Python + Обучение

✈️Понимание того, как пользователи взаимодействуют с вашим приложением или сайтом — ключевой фактор для успеха любого продукта.

➡️Почему важно анализировать поведение пользователей?

1. Оптимизация UX/UI: Понимание того, как пользователи используют ваш продукт, позволяет улучшить его интерфейс, сделать его более интуитивным и удобным.

2. Увеличение конверсии: Анализируя данные о том, где пользователи сталкиваются с трудностями или теряют интерес, можно найти точки роста и повысить конверсию.

3. Лояльность пользователей: Изучение предпочтений и привычек пользователей помогает создавать персонализированный опыт, что увеличивает их удовлетворенность и лояльность.

➡️Как Python используется для анализа поведения пользователей?

Python предлагает широкий спектр библиотек и инструментов для сбора, анализа и визуализации данных о поведении пользователей. Вот основные этапы этого процесса:

👀 1. Сбор данных

Первый шаг — собрать данные о действиях пользователей. Это может включать:

- Клик-стриминг (запись кликов и движений мыши).

- Время на странице/экране.

- Маршруты навигации.

- Взаимодействие с элементами интерфейса.

Python-библиотеки, такие как Flask или Django, могут использоваться для создания API, которые собирают эти данные и передают их в базу данных.

👀 2. Обработка данных

После сбора данных их нужно очистить, преобразовать и подготовить к анализу. Для этого часто используются следующие инструменты:

- Pandas: Библиотека для работы с табличными данными. Позволяет фильтровать, группировать и агрегировать информацию.

- NumPy: Библиотека для численных вычислений. Используется для сложных математических операций.

Пример использования Pandas:

import pandas as pd

# Загрузка данных о пользователях

data = pd.read_csv('user_behavior.csv')

# Фильтрация данных по конкретному событию

click_data = data[data['event'] == 'click']

# Группировка по пользователям

user_activity = click_data.groupby('user_id').size()

👀 3. Анализ данных

На этом этапе данные анализируются для выявления закономерностей и трендов. Python предоставляет множество инструментов для этого:

- Scikit-learn: Библиотека для машинного обучения. Может использоваться для классификации пользователей, прогнозирования действий и построения рекомендательных систем.

- Statsmodels: Библиотека для статистического анализа. Подходит для тестирования гипотез и оценки значимости различий между группами пользователей.

Пример использования Scikit-learn:

from sklearn.cluster import KMeans

# Кластеризация пользователей на основе их активности

kmeans = KMeans(n_clusters=3)

user_clusters = kmeans.fit_predict(user_activity.values.reshape(-1, 1))

👀 4. Визуализация данных

Чтобы лучше понять результаты анализа, важно визуализировать данные. Python предлагает несколько популярных библиотек для этого:

- Matplotlib: Основная библиотека для создания графиков.

- Seaborn: Надстройка над Matplotlib, позволяющая создавать более сложные и красивые визуализации.

- Plotly: Интерактивная библиотека для создания дашбордов и графиков.

➡️Примеры применения Python в анализе поведения пользователей

— 1. A/B-тестирование

Python используется для проведения A/B-тестов, чтобы сравнить эффективность разных версий интерфейса. Например, вы можете протестировать два варианта кнопки "Купить" и выбрать тот, который приводит к большему количеству конверсий.

— 2. Рекомендательные системы

Машинное обучение на Python помогает создавать персонализированные рекомендации для пользователей. Например, платформы потокового видео могут предлагать контент на основе предыдущих просмотров.

— 3. Тепловые карты

Python может использоваться для создания тепловых карт, показывающих, куда чаще всего кликают пользователи на сайте или приложении. Это помогает оптимизировать расположение элементов интерфейса.

— 4. Прогнозирование оттока пользователей

Используя алгоритмы машинного обучения, можно прогнозировать, какие пользователи склонны покинуть приложение, и предложить им специальные бонусы для сохранения лояльности.

➡️Как Python помогает улучшить UX/UI?

1. Выявление проблем: Анализ данных помогает найти места, где пользователи сталкиваются с трудностями, например, слишком длинные формы или неочевидные кнопки.

2. Персонализация: Python позволяет создавать адаптивные интерфейсы, меняющиеся в зависимости от предпочтений пользователя.

3. Оптимизация навигации: Исследование маршрутов пользователей помогает упростить навигацию и сделать её более интуитивной.

4. Тестирование гипотез: Python позволяет быстро проверять новые идеи и экспериментировать с интерфейсом без больших затрат.

➡️Заключение

Python становится всё более важным инструментом для анализа поведения пользователей и улучшения UX/UI.

Ещё много полезной информации, практики и задач закинул в свой канал - клик

Если Python — это ваш верный меч, то Django — это зачарованный щит, который защищает ваш код и делает его мощнее. Django — это высокоуровневый фреймворк для создания веб-приложений на Python. Он позволяет быстро и эффективно разрабатывать сложные проекты, не изобретая велосипед. Django следует принципу DRY (Don’t Repeat Yourself) и предлагает множество встроенных инструментов для работы с базами данных, аутентификацией, маршрутизацией и многим другим.

Но настоящая магия Django скрывается в его командной строке. Файл manage.py — это ваш волшебный жезл, который помогает управлять проектом. Давайте разберёмся, какие команды он предлагает и как они могут сделать вашу жизнь проще.

🧙‍♂️ Список команд manage.py с комментариями

🐱‍💻 Вопрос на засыпку

Допустим, вы создали новый проект Django, добавили несколько приложений и настроили базу данных. Но вдруг вы понимаете, что забыли, какую команду использовать для создания суперпользователя. Как вы думаете, какую команду нужно ввести, чтобы вспомнить все доступные команды 'manage.py'? 🤔

А ещё больше интересного можно почитать на канале https://t.me/pytonism. Приходите! )

composio-core - это мощная библиотека для Python, предназначенная для упрощения процесса композиции и декомпозиции сложных объектов. Она предоставляет элегантный и интуитивно понятный API, который позволяет разработчикам легко создавать, модифицировать и анализировать сложные структуры данных.

➡️Установка composio-core

Установить библиотеку composio-core очень просто. Вы можете использовать pip, стандартный менеджер пакетов Python. Вот команда для установки:

pip install composio-core

➡️Основные возможности

- Гибкая система композиции объектов

- Мощные инструменты для декомпозиции и анализа

- Поддержка асинхронных операций

- Интеграция с популярными фреймворками

- Расширяемая архитектура плагинов

➡️Пример использования

Давайте рассмотрим простой пример использования composio-core для создания и анализа сложного объекта:

from composio_core import Composer, Analyzer

# Создаем композицию

composer = Composer()

complex_object = composer.create({

"name": "Проект X",

"components": [

{"type": "module", "name": "Auth", "version": "1.2.0"},

{"type": "database", "name": "UserDB", "engine": "PostgreSQL"},

{"type": "service", "name": "EmailNotifier", "protocol": "SMTP"}

]

})

# Анализируем созданный объект

analyzer = Analyzer()

analysis_result = analyzer.analyze(complex_object)

print(analysis_result.summary())

print(f"Количество компонентов: {analysis_result.component_count}")

print(f"Типы компонентов: {', '.join(analysis_result.component_types)}")

В этом примере мы создали сложный объект, представляющий структуру проекта, а затем проанализировали его с помощью инструментов composio-core.

➡️Преимущества использования composio-core

💬1. Повышение читаемости кода

Благодаря четкой структуре и интуитивно понятному API, код, использующий composio-core, становится более читаемым и понятным. Это особенно важно при работе в команде или при поддержке долгосрочных проектов.

💬2. Ускорение разработки

Библиотека предоставляет множество готовых инструментов для работы со сложными структурами данных, что значительно ускоряет процесс разработки и уменьшает количество потенциальных ошибок.

💬3. Гибкость и расширяемость

Архитектура composio-core позволяет легко расширять функциональность библиотеки с помощью плагинов, что делает ее идеальным выбором для проектов с уникальными требованиями.

➡️Продвинутые возможности

Помимо базовой функциональности, composio-core предлагает ряд продвинутых возможностей:

- Асинхронная композиция

import asyncio

from composio_core import AsyncComposer

async def create_complex_object():

composer = AsyncComposer()

object = await composer.create_async({

"name": "Async Project",

"components": [

{"type": "api", "name": "UserAPI", "version": "2.0.0"},

{"type": "queue", "name": "TaskQueue", "technology": "RabbitMQ"}

]

})

return object

complex_object = asyncio.run(create_complex_object())

print(complex_object)

- Интеграция с популярными фреймворками

composio-core легко интегрируется с популярными Python-фреймворками, такими как Django и Flask. Например, вот как можно использовать библиотеку в Django-проекте:

from django.views import View

from django.http import JsonResponse

from composio_core import Composer

class ProjectView(View):

def post(self, request):

composer = Composer()

project = composer.create(request.POST)

return JsonResponse({"project": project.to_dict()})

➡️Заключение

Библиотека composio-core представляет собой мощный и гибкий инструмент для работы со сложными структурами данных в Python.

Независимо от того, разрабатываете ли вы веб-приложение, систему анализа данных или инструмент для машинного обучения, composio-core может значительно упростить процесс работы с комплексными объектами и структурами данных.

Ещё много полезной информации, практики и задач закинул в свой канал - клик

Всем привет!

На этой неделе мы объявили о начале работы над Open Source проектом Taigram, название которому, к слову, выбрали вы в опросе.

Для удобства отслеживания актуальных изменений по проекту рекомендуем заглядывать в тематическую рубрику у нас на сайте, где мы рассказываем о процессе разработки, объясняем наш выбор технологий, архитектуры и код.

Проектом занимаемся мы вдвоём: Иван и Виктор, а также с логотипом нам помог наш бессменный дизайнер Евгений. (Больше никто не захотел к нам присоединиться 😭)

Начнём мы, как водится, с самого начала...

Менеджер управления проектами Taiga.io

Любой проект начинается с продумывания работ, функционала и предстоящих задач. Это можно делать как в Telegram-переписке, блокноте, заметках Obsidian, так и использовать более профессиональные инструменты - менеджеры проектов.

Мы давно искали удобный (и, что немаловажно - бесплатный!) инструмент ведения проектов, который можно развернуть локально. В итоге остановились на Taiga.io.

Taiga.io - это бесплатный Open Source Self-Hosted менеджер управления проектами. Это означает, что это свободно распространяемое программное обеспечение, которое можно установить на свой собственный сервер, не беспокоясь о зависимости от какого-то крупного игрока.

Что не так с Тайгой и для чего нам нужен Taigram?

В тайге мы ведём наши проекты, включая процессы публикации статей на сайте.

Это оказалось действительно удобно, за исключением нескольких моментов и один из них - оповещения. Дело в том, что Тайга отправляет оповещения об изменении задачи только тем, кто назначен исполнителем и наблюдателем, и отправляет она их на Email, при условии, что у пользователя стоят соответствующие разрешения в его профиле. Согласитесь, это хоть и удобно (какие-никакие уведомления лучше, чем их полное отсутствие), но порой абсолютно не оперативно! Да и к тому же, вряд ли кто захочет "пачкать" свою почту.

Тогда появилась идея сделать Telegram-бота, который сможет отправлять уведомления в чат/тему чата. Мы приняли такое решение, в том числе из-за того, что Тайга предоставляет возможность подключить WebHook для отправки уведомлений и у отправляемых данных, достаточно простая структура и, в целом, этих данных достаточно - это важно. Это значит, что добавив на текущем этапе самый нужный, по нашему мнению, функционал - потом его можно дополнить. А если это можно дополнять и функционал, который мы добавим сейчас - самый нужный по нашему мнению, означает, что этого функционала может быть недостаточно для кого-то другого, под какие-то другие специфические задачи.

Если кому-то это нужно или кто-то посчитает, что знает чего сервису не хватает в настоящий момент - он сможет это дополнить. На наш взгляд это отличная идея и входящие данные для запуска работ над Open Source проектом.

Цель и функциональные требования

1. Цель: создание сервиса, который будет отправлять уведомления об обновлении списка задач и других событий из менеджера управления задачами Taiga в Telegram

2. Функциональные требования:

   • Настройка уведомлений через Telegram-бота:

     • Добавление/удаление администраторов бота;

     • Выбор чата/канала;

     • Добавление/удаление/изменение проектов;

     • Отображение списка проектов;

     • Отображение информации по проекту:

     • Форматирование, отправляемых сообщений.

   • Интеграция с Taiga через вебхуки.

3. Стек технологий

   • Бэкенд: Python, FastAPI, Aiogram;

   • Работа с данными: Taiga Webhooks, MongoDB, Redis;

   • Инфраструктура: Dynaconf, Pydantic.

Планирование проекта

Мы созвонились в нашем уютном Discord-сервере (присоединяйтесь, там мы регулярно работаем, общаемся или играем!) и открыв Obsidian, начали рисовать примерный план желаемого функционала. Спойлер: уже сейчас, спустя неделю с начала часть функционала изменено до неузнаваемости, но об этом в другой раз.

Найти схему можно в нашем проекте: https://tasks.pressanybutton.ru/project/taiga-webhook-telegram-notifier/task/5

Схема казалась небольшой, мы делали и куда более объёмные и даже посчитали "да чё там делать? За пару вечеров справимся"...

Закончив схему появились две первые задачи:

• Организовать доску в Тайге

• Сделать репозиторий.

Доской занялся Виктор, а я пошёл делать репозиторий на GitHub.

Организация доски

Не смотря на то, что у нас (как у Команды проекта "Код на салфетке", так и у меня лично (Виктора)) был опыт в подготовке как проектной, так и технической документации, но делать что-то, что изначально будет в открытом доступе значит, что у проекта есть дополнительные ограничения и "ответственность".

Мы совершенно не боимся признаться что какие-то вещи у нас получаются пока что не так хорошо или какие-то процессы могут быть выстроены как-то не так, как их можно было бы выстроить и именно поэтому мы решили, что будем вести разработку полностью открыто и все задачи вести также - открыто.

Шаг 1: Определение настроек проекта

Сперва нам было необходимо определиться с используемыми модулями в проектном менеджере для последующего масштабирования.

Почти сразу мы определили, что модуль "Канбана" нам не подходит, поскольку там невозможно создавать задачи в отрыве от пользовательских историй, следовательно создавать на каждую задачу пользовательскую историю "Дорожками" (не статусы) означает плодить сущности и терять контроль над "подзадачами".

Хочу повториться, что лично я не боюсь признавать свою неправоту и именно поэтому акцентирую внимание еще вот на чем: нам показалось странным, что мы не можем создавать "задачи" на канбане в отрыве от "пользовательских историй", потому что это лишает возможности оценить сложность задачи "в попугаях" (условная единица).

Вернемся к модулям, мы решили использовать:

• Эпики: для стратегического планирования;

• Скрам: для текущего управления спринтами;

• Запросы: если у кого-то из команды или гостей проекта появится желание добавить какой-то функционал или сообщить о чем-то;

• Вики: для создания первоначального хранилища базы знаний;

Шаг 2: Определение границ спринтов

Как было сказано ранее, вначале у нас сложилось впечатление, что мы действительно можем управиться за пару вечеров в силу функциональных требований и сложности структуры, предъявляемой к проекту, но все осложнилось тем, что проект - Open Source и следовательно его нужно постараться сделать пригодным для последующего масштабирования и поддержки.

Поэтому составили первоначальный план, который включал следующие этапы:

• Подготовительная часть:

  • анализ задачи;

  • оформление всех функциональных хотелок в виде тезисов;

  • прогнозирование объема работ;

  • определение структуры проекта;

  • подготовка схем структуры проекта;

  • подготовка схем пользовательского пути;

• Базовый функционал (этап основной разработки MVP):

  • подготовка структуры проекта;

  • инициализация проекта и первичная настройка виртуального окружения, инфраструктуры;

  • настройка CI/CD;

  • создание базовых классов, необходимых для реализации бизнес-логики;

  • валидация данных;

  • создание необходимых методов, для работы с текстовыми файлами (для последующей локализации);

• Локализация:

  • русский язык;

  • английский язык;

• Релиз GitHub Pages:

  • подготовка и настройка репозитория;

  • настройка CI/CD;

  • подготовка и оформление документации;

  • составление инструкций;

Шаг 3: Работа с доской

Как показала практика: никакая задача не заслуживает, чтобы к ней относились без должного внимания и трепета, а иначе разработка и конечный продукт может включать в себя больше хаоса и меньше структуры.

При определении глобальных спринтов и пользовательских историй мной были допущены ошибки в планировании и декомпозиции задач, в следствие чего небольшие задачи, которые были взяты в разработку, выросли в полноценные, тесно связанные модули и даже пакеты. Ваня, в силу опыта, с поставленными задачами справлялся лучше - его комиты как правило включали изолированные задачи и выполнялись быстрее.

По моим наблюдениям, регулярное обновление информации по статусам задачи держит команду "в тонусе" и позволяет придерживаться "единого вектора" в разработке.

Откровениями "о взлетах и падениях" мы поделимся в последующих статьях, но считаем, что о публичном проекте, нужно говорить честно и открыто - этим объясняется существование этого подраздела.

Технологический стек

Помимо функциональных требований, мы обсудили и технологический стек для проекта.

В качестве пакетного менеджера мы выбрали набирающий популярность uv. Как раз в новой версии PyCharm добавили его нативную поддержку. Честно, пока не заметил за ним каких-то преимуществ перед "надёжным как Швейцарские часы" Poetry, но вдруг он раскроется в будущем?

Для обработки обновлений Telegram и приёма оповещений из Тайги по WebHook был выбран микрофреймворк FastAPI. Полагаю, что он не нуждается в представлении: быстрый, надёжный и достаточно гибкий.

Сердцем Telegram-бота является aiogram. По нашему мнению - самый лучший фреймворк для написания ботов.

Поскольку в проекте не подразумевается большого количества данных для хранения, мы выбрали в качестве базы данных MongoDB с асинхронной библиотекой Motor.

Для хранения состояний и временных данных отлично подойдёт Redis. Это такой легковесный брокер сообщений / база данных.

Также, в проект был подключен pre-commit, позволяющий запускать линтеры перед коммитом. Он нужен для того, чтобы стиль кода всех разработчиков совпадал во всём проекте, ну и заодно он проверяет, что нет неиспользуемых импортов/переменных, некорректных вызовов и много, что ещё.

Создание репозитория

Создать репозиторий - буквально меньше минуты, но на пустом репозитории далеко не уедешь, да и показывать его кому-то стыдно. Поэтому для него необходимо было создать начальный проект в uv, а также ряд организационных файлов.

Проект в uv создаётся примерно также, как и в Poetry. Прописываем команду uv init taiga_wh_notifier. В результате создастся директория в которой будет основа проекта, инициализированный git и .venv. Удобно.

Перейдя в директорию сразу добавляем origin репозитория на гитхаб.

Далее нужно было создать основные файлы:

• README.md - лицо всего репозитория. На данный момент оно практически пустое, мы определили основные разделы ридми файла, но пока не будет относительно рабочего функционала, заполнять ридми рано.

• CONTRIBUTING.md - в этом файле описывает процесс по которому любой желающий сможет развернуть локальную версию проекта и вносить необходимые правки в код.

• STYLEGUIDE.md - в этом файле описываются принципы и примеры стиля кода которому мы придерживаемся. Ничего сверхъестественного, но наличие этого файла поможет новым участникам проекта быть с нами "на одной волне".

Всё это мы писали вместе на основе нашего виденья проектов. В будущем содержимое файлов будет расширено и приобретёт полноценный вид.

В конце коммит и пуш. Первая задача закрыта, на очереди ещё сотня...

Настройка репозитория на GitHub

Проект создан, запушен, но не хватает одной маленькой детали - настройки репозитория на GitHub.

Что я имею ввиду? У нас есть главная ветка репозитория main и по умолчанию, каждый может в неё пушить, что является критической уязвимостью в целостности всего проекта. Да, можно откатывать коммиты и прочее, но всё это дополнительные и далеко не самые приятные действия.

Что нам нужно было сделать, дабы предотвратить хаос? Мы разработали правила работы с репозиторием!

Правила работы

Если над проектом работает больше одного человека - хаос неизбежен. Кто-то забудет сделать пулл актуального состояния, кто-то другой будет одновременно с третьим работать над одним файлом и вызовет конфликт веток. Что мы сделали для решения этих проблем?

1. Ветка main заблокирована от всех пушей, даже от имени создателя репозитория. Это решает проблему "случайного пуша в мейн", когда участник команды написал код, но забыл сменить ветку.

2. Участники работают каждый в своей ветке, при это ветка не постоянная, а создаётся исключительно под задачу, после чего удаляется. Это позволяет определить по названию ветки к какой задаче на доске она относится, а не выяснять по коммитам, над какой же задачей работал участник.

3. Для того, чтобы внести изменения в main-ветку, необходимо создать pull request. При этом, для того, чтобы сделать "мерж в мейн", необходимо одобрение минимум одного другого участника. Таким образом, в main-ветку не попадёт ничего случайно, только после код-ревью и одобрения.

Мы не сразу "притёрлись" с этой системой, так как каждый привык работать в одиночку. Однако, спустя время осознали её удобство, а когда разобрались, как всё это делать не выходя из PyCharm, стало вообще прекрасно.

Приглашение к разработке:

Если вас заинтересовал проект и вы считаете, что могли бы принести пользу в разработке, а также, если после прочтения этой статьи или ознакомления с материалами проекта вы пришли к выводу, что вам точно известно чего не хватает этому продукту и вы знаете как его можно улучшить - мы приглашаем присоединиться к проекту и принять участие в разработке!

Для этого свяжитесь с нами

Заключение

Это только самое начало, дальше начали создавать задачи и непосредственно писать код, о чём вы узнаете в следующей части.

Ссылки, касающиеся проекта:

1. GitHub

2. Доска разработки в Taiga

3. Рубрика на сайте

Duck typing — это концепция, позволяющая использовать объекты независимо от их типа, базируясь на их свойствах и методах. Основная идея — не проверять тип объекта напрямую, а пытаться использовать его так, как нам нужно.

➡️Преимущества:

—Нет необходимости привязываться к конкретным классам и типам.
—Код становится более гибким и менее связанным.
—Легче расширять и изменять код, добавляя новые типы.
—Упрощает полиморфизм.

➡️Пример кода:

class Bird:

def fly(self):

return "I can fly!"

class Duck(Bird):

def quack(self):

return "Quack!"

class Airplane:

def fly(self):

return "I can also fly!"

def make_it_fly(flyable_thing):

print(flyable_thing.fly())

# Создаем объекты

duck = Duck()

airplane = Airplane()

# Используем их, не смотря на разные типы

make_it_fly(duck) # Выведет: I can fly!

make_it_fly(airplane) # Выведет: I can also fly!

⬆️В этом примере функция make_it_fly принимает любой объект, который имеет метод fly(). Если объект соответствует этому интерфейсу, он будет выполнен, независимо от того, является ли объект уткой, самолетом или чем-то еще.

🔎Duck typing позволяет создавать более гибкий и динамичный код, так как вы можете использовать объекты, которые соответствуют необходимым интерфейсам, не заботясь о их конкретных классах.

Ещё много крутой и полезной информации закинул в свой канал - клик