🔥🔥🔥 Топ посты за 3 месяца 🤖🤖🤖

👉 Modin — это библиотека, разработанная для увеличения производительности операций с данными в Pandas

👉 Vaex — это библиотека Python для быстрого чтения, записи и анализа очень больших наборов данных прямо из файловой системы

👉 Hadoop - это распределенная система хранения и обработки больших объемов данных

👉 PyTorch с Wine Dataset (Винный набор данных)

👉 Python с использованием библиотеки Bokeh для визуализации данных из базы данных SQLite

👉 Демо использования декораторов, контекстных менеджеров, асинхронного программирования и датаклассов

👉 Демо использования библиотеки Polyglot для обработки естественного языка

👉 Octoparse — это мощный инструмент для веб-скрейпинга с графическим интерфейсом

👉 Создадим интересную программу на Python, которая реализует генетический алгоритм для решения задачи оптимизации

Подпишись 👉🏻 @KodduuPython 🤖

### Алгоритмы планирования задач

Алгоритмы планирования задач используются для оптимизации времени выполнения, распределения ресурсов и выполнения процессов в различных системах: от операционных систем до задач управления проектами.

---

### Ключевые цели планирования
1. Минимизация времени выполнения:
- Сократить общее время выполнения задач (makespan).
2. Эффективное использование ресурсов:
- Распределение задач по ресурсам (например, процессорам, работникам).
3. Учет приоритетов:
- Выполнение более важных задач раньше.
4. Соблюдение дедлайнов:
- Удовлетворение временных ограничений.

---

### Основные типы алгоритмов планирования

#### 1. Планирование по приоритету (Priority Scheduling)
- Идея: Каждой задаче присваивается приоритет, и задачи с более высоким приоритетом выполняются раньше.
- Применение: Используется в операционных системах для выполнения пользовательских или системных процессов.

Код на Python:

def priority_scheduling(tasks):
    """
    Планирование задач по приоритету.
    :param tasks: Список задач [(имя, приоритет)].
    :return: Упорядоченный список задач.
    """
    # Сортировка задач по приоритету (чем меньше число, тем выше приоритет)
    tasks = sorted(tasks, key=lambda x: x[1])
    return tasks

# Пример задач
tasks = [("Task1", 3), ("Task2", 1), ("Task3", 2)]
result = priority_scheduling(tasks)
print("Упорядоченные задачи:", result)

Пример вывода:

Упорядоченные задачи: [('Task2', 1), ('Task3', 2), ('Task1', 3)]

---

#### 2. Алгоритм "Сначала короткие задачи" (Shortest Job First, SJF)
- Идея: Сначала выполняются задачи с наименьшим временем выполнения.
- Применение: Уменьшение времени ожидания для задач.
- Ограничение: Требует предварительного знания времени выполнения задач.

Код на Python:

def sjf_scheduling(tasks):
    """
    Планирование задач по времени выполнения.
    :param tasks: Список задач [(имя, время выполнения)].
    :return: Упорядоченный список задач.
    """
    tasks = sorted(tasks, key=lambda x: x[1])
    return tasks

# Пример задач
tasks = [("Task1", 6), ("Task2", 2), ("Task3", 8), ("Task4", 3)]
result = sjf_scheduling(tasks)
print("Упорядоченные задачи:", result)

Пример вывода:

Упорядоченные задачи: [('Task2', 2), ('Task4', 3), ('Task1', 6), ('Task3', 8)]

---

#### 3. Планирование с учетом дедлайнов (Deadline Scheduling)
- Идея: Выполнять задачи так, чтобы минимизировать штрафы за пропуск дедлайнов.
- Пример: Задачи должны быть завершены до определенного времени.

Код на Python:

def deadline_scheduling(tasks, max_time):
    """
    Планирование задач с учетом дедлайнов.
    :param tasks: Список задач [(имя, дедлайн, прибыль)].
    :param max_time: Общее доступное время.
    :return: Список выполненных задач.
    """
    # Сортировка по прибыли в порядке убывания
    tasks = sorted(tasks, key=lambda x: x[2], reverse=True)

    schedule = [None] * max_time  # Таймслот для каждой задачи
    total_profit = 0

    for task in tasks:
        name, deadline, profit = task
        for t in range(min(deadline - 1, max_time - 1), -1, -1):
            if schedule[t] is None:
                schedule[t] = name
                total_profit += profit
                break

    return schedule, total_profit

# Пример задач
tasks = [("Task1", 4, 70), ("Task2", 1, 80), ("Task3", 1, 30), ("Task4", 2, 40)]
result, profit = deadline_scheduling(tasks, 4)
print("План выполнения:", result)
print("Общая прибыль:", profit)

Пример вывода:

План выполнения: ['Task2', 'Task4', 'Task1', None]
Общая прибыль: 190

Подпишись 👉🏻 @KodduuPython 🤖

Для демонстрации различий между Python и Elixir, давайте рассмотрим несколько примеров, сравнивающих синтаксис и ключевые особенности этих языков. Мы затронем основные аспекты, такие как обработка списков, функции высшего порядка и многопоточность.

---

### 1. Обработка списков (List Comprehension vs. Enum.map)

#### Python:

# Генерация списка квадратов чисел
numbers = [1, 2, 3, 4, 5]
squares = [x ** 2 for x in numbers]
print(squares)  # [1, 4, 9, 16, 25]

#### Elixir:

# Генерация списка квадратов чисел
numbers = [1, 2, 3, 4, 5]
squares = Enum.map(numbers, fn x -> x * x end)
IO.inspect(squares)  # [1, 4, 9, 16, 25]

---

### 2. Функции высшего порядка

#### Python:

# Функция высшего порядка с передачей функции
def apply_function(data, func):
    return [func(x) for x in data]

result = apply_function([1, 2, 3], lambda x: x + 10)
print(result)  # [11, 12, 13]

#### Elixir:

# Функция высшего порядка с передачей функции
defmodule HigherOrder do
  def apply_function(data, func) do
    Enum.map(data, func)
  end
end

result = HigherOrder.apply_function([1, 2, 3], fn x -> x + 10 end)
IO.inspect(result)  # [11, 12, 13]

---

### 3. Многопоточность

#### Python (с использованием `threading`):

import threading

def print_numbers():
    for i in range(1, 6):
        print(f"Thread: {i}")

# Создаем и запускаем поток
thread = threading.Thread(target=print_numbers)
thread.start()
thread.join()

#### Elixir (встроенная многопоточность):

# Спавн и выполнение процесса
spawn(fn ->
  Enum.each(1..5, fn i -> IO.puts("Process: #{i}") end)
end)

---

### 4. Распределенные вычисления

#### Python (требуется дополнительная библиотека, например, multiprocessing или `asyncio`):

from multiprocessing import Pool

def square(x):
    return x ** 2

if __name__ == "__main__":
    with Pool(4) as pool:
        result = pool.map(square, [1, 2, 3, 4, 5])
        print(result)  # [1, 4, 9, 16, 25]

#### Elixir (распределенные вычисления встроены в язык):

# Распределенные вычисления с использованием Task.async
tasks = Enum.map([1, 2, 3, 4, 5], fn x ->
  Task.async(fn -> x * x end)
end)

results = Enum.map(tasks, &Task.await/1)
IO.inspect(results)  # [1, 4, 9, 16, 25]

---

### Основные отличия:

1. Функциональная природа Elixir: Elixir изначально разработан как функциональный язык, где неизменяемость данных и функции высшего порядка являются центральными концепциями. Python же ориентирован на императивный подход, но также поддерживает элементы функционального программирования.

2. Многопоточность и распределенные системы: Elixir предлагает встроенные возможности для многопоточности и распределенных вычислений благодаря платформе Erlang. В Python для этого часто требуется использование библиотек.

3. Синтаксис: Python использует более традиционный, читаемый синтаксис, в то время как Elixir акцентируется на лаконичности и выражениях.

Подпишись 👉🏻 @KodduuPython 🤖

Сравним Python и другой функциональный язык — Haskell. Haskell — это язык, ориентированный на чисто функциональное программирование, где неизменяемость данных, ленивые вычисления и строгая типизация являются ключевыми концепциями.

---

### 1. Обработка списков (List Comprehension)

#### Python:

# Генерация списка квадратов чисел
numbers = [1, 2, 3, 4, 5]
squares = [x ** 2 for x in numbers]
print(squares)  # [1, 4, 9, 16, 25]

#### Haskell:

-- Генерация списка квадратов чисел
numbers = [1, 2, 3, 4, 5]
squares = [x ^ 2 | x <- numbers]
main = print squares  -- [1, 4, 9, 16, 25]

Отличие: В обоих языках используется синтаксис генераторов, но в Haskell он более математический и декларативный.

---

### 2. Функции высшего порядка

#### Python:

# Пример применения функции к каждому элементу списка
def apply_function(data, func):
    return [func(x) for x in data]

result = apply_function([1, 2, 3], lambda x: x + 10)
print(result)  # [11, 12, 13]

#### Haskell:

-- Пример применения функции к каждому элементу списка
applyFunction :: [Int] -> (Int -> Int) -> [Int]
applyFunction data func = map func data

main = print $ applyFunction [1, 2, 3] (+ 10)  -- [11, 12, 13]

Отличие: В Haskell типы функций строго указаны, а операции, такие как map, встроены в стандартную библиотеку. Кроме того, Haskell автоматически выводит типы, если вы их не указываете.

---

### 3. Рекурсия

#### Python:

# Рекурсивное вычисление факториала
def factorial(n):
    if n == 0:
        return 1
    return n * factorial(n - 1)

print(factorial(5))  # 120

#### Haskell:

-- Рекурсивное вычисление факториала
factorial :: Int -> Int
factorial 0 = 1
factorial n = n * factorial (n - 1)

main = print $ factorial 5  -- 120

Отличие: В Haskell рекурсия является основным инструментом, заменяющим циклы. Также используется сопоставление с образцом (`pattern matching`) для упрощения кода.

---

### 4. Ленивые вычисления

#### Python:

# Пример ленивых вычислений через генераторы
def lazy_numbers():
    for i in range(1, 6):
        yield i ** 2

for num in lazy_numbers():
    print(num)  # 1, 4, 9, 16, 25

#### Haskell:

-- Ленивые вычисления встроены в язык
lazyNumbers = [x ^ 2 | x <- [1..5]]

main = print lazyNumbers  -- [1, 4, 9, 16, 25]

Отличие: В Haskell ленивые вычисления встроены на уровне языка. Python требует явного использования генераторов.

---

### 5. Многопоточность

#### Python:

import threading

def print_numbers():
    for i in range(1, 6):
        print(f"Thread: {i}")

thread = threading.Thread(target=print_numbers)
thread.start()
thread.join()

#### Haskell:

import Control.Concurrent

printNumbers :: IO ()
printNumbers = mapM_ (putStrLn . show) [1..5]

main = forkIO printNumbers >> return ()

Отличие: Haskell предоставляет средства для чистой и управляемой многопоточности через библиотеки, такие как Control.Concurrent.

---

### 6. Чистота и изменяемость

- Python: Изменяемые состояния являются стандартом. Можно изменять переменные, списки и другие структуры данных.

  x = 5
  x += 1
  print(x)  # 6
  

- Haskell: Данные неизменяемы по умолчанию.

  x = 5
  -- x = x + 1  -- Ошибка: Нельзя изменить значение x
  y = x + 1
  main = print y  -- 6
  

Подпишись 👉🏻 @KodduuPython 🤖

Сравним Python и Kotlin — два языка, популярные в разных областях: Python широко используется для веб-разработки, анализа данных и автоматизации, а Kotlin — для разработки мобильных приложений (особенно на Android) и серверных решений.

1. Функции

#### Python:

def greet(name):
    return f"Hello, {name}!"

print(greet("Alice"))  # Hello, Alice!

#### Kotlin:

fun greet(name: String): String {
    return "Hello, $name!"
}

println(greet("Alice"))  // Hello, Alice!

Отличие: Kotlin требует явного указания типа аргументов и возвращаемого значения. В Python типы не обязательны, но можно использовать аннотации для большей строгости.

2. Классы

#### Python:

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def greet(self):
        return f"My name is {self.name} and I am {self.age} years old."

p = Person("Alice", 30)
print(p.greet())

#### Kotlin:

class Person(val name: String, val age: Int) {
    fun greet(): String {
        return "My name is $name and I am $age years old."
    }
}

val p = Person("Alice", 30)
println(p.greet())

Отличие: Kotlin поддерживает конструкторы непосредственно в объявлении класса, что делает код более компактным. Python требует явного определения конструктора через init.

3. Null Safety (Безопасность null)

#### Python:

x = None  # Может содержать null (None в Python)

# Операция может вызвать ошибку, если x равен None
if x is not None:
    print(x + 5)

#### Kotlin:

var x: Int? = null  // Тип Int? может быть null

x?.let {
    println(it + 5)  // Выполнится только если x не равен null
}

Отличие: В Kotlin типы по умолчанию не допускают значения null. Чтобы переменная могла быть null, нужно явно указать это через ?. Python позволяет None для любого объекта.

4. Обработка исключений

#### Python:

try:
    result = 10 / 0
except ZeroDivisionError as e:
    print(f"Error: {e}")
finally:
    print("Cleanup")

#### Kotlin:

try {
    val result = 10 / 0
} catch (e: ArithmeticException) {
    println("Error: ${e.message}")
} finally {
    println("Cleanup")
}

Отличие: Синтаксис обработки исключений похож, но Kotlin использует фигурные скобки вместо отступов.

5. Асинхронное программирование

#### Python (с использованием `asyncio`):

import asyncio

async def greet():
    print("Hello")
    await asyncio.sleep(1)
    print("World")

asyncio.run(greet())

#### Kotlin (с использованием Coroutines):

import kotlinx.coroutines.*

fun main() = runBlocking {
    launch {
        println("Hello")
        delay(1000L)
        println("World")
    }
}

Отличие: Kotlin встроенно поддерживает сопрограммы (`coroutines`), которые более естественно интегрированы в язык. В Python используется библиотека asyncio.

6. Лямбда-выражения

#### Python:

add = lambda x, y: x + y
print(add(5, 3))  # 8

#### Kotlin:

val add: (Int, Int) -> Int = { x, y -> x + y }
println(add(5, 3))  // 8

Отличие: Kotlin требует явного указания типов аргументов для функций, тогда как Python определяет типы во время выполнения.

Подпишись 👉🏻 @KodduuPython 🤖

Доделали важные вопросы, некоторый из них на картинке 😎Каждый вопрос снабжен тестами по теме вопроса 🧐 Хорошая шпаргалка по Python перед собеседованием. Вопросы собраны с 300 собеседований разных компаний в 2023-2024 году.

Подпишись 👉🏻 @KodduuPython 🤖

Сравним Python и GoLang (Golang), два языка, которые широко используются, но с разными целями: Python популярен для скриптов, анализа данных, веб-разработки и автоматизации, а Go — для высокопроизводительных серверных приложений, микросервисов и системного программирования.

1. Функции

#### Python:

def greet(name):
    return f"Hello, {name}!"

print(greet("Alice"))  # Hello, Alice!

#### Go:

package main

import "fmt"

func greet(name string) string {
    return fmt.Sprintf("Hello, %s!", name)
}

func main() {
    fmt.Println(greet("Alice"))  // Hello, Alice!
}

Отличие: В Go типы аргументов и возвращаемого значения обязательны. В Python они не нужны, но могут быть добавлены как аннотации.

2. Циклы

#### Python:

for i in range(5):
    print(i)

#### Go:

package main

import "fmt"

func main() {
    for i := 0; i < 5; i++ {
        fmt.Println(i)
    }
}

Отличие: Go имеет только один вид цикла (`for`), который может использоваться как цикл с условием, итерационный цикл или бесконечный цикл.

2. Работа с коллекциями

#### Python:

numbers = [1, 2, 3, 4, 5]
squares = [x ** 2 for x in numbers]
print(squares)  # [1, 4, 9, 16, 25]

#### Go:

package main

import "fmt"

func main() {
    numbers := []int{1, 2, 3, 4, 5}
    squares := make([]int, len(numbers))
    for i, x := range numbers {
        squares[i] = x * x
    }
    fmt.Println(squares)  // [1, 4, 9, 16, 25]
}

Отличие: Python поддерживает включения списков (list comprehensions), а в Go для работы с коллекциями часто используется цикл for.

3. Многопоточность

#### Python (с использованием `threading`):

import threading

def print_numbers():
    for i in range(5):
        print(i)

thread = threading.Thread(target=print_numbers)
thread.start()
thread.join()

#### Go:

package main

import (
    "fmt"
    "sync"
)

func printNumbers(wg *sync.WaitGroup) {
    defer wg.Done()
    for i := 0; i < 5; i++ {
        fmt.Println(i)
    }
}

func main() {
    var wg sync.WaitGroup
    wg.Add(1)
    go printNumbers(&wg)
    wg.Wait()
}

Отличие: Go имеет встроенную поддержку многопоточности через goroutines и каналы, тогда как Python требует библиотек для работы с потоками.

4. Обработка ошибок

#### Python:

try:
    result = 10 / 0
except ZeroDivisionError as e:
    print(f"Error: {e}")

#### Go:

package main

import (
    "fmt"
    "errors"
)

func main() {
    result, err := divide(10, 0)
    if err != nil {
        fmt.Println("Error:", err)
    } else {
        fmt.Println("Result:", result)
    }
}

func divide(a, b int) (int, error) {
    if b == 0 {
        return 0, errors.New("division by zero")
    }
    return a / b, nil
}

Отличие: Go не использует исключения, а вместо этого возвращает ошибки как значения. Python полагается на механизм исключений.

5. Асинхронное программирование

#### Python (с использованием `asyncio`):

import asyncio

async def greet():
    print("Hello")
    await asyncio.sleep(1)
    print("World")

asyncio.run(greet())

#### Go:

package main

import (
    "fmt"
    "time"
)

func greet() {
    fmt.Println("Hello")
    time.Sleep(1 * time.Second)
    fmt.Println("World")
}

func main() {
    go greet()
    time.Sleep(2 * time.Second)
}

Отличие: Go использует goroutines, которые интегрированы в язык, тогда как Python применяет библиотеку asyncio.

6. Пакеты и модули

#### Python:

# В файле module.py
def greet(name):
    return f"Hello, {name}!"

# В main.py
from module import greet
print(greet("Alice"))

#### Go:

// В файле module.go
package module

func Greet(name string) string {
    return "Hello, " + name + "!"
}

// В main.go
package main

import (
    "fmt"
    "module"
)

func main() {
    fmt.Println(module.Greet("Alice"))
}

Отличие: Go требует явного указания пакетов, а файлы пакетов находятся в строго организованной структуре.

Подпишись 👉🏻 @KodduuPython 🤖

Смоделировать термоядерный синтез на токамаке полностью невозможно из-за сложности физического процесса и необходимых вычислительных ресурсов. Однако можно написать упрощённую модель для демонстрации основных принципов — удержания плазмы в магнитном поле и её нагрева.

Пример кода для визуализации удержания заряженных частиц в магнитной ловушке:

import numpy as np
import matplotlib.pyplot as plt

# Константы
q = 1.6e-19  # заряд частицы (Кулон)
m = 1.67e-27  # масса частицы (кг, протон)
B = 5.0  # магнитное поле (Тесла)
dt = 1e-9  # временной шаг (с)

# Параметры начального состояния
v_perp = 1e6  # скорость перпендикулярно полю (м/с)
v_parallel = 2e6  # скорость вдоль поля (м/с)
r = 0.0  # начальная позиция в радиальном направлении (м)
z = 0.0  # начальная позиция вдоль поля (м)
theta = 0.0  # угол поворота

# Временные массивы для визуализации
time_steps = 5000
positions = np.zeros((time_steps, 3))  # (r, z, theta)

# Цикл моделирования
for i in range(time_steps):
    # Рассчитываем частоту циклотронной частоты
    omega_c = q * B / m  # циклотронная частота (рад/с)

    # Обновляем угол (вращение вокруг оси)
    theta += omega_c * dt
    if theta > 2 * np.pi:
        theta -= 2 * np.pi

    # Обновляем положение
    r = v_perp / omega_c * np.cos(theta)
    z += v_parallel * dt

    # Сохраняем позиции
    positions[i] = [r, z, theta]

# Визуализация
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot(positions[:, 0] * np.cos(positions[:, 2]),
        positions[:, 0] * np.sin(positions[:, 2]),
        positions[:, 1], label='Траектория частицы')

ax.set_xlabel('X (м)')
ax.set_ylabel('Y (м)')
ax.set_zlabel('Z (м)')
ax.set_title('Модель удержания частицы в токамаке')
plt.legend()
plt.show()

### Объяснение:
1. Циклотронная частота: Заряженная частица движется по спирали под действием магнитного поля.
2. Магнитная ловушка: Магнитное поле токамака удерживает плазму, предотвращая её контакт со стенками.
3. Параметры: Скорости \( v_\perp \) и \( v_\parallel \) представляют начальные условия частицы.

Этот код упрощён, но иллюстрирует траекторию частицы в магнитном поле. Для реальных симуляций нужно учитывать процессы нагрева, взаимодействия частиц, нестабильности плазмы и решать уравнения магнитной гидродинамики (MHD).

Подпишись 👉🏻 @KodduuPython 🤖

Результат скрипта выше 👆👆👆

Подпишись 👉🏻 @KodduuPython 🤖

Добавим анимацию траектории движения частицы в токамаке, чтобы увидеть её поведение в динамике. Используем библиотеку matplotlib.animation для создания анимации.

Вот обновлённый код:

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.animation import FuncAnimation

# Константы
q = 1.6e-19  # заряд частицы (Кулон)
m = 1.67e-27  # масса частицы (кг, протон)
B = 5.0  # магнитное поле (Тесла)
dt = 1e-9  # временной шаг (с)

# Параметры начального состояния
v_perp = 1e6  # скорость перпендикулярно полю (м/с)
v_parallel = 2e6  # скорость вдоль поля (м/с)
r = 0.0  # начальная позиция в радиальном направлении (м)
z = 0.0  # начальная позиция вдоль поля (м)
theta = 0.0  # угол поворота

# Временные массивы для визуализации
time_steps = 1000
positions = np.zeros((time_steps, 3))  # (r, z, theta)

# Цикл моделирования
for i in range(time_steps):
    # Рассчитываем частоту циклотронной частоты
    omega_c = q * B / m  # циклотронная частота (рад/с)

    # Обновляем угол (вращение вокруг оси)
    theta += omega_c * dt
    if theta > 2 * np.pi:
        theta -= 2 * np.pi

    # Обновляем положение
    r = v_perp / omega_c * np.cos(theta)
    z += v_parallel * dt

    # Сохраняем позиции
    positions[i] = [r, z, theta]

# Визуализация
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# Настройка начальной траектории
line, = ax.plot([], [], [], lw=2, label='Траектория частицы')
point, = ax.plot([], [], [], 'ro')

ax.set_xlim([-0.05, 0.05])
ax.set_ylim([-0.05, 0.05])
ax.set_zlim([0, 0.2])

ax.set_xlabel('X (м)')
ax.set_ylabel('Y (м)')
ax.set_zlabel('Z (м)')
ax.set_title('Модель удержания частицы в токамаке')
ax.legend()

# Функция для обновления анимации
def update(num):
    x = positions[:num, 0] * np.cos(positions[:num, 2])
    y = positions[:num, 0] * np.sin(positions[:num, 2])
    z = positions[:num, 1]
    line.set_data(x, y)
    line.set_3d_properties(z)
    point.set_data(x[-1:], y[-1:])
    point.set_3d_properties(z[-1:])
    return line, point

# Анимация
ani = FuncAnimation(fig, update, frames=len(positions), interval=10, blit=True)

plt.show()

### Объяснение:
1. Анимация: Используется FuncAnimation из matplotlib.animation для обновления траектории в каждой итерации.
2. Движение частицы: Красная точка показывает текущую позицию частицы, а линия визуализирует её траекторию.
3. Параметры пространства: Установлены ограничения для осей, чтобы траектория была чётко видна.

Этот код позволяет визуально наблюдать движение частицы в магнитном поле токамака в режиме реального времени.

Подпишись 👉🏻 @KodduuPython 🤖

Анимация кода выше 👆👆👆

Подпишись 👉🏻 @KodduuPython 🤖

Вот обновлённый код, в котором добавлено несколько частиц. Каждая частица имеет свои начальные условия для большей наглядности. Это создаёт эффект "облака" частиц, движущихся в магнитном поле.

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.animation import FuncAnimation

# Константы
q = 1.6e-19  # заряд частицы (Кулон)
m = 1.67e-27  # масса частицы (кг, протон)
B = 5.0  # магнитное поле (Тесла)
dt = 1e-9  # временной шаг (с)

# Параметры начального состояния
num_particles = 10  # количество частиц
v_perp = np.random.uniform(0.5e6, 1.5e6, num_particles)  # скорости перпендикулярно полю (м/с)
v_parallel = np.random.uniform(1e6, 3e6, num_particles)  # скорости вдоль поля (м/с)
theta = np.random.uniform(0, 2 * np.pi, num_particles)  # начальный угол

# Инициализация позиций частиц
r = np.zeros(num_particles)  # радиус
z = np.zeros(num_particles)  # положение вдоль оси
positions = np.zeros((num_particles, 1000, 3))  # траектория для каждой частицы

# Моделирование траектории для всех частиц
for p in range(num_particles):
    for t in range(1000):
        omega_c = q * B / m  # циклотронная частота (рад/с)
        theta[p] += omega_c * dt
        if theta[p] > 2 * np.pi:
            theta[p] -= 2 * np.pi

        r = v_perp[p] / omega_c * np.cos(theta[p])
        z[p] += v_parallel[p] * dt

        positions[p, t] = [r, z[p], theta[p]]

# Визуализация
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# Настройка графиков для частиц
lines = [ax.plot([], [], [], lw=1)[0] for _ in range(num_particles)]
points = [ax.plot([], [], [], 'o')[0] for _ in range(num_particles)]

ax.set_xlim([-0.05, 0.05])
ax.set_ylim([-0.05, 0.05])
ax.set_zlim([0, 0.2])

ax.set_xlabel('X (м)')
ax.set_ylabel('Y (м)')
ax.set_zlabel('Z (м)')
ax.set_title('Модель удержания множества частиц в токамаке')

# Функция для обновления анимации
def update(num):
    for p in range(num_particles):
        x = positions[p, :num, 0] * np.cos(positions[p, :num, 2])
        y = positions[p, :num, 0] * np.sin(positions[p, :num, 2])
        z = positions[p, :num, 1]
        lines[p].set_data(x, y)
        lines[p].set_3d_properties(z)
        points[p].set_data(x[-1:], y[-1:])
        points[p].set_3d_properties(z[-1:])
    return lines + points

# Анимация
ani = FuncAnimation(fig, update, frames=1000, interval=10, blit=True)

plt.show()

### Что изменилось:
1. Множественные частицы: Добавлено num_particles частиц. Каждая из них имеет случайные начальные скорости и углы.
2. Обновление позиций: Траектория каждой частицы рассчитывается отдельно и хранится в массиве positions.
3. Анимация для всех частиц: Линии и точки создаются для каждой частицы, и их положение обновляется на каждом шаге.

Теперь вы можете наблюдать движение "облака" частиц в магнитном поле токамака, что лучше демонстрирует работу системы удержания.

Подпишись 👉🏻 @KodduuPython 🤖

Анимация кода выше 👆👆👆

Подпишись 👉🏻 @KodduuPython 🤖

Тут я за производтельность, безопасность и чистоту кода. Это кстати очень хориший вопрос на собеседовании, потому что тут все depends... И ответ на этот вопрос сильно определяет ваш уровень. Я люблю такие вопросы.

Линк на сам курс.

Подпишись 👉🏻 @KodduuPython 🤖

Познакомимся с редкой библиотекой для задач производительности и удобства работы с многопоточностью — `joblib`. Она полезна для эффективного параллельного выполнения задач и кеширования результатов.

---

### Установка joblib
Если библиотека не установлена:

pip install joblib

---

### Пример использования: параллельная обработка
Создадим пример, который выполняет вычисления факториалов для большого набора чисел с использованием многопоточности.

from joblib import Parallel, delayed
import math
import time

# Функция для вычисления факториала
def compute_factorial(n):
    return math.factorial(n)

def main():
    numbers = range(100000, 100010)  # Список больших чисел для вычисления факториала
    
    print("Вычисление факториалов параллельно...")
    start = time.time()
    
    # Параллельное выполнение
    results = Parallel(n_jobs=-1)(delayed(compute_factorial)(n) for n in numbers)
    
    end = time.time()
    print(f"Результаты: {[len(str(r)) for r in results]} (количество цифр в каждом факториале)")
    print(f"Время выполнения: {end - start:.2f} секунд")

if __name__ == "__main__":
    main()

### Объяснение:
1. Параллельное выполнение:
- Parallel(n_jobs=-1) использует все доступные ядра процессора для вычислений.
- delayed(compute_factorial) указывает функцию и её аргументы для выполнения.

2. Результаты:
- Код вычисляет факториалы для чисел от 100,000 до 100,009.
- Вместо вывода самих чисел (очень большие), выводится количество цифр в результатах.

3. Время выполнения:
- Параллельное выполнение значительно ускоряет обработку по сравнению с последовательным.

### Преимущества joblib:
- Простота использования.
- Поддержка автоматического распараллеливания.
- Возможность кеширования результатов для экономии времени на повторных вычислениях.

Подпишись 👉🏻 @KodduuPython 🤖