 12 کتاب Python Real-World Projects، پروژه 3.8: وب سرویس یکپارچه اکتساب داده، یک وب سرور ایجاد خواهیم کرد تا داده‌های پاک شده را برای پردازش بعدی ارائه دهد. این نوع بسته بندی خدمات وب حول یک فرآیند طولانی مدت به دست آوردن و تمیز کردن، تعدادی از مشکلات طراحی جالب را ارائه می‌دهد.
موضوع بعدی تجزیه و تحلیل داده‌ها است. در فصل ۱۳، پروژه ۴.۱: تکنیک‌های تحلیل بصری، به روش‌هایی برای تولید گزارش‌ها، نمودارها و نمودارها با استفاده از قدرت JupyterLab می‌پردازیم.
در بسیاری از سازمان ها، تجزیه و تحلیل داده‌ها ممکن است منجر به یک سند یا گزارش رسمی شود که نتایج را نشان می‌دهد. این ممکن است مخاطبان زیادی از سهامداران و تصمیم گیرندگان داشته باشد. در فصل 14، پروژه 4.2: ایجاد گزارش‌ها، به روش‌هایی برای تولید گزارش‌های ظریف از داده‌های خام با استفاده از محاسبات در نوت‌بوک JupyterLab می‌پردازیم.
موضوع نهایی مدل‌سازی آماری است. این با فصل 15، پروژه 5.1 شروع می‌شود: برنامه کاربردی پایه مدل‌سازی برای ایجاد برنامه‌ای که درس‌های آموخته‌شده در پروژه‌های دفترچه یادداشت بازرسی و تجزیه و تحلیل را در بر می‌گیرد. گاهی اوقات می‌توانیم برنامه‌نویسی پایتون را در بین این پروژه‌ها به اشتراک بگذاریم. با این حال، در موارد دیگر، ما فقط می‌توانیم درس‌های آموخته شده را به اشتراک بگذاریم. همانطور که درک ما تکامل می‌یابد، ما اغلب ساختارهای داده را تغییر می‌دهیم و بهینه‌سازی‌های دیگر را اعمال می‌کنیم که به اشتراک‌گذاری یک تابع یا تعریف کلاس را دشوار می‌کند.
در فصل 16، پروژه 5.2: آمار چند متغیره ساده، مدل‌سازی تک متغیره را برای افزودن آمار چند متغیره گسترش می‌دهیم. این مدل‌سازی برای تاکید بر طراحی پایه و جزئیات معماری ساده نگه داشته می‌شود. اگر به آمارهای پیشرفته‌تر علاقه دارید، پیشنهاد می‌کنیم پروژه کاربردی پایه را بسازید، آن را به کار بیاورید، و سپس مدل‌سازی پیچیده‌تری را به یک پروژه پایه در حال کار اضافه کنید.
فصل آخر کتاب Python Real-World Projects، فصل 17، مراحل بعدی، نکاتی را برای کاربردهای پیچیده‌تر ارائه می‌کند. در بسیاری از موارد، یک پروژه از اکتشاف به نظارت و نگهداری تکامل می‌یابد. یک دم بلند وجود خواهد داشت که در آن مدل همچنان تایید و اصلاح می‌شود. در برخی موارد، دم بلند با تعویض یک مدل به پایان می‌رسد. دیدن این دم بلند می‌تواند به تحلیلگر کمک کند تا ارزش زمان سرمایه گذاری شده برای ایجاد نرم‌افزار قوی و قابل اعتماد را در هر مرحله از سفر خود درک کند.
سرفصل‌های کتاب Python Real-World Projects:
- Preface
- Chapter 1: Project Zero: A Template for Other Projects
- Chapter 2: Overview of the Projects
- Chapter 3: Project 1.1: Data Acquisition Base Application
- Chapter 4: Data Acquisition Features: Web APIs and Scraping
- Chapter 5: Data Acquisition Features: SQL Database
- Chapter 6: Project 2.1: Data Inspection Notebook
- Chapter 7: Data Inspection Features
- Chapter 8: Project 2.5: Schema and Metadata
- Chapter 9: Project 3.1: Data Cleaning Base Application
- Chapter 10: Data Cleaning Features
- Chapter 11: Project 3.7: Interim Data Persistence
- Chapter 12: Project 3.8: Integrated Data Acquisition Web Service
- Chapter 13: Project 4.1: Visual Analysis Techniques
- Chapter 14: Project 4.2: Creating Reports
- Chapter 15: Project 5.1: Modeling Base Application
- Chapter 16: Project 5.2: Simple Multivariate Statistics
- Chapter 17: Next Steps
- Other Books You Might Enjoy
- Index
جهت دانلود کتاب Python Real-World Projects می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.