Вот пример использования библиотеки textblob, которая может быть полезной для обработки текста и анализа настроения. В этом примере мы используем textblob для определения полярности и субъективности текста:

python
from textblob import TextBlob

# Некоторый текст для анализа
text = """Python is an amazing programming language.
          I love working on projects using Python!"""

# Создание объекта TextBlob
blob = TextBlob(text)

# Полностью перевод текста на другой язык (например, на русский)
translated_blob = blob.translate(to="ru")
print(f"Переведенный текст: {translated_blob}")

# Анализ настроения каждого предложения в тексте
for sentence in blob.sentences:
    print(f"Предложение: {sentence}")
    print(f"Полярность: {sentence.sentiment.polarity}")
    print(f"Субъективность: {sentence.sentiment.subjectivity}")
    print()

В этом примере textblob используется для перевода текста на русский язык, а также для анализа настроения каждого предложения в тексте, что может быть полезным во многих областях, включая анализ отзывов и социальных медиа.

Библиотека textblob легка в использовании, и с ее помощью можно легко проводить различные виды анализа текста без необходимости иметь глубокие знания в области обработки естественного языка.

Подпишись 👉🏻 @KodduuPython 🤖

В этот раз давайте рассмотрим библиотеку faker, которая может генерировать большое количество фейковых данных - что может быть полезно для тестирования и разработки.

python
from faker import Faker

fake = Faker()

# Генерация случайного имени
print(f"Имя: {fake.name()}")

# Генерация случайного адреса
print(f"Адрес: {fake.address()}")

# Генерация случайного текста
print(f"Текст: {fake.text()}")

# Генерация случайной даты
print(f"Дата: {fake.date()}")

# Генерация случайного времени
print(f"Время: {fake.time()}")

# И многое другое!

Библиотека faker может генерировать различные виды данных, включая имена, адреса, текст и даты. Это может быть особенно полезно, когда вам нужно создать большой набор тестовых данных для проверки своего кода или приложения. Это также может быть полезным, если вам нужно анонимизировать реальные данные перед их использованием в отчетах или демонстрациях.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку pydantic, которая используется для валидации данных и парсинга на основе Python аннотаций типов. Это может быть очень полезным для обеспечения того, чтобы ваши данные были в правильном формате перед их использованием.

python
from pydantic import BaseModel, ValidationError, validator
from typing import List, Optional

class Address(BaseModel):
    street: str
    city: str
    zip: str
    country: Optional[str] = "USA"

    @validator("zip")
    def zip_length(cls, v):
        if len(v) != 5:
            raise ValueError('Zip code must be 5 digits')
        return v

class Person(BaseModel):
    name: str
    age: int
    email: str
    address: Address
    phone_numbers: List[str]

try:
    person = Person(
        name="John Doe",
        age=25,
        email="john.doe@example.com",
        address={
            "street": "123 Main St",
            "city": "New York",
            "zip": "12345"
        },
        phone_numbers=["123-456-7890"]
    )
    print(person.dict())
except ValidationError as e:
    print(e.json())

В этом примере определены две модели данных: Address и Person. pydantic используется для валидации данных, которые передаются в Person, и обеспечивает, чтобы адрес содержал правильные поля и почтовый индекс имел правильную длину. Если данные невалидны, pydantic генерирует исключение ValidationError, которое можно легко перехватить и обработать.

Этот код помогает убедиться, что данные находятся в ожидаемом формате, что может быть крайне важным для предотвращения ошибок и упрощения отладки вашего кода в будущем.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку streamlit, которая позволяет быстро создавать интерактивные веб-приложения для анализа данных без необходимости в написании обширного frontend-кода. Она может быть особенно полезной для создания прототипов и визуализации данных.

Пример создания простого веб-приложения с использованием streamlit:

python
import streamlit as st
import pandas as pd
import numpy as np

# Заголовок веб-приложения
st.title('Мое первое приложение с использованием Streamlit')

# Загрузка данных
uploaded_file = st.file_uploader("Загрузите свой CSV файл", type=["csv"])

if uploaded_file is not None:
    # Чтение данных
    data = pd.read_csv(uploaded_file)
    
    # Отображение первых 5 строк данных
    st.write('Показать первые 5 строк данных:')
    st.write(data.head())
    
    # Гистограмма
    st.write('Гистограмма:')
    hist_values = np.histogram(
        data['your_column'], bins=25, range=(0, 250))[0]
    st.bar_chart(hist_values)
    
    # Параметры визуализации
    st.write('Настройка визуализации:')
    bins = st.slider('Количество бинов:', min_value=5, max_value=100, value=25)
    st.hist_chart(data['your_column'], bins=bins)

В этом примере мы создаем простое веб-приложение с streamlit, которое позволяет пользователю загружать файл CSV, просматривать первые 5 строк данных и настраивать гистограмму, изменяя количество бинов с помощью слайдера. Это прекрасный способ быстро создать интерактивное веб-приложение для анализа и визуализации данных без необходимости погружаться в разработку frontend.

Чтобы запустить это приложение, сохраните код в файл, например app.py, и запустите его с помощью команды streamlit run app.py в командной строке.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим необычную библиотеку под названием this, которая является частью стандартной библиотеки Python. Когда вы импортируете её, вы получите "Дзен Python" - набор принципов, которыми руководствуются разработчики при написании кода на Python.

Вот простой пример:

python
import this

При выполнении этого кода на экране вы увидите:

The Zen of Python, by Tim Peters

Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
Flat is better than nested.
Sparse is better than dense.
Readability counts.
Special cases aren't special enough to break the rules.
Although practicality beats purity.
Errors should never pass silently.
Unless explicitly silenced.
In the face of ambiguity, refuse the temptation to guess.
There should be one-- and preferably only one --obvious way to do it.
Although that way may not be obvious at first unless you're Dutch.
Now is better than never.
Although never is often better than *right* now.
If the implementation is hard to explain, it's a bad idea.
If the implementation is easy to explain, it may be a good idea.
Namespaces are one honking great idea -- let's do more of those!

Это забавный и образовательный способ узнать о философии Python прямо из интерпретатора. Надеюсь, что это было интересно! Если у вас есть другие предпочтения или запросы, дайте знать.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим интересную и необычную библиотеку antigravity.

В Python есть встроенная библиотека под названием antigravity, которая является пасхальным яйцом. При её импорте открывается веб-страница с комиксом xkcd, который шутливо посвящен этой библиотеке.

Пример кода:

python
import antigravity

При выполнении этого кода в вашем веб-браузере по умолчанию будет открыта страница с комиксом.

Это еще один из множества примеров юмора и культурных ссылок, которые можно найти в мире Python.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку colorama. Эта библиотека позволяет легко и портабельно использовать цветной вывод в консоли для текста. Она преобразует ваши команды цвета в специфичные для вашей платформы последовательности.

Прежде чем использовать, установите её:

pip install colorama

Пример кода с использованием colorama:

python
from colorama import Fore, Back, Style, init

# Инициализация colorama (необходимо для Windows)
init()

print(Fore.RED + 'Красный текст')
print(Back.GREEN + 'Текст на зеленом фоне' + Fore.RESET + Back.RESET)
print(Style.DIM + 'Тусклый текст')
print(Style.BRIGHT + 'Яркий текст')

# Возвращаем все к стандартным значениям
print(Style.RESET_ALL)

print('Обычный текст')

Когда вы запустите этот код, вы увидите строки текста в разных цветах и стилях. colorama особенно полезна, когда вы хотите сделать консольный вывод вашей программы более читаемым или выделить важные части вывода.

Подпишись 👉🏻 @KodduuPython 🤖

Рассмотрим библиотеку requests. Это одна из самых популярных и полезных библиотек для работы с HTTP-запросами в Python. Она предоставляет интуитивно понятный способ отправки HTTP-запросов и обработки ответов.

Установим библиотеку, если у вас её ещё нет:

bash
pip install requests

Пример использования:

python
import requests

# GET-запрос
response = requests.get('https://api.github.com')

if response.status_code == 200:
    data = response.json()
    print(data)
else:
    print("Ошибка:", response.status_code)

# POST-запрос
data_to_send = {"name": "John", "age": 30}
response = requests.post('https://httpbin.org/post', data=data_to_send)

if response.status_code == 200:
    print(response.json())
else:
    print("Ошибка:", response.status_code)

Библиотека requests позволяет легко выполнять различные HTTP-запросы (GET, POST, PUT, DELETE и др.), работать с параметрами, заголовками, отправлять и принимать JSON, а также обрабатывать исключения и многие другие возможности.

Это основной инструмент для веб-скрэйпинга, API-взаимодействия и других сетевых операций в Python.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку Pandas. Это мощный инструмент для обработки и анализа данных. С помощью pandas вы можете работать с табличными данными так же, как и с базами данных или электронными таблицами.

Установка:

bash
pip install pandas

Пример использования:

python
import pandas as pd

# Создание DataFrame из словаря
data = {
    'Имя': ['Анна', 'Борис', 'Виктор', 'Дарья'],
    'Возраст': [25, 30, 35, 40],
    'Город': ['Москва', 'Питер', 'Новосибирск', 'Казань']
}

df = pd.DataFrame(data)

print(df)

# Фильтрация по возрасту
filtered_df = df[df['Возраст'] > 30]
print("\nЛюди старше 30:")
print(filtered_df)

# Статистика
print("\nСредний возраст:", df['Возраст'].mean())

# Загрузка и сохранение CSV-файла
df.to_csv('data.csv', index=False)
new_df = pd.read_csv('data.csv')
print("\nЗагруженные из CSV данные:")
print(new_df)

Pandas позволяет быстро агрегировать, трансформировать, фильтровать и визуализировать данные, что делает его незаменимым инструментом для аналитиков данных и научных исследователей.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте поговорим о библиотеке TensorFlow, одной из наиболее известных библиотек для глубокого обучения и машинного обучения.

TensorFlow разработан Google и используется для построения и тренировки нейронных сетей. С его помощью можно решать множество задач, от базовых задач классификации и регрессии до сложных задач, таких как распознавание изображений, обработка естественного языка и др.

Установка:

bash
pip install tensorflow

Простой пример построения и обучения модели на данных:

python
import numpy as np
import tensorflow as tf
from tensorflow import keras

# Данные: соответствие числа его удвоенному значению
x = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
y = np.array([-2.0, 0.0, 2.0, 4.0, 6.0, 8.0], dtype=float)

# Создание простой модели
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])

# Компиляция модели
model.compile(optimizer='sgd', loss='mean_squared_error')

# Обучение модели
model.fit(x, y, epochs=50)

# Предсказание
print(model.predict([10.0]))  # ожидаем около 20

В этом простом примере мы создали модель, которая учится соответствию между числами x и y. После обучения модель способна предсказывать удвоенное значение для новых чисел.

Это лишь макушка айсберга в возможностях TensorFlow. Эта библиотека предоставляет инструменты для создания сложных архитектур нейронных сетей, включая свёрточные сети, рекуррентные сети и многое другое.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку scikit-learn (или просто sklearn). Это одна из самых популярных библиотек для машинного обучения в Python. Она предлагает простые и эффективные инструменты для анализа данных, включая классификацию, регрессию, кластеризацию и многие другие задачи.

Установка:

bash
pip install scikit-learn

Пример использования с классификацией на датасете Iris:

python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# Загрузка датасета
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Нормализация данных
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Создание и обучение классификатора kNN
clf = KNeighborsClassifier(n_neighbors=3)
clf.fit(X_train, y_train)

# Предсказание
y_pred = clf.predict(X_test)

# Оценка модели
accuracy = accuracy_score(y_test, y_pred)
print(f"Точность модели: {accuracy:.2f}")

scikit-learn предоставляет множество алгоритмов машинного обучения, инструменты для предобработки данных, выбора признаков, настройки параметров моделей и оценки их производительности. Эта библиотека является стандартом для многих задач машинного обучения в Python благодаря своей простоте и гибкости.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку PyTorch, разработанную Facebook. Это еще одна популярная библиотека для глубокого обучения, которая, наряду с TensorFlow, используется исследователями и инженерами в области искусственного интеллекта.

Установка:

bash
pip install torch torchvision

Простой пример использования PyTorch для линейной регрессии:

python
import torch
import torch.nn as nn
import torch.optim as optim

# Генерация данных
x = torch.linspace(-1, 1, 100).view(100, 1)
y = 3*x + 2 + torch.randn(x.size()) * 0.3

# Определение модели
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(1, 1)
    
    def forward(self, x):
        return self.linear(x)

model = LinearRegression()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Обучение модели
for epoch in range(1000):
    outputs = model(x)
    loss = criterion(outputs, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 100 == 0:
        print(f'Epoch [{epoch+1}/1000], Loss: {loss.item():.4f}')

# Проверка весов
print('y = {:.2f}x + {:.2f}'.format(model.linear.weight.item(), model.linear.bias.item()))

PyTorch привлекает своей гибкостью и интуитивно понятным интерфейсом, что делает его особенно популярным среди научных исследователей. Библиотека предоставляет инструменты для создания сложных архитектур нейронных сетей, автоматического вычисления градиентов, оптимизации моделей и многое другое.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку SQLAlchemy. Это библиотека для работы с базами данных, которая предоставляет высокоуровневый ORM (Object-Relational Mapping) и низкоуровневые SQL-выразы.

Установка:

bash
pip install sqlalchemy

Пример использования SQLAlchemy для создания и работы с базой данных SQLite:

python
from sqlalchemy import create_engine, Column, Integer, String, Sequence
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker

Base = declarative_base()

# Определение модели
class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, Sequence('user_id_seq'), primary_key=True)
    name = Column(String(50))
    age = Column(Integer)

# Создание базы данных SQLite в памяти
engine = create_engine('sqlite:///:memory:')

# Создание таблицы
Base.metadata.create_all(engine)

# Создание сессии для работы с базой
Session = sessionmaker(bind=engine)
session = Session()

# Добавление объекта в базу данных
new_user = User(name='Alex', age=30)
session.add(new_user)
session.commit()

# Запрос к базе данных
users = session.query(User).all()
for user in users:
    print(user.id, user.name, user.age)

SQLAlchemy позволяет абстрагироваться от конкретной СУБД и писать код, который будет работать практически с любой базой данных. Она предоставляет как высокоуровневые инструменты для работы с данными через ORM, так и возможность написания чистых SQL-запросов.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим библиотеку spaCy. Это современная библиотека для обработки естественного языка (NLP) на Python. spaCy предлагает преобработку текста, распознавание именованных сущностей, частеречную разметку и многое другое.

Установка:

bash
pip install spacy

Для работы с определенными языками, вам также потребуются языковые модели. Для английского языка:

bash
python -m spacy download en_core_web_sm

Пример использования:

python
import spacy

# Загрузка языковой модели
nlp = spacy.load('en_core_web_sm')

# Обработка текста
text = "Apple is looking at buying U.K. startup for $1 billion"
doc = nlp(text)

# Частеречная разметка
for token in doc:
    print(token.text, token.pos_, token.dep_)

# Распознавание именованных сущностей
for ent in doc.ents:
    print(ent.text, ent.start_char, ent.end_char, ent.label_)

spaCy известна своей скоростью и эффективностью, а также интуитивно понятным API. Эта библиотека является хорошим выбором для многих задач обработки текста и NLP.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте рассмотрим пример в функциональном стиле на Python. Предположим, у нас есть список чисел, и мы хотим отфильтровать четные числа, удвоить их, а затем посчитать их сумму.

Вот как это можно сделать в функциональном стиле с использованием функций filter, map, и reduce:

python
from functools import reduce

# Функция для определения, является ли число четным
def is_even(num):
    return num % 2 == 0

# Функция для удвоения числа
def double(num):
    return num * 2

# Функция для нахождения суммы двух чисел
def add(x, y):
    return x + y

# Список чисел
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# Применяем функциональный стиль
result = reduce(add, map(double, filter(is_even, numbers)))

print(result)  # Вывод: 60 (2*2 + 4*2 + 6*2 + 8*2 + 10*2)

Здесь мы использовали композицию функций filter, map и reduce, чтобы преобразовать исходный список. Функции передаются в качестве аргументов другим функциям, что является характерной особенностью функционального программирования.

Подпишись 👉🏻 @KodduuPython 🤖

Вот простой, но интересный код на Python, который позволяет визуализировать "Древо Пифагора". Древо Пифагора — это фрактал, основанный на квадратах.

python
import turtle

def draw_pythagoras_tree(t, branch_len, angle):
    if branch_len <= 2:
        t.color('green')
        t.begin_fill()
        t.forward(branch_len)
        t.left(90)
        t.forward(branch_len)
        t.left(90)
        t.forward(branch_len)
        t.left(90)
        t.forward(branch_len)
        t.left(90)
        t.end_fill()
        return
    new_len = branch_len / (2 ** 0.5)
    
    t.forward(branch_len)
    t.left(45)

    draw_pythagoras_tree(t, new_len, angle)

    t.right(45 + angle)
    draw_pythagoras_tree(t, new_len, angle)
    
    t.left(angle)
    t.backward(branch_len)

def main():
    window = turtle.Screen()
    window.bgcolor("white")

    pythagoras_tree = turtle.Turtle()
    pythagoras_tree.speed(0)
    pythagoras_tree.width(2)
    pythagoras_tree.color("brown")
    
    pythagoras_tree.left(90)
    pythagoras_tree.backward(100)

    draw_pythagoras_tree(pythagoras_tree, 70, 30)

    window.mainloop()

if __name__ == '__main__':
    main()

Вы можете изменять разные параметры, такие как длина ветви или угол поворота, чтобы увидеть различные формы дерева. Код использует библиотеку turtle для рисования, которая входит в стандартный пакет Python.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте создадим небольшую текстовую игру-квест на Python, где игрок будет принимать решения и исследовать разные сюжетные линии.

python
def start_game():
    print("Вы просыпаетесь в странной комнате. Выходит, вы были похищены инопланетянами!")
    print("Вам предстоит принимать решения, чтобы выбраться отсюда.")
    decision1()

def decision1():
    print("\nПеред вами две двери: одна слева, другая справа. Куда вы пойдете?")
    choice = input("Введите 'лево' или 'право': ")

    if choice == 'лево':
        alien_room()
    elif choice == 'право':
        control_room()
    else:
        print("Я не понимаю ваш выбор. Попробуйте еще раз.")
        decision1()

def alien_room():
    print("\nВы входите в комнату и видите инопланетянина! Он предлагает вам играть в игру на выбывание.")
    choice = input("Играть с ним? (да/нет): ")

    if choice == 'да':
        print("Вы проиграли и стали его питомцем. Конец.")
    elif choice == 'нет':
        print("Инопланетянин уважает ваш выбор и позволяет уйти. Вы возвращаетесь обратно.")
        decision1()
    else:
        print("Я не понимаю ваш выбор. Попробуйте еще раз.")
        alien_room()

def control_room():
    print("\nВы в комнате управления кораблем. Вы видите кнопку с надписью 'Вернуться на Землю'.")
    choice = input("Нажать кнопку? (да/нет): ")

    if choice == 'да':
        print("Вы успешно вернулись на Землю! Поздравляю!")
    elif choice == 'нет':
        print("Вы решили остаться и исследовать космос. Приключения только начинаются!")
    else:
        print("Я не понимаю ваш выбор. Попробуйте еще раз.")
        control_room()

if __name__ == "__main__":
    start_game()

В этой игре вы начинаете в комнате на инопланетном корабле и делаете выбор между двумя дверьми. Ваш выбор влияет на исход истории. Вы можете дополнительно развивать сюжет, добавляя больше комнат, решений и возможных исходов!

Подпишись 👉🏻 @KodduuPython 🤖

Предлагаю создать небольшой генератор историй. Пользователь вводит несколько слов (имя, глагол, место и т. д.), и программа создаёт историю на основе этих слов.

python
def get_user_input():
    name = input("Введите имя: ")
    verb = input("Введите глагол в прошедшем времени: ")
    place = input("Введите место: ")
    object_name = input("Введите предмет: ")
    emotion = input("Введите эмоцию (например, 'радостный', 'грустный'): ")

    return name, verb, place, object_name, emotion

def generate_story(name, verb, place, object_name, emotion):
    story = (f"{name} {verb} в {place}. На пути {name} нашел {object_name}. "
            f"Подняв {object_name}, {name} почувствовал себя {emotion}. "
            f"Этот день стал по-настоящему незабываемым!")

    return story

def main():
    user_input = get_user_input()
    story = generate_story(*user_input)
    print("\nВаша история:\n" + story)

if __name__ == "__main__":
    main()

При запуске этой программы пользователю предлагается ввести несколько слов, и программа генерирует историю на их основе. Этот код может быть отличной отправной точкой для более сложного генератора историй или игры на основе выбора!

Подпишись 👉🏻 @KodduuPython 🤖

Давайте создадим небольшой скрипт для книги рецептов, где пользователь может добавлять, просматривать и искать рецепты.

python
class RecipeBook:
    def __init__(self):
        self.recipes = {}

    def add_recipe(self, name, ingredients, instructions):
        self.recipes[name] = {
            'ingredients': ingredients,
            'instructions': instructions
        }
        print(f"Рецепт '{name}' добавлен!")

    def show_recipe(self, name):
        if name in self.recipes:
            print(f"\n{name}")
            print("Ингредиенты:", ", ".join(self.recipes[name]['ingredients']))
            print("Инструкции:", self.recipes[name]['instructions'])
        else:
            print(f"Рецепт с именем '{name}' не найден!")

    def search_by_ingredient(self, ingredient):
        found = [name for name, details in self.recipes.items() if ingredient in details['ingredients']]
        if found:
            print(f"\nРецепты с ингредиентом {ingredient}: {', '.join(found)}")
        else:
            print(f"Рецепты с ингредиентом '{ingredient}' не найдены!")

def main():
    book = RecipeBook()

    while True:
        print("\nВыберите действие:")
        print("1: Добавить рецепт")
        print("2: Посмотреть рецепт")
        print("3: Найти рецепт по ингредиенту")
        print("4: Выход")
        
        choice = input("> ")

        if choice == "1":
            name = input("Введите название рецепта: ")
            ingredients = input("Введите ингредиенты через запятую: ").split(',')
            instructions = input("Введите инструкции: ")
            book.add_recipe(name, ingredients, instructions)

        elif choice == "2":
            name = input("Введите название рецепта для просмотра: ")
            book.show_recipe(name)

        elif choice == "3":
            ingredient = input("Введите ингредиент для поиска: ")
            book.search_by_ingredient(ingredient)

        elif choice == "4":
            break

if __name__ == "__main__":
    main()

С помощью этого кода вы можете создать свою базу данных рецептов, просматривать и искать их по ингредиентам. Надеюсь, это поможет вам на пути к созданию идеального блюда!

Подпишись 👉🏻 @KodduuPython 🤖

Давайте создадим мини-приложение для того чтобы научиться запоминать новые слова на английском языке. Программа будет показывать слово на родном языке, а пользователь должен будет ввести его перевод на английский.

python
import random

class VocabularyTrainer:
    def __init__(self):
        self.vocabulary = {
            "кошка": "cat",
            "собака": "dog",
            "дом": "house",
            "автомобиль": "car",
            "стол": "table",
            "стул": "chair"
        }

    def train(self):
        word, translation = random.choice(list(self.vocabulary.items()))
        answer = input(f"Как будет '{word}' на английском? ")

        if answer == translation:
            print("Верно!")
        else:
            print(f"Неверно. Правильный ответ: {translation}.")

    def add_word(self, word, translation):
        self.vocabulary[word] = translation

def main():
    trainer = VocabularyTrainer()

    while True:
        print("\nВыберите действие:")
        print("1: Тренировка")
        print("2: Добавить слово в словарь")
        print("3: Выход")

        choice = input("> ")

        if choice == "1":
            trainer.train()

        elif choice == "2":
            word = input("Введите слово на родном языке: ")
            translation = input("Введите перевод слова на английский: ")
            trainer.add_word(word, translation)
            print(f"Слово '{word}' с переводом '{translation}' добавлено в словарь.")

        elif choice == "3":
            break

if __name__ == "__main__":
    main()

Данный код создает простой тренажер для слов. Вы можете расширить словарный запас, добавив больше слов в словарь vocabulary или позволив пользователю самостоятельно добавлять новые слова через меню.

Подпишись 👉🏻 @KodduuPython 🤖