Python/ django

🐍 Продвинутый Python‑совет дня 💡 Используй слоты (`__slots__`) для оптимизации классов, когда тебе нужно много однотипных объектов. По умолчанию Python хранит атрибуты объектов в словаре (`__dict__`), что удобно, но неэффективно по памяти. Если ты точно знаешь, какие поля будут у объекта — зафиксируй их:

class Point:
    __slots__ = ("x", "y")  # только эти атрибуты допустимы

    def __init__(self, x, y):
        self.x = x
        self.y = y

Python — динамичный язык, но когда знаешь структуру данных заранее, slots дают тебе контроль и производительность. 👉 Видео

🐍 Продвинутый Python‑совет дня 💡 Используй слоты (`__slots__`) для оптимизации классов, когда тебе нужно много однотипных объектов. По умолчанию Python хранит атрибуты объектов в словаре (`__dict__`), что удобно, но неэффективно по памяти. Если ты точно знаешь, какие поля будут у объекта — зафиксируй их:

class Point:
    __slots__ = ("x", "y")  # только эти атрибуты допустимы

    def __init__(self, x, y):
        self.x = x
        self.y = y

Python — динамичный язык, но когда знаешь структуру данных заранее, slots дают тебе контроль и производительность. 👉 Видео

🐍 20 ещё более продвинутых однострочников на Python — часть 3 Если ты уже пишешь на Python профессионально, вот ещё приёмы, которые реально экономят строки и читаются на лету: 1. 🗃️ Группировка по ключу без pandas

groups = defaultdict(list); [groups[k].append(v) for k, v in data]

2. 🪄 Быстрое глубокое копирование объекта

copy = pickle.loads(pickle.dumps(obj, -1))

3. 📤 Отправка JSON через POST

r = requests.post(url, json=payload)

4. 📌 Проверка, что файл — это символическая ссылка

is_symlink = Path(p).is_symlink()

5. 🧩 Быстрое объединение нескольких словарей

merged = {**d1, **d2, **d3}

6. 🧪 Проверить, что список отсортирован

is_sorted = all(a <= b for a, b in zip(lst, lst[1:]))

7. 🔍 Найти все подстроки по регулярке

matches = re.findall(r'\d+', text)

8. 🌐 Извлечь домен из URL

domain = urlparse(url).netloc

9. 🧬 Преобразовать список строк в int

nums = list(map(int, str_list))

10. 📚 Считать CSV в список словарей

rows = list(csv.DictReader(open('file.csv')))

11. 🔄 Превратить int в побитовую строку

bits = f'{num:08b}'

12. 📤 Сохранить объект в JSON-файл

json.dump(obj, open('data.json', 'w'), indent=2)

13. 🧮 Убрать пустые строки из списка

lines = [l for l in lines if l.strip()]

14. 🧾 Распарсить query string в словарь

params = dict(parse_qsl('a=1&b=2'))

15. 🧰 Получить уникальные строки, сохранив порядок

seen = set(); uniq = [s for s in seq if not (s in seen or seen.add(s))]

16. 📈 Получить индекс максимального значения

idx = max(range(len(lst)), key=lst.__getitem__)

17. 🪛 Проверить, что список вложенный (2D)

is_nested = all(isinstance(i, list) for i in lst)

18. 🧱 Убрать все символы кроме букв и цифр

clean = re.sub(r'\W+', '', text)

19. ⌛ Ограничить время выполнения кода

signal.alarm(2); try: ... except: ...

20. 📦 Получить структуру всех полей dataclass

fields = [f.name for f in dataclasses.fields(MyClass)]

Часть 1 @pythonl

🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥 Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно! 📌 Темы занятий: 1. Введение в мир нейро-сотрудников 2. Как работают LLM и их аналоги 3. Создание базы знаний для нейро-сотрудника (RAG) 4. Тестирование и отладка нейро-сотрудников 5. Интеграция нейро-сотрудников в Production Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов 🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!

🚀 Быстрый HTTP‑сервер на базе asyncio.Protocol В этом гайде показано как создать минималистичный HTTP‑сервер на Python, используя низкоуровневый API asyncio.Protocol, что делает его быстрее и гибче, чем решения на основе asyncio.Streams или фреймворков типа FastAPI. Основные пункты: 1. Сокет-обработчик (`ConnectionHandler`) - Наследуется от asyncio.Protocol — реакции на события connection_made, data_received, connection_lost. - Хранит буфер, транспорт и маппинг маршрутов. 2. Парсинг HTTP-запросов - В data_received накапливаются байты. - Запрос считается полным при обнаружении \r\n\r\n. - Затем из заголовков извлекаются method, path, другие поля. 3. Маршрутизация через декоратор - Класс HTTPServer собирает функции-обработчики для путей. - Обработчик вызывает либо корутины, либо возвращает статический HTML. 4. Отправка ответа - Используется asyncio.create_task внутри колбэка, чтобы запустить send_response — где формируется ответ с HTTP-кодом, заголовками и телом. - После write() соединение закрывается. 5. Простой запуск сервера - Через loop.create_server() создаётся экземпляр ConnectionHandler. - serve_forever() запускает обработку соединений. 6. Высокая производительность Сервер обрабатывает ~100 000 запросов за ~4.2 с при нагрузке 100 одновременных соединений, в то время как FastAPI справляется за ~32 с :contentReference[oaicite:1]{index=1}. Зачем это полезно: - Полный контроль над TCP-соединениями и буферами. - Существенно выше скорость при простых HTTP-API. - Отличная демонстрация возможностей, которые остаются скрытыми за высокоуровневыми фреймворками. Поддержка сообщества: На Reddit статья получила высокую оценку как "отличный материал по Asyncio Protocols" https://jacobpadilla.com/articles/asyncio-protocols @pythonl

Что общего у Netflix, Google и Spotify Все эти компании используют Python для разработки своих продуктов. Python подходит для создания веб-приложений, анализа данных и даже машинного обучения. Познакомиться с этим универсальным языком можно на бесплатном курсе Нетологии. За 5 занятий вы не просто изучите теорию, а создадите 2 рабочих проекта. Сначала напишете планировщик задач. Начнёте с кода, который запрашивает дату и описание задачи, добавите условные операторы и циклы, встроите в программу уникальную функцию с помощью готовых библиотек. После создадите телеграм-бота и перенесёте в него функционал планировщика — на выходе у вас будет полноценное приложение. Помощь в практике и ответы на вопросы сможете получить в чате с экспертами и однокурсниками. Записывайтесь Реклама. ООО "Нетология". ИНН 7726464125 Erid 2VSb5xHtdRi

🔥 Совет дня Python: быстро получить частоту элементов в списка Когда нужно узнать, сколько раз каждый элемент встречается в списке — не пиши вручную циклы. Используй collections.Counter:

from collections import Counter

items = ['apple', 'banana', 'apple', 'orange', 'banana', 'apple']
freq = Counter(items)

print(freq)
# 👉 Counter({'apple': 3, 'banana': 2, 'orange': 1})

📌 Удобно для: — подсчёта слов — анализа логов — быстрой статистики по спискам @pythonl

Inside ML: индустриальные секреты машинного обучения Онлайн-магистратура «Искусственный интеллект» от Вышки запускает мини-курс, где разберём, как ML работает в индустрии: от Computer Vision и AutoML до LLM и мультиагентных систем. Что вас ждёт: — 5 вебинаров от практиков из Avito, Сбера, Ozon — Кейсы: как выигрывают Kaggle AutoML Grand Prix, запускают CV-системы и внедряют LLM в бизнес — Q&A с экспертами: можно спросить о задачах и карьерном треке в ML Для кого: — IT-специалистам, которые хотят перейти в ML или усилить свою экспертизу — Тем, кто хочет понять, что востребовано сейчас на рынке — Тем, кто планирует сделать шаг в сторону applied ML или сменить специализацию внутри IT Когда: до 15 июля, 19:00 (по МСК) 🔗 Зарегистрироваться

🐍 Часть2: ещё 20 полезных Python-однострочников для тех, кто пишет в прод Первая часть зашла — вот ещё 20 трюков, которые реально экономят время и делают код лаконичнее и чище: 1. 📥 Считать все строки из файла, убрав перевод строки

lines = Path('file.txt').read_text().splitlines()

2. 🔐 Получить SHA256-хеш строки

hash = hashlib.sha256(b"your text").hexdigest()

3. 🧮 Конвертация списка чисел в строку

s = ','.join(map(str, numbers))

4. 🛑 Быстро остановить выполнение скрипта

raise SystemExit("Done")

5. 🧠 Распечатать размер объекта в памяти

print(sys.getsizeof(obj))

6. 🧬 Плоское разворачивание вложенных списков

flat = [i for sub in nested for i in sub]

7. 🔄 Инвертировать булеву маску NumPy

inv_mask = ~mask

8. 🧽 Удалить дубликаты из списка, сохранив порядок

seen = set(); uniq = [x for x in lst if not (x in seen or seen.add(x))]

9. 📦 Распаковка аргументов из словаря в функцию

result = func(**params)

10. 🔎 Получить словарь с топ-N частыми значениями

top_n = dict(Counter(lst).most_common(5))

11. 🪓 Ограничить длину строки с троеточием

s_trunc = s[:n] + '…' if len(s) > n else s

12. 🎛️ Массив из 0 и 1 случайной длины

binary = [random.randint(0, 1) for _ in range(n)]

13. 🗓️ Получить сегодняшнюю дату в формате ISO

today = date.today().isoformat()

14. 📁 Получить размер файла в мегабайтах

size_mb = os.path.getsize(path) / 1024**2

15. 🔀 Перемешать словарь (Python 3.7+ сохраняет порядок)

shuffled = dict(random.sample(d.items(), len(d)))

16. ⏳ Измерить время выполнения блока

with contextlib.redirect_stdout(io.StringIO()): exec('code')

17. 🧱 Разделить список на чанки по N

chunks = [lst[i:i+n] for i in range(0, len(lst), n)]

18. 🕵️ Проверить, работает ли хост (без ping)

ok = socket.create_connection((host, port), timeout=2)

19. 🛠️ Быстро заменить подстроку без re

s = s.replace('from', 'to', 1)

20. 🧪 Убедиться, что все элементы списка — числа

is_all_numbers = all(isinstance(x, (int, float)) for x in lst)

📌 Если нужна часть 3 — ставь лайк. @pythonl

⚙️ Подменяй любые импорты в Python “на лету” — без изменения кода Если ты хочешь протестировать модуль, подменить зависимость, замокать внешний сервис или обмануть импорт — не обязательно редактировать исходники. Python позволяет перехватывать импорты прямо во время выполнения, через sys.modules. Вот минимальный приём, который делает это прозрачно:

import sys
import types

# Создаём фейковый модуль
fake = types.SimpleNamespace()
fake.get_data = lambda: "подмена работает"

# Подменяем импорт
sys.modules['external_service'] = fake

# Теперь даже import будет работать
import external_service
print(external_service.get_data())  # → "подмена работает"

@pythonl

👩‍💻 Всем программистам посвящается! Вот 17 авторских обучающих IT каналов по самым востребованным областям программирования: Выбирай своё направление: 👩‍💻 Python — t.me/python_ready 🤔 InfoSec & Хакинг — t.me/hacking_ready 🖥 SQL & Базы Данных — t.me/sql_ready 🤖 Нейросети — t.me/neuro_ready 👩‍💻 C/C++ — https://t.me/cpp_ready 👩‍💻 C# & Unity — t.me/csharp_ready 👩‍💻 Linux — t.me/linux_ready 📖 IT Книги — t.me/books_ready 👩‍💻 Frontend — t.me/frontend_ready 📱 JavaScript — t.me/javascript_ready 👩‍💻 Backend — t.me/backend_ready 📱 GitHub & Git — t.me/github_ready 👩‍💻 Java — t.me/java_ready 👩‍💻 Весь IT — t.me/it_ready 👩‍💻 Bash & Shell — t.me/bash_ready 🖼️ DevOps — t.me/devops_ready 🖥 Design — t.me/design_ready 📌 Гайды, шпаргалки, задачи, ресурсы и фишки для каждого языка программирования!

🧠 Ускоряй Python циклы без NumPy — через встроенный `array.array` Если ты используешь большие списки чисел в Python и работаешь с ними в цикле — знай: list медленный и неэффективный по памяти. Есть способ ускорить операции в 2–5 раз без внешних библиотек — просто используй array точка array. Попробуй и напиши в комментах результат, на сколько ускорились твои функции. from array import array data = array('f', [0.1] * 10_000_000) # вместо обычного list # быстрая арифметика for i in range(len(data)): data[i] *= 2.5 @python_job_interview

🌟 Odigos — распределенный трейсинг без модификации кода. Этот open-source проект меняет правила игры в observability-инструментах. Инструмент умеет автоматически генерировать распределенные трейсы для приложений на Java, Python, .NET, Node.js и Go без необходимости правки исходного кода. Под капотом используется eBPF для низкоуровневой инструментации, что особенно ценно для скомпилированных языков вроде Go. Трейсы сразу экспортируются в формате OpenTelemetry, что позволяет интегрироваться с любыми совместимыми системами мониторинга. 🤖 GitHub @pythonl

🐍 20 реально полезных однострочных функций на Python — для тех, кто пишет в прод Забудь про [::-1] и lambda x: x*2. Вот подборка, где однострочники реально ускоряют работу, убирают лишний код и улучают читаемость кода: 1. 📁 Получить все файлы с расширением .py рекурсивно

files = list(Path('.').rglob('*.py'))

2. 🧪 Быстрое тестирование скорости любого выражения

timeit(lambda: your_func(), number=1000)

3. 🔎 Показать все публичные методы объекта

[m for m in dir(obj) if not m.startswith('_')]

4. 🧼 Очистить DataFrame от строк с NaN

df_clean = df.dropna()

5. 🔄 Быстрое многопоточное выполнение функций

list(ThreadPoolExecutor().map(func, iterable))

6. 🗜️ Получить частоты значений в списке

dict(Counter(my_list))

7. 🔍 Найти дубликаты в списке

dups = [x for x, c in Counter(lst).items() if c > 1]

8. 📦 Сжать список без None

filtered = list(filter(None, data))

9. 🕵️‍♂️ Ловить и логировать все исключения в одном выражении

try: foo() except Exception as e: logging.exception(e)

10. 📊 Преобразовать список словарей в DataFrame

pd.DataFrame(list_of_dicts)

11. 🔄 Инвертировать словарь с проверкой на коллизии

inv = {v: k for k, v in d.items() if list(d.values()).count(v) == 1}

12. ⏳ Простой таймер

start = time(); result = fn(); print(f'{time() - start:.2f}s')

13. 🔢 Перемешать и взять подмножество

sample = random.sample(big_list, k=100)

14. 🧠 Получить максимальный элемент по ключу

max(data, key=lambda x: x.score)

15. 📐 Убрать отступ у многострочной строки

dedented = textwrap.dedent(multiline_string)

16. 🛠️ Простой retry без библиотек

[func() for _ in range(5) if not success()][-1]

17. 📚 Преобразовать JSON-файл в объект

data = json.loads(Path('file.json').read_text())

18. 🧮 Быстрая нормализация NumPy-вектора

v /= np.linalg.norm(v)

19. 🧾 Отобразить все переменные окружения, отсортированные по имени

print('\n'.join(f'{k}={v}' for k, v in sorted(os.environ.items())))

20. 🔄 Преобразовать словарь в query string

query = urlencode(params)

@pythonl

🧠 Как превратить любой Python-объект в читаемый словарь — даже если это класс с кучей вложенных полей Когда работаешь с API, логами или дебажишь сложные объекты — хочется увидеть весь объект как словарь, без .__dict__, без сериализации, без ручного разбора. Вот приём, который делает это рекурсивно, красиво и гибко — с помощью dataclasses и asdict, даже если объект не был dataclass изначально.

python 
from dataclasses import dataclass, asdict, is_dataclass
from types import SimpleNamespace

def deep_to_dict(obj):
    if isinstance(obj, dict):
        return {k: deep_to_dict(v) for k, v in obj.items()}
    elif isinstance(obj, list):
        return [deep_to_dict(i) for i in obj]
    elif is_dataclass(obj):
        return asdict(obj)
    elif isinstance(obj, SimpleNamespace):
        return deep_to_dict(vars(obj))
    elif hasattr(obj, '__dict__'):
        return deep_to_dict(vars(obj))
    else:
        return obj

🧠 Рекурсивный разбор любых Python-объектов 📌 Подходит для логирования, сериализации, отладки 📌 Работает с dataclass, обычными классами, объектами из types, JSON-like структурами 📌 Можно расширить: добавить фильтрацию полей, вывод в YAML или сохранение в файл Теперь любой “монстр из API” — превращается в читаемый словарь за одну строчку.

🔍Открытое собеседование на Python-бекендера с разработчиком из Avito и Яндекс во вторник 10 июля(уже в четверг!) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Савва Демиденко, ТехЛид с опытом в Яндексе и Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Савва будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Савве Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. ООО "ШОРТКАТ", ИНН: 9731139396, erid: 2VtzqwZX5NF

🪶 DotDotGoose — open-source инструмент для ручного подсчёта объектов на изображениях Нужен простой способ разметить объекты на фото — вручную и без лишних настроек? DotDotGoose — идеальный выбор. Это десктоп‑приложение, написанное на Python, для учёта объектов путём простого "тыкания" точек. 🔧 Возможности: - Быстрое добавление точек и классов объектов - Зум, панорама, тёмная тема - Экспорт в CSV, JSON и изображения с разметкой - Поддержка пользовательских метаданных - Готовые билды под Windows и macOS Установка: git clone https://github.com/persts/DotDotGoose python3 -m venv ddg-env source ddg-env/bin/activate python -m pip install --upgrade pip python -m pip install -r ./DotDotGoose/requirements.txt 👨‍🔬 Для всех, кому нужен точный ручной подсчёт на изображениях. 🔗 GitHub: @pythonl

🧠 Ускорь import в Python-проектах с помощью lazy loading — без изменения логики Если у тебя проект с тяжёлыми модулями (`pandas`, torch, tensorflow`), но они не всегда нужны — не загружай их зря. Python позволяет **отложить импорт до первого использования**, через встроённый `importlib. Вот как это выглядит на практике:

import importlib

# Обёртка для ленивого импорта
def lazy_import(name):
    return importlib.util.LazyLoader(importlib.import_module(name))

# Использование
np = lazy_import('numpy')
# numpy ещё не загружен

# Теперь загрузится:
print(np.array([1, 2, 3]))

@pythonl

⚡ Ускорь Python без переписывания — скомпилируй код в .so через Cython Нужно ускорить медленные куски Python-кода (циклы, численные вычисления, парсинг)? Не обязательно лезть в C или переписывать всё под NumPy. Можно взять свой .py`-файл, добавить одну строчку и превратить его в бинарный .so`‑модуль через Cython — без изменения логики.

# 1. Устанавливаем Cython и компилятор
pip install cython
sudo apt install build-essential

# 2. Переименовываем файл
mv myscript.py myscript.pyx

# 3. Создаём setup.py
echo '
from setuptools import setup
from Cython.Build import cythonize
setup(ext_modules=cythonize("myscript.pyx"))
' > setup.py

# 4. Компилируем
python3 setup.py build_ext --inplace

# 5. Используем как обычный модуль
python3 -c 'import myscript; myscript.main()'

@pythonl

ML-инженеры, какая встреча! 19 июля в Москве снова пройдет Turbo ML Conf от группы Т-Технологий. В этом году — еще масштабнее! В программе 5 тематических потоков, продовые кейсы и технологии. Среди спикеров — эксперты Т-Банка, Сбера, Яндекса и других ведущих специалистов. Будет много нетворкинга, прикладные доклады, настольные игры, лимитированный мерч. Участие бесплатное. Успейте оставить заявку