Data Science. SQL hub
По всем вопросам- @workakkk @itchannels_telegram - 🔥лучшие ит-каналы @ai_machinelearning_big_data - Machine learning @pythonl - Python @pythonlbooks- python книги📚 @datascienceiot - ml книги📚 РКН: https://vk.cc/cIi9vo #VRHSZ
Mostrar más📈 Análisis del canal de Telegram Data Science. SQL hub
El canal Data Science. SQL hub (@sqlhub) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 35 983 suscriptores, ocupando la posición 3 747 en la categoría Tecnologías y Aplicaciones y el puesto 17 653 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 35 983 suscriptores.
Según los últimos datos del 14 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -3, y en las últimas 24 horas de -6, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.40%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.92% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 3 025 visualizaciones. En el primer día suele acumular 1 412 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 12.
- Intereses temáticos: El contenido se centra en temas clave como sql, индекс, postgres, index, sqlite.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“По всем вопросам- @workakkk
@itchannels_telegram - 🔥лучшие ит-каналы
@ai_machinelearning_big_data - Machine learning
@pythonl - Python
@pythonlbooks- python книги📚
@datascienceiot - ml книги📚
РКН: https://vk.cc/cIi9vo
#VRHSZ”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 15 noviembre, 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.
pg_dump, pg_restore и reindexdb. В примечаниях к релизу за сообщения о нескольких уязвимостях проект благодарит Claude, Ada Logics и программу Anthropic OSS.
После обновления проверьте раздел Updating для своей версии. Проект рекомендует перестроить затронутые индексы GIN и pg_trgm GiST: из-за повреждения индекса поиск мог пропускать подходящие строки. Версия 14.25 стала последней для ветки 14. Стабильный PostgreSQL 19 запланирован на 19 ноября.
https://www.postgresql.org/about/news/postgresql-187-1712-1616-1520-1425-and-19-rc-2-released-3442/
pip install -U pageindex
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
CREATE TABLE events (
user_id INT,
event_time TIMESTAMP
);
INSERT INTO events VALUES
(1, '2026-10-01 10:00'),
(1, '2026-10-01 12:00'),
(1, '2026-11-01 09:00'),
(1, '2026-11-02 14:00'),
(2, '2026-10-01 10:00'),
(2, '2026-10-31 10:00'),
(3, '2026-09-01 10:00'),
(3, '2026-11-05 10:00'),
(3, '2026-11-05 11:00');
Задача: для каждого пользователя найти все даты возвращения после 30 полных календарных дней без активности.
Ожидаемый результат:
| user_id | return_date |
|---|---|
| 1 | 2026-11-01 |
| 3 | 2026-11-05 |
Условия: несколько событий в один день считаются одной активностью. День последней активности и день возвращения в период молчания не входят. Например, между 1 октября и 31 октября только 29 полных дней без активности, а между 1 октября и 1 ноября уже 30.
Ограничение: решите задачу одним SQL-запросом, без процедур, временных таблиц и циклов.
На первый взгляд достаточно LAG(), но если не учесть дубли событий и границы календарных дней, результат окажется неправильным.
Как бы вы решили эту задачу на PostgreSQL?
CREATE TABLE events (
id INT PRIMARY KEY,
user_id INT,
ts TIMESTAMP
);
INSERT INTO events VALUES
(1, 10, '2026-01-01 10:00'),
(2, 10, '2026-01-01 10:05'),
(3, 10, '2026-01-01 10:05'),
(4, 10, '2026-01-01 10:20');
Выполняем запрос:
SELECT
id,
COUNT(*) OVER (
PARTITION BY user_id
ORDER BY ts
) AS cnt
FROM events
ORDER BY id;
Что вернёт PostgreSQL?
А) 1, 2, 3, 4
Б) 1, 3, 3, 4
В) 4, 4, 4, 4
Г) 1, 2, 2, 4
Правильный ответ: Б.
По умолчанию PostgreSQL использует оконную рамку:
```sql
RANGE BETWEEN UNBOUNDED PRECEDING
AND CURRENT ROW
```
При RANGE строки с одинаковым значением ts считаются одной группой (peers). Поэтому обе строки с 10:05 получают cnt = 3.
Чтобы получить обычный накопительный счётчик, нужно явно указать ROWS и обеспечить однозначную сортировку:
```sql
SELECT
id,
COUNT(*) OVER (
PARTITION BY user_id
ORDER BY ts, id
ROWS BETWEEN UNBOUNDED PRECEDING
AND CURRENT ROW
) AS cnt
FROM events
ORDER BY id;
```
Теперь результат: 1, 2, 3, 4.
Подвох: COUNT(*) OVER (ORDER BY ...) не всегда считает строки по одной. Всё зависит от оконной рамки и повторяющихся значений сортировки.
posts = Post.objects.all()[:50]
for post in posts:
print(post.author.name)
Кажется, что мы просто получаем 50 постов с авторами. Но на практике это может вызвать 51 запрос к базе данных.
Один запрос загружает посты, а ещё 50 отдельно получают авторов.
Это классическая проблема N+1 queries. Причём чем больше записей, тем больше обращений к БД.
Исправляется одной строкой:
posts = Post.objects.select_related("author")[:50]
Теперь Django использует JOIN и получает посты вместе с авторами одним запросом.
ORM избавляет от написания SQL, но не от необходимости понимать, какой SQL выполняется.
Именно поэтому при оптимизации API полезнее сначала посмотреть на количество запросов, чем переписывать Python-код ради нескольких миллисекунд.
CREATE TABLE products (
id INT PRIMARY KEY,
price INT
);
INSERT INTO products VALUES (1, 100);
Применяем скидки:
WITH discounts(id, amount) AS (
VALUES (1, 10), (1, 20)
)
UPDATE products p
SET price = p.price - d.amount
FROM discounts d
WHERE p.id = d.id;
SELECT price FROM products;
Что вернёт последний SELECT?
А) 90
Б) 80
В) 70
Г) 80 или 90, результат не гарантирован
Один запрос, две скидки на один товар. Как PostgreSQL обработает такой UPDATE?
Подвох связан с поведением UPDATE ... FROM, о котором легко забыть даже при работе с реальными базами.Фактически же купить ускоритель за эти деньги было крайне сложно - у крупных ритейлеров минимальный прайс давно зафиксировался на уровне $2000.Снятие устройства с продажи связывают с планами компании по обновлению линейки. По данным источников, производитель уже отгрузил вендорам последние запасы 16-гигабайтных чипов, которых должно хватить примерно на пару месяцев розничных продаж, и теперь готовится к релизу RTX 5080 с 24 ГБ видеопамяти. Ожидается, что новая версия поступит на рынок на рубеже 2026 и 2027 годов.
Сама NVIDIA пока не дает официальных комментариев относительно доступности видеокарт и завышения цен на всю пятидесятую серию.@ai_machinelearning_big_data #news #ai #ml
За пару часов разберёшься, чем вообще занимаются в кибербезопасности: что защищают, как работают атаки, как устроена защита и какие есть профессии с их зарплатами. Открывается в мессенджере, проходится по дороге с работы, без сайтов и долгих регистраций.А дальше, если зацепит, прямо в боте можно записаться на бесплатный разбор карьерного трека: куда идти с твоим опытом и как.
