Язык программирования Python

Специалитет 2025/2026

Статус: Курс обязательный (Компьютерная безопасность)

Кто читает: Департамент прикладной математики

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 3-й курс, 1, 2 модуль

Онлайн-часы: 30

Охват аудитории: для своего кампуса

Преподаватели: Бобер Станислав Алексеевич, Рогачева Ольга Алексеевна

Язык: русский

Кредиты: 3

Контактные часы: 64

Дополнительные материалы в LMS Задать вопрос

Аннотация

Язык Python рассматривается с двух позиций: как инструмент для анализа данных и для разработки веб-приложений. С точки зрения основы для анализа данных рассматривается основной стек модулей: Numpy, Matplotlib, Pandas. С точки зрения разработки веб-приложений рассматриваются средства для организации процесса разработки, фреймворки и технологии для создания бэкенда и фронтенда, а также их взаимодействия: GitLab, PyCharm/VS Code, FastAPI, Pydantic, SQLAlchemy, Numba, Redis, Celery, Shiny, Docker и др.

Цель освоения дисциплины

Получение знаний и навыков использования базового стека модулей для анализа данных: Numpy, Matplotlib, Pandas.
Получение знаний и навыков разработки веб-приложений на Python с использованием средств, фреймворков и технологий: GitLab, PyCharm/VS Code, FastAPI, Pydantic, SQLAlchemy, Numba, Redis, Celery, Shiny, Docker и др.

Планируемые результаты обучения

Умеет создавать массив Numpy вручную, генерировать различными способами. Умеет обращаться с атрибутами массива, изменять его форму.
Осуществляет выборку элементов из массива Numpy используя индексацию, срезы, маскирование, специальное индексирование.
Генерирует массивы Numpy из псевдослучайных чисел согласно основным законам распределения.
Выполняет арифметические операции над массивами Numpy одинаковых размеров. Применяет броадкастинг для выполнения арифметических и других операций над массивами Numpy разных размеров.
Выполняет матричные операции и операции линейной алгебры над массивами Numpy.
Загружает массивы Numpy из текстовых и бинарных файлов. Сохраняет массивы Numpy в текстовые и бинарные файлы.
Создает таблицу и ряд Pandas вручную и генерирует различными способами, обращается к атрибутам.
Загружает таблицу Pandas из текстовых и бинарных файлов и по URL. Сохраняет таблицу Pandas в текстовый и бинарный файл.
Выполняет выбор элементов из таблицы Pandas используя индексирование, срезы, маскирование и специальное индексирование. Применяет селекторы loc и iloc для выбора элементов.
Применяет операции удаления и добавления строк и столбцов, склейки таблиц и рядов Pandas.
Применяет к таблице Pandas операцию GroupBy для вычисления агрегированных величин по группам. Применяет различные агрегирующие функции.
Применяет операции pivot и melt для преобразований между вытянутой и сводной таблицей Pandas. Применяет метод pivot_table для построения сводной таблицы используя различные агрегирующие функции.
Выполняет все виды слияния таблиц Pandas. Объясняет разницу между различными видами слияния.
Выполняет простой разведочный анализ данных загрузив таблицу или несколько таблиц из файлов при помощи Pandas.
Строит графики Matplotlib, настраивая стиль линий и маркеры, выводя подписи к осям и заголовок, управляя засечками и подписями к ним, выводя легенду, цветовую шкалу.
Строит точечные, линейные и столбчатые графики Matplotlib: набор линий, диаграмма рассеяния, гистограмма.
Строит графики Matplotlib с цветовыми шкалами: диаграмма рассеяния, тепловая карта, контурные карты.
Строит и настраивает несколько графиков на одном рисунке Matplotlib.
Строит трехмерные графики Matplotlib: диаграмма рассеяния, поверхность.
Сохраняет рисунок Matplotlib в растровых и векторных форматах. Управляет разрешением растрового изображения и шириной полей.
Выполняет основные операции по работе с Git-репозиторием используя функции PyCharm / VS Code: клонирование, создание ветки, переключение в другую ветку, добавление файлов в коммит, отмена изменений, выполнение коммита, использование полки (Shelf).
Создает и выполняет базовую настройку проекта в GitLab. Создает и выполняет базовую настройку Issue и Merge request. Привязывает Merge request к Issue. Связывает несколько Issue. Анализирует Merge request и выполняет ревью кода. Подтверждает Merge request (выполняет слияние). Отслеживает развитие проекта по графу репозитория.
Реализует цикл разработки новой функции или исправления ошибки в GitLab: от получения требований до слияния Merge request.
Разрешает конфликты в коде используя инструментарий PyCharm/VS Code. Выполняет обратное слияние и разрешение конфликтов перед завершением работы с Merge request.
Умеет создавать минимальное работоспособное приложение используя фреймворк Shiny.
Использует лейауты, контейнеры и элементы визуального интерфейса для создания одностраничного приложения на основе фреймворка Shiny.
Использует модульную архитектуру Shiny для повторного использования типовых частей приложения.
Выполняет контейнеризацию приложения Shiny с использованием Docker.
Создает минимальное работоспособное приложение на основе фреймворка FastAPI.
Создает эндпоинты для основных типов запросов (GET, POST, ...) на основе FastAPI. Управляет передачей параметров в эндпоинт (через адресную строку или тело запроса).
Использует аннотацию типов и модели Pydantic для валидации запросов и ответов в FastAPI.
Использует механизм инъекции зависимостей (DI) фреймворка FastAPI для создания сессии с БД и др.
Создает и использует Middleware для дополнительной обработки запросов в FastAPI.
Формирует и использует интерактивную документацию API на основе FastAPI
Создает простые модели данных Pydantic. Использует класс Field или Annotated для задания значений по-умолчанию и дополнительных ограничений.
Создает сложные модели данных Pydantic: root-модели, вложенные модели. Использует специальные типы данных, например Email, HttpUrl, RedisDsn и др.
Создает валидаторы для пре и пост валидации полей и моделей Pydantic. Создает сериализаторы для специальной сериализации моделей Pydantic.
Создает функции для преобразования моделей данных Pydantic в модели таблиц SQLAlchemy и обратно.
Применяет Pydantic для валидации вызовов функций. Применяет модели данных Pydantic для валидации запросов в FastAPI.
Использует декоратор jit из модуля Numba для компиляции функций. Настраивает компиляцию через параметры декоратора jit. Измеряет время выполнения до и после компиляции.
Создает функции, пригодные для компиляции при помощи декоратора jit в режиме nopython. Использует хорошие практики для создания таких функций. Использует массивы и операции с ними из модуля Numpy.
Реализует алгоритмы, пригодные для простого распараллеливания. Использует декоратор jit и генератор prange для ускорения расчетов путем их распараллеливания на несколько ядер CPU.
Создает задачи Celery на основе класса Task.
Создает и настраивает приложение на основе фреймворка Celery. Использует Redis как брокер сообщений и бэкенд результатов Celery.
Использует Flower для контроля за выполнением задач в приложении Celery.
Создает docker-контейнер, выполняющий задачи Celery в фоновом (асинхронном) режиме. Создает docker-compose.yaml для оркестрации взаимодействующих контейнеров на основе Celery, Redis, Flower.
Использует основные операции и создает Dockerfile для контейнеризации приложения на Python. Выполняет построение образа, запуск контейнера и его остановку.
Использует основные операции и создает docker-compose.yaml файл для управления несколькими взаимодействующими контейнерами. Выполняет построение образов, запуск и перезапуск контейнеров и их остановку.
Создает модели таблиц SQLAlchemy. Использует основные типы данных. Указывает первичный ключ.
Создает отношение типа 1-к-N между таблицами SQLAlchemy. Указывает внешние ключи.
Создает отношение между таблицами SQLAlchemy типа N-к-N на основе ассоциативной таблицы. Корректно настраивает отношения между исходными таблицами и ассоциативной таблицей.
Создает класс для подключения к БД и создания сессий. Использует СУБД SQLite или PostgreSQL для добавления, удаления и изменения записей.
На основе паттерна репозиторий создает класс для базовой работы с любой сущностью (таблицей) SQLAlchemy. Реализует операции CRUD. Реализует простой фильтр для операций чтения.

Содержание учебной дисциплины

Numpy / многомерные массивы
Pandas / таблицы данных
Matplotlib / графики
GitLab / процесс разработки ПО
Shiny / фронтенд на Python
Работа с БД / SQLAlchemy
FastAPI / бэкенд на Python
Pydantic / валидация данных
Celery / фоновые задачи
Numba / ускорение расчетов
Docker / контейнеризация

Элементы контроля

Домашнее задание 1
Домашнее задание 2
Домашнее задание 3
Домашнее задание 4
Дополнительные задания сверх объема курса
Тесты

Промежуточная аттестация

2025/2026 2nd module
0.18 * Домашнее задание 1 + 0.18 * Домашнее задание 2 + 0.18 * Домашнее задание 3 + 0.18 * Домашнее задание 4 + 0.151 * Дополнительные задания сверх объема курса + 0.129 * Тесты

Список литературы

Авторы

Князева Ирина Васильевна
Бобер Станислав Алексеевич

Программа дисциплины