¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Python для начинающих
Ir al canal en Telegram
1 242
Suscriptores
+124 horas
+37 días
+230 días
Archivo de publicaciones
Название: Сценарий оживает — пишем интерактивные фильмы на Python
Интерактивное кино — это где пользователь чувствует себя режиссёром. Помните Black Mirror: Bandersnatch? Или игры от Telltale? Хочешь такого же эффекта, но на Python? Легко.
В этом посте я расскажу, как создавать интерактивные сценарии, с поддержкой переходов, ветвлений и даже "оцифровки" сюжета — структуру, по которой можно визуализировать сюжет как дерево.
Ключевая идея — представить сценарий в виде графа, где каждая сцена — это узел, а выбор — это ребро. Для начала создадим структуру сцены.
📦 Основной ингредиент: простая модель сцены
class Scene:
def __init__(self, text, choices):
self.text = text
self.choices = choices # {'choice_text': next_scene_key}
story = {
"start": Scene(
"Ты просыпаешься в лесу. На севере слышны шаги. На юге видишь свет костра.",
{
"Пойти на север": "north_path",
"Пойти на юг": "campfire"
}
),
"north_path": Scene(
"Ты натыкаешься на странного мужчину с топором.",
{
"Поздороваться": "talk_man",
"Спрятаться": "hide"
}
),
"campfire": Scene(
"Около костра сидят путешественники. Они машут тебе рукой.",
{
"Присоединиться": "join_travelers",
"Убежать в лес": "run_away"
}
),
# ...
}
def play(story, start_key):
current_key = start_key
while current_key in story:
scene = story[current_key]
print(f"\n{scene.text}\n")
for i, choice in enumerate(scene.choices.keys(), 1):
print(f"{i}. {choice}")
try:
index = int(input("Выбери действие: ")) - 1
choice_text = list(scene.choices.keys())[index]
current_key = scene.choices[choice_text]
except (IndexError, ValueError):
print("Неверный выбор. Попробуй снова.")
if __name__ == "__main__":
play(story, "start")
pip install graphviz
from graphviz import Digraph
def export_story_graph(story, filename="story"):
dot = Digraph()
for key, scene in story.items():
dot.node(key, scene.text[:30] + ("..." if len(scene.text) > 30 else ""))
for choice_text, next_key in scene.choices.items():
dot.edge(key, next_key, label=choice_text)
dot.render(filename, format='png', cleanup=True)
export_story_graph(story)
🔍 Создание и настройка сред тестирования для Python проектов
Если вы только начинаете путешествие по миру Python, рано или поздно столкнётесь с необходимостью тестировать свой код. И вот тут начинается магия: автоматические тесты, виртуальные окружения, покрытие кода — всё это становится неотъемлемой частью любого серьёзного проекта. Сегодня разберём, как создать и настроить удобную и гибкую среду тестирования, с которой приятно работать.
🎯 Начнем с основ: виртуальное окружение
Работаем только в virtual environment. Это спасёт вас от конфликтов зависимостей и превращения системы в «зоопарк» библиотек.
Создаём окружение:
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pytest. Он лаконичен, мощен и популярен в сообществе. Установим его:
pip install pytest
test_math_utils.py:
def add(a, b):
return a + b
def test_add_positive_numbers():
assert add(2, 3) == 5
def test_add_negative_numbers():
assert add(-1, -1) == -2
pytest
my_project/ │ ├── src/ │ └── core.py ├── tests/ │ └── test_core.py ├── requirements.txt └── pytest.iniВ
pytest.ini можно настраивать поведение pytest:
[pytest]
testpaths = tests
python_files = test_*.py
pytest-cov:
pip install pytest-cov
pytest --cov=src tests/
.pre-commit-config.yaml:
repos:
- repo: https://github.com/pre-commit/mirrors-prettier
rev: v2.3.2
hooks:
- id: prettier
- repo: https://github.com/pre-commit/mirrors-pylint
rev: v2.13.9
hooks:
- id: pylint
- repo: https://github.com/pre-commit/mirrors-autopep8
rev: v1.6.0
hooks:
- id: autopep8
pip install pre-commit
pre-commit install
venv для изоляции сред
- pytest – ваш друг в мире тестов
- Настройте pytest.ini под структуру проекта
- Подключайте pytest-cov для анализа покрытия
- Используйте pre-commit для автоматизации проверок
Грамотно выстроенная среда тестирования экономит часы отладки, делает проект масштабируемым и увеличивает ваше доверие к собственному коду. Успехов! 🚀
Если тебе когда-нибудь хотелось создать веб-приложение для анализа данных — и при этом не хочется влезать в мир JavaScript, HTML и CSS — то ты попал по адресу. Сегодня я расскажу про Plotly Dash: мощный инструмент для построения интерактивных аналитических приложений, полностью на Python. Звучит как магия? Это потому, что почти так и есть.
Plotly Dash — это библиотека на Python, которая позволяет создавать веб-приложения для визуализации и анализа данных с помощью кода, который выглядит как обычный скрипт. Без необходимости знать фронтенд. Интерфейс строится на основе компонент React, но всё спрятано под капотом — ты просто создаёшь layout и указываешь логику в виде Python-функций.
Рассмотрим простейший пример.
Допустим, нам нужно создать дашборд, который показывает, как меняется синусоида в зависимости от частоты, которую выбирает пользователь. Для этого нам нужно установить Dash:
pip install dash
import dash
from dash import dcc, html
from dash.dependencies import Input, Output
import numpy as np
import plotly.graph_objs as go
app = dash.Dash(__name__)
app.layout = html.Div([
html.H1("Dynamic Sine Wave Plot"),
dcc.Slider(
id='frequency-slider',
min=1,
max=10,
step=0.5,
value=1,
marks={i: str(i) for i in range(1, 11)}
),
dcc.Graph(id='sine-graph')
])
@app.callback(
Output('sine-graph', 'figure'),
Input('frequency-slider', 'value')
)
def update_graph(frequency):
x_vals = np.linspace(0, 2 * np.pi, 500)
y_vals = np.sin(frequency * x_vals)
figure = go.Figure(
data=[
go.Scatter(x=x_vals, y=y_vals, mode='lines', name='Sine Wave')
],
layout=go.Layout(
title=f"Sine Wave with Frequency {frequency}",
xaxis={'title': 'x'},
yaxis={'title': 'sin(f*x)'}
)
)
return figure
if __name__ == '__main__':
app.run_server(debug=True)
Разработка приложений для анализа и визуализации данных с использованием Plotly Dash.
🔥 Как асинхронное программирование улучшает производительность сетевых приложений?
Если вы уже писали на Python сетевые приложения — например, телеграм-бота, простенький HTTP-сервер или парсер сайтов — вы, скорее всего, сталкивались с тем, что программа "зависает", когда ждет ответа от сервера. В этот момент Python… просто сидит и ждет. Чай себе заваривает. А вы — греете процессор на холостом ходу.
Но можно по-другому. Асинхронно. И вот в тот момент, когда вы впервые запускаете свой async-код и видите, как он в разы быстрее перебирает запросы, возникает ощущение магии. На самом деле, никакой магии — просто асинхронность.
🧠 Что происходит в обычной программе?
Вот пример кода, написанного "по старинке":
import requests
def fetch_data():
response = requests.get('https://httpbin.org/delay/2')
return response.text
for _ in range(5):
print(fetch_data())
import asyncio
import aiohttp
async def fetch(session, url):
async with session.get(url) as response:
return await response.text()
async def main():
async with aiohttp.ClientSession() as session:
tasks = [fetch(session, 'https://httpbin.org/delay/2') for _ in range(5)]
results = await asyncio.gather(*tasks)
for r in results:
print(r)
asyncio.run(main())
aiohttp и asyncio позволяют не простаивать в ожидании ответа, а запускать другие задачи.
⏱ Результат? Вместо 10 секунд — примерно 2 секунды. Гениально просто.
⚙️ Почему это работает?
Асинхронная модель основана на событийном цикле. Когда вы делаете операцию ввода-вывода — например, ждете данные из интернета — интерпретатор Python освобождает поток и занимается другими задачами. Этот подход отлично работает, когда операций ввода-вывода много, а процессор почти не загружен — типичная ситуация для сетевых приложений.
Монолитный requests и другие синхронные библиотеки всегда блокируют выполнение, пока не получат результат. Async дает экономию времени, когда у вас десятки, сотни запросов, и каждый из них можно запускать одновременно.
💥 Где использовать асинхронность?
- Боты и чат-приложения (async-сервер получает и отправляет сообщения без задержек)
- Web API-клиенты (одновременно дергаем десятки API)
- Парсеры сайтов (асинхронный скачиватель страниц)
- Веб-серверы (FastAPI и aiohttp прекрасно работают в async-режиме)
☝️ Важно понимать: асинхронность — это не многопоточность. Она не ускорит вашу математику или генерацию изображений. Но она незаменима там, где приложение тратит время на ожидание.
🎯 Вывод
Асинхронное программирование в Python — это не роскошь, а инструмент оптимизации. Особенно в сетевых задачах, где каждый миллисекундный выигрыш ускоряет приложение многократно.
Python дает вам отличные async-инструменты прямо из коробки: asyncio, aiohttp, FastAPI, httpx и другие. Освоив их однажды, вы больше никогда не захотите возвращаться к бесконечным “зависаниям”.
Как асинхронное программирование улучшает производительность сетевых приложений.
Привет! Сегодня мы окунемся в мир ORM — Object-Relational Mapping. Звучит как заклинание, да? На деле, всё проще: ORM позволяет работать с базой данных, как будто вы работаете с обычными объектами Python. Больше никаких SQL-запросов, только чистый, приятный код. Давайте разберемся, как это работает и чем нам это может помочь.
Представьте, вы пишете блог (как я!) и хотите хранить информацию о статьях: заголовок, текст, дату публикации. Можно, конечно, вручную конструировать SQL-запросы, трекать подключения к базе, писать конвертацию типов. А можно — просто использовать ORM, например, SQLAlchemy или Peewee.
Начнем с SQLAlchemy — одного из самых популярных вариантов.
Устанавливаем:
pip install sqlalchemy
from sqlalchemy import create_engine, Column, Integer, String, DateTime
from sqlalchemy.orm import declarative_base, sessionmaker
from datetime import datetime
Base = declarative_base()
class Post(Base):
__tablename__ = 'posts'
id = Column(Integer, primary_key=True)
title = Column(String)
content = Column(String)
published_at = Column(DateTime, default=datetime.utcnow)
# Настраиваем соединение с SQLite
engine = create_engine('sqlite:///blog.db')
Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
session = Session()
# Создаем и сохраняем пост
new_post = Post(title="My First ORM Post", content="ORMs make life easier!")
session.add(new_post)
session.commit()
posts = session.query(Post).filter(Post.title.like("%ORM%")).all()
for post in posts:
print(post.title, post.published_at)
post = session.query(Post).first()
post.title = "Updated title"
session.commit()
🎨 Работа с сериями изображений в Python с помощью scikit-image
Python — незаменимый инструмент для обработки изображений. Когда дело доходит до работы с несколькими изображениями — будь то слайд-шоу, кадры с камеры или серия снимков для ML-проекта — нам нужно что-то мощное и удобное. И тут на сцену выходит scikit-image.
Scikit-image — это библиотека на базе NumPy, предназначенная для обработки изображений. Она умеет всё: от базовой фильтрации до сложного анализа форм и объектов. А ещё — она умеет работать с сериями изображений.
📦 Установка:
Если вы ещё не установили библиотеку:
pip install scikit-image
.png или .jpg. Вместо того чтобы грузить каждое вручную, используем skimage.io.imread_collection.
from skimage.io import imread_collection
images = imread_collection('images/*.png') # Загружаем все .png из папки images
images — это коллекция, с которой можно обращаться как со списком. Например, images[0] — первое изображение, а len(images) — общее количество.
🛠️ Обработка серии
Допустим, вы хотите перевести все кадры в оттенки серого. Можно использовать skimage.color.rgb2gray:
from skimage.color import rgb2gray
gray_images = [rgb2gray(img) for img in images]
from skimage.filters import gaussian
blurred = [gaussian(img, sigma=1) for img in gray_images]
skimage.exposure.histogram:
from skimage.exposure import histogram
import matplotlib.pyplot as plt
for i, img in enumerate(gray_images[:3]):
hist, hist_centers = histogram(img)
plt.plot(hist_centers, hist, label=f'Image {i}')
plt.legend()
plt.title("Brightness histograms")
plt.show()
from skimage.io import imsave
import os
output_dir = 'processed'
if not os.path.exists(output_dir):
os.makedirs(output_dir)
for i, img in enumerate(blurred):
imsave(f'{output_dir}/frame_{i:03d}.png', img)
skimage.filters.threshold_otsu.
- Выделите контуры с skimage.feature.canny.
- Сравните движение объектов между изображениями.
Scikit-image — настоящий швейцарский нож в мире изображений. Он понятен, лаконичен и отлично дружит с NumPy. Работать с сериями изображений с его помощью — одно удовольствие, а возможности практически безграничны.
Когда программисты слышат «машинное обучение» и «мобильные приложения» в одном предложении, у многих в голове сразу возникает вопрос: «А как это вообще возможно с Python?» Ведь Python — язык высокоуровневый, не самый быстрый, а приложения должны быть легкими и быстрыми! Но — спешу вас удивить — Python отлично подходит для подготовки и даже частичной интеграции моделей машинного обучения в мобильные приложения. Главное — грамотно подключить инструменты.
Сегодня разберём, как внедрить ML-модели, написанные на Python, в мобильное приложение: от обучения до запуска на смартфоне.
📦 Подготовка модели в Python
Нам понадобится
scikit-learn, tensorflow или pytorch — выбор зависит от задачи. Допустим, мы хотим обучить простую модель для распознавания рукописных цифр с помощью TensorFlow.
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
(x_train, y_train), (x_test, y_test) = mnist.load_data()
model = Sequential([
Flatten(input_shape=(28, 28)),
Dense(128, activation='relu'),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
model.save('mnist_model.h5')
.h5 — не совсем мобильный формат. Дальше — оптимизация.
🔧 Конвертация модели для мобильного применения
В случае с TensorFlow используем TensorFlow Lite — формат, специально созданный для мобильных и встроенных устройств.
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model('mnist_model.h5')
tflite_model = converter.convert()
with open('mnist_model.tflite', 'wb') as f:
f.write(tflite_model)
mnist_model.tflite, который можно встроить в Android или iOS-приложение.
📱 Внедрение в Android-приложение
Если вы используете Android (например, пишете UI на Kotlin), то подключаете TensorFlow Lite через зависимость implementation "org.tensorflow:tensorflow-lite:2.x.y", кладёте .tflite файл в assets и вызываете модель прямо из Java/Kotlin-кода. Это уже не Python, но вся машинная логика осталась нашей.
А что если хочется Python'а и на уровне мобильного приложения? Есть выход — Kivy.
🐍 Kivy — Python на мобильных
Kivy позволяет создавать кроссплатформенные мобильные приложения на Python. С ML-моделями он тоже дружит, но есть нюанс: модели должны быть в легковесном формате, желательно .tflite или сериализованные NumPy-объекты.
Пример сопровождения модели в Kivy:
import numpy as np
import tensorflow as tf
from kivy.app import App
from kivy.uix.label import Label
class MLApp(App):
def build(self):
interpreter = tf.lite.Interpreter(model_path="mnist_model.tflite")
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
# dummy input
input_data = np.random.rand(1, 28, 28).astype(np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()
prediction = interpreter.get_tensor(output_details[0]['index'])
return Label(text=f'Prediction: {np.argmax(prediction)}')
MLApp().run()
buildozer.
🎯 Итог
Python отлично подходит для подготовки и оптимизации ML-моделей. После этого вы можете:
- Преобразовать модель в tflite и встроить её в нативные Android/iOS-приложения;
- Использовать фреймворки (Kivy, BeeWare) для написания мобильных приложений на Python с ML;
- Или же организовать backend на Flask/FastAPI, а мобильное приложение будет слать туда запросы (но это уже другая история).
Так что, машинное обучение и мобильная разработка — совместимы. А Python — это не только про расчёты, но и про реальные приложения прямо в ваших карманах.
Как интегрировать Machine Learning модели в мобильные приложения с Python.
Если вы работаете с данными, то, скорее всего, не раз сталкивались с необходимостью обрабатывать большие объемы информации: забирать файлы из хранилищ, преобразовывать их, фильтровать, грузить в базу данных. Весь этот процесс называется ETL — Extract, Transform, Load. И если делать его вручную — это скучно, ошибкоопасно и просто не масштабируется. А вот автоматизация… вот здесь всё действительно интересно.
Сегодня расскажу, как совместить мощную визуальную платформу Apache Nifi и Python-скрипты, чтобы создать эффективный, гибкий и надёжный ETL-пайплайн. Да, можно обойтись одним Python, но Nifi значительно упрощает потоковую обработку данных, а Python добавляет нужной гибкости.
🔧 Что такое Apache Nifi?
Это open-source инструмент от Apache для автоматической передачи и обработки данных в режиме реального времени. Работает через веб-интерфейс: «нажал, соединил, запустил». Поддерживает более 300 встроенных процессоров (загрузка FTP, HTTP, базы данных, фильтрация, устранение дубликатов и т.д.)
Теперь представьте: у вас есть CSV-файлы с данными, ежедневно падающие на удалённый сервер, и вам нужно:
- Скачивать их
- Преобразовывать
- Загружать в PostgreSQL
Разберём, как это сделать с помощью Apache Nifi и Python.
🛠 Пример пайплайна с Python-скриптом в Nifi
1. Используем процессор GetFile или ListFTP + FetchFile, чтобы забирать CSV.
2. Далее применим ExecuteScript — здесь встроим Python-обработчик CSV.
3. Последний шаг — PutDatabaseRecord для загрузки данных в базу.
💡 Пример Python-обработки CSV в ExecuteScript:
# Используется Jython (Python 2.7), встроенный в Nifi
import csv
import io
from org.apache.commons.io import IOUtils
from java.nio.charset import StandardCharsets
flow_file = session.get()
if flow_file is not None:
try:
content = IOUtils.toString(session.read(flow_file), StandardCharsets.UTF_8)
reader = csv.DictReader(io.StringIO(content))
transformed = []
for row in reader:
row['full_name'] = f"{row['first_name']} {row['last_name']}"
row['age'] = int(row['age'])
transformed.append(row)
output = io.StringIO()
writer = csv.DictWriter(output, fieldnames=transformed[0].keys())
writer.writeheader()
writer.writerows(transformed)
flow_file = session.write(flow_file, lambda out: out.write(output.getvalue().encode('utf-8')))
session.transfer(flow_file, REL_SUCCESS)
except Exception as e:
session.transfer(flow_file, REL_FAILURE)
🎨 Создание собственных графических эффектов для веб-приложений с помощью Python
Python и графика — казалось бы, редкое сочетание, особенно когда речь идёт о вебе. Но всё меняется, когда на сцену выходит библиотека Pillow и генерация изображений на лету. Сегодня мы разберёмся, как с помощью Python можно создавать крутые графические эффекты и динамически генерировать изображения для веба — от градиентов и шумов до генеративного дизайна.
Начнём с основ: Pillow — это форк знаменитой библиотеки PIL (Python Imaging Library). Она позволяет создавать и редактировать изображения прямо на сервере. Например, вы можете генерировать карточки товаров, баннеры, визуальные паттерны, аватары или фоновые текстуры прямо в момент запроса.
Установка:
pip install pillow
from PIL import Image, ImageDraw
import random
width, height = 800, 400
image = Image.new("RGB", (width, height))
draw = ImageDraw.Draw(image)
for y in range(height):
color = (int(255 * (y / height)), 100, 200)
draw.line([(0, y), (width, y)], fill=color)
for _ in range(10000):
x = random.randint(0, width - 1)
y = random.randint(0, height - 1)
noise_color = (random.randint(200, 255), random.randint(200, 255), random.randint(200, 255))
image.putpixel((x, y), noise_color)
image.save("gradient_noise.png")
from PIL import ImageFont
font = ImageFont.truetype("arial.ttf", 48)
text = "Hello, Web!"
draw.text((52, 152), text, font=font, fill=(0,0,0)) # Shadow
draw.text((50, 150), text, font=font, fill=(255,255,255)) # Main text
from flask import Flask, send_file
import io
app = Flask(__name__)
@app.route("/banner")
def banner():
img = Image.new("RGB", (600, 200), color=(30, 30, 30))
draw = ImageDraw.Draw(img)
draw.text((50, 80), "Welcome!", fill=(255, 255, 255))
buf = io.BytesIO()
img.save(buf, format="PNG")
buf.seek(0)
return send_file(buf, mimetype='image/png')
Создание собственных графических эффектов для веб-приложений с помощью Python.
🎨 Простейшие графические редакторы с использованием библиотеки tkinter
Каждому программисту когда-то хочется превратить консольную рутину во что-то более… зрелищное. Если вы только начинаете осваивать Python – отличной отправной точкой может стать создание собственного графического редактора с помощью tkinter, стандартной библиотеки GUI в Python.
Да-да, самый настоящий Paint в несколько десятков строк!
tkinter поставляется в комплекте с Python, так что ничего дополнительно устанавливать не нужно. Запускаем редактор – и рисуем прямо мышкой. Прекрасная демонстрация того, как события и интерактивность работают в Python.
Разберем базовую версию редактора — с возможностью рисования линий мышкой.
Вот простой пример:
import tkinter as tk
class SimplePaint:
def __init__(self, root):
self.root = root
self.root.title("Mini Paint")
self.canvas = tk.Canvas(root, bg="white", width=600, height=400)
self.canvas.pack(fill=tk.BOTH, expand=True)
self.last_x, self.last_y = None, None
self.canvas.bind("<Button-1>", self.start_draw)
self.canvas.bind("<B1-Motion>", self.draw_line)
def start_draw(self, event):
self.last_x, self.last_y = event.x, event.y
def draw_line(self, event):
x, y = event.x, event.y
self.canvas.create_line(self.last_x, self.last_y, x, y, fill="black", width=2)
self.last_x, self.last_y = x, y
root = tk.Tk()
app = SimplePaint(root)
root.mainloop()
<Button-1> (нажатие левой кнопки мыши) отслеживает начало рисования.
- <B1-Motion> ловит перемещения мыши при нажатой кнопке и соединяет координаты линиями.
Теперь добавим выбор цвета — немного разнообразия:
from tkinter.colorchooser import askcolor
def choose_color():
color = askcolor()[1]
if color:
app.current_color = color
color_btn = tk.Button(root, text="Color", command=choose_color)
color_btn.pack()
self.current_color = "black"
...
self.canvas.create_line(self.last_x, self.last_y, x, y, fill=self.current_color, width=2)
def clear_canvas():
app.canvas.delete("all")
clear_btn = tk.Button(root, text="Clear", command=clear_canvas)
clear_btn.pack()
