🚀 شرح المولدات (Generators) و كلمة yield في بايثون

هل تساءلت يومًا كيف تتعامل بايثون مع البيانات الكبيرة بكفاءة؟ المولدات (Generators) وكلمة `yield` هما المفتاح! دعنا نستكشفهما.

def count_up_to(n):
    i = 1
    while i <= n:
        yield i
        i += 1

# استخدام المولد
counter = count_up_to(5)

print(next(counter)) # يطبع 1
print(next(counter)) # يطبع 2

# يمكنك المرور على باقي القيم في حلقة
for num in counter:
    print(num)

المولدات هي دوال خاصة تعيد مكررًا (iterator). بدلاً من إعادة قيمة واحدة ثم الخروج، تستخدم كلمة `yield` لإيقاف الدالة مؤقتًا وإعادة قيمة. عند استدعاء الدالة مرة أخرى (باستخدام `next()` أو في حلقة `for`)، تستأنف الدالة عملها من حيث توقفت. هذا يوفر الذاكرة بشكل كبير لأنه لا يتم إنشاء جميع القيم دفعة واحدة.

['#بايثون', '#برمجة', '#مولدات', '#yield', '#Python', '#Programming', '#Generators', '#DataScience']

🚀 إنشاء والتعامل مع DataFrames في Pandas

هذا الدليل السريع سيساعدك على البدء في إنشاء ومعالجة هياكل البيانات الأساسية في Python باستخدام مكتبة Pandas.

import pandas as pd

# إنشاء DataFrame من قاموس
data = {'col1': [1, 2, 3], 'col2': ['A', 'B', 'C']}
df_from_dict = pd.DataFrame(data)
print('DataFrame من قاموس:\n', df_from_dict)

# إنشاء DataFrame من قائمة قوائم
data_list = [[10, 'X'], [20, 'Y'], [30, 'Z']]
df_from_list = pd.DataFrame(data_list, columns=['Numbers', 'Letters'])
print('\nDataFrame من قائمة قوائم:\n', df_from_list)

# الوصول إلى عمود
print('\nالوصول إلى عمود col1:', df_from_dict['col1'])

# الوصول إلى صف (باستخدام iloc)
print('\nالوصول إلى الصف الأول (index 0):\n', df_from_list.iloc[0])

# تصفية البيانات
print('\nتصفية الصفوف حيث Numbers > 15:\n', df_from_list[df_from_list['Numbers'] > 15])

يوضح الكود كيفية إنشاء DataFrames باستخدام Pandas من هياكل بيانات Python الشائعة مثل القواميس وقوائم القوائم. كما يوضح كيفية الوصول إلى الأعمدة والصفوف المحددة، بالإضافة إلى كيفية تصفية البيانات بناءً على شروط معينة.

['#Python', '#Pandas', '#DataFrame', '#DataScience', '#Programming', '#Tutorial']

✨ التلاعب بالبيانات باستخدام Pandas: دليلك السريع! 🐼

هل تتعامل مع جداول البيانات في بايثون؟ Pandas هي أداتك السحرية! تعلم كيف تبدأ بسرعة.

import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
        'Age': [25, 30, 35, 40],
        'City': ['New York', 'Los Angeles', 'Chicago', 'Houston']}

df = pd.DataFrame(data)

print('DataFrame الأصلي:')
print(df)

print('\nالأسماء فقط:')
print(df['Name'])

print('\nالأشخاص الذين تزيد أعمارهم عن 30:')
print(df[df['Age'] > 30])

في هذا المثال، نقوم بإنشاء DataFrame بسيط باستخدام Pandas. ثم نعرض DataFrame بأكمله، ونختار عمود 'Name' فقط، ونقوم بتصفية الصفوف لعرض الأشخاص الذين تزيد أعمارهم عن 30 عامًا. Pandas تجعل معالجة البيانات سهلة وفعالة.

['#Python', '#Pandas', '#DataAnalysis', '#DataScience', '#Programming', '#Tutorial', '#تعلم_بايثون', '#علم_البيانات']

💡 اختصار سحري في بايثون: إزالة التكرار من القوائم! 🚀

هل سئمت من القوائم المليئة بالعناصر المكررة؟ إليك طريقة بايثونية أنيقة للتخلص منها بسرعة وسهولة!

my_list = [1, 2, 2, 3, 4, 4, 4, 5]
unique_list = list(set(my_list))
print(unique_list)

نحول القائمة الأصلية إلى 'set' (مجموعة)، والتي بطبيعتها لا تسمح بالتكرار. ثم نعيد تحويلها إلى قائمة مرة أخرى. بهذه البساطة!

['#بايثون', '#برمجة', '#Python', '#CodingTips', '#DataScience', '#تعلم_البرمجة']