Python Weekly 419

文章，教程或講座

如何用 Dropbox Security 構建用於日誌系統的威脅檢測和事件響應的工具

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

傳統上，構建威脅檢測和響應工具的最常見方法是將自動化部分和調查部分分離。根據我們的經驗，這可能會導致很多崩潰。在 Dropbox，我們已經爲我們的日誌系統構建了一個通用的基礎抽象模型，該模型可在事件響應週期的各個階段進行 Alertbox，Covenant 和 Forerunner 檢測。集成利用強大的開源工具使我們能夠快速瀏覽數據並自動執行警報，因此我們可以專注於更復雜的威脅。

Python 3.8

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

本文介紹了與 3.7 相比，Python3.8 的新增功能。

完整的 Python 庫導入指南：絕對導入，相對導入和其他方法

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

怎樣構造你的代碼才能使導入結構清晰明瞭。

Haptik 是如何將大量代碼從 Python2 遷移到 Python3 的？

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

這篇文章描述了 Haptik 是怎麼在 0 宕機的情況下完成整個 Python2 到 Python3 代碼遷移的工程。

《Python 終極指南》中的分割和對抗算法

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

一個很容易理解的分割和對抗算法簡介。

Y 組合器的簡單本質（用 Python 描述）

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

Y 組合器是 lambda 語法的核心概念，它是高級程序語言的基礎。Y 組合器允許在不使用自引用函數的情況下定義一個遞歸。我看過多數專門介紹 Y 組合器文章是首先展示了 Y 組合器（這是相當難以理解的），然後嘗試解釋它是怎麼運行的。我覺得這不是好方法。在本文中，我將採取另一種方法：我會先以簡單的術語描述 Y 組合器的本質，或者解釋如何在沒有自引用的情況下進行遞歸，然後從中推導出通用的 Y 組合器概念。

使用 Python 的 Django 將文件上傳到 AWS S3https://stackabuse.com/uploading-files-to-aws-s3-with-python-and-django/

在本文中，我們將探討 Django 如何處理文件上傳，以及如何利用雲存儲來擴展此功能以滿足我們的需求。

使用 Pandas 的 qcut 和 cut 函數合併數據

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

Pandas 的 qcut 、cut 函數都用於將連續數據值存儲到離散的存儲桶或箱中。本文介紹了這兩個命令之間的區別，以及如何使用這兩個命令。

用 PyQtGraph 繪圖

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

在本教程中，我們將逐步介紹使用 PyQtGraph 創建一個繪圖小部件，然後演示使用線條顏色、線條類型、軸標籤、背景色以及多條線條自定義繪圖。

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，您將使用 Docker 容器中的 Flask，Nginx 和 MongoDB 構建、打包和運行 Web 應用程序。學習在 docker-compose.yml 文件中定義整個堆棧配置，瞭解 Python，MongoDB 和 Nginx 的配置文件。Flask 需要一個 Web 服務器來處理 HTTP 請求，因此你還會學習使用 Gunicorn（它是 Python WSGI HTTP 服務）來處理該應用程序。而 Nginx 作爲反向代理服務器，將請求轉發到 Gunicorn 進行處理。

爲什麼我的驗證集損失值低於訓練集損失值？

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

在本教程中，您將學習在訓練自己的深度學習神經網絡模型時，驗證集損失值可能低於訓練集損失值的三個主要原因。

Python 屬性訪問和描述符協議：https://amir.rachum.com/blog/2019/10/16/descriptors/

由於對 Python 的某些誤解而受影響的科學論文高達數萬：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 應用程序中使用 Sentry 實時監控錯誤：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 接口分析用戶音樂習慣：https://nvbn.github.io/2019/10/14/playlist-analysis/