Python RU

Ir al canal en Telegram

Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j

Red:Machinelearning Rusia52 002 Tecnologías y Aplicaciones9 837...

📈 Análisis del canal de Telegram Python RU

El canal Python RU (@pro_python_code) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 12 385 suscriptores, ocupando la posición 9 837 en la categoría Tecnologías y Aplicaciones y el puesto 52 002 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 12 385 suscriptores.

Según los últimos datos del 26 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -60, y en las últimas 24 horas de -4, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.60%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.36% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 1 065 visualizaciones. En el primer día suele acumular 416 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 5.
Intereses temáticos: El contenido se centra en temas clave como api, docker, github, sql, linux.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 27 agosto, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.

12 385

Suscriptores

-424 horas

Sin datos7 días

-6030 días

1 065

Visitas de la publicación

~ 41624 horas

~ 50448 horas

8.60%

Tasa de compromiso

Sin datos

Mensajes por día

Ads index

beta

Archivo de publicaciones

12 386

Станьте разработчиком нейро-сотрудников на Python и зарабатывайте от 150.000р в месяц 🔥🔥🔥 Мы научим вас создавать топовых нейро-сотрудников на базе GPT-4 Omni, и вы сможете: 1️⃣ Устроиться разработчиком в крупную компанию и зарабатывать от 150 тысяч ₽ в месяц 2️⃣ Разрабатывать такие проекты на заказ и зарабатывать от 500 тысяч ₽ за проект 3️⃣ Создать нейро-сотрудника в вашей компании и вырасти на +30-100% в зарплате Что будет на интенсиве? 🧬 Теория: как создаются нейро-сотрудники с GPT-4o на Python 🧬 Практика: мы создадим нейро-консультанта, нейро-HR, нейро-маркетолога и др. Ведущий интенсива - Senior AI разработчик нейросетей и основатель Университета искусственного интеллекта 🔥 Регистрируйтесь на бесплатный интенсив! Встречаемся в ближайший четверг!

12 386

Repost from Machinelearning

⚡️ Tencent дропнули Hunyuan-MT — мощные open-source модели для перевода Что внутри: - Доступны модели Hunyuan-MT-7B и Hunyuan-MT-Chimera-7B - Поддержка 33 языков - Chimera-7B — это первая d индустрии откртытая ансамблевая модель 🏆 Результаты: - 1-е место в 30 из 31 категорий на международном конкурсе WMT25 (Workshop on Machine Translation 2025, крупнейшая в мире конференция-соревнование по машинному переводу) - Hunyuan-MT-7B лидирует среди моделей своего размера 🟠Модели: https://huggingface.co/collections/tencent/hunyuan-mt-68b42f76d473f82798882597 🟠 Репозиторий: https://github.com/Tencent-Hunyuan/Hunyuan-MT Demo: https://hunyuan.tencent.com/modelSquare/home/list @ai_machinelearning_big_data #AI #NLP #Translation #Tencent

12 386

🧠 Интеллектуальный исследовательский агент для глубоких исследований SGR Research Agent использует Schema-Guided Reasoning для автоматического планирования и цитирования. Он поддерживает многоязычность и адаптируется к изменениям в данных, обеспечивая структурированные отчеты с источниками. 🚀 Основные моменты: - 🤔 Приоритет уточнений при неопределенности - 🔄 Автоматическая адаптация плана - 📎 Управление источниками и цитированием - 🌍 Поддержка русского и английского языков - 📊 Генерация детализированных отчетов в Markdown 📌 GitHub: https://github.com/vakovalskii/sgr-deep-research #python

12 386

🖥 Новинка: `pyx` — Python-native пакетный реестр от Astral (в Beta) Что такое `pyx`: - Python-native registry, часть платформы Astral и продвинутый бэкенд для uv. - Обеспечивает более быструю, безопасную и GPU-осознанную работу с пакетами (как приватными, так и публичными, включая PyPI и PyTorch). Почему это важно: - Следует философии Astral: поддержка open-source, без превращения инструментов в конкурирующие SaaS-продукты. - Первый шаг к вертикальной интеграции с существующими open-source инструментами. - Уже в бета-версии с ранними партнёрами — Ramp, Intercom и fal. Впечатление: pyx выглядит как обдуманный, open-source-ориентированный подход к packaging infrastructure, который может сделать разработку Python-экосистемы быстрее и мощнее. https://simonwillison.net/2025/Aug/13/pyx/#atom-tag

12 386

Про Python вышло документальное КИНО Ваш ждёт целая драма — как Python создавался в качестве хобби, едва не исчез, но все-таки взлетел и стал одним из ведущих ЯП. В фильме появляется сам Гвидо ван Россум, а также создатель NumPy, и другие топы коммьюнити. Смотрим

12 386

🔥 Совет по Python: неожиданное поведение с изменяемыми аргументами по умолчанию Если в функции задать аргумент по умолчанию как list или dict, то этот объект создаётся один раз — при определении функции. Из-за этого все вызовы будут делить один и тот же объект, что часто приводит к багам. Правильный способ — использовать `None` и создавать новый объект внутри функции.


def bad_append(x, data=[]):
    data.append(x)
    return data

print(bad_append(1))    # [1]
print(bad_append(2))    # [1, 2]  <-- неожиданно!


def good_append(x, data=None):
    if data is None:
        data = []
    data.append(x)
    return data

print(good_append(1))   # [1]
print(good_append(2))   # [2]

Используйте этот приём, чтобы не попасться на скрытые баги с аргументами по умолчанию.

12 386

📝 PDF-Extract-Kit — библиотека для извлечения данных из PDF-файлов с поддержкой сложных документов с помощью моделей компьютерного зрения! 🔍 Основные особенности: 🌟 Точное извлечение текста и таблиц из структурированных и неструктурированных PDF, включая многостраничные таблицы и иерархические блоки! 🌟 OCR-интеграция, позволяющая обрабатывать PDF-документы с отсканированными изображениями! 🌟 Гибкий API на Python, что делает его удобным для анализа и интеграции в приложения! 🔐 Лицензия: AGPL-3.0 🖥 Github @machinelearning_ru

12 386

🐍 Полезные фишки парсинга в Python 1️⃣ Парсинг JSON без лишних усилий


import json

data = '{"name": "Alice", "age": 25}'
parsed = json.loads(data)
print(parsed["name"])  # Alice

2️⃣ HTML/XML-парсинг с BeautifulSoup


from bs4 import BeautifulSoup

html = "<h1>Hello <b>Python</b></h1>"
soup = BeautifulSoup(html, "html.parser")
print(soup.h1.text)  # Hello Python

3️⃣ Парсинг аргументов командной строки с argparse


import argparse

parser = argparse.ArgumentParser()
parser.add_argument("--name")
args = parser.parse_args()
print(f"Hello, {args.name}")

4️⃣ Быстрый CSV-парсинг


import csv

with open("data.csv") as f:
    reader = csv.DictReader(f)
    for row in reader:
        print(row["username"], row["score"])

5️⃣ Регулярки для гибкого текста


import re

text = "Email: test@example.com"
match = re.search(r"\w+@\w+\.\w+", text)
print(match.group())  # test@example.com

🔥 Эти трюки помогают парсить JSON, HTML, CSV, аргументы CLI и даже “грязный” текст. Подойдут как для скриптов, так и для продакшн-кода. 👉 Сохрани, чтобы не забыть!

12 386

📄🚀 Удобный просмотр кода с rendergit С помощью rendergit вы можете легко преобразовать любой репозиторий GitHub в статическую HTML-страницу с подсветкой синтаксиса и навигацией. Идеально подходит для быстрого просмотра, анализа кода и удобного поиска. 🚀Основные моменты: - Два режима просмотра: Человеческий и LLM - Подсветка синтаксиса и рендеринг Markdown - Умное фильтрование больших файлов - Адаптивный дизайн для мобильных устройств - Удобная навигация по файлам 📌 GitHub: https://github.com/karpathy/rendergit #python

12 386

Repost from Machinelearning

🚀 Tencent Hunyuan только что выкатили AutoCodeBench — мощный open-source инструмент для проверки способностей ИИ в генерации кода. Что внутри? 🔹 AutoCodeGen — генерация многоязычных датасетов кода без ручной разметки 🔹 AutoCodeBench — почти 4 000 сложных задач на 20 языках программирования (версии Full / Lite / Complete) 🔹 MultiLanguageSandbox — песочница для работы с поддержкой 30+ языков C AutoCodeBench можно быстро тестировать LLM в кодинге, сравнивать модели и даже создавать свои бенчмарки. 🟠Статья: arxiv.org/abs/2508.09101 🟠Код: github.com/Tencent-Hunyuan/AutoCodeBenchmark 🟠Датасет: huggingface.co/datasets/tencent/AutoCodeBenchmark @ai_machinelearning_big_data #AutoCodeBench #AI #coding

12 386

🐍 Полезный совет по Python: используйте "".join() вместо конкатенации строк в цикле Многие новички пишут так:


words = ["Python", "очень", "крут"]
result = ""
for w in words:
    result += w + " "
print(result)

Код рабочий, но неэффективный: при каждой конкатенации создаётся новая строка, что сильно замедляет работу на больших объёмах данных. 🚀 Правильный способ — использовать " ".join():


words = ["Python", "очень", "крут"]
result = " ".join(words)
print(result)

💡 Преимущества: - Быстрее и эффективнее на больших списках - Код чище и короче -Можно легко задавать разделитель (пробел, запятая, \n) 📊 Пример:


lines = ["строка 1", "строка 2", "строка 3"]
text = "\n".join(lines)
print(text)

Вывод:

строка 1
строка 2
строка 3

📌 Итог Используйте "".join() для объединения строк из списка — это питонично, быстро и удобно.

12 386

⚡️ DINOv3 - новое семейство фундаментальных моделей для компьютерного зрения, обученных методом SSL. Ключевой особенностью стал прорыв в обучении без размеченных вручную данных: система, натренированная на 1.7 миллиардах изображений, достигает SOTA-производительности. Backbone DINOv3 превосходит специализированные модели в широком спектре задач, от классификации до сегментации, без необходимости дополнительного дообучения. Модели разных размеров, включая флагманскую версию на 7 миллиардов параметров, уже доступны на Hugging Face под коммерческой лицензией. github.com

12 386

Что дадут эти вызовы функции в консоли?

Anonymous voting

12 386

OpenAI заявляет, что её вычислительная мощность выросла в 15 раз с 2024 года, компания использовала 200 тыс. GPU для GPT-5 Впечатляющая цифра. Еще зз интересных новостей от OpenAI, gpt-oss уже сказали более 5млн и это самый залайканный релиз года на данный момент! 🔥

12 386

🖥 Молниеносный HTML-парсинг: selectolax быстрее BS4 в разы Полезный трюк: быстро парсим HTML прямо из строки с помощью selectolax — лёгкой и очень быстрой библиотеки на C, в разы быстрее BeautifulSoup. Установка:


pip install selectolax

Пример с кодом:



from selectolax.parser import HTMLParser

html = """

<html><body> <h1>Hello</h1> <p class='msg'>World</p> </body></html> """
tree = HTMLParser(html)
print(tree.css_first("h1").text()) # Hello
print(tree.css_first("p.msg").text()) # World

https://www.youtube.com/shorts/CSYJDmt4ztg

12 386

⚡️ Open-source инструмент для просмотра CSV, JSON, Excel и других таблиц прямо в терминале — без потери форматирования, аккуратно и читабельно. 🔥 Что умеет: — Встроенный SQL-движок: фильтры, джойны и анализ прямо в терминале; — Vim-подобные хоткеи (для фанатов, да 😁); — Быстрый поиск, работа с несколькими таблицами, поддержка тем (Monokai, Nord и др.). https://github.com/shshemi/tabiew

12 386

Repost from Kali Linux

🖥 Botasaurus — фреймворк для «неуязвимого» web-scraping на Python 💡 Что умеет: - Обходит современные защиты: Cloudflare WAF, BrowserScan, Fingerprint, Datadome, Turnstile CAPTCHA - Эмулирует поведение человека (движения мыши, задержки, сетевое поведение) - Асинхронность, параллельный запуск, кэш, работа с Sitemap - Масштабирование через Kubernetes - Превращение скрапера в десктоп-приложение или веб-интерфейс ⚙️ Botasaurus-driver: - Быстрый анти-детект драйвер, совместимый с браузером - API для навигации, кликов, ввода, ожиданий, JS - Обход CAPTCHA с bypass_cloudflare=True 📦 Экосистема: - Dockerfile для среды скрапинга - Starter Template для быстрого старта - Desktop Starter для десктопных скрапер-приложений 🔗 GitHub: github.com/omkarcloud/botasaurus #Python #WebScraping #Botasaurus #OpenSource @linuxkalii

12 386

👾 Разработка реального проекта: игра-платформер на Python В этом руководстве мы разработаем простой, но полноценный платформер на Python с использованием библиотеки Pygame. Мы рассмотрим все аспекты игры: создание игрового окна, управление персонажем, обработку столкновений, генерацию уровней и отображение графики. В конце у вас будет готовый проект, который можно развивать дальше. Подробности

12 386

🔍 Regex не прощает ошибок… но с Python мы найдем выход! Когда в запросе опечатка (`"prro"` вместо "pro"`) — `re.search() ничего не найдёт. 🙅‍♂️ Regex: [] → *Ноль результатов* ✅ difflib то что нам нужно! С SequenceMatcher ты можешь находить похожие строки даже с опечатками. 📌 Пример:


from difflib import SequenceMatcher

def fuzzy_match(query, products, threshold=0.6):
    matches = []
    for product in products:
        ratio = SequenceMatcher(None, query.lower(), product.lower()).ratio()
        if ratio >= threshold:
            matches.append((product, f"{ratio:.2f}"))
    return matches

🧠 Результат:

[('iPhone 14 Pro Max', '0.88')]

📦 Используй difflib для user-friendly поиска и автодополнения. Особенно полезно для: - Поиска товаров - Обработки ввода пользователя - Систем рекомендаций 🔥 Идеально, когда нельзя потерять результат из-за одной буквы! @pythonl