ΠΡ Π₯Π°Π±Ρ!
ΠΠ΅Π½Π΅ΡΠΊΠ° ΡΠ΅ ΡΠ°Π±ΠΎΡΠΈΠΌΠ΅ Π½Π° Π²Π΅ΡΡΠΈΠ½Π°ΡΠ° Π·Π° ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ΅ Π°Π»Π°ΡΠΊΠΈ Π·Π° Π³ΡΡΠΏΠΈΡΠ°ΡΠ΅ ΠΈ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·Π°ΡΠΈΡΠ° Π½Π° ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ Π²ΠΎ Python. ΠΠΎ ΠΏΡΠ΅Π΄Π²ΠΈΠ΄Π΅Π½ΠΈΡΠ΅
Π‘ΠΏΠΎΡΠ΅Π΄ ΡΡΠ°Π΄ΠΈΡΠΈΡΠ°ΡΠ°, Π½Π° ΠΏΠΎΡΠ΅ΡΠΎΠΊΠΎΡ, Π΄Π° Π³ΠΈ Π΄Π΅ΡΠΈΠ½ΠΈΡΠ°ΠΌΠ΅ ΡΠ΅Π»ΠΈΡΠ΅:
- ΠΡΡΠΏΠΈΡΠ°ΡΡΠ΅ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ ΠΏΠΎ ΠΏΠΎΠ» ΠΈ Π³ΠΎΠ΄ΠΈΠ½Π° ΠΈ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΡΡΠ΅ ΡΠ° ΡΠ΅Π»ΠΎΠΊΡΠΏΠ½Π°ΡΠ° Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ° Π½Π° Π½Π°ΡΠ°Π»ΠΈΡΠ΅ΡΠΎΡ ΠΊΠ°Ρ Π΄Π²Π°ΡΠ° ΠΏΠΎΠ»Π°;
- ΠΠ°ΡΠ΄Π΅ΡΠ΅ Π³ΠΈ Π½Π°ΡΠΏΠΎΠΏΡΠ»Π°ΡΠ½ΠΈΡΠ΅ ΠΈΠΌΠΈΡΠ° Π½Π° ΡΠΈΡΠ΅ Π²ΡΠ΅ΠΌΠΈΡΠ°;
- ΠΠΎΠ΄Π΅Π»Π΅ΡΠ΅ Π³ΠΎ ΡΠ΅Π»ΠΈΠΎΡ Π²ΡΠ΅ΠΌΠ΅Π½ΡΠΊΠΈ ΠΏΠ΅ΡΠΈΠΎΠ΄ Π²ΠΎ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈΡΠ΅ Π½Π° 10 Π΄Π΅Π»Π° ΠΈ Π·Π° ΡΠ΅ΠΊΠΎΡ Π½Π°ΡΠ΄Π΅ΡΠ΅ Π³ΠΎ Π½Π°ΡΠΏΠΎΠΏΡΠ»Π°ΡΠ½ΠΎΡΠΎ ΠΈΠΌΠ΅ ΠΎΠ΄ ΡΠ΅ΠΊΠΎΡ ΠΏΠΎΠ». ΠΠ° ΡΠ΅ΠΊΠΎΠ΅ ΠΏΡΠΎΠ½Π°ΡΠ΄Π΅Π½ΠΎ ΠΈΠΌΠ΅, Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΡΡΠ΅ ΡΠ° Π½Π΅Π³ΠΎΠ²Π°ΡΠ° Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ° Π²ΠΎ ΡΠ΅ΠΊΠΎΠ΅ Π²ΡΠ΅ΠΌΠ΅;
- ΠΠ° ΡΠ΅ΠΊΠΎΡΠ° Π³ΠΎΠ΄ΠΈΠ½Π°, ΠΏΡΠ΅ΡΠΌΠ΅ΡΠ°ΡΡΠ΅ ΠΊΠΎΠ»ΠΊΡ ΠΈΠΌΠΈΡΠ° ΠΎΠΏΡΠ°ΡΠ°Π°Ρ 50% ΠΎΠ΄ Π»ΡΡΠ΅ΡΠΎ ΠΈ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΡΡΠ΅ (ΡΠ΅ ΡΠ° Π²ΠΈΠ΄ΠΈΠΌΠ΅ ΡΠ°Π·Π½ΠΎΠ²ΠΈΠ΄Π½ΠΎΡΡΠ° Π½Π° ΠΈΠΌΠΈΡΠ°ΡΠ° Π·Π° ΡΠ΅ΠΊΠΎΡΠ° Π³ΠΎΠ΄ΠΈΠ½Π°);
- ΠΠ·Π±Π΅ΡΠ΅ΡΠ΅ 4 Π³ΠΎΠ΄ΠΈΠ½ΠΈ ΠΎΠ΄ ΡΠ΅Π»ΠΈΠΎΡ ΠΈΠ½ΡΠ΅ΡΠ²Π°Π» ΠΈ ΠΏΡΠΈΠΊΠ°ΠΆΠ΅ΡΠ΅ ΡΠ° ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π±Π°ΡΠ° Π·Π° ΡΠ΅ΠΊΠΎΡΠ° Π³ΠΎΠ΄ΠΈΠ½Π° ΠΏΠΎ ΠΏΡΠ²Π°ΡΠ° Π±ΡΠΊΠ²Π° Π²ΠΎ ΠΈΠΌΠ΅ΡΠΎ ΠΈ ΠΏΠΎ ΠΏΠΎΡΠ»Π΅Π΄Π½Π°ΡΠ° Π±ΡΠΊΠ²Π° Π²ΠΎ ΠΈΠΌΠ΅ΡΠΎ;
- ΠΠ°ΠΏΡΠ°Π²Π΅ΡΠ΅ ΡΠΏΠΈΡΠΎΠΊ Π½Π° Π½Π΅ΠΊΠΎΠ»ΠΊΡ ΠΏΠΎΠ·Π½Π°ΡΠΈ Π»ΠΈΡΠ½ΠΎΡΡΠΈ (ΠΏΡΠ΅ΡΡΠ΅Π΄Π°ΡΠ΅Π»ΠΈ, ΠΏΠ΅ΡΠ°ΡΠΈ, Π°ΠΊΡΠ΅ΡΠΈ, ΡΠΈΠ»ΠΌΡΠΊΠΈ Π»ΠΈΠΊΠΎΠ²ΠΈ) ΠΈ ΠΏΡΠΎΡΠ΅Π½Π΅ΡΠ΅ Π³ΠΎ Π½ΠΈΠ²Π½ΠΎΡΠΎ Π²Π»ΠΈΡΠ°Π½ΠΈΠ΅ Π²ΡΠ· Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ°ΡΠ° Π½Π° ΠΈΠΌΠΈΡΠ°ΡΠ°. ΠΠ·Π³ΡΠ°Π΄Π΅ΡΠ΅ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·Π°ΡΠΈΡΠ°.
ΠΠΎΠΌΠ°Π»ΠΊΡ Π·Π±ΠΎΡΠΎΠ²ΠΈ, ΠΏΠΎΠ²Π΅ΡΠ΅ ΠΊΠΎΠ΄!
ΠΠ° Π³ΠΈ Π³ΡΡΠΏΠΈΡΠ°ΠΌΠ΅ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈΡΠ΅ ΠΏΠΎ ΠΏΠΎΠ» ΠΈ Π³ΠΎΠ΄ΠΈΠ½Π° ΠΈ Π΄Π° ΡΠ° Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΠΌΠ΅ ΡΠ΅Π²ΠΊΡΠΏΠ½Π°ΡΠ° Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ° Π½Π° Π½Π°ΡΠ°Π»ΠΈΡΠ΅ΡΠΎΡ ΠΊΠ°Ρ Π΄Π²Π°ΡΠ° ΠΏΠΎΠ»Π°:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
years = np.arange(1880, 2011, 3)
datalist = 'https://raw.githubusercontent.com/wesm/pydata-book/2nd-edition/datasets/babynames/yob{year}.txt'
dataframes = []
for year in years:
dataset = datalist.format(year=year)
dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
dataframes.append(dataframe.assign(year=year))
result = pd.concat(dataframes)
sex = result.groupby('sex')
births_men = sex.get_group('M').groupby('year', as_index=False)
births_women = sex.get_group('F').groupby('year', as_index=False)
births_men_list = births_men.aggregate(np.sum)['count'].tolist()
births_women_list = births_women.aggregate(np.sum)['count'].tolist()
fig, ax = plt.subplots()
fig.set_size_inches(25,15)
index = np.arange(len(years))
stolb1 = ax.bar(index, births_men_list, 0.4, color='c', label='ΠΡΠΆΡΠΈΠ½Ρ')
stolb2 = ax.bar(index + 0.4, births_women_list, 0.4, alpha=0.8, color='r', label='ΠΠ΅Π½ΡΠΈΠ½Ρ')
ax.set_title('Π ΠΎΠΆΠ΄Π°Π΅ΠΌΠΎΡΡΡ ΠΏΠΎ ΠΏΠΎΠ»Ρ ΠΈ Π³ΠΎΠ΄Π°ΠΌ')
ax.set_xlabel('ΠΠΎΠ΄Π°')
ax.set_ylabel('Π ΠΎΠΆΠ΄Π°Π΅ΠΌΠΎΡΡΡ')
ax.set_xticklabels(years)
ax.set_xticks(index + 0.4)
ax.legend(loc=9)
fig.tight_layout()
plt.show()
ΠΡΠ΄Π΅ Π΄Π° Π³ΠΈ Π½Π°ΡΠ΄Π΅ΠΌΠ΅ Π½Π°ΡΠΏΠΎΠΏΡΠ»Π°ΡΠ½ΠΈΡΠ΅ ΠΈΠΌΠΈΡΠ° Π²ΠΎ ΠΈΡΡΠΎΡΠΈΡΠ°ΡΠ°:
years = np.arange(1880, 2011)
dataframes = []
for year in years:
dataset = datalist.format(year=year)
dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
dataframes.append(dataframe)
result = pd.concat(dataframes)
names = result.groupby('name', as_index=False).sum().sort_values('count', ascending=False)
names.head(10)
ΠΡΠ΄Π΅ Π΄Π° Π³ΠΎ ΠΏΠΎΠ΄Π΅Π»ΠΈΠΌΠ΅ ΡΠ΅Π»ΠΈΠΎΡ Π²ΡΠ΅ΠΌΠ΅Π½ΡΠΊΠΈ ΠΏΠ΅ΡΠΈΠΎΠ΄ Π²ΠΎ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈΡΠ΅ Π½Π° 10 Π΄Π΅Π»Π° ΠΈ Π·Π° ΡΠ΅ΠΊΠΎΡ ΡΠ΅ Π³ΠΎ Π½Π°ΡΠ΄Π΅ΠΌΠ΅ Π½Π°ΡΠΏΠΎΠΏΡΠ»Π°ΡΠ½ΠΎΡΠΎ ΠΈΠΌΠ΅ ΠΎΠ΄ ΡΠ΅ΠΊΠΎΡ ΠΏΠΎΠ». ΠΠ° ΡΠ΅ΠΊΠΎΠ΅ ΠΏΡΠΎΠ½Π°ΡΠ΄Π΅Π½ΠΎ ΠΈΠΌΠ΅, ΡΠ° Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΠΌΠ΅ Π½Π΅Π³ΠΎΠ²Π°ΡΠ° Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ° Π²ΠΎ ΡΠ΅ΠΊΠΎΠ΅ Π²ΡΠ΅ΠΌΠ΅:
years = np.arange(1880, 2011)
part_size = int((years[years.size - 1] - years[0]) / 10) + 1
parts = {}
def GetPart(year):
return int((year - years[0]) / part_size)
for year in years:
index = GetPart(year)
r = years[0] + part_size * index, min(years[years.size - 1], years[0] + part_size * (index + 1))
parts[index] = str(r[0]) + '-' + str(r[1])
dataframe_parts = []
dataframes = []
for year in years:
dataset = datalist.format(year=year)
dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
dataframe_parts.append(dataframe.assign(years=parts[GetPart(year)]))
dataframes.append(dataframe.assign(year=year))
result_parts = pd.concat(dataframe_parts)
result = pd.concat(dataframes)
result_parts_sums = result_parts.groupby(['years', 'sex', 'name'], as_index=False).sum()
result_parts_names = result_parts_sums.iloc[result_parts_sums.groupby(['years', 'sex'], as_index=False).apply(lambda x: x['count'].idxmax())]
result_sums = result.groupby(['year', 'sex', 'name'], as_index=False).sum()
for groupName, groupLabels in result_parts_names.groupby(['name', 'sex']).groups.items():
group = result_sums.groupby(['name', 'sex']).get_group(groupName)
fig, ax = plt.subplots(1, 1, figsize=(18,10))
ax.set_xlabel('ΠΠΎΠ΄Π°')
ax.set_ylabel('Π ΠΎΠΆΠ΄Π°Π΅ΠΌΠΎΡΡΡ')
label = group['name']
ax.plot(group['year'], group['count'], label=label.aggregate(np.max), color='b', ls='-')
ax.legend(loc=9, fontsize=11)
plt.show()
ΠΠ° ΡΠ΅ΠΊΠΎΡΠ° Π³ΠΎΠ΄ΠΈΠ½Π°, ΠΏΡΠ΅ΡΠΌΠ΅ΡΡΠ²Π°ΠΌΠ΅ ΠΊΠΎΠ»ΠΊΡ ΠΈΠΌΠΈΡΠ° ΠΏΠΎΠΊΡΠΈΠ²Π°Π°Ρ 50% ΠΎΠ΄ Π»ΡΡΠ΅ΡΠΎ ΠΈ Π³ΠΈ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°ΠΌΠ΅ ΠΎΠ²ΠΈΠ΅ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ:
dataframe = pd.DataFrame({'year': [], 'count': []})
years = np.arange(1880, 2011)
for year in years:
dataset = datalist.format(year=year)
csv = pd.read_csv(dataset, names=['name', 'sex', 'count'])
names = csv.groupby('name', as_index=False).aggregate(np.sum)
names['sum'] = names.sum()['count']
names['percent'] = names['count'] / names['sum'] * 100
names = names.sort_values(['percent'], ascending=False)
names['cum_perc'] = names['percent'].cumsum()
names_filtered = names[names['cum_perc'] <= 50]
dataframe = dataframe.append(pd.DataFrame({'year': [year], 'count': [names_filtered.shape[0]]}))
fig, ax1 = plt.subplots(1, 1, figsize=(22,13))
ax1.set_xlabel('ΠΠΎΠ΄Π°', fontsize = 12)
ax1.set_ylabel('Π Π°Π·Π½ΠΎΠΎΠ±ΡΠ°Π·ΠΈΠ΅ ΠΈΠΌΠ΅Π½', fontsize = 12)
ax1.plot(dataframe['year'], dataframe['count'], color='r', ls='-')
ax1.legend(loc=9, fontsize=12)
plt.show()
ΠΠ° ΠΈΠ·Π±Π΅ΡΠ΅ΠΌΠ΅ 4 Π³ΠΎΠ΄ΠΈΠ½ΠΈ ΠΎΠ΄ ΡΠ΅Π»ΠΈΠΎΡ ΠΈΠ½ΡΠ΅ΡΠ²Π°Π» ΠΈ Π΄Π° ΡΠ° ΠΏΡΠΈΠΊΠ°ΠΆΠ΅ΠΌΠ΅ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π±Π°ΡΠ° Π·Π° ΡΠ΅ΠΊΠΎΡΠ° Π³ΠΎΠ΄ΠΈΠ½Π° ΠΏΠΎ ΠΏΡΠ²Π°ΡΠ° Π±ΡΠΊΠ²Π° Π²ΠΎ ΠΈΠΌΠ΅ΡΠΎ ΠΈ ΠΏΠΎ ΠΏΠΎΡΠ»Π΅Π΄Π½Π°ΡΠ° Π±ΡΠΊΠ²Π° Π²ΠΎ ΠΈΠΌΠ΅ΡΠΎ:
from string import ascii_lowercase, ascii_uppercase
fig_first, ax_first = plt.subplots(1, 1, figsize=(14,10))
fig_last, ax_last = plt.subplots(1, 1, figsize=(14,10))
index = np.arange(len(ascii_uppercase))
years = [1944, 1978, 1991, 2003]
colors = ['r', 'g', 'b', 'y']
n = 0
for year in years:
dataset = datalist.format(year=year)
csv = pd.read_csv(dataset, names=['name', 'sex', 'count'])
names = csv.groupby('name', as_index=False).aggregate(np.sum)
count = names.shape[0]
dataframe = pd.DataFrame({'letter': [], 'frequency_first': [], 'frequency_last': []})
for letter in ascii_uppercase:
countFirst = (names[names.name.str.startswith(letter)].count()['count'])
countLast = (names[names.name.str.endswith(letter.lower())].count()['count'])
dataframe = dataframe.append(pd.DataFrame({
'letter': [letter],
'frequency_first': [countFirst / count * 100],
'frequency_last': [countLast / count * 100]}))
ax_first.bar(index + 0.3 * n, dataframe['frequency_first'], 0.3, alpha=0.5, color=colors[n], label=year)
ax_last.bar(index + bar_width * n, dataframe['frequency_last'], 0.3, alpha=0.5, color=colors[n], label=year)
n += 1
ax_first.set_xlabel('ΠΡΠΊΠ²Π° Π°Π»ΡΠ°Π²ΠΈΡΠ°')
ax_first.set_ylabel('Π§Π°ΡΡΠΎΡΠ°, %')
ax_first.set_title('ΠΠ΅ΡΠ²Π°Ρ Π±ΡΠΊΠ²Π° Π² ΠΈΠΌΠ΅Π½ΠΈ')
ax_first.set_xticks(index)
ax_first.set_xticklabels(ascii_uppercase)
ax_first.legend()
ax_last.set_xlabel('ΠΡΠΊΠ²Π° Π°Π»ΡΠ°Π²ΠΈΡΠ°')
ax_last.set_ylabel('Π§Π°ΡΡΠΎΡΠ°, %')
ax_last.set_title('ΠΠΎΡΠ»Π΅Π΄Π½ΡΡ Π±ΡΠΊΠ²Π° Π² ΠΈΠΌΠ΅Π½ΠΈ')
ax_last.set_xticks(index)
ax_last.set_xticklabels(ascii_uppercase)
ax_last.legend()
fig_first.tight_layout()
fig_last.tight_layout()
plt.show()
ΠΡΠ΄Π΅ Π΄Π° Π½Π°ΠΏΡΠ°Π²ΠΈΠΌΠ΅ ΡΠΏΠΈΡΠΎΠΊ Π½Π° Π½Π΅ΠΊΠΎΠ»ΠΊΡ ΠΏΠΎΠ·Π½Π°ΡΠΈ Π»ΠΈΡΠ½ΠΎΡΡΠΈ (ΠΏΡΠ΅ΡΡΠ΅Π΄Π°ΡΠ΅Π»ΠΈ, ΠΏΠ΅ΡΠ°ΡΠΈ, Π°ΠΊΡΠ΅ΡΠΈ, ΡΠΈΠ»ΠΌΡΠΊΠΈ Π»ΠΈΠΊΠΎΠ²ΠΈ) ΠΈ Π΄Π° Π³ΠΎ ΠΎΡΠ΅Π½ΠΈΠΌΠ΅ Π½ΠΈΠ²Π½ΠΎΡΠΎ Π²Π»ΠΈΡΠ°Π½ΠΈΠ΅ Π²ΡΠ· Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ°ΡΠ° Π½Π° ΠΈΠΌΠΈΡΠ°ΡΠ°:
celebrities = {'Frank': 'M', 'Britney': 'F', 'Madonna': 'F', 'Bob': 'M'}
dataframes = []
for year in years:
dataset = datalist.format(year=year)
dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
dataframes.append(dataframe.assign(year=year))
result = pd.concat(dataframes)
for celebrity, sex in celebrities.items():
names = result[result.name == celebrity]
dataframe = names[names.sex == sex]
fig, ax = plt.subplots(1, 1, figsize=(16,8))
ax.set_xlabel('ΠΠΎΠ΄Π°', fontsize = 10)
ax.set_ylabel('Π ΠΎΠΆΠ΄Π°Π΅ΠΌΠΎΡΡΡ', fontsize = 10)
ax.plot(dataframe['year'], dataframe['count'], label=celebrity, color='r', ls='-')
ax.legend(loc=9, fontsize=12)
plt.show()
ΠΠ° ΠΎΠ±ΡΠΊΠ°, ΠΌΠΎΠΆΠ΅ΡΠ΅ Π΄Π° Π³ΠΎ Π΄ΠΎΠ΄Π°Π΄Π΅ΡΠ΅ ΠΆΠΈΠ²ΠΎΡΠ½ΠΈΠΎΡ ΠΏΠ΅ΡΠΈΠΎΠ΄ Π½Π° ΡΠ»Π°Π²Π½Π°ΡΠ° Π»ΠΈΡΠ½ΠΎΡΡ Π½Π° Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·Π°ΡΠΈΡΠ°ΡΠ° ΠΎΠ΄ ΠΏΠΎΡΠ»Π΅Π΄Π½ΠΈΠΎΡ ΠΏΡΠΈΠΌΠ΅Ρ ΡΠΎ ΡΠ΅Π» ΡΠ°ΡΠ½ΠΎ Π΄Π° Π³ΠΎ ΠΏΡΠΎΡΠ΅Π½ΠΈΡΠ΅ Π½ΠΈΠ²Π½ΠΎΡΠΎ Π²Π»ΠΈΡΠ°Π½ΠΈΠ΅ Π²ΡΠ· Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠ°ΡΠ° Π½Π° ΠΈΠΌΠΈΡΠ°ΡΠ°.
Π‘ΠΎ ΠΎΠ²Π° ΡΠΈΡΠ΅ Π½Π°ΡΠΈ ΡΠ΅Π»ΠΈ Π±Π΅Π° ΠΏΠΎΡΡΠΈΠ³Π½Π°ΡΠΈ ΠΈ ΠΈΡΠΏΠΎΠ»Π½Π΅ΡΠΈ. Π Π°Π·Π²ΠΈΠ²ΠΌΠ΅ Π²Π΅ΡΡΠΈΠ½Π° Π·Π° ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ΅ Π°Π»Π°ΡΠΊΠΈ Π·Π° Π³ΡΡΠΏΠΈΡΠ°ΡΠ΅ ΠΈ Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·Π°ΡΠΈΡΠ° Π½Π° ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ Π²ΠΎ Python ΠΈ ΡΠ΅ ΠΏΡΠΎΠ΄ΠΎΠ»ΠΆΠΈΠΌΠ΅ Π΄Π° ΡΠ°Π±ΠΎΡΠΈΠΌΠ΅ ΡΠΎ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ. Π‘Π΅ΠΊΠΎΡ ΠΌΠΎΠΆΠ΅ ΡΠ°ΠΌ Π΄Π° ΠΈΠ·Π²Π»Π΅ΡΠ΅ Π·Π°ΠΊΠ»ΡΡΠΎΡΠΈ Π²ΡΠ· ΠΎΡΠ½ΠΎΠ²Π° Π½Π° Π³ΠΎΡΠΎΠ²ΠΈ, Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·ΠΈΡΠ°Π½ΠΈ ΠΏΠΎΠ΄Π°ΡΠΎΡΠΈ.
ΠΠ½Π°Π΅ΡΠ΅ Π·Π° ΡΠΈΡΠ΅!
ΠΠ·Π²ΠΎΡ: www.habr.com