Python Portal

Открыть в Telegram

Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6

Больше

Сеть:Times | Финансы Россия11 911 Технологии и приложения2 547...

📈 Аналитический обзор Telegram-канала Python Portal

Канал Python Portal (@pythonportal) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 52 440 подписчиков, занимая 2 547 место в категории Технологии и приложения и 11 911 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 52 440 подписчиков.

Согласно последним данным от 10 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -783, а за последние 24 часа — -20, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.32%. В первые 24 часа после публикации контент обычно набирает 5.78% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 4 892 просмотров. В течение первых суток публикация набирает 3 033 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 25.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как строка, none, true, модуль, peter.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6”

Благодаря высокой частоте обновлений (последние данные получены 11 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.

52 440

Подписчики

-2024 часа

-1877 дней

-78330 день

4 892

Просмотры поста

~ 3 03324 часа

~ 3 58848 часов

9.32%

Коэффициент вовлеченности

~ 3

Постов в день

Ads index

beta

Архив постов

52 440

Sentrux измеряет архитектуру кодовой базы в реальном времени. Что делает: → Оценивает «здоровье» архитектуры (0–10000) → Отслеживает модульность, циклические зависимости, глубину, равномерность, избыточность → Работает за миллисекунды (Rust + tree-sitter, 52 языка) → Отдает фидбек, пока агенты пишут код Как работает: → scan / rescan анализируют структуру → check_rules применяет ограничения → evolution отслеживает изменения во времени → Правила лежат в .sentrux/rules.toml (связность, слои, циклы) Экспонируется как MCP-сервер: → Агенты получают живой структурный фидбек прямо в процессе сессии Вместо: code → review позже Получаешь: code → оценка → исправление (внутри цикла) https://github.com/sentrux/sentrux 👉 @PythonPortal

52 440

👉 @PythonPortal

52 440

Теперь можно искать по PDF на 500 страниц без чанкинга и без векторизации. Андрей Карпати недавно озвучил идею: что если база знаний работает как вики, а не как векторная база? OpenKB — open-source CLI, построенный вокруг этой концепции. Он компилирует сырые документы в структурированную связанную вики-систему с помощью LLM. Знания накапливаются, а не пересобираются при каждом запросе. В классическом RAG контекст каждый раз восстанавливается заново. Здесь модель опирается на уже построенную структуру. Длинные PDF разбираются через PageIndex — древовидный индекс без векторов, который позволяет рассуждать по структуре документа. Что получается на выходе: > авто-суммаризация и страницы концептов > кросс-ссылки между документами > детект противоречий и пробелов > режим наблюдения за изменениями > markdown, совместимый с Obsidian Поддерживаются PDF, Word, PowerPoint, Excel, HTML и изображения. Таблицы и фигуры извлекаются нативно. Один новый файл может автоматически обновить до 15 страниц в вики. База знаний начинает сохранять то, что уже было выучено. https://github.com/VectifyAI/OpenKB 👉 @PythonPortal

52 440

Нужно обнулить время (до полуночи) в серии datetime в Pandas — используется dt.normalize:

df['x'].dt.normalize()

На выходе та же серия datetime, но у всех значений время 00:00:00. 👉 @PythonPortal

52 440

Нужно округлить даты/время в Pandas: * dt.floor — вниз (к предыдущему интервалу) * dt.ceil — вверх (к следующему интервалу) * dt.round — к ближайшему интервалу Пример:

s.dt.floor('3h')   # предыдущий 3-часовой слот
s.dt.ceil('15m')   # следующий 15-минутный слот
s.dt.round('1D')   # ближайшие сутки

👉 @PythonPortal

52 440

f-строки в Python: * Перед строкой ставится f * Возвращается обычная строка * Выражения в {} вычисляются и подставляются

x = 5
y = 7
f'{x} + {y} = {x+y}'  # 5 + 7 = 12

x = [1, 2]
y = [3, 4]
f'{x} + {y} = {x+y}'  # [1, 2] + [3, 4] = [1, 2, 3, 4]

👉 @PythonPortal

52 440

Хотите освоить анализ данных, но не знаете, с чего начать? Центр непрерывного образования ФКН НИУ ВШЭ запускает онлайн-программу профессиональной переподготовки «Практический анализ данных» — полный цикл обучения от нуля до уровня практикующего аналитика. Что вас ждет: 🟣Python для автоматизации и анализа данных: от первых строк кода до Pandas и визуализации 🟣SQL на продвинутом уровне: оконные функции, индексы, партиционирование, оптимизация запросов 🟣Прикладная статистика и A/B-тестирование: проверка гипотез, планирование экспериментов, работа с малыми выборками 🟣Основы машинного обучения: регрессия, классификация, кластеризация 🟣Дашборды в Tableau и Yandex DataLens 🟣Продуктовая аналитика: метрики, сегментация, приоритизация гипотез 🟣Хранилища данных: архитектура DWH, Hadoop, Spark, ETL, Airflow Преподаватели — практикующие специалисты из Wildberries, Вкусно — и точка и других компаний. По окончании вы получите диплом о профессиональной переподготовке НИУ ВШЭ. 📁 Старт: 12 мая. Подробнее о программе 📍

52 440

👉 @PythonPortal

52 440

Твой ПК скоро станет по-настоящему «умным». Aiden — это полноценная ИИ-операционная система, которая работает на 100% локально на Windows или Linux: - 1500+ компонуемых навыков - 89+ автономных инструментов - Управляет мышью, клавиатурой, экраном и приложениями (по сути как JARVIS) - 6-слойная память + граф знаний - Рой сабагентов, работающих параллельно - Голос + каналы (Discord, Telegram, WhatsApp…) Всё офлайн через Ollama. Без аккаунтов. Без телеметрии. Без отправки данных в облако. Это не чат-бот — это ассистент, который живёт внутри твоей машины. Будущее персонального ИИ уже здесь, и оно с открытым исходным кодом. 👉 @PythonPortal

52 440

Не усложняй методы startswith и endswith. Когда нужно проверить, начинается ли строка с одного из нескольких вариантов, не используй цикл — передай кортеж, и метод сам проверит совпадение с любым из значений в кортеже.

user_string = input()
starts = ('One', 'Two', 'Three')

# Переусложнённо
for s in starts:
    if user_string.startswith(s):
        # Сделать что-то и выйти
        break

# Чистый вариант
if user_string.startswith(starts):
    # Сделать что-то

👉 @PythonPortal

52 440

Ну что, проверим ваши знания? 👉 @PythonPortal

52 440

Если видишь одну и ту же переменную по обе стороны and, обрати внимание на этот синтаксический сахар:

x, y, z = 20, 15, 3

# Традиционный способ с 'and'
if x > y and y > z:
    ...

# Питоничный способ — цепное сравнение
if x > y > z:
    ...

👉 @PythonPortal

52 440

Если тебе нужны 3+ вложенных цикла — остановись и отрефактори. Глубокую вложенность лучше избегать: такой код сложнее читать и поддерживать. Цель всегда одна — читаемость и поддерживаемость. Если ловишь себя на глубокой вложенности, остановись и подумай, можно ли сделать это понятнее. Использование библиотеки часто будет лучшей альтернативой. 👉 @PythonPortal

52 440

У вас больше не будет возможности попасть в ШАД в этом году. Школа анализа данных от Яндекса — бесплатная двухлетняя программа по машинному обучению, Data Science, анализу данных и ИИ. Внутри — сильная база, практические задачи из индустрии, преподаватели из Яндекса и мощное комьюнити. Поступить можно по двум трекам: классическому, где нужно пройти 3 этапа отбора, и альтернативному — для специалистов с опытом. Учиться можно офлайн, гибридно или онлайн. Отбор сложный, но ваша карьера вас точно поблагодарит. Анкету нужно подать до 3 мая включительно. По этой ссылке

52 440

Repost from Айти мемы

Использую Claude Opus 4.7, чтобы отцентрировать div

52 440

Чёрт… хакеры это точно оценят. Кто-то выложил в опенсорс универсальный тулкит для взлома, который объединяет все основные инструменты пентеста в одно CLI-меню. Ставишь один раз — и сразу получаешь доступ к инструментам из всех категорий: анонимность, сбор информации, атаки на беспроводные сети, подбор паролей, сканирование веба, фреймворки эксплуатации, генерация полезной нагрузки и т.д. Называется HackingTool. → Одно меню запускает Tor, Anonsurf, Macchanger и цепочки прокси за секунды → Включает Nmap, Dracnmap, RED HAWK и ReconSpider для полной разведки сети → Содержит SQLMap, XSStrike, WPScan и SecretFinder для эксплуатации веба → Есть John the Ripper, Hashbuster и BruteX для атак на пароли 51K звёзд. Работает на любом Linux-дистрибутиве. Полностью опенсорс. 👉 @PythonPortal

52 440

GitHub-репозитории, чтобы прокачать Python

- Веб-разработка с Django — https://github.com/django/django - Инструментарий для Data Science — https://github.com/rasbt/python-machine-learning-book - Алгоритмические задачи — https://github.com/TheAlgorithms/Python - Рецепты машинного обучения — https://github.com/ageron/handson-ml2 - Лучшие практики тестирования — https://github.com/pytest-dev/pytest - Скрипты для автоматизации — https://github.com/soimort/you-get - Продвинутые концепции Python — https://github.com/faif/python-patterns

Кидайте в закладки и делитесь с коллегами 🌟 👉 @PythonPortal

52 440

F = q(E + v \times B) Наблюдать, как сила Лоренца из абстракции из учебника превращается в 30 000 об/мин в реальном времени — чистый дофамин. В какой-то момент поток магнитного поля уже воспринимается как физическое размытие. Большинство видит «крутящуюся игрушку», но по факту это векторное произведение скорости и магнитного поля, дающее силу, создающую момент на якоре. Это и есть практическое проявление уравнений Максвелла — не формулы, а реальная физика в работе. Это демонстрация базового принципа работы коллекторных электродвигателей постоянного тока. 👉 @PythonPortal

52 440

MIT сделал ход, который ставит под сомнение ставки индустрии на рост контекстного окна. Они решили проблему памяти не увеличением «окна», а сменой модели работы с данными. Проблема. У любой модели есть предел — контекстное окно. При его переполнении возникает деградация качества: факты теряются, связи между частями текста исчезают, ответы становятся хуже. Это называют «деградацией контекста». Что делали раньше. RAG (генерация с извлечением): - документ режется на чанки - хранится во внешнем хранилище - перед запросом извлекаются «релевантные» куски Проблемы: - извлечение делает предположение до чтения - ошибки в выборе → модель не видит нужные данные - связи между частями документа разрушаются Подход MIT. Документ не помещается в контекст вообще. Он хранится вне модели, например как переменная. Модели сообщается, что данные существуют и как к ним обращаться. Дальше модель: - пишет код для поиска - использует регулярные выражения - извлекает нужные фрагменты - подгружает только релевантные части Ключевой момент. Обработка становится рекурсивной: - модель находит релевантные участки - запускает подзадачи (сабагенты) для их анализа - агрегирует результат Нет сжатия, нет потерь, нет переполнения контекста. Результаты. - обработка до ~10 млн токенов - значительный прирост качества на задачах с длинным контекстом - стоимость сопоставима с обычными запросами Вывод. Фокус смещается: не «сколько текста держать в голове», а «как эффективно к нему обращаться». Модель начинает работать как разработчик с доступом к данным: поиск → извлечение → анализ → агрегация. Ссылки: - Статья: http://arxiv.org/abs/2512.24601 - Код: http://github.com/alexzhang13/rlm 👉 @PythonPortal

52 440

Райан — лучший, делает божью работу 👉 @PythonPortal