Python Portal

Совет по Pytest: Используйте @pytest.mark.skipif, чтобы условно пропускать тесты в зависимости от определённых условий — например, платформы, наличия зависимостей или значений переменных окружения Декоратор @pytest.mark.skipif(...) указывает Pytest пропустить выполнение теста, если условие истинно. В примере, тест пропускается, если используется Python версии ниже 3.9, потому что оператор объединения словарей (|) появился только в Python 3.9. Аргумент reason сообщает причину пропуска, которая отображается в отчёте Pytest. 👉 @PythonPortal

Text-to-Speech нового уровня Chatterbox — первый open-source TTS, готовый к продакшену. ➣ Задержки менее 200 мс ➣ Синтеза речи нулевого выстрела (zero-shot) на уровне SoTA ➣ Управления эмоциями и выразительностью Полностью open-source 😱 👉 @PythonPortal

⭐️ Техножурнал Яндекс 360: рассказываем о технологиях В Яндекс 360 мы создаём технологии, которые работают в основе более чем 13 сервисов, включая Диск, Почту, Телемост, Мессенджер и другие. Открывайте Техножурнал, чтобы узнать: — Как мы балансируем нагрузку в 300k RPS в Яндекс Мессенджере, — Как подружили MongoDB и PostgreSQL в Диске, — Какие в команде культура и ценности. А ещё — как мы внедряли DDD, кто такой Technical Owner, как управляем 650+ шардами PostgreSQL и как подходим к проектированию архитектуры наших сервисов. ⭐️ Всё это — в Техножурнале Яндекс 360. @yandex360team

Практический Python от Дэвида Бизли (один из самых уважаемых экспертов по Python, автор книги "Python Essential Reference") Курс учит не просто писать код, а думать как интерпретатор, избегая фреймворков. Всё на голом Python, от функций до генераторов и итераторов Материал подаётся плотно, с минимальной теорией и сразу с практикой. Курс доступен онлайн, без регистрации и бесплатно, включая слайды, заметки и упражнения 🤔 Ссылка на курс: тык 👉 @PythonPortal

Pandas vs PySpark Если ты работаешь с небольшими данными на ноутбуке или с большими объёмами на кластере — именно Pandas и PySpark лежат в основе современной аналитики данных. Когда я только начинал, постоянно ловил себя на вопросах: «А как сделать эту операцию из Pandas в PySpark?» или «Какой эквивалент у этого DataFrame-кода в PySpark?» 😨 Переключаться между ними было непросто — разный синтаксис, разный подход. Поэтому держи простую шпаргалку с командами в лоб-в-лоб, чтобы упростить переход. Что внутри: ❯ Удобный выбор, фильтрация и сортировка строк ❯ Группировка, агрегации и join’ы без боли ❯ Обработка пропущенных значений ❯ Плавный перенос логики между Pandas и PySpark Совет: если освоишь обе библиотеки — сможешь уверенно переключаться между небольшими проектами и масштабными пайплайнами. И не забывай:

«В Pandas ты учишься ремеслу. В PySpark — масштабированию.»

👉 @PythonPortal

Всё, что нужно для трассировки LLM-приложений это Python-декоратор (open-source). Большинство метрик для LLM оценивают приложение как чёрный ящик от начала до конца. Но LLM-приложения требуют оценки и трассировки на уровне компонентов, ведь ошибка может быть где угодно: в ретривере, вызове инструмента или самом LLM. С помощью deepeval это делается всего в 3 строки кода: – Используй декоратор @observe, чтобы трассировать отдельные компоненты (инструменты, ретриверы, генераторы) – Привязывай метрики к каждому из компонентов – Получай визуальный разбор — что работает, а что ломается И всё. Переписывать существующий код не нужно. 😄 Пример есть выше для RAG-приложения. Deepeval — полностью open-source, уже 8500+ звёзд на GitHub. Можно легко задеплоить у себя. Все данные останутся под твоим контролем. 👉 @PythonPortal

Наткнулся на годный репозиторий для изучения Data Science с Python 😮 Это полный текст книги Python Data Science Handbook в формате Jupyter-ноутбуков — прямо на GitHub Можно изучать NumPy, Pandas, Matplotlib, Scikit-Learn и другие библиотеки прямо в интерактивном формате. Подойдёт и для новичков, и как шпаргалка для практиков 👉 @PythonPortal

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты будешь использовать самые передовые инструменты! 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 🖥 Data Science: t.me/data_analysis_ml 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 GO: t.me/Golang_google 🖥 React: t.me/react_tg 👣 Rust: t.me/rust_code 🧠 Нейросети: t.me/vistehno 🖥 PHP: t.me/phpshka 🖥 Android: t.me/android_its 💼 Вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi

Преобразование систем счисления в Python с использованием встроенных функций 🔹Из десятичной в двоичную

decimal_number = 10
binary_number = bin(decimal_number)
print(binary_number)
# Вывод: '0b1010'

🔹Из двоичной в десятичную

binary_number = '1010'
decimal_number = int(binary_number, 2)
print(decimal_number)
# Вывод: 10

🔹Из десятичной в восьмеричную

decimal_number = 10
octal_number = oct(decimal_number)
print(octal_number)
# Вывод: '0o12'

🔹Из восьмеричной в десятичную

octal_number = '12'
decimal_number = int(octal_number, 8)
print(decimal_number)
# Вывод: 10

🔹Из десятичной в шестнадцатеричную

decimal_number = 10
hex_number = hex(decimal_number)
print(hex_number)
# Вывод: '0xa'

🔹Из шестнадцатеричной в десятичную

hex_number = 'a'
decimal_number = int(hex_number, 16)
print(decimal_number)
# Вывод: 10

👉 @PythonPortal

Google представила мощного AI-ассистента для работы в терминале — Gemini CLI На текущем этапе инструмент фактически доступен бесплатно, работает на базе модели Gemini 2.5 Pro, с такими лимитами: - До 60 запросов в минуту - До 1000 запросов в день Для личного использования этих ограничений более чем достаточно. На фоне подписок по $10–20 в месяц на другие AI-инструменты для разработки — Google действительно щедр. 😮 • Контекст до 1 млн токенов • Мультимодальность: UI-скетчи, PDF → код • Автопоиск PR и merge-автоматизация • Поддержка MCP-протокола • Встроенный Google Search 👉 @PythonPortal

Многие разработчики на Python считают метод __init__() конструктором, но на самом деле это не так. Настоящий конструктор в Python — это метод __new__(). Давайте разберёмся, как это доказать, на небольшом примере. Сначала добавим несколько print-вызовов в метод __init__(), чтобы понять, что происходит при создании экземпляра класса: (2 фото) Теперь добавим метод __new__() и посмотрим, вызывается ли __init__() до или после __new__(). (3 фото) Если запустить этот код, станет видно, что первым вызывается именно метод __new__() Хочу отметить, что в большинстве случаев вам не придётся использовать метод __new__() в своём коде. На практике он применяется почти исключительно в метапрограммировании, фабричных функциях и при работе с API — по крайней мере, из того, что мне доводилось видеть. Так что продолжайте спокойно использовать проверенный метод __init__() — он по-прежнему отлично справляется со своей задачей 😄 👉 @PythonPortal

Хочешь понять, как работает Git — напиши свой. Линус Торвальдс прославился тем, что написал Git за один день на C, уложившись в 1000 строк — и закоммитил его через Git. Сейчас проект насчитывает >500k строк, но его ядро можно реализовать за одни выходные. Write Yourself a Git – пошаговое руководство, помогающее создать упрощённую версию Git на Python. Автор показывает, как за ~978 строк кода реализовать ключевые команды Git: init, add, commit, log, checkout, status и другие — при этом всё остаётся совместимым с настоящим Git Git кажется сложным, но его ядро на удивление простое. Проект wyag позволяет «разобрать его на атомы» и понять фундаментальные концепции через код 😡 👉 @PythonPortal

ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ Айтишники поймут ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠ ᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠᅠ

Совет по Python: При объединении итерируемых объектов разной длины используй itertools.zip_longest() вместо zip(), чтобы все элементы были объединены в пары. zip() объединяет элементы, пока один из итерируемых не закончится:

>>> list(zip(letters, numbers))
[('a', 1), ('b', 2)]

zip_longest() продолжает объединение до конца самого длинного итерируемого объекта:

>>> list(zip_longest(letters, numbers))
[('a', 1), ('b', 2), ('c', None)]

fillvalue позволяет указать значение-заполнитель для отсутствующих элементов:

>>> list(zip_longest(letters, numbers, fillvalue='N/A'))
[('a', 1), ('b', 2), ('c', 'N/A')]

Используй zip_longest, когда важно сохранить все данные, даже при разной длине итерируемых объектов 🤵 👉 @PythonPortal

Наткнулся на прикольный ресурс для изучения SQL Это интерактивный тренажёр, который позволяет практиковаться в написании SQL-запросов прямо в браузере. Подойдёт и новичкам, и тем, кто хочет освежить SELECT, JOIN и другие команды на практике 📝 👉 @PythonPortal

Совет по Python: Функция locals() Встроенная функция locals() возвращает словарь, представляющий текущую локальную таблицу символов. Таблица символов — это структура, в которой Python хранит все имена (переменные, функции, классы и т.д.), доступные в определённой области видимости. Когда locals() вызывается внутри функции, она возвращает словарь со всеми локальными переменными, определёнными в рамках этой функции. В примере переменные z и x определены локально внутри функции. Переменная y = 20 является глобальной и не относится к области видимости my_func(). Поэтому locals() внутри my_func не включает y 👉 @PythonPortal

Топ-10 распространённых магических методов в Python __init__(self) – Инициализация нового объекта __str__(self) – Строковое представление __repr__(self) – Представление для отладки __len__(self) – Длина объекта __getitem__(self, key) – Доступ к элементу по индексу/ключу __setitem__(self, key, value) – Установка значения по индексу/ключу __delitem__(self, key) – Удаление элемента по ключу __eq__(self, other) – Проверка на равенство __add__(self, other) – Поведение оператора сложения + __call__(self, ...) – Делает экземпляр вызываемым как функция 👉 @PythonPortal

Использование контекстного менеджера как таймера Большинство разработчиков ассоциируют контекстные менеджеры (with-выражение) только с работой с файлами. Но на самом деле этот паттерн решает более общую задачу. Контекстные менеджеры идеально подходят для управления любыми ресурсами, у которых есть чёткий момент начала и завершения. Например: • File I/O • Сессии логирования • Транзакции в базе данных • Сетевые и БД-соединения • Замер производительности • Управление потоками и блокировками with гарантирует, что инициализация и очистка ресурса будут выполнены автоматически, даже если в блоке возникнет исключение. Это делает код чище и надёжнее. Вместо того чтобы вручную замерять время до и после блока кода, можно использовать контекстный менеджер — это чистое и питоничное решение. Обычно контекстный менеджер реализуется как класс с методами __enter__ и __exit__ Но есть более лаконичный способ — использовать декоратор @contextmanager из модуля contextlib, чтобы писать генераторные менеджеры без лишнего шаблонного кода. Пример как использовать контекстный менеджер как таймер прикрепил ✌️ 👉 @PythonPortal

Auto PY to EXE — это open-source инструмент для упаковки Python-проектов в исполняемые файлы, который гораздо проще в использовании, чем pyfuze Он предоставляет наглядный графический интерфейс: просто выбираешь скрипт, настраиваешь нужные параметры и нажимаешь кнопку запуска —> весь процесс упаковки проходит без необходимости возиться с командной строкой. Дополнительно можно сохранять часто используемые настройки, отслеживать процесс в реальном времени и просматривать подробные логи. 📖 Инструмент кроссплатформенный, поддерживает Windows, macOS и Linux, а установка через pip максимально простая:

pip install auto-py-to-exe

👉 @PythonPortal

Это что игра What It Prints? Да, это онлайн-игра‑головоломка для разработчиков и студентов, где нужно угадать, что выведет код. Простая и увлекательная: показывается фрагмент, а вы должны определить его вывод Для самопроверки самое то 💯 👉 @PythonPortal