Python Portal

🚨 Обязательно к внедрению 🚨 - Отключите автообновление расширений в VS Code, Cursor и других форках (macOS: Cmd + Shift + P → Disable Auto Updating Extensions) - Используйте статический анализатор zizmor для GitHub Actions, чтобы выявлять потенциальные проблемы безопасности - Используйте actions-up для обновления GitHub Actions до актуальных версий с SHA-pinning - Добавьте Socket Free Firewall или safe-chain при установке npm-пакетов, чтобы снизить риски атак через цепочку поставок (supply chain attacks) 👉 @PythonPortal

⏳⏳⏳ 👉 @PythonPortal

Нашли легкий способ изучить математику для ML: Mathematics for Machine Learning это курируемая коллекция на GitHub, включающая книги, научные статьи, видеолекции и базовые материалы по математике для изучения и повторения математических основ машинного обучения. Она помогает выстроить более прочную базу знаний, объединяя проверенные ресурсы вокруг тем, с которыми инженеры машинного обучения сталкиваются постоянно: линейная алгебра, математический анализ, теория вероятностей, статистика, теория информации, матричное исчисление и математика глубокого обучения. Бесплатный публичный репозиторий на GitHub. 👉 @PythonPortal

Почему профилирование кода важно 🐍 Невозможно оптимизировать то, что нельзя измерить. Профилирование показывает, ГДЕ именно ваш код работает медленно: • Помогает выявить узкие места производительности, о существовании которых вы могли даже не подозревать. • Показывает, какие функции потребляют больше всего процессорного времени. • Позволяет не тратить время на оптимизацию не тех участков кода. • Помогает обнаружить неэффективные алгоритмы и структуры данных. • Показывает точное количество вызовов и время выполнения каждой функции. В Python 3.15 доступны два подхода к профилированию: • profiling.sampling — статистический профилировщик с минимальными накладными расходами, отлично подходит для продакшена. • profiling.tracing (cProfile) — детерминированный профилировщик с точным подсчётом вызовов функций. Реальный пример: в Grand Theft Auto Online узкое место производительности, приводившее к потере около 70% производительности, оставалось незамеченным 8 лет, пока кто-то не выполнил профилирование. Исправление оказалось простым, а прирост производительности — огромным. Профилируйте код до того, как приступать к оптимизации. Скорее всего, вы удивитесь тому, где на самом деле тратится время выполнения. 👉 @PythonPortal

Бэкенд-разработка и архитектура программных систем Сложные IT-продукты держатся на бэкенде: он отвечает за логику сервиса, работу с данными, API, надёжность и масштабирование. На онлайн-магистратуре НИУ ВШЭ и Нетологии «Бэкенд-разработка и архитектура программных систем» готовят специалистов, которые умеют проектировать, разрабатывать и развивать серверные приложения. В программе — фундаментальная инженерная база и современный стек: Python, реляционные и нереляционные базы данных, веб-разработка, архитектура ПО, тестирование, MLOps. На втором курсе можно углубиться в один из языков: Go, Java или Rust. Обучение построено вокруг практики: проектные семинары, семинары наставника, мастер-классы и практикумы с экспертами IT-компаний. Студенты работают над проектами для портфолио, а ВКР становится полноценным итоговым проектом. Формат — онлайн, занятия проходят вечером в будни и днём в субботу. После обучения выпускники получают диплом магистра НИУ ВШЭ по направлению «Программная инженерия». Подробнее о программе → по ссылке Реклама. ООО "Нетология" ОГРН 1207700135884 Erid: 2VSb5yBJqXp

🤔🤔🤔 👉 @PythonPortal

Если ты работаешь с data пайплайнами, эти репозитории очень полезны: ibis Python API, который позволяет писать запросы один раз и запускать их на разных backend’ах для данных, таких как DuckDB, BigQuery и Snowflake. pygwalker Мгновенно превращает DataFrame в интерактивный UI для визуального исследования данных. katana Быстрый и масштабируемый веб-краулер, часто используется для security testing и крупномасштабного сбора/поиска данных. #Data_Science 👉 @PythonPortal

Почему "é" == "é" может возвращать False в Python Вот один из типичных Unicode-подводных камней, который часто приводит к очень запутанным багам в Python: Две строки могут выглядеть одинаково на экране, но при этом отличаться внутри:

import unicodedata

a = "é"          # один кодпоинт: U+00E9
b = "e\u0301"    # "e" + комбинирующий акцент (acute accent)

print(a)
print(b)

print(a == b)
# False

print(len(a))
# 1

print(len(b))
# 2

Внешне они одинаковые, но Python хранит их как разные последовательности Unicode-кодпоинтов. Посмотреть, что реально внутри строки, можно через repr() и unicodedata.name():

import unicodedata

for char in "e\u0301":
    print(repr(char), unicodedata.name(char))

Вывод:

'e' LATIN SMALL LETTER E
'́' COMBINING ACUTE ACCENT

Как правильно сравнивать такие строки? Нужно нормализовать Unicode перед сравнением:

import unicodedata

a = "é"
b = "e\u0301"

a_normalized = unicodedata.normalize("NFC", a)
b_normalized = unicodedata.normalize("NFC", b)

print(a_normalized == b_normalized)
# True

NFC приводит текст к “составной” форме, где комбинация "e" + accent превращается в один символ "é". Такие различия часто появляются в: - пользовательском вводе - копипасте из разных источников - именах файлов - поиске и фильтрации текста - данных из разных языков и систем Ещё один похожий кейс — невидимые символы Например, zero-width space может ломать сравнение вообще без визуальных признаков:

text = "hello\u200b"

print(text == "hello")
# False

print(text)
# hello

print(repr(text))
# 'hello\u200b'

print() скрывает проблему, но repr() показывает реальное содержимое строки. Подробнее можно почитать здесь: https://pythonkoans.substack.com/p/koan-15-the-invisible-ink 👉 @PythonPortal

Жизненный цикл любого проекта, где «надо было вчера».

Один соло-разработчик выиграл хакатон Anthropic, он за 8 часов собрал рабочий продукт с помощью Claude Code и забрал $15,000 призовых. Затем выложил весь стек в опенсорс. 189,000 звёзд на GitHub. Полная конфигурация: → 38 специализированных агентов (planner, security reviewer, debugger, code reviewer) → 156 skills, подгружаемых по требованию (/plan, /tdd, /security-scan, /quality-gate) → 72 кастомные slash-команды → AgentShield: 1,282 security-теста по CLAUDE.md, MCP-конфигам, хукам и skills → 3 агента на Opus 4.6, запускающих red-team пайплайны (Attacker, Defender, Auditor) → слой непрерывного обучения → покрытие 12 языковых экосистем Работает в Claude Code, Codex, Cursor, OpenCode, Gemini и тд 👉 @PythonPortal

Python-совет: как писать код с эффективным использованием памяти Это проблемный код:

def generate_transactions_inefficient(df: pd.DataFrame):
    
    transactions = []

    for _, row in df.iterrows():
        transactions.append({
            'user_id': row['user_id'],
            'amount': row['amount'],
            'transaction_date': row['transaction_date'],
            'status': row['status']
        })

    return transactions

Проблема в том, что такой подход сохраняет ВСЕ обработанные строки в памяти перед тем, как что-либо вернуть. Это как приготовить 10 000 блюд и хранить их все на кухне — место быстро закончится. 👉Лучший подход — использовать yield:

def generate_transactions_efficient(df: pd.DataFrame):

    for _, row in df.iterrows():
        yield {
            'user_id': row['user_id'],
            'amount': row['amount'],
            'transaction_date': row['transaction_date'],
            'status': row['status']
        }

Вместо того чтобы собирать один большой список в памяти, эта функция выдаёт по одной транзакции за раз, только когда это нужно. Это как готовить блюда только по мере поступления заказов. Проблем с памятью здесь нет. 👉 @PythonPortal

«Освоение модульного тестирования с использованием Pytest» курс на Stepik Сегодня умение писать тесты ценится почти так же, как и умение писать сам код. Если pytest, fixtures, CI/CD и coverage всё ещё вызывают вопросы самое время это исправить Программа курса: • Pytest: от базовых тестов до CI/CD • fixtures, mocking, parametrization • Flask/API testing • Selenium и UI тестирование • Docker + Docker Compose • GitHub Actions • coverage и отчёты • debugging и refactoring тестов Курс построен вокруг практики: много примеров, готовых кейсов и разборов рабочих сценариев 48 часов действует скидка 25% ↗️ Пройти курс на Stepik

👉 @PythonPortal

Как проверить наличие подклассов в Python 👉 @PythonPortal

При генерации 3D-моделей с помощью AI каждый компонент можно отдельно выделять, переименовывать, перемещать или менять ему материал — без необходимости заново генерировать всю модель. Nova3D генерирует Python-скрипты для Blender на основе промптов, вместо прямого вывода объединённого mesh-файла. В сгенерированном GLB каждая часть имеет своё имя и иерархию, благодаря чему их можно редактировать по отдельности. https://github.com/RareSense/Nova3D 👉 @PythonPortal

За сколько бы купили подписку? 👉 @PythonPortal

Для чего используется конструкция сопоставления с образцом в Python? Если не использовал, вот пример:

ИДЕЯ: перепродажа open-source репозиториев бизнесам. стратегия, о которой почти не говорят тысячи репозиториев на GitHub решают реальные бизнес-задачи. бесплатно. открыто. готово к продакшну и 99% бизнесов никогда их не найдут как превратить ЛЮБОЕ open-source решение в $2,000+ в месяц с одного клиента: 1. найти инструмент, который закрывает дорогую проблему зайти в GitHub Trending. отфильтровать по звёздам, свежей активности и нормальной документации. искать инструменты, которые заменяют то, за что бизнес сейчас платит $500–2,000 в месяц примеры, которые уже существуют: - CRM-системы (Twenty, $0 вместо Salesforce за $300/место/мес) - helpdesk-платформы (Chatwoot, $0 вместо Intercom за $1,200/мес) - аналитика (Plausible, $0 вместо Mixpanel за $800/мес) - планировщики (Cal.com, $0 вместо Calendly Business за $480/мес) - email-маркетинг (Listmonk, $0 вместо Mailchimp за $600/мес) - конструкторы форм (Formbricks, $0 вместо Typeform за $400/мес) - управление проектами (Plane, $0 вместо Jira за $700/мес на команду) это не игрушки. у них по 10k–50k+ звёзд, активные комьюнити и компании, которые уже используют их в продакшне 2. выбрать ОДНУ нишу не «мы разворачиваем open-source инструменты». а «мы заменяем Salesforce для агентств недвижимости» или «мы настраиваем приватную аналитику для медицинских компаний с требованиями к комплаенсу» ниша формирует маржу. общий деплой = $2k/клиент на поддержку. нишевый деплой = $200, потому что всё уже шаблонизировано 3. развернуть на VPS за $20–50/мес Hetzner, Railway, Coolify или обычный DigitalOcean droplet. Claude Code проводит через весь процесс настройки. у большинства таких инструментов есть деплой через Docker в один клик инфраструктура на клиента: $20–50/мес твоя цена: $2,000–5,000/мес (зависит от ниши) все в плюсе. клиент экономит. ты зарабатываешь. математика простая 4. упаковать в язык бизнеса не «self-hosted инстанс Chatwoot в Docker» а «ваша приватная платформа поддержки клиентов без платы за пользователя, с полным владением данными и кастомным брендингом» бизнес покупает не технологию. он покупает результат. «больше никогда не платить за пользователей» продаётся быстрее любого списка фич 5. построить защиту через кастомизацию open-source инструмент — база. твоя ценность: - интеграции с их текущим стеком - брендированный интерфейс под компанию - поддержка и обновления - приоритетная помощь от человека, который знает их конфигурацию это то, что отделяет подписку на $2k/мес от разового деплоя за $500. инструмент бесплатный. оркестрация — продукт 6. находить клиентов там, где они уже жалуются искать в X и Reddit: "[название инструмента] слишком дорого" или "[название инструмента] альтернатива". это уже прогретые лиды. они знают проблему и ищут решение постить кейсы: «заменили Intercom за $14k/год self-hosted решением для команды из 12 человек. те же функции. данные теперь у них» скриншоты экономии закрывают сделки лучше питч-деков 7. масштабирование через стек на клиента клиент уже платит $3k/мес за CRM? предложить аналитику за +$1,500. потом email-маркетинг за +$1,000. в итоге ты становишься их всей софт-инфраструктурой за $5,500/мес, при этом они всё ещё дешевле старого SaaS-стека один клиент. пять инструментов. каждый развёрнут за день часть, о которой почти не говорят: эти бизнесы никогда сами не найдут эти GitHub-репозитории. они не будут поднимать Docker. они не будут заходить на сервер по SSH. они будут гуглить «недорогая CRM для небольшой команды» и попадут к тебе open source — это новый опт. код бесплатный. маржа появляется на упаковке один человек может вести 5–10 клиентов. команда из двух человек выходит на $30–50k/мес. без инвестиций. без офиса. без найма кто-то в твоей нише это уже сделает. логично, чтобы это был ты 👉 @PythonPortal

«10 миллионов документов помещаются в 4 ГБ ОЗУ»: https://github.com/RyanCodrai/turbovec Корпус из 10 миллионов документов занимает 31 ГБ ОЗУ в формате float32. turbovec укладывает это в 4 ГБ и выполняет поиск быстрее, чем FAISS. turbovec — векторный индекс на Rust с Python-обвязками, построенный на алгоритме TurboQuant от Google Research — data-oblivious квантизаторе, который достигает границы Шеннона по искажению без обучения и без проходов по данным. 👉 @PythonPortal