Zen of Python

В чем сида аннотаций типов Type Hints — годный инструмент, ибо помогают находить ошибки типов ещё до запуска кода, но настоящая их сила в другом. С ними вы думаете о структуре данных, делая код менее ломким. Появились в Python 3.5 в 2015 году и прижились так хорошо. что даже IDE напоминают вам о них ворнингами. Взгляните на функцию, что вычисляет скидку для списка товаров:

def calculate_discount(items, discount):
    return [item * (1 - discount) for item in items]

Всё работает, но не совсем понятно: — Что именно items? Список? Кортеж? Генератор? — Какой тип у discount? — Что возвращает функция? Код «самопроясняется», если добавить typing.List:

from typing import List

def calculate_discount(items: List[float], discount: float) -> List[float]:
    return [item * (1 - discount) for item in items]

Мы можем пойти дальше. Зачем ограничивать функцию только List[float], если она также могла бы принять кортеж, множество или генератор?

from collections.abc import Iterable

def calculate_discount(items: Iterable[float], discount: float) -> List[float]:
    return [item * (1 - discount) for item in items]

Теперь items — любая итерируемая структура: список, кортеж, генератор. Такой подход делает функцию более универсальной. Это и есть главное преимущество Type Hints: они заставляют задуматься — а не слишком ли жёсткие ограничения я накладываю на входные данные? А не стоит ли сделать интерфейс функции более абстрактным? Допустим, вы проектируете класс заказа. Если сначала использовали List для хранения товаров, то подумав о типах, вы можете заменить это на Set, чтобы избежать повторений. Или вместо хранения всех элементов в памяти начать использовать генератор для ленивой загрузки данных из базы. Аннотации типов подталкивают вас к обобщённому проектированию, где функции и классы не зависят от конкретных реализаций.

Входы — как можно шире, выходы — как можно конкретнее.

#основы @zen_of_python

Делитесь своим опытом в опросе про облака Мы готовим большое исследование по облачным технологиям и хотим узнать ваше мнение. Расскажите, как вы работаете с облаками, какие у вас возникают вопросы или трудности. Фидбэк можно оставить в этой гугл-форме Спасибо 🙏

django-action-triggers | Вебхуки для всего отовсюду на Django Библиотека позволяет инициировать всевозможные события на вашем Django-сайте по триггеру — апдейту базы данных. В отличие от т.н. сигналов, могут управляться динамически, без редеплоя. Репозиторий проекта @zen_of_python

​​PyXL | Python + Bare Metal Код можно интерпретировать непосредственно на железе без виртуальной машины (VM) и JIT-компиляции. Это положительно скажется на скорости. Среди возможностей: — собственный процессор, исполняющий байт-код Python напрямую, минуя традиционные интерпретаторы; — высокая скорость отклика GPIO: В тестах на плате Arty-Z7-20 с FPGA Zynq-7000 PyXL демонстрирует время отклика GPIO в 480 наносекунд, что в 30 раз быстрее, чем у MicroPython на PyBoard; На сайт проекта #инструмент @zen_of_python

​​Кто из вас сильный? Признавайтесь, надо мебель в соседнем классе перенести. #кек @zen_of_python 😎 — как мощны мои лапищи 🌚 — пишу с нейрокопайлотами

​​Между гадалками и LLM для верстки сайтов есть нечто общее: обе оперируют узким проверенным словарем на ~1000 слов, чтобы выразить свои мысли и при этом попасть в "болевые точки" клиента. #кек @zen_of_python

Вашему вниманию — Змеиный культ Некрополиса, типичная IT-команда разработки #кек @zen_of_python

Вопросы подписчиков Zen of Python поддерживает новоприбывших (и не только) в особой рубрике. Как это работает: — Спрашивайте что угодно (в комментариях под этим постом), связанное с Python. Здесь нет плохих вопросов! — Сообщество вас поддержит. Самые интересные вопросы мы разберём в отдельном посте. #вопросы_новичков @zen_of_python

Вопросы подписчиков Zen of Python поддерживает новоприбывших (и не только) в особой рубрике. Как это работает: — Спрашивайте что угодно (в комментариях под этим постом), связанное с Python. Здесь нет плохих вопросов! — Сообщество вас поддержит. Самые интересные вопросы мы разберём в отдельном посте; #вопросы_новичков @zen_of_python

Расскажите про свой опыт поиска работы Мы сейчас проводим исследование — хотим разобраться, как айтишники ищут работу: на что обращаете внимание в вакансии, что для вас точно красный флаг, а что — зеленая простыня. Мы хотим из первых уст узнать про все боли, подводные камни и нюансы рекрутинга в ИТ в 2025 году, поэтому просим вашей помощи — пройдите опрос, который займет у вас около 15 минут. Давайте поможем компаниям и специалистам эффективнее и быстрее находить друг друга.

​​pytest-testmon | Крохотная автоматизация тестов Счастлив тот питонист, чей работодатель имеет ресурс на тестирование своего кода. Эта библиотека позволяет автоматически покрывать тестами только затронутые изменениями участки кода, снимая с вас эту нагрузку. Проект на pypi.org #инструмент @zen_of_python

​​orbital | Обработка датасета прямо из БД Если вам довелось готовить собственные датасеты перед загрузкой в модель и запускать пайплайны scikit-learn, то повторять такое на каждом банче из БД на SQL вы точно не захотите. Этот инструмент как раз превращает типовые операции StandardScaler, OneHotImputer, SimpleImputer и многие другие. Проект на GitHub #инструмент @zen_of_python

pipask | pip, который не пропустит зловред Дожили: через pypi.org можно слить свои креды / логопассы и дать возможность майнить крипту мошенникам. Пока админ плачет в сторонке вас еще миновала участь установить нечто злое, попробуйте вместо привычных менеджеров зависимостей pipask: он использует метаданные, чтобы оценить вероятность угрозы и подтягивает базу osv.dev (про уязвимости). Ждем, когда PSF сшерлочат эту фичу. Репозиторий проекта #инструмент @zen_of_python

​​Качество кода в эпоху LLM Один из сеньоров сказал на одной конференции: «Если разработчик не использует LLM для автоматизации рутины, то он просто тратит ресурсы своей компании» Вот на таком прокрустовом ложе мы с вами оказались: c LLM база мгновенно забывается, без нее — пишешь / отлаживаешь медленнее. ИИ-ассистенты: — генерируют код по промту; — предлагают автодополнение на основе контекста; — подсказывают, как улучшить код. Но они реактивные — не анализируют весь проект автоматически. ИИ не гарантирует соответствие стандартам проекта, превращая код в кашу. Если вы уже не готовы отказаться от копайлотов вроде ChatGPT или Cursor, с качеством кода помогут несправедливо забытые: — линтеры (pylint, flake8); — тайпчекеры (mypy); — security-сканеры (bandit); — «покрыватели тестами» (coverage, pytest-cov); — профилировщики (cProfile). Вышеописанные инструменты: — формализуют согласно стандарту PEP8; — находят ошибки, неиспользуемые импорты, — «мертвый код», несоответствия типов (mypy); — работают без контекста задачи — поэтому «беспристрастны»; #инструмент #основы @zen_of_python

Почему все реже встречается __init__ В питоническом комьюнити некоторые призывают отказаться от пользовательских методов __init__ в контексте dataclasses. До Python 3.7 разработчикам приходилось вручную определять этот метод для инициализации атрибутов экземпляра класса. Например, чтобы создать объект 2DCoordinate(x=1, y=2), необходимо было явно прописать метод init с параметрами x и y. Альтернативы — фабричные функции и абстрактные классы, были менее удобны и приводили к усложнению кода. С появлением «структур данных» необходимость в ручном определении __init__ для простых структур данных отпала:

from dataclasses import dataclass

@dataclass
class Person:
    name: str
    age: int

person = Person(name="Alice", age=30)
print(person)

Это не единственное решение: Создание объектов через фабричные методы позволяет (@classmethod) отделить логику инициализации от конструкции объекта. Вот еще пример проблемы, вызванной пользовательским методом инициализации:

class FooBarWidget(FooWidget):
    def __init__(self):
        self.publisher = zmq.Context.instance().socket(zmq.PUSH)
        self._init()

    def _init(self):
        def worker_thread_start():
            FooWidget.__init__(self)
            self.run()

        worker_thread = Thread(target=worker_thread_start, daemon=True)
        worker_thread.start()

Атрибуты, инициализируемые в FooWidget.__init__, могут быть недоступны в основном потоке до завершения инициализации в дочернем потоке, что вызывает ошибки при обращении к ним. #основы @zen_of_python

Бывает, просыпаешься утром и понимаешь — хочется перемен. Сменить город, страну, климат. Поработать с видом на океан или встретить закат в кофейне где-нибудь в центре Европы. Только вот отпуска на всё не хватает. А может, и не нужен отпуск? Есть компании, где работать можно откуда угодно — хоть с берега, хоть с балкона, хоть из уютного офиса, если так больше нравится. Точка — как раз из таких. Здесь главное — результат, а не география. Ты сам выбираешь, где тебе комфортно: дома, в классном офисе или в другом часовом поясе. В финтех-компании Точка работает 1300 IT-специалистов — разработчиков, продактов, дата-сайентистов и дизайнеров. Они создают IT-продукты, которым доверяют 700 000 предпринимателей. Здесь ценят инициативу, самостоятельность и продуманность решений. Хочешь жить по своим правилам и при этом делать классные вещи вместе с командой? Переходи по ссылке — там подробно расписано, как в Точке работают и кого сейчас ищут. Возможно, это именно твой путь. Это #партнёрский пост

​​Апгрейд Win-установочника Python Разработчики языка оптимизируют процесса установки Python на Windows с помощью т.н. PyManager. Вот его ключевые: — Единый инструмент установки. Ранее существовало несколько способов установки Python на Windows: традиционный установщик .exe, пакет в Microsoft Store и NuGet-пакеты. PyManager объединяет их в один инструмент, упрощая процесс установки и управления версиями Python. — Управление несколькими версиями PyManager позволяет устанавливать и управлять несколькими версиями Python одновременно, включая возможность установки конкретных версий и архитектур (например, py install 3.11.4 --arch=arm64). Это особенно полезно для тестировщиков. PEP-773 #факт @zen_of_python