Телеграм канал «Постоянный репозиторий по Python»

📈 Генерация реалистичных временных рядов для Superset При подготовке демо-дашбордов часто возникает соблазн сгенерировать данные простым random(). Проблема в том, что такие ряды моментально выглядят неестественно: нет сезонности, нет тренда, нет провалов и всплесков, нет пропусков. Если данные выглядят «синтетически», то и визуализации в BI-системе перестают быть убедительными. Что делает временной ряд похожим на реальные данные В базовом, но уже практичном варианте стоит учитывать: • тренд — метрики редко стоят на месте • сезонность — суточную и недельную • шум, зависящий от уровня значений • события — всплески (акции, релизы) и провалы (инциденты) • пропуски и дубликаты — неизбежная реальность ETL Такой ряд уже можно использовать: • для time-series графиков, • для поиска аномалий, • для демонстрации gap’ов, • для обучения работе с агрегациями и фильтрами. trend = day_index * trend_per_day daily = np.sin(2 * np.pi * hour / 24) weekly = np.sin(2 * np.pi * dow / 7) metric = base_level + trend + daily + weekly + noise Именно комбинация детерминированных эффектов + управляемой случайности даёт правдоподобный результат. Полный код генерации Полный пример с: • трендом • суточной и недельной сезонностью • аномалиями • пропусками и дубликатами • готовым CSV под загрузку в Superset 👉 GitHub Gist: https://gist.github.com/golubnichiy/1a721fae5c9347d61a018fdfb0b6bc84

Типизация архитектуры: Protocol, Literal и Enum На уровне архитектуры типизация помогает удерживать большие системы в порядке. Она превращает интерфейсы в контракты, которые IDE и статические анализаторы могут проверять автоматически. 🔹 1. Protocol – интерфейсы без наследования from typing import Protocol class Storage(Protocol): def save(self, data: bytes) -> None: ... def process(s: Storage) -> None: s.save(b"hello") Любой объект с методом save() считается подходящим. Это делает архитектуру гибкой и модульной. 🔹 2. Ограничение значений через Literal from typing import Literal def run(mode: Literal["local", "prod"]) -> None: ... IDE и типизатор ловят опечатки и неверные значения до выполнения кода. 🔹 3. Enum как строгий набор состояний from enum import Enum class Status(str, Enum): OK = "ok" ERROR = "error" Вместо «магических строк» – чёткий набор вариантов, который невозможно случайно нарушить. Эти инструменты делают архитектуру безопасной: — меньше ошибок при развитии системы, — проще рефакторинг, — легче поддерживать интерфейсы между модулями.

Типизация данных: TypedDict, dataclasses и Pydantic Структуры данных – это основа любого приложения. И именно здесь типизация приносит максимальную пользу: меньше ошибок, лучше документация, надёжные контракты в API. Вот что сегодня используют чаще всего. 🔹 1. TypedDict – строгие словари для JSON class Product(TypedDict): id: int title: str price: float Преимущество: — IDE знает, какие ключи есть, — ловятся опечатки, — структура данных однозначна. 🔹 2. dataclasses — лёгкие модели для бизнес-логики from dataclasses import dataclass @dataclass class Config: host: str port: int debug: bool = False Объекты создаются просто, читаются легко, типы всегда на виду. 🔹 3. Pydantic — валидация + типизация в одном инструменте from pydantic import BaseModel class UserModel(BaseModel): id: int email: str user = UserModel(id=1, email="test@example.com") Pydantic автоматически преобразует типы, проверяет структуру и выдаёт красивые ошибки. Практически стандарт для FastAPI и любых сервисов. Эти три подхода закрывают разные уровни работы с данными: от внешних API до внутренней логики. ➡️ В следующем посте — типизация архитектуры: Protocol, Literal, Enum. (следите за обновлениями и поддержите канал через boost https://t.me/boost/phytonrepoz)