欢迎来到Python周刊第259期。让我们直奔主题。
嘿，Python粉，你想要表达你对Python的爱吗？那么，点击这里，获取你的T恤，骄傲地穿上它吧。
Podcast.init 第72集 - Dave Beazley
Dave Beazley在Python语言的发展早期就已经在使用和教学Python。他还一直在帮助传播异步编程的福音以及可以帮助改善你的程序的许多方法。本周，我很高兴可以和他谈谈该语言的历史，以及他的喜欢的一些演讲和项目。
这篇文章描述了我贡献一个中型功能给Python的经验。长话短说，我写了PEP 471，并贡献os.scandir()给Python标准库和CPython代码库。它比我所预期的多了许多工作，但这是一个有趣的旅程，并因此，最终的成品比我最初的那个具有更好的API。
确定性等价值的概念是基于流的可变性和风险性，应用折价到现金流上……就像风险溢价的反面。在这篇文章中，我们将利用确定性等价现金流的概念，使用TensorFlow，来构建退休的一个优化资产分配和提款计划。
在这一集中，我们遇见David Crook，他是微软的一个开发人员传播者。他是Fort Lauderdale机器学习用户组的协办者，并参与到了许多其他的用户组和聚会中。你会听到许多超级酷的项目，其中，他们正在使用Python和TensorFlow类处理简单的事情，例如种植更多的粮食来帮助养活世界人民。
建立于Bottle Web框架之上的Python Web应用可以发送和接收短信，在这个教程中，我们将超越短信，学习如何向外拨打电话。呼叫将会读取一段文字，然后播放一个MP3文件，但可以很容易的修改它们，从而在你的Python web应用中创建会议线和其他许多语音功能。
这篇文章详细描述了GAN方程式，并提供了使用GAN解决一个玩具问题的简单例子（代码在TensorFlow上）。
使用AWS Data Pipeline, Elastic MapReduce和Spark构建一个推荐引擎
从Google的广告，到Amazon的产品建议，推荐引擎无处不在。作为智能互联网服务的用户，我们已经变得如此习惯于看到我们所喜欢的东西。这篇文章是我们如何为Hubba构建一个产品推荐引擎的概述。我将首先对不同类型的推荐器进行解释，以及如何着手选择过程。然后，在深入一些实现细节之前，我会涵盖我们的AWS解决方案。
在这篇文章中，我们将介绍如何使用PySpark，通过Domino的数据科学平台，来分析高维脑成像数据中的主要成分。我们将演示如何在一个大得让标准的单台计算机无法正常工作的数据集上进行主成分分析（PCA）。
在RPython中使用RPLY构建一个FizzBuzz DSL: 西方最快的FizzBuzz
Synthego由前SpaceX公司的工程师创建，它正建立世界上第一个完全自动化的支持云的分子生物学实验室。我们的愿景是把自动化带到基因组工程，使科学家们能够以低成本运行自己的全自动化实验室，每天无人为错误地进行数百万可控可重复的实验。这个职位将拥有许多项目，以帮助构建用于工业级分子生物学研究的工具和系统。
Paddle (并行分布深度学习) 是一个易于使用的，高效灵活，并且可扩展的深度学习平台，它最初由Baidu科学家和工程师开发，用于将深度学习应用到Baidu的许多产品上。
Pythia是Lab41对新颖内容检测的方法探索。我们对当进入语料库的文档有点新说头时更简单地进行分辨感兴趣。
通过深度学习的图像超分辨率。该项目使用深度学习，按照4倍系数放大16x16张图像。由此产生的64x64张图像显示了尖锐特性，它基于用来训练神经网络的数据集，是可信的。
一个在需要的时候，以及当命令结束的时候发送通知的实用程序。
一个用于轮询HTTP端点的python库，包括了电池（Ele注：原文这里是batteries included。不知道有没有什么专业用法没注意到）！它旨在处理任何你可能需要通过HTTP轮询远端，等待特定的响应的情况。
这是一个使用Skip Thought Vector，字幕合成图像的实验性tensorflow实现。图像使用来自于论文“生成对抗性文本到图片合成（Generative Adversarial Text-to-Image Synthesis）”的GAN-CLS算法进行合成。该实现是建立在Tensorflow中优秀的DCGAN之上的。
漂亮打印Python回溯的一个小工具。
Python的一个简单实用的流水线库。
该库实现了SQLAlchemy的基于键集分页（包括ORM和核心）。
通过view函数的docstring验证flask请求和响应json模式的微型模块。
整体扫描文本块和OCR扫描不佳的PDF。可以通过pip安装的Python模块。
Stitch是一个用markdown写可复写报告的小小的Python库。
这个新的PyPy2.7版本包括对我们的C-API兼容性层（cpyext）的增量改进，这使我们能够通过超过99％的上游numpy测试套件。我们更新了内置的堆1.8版本的cffi支持，它现在支持用于CPython>=3.2上C扩展的“有限API”模式。我们改善了PyPy JIT工具，并扩大VMProf支持到OpenBSD和Dragon Fly BSD。和以往一样，本次发布修正了由不断增长的PyPy用户组成的社区提出的许多问题和错误。
Python新手，学习了字符串，并且不知道下一步该怎么办？我们将聊聊在Python中使用串联、插值等来处理字符串。