Python/ django

💡 STUMPY — библиотека для анализа временных рядов. Этот проект предлагает мощный инструмент для работы с временными последовательностями через вычисление matrix profile — специальной метрики, которая автоматически находит схожие паттерны в данных. Инструмент поддерживает распределённые вычисления через Dask и GPU-ускорение через Numba. Технология особенно полезна для обнаружения аномалий, повторяющихся фрагментов и семантической сегментации. Библиотека одинаково хорошо работает как на небольших наборах данных, так и на временных рядах длиной в миллионы точек. 🤖 GitHub @pythonl

Как сказать рутине STOP? Ускорьте рабочие процессы и освободите время для более интересных дел — с помощью курса Слёрма «Python для инженеров» 👈 Это обучение, заточенное на инженеров — в нём нет ничего лишнего, только то, что необходимо именно вам. На курсе вы научитесь: 🔹 писать эффективный и поддерживаемый код; 🔹 писать Kubernetes-операторы и модули для Ansible; 🔹 создавать, использовать и тестировать свои API; 🔹 взаимодействовать с инструментами CI/CD, CVS и DevOps системами. Есть бесплатный демодоступ. Старт 11 августа. Занять своё место на курсе — по ссылке.

🌀 Cirq — Python-фреймворк для работы с квантовыми схемами, разработанный командой Google Quantum AI. Этот проект предоставляет инструменты для создания параметризованных квантовых цепей, их трансформации и симуляции на различных бэкендах. Инструмент имеет встроенную поддержку аппаратно-зависимых операций и интеграция с высокопроизводительными симуляторами вроде qsim. Позволяет описывать квантовые алгоритмы с учетом шумовых характеристик реальных процессоров. 🤖 GitHub @pythonl

🐍 Хитрый совет по Python: как ускорить in в 1000 раз Когда ты проверяешь, есть ли элемент в списке, Python делает это медленно — он пробегает по списку полностью. А если ты проверяешь элемент в множестве (set), это работает в сотни раз быстрее. 📌 Пример:

data = [1, 2, 3, ..., 1000000]  # большой список
queries = [42, 9999, 123456]

# Медленно:
for q in queries:
    if q in data:
        print(q)

🔁 Каждый q in data проходит весь список → медленно. ✅ Правильный способ: Преобразуй список в set один раз — и все станет быстро:

data_set = set(data)

for q in queries:
    if q in data_set:
        print(q)

💡 Проверка in в set работает мгновенно (как в словаре). Такой трюк особенно полезен, если: -у тебя много данных -ты делаешь много проверок на вхождение 📌 Запомни: if x in список: — медленно Лучше: if x in set(список): — быстро! @pythonl

👍 Ozon Tech приглашает QA-инженеров Новый набор на бесплатные курсы Route 256. Неважно, на каком языке вы тестируете сейчас. Важно, что вы хотите прокачаться в автотестах на Python, и Route 256 — отличный шанс. 2 месяца в экспертном коммьюнити: работа над реальными задачами, интенсивная практика без лишней теории, поддержка крутых коллег. Чтобы попасть, зарегистрируйтесь и пройдите отборочный контест 3 августа: https://s.ozon.ru/1Wt8Fhy

🐍 Микросервисные архитектуры — как ретраи влияют на отказоустойчивость микросервисов Ретраи, или повторные запросы, — важный механизм обеспечения отказоустойчивости распределенных систем. Необходимо быть в курсе последних изменений и понимать, как ретраи эволюционировали в электронике, программировании и Java-экосистеме. Об этом подробно расскажет техлид Т-Банка Дмитрий Фролов на конференции JVM Day 30 августа в Москве. На лендинге заявлены спикеры из разных компаний, которые разберут темы по Java, Scala и Backend. Мероприятие пройдет в штаб-квартире Т-Банка, а половину собранных средств организаторы хотят перечислить региональным техническим вузам, чтобы помочь с развитием ИТ-сферы и подготовкой квалифицированных специалистов в разных городах страны. После докладов гостей ждут настолки с лото, афтепати и нетворкинг. Чтобы принять участие в JVM Day необходимо заранее пройти регистрацию. @pythonl

🛠️ AI + SQL = мгновенный доступ к данным в базе На картинке — простой пример, как с помощью FastMCP и SQLAlchemy можно подключить инструмент к базе данных, который по человеческому запросу выводит список всех таблиц. 📦 Что происходит: 1. Человек пишет: *"Show me all tables in the ecommerce database"* 2. AI вызывает list_tables(), получает список через SQLAlchemy 3. Возвращается JSON и сгенерированный ответ на естественном языке ⚙️ Используемые технологии: - FastMCP — для регистрации инструментов и взаимодействия с агентами - @mcp.tool — декоратор, позволяющий превращать функции в доступные действия для ИИ - inspect() из SQLAlchemy — безопасный способ получить метаданные БД 🧠 Это база для создания умных ботов-помощников, которые умеют работать с реальными базами данных и выдавать ответы, понятные человеку. Интерфейс будущего уже здесь — не SQL-запрос, а обычный вопрос на английском. @pythonl

📊 OpenBB — это платформа для инвестиционных исследований, предоставляющая доступ к акциям, опционам, криптовалютам, форексу и макроэкономическим данным. Платформа ориентирована на пользователей всех уровней и включает в себя как командную строку, так и графический интерфейс. 🌟 OpenBB предлагает бесплатный и открытый доступ к аналитическим инструментам и может быть расширен через различные плагины. Проект также поддерживает автоматизацию процессов и интеграцию с внешними сервисами 🔥 Инструмент является бесплатным аналогом Bloomberg terminal (подписка на который стоит $20 тыс. в год!) 👩‍💻 Язык: Python 🔐 Лицензия: GNU ▪ Github @pythonl

🛠 Вышел новый генератор CAD‑моделей по чертежам — и он реально работает! GenCAD умеет превращать чертежи в 3D‑модели и сразу генерирует параметрический CAD‑код. Для сложных и детализированных объектов он пока не подойдет, но с простыми деталями вроде винтиков и креплений справляется отлично. 📎 Идеально для быстрого прототипирования стандартных элементов. 📄 Paper: https://openreview.net/pdf?id=e817c1wEZ6 🔗 Website: https://gencad.github.io 💻 Code: https://github.com/ferdous-alam/GenCAD @pythonl

📊 Python for Nonprofits — книга и код для анализа данных в НКО Это полноценное учебное пособие по Python, заточенное под нужды некоммерческих организаций. Автор — Kenneth Burchfiel — собрал в одном репозитории и книгу, и рабочие блокноты для реального анализа данных. ▪ Импорт и очистка данных (CSV, API, Google Sheets) ▪ Описательная статистика, линейные регрессии ▪ Визуализация: графики, интерактивные карты (Plotly, Folium) ▪ Dash-приложения и публикация дашбордов ▪ Всё оформлено как Jupyter-книга: можно читать, запускать, менять Кому подойдёт: – начинающим дата-аналитикам, которые хотят делать полезные проекты – НКО, работающим с открытыми данными и отчётами – преподавателям, ищущим учебный курс по Python с практикой 💡 Можно читать онлайн или скачать как книгу. Лицензия MIT — можно использовать где угодно. 📘 Подробнее и исходники: https://github.com/kburchfiel/pfn @pythonl

🖥 Полезный, но редко используемый приём: динамическое управление множеством контекст-менеджеров через `contextlib.ExitStack` Если вам нужно открыть *N* файлов, захватить *M* блокировок или временно изменить кучу настроек, а их количество известно только во время выполнения, традиционный with … as …: не подойдёт. Вместо «пирамиды» вложенных with воспользуйтесь ExitStack:

from contextlib import ExitStack

filenames = ["a.log", "b.log", "c.log"]

with ExitStack() as stack:
    files = [stack.enter_context(open(name)) for name in filenames]

    # теперь у вас список открытых файлов, с которыми можно работать
    for f in files:
        print(f.readline())
# здесь ExitStack автоматически закроет все файлы, даже если их было 1000

Почему это круто - Управляет произвольным числом контекстов: добавляете их в цикл, условно, через функции-фабрики. - Гарантирует корректный rollback при исключениях: всё, что добавлено в ExitStack, будет закрыто в обратном порядке. - Упрощает сложную инициализацию: можно динамически «подключать» то, что нужно именно сейчас (файлы, блокировки, сетевые соединения). 🔧 Где пригодится - Пакетная обработка файлов и архивов. - Тестовые стенды с кучей временных ресурсов. - Плагины, которые могут регистрировать собственные контекст-менеджеры. Теперь никакого «каскада из with» — один аккуратный ExitStack. @pythonl

🐍 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