共计 3549 个字符，预计需要花费 9 分钟才能阅读完成。
你好，我是猫哥。这里每周分享优质的 Python 及通用技术内容，局部为英文，已在小标题注明。（题目取自其中一则分享，不代表全部内容都是该主题，特此申明。）
首发于我的博客：https://pythoncat.top/posts/2023-07-01-weekly
周刊的投稿通道已凋谢 ，请在 Github 我的项目中提交 issue：https://github.com/chinesehuazhou/python-weekly
🦄文章 & 教程
- 本地部署开源大模型的残缺教程：LangChain + Streamlit+ Llama (英)
一篇步骤清晰的教程，它应用 LangChain 及 Facebook 开源的 LLaMA 大语言模型搭建了一个基于文档的问答助手，另外应用 Streamlit 构建出一个好看的用户界面。（附一篇中文的翻译文）
- Python Asyncio 协程对象开销老本
一个 Python Asyncio 协程会占用有多少内存呢？文章的测试论断是约 2Kb。另外，文中还测试了以下的问题：每秒可创立多少个裸协程？每秒可解决多少个协程？应用 uvloop 后，创立及解决协程工作，能有多少晋升？
- 如何应用 asyncio.Runner 执行多个协程 (英)
asyncio.Runner 是 Python 3.11 中新增的性能，反对在同一事件循环中执行多个协程。文章次要内容：如何应用 asyncio.run() 运行多个协程，如何应用包装办法运行多个协程，以及如何应用 asyncio.Runner 类在同一个事件循环中以自适应甚至有条件的形式执行协程。
- 不应用锁的并发实现 (英)
在并发编程中，通常须要应用锁，然而不应该滥用锁。这篇文章探讨了如何尽量不依赖锁来实现并发，演示的例子是生成短链接，次要的思维是“申请饶恕”而不是“提前查看”、应用 PostgreSQL 数据库提供的性能。
- 奉献 CPython 日记 (3) CPython 是如何运行的
文章介绍了 CPython 是如何把 Python 代码跑起来的，次要过程：词法剖析、语法分析、编译到字节码、执行字节码。
- Python JIT 编译器 – 即时编译 (英)
文章探讨了 JIT 编译的概念及其长处，并深入分析了支流的 Python JIT 编译器的优缺点（如 PyPy、Numba 和 Cython），介绍了在 Python 中应用 JIT 编译器的最佳实际和准则。
- CPython、Pypy、MicroPython、Jython……都是些什么？(英)
当咱们说 Python 时，通常指的是官网实现的 CPython，但还有很多的“Python”，比方 Pypy、Jython、MicroPython、Brython、RustPython 等等，还有很多像是新“Python”的货色，比方 Nuitka、WinPython、Psyco、Pyjion 等等。文章解释了相干的概念和工具。
- Python APScheduler：感触 AsyncIOScheduler 的弱小 (英)
APScheduler 是一个调度和自动化工作工具，它的 AsyncIOScheduler 反对调度异步函数和协程，文章介绍了它的性能、长处以及如何优化异步任务调度需要。
- 在生成代码时防止产生技术债权 (英)
GPT 和其它大语言模型能够疾速生成大量代码，但这也可能导致很多的凌乱代码。文章探讨了如何改良这些工具生成的代码，并将其融入到我的项目中的几种办法，包含采纳专家角色、提供示例、遵循最佳实际、遵循规范和明确指南以及代码搁置的失当地位等。
- 当 NumPy 太慢时 (英)
在不思考并行处理的状况下，如何晋升 Numpy 性能？NumPy 有三个固有瓶颈（急迫执行、通用编译代码和向量化导致的高内存使用率）。针对这些瓶颈，文章介绍四种解决方案：手动优化代码、应用 JAX 作即时编译、应用 Numba 作即时编译，以及应用提前编译。
- Numba 教程：应用 JIT 编译减速 Python 代码 (英)
Numba 是一个专用的即时编译器，通过将 Python 代码编译为高效的机器代码来打消解释执行的开销，从而晋升性能。文章介绍了 Numba 的性能、外部原理、次要用法和常见问题。
- 自动化晋升 Python 代码品质 (英)
如何应用较少的工夫和精力来晋升代码的品质？文章介绍了一些晋升代码品质的工具（flake8、Black、isort、mypy、bandit 等），以及应用 IDE、CI 和 pre-commit 等形式自动化调用这些工具。
- 应用 PandasAI 加强数据分析 (英)
PandasAI 是最近火爆的库，为 Pandas 集成了 AI 对话性能，可简化数据操作。文章介绍了 PandasAI 作简单查问与图表可视化的办法，以及介绍了它提供的十几个不便好用的函数。
- 写单元测试的最佳实际 (英)
单元测试的益处毋庸赘述，然而写单测却是开发者最厌恶的事件之一。文章列举了 10 条写单元测试的最佳实际，介绍了手工写单元测试的步骤，最初介绍了应用 Codium.AI 自动化编写测试的办法。
- Netflix 如何平安地迁徙到 GraphQL (英)
Netflix 官网的一篇博客，介绍了在将手机 APP 平安地从 Falcor 迁徙到 GraphQL 的过程中，所采纳的三种测试策略：AB 测试、Replay 测试和 Sticky Canaries。AB 测试用于评估新性能对客户的影响，Replay 测试用于验证迁徙的正确性，Sticky Canaries 用于验证性能和业务指标。
🎁Python 潮流周刊 🎁已收费公布了 9 期，拜访下方链接，即可查看全部内容：https://pythoncat.top/tags/weekly
🐿️我的项目 & 资源
- PyGWalker：将 pandas 数据转换为 Tableau 款式的可视化界面 (中英)
一个在 Jupyter Notebook 环境中运行的可视化摸索式剖析工具，仅一条命令即可生成一个可交互的图形界面，以相似 Tableau/PowerBI 的形式，通过拖拽字段进行数据分析。（star 6.5K）
- jnumpy：疾速用 Julia 编写 Python C 扩大 (英)
用 Julia 为 Python 写高性能的 C 扩大，提速约 200x。（@xgdgsc 投稿）
- jupyter-ai：JupyterLab 的生成式 AI 扩大 (英)
JupyterLab 官网提供的生成式 AI 扩大，次要提供了：%%ai 指令、原生的聊天 UI 页面、反对大量平台的大语言模型（AI21、Anthropic、Cohere、Hugging Face、OpenAI、SageMaker 等）。
- broadcast-service: 一个弱小的 Python 公布订阅者框架
一个公布订阅者框架，反对同步异步调度、定时工作、主题治理、公布订阅者回调等性能。（@Zeeland 投稿）
- cushy-storage: 一个基于磁盘缓存的 ORM 框架
一个基于磁盘缓存的 ORM 框架，可对根本数据类型及自定义的数据通过 ORM 进行增删改查，反对多种序列化操作和数据压缩形式。（@Zeeland 投稿）
- giskard：专用于 ML 模型的测试框架 (英)
如何测试机器学习模型、要涵盖哪些问题、如何施行测试？这个框架可扫描数十种破绽（性能偏差、数据透露、不鲁棒性、虚伪关联、适度自信、信念有余、不道德问题等），并基于后果生成特定畛域的测试套件。（star 1K）
- DragGAN：基于点的交互式图像编辑 (英)
本周最火我的项目，可在图像上通过拖动点的形式，生成想要的新图像，十分惊艳！（star 28K）
- plumbum: 永远不要再写 shell 脚本 (英)
除了相似 shell 的语法和不便的快捷方式外，这个库还提供了本地和近程命令执行（通过 SSH）、本地和近程文件系统门路、简略的目录和环境操作、以及一个可编程的 CLI 工具包。（star 2.6K）
- threestudio：用于生成 3D 内容的对立框架 (英)
反对用文本提醒、单个图像和大量镜头图像创立 3D 内容。反对多种模型，如 ProlificDreamer、DreamFusion、Magic3D、Score Jacobian Chaining，等等。（star 1.8K）
- rembg：一个删除图像背景的工具 (英)
反对删除图像的背景，反对多种应用形式（cli、库、docker）和多种弱小的性能。（star 10.5K）
🐼对于周刊
Python 潮流周刊，由豌豆花下猫主理，精心筛选国内外的 250+ 信息源，为你筛选最值得分享的文章、教程、开源我的项目、软件工具、播客和视频、热门话题等内容。愿景：帮忙所有读者精进 Python 技术，并增长职业和副业的支出。
内容创作要花费大量的工夫和精力，如果你感觉有帮忙，请随便赞叹、买杯咖啡或在爱发电进行反对！如果你喜爱本周刊，请转发分享给其余须要的同学，让更多人能够从中受害～
订阅形式：Python 猫 (可加群)| 邮件 | Github | Telegram | Twitter