Мое первое приложение в серии "Мамкин Вейб - Кодер"

📋 Что это такое?

Python File Executor – это продвинутый графический инструмент на Tkinter для удобного запуска Python-скриптов прямо из интерфейса Windows. Больше не нужно вручную открывать командную строку или беспокоиться о недостающих библиотеках – приложение сделает всё за вас!

Скачать с Яндекс диска: https://disk.yandex.ru/d/faoRWLQrzU5hnw

✨ Ключевые возможности:

🎯 1. Умный анализ зависимостей

• Автоматическое обнаружение импортов – программа анализирует ваш скрипт и находит все необходимые библиотеки

• Игнорирование стандартных модулей – не предлагает установить os, sys и другие встроенные библиотеки

• Поддержка альтернативных имен – понимает, что sklearn = scikit-learn, cv2 = opencv-python и т.д.

🔧 2. Автоматическая установка

• Одним кликом устанавливает все зависимости через pip

• Визуальный прогресс установки – видите, что именно происходит

• Безопасность – запрашивает подтверждение перед установкой

⚡ 3. Запуск в PowerShell

• Интеграция с PowerShell – скрипты выполняются в родной среде

• Реальное время вывода – видите результаты выполнения по мере поступления

• Цветное оформление вывода – легко различать ошибки, предупреждения и успешные сообщения

🛠 4. Дополнительные инструменты

• 📝 Открыть в редакторе – быстрый доступ к редактированию скрипта

• 📂 Открыть папку – удобная навигация по файловой системе

• 📊 Детальная информация – размер файла, путь, статус зависимостей

Цветовая схема:

• 🟦 Синий – основные действия

• 🟩 Зеленый – успешные операции

• 🟧 Оранжевый – предупреждения/зависимости

• 🟥 Красный – ошибки

• 🟪 Фиолетовый – информация о зависимостях

📁 Как это работает?

Шаг 1: Выбор скрипта

Просто нажмите кнопку "Выбрать .py файл" и выберите свой Python-скрипт.

Шаг 2: Автоматический анализ

Программа автоматически:

• Сканирует все импорты в файле

• Определяет, какие библиотеки уже установлены

• Показывает список отсутствующих зависимостей

Шаг 3: Установка зависимостей (при необходимости)

Нажмите "Установить зависимости" – программа:

• Установит все недостающие библиотеки через pip

• Покажет прогресс установки в реальном времени

• Обновит статус после завершения

Шаг 4: Запуск скрипта

Нажмите "Выполнить в PowerShell" – скрипт:

• Запустится в интегрированном PowerShell

• Будет выводить результаты выполнения в окно программы

• Покажет код завершения (0 = успех)

🎯 Для кого этот инструмент?

👨‍💻 Разработчики:

• Быстро тестируйте свои скрипты

• Не тратьте время на ручную установку зависимостей

• Удобный просмотр логов выполнения

👩‍🏫 Преподаватели и студенты:

• Идеально для учебных проектов

• Автоматическая настройка среды выполнения

• Наглядный процесс установки библиотек

🧪 Тестировщики:

• Быстрый запуск тестовых скриптов

• Удобное отслеживание ошибок зависимостей

• Повторяемость выполнения

🚀 Начинающие программисты:

• Не нужно разбираться с командной строкой

• Автоматическое решение проблем с импортами

• Визуальная обратная связь

🔧 Технические особенности

Поддерживаемые сценарии:

• ✅ Простые скрипты с несколькими библиотеками

• ✅ Сложные проекты с множеством зависимостей

• ✅ Скрипты с пользовательским вводом (stdin)

• ✅ Длительные операции с прогрессом

Безопасность:

• 🔒 Запрос подтверждения перед установкой

• 🔒 Использует официальный pip

• 🔒 Показывает, что именно будет установлено

• 🔒 Возможность отменить установку

📊 Пример использования

Сценарий: У вас есть скрипт для анализа данных:

С помощью Python File Executor:

1. Выбираете файл → программа видит 4 зависимости

2. Проверяете зависимости → оказывается, sklearn не установлен

3. Устанавливаете зависимости → программа ставит scikit-learn

4. Запускаете скрипт → видите результаты в красивом интерфейсе

🎁 Особенности реализации

Умный парсер импортов:

• Поддержка многострочных импортов

• Игнорирование комментариев

• Обработка псевдонимов (import numpy as np)

• Распознавание from module import function

Пользовательский интерфейс:

• Современный плоский дизайн

• Интуитивная навигация

• Адаптивная компоновка

• Информативный статус-бар

Стабильность работы:

• Обработка ошибок на каждом этапе

• Безопасное завершение процессов

• Восстановление после сбоев

• Логирование всех операций

👥 Для сообщества

Вклад приветствуется! Хотите улучшить инструмент?

• Сообщайте о багах

• Предлагайте новые функции

• Участвуйте в разработке

🎯 Попробуйте Python File Executor уже сегодня и забудьте о сложностях запуска Python-скриптов!

#Python #Automation #DeveloperTools #PowerShell #Dependencies #Programming #Tkinter #Windows #Productivity

Показываю:

@timoil94, включил первое видео, которое позволяет записать его. Хотел с Попкорна, но там запрет на захват экрана. А еще пикабу заставляет обрезать, соотношение сторон ему не нравится, видите ли... И качество пришлось ухудшить, тоже не загружалось.

Моё терпение в «ВК Знакомствах» лопнуло на 50-й анкете со списком требований «от 180 см, не курящая, не меркантильная». Я поняла: жизнь слишком коротка, чтобы листать это вручную.

Поэтому я написала автолайкер на Python. Программа не просто кликает — она анализирует текст через ИИ и распределяет кандидатов по типам. Я прогнала через него 300 анкет.

Результаты теста:

• Пустые и Идиотские (24%) — лидеры хит-парада. Описания либо нет, либо там «работаю и отдыхаю».

• Креативные (14.3 %) - интересное, оригинальное, нестандартное описание, которое выделяется на фоне остальных, показывает интеллект и творчество.

• Банальные и Клише (9.7%) — те, кому «не хватит символов рассказать о себе». Если бот видит фразы «время покажет» или «простой, адекватный», он просто закрывает вкладку. Сорян, ребята, вы — шаблон.

• С увлечениями (19.3%) — стандартный набор: рыбалка, спорт, путешествия. Это не плохо, но это как базовая комплектация Лады: едет, но не радует.

• Хвалящие себя (8.3%) — «умный, красивый, с чувством юмора». Когда человек сам себе выписывает грамоту за адекватность, мой алгоритм начинает сомневаться.

• Псевдофилософы (8.3%) — здесь живут цитаты про «любовь и смерть, которые сами тебя найдут». Скрипт распознает дешевую философию за версту.

• Надменные / Список исключений (5.3%) — те, у кого в анкете больше слов «МИМО» и «НЕ», чем смысла. Программа вежливо выполняет их просьбу и проходит мимо.

• Неудачная креативность (10.7%) — натужные шутки и метафоры. Тот случай, когда хотел быть «не таким как все», а стал категорией №8.

Итог: Дейтинг в 2026-м — это игра на выбывание. Из 300 анкет программа лайкнула всего 14.3% профилей (категория «Креативные»).

Мораль: Если вы думали, что это вы придирчивая/ый — нет, это просто статистика. Похоже, умение написать о себе три предложения без клише — это новый IQ-тест.

Я задалась себе вопросом: а зачем сейчас, в эпоху искусственного интеллекта, изучать языки программирования?

Об этом порассуждаю ниже.

А пока подписывайся на мой канал На связи: SQL Там я публикую посты про особенности и нюансы SQL.
Этот канал про то, как не бояться баз данных, понимать, что такое JOIN, GROUP BY и почему NULL ≠ 0. Его я веду с нуля подписчиков. Разбор задач со скользящим окном уже в канале.
Присоединяйся!

И так

Сейчас нейросети могут создавать "много чего". Могут в принципе написать план создания отдельного государства. Я почти уверена, что каждый второй точно пользуется нейросетями для облегчения своей жизни. Почти каждая компания говорит о том, что выполнение рутинных задач будут замещены ИИ. Это и хорошо и плохо, как говорится, у любой стороны есть две медали. С одной стороны мы сможем освободившееся время выделить на что-то другое, а с другой стороны - это изменение в штатном расписании.

Так зачем же сейчас изучать SQL, если есть ИИ, который за нас может написать весь код, мы даже можем загрузить сырые данные и попросить проанализировать его, что это за данные, чтобы потом, при постановке задачи, учесть все нюансы в промте.

Рассмотрим следующий кейс:

Ты - аналитик, у тебя есть таблица с данными. Ты понимаешь бизнес:
- знаешь, какие показатели нужны
- знаешь как они считаются
- знаешь, что такое выручка, конверсия, средний чек и т.д.

Ты открываешь ИИ и говоришь:

Вот данные. Напиши SQL-запрос, который посчитает эти метрики. Учти NULL, особенности данных и вот эти условия

Все перечислил, все вроде бы учел.

ИИ пишет запрос.
Он выглядит красиво. Он даже выполняется.
Цифры выводятся.

И вот здесь возникает главный вопрос:
а что именно ты получил?

Ты дал данные, ИИ проанализировал, составил запрос, учел там формат даты, NULL и т.п., выдал результат. А как понять - можно ли верить этим данным? А почему получилось именно это число?

Т.е. появляется вопрос: а почему именно так?

Тут ты также можешь задавать вопросы нейросети и выяснять почему получились именно такие данные. Чтобы задавать такие вопросы знание SQL вообще не нужно. Нужно понимание полученных результатов. И все вопросы, которые ты задаешь - это бизнес-вопросы.

Нейросеть тебе на твои уточняющие вопросы дает комментарии и в этот момент, ты либо веришь полученным ответам, либо идешь проверять.

А чтобы проверить, тебе надо лезть в данные. И вот тут знания SQL тебе явно пригодятся.
Ты можешь от ИИ получать на вопрос: "Почему выросла конверсия?", например, такие ответы: "Конверсия выросла из-за изменения структуры пользователей."

И что делать с таким ответом?
В твоей голове аналитика сразу возникают следующие вопросы:
- каких именно пользователей
- с какого дня
- по каким условиям
- что было исключено из расчета

Ты и эти вопросы можешь задавать нейронке.
Но без SQL ты можешь остаться на уровне объяснений, а не на уровне доказательств.

По факту:

SQL нужен не для того, чтобы:

• писать сложные запросы

• помнить синтаксис

• быть «технарём»

SQL нужен, чтобы в любой момент сказать:

«Я могу сам(а) проверить».

Это ключевое.

Не написать с нуля.
Не оптимизировать на миллионы строк.
А проверить логику расчёта на уровне данных.

И еще одна особенность, если твои данные "большие", то ты не сможешь их все скормить нейронке, чтобы та проанализировала их на предмет выбросов и искажений. Тебе в любом случае придется самому проанализировать какие данные в твоем датасете, чтобы задать корректный промт для вычисления твоих показателей, чтобы твой итоговый запрос, который напишет нейронка, учитывал особенности твоих данных.

И тут ты возвращаешься к началу. Чтобы задать корректный промт для нейросети, ты должен сначала проанализировать данные, чтобы учесть все условия для вычисления показателей.

А чтобы проанализировать нужно самому написать SELECT-ы различного рода.

В моем канале На связи: SQL все простыми словами и с конкретными примерами.

Подписывайся!