Python Weekly 419

文章，教程或讲座

如何用 Dropbox Security 构建用于日志系统的威胁检测和事件响应的工具

https://blogs.dropbox.com/tech/2019/10/how-dropbox-security-builds-better-tools-for-threat-detection-and-incident-response/

传统上，构建威胁检测和响应工具的最常见方法是将自动化部分和调查部分分离。根据我们的经验，这可能会导致很多崩溃。在 Dropbox，我们已经为我们的日志系统构建了一个通用的基础抽象模型，该模型可在事件响应周期的各个阶段进行 Alertbox，Covenant 和 Forerunner 检测。集成利用强大的开源工具使我们能够快速浏览数据并自动执行警报，因此我们可以专注于更复杂的威胁。

Python 3.8

https://docs.python.org/3.8/whatsnew/3.8.html

本文介绍了与 3.7 相比，Python3.8 的新增功能。

完整的 Python 库导入指南：绝对导入，相对导入和其他方法

https://www.pythonforthelab.com/blog/complete-guide-to-imports-in-python-absolute-relative-and-more/

怎样构造你的代码才能使导入结构清晰明了。

Haptik 是如何将大量代码从 Python2 迁移到 Python3 的？

https://haptik.ai/tech/how-haptik-carried-out-their-largest-python3-migration/

这篇文章描述了 Haptik 是怎么在 0 宕机的情况下完成整个 Python2 到 Python3 代码迁移的工程。

《Python 终极指南》中的分割和对抗算法

https://skerritt.blog/divide-and-conquer-algorithms/

一个很容易理解的分割和对抗算法简介。

Y 组合器的简单本质（用 Python 描述）

https://lptk.github.io/programming/2019/10/15/simple-essence-y-combinator.html

Y 组合器是 lambda 语法的核心概念，它是高级程序语言的基础。Y 组合器允许在不使用自引用函数的情况下定义一个递归。我看过多数专门介绍 Y 组合器文章是首先展示了 Y 组合器（这是相当难以理解的），然后尝试解释它是怎么运行的。我觉得这不是好方法。在本文中，我将采取另一种方法：我会先以简单的术语描述 Y 组合器的本质，或者解释如何在没有自引用的情况下进行递归，然后从中推导出通用的 Y 组合器概念。

使用 Python 的 Django 将文件上传到 AWS S3https://stackabuse.com/uploading-files-to-aws-s3-with-python-and-django/

在本文中，我们将探讨 Django 如何处理文件上传，以及如何利用云存储来扩展此功能以满足我们的需求。

使用 Pandas 的 qcut 和 cut 函数合并数据

https://pbpython.com/pandas-qcut-cut.html

Pandas 的 qcut 、cut 函数都用于将连续数据值存储到离散的存储桶或箱中。本文介绍了这两个命令之间的区别，以及如何使用这两个命令。

用 PyQtGraph 绘图

https://www.learnpyqt.com/courses/graphics-plotting/plotting-pyqtgraph/

在本教程中，我们将逐步介绍使用 PyQtGraph 创建一个绘图小部件，然后演示使用线条颜色、线条类型、轴标签、背景色以及多条线条自定义绘图。

如何使用 MongoDB 和 Docker 部署 Flask

https://www.digitalocean.com/community/tutorials/how-to-set-up-flask-with-mongodb-and-docker

在本教程中，您将使用 Docker 容器中的 Flask，Nginx 和 MongoDB 构建、打包和运行 Web 应用程序。学习在 docker-compose.yml 文件中定义整个堆栈配置，了解 Python，MongoDB 和 Nginx 的配置文件。Flask 需要一个 Web 服务器来处理 HTTP 请求，因此你还会学习使用 Gunicorn（它是 Python WSGI HTTP 服务）来处理该应用程序。而 Nginx 作为反向代理服务器，将请求转发到 Gunicorn 进行处理。

为什么我的验证集损失值低于训练集损失值？

https://www.pyimagesearch.com/2019/10/14/why-is-my-validation-loss-lower-than-my-training-loss/

在本教程中，您将学习在训练自己的深度学习神经网络模型时，验证集损失值可能低于训练集损失值的三个主要原因。

Python 属性访问和描述符协议：https://amir.rachum.com/blog/2019/10/16/descriptors/

由于对 Python 的某些误解而受影响的科学论文高达数万：http://www.blog.pythonlibrary.org/2019/10/13/thousands-of-scientific-papers-may-be-invalid-due-to-misunderstanding-python/

一步一步教你如何在 Django Web 应用程序中使用 Sentry 实时监控错误：https://blog.hlab.tech/a-step-by-step-tutorial-on-how-to-monitor-software-errors-in-real-time-using-sentry-in-django-web-applications/

使用 Spotify API 接口分析用户音乐习惯：https://nvbn.github.io/2019/10/14/playlist-analysis/

有趣的项目，工具或库

Detectron2 库分析音乐习惯：

https://nvbn.github.io/2019/10/14/playlist-analysis/

Detectron2 是 Facebook AI Research 的下一代软件系统，它实现了最新的对象检测算法。Detectron2 是对 Detectron 的完全重写。

PyTorch Mobile

https://pytorch.org/mobile/home/

在 iOS 和 Android 设备上部署 PytTorch。

pyChart.js

https://github.com/IridiumIO/pyChart.js

Chart.js 是适用于 Python 的 Django 框架的交互式绘图库。

pfun

https://github.com/suned/pfun

一个利用类型模块小型库，旨在 Python 中使用静态类型检查功能。

cast-sh

https://github.com/hericlesme/cast-sh

浏览器中运行终端的实例。

CrypTen

https://github.com/facebookresearch/CrypTen

致力于隐私保护的机器学习框架。

sotabench-eval

https://github.com/paperswithcode/sotabench-eval

简单的基于公共标准的机器学习评估器。

TorchBeast

https://github.com/facebookresearch/torchbeast

一个用于分布式 RL 的 PyTorch 框架。

image_to_numpy

https://github.com/ageitgey/image_to_numpy

将图像文件加载到具有 Exif 向量支持的 numpy 数组中以防止图像扭曲！

Daudin

https://github.com/terrycojones/daudin

一个 Python 命令行 shell。

新版本

Python 3.8.0：https://www.python.org/downloads/release/python-380/

Python 3.8.0 是 Python 编程语言的最新版本，相对于 3.7 版本新增了许多新功能并做了很多优化，现在稳定版已经可以下载使用。

Django 3.0 beta 1：https://www.djangoproject.com/weblog/2019/oct/14/django-30-beta-1-released/

PyPy v7.2：https://morepypy.blogspot.com/2019/10/pypy-v72-released.html

本文翻译自 Python Weekly 419期，有删改，不作为商业用途。