💻 Как работать с `requirements.txt` и не словить хаос в зависимостях

Когда Python-проект разрастается, в нём появляется десятки библиотек. Чтобы не ставить их вручную и не ломать окружение, используется файл requirements.txt — список всех зависимостей проекта.

### 📁 Создание файла

Чтобы сохранить список установленных библиотек, достаточно одной команды:

pip freeze > requirements.txt

➡️ Она выгрузит все текущие пакеты и их версии в requirements.txt.

### ⚙️ Установка зависимостей

Чтобы развернуть проект на другой машине или сервере, выполняем:

pip install -r requirements.txt

Все нужные пакеты установятся автоматически — с нужными версиями.

### 🧩 Формат файла

В requirements.txt можно указывать версии библиотек по-разному:

numpy==1.21.0     # строгая версия  
pandas>=1.3.0     # версия не ниже указанной  
requests          # установится последняя

И не забывай: комментарии начинаются с #.

# Основные зависимости
numpy==1.21.0
pandas>=1.3.0

# Для тестов
pytest

### 🙌 Разделяй и властвуй

Если проект большой — можно разбить зависимости:

# requirements.txt
-r base.txt
-r dev.txt

Так ты отделишь продакшен-зависимости от тех, что нужны только для разработки.

### 🔒 Ограничения через constraints.txt

Чтобы зафиксировать версии пакетов без прямого указания в основном файле, можно использовать constraints.txt:

pip install -r requirements.txt -c constraints.txt

Пример:
requirements.txt

numpy==1.21.0
pandas

constraints.txt

pandas<=1.3.5

### 🧠 Несколько окружений

Для разных задач — свои зависимости:

requirements-dev.txt     # разработка  
requirements-test.txt    # тесты  
requirements-prod.txt    # продакшен

Пример:

pip install -r requirements-dev.txt

### 🔄 Обновление пакетов

Чтобы подтянуть свежие версии библиотек:

pip install --upgrade -r requirements.txt

### 💬 Работа с виртуальным окружением

Всегда изолируй зависимости!

python -m venv venv
source venv/bin/activate    # macOS/Linux  
venv\Scripts\activate       # Windows
pip install -r requirements.txt

### ✅ Итог

requirements.txt — твой контроль над проектом.
С ним ты избежишь конфликтов библиотек, упростишь деплой и сможешь спокойно разворачивать окружение где угодно.

#python #doc #cheatsheet

🐧 PS-Commands — сокровищница Linux-команд для админов и энтузиастов.

Это не просто список команд, а структурированный справочник по всему Linux-арсеналу.

📂 Внутри:
— системные команды для администрирования и мониторинга;
— сетевые утилиты и инструменты безопасности;
— работа с процессами, памятью, файлами и устройствами;
— примеры использования и полезные флаги.

Удобно, лаконично и наглядно — будто свой мини-читерский мануал по Linux.

Подойдёт и новичкам, и тем, кто хочет быстро вспомнить нужную команду без копания в man.

🔗 Обязательно сохрани, пригодится!

#doc #github #cheatsheet

👨‍💻 Большая PDF шпаргалка по созданию визуализации данных с помощью Python:

1. Установите необходимые библиотеки с помощью pip:

pip install matplotlib seaborn pandas

2. Импортируйте библиотеки, которые вы будете использовать в своем скрипте:

import matplotlib.pyplot as plt
import seaborn as sns

3. Загрузите свой набор данных в pandas DataFrame. Для демонстрации мы будем использовать образец набора данных, предоставленный Seaborn:

import pandas as pd
data = sns.load_dataset("penguins")

4. Создайте график: используйте библиотеку Seaborn для создания простой диаграммы рассеяния:

sns.scatterplot(data=data, x="bill_length_mm", y="bill_depth_mm", hue="species")
plt.title("Penguin Bill Dimensions by Species")
plt.show()

5. Настройте график добавив заголовки, метки и изменив стиль для улучшения читаемости и представления:

plt.xlabel("Bill Length (mm)")
plt.ylabel("Bill Depth (mm)")
plt.grid(True)
plt.show()

Почему именно Python используется для визуализации данных?

📊 Мощные библиотеки: Python предлагает универсальные библиотеки, такие как:
1. Matplotlib: для базовых графиков.
2. Seaborn: для статистических визуализаций.
3. Plotly: для интерактивных визуализаций.

#python #cheatsheet #doc

🚀 SQL → Python → Excel

В одном месте, как выполнять одни и те же операции тремя разными способами:

🥽 SQL — запросы к базе.
😰 Python/Pandas — обработка данных в коде.
🇻🇪 Excel — когда нужно быстро «на коленке».

В таблице есть всё самое частое:
➡️загрузка данных
➡️фильтрация
➡️выбор колонок
➡️сортировка
➡️агрегации
➡️подсчёты
➡️новые столбцы
➡️объединение таблиц
➡️удаление дублей
➡️работа с пропусками

⚡️ Каждый инструмент хорош под свою задачу. А вот кто умеет все три — тот в любой команде как швейцарский нож.

💾 Сохрани пост — как шпаргалку для собеса, апгрейда и чтобы не гуглить в следующий раз group by pandas.

#cheatsheet #python

😰 Python шпаргалка на русском

Компактная таблица, где в одном месте сравниваются все основные итерируемые структуры данных в Python:

🖱 списки (list),
🖱 словари (dict),
🖱 множества (set),
🖱 кортежи (tuple).

➡️Изменяемость: какие структуры можно менять «на лету», а какие — только пересоздавать.
➡️Упорядоченность: где элементы идут строго по порядку, а где порядок — это философская категория.
➡️Индексация: кто дружит с индексами, а кого индексацией лучше не тревожить.
➡️Дубли: где допускаются повторяющиеся элементы, а где Python рубит их под корень.
➡️Полезные методы: как добавлять, удалять, искать и работать с элементами.

⬇️ Под рукой всегда хорошо иметь визуал, который помогает быстро вспомнить разницу между структурами и не изобретать велосипед.

#cheatsheet #python

👨‍💻 Шпаргалки по регулярным выражениям на русском в PDF

Сохраняй! 👍

#doc #python #cheatsheet

📊 Data Science без мифов: как зарабатывают деньги на данных

Дорожная карта из 78 тем, которые ведут от нуля к Data Scientist. И это не просто список технологий — это отражение того, за что бизнес реально платит деньги.

Разбираем по-человечески 👇

😰 1. Python — входной билет

Python здесь не ради Python’а.
Он нужен, чтобы:

* чистить данные
* автоматизировать рутину
* писать быстрые эксперименты
* склеивать всё в пайплайны

Без баз: функции, структуры данных, работа с файлами — дальше не пустят.

🧹 2. Работа с данными = 60% всей работы

NumPy, Pandas, DataFrames, GroupBy, Join’ы — это реальная жизнь дата-сайентиста.

💰 Деньги платят не за нейросети, а за умение:

* привести хаотичные данные в порядок
* найти ошибки
* собрать правильную таблицу для принятия решений

📈 3. Визуализация = язык общения с бизнесом

Matplotlib, Seaborn, Plotly, дашборды.

Если ты не умеешь показать цифры так, чтобы их понял менеджер, — твой анализ бесполезен, даже если он гениален.

🔍 4. EDA — где находятся деньги

Exploratory Data Analysis — это:

* поиск аномалий
* трендов
* закономерностей
* причин падения/роста метрик

📌 Именно здесь находят:

* почему падают продажи
* где теряются клиенты
* где можно сэкономить или заработать

📊 5. Статистика — фундамент, без которого всё ломается

Распределения, гипотезы, p-value, доверительные интервалы.

❌ Без статистики ML превращается в гадание.
✅ С ней — в инструмент принятия решений.

🧮 6. SQL — обязательный навык

SELECT, JOIN, GROUP BY, оконные функции.

Если ты не умеешь доставать данные из БД — ты не дата-сайентист, а пользователь ноутбука.

🤖 7. Machine Learning — не магия, а инструмент

Линейная и логистическая регрессия
Деревья, Random Forest, Gradient Boosting, SVM

💰 Бизнес использует ML для:

* прогнозов
* сегментации клиентов
* рекомендаций
* выявления аномалий

Не «нейросети ради нейросетей», а решение конкретных задач.

📉 8. Метрики и фичи — вот где решается всё

Accuracy, F1, ROC-AUC
Feature Engineering, Scaling, Encoding

Можно взять простой алгоритм и выжать из него больше денег, чем из сложной модели с плохими признаками.

⏳ 9. Время, тексты и большие данные

Time Series → прогнозы
NLP → отзывы, поддержка, соцсети
Big Data → масштабирование решений

Здесь начинается рост доходов и уровней задач.

☁️ 10. Cloud & Big Data = деньги и масштаб

AWS, BigQuery, Spark, Databricks, Snowflake.

Это уже уровень:

* крупных компаний
* высоких зарплат
* сложных систем

✅ Итог

Data Science — это не про «стать ML-инженером за 3 месяца».
Это про умение превращать данные в деньги:

✔️ находить проблемы
✔️ подтверждать гипотезы
✔️ помогать бизнесу принимать решения
✔️ автоматизировать аналитику

💾 Если хочешь войти в Data Science — учи не всё подряд, а по этой карте.

Изучай и цифры начнут работать на тебя.

#doc #cheatsheet