🚀 ترفند پایتون: Transpose در یک خط!

به جای نوشتن حلقه‌های طولانی، می‌تونی با استفاده از zip(*list) به راحتی ترنسپوز ماتریس رو بگیری.
این ترفند مخصوصاً توی دیتا ساینس، الگوریتم‌ها و کار با آرایه‌ها فوق‌العاده‌ست.

📌 یادت باشه: zip(*matrix) یعنی باز کردن لیست و ترکیب ستون‌ها → تبدیل ردیف‌ها به ستون‌ها.

# لیست دوبعدی
matrix = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]

# ترنسپوز در یک خط
transposed = list(zip(*matrix))
print(transposed)
# خروجی: [(1, 4, 7), (2, 5, 8), (3, 6, 9)]

#python
💻@voidcompile

🧬 DNA یا کد پایتون؟
هر دو چیزی مشترک دارن:

هر دو رشته‌ای از کاراکترها هستن.

هر دو می‌تونن اطلاعات رو ذخیره و منتقل کنن.

هر دو می‌تونن ساختارها و سیستم‌های زنده (بیولوژیکی یا دیجیتال) بسازن.


📌 حالا سوال مهم:
به نظرت آینده‌ای می‌رسه که مرز بین کدنویسی و ژن‌نویسی از بین بره؟

# DNA → کد حیات
DNA = "ATGCGTACGTAG"

# Python → کد منطقی
code = "print('Hello World')"

print("هر دو رشته‌ای از کاراکترها هستن...")

@voidcompile

از همون سلام ساده،
یه نسل از ذهن‌ها شکل گرفت،
نسلی که با کد حرف می‌زنن، با الگوریتم فکر می‌کنن،
و با داده رؤیا می‌سازن.

دنیا همیشه با یه "Hello" شروع میشه
مهم اینه تو اون سلام رو بنویسی.

#python
print("Hello, World!")

#JavaScript 
console.log("Hello, World!");

#C
#include <stdio.h>

int main(void) {
    printf("Hello, World!\n");
    return 0;
}

#Java
public class Main {
    public static void main(String[] args) {
        System.out.println("Hello, World!");
    }
}

برنامه نویسی را از همین حالا شروع کن
توی کانال کلی پست های تمرینی هست !
#java #python #c #Csharp

💻@voidcompile

نسل جدید هوش مصنوعی برای کدنویسی

امروز شرکت Anthropic از مدل جدیدش رونمایی کرد: Claude Sonnet 4.5
🔹 این مدل می‌تونه به‌صورت خودکار تا ۳۰ ساعت کد تولید کنه.
🔹 پروژه‌هایی در حد ۱۱,۰۰۰ خط کد رو مدیریت و کامل می‌کنه.
🔹 تمرکز ویژه روی عامل‌های خودران (Autonomous Agents) داره.

این یعنی چی برای ما برنامه‌نویسا؟

کارهای تکراری رو به AI می‌سپریم.

تمرکز ما روی خلاقیت و معماری میره بالا.

سرعت توسعه پروژه‌ها چند برابر میشه.


📌 اما یه سؤال بزرگ:
آیا این یعنی برنامه‌نویسا به زودی جایگزین می‌شن؟ یا این ابزار فقط دستیار ماست؟

#claude
💻@voidcompile

😎 یه انیمیشن خفن فقط با چند خط پایتون!

با همین چند خط، یه افکت Loading واقعی توی ترمینال بساز.
میتونی ازش توی پروژه‌هات، بازی‌های ترمینالی یا اسکریپت‌های CLI استفاده کنی.

📌 نکته: \r باعث میشه خروجی در همون خط به‌روزرسانی بشه.

import time, sys

animation = "|/-\\"
for i in range(30):
    sys.stdout.write("\rLoading " + animation[i % len(animation)])
    sys.stdout.flush()
    time.sleep(0.1)

print("\nDone!")

#python
💻@voidcompile

👨‍💻 خیلیا فکر می‌کنن «برنامه‌نویس بهتر شدن» یعنی یاد گرفتن زبان‌های بیشتر.
اما واقعیت؟
بیشتر شبیه یه طرز تفکره تا یه مهارت فنی.

🔹 اینا چند تا نکته‌ان که واقعاً فرقی بزرگ می‌سازن:

1️⃣ کد کمتر، فکر بیشتر.
به‌جای نوشتن ۱۰۰ خط کد، راه‌حل ۵ خطی پیدا کن.

2️⃣ بفهم چی داری می‌نویسی.
قبل از گوگل کردن، یه دقیقه فکر کن چرا ارور گرفتی.

3️⃣ مرتب بنویس.
کدی که امروز تمیز می‌نویسی، فردا نجاتت میده.

4️⃣ بفهم چرا نه فقط چطور.
زبان‌ها عوض می‌شن، ولی منطق می‌مونه.

5️⃣ به یادگیری عادت کن.
برنامه‌نویس واقعی کسیه که هیچوقت از یاد گرفتن خسته نمیشه.

📌 یادت باشه: یه برنامه‌نویس خوب کد نمی‌نویسه،
🔹 مسئله حل می‌کنه.

💻@voidcompile

Scientific Visualization با پایتون و Matplotlib

یه منبع ناب برای ساخت تصاویر علمی دقیق و جذاب.
نویسنده: Nicolas P. Rougier
چرا باید بخونی؟
• مفاهیم پایه و پیشرفته‌ی مصورسازی علمی رو به خوبی توضیح داده
• از رنگ، تایپوگرافی، طراحی شکل تا انیمیشن رو در خودش داره
• مثال‌های عملی و قابل اجرا + نکات فنی

اگر پروژه‌ای دارید که داده‌های علمی داره مثل ژنتیک، هواشناسی، زیست‌شناسی محاسباتی، فیزیک این کتاب می‌تونه راهنمایی کنه تا خروجی هات انگار از مجله علمی باشن 🔬📊

💻@voidcompile

Scientific Visualization: Python + Matplotlib

#pdf@voidcompile
#book@voidcompile

💻@voidcompile

وقتی توی کد غرق می‌شی،
زمان معناشو از دست میده.
صداها محو می‌شن، افکار آروم می‌گیرن.

فقط تو می‌مونی و یه منطق خالص که داره شکل می‌گیره.
کدنویسی، برای خیلیا شغل یا مهارته
ولی برای بعضیا، یه جور مدیتیشنه.

هر باگ، یه مانع ذهنیه.
هر حل شدنش، یه لحظه‌ی سکوت درونی.

while True:
    try:
        focus()
        build()
        learn()
    except distraction:
        breathe()
        continue

💻@voidcompile

هر قانون فیزیک،
هر تپش قلب،
هر الگوی ستاره‌ها
همه از منطقی پیروی می‌کنند.

جهان روی یک «سینتکس» اجرا می‌شود که هنوز کامل نمی‌فهمیمش.
شاید فیزیک، سورس‌کُدِ هستی باشد.

و شاید وقتی کُد می‌نویسیم،
داریم به همان زبانی حرف می‌زنیم
که واقعیت را ساخته است.

def universe():
    constants = ["gravity", "light", "time", "entropy"]
    while True:
        evolve(constants)

اگر کانال را دوست دارید ری اکشن بزنید دوستان حمایت شما دلیل ادامه دادن ما هست . به زودی خبر های خوبی تو راهه...

💻@voidcompile

کاربران فقط نتیجه رو می‌بینن.
ولی اون چیزی که واقعاً یه برنامه رو «پایدار» می‌کنه،
کدهایی‌ه که هیچ‌کس نمی‌بینه.

🧠 معماری، نظم، naming درست، تست و ساختار —
چیزایی که شاید تو خروجی نشون داده نشن،
اما ریشه‌ی کیفیت نرم‌افزار همون‌جاست.

✨ برنامه‌نویس حرفه‌ای، روی چیزایی تمرکز می‌کنه
که دیگران حتی متوجهش نمی‌شن.

# You only see this...
def start():
    print("Running smoothly!")

# But beneath it...
def structure():
    logic = "optimized"
    naming = "consistent"
    testing = "in place"
    return (logic, naming, testing)

💻@voidcompile

🚀 Top 10 فایلِ سنگین سیستم با پایتون!
با این اسکریپت، از هر مسیر دلخواه، سنگین‌ترین فایل‌ها رو پیدا کن و فضا آزاد کن.

بدون نصب کتابخونه

خروجی مرتب و خوانا (MB/GB)

مناسب ویندوز/مک/لینوکس


📌 کد رو سیو کن، آخر هفته‌ها اجراش کن و سیستم رو سبک نگه دار!

کد را در پست بعدی قرار دادم😁

@voidcompile

کد پایتونی :

# find_top_heavy_files.py
# 🔍 Top 10 largest files (recursive) with human-readable sizes
import os, heapq, argparse, math

def human_size(n: int) -> str:
    if n <= 0: return "0 B"
    units = ["B","KB","MB","GB","TB","PB"]
    idx = min(int(math.log(n, 1024)), len(units)-1)
    return f"{n / (1024**idx):.2f} {units[idx]}"

def iter_files(root: str):
    for base, _, files in os.walk(root):
        for name in files:
            path = os.path.join(base, name)
            try:
                size = os.path.getsize(path)
                yield (size, path)
            except OSError:
                continue  # دسترسی نداشتیم یا فایل قفل بود

def top_n_files(root: str, n: int = 10):
    return heapq.nlargest(n, iter_files(root), key=lambda x: x[0])

if __name__ == "__main__":
    p = argparse.ArgumentParser(denoscription="Show top N largest files recursively.")
    p.add_argument("path", nargs="?", default=".", help="Root directory (default: current)")
    p.add_argument("-n", type=int, default=10, help="How many files to show")
    args = p.parse_args()

    results = top_n_files(args.path, args.n)
    width = max((len(p) for _, pth in results for p in [pth]), default=20)

    print(f"📁 Root: {os.path.abspath(args.path)}")
    print(f"{'Size':>12}  Path")
    print("-"*12 + "  " + "-"*max(width, 40))
    for sz, pth in results:
        print(f"{human_size(sz):>12}  {pth}")

اجرا:

python find_top_heavy_files.py        # از پوشه فعلی
python find_top_heavy_files.py D:\    # مسیر دلخواه ویندوز
python find_top_heavy_files.py / -n 20  # لینوکس/مک، ۲۰ فایل

@voidcompile

الگوریتم‌ها چطور کار می‌کنند؟

def sort_thoughts(thoughts):
    return sorted(thoughts, key=lambda t: t.clarity)

الگوریتم فقط مجموعه‌ای از دستورات نیست
در واقع چارچوبی از تفکر منطقی برای حل مسئله است.

هر الگوریتم سه ویژگی بنیادین دارد:
1️⃣ ورودی مشخص – داده‌های خام یا شرایط اولیه
2️⃣ مراحل محدود و قطعی – دنباله‌ای از گام‌های دقیق
3️⃣ خروجی قابل پیش‌بینی – پاسخی که از مسیر منطق حاصل می‌شود

اما فراتر از تعریف ریاضی، الگوریتم‌ها بازتابی از ذهن انسان‌اند.
ما در زندگی روزمره هم بر اساس الگوریتم‌ها تصمیم می‌گیریم:
اولویت‌بندی، مقایسه، حذف، بهینه‌سازی.

📊 در دنیای محاسبات، الگوریتم‌ها قلب هر سیستم هوشمند هستند
از مرتب‌سازی داده تا تشخیص چهره و پیش‌بینی ژن‌های بیماری‌زا.

🔹 وقتی الگوریتم را می‌فهمی، در واقع طرز کار ذهن و طبیعت را می‌فهمی.
زیرا حتی جهان، از قوانینش تا DNA، الگوریتمی عمل می‌کند.

@voidcompile

🌤 پیشنهاد روزت با پایتون 😎

یه اسکریپت ساده اما بامزه:
کافیه بگی هوا چطوره و دما چند درجه‌ست،
پایتون خودش بهت میگه امروز چی کار کنی 😄

🔹 از شرط‌های تو در تو (if‌های توی هم) استفاده شده

weather = input("هوا چطوره؟ (آفتابی / بارانی / برفی): ")
temp = float(input("دمای هوا چند درجه است؟ "))

if weather == "آفتابی":
    if temp > 30:
        print("🌞 هوا خیلی گرمه، بهتره بری استخر یا خونه بمونی 😎")
    elif temp >= 20:
        print("☀️ هوا عالیه، برو پیاده‌روی یا دوچرخه‌سواری کن 🚴‍♂️")
    else:
        print("🌤 آفتاب هست ولی خنکه، بهتره لباس گرم‌تر بپوشی 🧥")

elif weather == "بارانی":
    if temp >= 15:
        print("🌧 بارونه ولی نسبتا گرمه، چتر یادت نره ☔")
    else:
        print("🌧 سرده و بارونیه، بهتره تو خونه بمونی و فیلم ببینی 🎬")

elif weather == "برفی":
    if temp <= 0:
        print("❄️ عالیه برای ساختن آدم‌برفی ⛄!")
    else:
        print("🌨 برف میاد ولی هوا کمی گرمه، مراقب آب شدن برف باش 😅")

else:
    print("❌ وضعیت هوا نامشخصه. فقط مطمئن شو لباس مناسب پوشیدی 😅")

@voidcompile

کد مانیتورینگ زنده سیستم با پایتون | Python System Monitor

با این اسکریپت فقط چند خطی،
می‌تونی مصرف CPU، رم، دیسک و سرعت اینترنت سیستم‌ت رو به‌صورت زنده ببینی ⚙️

📊 ویژگی‌ها:
✅ نمایش درصد استفاده از CPU به همراه تعداد هسته‌ها
✅ میزان مصرف RAM و فضای دیسک به صورت دقیق و قابل خواندن (MB/GB)
✅ سرعت ارسال و دریافت شبکه در لحظه (Upload / Download)
✅ نمایش Top Processes بر اساس مصرف CPU
✅ سازگار با Windows، macOS، Linux

💡 فقط با نصب یه کتابخونه:

pip install psutil

بعدش اجرا کن:

python sys_monitor.py

و یه داشبورد زنده و ترمینالی از عملکرد سیستم‌ت ببین 😎

📌 مناسب برای:

توسعه‌دهنده‌ها (Dev)

ادمین‌های سرور (SysAdmin)

تست و بنچمارک پروژه‌های سنگین

آموزش پایتون در سطح حرفه‌ای


پایتون فقط برای هوش مصنوعی نیست
گاهی می‌تونه سیستم عامل رو مثل یه موجود زنده برات توصیف کنه.

کد در پست بعدی قرار گرفته
💻@voidcompile

کد :

# sys_monitor.py
# مانیتورینگ ساده CPU / RAM / Disk / Net  — مناسب ترمینال
import psutil, time, os, argparse
from datetime import datetime

def human(n: float, unit=1024):
    for u in ["B","KB","MB","GB","TB","PB"]:
        if n < unit: return f"{n:.2f} {u}"
        n /= unit
    return f"{n:.2f} PB"

def clear(): os.system("cls" if os.name == "nt" else "clear")

def snapshot(net0=None):
    cpu = psutil.cpu_percent(interval=None)
    mem = psutil.virtual_memory()
    disk = psutil.disk_usage(psutil.disk_partitions()[0].mountpoint if psutil.disk_partitions() else "/")
    net  = psutil.net_io_counters()
    if net0:
        up   = net.bytes_sent - net0.bytes_sent
        down = net.bytes_recv - net0.bytes_recv
    else:
        up = down = 0
    return cpu, mem, disk, net, up, down

def top_procs(limit=5):
    procs = []
    for p in psutil.process_iter(["pid","name","cpu_percent","memory_info"]):
        try:
            procs.append((p.info["cpu_percent"], p.info["memory_info"].rss, p.info["pid"], p.info["name"]))
        except Exception:
            pass
    procs.sort(reverse=True, key=lambda x: x[0])
    return procs[:limit]

if __name__ == "__main__":
    ap = argparse.ArgumentParser(denoscription="Simple System Monitor (CPU/RAM/Disk/Net)")
    ap.add_argument("-i","--interval", type=float, default=1.0, help="Refresh interval seconds (default: 1.0)")
    ap.add_argument("-n","--count", type=int, default=0, help="Number of refreshes (0 = infinite)")
    ap.add_argument("--procs", type=int, default=5, help="Top N processes by CPU (default: 5)")
    args = ap.parse_args()

    # warm-up to get meaningful CPU%
    for p in psutil.process_iter(): 
        try: p.cpu_percent(None)
        except Exception: pass

    t = 0
    net0 = psutil.net_io_counters()
    while True:
        cpu, mem, disk, net, up, down = snapshot(net0)
        clear()
        print(f"🖥  Simple System Monitor — {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
        print("-"*70)
        print(f"CPU: {cpu:5.1f}%   | Cores: {psutil.cpu_count(logical=True)}")
        print(f"RAM: {human(mem.used):>9} / {human(mem.total):<9} ({mem.percent:4.1f}%)")
        print(f"DSK: {human(disk.used):>9} / {human(disk.total):<9} ({disk.percent:4.1f}%)")
        print(f"NET: ↑ {human(up)}/s   ↓ {human(down)}/s")
        print("-"*70)
        print(f"Top {args.procs} processes by CPU:")
        for c, m, pid, name in top_procs(args.procs):
            print(f"{c:5.1f}%  | {human(m):>8} | PID {pid:<6} {name}")
        print("-"*70)
        print(f"[interval={args.interval}s] Press Ctrl+C to exit.")
        net0 = net
        t += 1
        if args.count and t >= args.count: break
        time.sleep(args.interval)

اجرا :

python sys_monitor.py            # رفرش هر 1 ثانیه، بی‌نهایت
python sys_monitor.py -i 0.5     # رفرش نیم‌ثانیه‌ای
python sys_monitor.py -n 10      # فقط 10 آپدیت
python sys_monitor.py --procs 8  # نمایش تاپ 8 پروسس

@voidcompile

🔹 این := که بهش می‌گن Walrus Operator، همزمان مقدار رو ذخیره و بررسی می‌کنه.
یعنی لازم نیست دو خط جدا بنویسی یه خط کافیه 😎

📌 ویژگی‌ها:
✅ کد کوتاه‌تر و تمیزتر
✅ شرط‌نویسی درجا
✅ مخصوص پایتون نسخه ۳.۸ به بالا

# Walrus Operator 😎
if (name := input("What's your name? ")) == "Mobin":
    print(f"Hey {name}, welcome back! 😄")
else:
    print(f"Hello {name}! 👋")

@voidcompile

🔁 قدرت پنهان حلقه‌ها در پایتون

گاهی یه حلقه ساده می‌تونه مفهومی خیلی بزرگ‌تر از تکرار داشته باشه
هر بار اجرا یعنی یه قدم نزدیک‌تر شدن به هدف.

و این کد، یکی از خفن‌ترین ترفندهای پایتونه که خیلیا ازش خبر ندارن 👇

# Retry with exponential backoff using for...else
import time, random

MAX_TRIES = 5

for attempt in range(1, MAX_TRIES + 1):
    ok = (random.random() < 0.35)  # simulate success
    if ok:
        print(f"✅ Success on attempt {attempt}")
        break
    wait = 2 ** (attempt - 1)
    print(f"❌ Failed... retrying in {wait}s")
    time.sleep(0.1)
else:
    print("🛑 Gave up after 5 attempts")

🔹 نکته مهم:
بخش else فقط وقتی اجرا میشه که حلقه بدون break تموم بشه.
یعنی وقتی هیچ‌کدوم از تلاش‌ها موفق نباشن.

📌 این الگوی Retry + Backoff توی کار با API، شبکه و تسک‌های خودکار خیلی کاربردیه.
یه مثال واقعیه از اینکه قدرت حلقه فقط در تکرار نیست در پایداریه.

@voidcompile

🔹 ماتریس (Matrix) یعنی یک آرایه‌ی دو‌بعدی از عددها.
در پایتون با کتابخونه‌ی NumPy می‌تونی به‌راحتی باهاش کار کنی.

📘 کاربردهای ماتریس‌ها:
1️⃣ در هوش مصنوعی، وزن‌ها و پارامترهای شبکه‌ها داخل ماتریس‌ها ذخیره می‌شن.
2️⃣ در بینایی ماشین، تصاویر خودشون ماتریس‌هایی از پیکسل‌ها هستن.
3️⃣ در فیزیک و آمار، ماتریس برای چرخش، تبدیل و تحلیل داده‌ها استفاده میشه.

💡 نکته:
@ یعنی ضرب ماتریسی (Matrix Multiplication) —
و باهاش می‌تونی محاسبات پیچیده‌ی ریاضی رو در یک خط انجام بدی!

📌 یاد گرفتن ماتریس‌ها یعنی فهمیدن زبون پشتِ هوش مصنوعی.

import numpy as np

A = np.array([[2, 3], [1, 4]])
B = np.array([[5, 2], [3, 1]])

C = A @ B   # ضرب ماتریسی
print(C)

@voidcompile

✅یک ترفند خفن پایتونی که شاید تا حالا ندیده باشی !

فقط با یک خط چند تابع رو باهم اجرا کن
دیگه لازم نیست دونه دونه صداشون کنی !

کد رو کپی و امتحان کن !

def hi(): print("salam")
def bye(): print("khodafez")

list(map(lambda f: f(), [hi, bye]))

💻@voidcompile