Бывало такое, что на вход ждёте один тип данных, а приходит другой? И код из-за этого ломается или (что еще хуже) молча работает не как ожидалось. Чтобы быть увереннее в том, что внешние данные ничего не поломают, их нужно валидировать. Например, если вы попросили пользователя отправить свой возраст, нужно как минимум проверить, что это целое положительное число. А еще можно проверить, что ему не 100500 лет 🙂
Самим писать такие проверки можно, но это долго и утомительно. На помощь приходят библиотеки для валидации данных, которые почти всё сделают за нас. Одна из популярных библиотек для валидации данных на Python - это Pydantic.
В этом видео Денис Солдатов, спикер нашего курса CV Rocket, рассказал о пяти примерах использования Pydantic:
- парсинг json
- пагинация
- собственный pydantic-валидатор и алиасы
- о важности порядка в Union
- и куда же без красивого Swagger'а для FastAPI
Документация Pydantic: github.com/pyd...
Курс "Ракета в Computer Vision": deepschool.ru/...
Наш телеграм, где мы напоминаем теорию и делимся советами по обучению нейросетей: t.me/deep_school
Мы в linkedin: / deep-school
Подписывайтесь, чтобы развиваться в ML и DL вместе!
00:00 | Вступление
06:00 | Пагинация
08:40 | Собственный pydantic-валидатор и алиасы
13:00 | О важности порядка в Union
14:49 | Swagger для FastAPI
17:19 | Заключение
17 авг 2024
